Mamba在股票预测中超越Reformer：基于十大LLM情感分析
统计金融
2025-10-03 v1 人工智能
机器学习
摘要
由于市场高波动性、新闻引发的变化以及金融时间序列的非线性本质，短期股票市场预测极其困难。本研究提出了一种新颖框架，通过结合十大不同大语言模型(LLM)的语义情感分数与分钟级日内股票价格数据，来提高分钟级预测精度。我们系统地构建了一个时间对齐的数据集，包含2025年4月4日至5月2日期间AAPL新闻文章和1分钟Apple Inc.(AAPL)股票价格。情感分析通过DeepSeek-V3、GPT变体、LLaMA、Claude、Gemini、Qwen和Mistral模型的API实现。每篇文章从所有十个LLM获得情感分数，将其缩放至[0,1]范围，并与价格和技术指标（如RSI、ROC和Bollinger Band Width）结合。两个最先进模型——Reformer和Mamba——分别使用每个LLM产生的情感分数作为输入在数据集上进行训练。超参数通过Optuna优化，并通过为期3天的评估期进行评估。Reformer在评估指标上的均方误差(MSE)较高，值得注意的是，Mamba不仅在速度上更快，而且在所有十个LLM上的表现均优于Reformer。Mamba在LLaMA 3.3--70B上表现最佳，误差最低为0.137。虽然Reformer能够捕捉数据中的更广泛趋势，但该模型似乎过度平滑了LLM引起的突变。本研究强调了将基于LLM的语义分析与高效时间建模相结合，以增强实时金融预测的潜力。
引用
@article{arxiv.2510.01203,
title = {Mamba Outpaces Reformer in Stock Prediction with Sentiments from Top Ten LLMs},
author = {Lokesh Antony Kadiyala and Amir Mirzaeinia},
journal= {arXiv preprint arXiv:2510.01203},
year = {2025}
}