Évaluer les facteurs de sentiment LLM pour le trading d’actions chinoises

Résumé

Cet article présente un cadre expérimental pour tester si les grands modèles de langage peuvent extraire des signaux de sentiment utiles à partir de l’actualité financière chinoise. Il applique trois modèles différents, sélectionnés pour représenter diverses approches d’amélioration de leurs performances, à des résumés d’actualités sur des entreprises. Les mesures de sentiment obtenues sont considérées comme des facteurs quantitatifs candidats, reliant l’analyse de texte aux décisions de portefeuille au lieu d’évaluer uniquement les réponses des modèles.

L’étude construit ensuite des stratégies de trading à partir de ces facteurs et les évalue au moyen de backtests conçus pour refléter des conditions de trading réalistes. Sa contribution centrale, telle qu’elle est décrite ici, est une procédure standardisée pour comparer les modèles et leur utilisation en aval dans le trading. L’extrait ne donne ni noms de modèles, ni période de backtest, ni référence de comparaison, ni résultats numériques, ni mesures de protection détaillées contre les fuites de données et les coûts de transaction ; il ne permet donc pas de déterminer quel modèle ou quelle stratégie est le plus performant. Les résultats sont présentés comme une évaluation de potentiel, et non comme une preuve d’un pouvoir prédictif durable.

Idées clés

• Les grands modèles de langage peuvent être évalués pour extraire le sentiment des résumés d’actualités financières chinoises.
• L’étude compare trois modèles représentant différentes approches d’amélioration des performances.
• Le sentiment extrait sert à créer des facteurs quantitatifs et des stratégies de trading.
• Le backtesting relie les résultats des modèles de langage à l’évaluation des performances d’investissement.
• L’extrait ne fournit ni résultats numériques ni détails permettant d’évaluer la robustesse et la durabilité prédictive.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.