Sinais de notícias do ChatGPT em carteiras de momentum de ações

Resumo

Este estudo testa se um modelo de linguagem grande pode usar notícias de empresas para aprimorar uma estratégia de momentum transversal. Ele combina retornos diários de componentes do S&P 500 com notícias de alta frequência e, em seguida, solicita ao ChatGPT que avalie se as notícias recentes favorecem a continuidade do desempenho passado de uma ação. As pontuações resultantes influenciam quais ações entram na carteira e como as posições são ponderadas.

Os autores relatam que a estratégia aprimorada supera uma referência de momentum apenas comprada em medidas ajustadas ao risco, tanto dentro quanto fora da amostra, inclusive em um período posterior ao corte dos dados de treinamento do modelo. Também descrevem os resultados como robustos a custos de transação, escolhas de prompts e restrições de carteira, com ganhos maiores em carteiras concentradas. As evidências dizem respeito a um modelo específico baseado em prompts, a um universo de ações e a um desenho de estratégia; o resumo não fornece magnitudes dos efeitos nem detalhes suficientes para avaliar as premissas de implementação ou a generalização para outros mercados e modelos.

Ideias principais

• A abordagem usa um modelo de linguagem para interpretar notícias de empresas no contexto do momentum recente das ações.
• As pontuações do modelo afetam tanto a seleção de ações quanto os pesos da carteira.
• Os resultados relatados superam uma referência de momentum apenas comprada nas medidas de Sharpe e Sortino.
• Os autores relatam robustez a custos, desenho de prompts e restrições de carteira.
• Os ganhos relatados são maiores em carteiras concentradas, portanto os resultados podem depender da construção da carteira.

Tags

# 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.

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.