Портфели акций малой капитализации с учетом новостей, макроданных и сигналов

Сводка

В исследовании для формирования портфелей акций Russell 2000 объединяются тональность финансовых новостей, определенная языковой моделью, макроэкономические показатели и технические сигналы. Метод с учетом неопределенности разделяет прогнозируемый риск на алеаторическую и эпистемическую составляющие и включает эти оценки в ковариационную матрицу, используемую при распределении активов портфеля. Сравниваются три режима отбора: сигналы, связанные с движениями конкретных акций, макроэкономические сигналы и случаи, когда оба источника согласуются.

По представленным результатам, отдельные сигналы по акциям и макросигналы предпочтительнее требования, чтобы оба сигнала срабатывали одновременно. Отбор на основе макроданных выглядит полезным при однодневном горизонте и низких или умеренных транзакционных издержках, тогда как высокие издержки сводят это преимущество на нет. Для горизонта 40 дней более медленная переоценка макрофакторов, согласно сообщению авторов, благоприятствует макросигналам. Наилучший консервативный результат получен для стратегии с макросигналом и горизонтом 40 дней, использующей тональность GPT-4o mini, целевое распределение Стьюдента и паритет риска: коэффициент Шарпа составил 2.33 при издержках 100 базисных пунктов. В отрывке не описан полный дизайн тестирования и не установлено, применимы ли эти результаты за пределами исследованных акций и допущений.

Ключевые идеи

• Конвейер формирования портфеля включает отдельные оценки алеаторического и эпистемического риска в ковариационную матрицу.
• В нем различаются сигналы по конкретным акциям, макроэкономические сигналы и их пересечение.
• Отдельные сигналы по акциям и макросигналы обычно дают лучшие результаты, чем требование согласия обоих каналов.
• Макросигналы могут улавливать быстрые эффекты на коротких горизонтах, но транзакционные издержки способны устранить это преимущество.
• Наилучшая заявленная консервативная конфигурация использует период удержания 40 дней и паритет риска, однако подробности тестирования ограничены.

Теги

# 2608.12283


# Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals









Large language models can extract richer signals from financial news than fixed sentiment lexicons, and recent work has explored feeding such signals into portfolio construction. We study an uncertainty-aware construction that feeds model-predicted risk -- decomposed into aleatoric and epistemic components -- directly into the covariance matrix of portfolio allocators, rather than treating portfolio risk as fixed or adjusting only expected returns. We evaluate the pipeline on Russell 2000 equities under three stock-selection regimes: a pure-alpha trigger that isolates abnormal stock moves not explained by macro indicators, a pure-beta trigger that captures macro-indicator moves before the stock itself fires, and a beta trigger in which both channels agree. Across the full holding-period grid, the separated pure-alpha and pure-beta legs usually dominate the beta intersection on Sharpe and return. Two horizons are especially informative. At one day, pure beta can work under low and moderate transaction costs because it captures immediate lead-lag spillovers from liquid macro and sector indicators into exposed small-cap stocks, but this advantage disappears at 100 bps when turnover and microstructure noise dominate. At 40 days, pure beta works for a different reason: slower macro repricing overtakes the firm-specific pure-alpha channel. The strongest conservative row is pure beta with GPT-4o mini sentiment, a Student-t target, a 40-day holding period, and risk parity allocation, reaching Sharpe 2.33 at 100 bps. The results suggest that stock-selection regime and allocator choice matter at least as much as the sentiment model, and that separating firm-specific and macro-exposure triggers is more informative than requiring both to fire simultaneously.

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.