Aktien-Momentum-Portfolios mit ChatGPT-News-Signalen

Zusammenfassung

Diese Studie untersucht, ob ein großes Sprachmodell Unternehmensnachrichten nutzen kann, um eine Momentum-Querschnittsstrategie zu verfeinern. Sie kombiniert tägliche Renditen der S&P-500-Bestandteile mit hochfrequenten Nachrichten und fordert ChatGPT dann auf zu beurteilen, ob aktuelle Nachrichten für eine Fortsetzung der bisherigen Wertentwicklung einer Aktie sprechen. Die resultierenden Bewertungen beeinflussen, welche Aktien in das Portfolio aufgenommen und wie die Positionen gewichtet werden.

Die Autoren berichten, dass die erweiterte Strategie eine Long-only-Momentum-Referenz bei risikoadjustierten Kennzahlen sowohl in In-Sample- als auch in Out-of-Sample-Zeiträumen übertrifft, einschließlich eines Zeitraums nach dem Stichtag der Trainingsdaten des Modells. Außerdem bezeichnen sie die Ergebnisse als robust gegenüber Transaktionskosten, Prompt-Auswahl und Portfoliobeschränkungen; die stärkeren Zuwächse treten bei konzentrierten Portfolios auf. Die Belege betreffen ein bestimmtes promptbasiertes Modell, ein Aktienuniversum und ein Strategiedesign. Die Zusammenfassung nennt weder Effektgrößen noch genügend Details, um Umsetzungsannahmen oder die Übertragbarkeit auf andere Märkte und Modelle zu beurteilen.

Kernaussagen

• Der Ansatz nutzt ein Sprachmodell, um Unternehmensnachrichten im Kontext des jüngsten Aktien-Momentums auszuwerten.
• Die Modellbewertungen beeinflussen sowohl die Aktienauswahl als auch die Portfoliogewichte.
• Laut Bericht übertreffen die Ergebnisse eine Long-only-Momentum-Referenz bei Sharpe- und Sortino-Kennzahlen.
• Die Autoren berichten von Robustheit gegenüber Kosten, Prompt-Design und Portfoliobeschränkungen.
• Die stärksten Zuwächse werden bei konzentrierten Portfolios berichtet; die Ergebnisse könnten daher von der Portfoliozusammensetzung abhängen.

Schlagwörter

# 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.

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.