सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

इक्विटी मोमेंटम पोर्टफ़ोलियो बेहतर करने के लिए ChatGPT समाचार संकेत

लेख arXiv papers · लेखक: Nikolas Anic et al.
मूल स्रोत पढ़ें

सारांश

यह अध्ययन जाँचता है कि कोई बड़ा भाषा मॉडल कंपनी समाचार का उपयोग करके क्रॉस-सेक्शनल मोमेंटम रणनीति को बेहतर बना सकता है या नहीं। इसमें S&P 500 के घटकों के दैनिक रिटर्न को उच्च-आवृत्ति समाचार के साथ जोड़ा गया है, फिर ChatGPT से यह आँकलन करने को कहा गया है कि हालिया समाचार किसी शेयर के पिछले प्रदर्शन के जारी रहने का समर्थन करता है या नहीं। प्राप्त स्कोर तय करते हैं कि कौन-से शेयर पोर्टफ़ोलियो में आएँ और पोज़िशनों का भार कितना हो।

लेखक बताते हैं कि बेहतर की गई रणनीति नमूने के भीतर और बाहर, दोनों अवधियों में जोखिम-समायोजित मापों पर केवल लॉन्ग मोमेंटम बेंचमार्क से आगे रही; इसमें मॉडल के प्रशिक्षण डेटा की कटऑफ़ के बाद की अवधि भी शामिल है। वे यह भी बताते हैं कि परिणाम लेनदेन लागत, प्रॉम्प्ट के विकल्पों और पोर्टफ़ोलियो सीमाओं के प्रति मज़बूत रहे, तथा संकेंद्रित पोर्टफ़ोलियो में लाभ अधिक था। साक्ष्य एक विशेष प्रॉम्प्ट-आधारित मॉडल, इक्विटी समूह और रणनीति डिज़ाइन से संबंधित है; सारांश में प्रभाव का आकार या कार्यान्वयन की मान्यताओं और दूसरे बाज़ारों तथा मॉडलों में लागू होने का आकलन करने के लिए पर्याप्त विवरण नहीं है।

मुख्य विचार

  • यह तरीका हालिया शेयर मोमेंटम के संदर्भ में कंपनी समाचार समझने के लिए भाषा मॉडल का उपयोग करता है।
  • मॉडल स्कोर शेयर चयन और पोर्टफ़ोलियो भार, दोनों को प्रभावित करते हैं।
  • रिपोर्ट किए गए परिणाम शार्प और सॉर्टिनो मापों पर केवल लॉन्ग मोमेंटम बेंचमार्क से आगे रहे।
  • लेखक लागत, प्रॉम्प्ट डिज़ाइन और पोर्टफ़ोलियो सीमाओं के प्रति परिणामों के मज़बूत रहने की रिपोर्ट करते हैं।
  • रिपोर्ट किए गए लाभ संकेंद्रित पोर्टफ़ोलियो में सबसे अधिक हैं, इसलिए परिणाम पोर्टफ़ोलियो निर्माण पर निर्भर हो सकते हैं।

टैग

इक्विटीमोमेंटममशीन लर्निंगबाज़ार भावनाबैकटेस्टिंग
पूरा पाठ
# 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.

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।