基于 Transformer 和 LLM 生成公式化 Alpha 的情感感知股票价格预测
计算工程、金融与科学
2026-03-05 v2
摘要
传统上，交易者和量化分析师通过基于域知识和试错的方式手动构建公式化 alpha（识别金融数据中模式或信号的数学表达式）来应对 alpha 衰减。这一过程往往耗时且难以扩展。近期大语言模型（LLM）的进展使得现在有可能通过利用 LLM 的推理能力自动生成此类 alpha。本文引入了一种新框架，将基于提示的 LLM 与 Transformer 模型集成，用于股票价格预测。LLM 首先使用结构化输入（如历史股价特征：收盘价、开盘价、最高价、最低价、成交量、技术指标、目标公司及相关公司的情感得分）生成多样且自适应的 alpha。这些 alpha 不是直接用于交易，而是被视为捕捉金融数据中复杂依赖关系的高层次特征。为评估这些 LLM 生成的公式化 alpha 的效果，我们将 alpha 特征输入到 Transformer、LSTM、TCN、SVR 和 Random Forest 等预测模型，用于预测未来股价。实验结果表明，LLM 生成的 alpha 显著提高了预测准确性。此外，LLM 提供的自然语言推理增强了预测的可解释性和透明度，支持更明智的金融决策。
引用
@article{arxiv.2508.04975,
title = {Sentiment-Aware Stock Price Prediction with Transformer and LLM-Generated Formulaic Alpha},
author = {Qizhao Chen and Hiroaki Kawashima},
journal= {arXiv preprint arXiv:2508.04975},
year = {2026}
}
备注
This paper has been accepted by the journal Digital Finance