大型语言模型的时间关系推理用于检测股票组合崩溃

股票组合常暴露于罕见且具有重大后果的事件（例如2007年全球金融危机、2020年新冠疫情股票市场崩溃），由于缺乏足够的历史信息无法从中学习。大型语言模型（LLM）现在成为一种可能的工具，可解决这一问题，因为它们能够从大规模训练数据中进行泛化，并能对新事件进行零样本推理，从而在无需特定训练数据的情况下检测可能的组合崩溃事件。然而，检测组合崩溃是一个复杂问题，仅凭推理能力不够。投资者需要动态地处理来自新闻文章中所发现的每条新信息的影响，分析不同事件和组合股票之间影响的关系网络，以及理解跨时间步骤之间影响的时序背景，以获得对目标组合的累计影响。本文提出了一种名为时间关系推理（Temporal Relational Reasoning, TRR）的算法框架。该框架旨在模拟人类认知能力在复杂问题解决中所涵盖的谱系，包括头脑风暴、记忆、注意力和推理。通过大量实验，我们展示了TRR在检测股票组合崩溃方面优于当前最先进技术，并通过消除实验演示了每个提议组件如何贡献于其性能。此外，我们进一步探讨了TRR的可能应用，通过将其扩展到其他相关复杂问题（例如宏观经济学中可能全球危机事件的检测）。