Bewertung von LLM-Sentimentfaktoren für den chinesischen Aktienhandel

Zusammenfassung

Dieses Paper beschreibt einen experimentellen Rahmen, um zu prüfen, ob große Sprachmodelle nützliche Stimmungssignale aus chinesischen Finanznachrichten extrahieren können. Es wendet drei verschiedene Modelle auf zusammengefasste Unternehmensnachrichten an, die unterschiedliche Ansätze zur Leistungssteigerung von Modellen repräsentieren. Die resultierenden Stimmungswerte werden als potenzielle quantitative Faktoren behandelt, die Textanalysen mit Portfolioentscheidungen verknüpfen, statt allein die Sprachausgabe zu bewerten.

Anschließend entwickelt die Studie Handelsstrategien auf Grundlage dieser Faktoren und bewertet sie mit Backtests, die realistische Handelsbedingungen abbilden sollen. Ihr zentraler Beitrag ist hier ein standardisiertes Verfahren, um Modelle und deren nachgelagerte Nutzung im Handel zu vergleichen. Der Auszug nennt weder die Modelle noch den Backtest-Zeitraum, eine Benchmark, numerische Ergebnisse oder detaillierte Vorkehrungen gegen Daten-Leakage und Transaktionskosten. Daher lässt sich daraus nicht ableiten, welches Modell oder welche Strategie am besten abschneidet. Die Ergebnisse bewerten das Potenzial, sie belegen keine dauerhaft robuste Prognosekraft.

Kernaussagen

• LLMs lassen sich hinsichtlich der Stimmungsextraktion aus Zusammenfassungen chinesischer Finanznachrichten bewerten.
• Die Studie vergleicht drei Modelle, die unterschiedliche Ansätze zur Leistungssteigerung repräsentieren.
• Die extrahierte Stimmung dient zur Bildung quantitativer Faktoren und Handelsstrategien.
• Backtesting verknüpft die Ausgaben von Sprachmodellen mit der Bewertung der Anlageperformance.
• Der Auszug enthält keine numerischen Ergebnisse und keine Details, anhand derer sich Robustheit und Dauerhaftigkeit der Prognosekraft beurteilen lassen.

Schlagwörter

# Unveiling the Potential of Sentiment: Can Large Language Models Predict Chinese Stock Price Movements?


# Unveiling the Potential of Sentiment: Can Large Language Models Predict Chinese Stock Price Movements?









The rapid advancement of Large Language Models (LLMs) has spurred discussions about their potential to enhance quantitative trading strategies. LLMs excel in analyzing sentiments about listed companies from financial news, providing critical insights for trading decisions. However, the performance of LLMs in this task varies substantially due to their inherent characteristics. This paper introduces a standardized experimental procedure for comprehensive evaluations. We detail the methodology using three distinct LLMs, each embodying a unique approach to performance enhancement, applied specifically to the task of sentiment factor extraction from large volumes of Chinese news summaries. Subsequently, we develop quantitative trading strategies using these sentiment factors and conduct back-tests in realistic scenarios. Our results will offer perspectives about the performances of Large Language Models applied to extracting sentiments from Chinese news texts.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.