استخدام إشارات أخبار ChatGPT لتحسين محافظ زخم الأسهم

الملخص

تختبر هذه الدراسة ما إذا كان نموذج لغوي كبير يستطيع استخدام أخبار الشركات لتحسين استراتيجية زخم مقطعية. وتجمع بين العوائد اليومية لمكونات مؤشر إس آند بي 500 والأخبار عالية التواتر، ثم تطلب من ChatGPT تقييم ما إذا كانت الأخبار الحديثة تدعم استمرار الأداء السابق للسهم. وتؤثر الدرجات الناتجة في اختيار الأسهم الداخلة في المحفظة وأوزان المراكز.

يفيد المؤلفون بأن الاستراتيجية المحسنة تتفوق على معيار زخم يقتصر على المراكز الطويلة وفق مقاييس معدلة حسب المخاطر في فترتي العينة وخارجها، بما في ذلك فترة تلي تاريخ قطع بيانات تدريب النموذج. كما يصفون النتائج بأنها متينة أمام تكاليف المعاملات واختيارات التلقين وقيود المحفظة، مع مكاسب أكبر في المحافظ المركزة. وتتعلق الأدلة بنموذج محدد قائم على التلقين ونطاق محدد للأسهم وتصميم معين للاستراتيجية؛ ولا يقدم الملخص أحجام الأثر أو تفاصيل كافية لتقييم افتراضات التنفيذ أو التعميم على أسواق ونماذج أخرى.

الأفكار الرئيسية

• يستخدم النهج نموذجًا لغويًا لتفسير أخبار الشركات في سياق زخم الأسهم الحديث.
• تؤثر درجات النموذج في اختيار الأسهم وأوزان المحفظة معًا.
• تتجاوز النتائج المبلغ عنها معيار الزخم طويل المراكز وفق مقاييس شارب وسورتينو.
• يفيد المؤلفون بمتانة النتائج أمام التكاليف وتصميم التلقين وقيود المحفظة.
• تتركز المكاسب المبلغ عنها في المحافظ المركزة، لذا قد تعتمد النتائج على تكوين المحفظة.

الوسوم

# ChatGPT in Systematic Investing -- Enhancing Risk-Adjusted Returns with LLMs


# ChatGPT in Systematic Investing -- Enhancing Risk-Adjusted Returns with LLMs









This paper investigates whether large language models (LLMs) can improve cross-sectional momentum strategies by extracting predictive signals from firm-specific news. We combine daily U.S. equity returns for S&P 500 constituents with high-frequency news data and use prompt-engineered queries to ChatGPT that inform the model when a stock is about to enter a momentum portfolio. The LLM evaluates whether recent news supports a continuation of past returns, producing scores that condition both stock selection and portfolio weights. An LLM-enhanced momentum strategy outperforms a standard long-only momentum benchmark, delivering higher Sharpe and Sortino ratios both in-sample and in a truly out-of-sample period after the model's pre-training cut-off. These gains are robust to transaction costs, prompt design, and portfolio constraints, and are strongest for concentrated, high-conviction portfolios. The results suggest that LLMs can serve as effective real-time interpreters of financial news, adding incremental value to established factor-based investment strategies.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.