שימוש באותות חדשות מ־ChatGPT לשיפור תיקי מומנטום במניות

סיכום

המחקר בודק אם מודל שפה גדול יכול להשתמש בחדשות על חברות כדי לשפר אסטרטגיית מומנטום רוחבית. הוא משלב תשואות יומיות של מניות במדד S&P 500 עם חדשות בתדירות גבוהה, ואז מבקש מ־ChatGPT להעריך אם החדשות האחרונות תומכות בהמשך ביצועי העבר של המניה. הציונים המתקבלים משפיעים על בחירת המניות לתיק ועל משקל הפוזיציות.

המחברים מדווחים שהאסטרטגיה המשופרת עולה על מדד ייחוס של מומנטום בלונג בלבד במדדים מותאמי־סיכון, הן בתקופות המדגם והן מחוצה לו, לרבות בתקופה שאחרי מועד חיתוך נתוני האימון של המודל. הם מתארים את התוצאות גם כעמידות לעלויות עסקה, לבחירות בניסוח ההנחיה ולאילוצי תיק, עם שיפורים גדולים יותר בתיקים מרוכזים. הראיות נוגעות למודל מסוים המבוסס על הנחיות, ליקום מניות ולעיצוב אסטרטגיה מסוים; התקציר אינו מציג את גודל האפקט או פרטים מספיקים להערכת הנחות היישום או הכללה לשווקים ולמודלים אחרים.

רעיונות מרכזיים

• הגישה משתמשת במודל שפה כדי לפרש חדשות על חברות בהקשר של מומנטום המניה בתקופה האחרונה.
• ציוני המודל משפיעים הן על בחירת המניות והן על משקלי התיק.
• התוצאות המדווחות עולות על מדד ייחוס של מומנטום בלונג בלבד במדדי שארפ וסורטינו.
• המחברים מדווחים על עמידות לעלויות, לעיצוב ההנחיות ולאילוצי התיק.
• השיפורים המדווחים חזקים במיוחד בתיקים מרוכזים, ולכן התוצאות עשויות להיות תלויות בבניית התיק.

תגיות

# 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.

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.