Avaliação de fatores de sentimento LLM para ações chinesas
Resumo
Este artigo apresenta uma estrutura experimental para testar se modelos de linguagem grandes conseguem extrair sinais úteis de sentimento de notícias financeiras chinesas. Aplica três modelos, escolhidos para representar diferentes abordagens de aprimoramento do desempenho, a resumos de notícias sobre empresas. As medidas de sentimento resultantes são tratadas como fatores quantitativos candidatos, conectando a análise de texto às decisões de carteira, em vez de avaliar apenas as respostas linguísticas.
Em seguida, o estudo cria estratégias de trading com esses fatores e as avalia por meio de backtests destinados a refletir condições realistas de negociação. Sua principal contribuição, conforme descrita aqui, é um procedimento padronizado para comparar modelos e seu uso posterior em trading. O trecho não informa nomes dos modelos, período do backtest, referência de comparação, resultados numéricos ou salvaguardas detalhadas contra vazamento de dados e custos de transação; portanto, não estabelece qual modelo ou estratégia tem o melhor desempenho. Os resultados são apresentados como uma avaliação de potencial, e não como prova de capacidade preditiva duradoura.
Ideias principais
- Modelos de linguagem grandes podem ser avaliados quanto à extração de sentimento de resumos de notícias financeiras chinesas.
- O estudo compara três modelos que representam diferentes abordagens para melhorar o desempenho.
- O sentimento extraído é usado para formar fatores quantitativos e estratégias de trading.
- O backtesting conecta as respostas dos modelos de linguagem à avaliação do desempenho dos investimentos.
- O trecho não apresenta resultados numéricos nem detalhes necessários para avaliar a robustez e a durabilidade preditiva.
Tags
Texto completo
# 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.
Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0
Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.