Améliorer les portefeuilles momentum actions avec les actualités et ChatGPT

Résumé

Cette étude vérifie si un grand modèle de langage peut utiliser les actualités d’entreprises pour affiner une stratégie de momentum transversal. Elle combine les rendements quotidiens des composants du S&P 500 avec des actualités à haute fréquence, puis demande à ChatGPT d’évaluer si les actualités récentes étayent la poursuite de la performance passée d’une action. Les scores obtenus influencent la sélection des actions dans le portefeuille et la pondération des positions.

Les auteurs rapportent que la stratégie améliorée dépasse une référence de momentum long-only selon des mesures ajustées du risque, sur les périodes d’échantillonnage et hors échantillon, y compris une période postérieure à la date limite des données d’entraînement du modèle. Ils décrivent également les résultats comme robustes aux coûts de transaction, aux choix de prompts et aux contraintes de portefeuille, avec des gains plus importants dans les portefeuilles concentrés. Les données probantes portent sur un modèle particulier guidé par des prompts, un univers d’actions et une conception de stratégie spécifiques ; le résumé ne fournit ni ampleur des effets ni détails suffisants pour évaluer les hypothèses de mise en œuvre ou la généralisation à d’autres marchés et modèles.

Idées clés

• L’approche utilise un modèle de langage pour interpréter les actualités des entreprises dans le contexte du momentum récent des actions.
• Les scores du modèle influencent à la fois la sélection des actions et les pondérations du portefeuille.
• Les résultats rapportés dépassent une référence de momentum long-only selon les mesures de Sharpe et de Sortino.
• Les auteurs rapportent une robustesse aux coûts, à la conception des prompts et aux contraintes du portefeuille.
• Les gains rapportés sont les plus importants dans les portefeuilles concentrés ; les résultats peuvent donc dépendre de la construction du portefeuille.

Étiquettes

# 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.

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.