Señales de noticias de ChatGPT para mejorar carteras de momentum bursátil

Resumen

Este estudio evalúa si un modelo de lenguaje grande puede utilizar noticias de empresas para afinar una estrategia de momentum transversal. Combina rendimientos diarios de los integrantes del S&P 500 con noticias de alta frecuencia y luego pide a ChatGPT que juzgue si las noticias recientes respaldan la continuación del rendimiento pasado de una acción. Las puntuaciones resultantes influyen en qué acciones entran en la cartera y cómo se ponderan las posiciones.

Los autores señalan que la estrategia mejorada supera a un índice de referencia de momentum solo largo en medidas ajustadas al riesgo, tanto dentro como fuera de muestra, incluido un periodo posterior al corte de los datos de entrenamiento del modelo. También describen los resultados como sólidos ante los costes de transacción, las opciones de instrucciones y las restricciones de cartera, con mayores ganancias en carteras concentradas. La evidencia corresponde a un modelo concreto basado en instrucciones, un universo de acciones y un diseño de estrategia determinados; el resumen no ofrece tamaños de efecto ni suficiente detalle para evaluar los supuestos de implementación o la generalización a otros mercados y modelos.

Ideas clave

• El enfoque utiliza un modelo de lenguaje para interpretar noticias de empresas en el contexto del momentum reciente de sus acciones.
• Las puntuaciones del modelo influyen tanto en la selección de acciones como en las ponderaciones de la cartera.
• Los resultados comunicados superan a un índice de referencia de momentum solo largo en las medidas de Sharpe y Sortino.
• Los autores señalan que los resultados son robustos ante los costes, el diseño de las instrucciones y las restricciones de cartera.
• Las mayores ganancias comunicadas se dan en carteras concentradas, por lo que los resultados pueden depender de la construcción de la cartera.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.