本文研究使用ChatGPT等大型语言模型进行情感分析，以预测股票市场回报的潜力，发现ChatGPT对股票市场预测的准确率高于传统情感分析方法，建议将高级语言模型纳入投资决策过程中，以提高量化交易策略的性能。

Apr, 2023

本文研究了利用大型语言模型在可解释金融时间序列预测中的应用，使用股票价格数据、公司元数据和历史新闻等多模态信号，在 NASDAQ-100 股票上进行实验，结果显示与一些基准模型相比，使用 GPT-4 和 Open LLaMA 这类新型模型进行零样本/少样本推断并通过基于指令的微调生成可解释预测，优于经典的 ARMA-GARCH 模型和梯度提升树模型。

Jun, 2023

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

本研究通过时间序列分析和自然语言处理，评估了利用 Twitter 情感进行预测特斯拉、苹果等主要公司股票价格的可行性，结果表明积极性、消极性和主观性是股票价格波动的主要决定因素。该研究强调了将公众意见纳入股票价格预测的重要性，同时指出利用 Twitter 情感可以作为预测股票价格的有效工具，应纳入投资策略制定。

Aug, 2023

大型语言模型的非确定性输出对金融文本理解任务的影响还没有得到很好的研究。通过对通过新闻情感分析在投资美国股票市场方面的一个引人注目的案例研究，我们发现句子级情感分类结果存在相当大的差异，突显了LLM输出的固有波动性。这些不确定性会迭代下游，导致投资组合构建和回报的更大变化。调整语言模型解码器中的温度参数可能是一个潜在的解决方法，但这会以抑制创造性为代价。类似地，多个输出的集合可以减轻不稳定输出的影响，但这要求相当大的计算投入。这项工作为从业者在将LLMs整合到金融决策中的不确定性情境中提供了宝贵的见解。

Nov, 2023

通过从推特中提取的情感信息，使用FinBERT大型语言模型的研究表明通过关联分析筛选特征集并采用贝叶斯优化的递归特征消除实现了超过70%的F1分数，从而在回测交易中获得了更高的累积利润。

Mar, 2024

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

使用大型语言模型（LLMs）在金融领域中的机器学习应用的最新进展，探讨了LLMs在各种金融任务上的应用，重点在于它们改变传统做法和推动创新的潜力，提供了进展和优势的讨论，包括上下文理解、迁移学习的灵活性和复杂情感检测等高级技术，以及将现有文献分类为主要应用领域，包括语言任务、情感分析、金融时间序列、金融推理、基于代理的建模和其他应用，详细介绍了每个应用领域的具体方法论，如文本分析、基于知识的分析、预测、数据增强、规划、决策支持和模拟。此外，还提供了与主流应用相关的数据集、模型资源和有用代码等资源，作为研究人员和实践者的参考。最后，概述了未来研究中的挑战和机遇，特别强调了该领域的几个独特方面。希望我们的工作能促进LLMs在金融领域的采用和进一步发展。

Jun, 2024

本研究探讨了大型语言模型（LLMs）在时间序列预测中的应用，重点分析了LLMTIME模型。研究显示，尽管LLMs在生成文本、翻译和情感分析等任务中表现良好，但在处理复杂时间序列数据时，其预测准确性显著下降，尤其是当数据包含周期性和趋势成分时。这一发现强调了针对时间序列的LLMs的局限性和面临的挑战。

Aug, 2024

本研究解决了金融时间序列建模中存在的非线性、非平稳以及高噪声水平带来的挑战。我们提出了PLUTUS，一种基于预训练的大型统一变压器模型，通过对比学习和自编码器技术，有效处理高噪声时间序列，且在多个任务中表现出色，为金融领域奠定了坚实的基础。

Aug, 2024