Oct, 2023

通过大型语言模型整合股票特征和全球信息以提升股票收益预测

PDF
TL;DR通过引入 LG 模型和 SCRL 方法，我们提出了一个用于量化投资的创新框架，能够有效将 Large Language Models 中包含的语义信息与现有的量化股票特征相结合，以提高金融新闻分析和股票收益预测的性能。在中国 A 股市场中，我们的框架相较于仅依赖于股票特征的模型，表现出卓越的排名信息系数和收益表现。
large language modelsquantitative investmentfinancial news analysisstock returns predictionsemantic information integration
发现论文，激发创造
  • 揭示情感的潜力：大型语言模型是否能够预测中国股市价格趋势？

    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

  • GPT-InvestAR: 通过大型语言模型对年度报告分析增强股票投资策略

    年度报告包含了上市公司的财务状况，有助于评估其对股票价格的潜在影响。本文利用大型语言模型的能力简化了所有公司年度报告的评估过程，并通过历史股价数据编制了量化模型数据集，使用机器学习模型进行训练，结果显示出对标普 500 指数的良好超额收益。该研究为未来相关工作提供了一个框架，同时开源了相关代码。

    Sep, 2023

  • 利用大型语言模型增强知识图谱构建

    本文分析了当前基础 LLM (ChatGPT) 与专门的预训练模型 (REBEL) 的联合实体和关系提取应用，以可持续发展文本为案例进行了多个实验，结果表明，使用先进的 LLM 模型可以提高从非结构化文本创建知识图谱的过程的准确性，并探索了使用基础 LLM 模型自动创建本体论的潜力，取得更相关和准确的知识图谱。

    May, 2023

  • 通过检索增强的大型语言模型增强金融情感分析

    在金融情感分析领域，传统的 NLP 模型受到参数大小和训练数据范围的限制，以及简洁的财经新闻文本缺乏上下文的问题，而无法很好地泛化和提高准确性。为了解决这些挑战，本研究引入了一种基于检索增强的大型语言模型（LLMs）框架，该框架包括一个指导调整的 LLMs 模块和一个从可靠外部来源检索附加上下文的模块。与传统模型和 ChatGPT、LLaMA 等 LLMs 相比，我们的方法在准确性和 F1 得分方面取得了 15％到 48％的性能提升。

    Oct, 2023

  • 利用自反思大型语言模型学习生成可解释的股票预测

    提出了一种利用自我反思的机器人和接近策略优化（PPO）的 Summarize-Explain-Predict（SEP）框架，让大型语言模型（LLMs）自主学习如何生成可解释的股票预测，通过自我推理学习如何解释过去的股票动态，并使用 PPO 训练器生成最可能的解释。使用该框架，对 LLM 进行了微调，其在股票分类任务的预测准确性和 Matthews 相关系数方面优于传统深度学习和 LLM 方法，并通过各种投资组合指标证明了其有效性。

    Feb, 2024

  • 大型语言模型在信息检索中的应用：综述

    信息检索系统和大型语言模型的融合，包括关键方面，如查询重写、检索、重新排序和阅读器，在这一快速发展的研究领域中提供全面的概述和深入的见解。

    Aug, 2023

  • 用 LLM 彻底改革金融：应用和洞见概述

    最近几年，大型语言模型（LLMs）如 ChatGPT 取得了显著的进展，并在各个领域得到了应用。这些模型建立在 Transformer 架构基础上，通过广泛的数据集训练，能够有效地理解和生成人类语言。在金融领域，LLMs 的部署正在迅速发展。它们被用于自动化财务报告生成、预测市场趋势、分析投资者情绪和提供个性化的财务建议。利用其自然语言处理能力，LLMs 可以从海量金融数据中提取关键见解，帮助机构做出明智的投资决策，提高运营效率和客户满意度。本研究全面介绍了 LLMs 在各种金融任务中的应用。此外，我们通过自然语言指令对多个金融任务进行了全面测试。我们的研究结果表明，GPT-4 在各种金融任务中能够有效地遵循指令。这项对 LLMs 在金融领域的调查和评估旨在加深金融从业者和 LLM 研究人员对 LLMs 在金融中的作用的理解，发现新的研究和应用前景，并强调如何利用这些技术来解决金融行业的实际挑战。

    Jan, 2024

  • Ploutos: 朝着可解释的股票动态预测的金融大语言模型

    在金融投资领域，大型语言模型 (Large Language Models，LLMs) 的完全潜力尚未得到充分利用。针对量化金融的典型深度学习方法存在两个主要挑战：一是难以灵活地融合文本和数值信息进行股票运动预测，二是传统方法缺乏清晰度和解释性，这阻碍了其在需要预测的理由至关重要的场景中的应用。为解决以上挑战，我们提出了一种名为 Ploutos 的新型金融 LLM 框架，其中包括 PloutosGen 和 PloutosGPT。PloutosGen 包含多个主要专家，可以分析不同模态数据，如文本和数字，并从不同的角度提供量化策略。然后，PloutosGPT 结合他们的见解和预测，生成可解释的理由。为了生成准确和可信的理由，PloutosGPT 的训练策略利用后视镜提示机制来引导 GPT-4 生成理由，并利用动态令牌加权机制通过增加关键令牌的权重来微调 LLM。广泛的实验证明，我们的框架在预测准确性和解释性方面优于最先进的方法。

    Feb, 2024

  • 通过大型语言模型重定义结构化数据库的信息检索

    本文介绍了一种名为 ChatLR 的新型检索增强框架，主要利用大型语言模型（LLMs）的强大语义理解能力作为检索器，以实现精确和简洁的信息检索。通过在金融领域微调 LLM 并构建基于 LLM 的搜索和问答系统，实验证明 ChatLR 在解决用户查询中表现出高达 98.8％的信息检索准确性。

    May, 2024

  • LLMFactor: 通过提示提取盈利因子用于可解释的股票走势预测

    通过使用大型语言模型（LLMFactor）和顺序知识引导提示（SKGP）方法，本研究针对金融部门的时间序列数据提出了一个新的框架，用于识别影响股票走势的因素，并通过历史股价预测股票的运动，与现有方法相比，该框架在金融时间序列预测方面表现出更好的性能。

    Jun, 2024