LLMFactor: 通过提示提取可盈利因子以实现可解释的股票走势预测

近年来，大型语言模型(LLM)因其在广泛任务中，特别是在文本分析中的卓越表现而引起了极大关注。然而，金融领域因其依赖于时间序列数据进行复杂预测任务而呈现出独特的挑战。在本研究中，我们引入了一个名为LLMFactor的新颖框架，该框架采用序列知识引导提示(SKGP)来利用LLM识别影响股票走势的因子。与先前依赖关键词或情感分析的方法不同，这种方法侧重于提取与股票市场动态更直接相关的因子，为复杂的时间变化提供清晰的解释。我们的框架引导LLM通过填空策略创建背景知识，然后从相关新闻中辨别影响股票价格的潜在因子。在背景知识和识别出的因子的指导下，我们利用文本格式的历史股票价格来预测股票走势。在来自美国和中国股票市场的四个基准数据集上对LLMFactor框架进行的广泛评估表明，其优于现有的最先进方法，并在金融时间序列预测中具有有效性。