استفاده از سیگنال‌های خبری ChatGPT برای بهبود سبدهای مومنتوم سهام
خلاصه
این مطالعه می‌آزماید که آیا یک مدل زبانی بزرگ می‌تواند از اخبار شرکت‌ها برای بهبود راهبرد مومنتوم مقطعی استفاده کند. پژوهش بازده روزانه اجزای شاخص S&P 500 را با اخبار پربسامد ترکیب می‌کند و سپس از ChatGPT می‌خواهد ارزیابی کند که آیا اخبار اخیر تداوم عملکرد گذشته سهام را تأیید می‌کنند. امتیازهای حاصل بر انتخاب سهام برای سبد و وزن‌دهی موقعیت‌ها اثر می‌گذارند.
نویسندگان گزارش می‌کنند که راهبرد بهبودیافته در معیارهای تعدیل‌شده بر اساس ریسک، در دوره‌های درون‌نمونه و برون‌نمونه از معیار مومنتوم با موقعیت‌های خرید صرف پیشی می‌گیرد؛ این شامل دوره‌ای پس از نقطه برش داده‌های آموزشی مدل نیز می‌شود. همچنین نتایج را در برابر هزینه‌های معاملاتی، انتخاب‌های متن دستور (پرامپت) و محدودیت‌های سبد مقاوم توصیف می‌کنند و می‌گویند دستاوردها در سبدهای متمرکز بیشتر است. شواهد به مدل خاصی مبتنی بر دستور، مجموعه سهام و طراحی راهبرد مربوط می‌شود؛ خلاصه اندازه اثرها یا جزئیات کافی برای ارزیابی فرض‌های اجرا و تعمیم به بازارها و مدل‌های دیگر را ارائه نمی‌کند.
ایده‌های کلیدی
- این رویکرد از یک مدل زبانی برای تفسیر اخبار شرکت در زمینه مومنتوم اخیر سهام استفاده می‌کند.
- امتیازهای مدل هم بر انتخاب سهام و هم بر وزن‌های سبد اثر می‌گذارند.
- نتایج گزارش‌شده در معیارهای شارپ و سورتینو از معیار مومنتوم با موقعیت‌های خرید صرف بهترند.
- نویسندگان مقاومت نتایج در برابر هزینه‌ها، طراحی دستور و محدودیت‌های سبد را گزارش می‌کنند.
- دستاوردهای گزارش‌شده در سبدهای متمرکز بیشترین‌اند؛ بنابراین نتایج ممکن است به ساختار سبد وابسته باشند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.