ChatGPT 能否预测股价波动?回报可预测性与大型语言模型
本文通过对三个推文和历史股票价格数据集的多模态股票走势预测,对 ChatGPT 的能力进行了广泛的零样本分析,在预测股票走势方面表现不佳,这一发现提出了更多关于情感分析和历史股票数据的未来研究问题与工作方向
Apr, 2023
利用 ChatGPT 和两阶段提示方法,我们使用 2010 年至 2023 年的 Bloomberg 金融市场总结数据集,通过大型金融媒体的转载,确定全球新闻头条如何影响股市走势。我们发现情感评分与未来短中期的股市回报间存在显著正相关,而随着时间推移,这种相关性转为负相关。通过对多个股票市场中的相关模式进行验证,证明了其对不同股票地区的鲁棒性和非线性的弹性,通过皮尔逊和斯皮尔曼相关性的比较也得到了证实。最后,我们提供了一个在新信息反应和相关性之间取得平衡的最佳时间跨度的估计。
Jan, 2024
本研究利用 ChatGPT 的图推理能力,介绍了一种新的框架,能够从金融新闻等文本数据中提取出不断变化的网络结构,并将其整合到图神经网络中进行预测,实验证明其在股票预测方面表现优异,具有金融行业的广泛应用前景。
May, 2023
使用大型语言模型 ChatGPT 3.5 进行金融情感分析,特别关注外汇市场,通过零样本提示方法的探究,比起金融文本情感分析模型 FinBERT,ChatGPT 表现出了大约 35% 的情感分类性能提升以及 36% 更高的与市场回报的相关性,强调了提示工程在零样本上下文中的重要性,突显了 ChatGPT 在金融应用中显著提升情感分析的潜力,并分享所使用的数据集以促进该领域的进一步研究与发展。
Aug, 2023
通过金融新闻标题的情感驱动交易策略,我们研究了大型语言模型对交易性能的影响,发现通过去除文本中相关公司的标识符来减少分散效应对交易策略产生更大的积极影响。
Sep, 2023
本文介绍了 StockGPT,一种在美国股票每日收益历史数据上直接预训练的自回归 ' 数值 ' 模型。通过将每个收益系列视为标记序列,该模型在理解和预测高度复杂的股票收益动态方面表现出色。利用注意机制,StockGPT 自动学习预测未来收益的隐藏表示。在 2001 年至 2023 年的测试样本中,基于 StockGPT 预测的每日重新平衡的多空投资组合年收益为 119%,夏普比率为 6.5。基于 StockGPT 的投资组合完全解释了动量和长期 / 短期逆转现象,消除了手动构建基于价格的策略的需要,并涵盖了大多数领先的股市因素。这凸显了生成型人工智能在超越人类进行复杂金融投资决策方面的巨大潜力,并证明了大型语言模型的注意机制在完全不同的领域中的有效性。
Apr, 2024
本文探讨了生成式 AI 模型(如 ChatGPT)在投资组合选择方面的潜在用途。结合 ChatGPT 和先进的量化优化技术,通过融合 AI 生成的股票选择优势和量化优化模型,观察到更稳健和有利的投资结果,为未来更有效可靠的投资决策提供了混合方法。
Aug, 2023
本文使用 BERT 等基于变换器的语言模型对不同公司相关文本数据进行分类,以预测一年的股票表现,并使用新闻文章、博客和年报三种不同类型的文本数据进行分析。研究发现,使用新闻文章源的 StonkBERT 在股票表现分类方面比传统语言模型表现出更好的预测精度,该研究还表明这种精度提升也会转化为股票市场上超出平均的回报率。
Feb, 2022
本研究探讨了自然语言处理(NLP)与金融分析的交叉领域,重点关注情感分析在股价预测中的影响。我们使用先进的 NLP 技术 BERTopic 来分析从股市评论中得出的主题的情感。我们的方法将情感分析与深度学习模型相结合,这些模型以其在时间序列和股票预测任务中的有效性而闻名。通过全面的实验,我们证明了融入主题情感能够显着提高这些模型的性能。结果表明,股市评论中的主题提供了对股市波动和价格趋势的含蓄而有价值的见解。本研究通过展示 NLP 在丰富金融分析方面的潜力,为该领域做出了贡献,并为实时情感分析以及市场情感的情绪和情境方面的进一步研究开辟了道路。将 BERTopic 等高级 NLP 技术与传统金融分析方法相结合,标志着在开发更复杂的了解和预测市场行为工具方面迈出了一步。
Apr, 2024
该研究提供了一个严谨和全面的基准以及一个标准化的回测框架,以客观评估各种类型的 LLM 在从中国新闻文本数据中提取情感因子方面的有效性,从而支持大规模语言模型在量化交易策略中的应用。
Jun, 2023