הערכת גורמי סנטימנט של LLM למסחר במניות סיניות

סיכום

המאמר מתווה מסגרת ניסויית לבחינת השאלה אם מודלי שפה גדולים יכולים להפיק אותות סנטימנט שימושיים מחדשות פיננסיות בסינית. הוא מיישם שלושה מודלים שונים, שנבחרו כדי לייצג גישות שונות לשיפור ביצועי מודלים, על תקצירי חדשות הקשורים לחברות. מדדי הסנטימנט המתקבלים נחשבים לגורמים כמותיים אפשריים, המקשרים ניתוח טקסט להחלטות תיק השקעות במקום להעריך את פלט השפה לבדו.

לאחר מכן המחקר בונה אסטרטגיות מסחר על בסיס הגורמים הללו ומעריך אותן באמצעות בקטסטים שנועדו לשקף תנאי מסחר מציאותיים. התרומה המרכזית, לפי התיאור, היא הליך אחיד להשוואת מודלים ולבחינת השימוש בהם בהמשך במסחר. הקטע אינו מציין שמות מודלים, תקופת בקטסט, מדד ייחוס, תוצאות מספריות או אמצעי הגנה מפורטים מפני דליפת מידע ועלויות עסקה, ולכן אינו קובע איזה מודל או אסטרטגיה מציגים את הביצועים הטובים ביותר. הממצאים מוצגים כהערכת פוטנציאל, ולא כהוכחה לכוח חיזוי מתמשך.

רעיונות מרכזיים

• אפשר להעריך מודלי שפה גדולים לפי יכולתם לחלץ סנטימנט מתקצירי חדשות פיננסיות בסינית.
• המחקר משווה שלושה מודלים המייצגים גישות שונות לשיפור ביצועים.
• הסנטימנט שחולץ משמש ליצירת גורמים כמותיים ואסטרטגיות מסחר.
• בקטסטינג מקשר בין פלטי מודלי שפה להערכת ביצועי השקעה.
• הקטע אינו מספק תוצאות מספריות או פרטים הנחוצים להערכת העמידות וכוח החיזוי המתמשך.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.