सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

चीनी शेयर ट्रेडिंग के लिए LLM भावना कारकों का मूल्यांकन

लेख arXiv papers · लेखक: Haohan Zhang et al.
मूल स्रोत पढ़ें

सारांश

यह शोध यह जाँचने के लिए एक प्रायोगिक ढाँचा प्रस्तुत करता है कि क्या बड़े भाषा मॉडल चीनी वित्तीय समाचार से उपयोगी भावना संकेत निकाल सकते हैं। यह मॉडल प्रदर्शन सुधारने के अलग-अलग तरीकों का प्रतिनिधित्व करने के लिए चुने गए तीन मॉडल कंपनी-संबंधी समाचार सारांशों पर लागू करता है। परिणामी भावना मापों को संभावित मात्रात्मक कारक माना गया है, जो केवल भाषा आउटपुट का मूल्यांकन करने के बजाय पाठ विश्लेषण को पोर्टफ़ोलियो निर्णयों से जोड़ते हैं।

इसके बाद अध्ययन उन कारकों से ट्रेडिंग रणनीतियाँ बनाता है और वास्तविक जैसी ट्रेडिंग स्थितियों को दर्शाने के उद्देश्य वाले बैकटेस्ट से उनका आकलन करता है। यहाँ वर्णित इसका मुख्य योगदान मॉडल और उनके बाद के ट्रेडिंग उपयोग की तुलना के लिए मानकीकृत प्रक्रिया है। अंश में मॉडल के नाम, बैकटेस्ट अवधि, बेंचमार्क, संख्यात्मक परिणाम या डेटा लीकेज तथा लेन-देन लागत से बचाव के विस्तृत उपाय नहीं दिए गए हैं, इसलिए यह स्थापित नहीं होता कि कौन-सा मॉडल या रणनीति बेहतर प्रदर्शन करती है। निष्कर्षों को संभाव्यता के मूल्यांकन के रूप में रखा गया है, टिकाऊ पूर्वानुमान क्षमता के प्रमाण के रूप में नहीं।

मुख्य विचार

  • चीनी वित्तीय समाचार सारांशों से भावना निकालने के लिए LLM का मूल्यांकन किया जा सकता है।
  • अध्ययन प्रदर्शन सुधारने के अलग-अलग तरीकों का प्रतिनिधित्व करने वाले तीन मॉडलों की तुलना करता है।
  • निकाली गई भावना का उपयोग मात्रात्मक कारक और ट्रेडिंग रणनीतियाँ बनाने में किया जाता है।
  • बैकटेस्ट भाषा मॉडल आउटपुट को निवेश प्रदर्शन के आकलन से जोड़ते हैं।
  • मजबूती और पूर्वानुमानों की टिकाऊ क्षमता का आकलन करने के लिए आवश्यक संख्यात्मक परिणाम या विवरण अंश में नहीं हैं।

टैग

मशीन लर्निंगबाज़ार भावनाइक्विटीचीन के बाज़ारबैकटेस्टिंग
पूरा पाठ
# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।