Сигналы ChatGPT из новостей для портфеля акций

Сводка

В исследовании проверяется, может ли большая языковая модель использовать корпоративные новости для уточнения стратегии кросс-секционного моментума. Авторы объединяют дневную доходность компонентов S&P 500 с новостями высокой частоты, а затем предлагают ChatGPT оценить, указывают ли недавние новости на продолжение прошлой динамики акции. Полученные оценки влияют на отбор бумаг в портфель и веса позиций.

Авторы сообщают, что улучшенная стратегия превосходит бенчмарк моментум-стратегии с длинными позициями по показателям доходности с поправкой на риск как на обучающей выборке, так и вне выборки, в том числе за период после даты отсечения обучающих данных модели. По их словам, результаты устойчивы к транзакционным издержкам, выбору промптов и ограничениям портфеля; более сильный прирост наблюдается в концентрированных портфелях. Свидетельства относятся к конкретной модели, работающей по промптам, набору акций и конструкции стратегии; в кратком описании нет размеров эффектов и достаточных подробностей для оценки предположений о реализации или применимости к другим рынкам и моделям.

Ключевые идеи

• Подход использует языковую модель для интерпретации новостей компаний с учётом недавнего моментума акций.
• Оценки модели влияют и на выбор акций, и на веса в портфеле.
• По сообщению авторов, результаты превосходят бенчмарк моментума с длинными позициями по коэффициентам Шарпа и Сортино.
• Авторы сообщают об устойчивости результатов к издержкам, дизайну промптов и ограничениям портфеля.
• Наибольший прирост отмечен в концентрированных портфелях, поэтому результат может зависеть от их конструкции.

Теги

# 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.

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.