Aug, 2024

运用财报进行股票预测：一种增强的QLoRA LLM 方法

HTML
PDF
TL;DR本研究解决了传统机器学习模型在准确预测财报发布后的股票市场表现中的不足，尤其是在处理和解读财报文本数据时的困难。通过结合大型语言模型（LLM）与量化低秩适应（QLoRA）技术，构建了一个丰富的监督数据集，显著提升了模型在股市预测中的表现，尤其是在准确度和加权F1值上。研究表明，经过优化的 llama-3-8b-Instruct-4bit 模型在基准模型中表现出显著改善，预示着AI驱动的金融分析工具未来的广阔前景。
发现论文，激发创造
  • 时间序列数据与LLM相遇 - 可解释的金融时间序列预测

    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

  • 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

  • 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

    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。

    Oct, 2023

  • 金融中的大型语言模型：综述

    近期大规模语言模型(LLM)的发展在金融领域开创了人工智能应用的新可能性。本文提供了一份实用的调查报告，关注LLM在金融任务中的两个关键方面：现有解决方案和采用指南。首先，我们回顾了目前在金融领域中采用LLM的方法，包括通过零样本或少样本学习利用预训练模型，对领域特定数据进行微调，以及从头开始训练自定义LLM。我们总结了关键模型并评估了它们在金融自然语言处理任务上的性能改进。其次，我们提出了一个决策框架，以帮助金融业专业人员根据数据、计算和性能需求选择合适的LLM解决方案。该框架提供了从轻量级实验到大规模投资自定义LLM的路径。最后，我们讨论了在金融应用中利用LLM所面临的限制和挑战。总的来说，该调查旨在综述最新技术并为负责任地应用LLM推动金融人工智能提供路线图。

    Sep, 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

  • 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

  • 金融应用中大型语言模型的调查：进展、前景与挑战

    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

  • 大型语言模型在财务报表分析中的应用

    本研究探讨了大型语言模型（LLM）在财务报表分析中是否能够与专业分析师相媲美。研究发现，LLM能够在没有额外行业信息的情况下，准确预测未来盈利变化，并在财务分析师面临挑战时表现出相对优势。这一发现表明，LLM可能在决策中发挥重要作用，其基于预测的交易策略比其他模型表现出更高的夏普比率和阿尔法值。

    Jul, 2024

  • 利用大型语言模型自动化策略发现的量化投资

    本研究针对现有深度学习模型在金融交易中普遍存在的不稳定性和高不确定性问题，提出了一种利用大型语言模型（LLMs）和多代理架构的新框架。通过整合多模态金融数据挖掘alpha因子，实验结果表明该框架在多个金融指标上显著优于现有的基线，标志着AI驱动的量化投资策略的新进展。

    Sep, 2024