Оценка факторов тональности LLM для торговли китайскими акциями

Сводка

В статье описана экспериментальная схема для проверки, могут ли большие языковые модели извлекать полезные сигналы тональности из китайских финансовых новостей. Три модели, представляющие разные подходы к повышению качества, применяются к кратким описаниям новостей компаний. Полученные показатели тональности рассматриваются как потенциальные количественные факторы, связывающие анализ текста с решениями по портфелю, а не как самостоятельный результат генерации текста.

Затем авторы строят торговые стратегии на основе этих факторов и оценивают их с помощью бэктестов, призванных отражать реалистичные торговые условия. Как описано в статье, её основной вклад — стандартизированная процедура сравнения моделей и их дальнейшего применения в торговле. В отрывке не названы модели и период бэктестинга, не указаны бенчмарк и численные результаты, нет подробностей о защите от утечки данных и учёте транзакционных издержек. Поэтому из него нельзя заключить, какая модель или стратегия показывает лучшие результаты. Выводы оценивают потенциал подхода, а не доказывают устойчивость его прогнозной силы.

Ключевые идеи

• В исследовании проверяется способность больших языковых моделей извлекать тональность из кратких описаний китайских финансовых новостей.
• Сравниваются три модели, представляющие разные подходы к повышению качества.
• Извлечённая тональность используется для формирования количественных факторов и торговых стратегий.
• Бэктестинг связывает результаты языковых моделей с оценкой инвестиционных показателей.
• В отрывке нет численных результатов и сведений, необходимых для оценки устойчивости и долговечности прогнозов.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.