چینی اسٹاک ٹریڈنگ کے لیے LLM جذباتی عوامل کا جائزہ

خلاصہ

یہ مقالہ تجرباتی فریم ورک پیش کرتا ہے تاکہ جانچا جا سکے کہ آیا بڑے لینگویج ماڈلز چینی مالی خبروں سے مفید جذباتی اشارے اخذ کر سکتے ہیں۔ اس میں ماڈل کی کارکردگی بہتر بنانے کے مختلف طریقوں کی نمائندگی کرنے والے تین ماڈلز کو کمپنیوں سے متعلق خبروں کے خلاصوں پر لاگو کیا گیا ہے۔ حاصل شدہ جذباتی پیمانوں کو ممکنہ مقداری عوامل سمجھا گیا ہے، جو صرف زبان کے نتیجے کا جائزہ لینے کے بجائے متن کے تجزیے کو پورٹ فولیو کے فیصلوں سے جوڑتے ہیں۔

اس کے بعد مطالعہ ان عوامل سے ٹریڈنگ اسٹریٹیجیز بناتا ہے اور انہیں ایسے بیک ٹیسٹ کے ذریعے جانچتا ہے جن کا مقصد حقیقی ٹریڈنگ حالات کی عکاسی کرنا ہے۔ بیان کردہ مرکزی حصہ ماڈلز اور ٹریڈنگ میں ان کے بعد کے استعمال کا تقابل کرنے کا ایک معیاری طریقۂ کار ہے۔ اقتباس میں ماڈلز کے نام، بیک ٹیسٹ کا دورانیہ، معیارِ تقابل، عددی نتائج یا ڈیٹا لیک اور لین دین کے اخراجات سے بچاؤ کی تفصیلی تدابیر نہیں دی گئیں، اس لیے یہ طے نہیں ہوتا کہ کون سا ماڈل یا اسٹریٹیجی بہتر کارکردگی دکھاتی ہے۔ نتائج کو پائیدار پیش گوئی کی صلاحیت کے ثبوت کے بجائے امکانات کے جائزے کے طور پر پیش کیا گیا ہے۔

اہم خیالات

• بڑے لینگویج ماڈلز کو چینی مالی خبروں کے خلاصوں سے جذبات اخذ کرنے کے لیے جانچا جا سکتا ہے۔
• مطالعہ کارکردگی بہتر بنانے کے مختلف طریقوں کی نمائندگی کرنے والے تین ماڈلز کا تقابل کرتا ہے۔
• اخذ کردہ جذبات سے مقداری عوامل اور ٹریڈنگ اسٹریٹیجیز بنائی جاتی ہیں۔
• بیک ٹیسٹنگ زبان کے ماڈل کے نتائج کو سرمایہ کاری کی کارکردگی کے جائزے سے جوڑتی ہے۔
• اقتباس میں مضبوطی اور پیش گوئی کی پائیداری جانچنے کے لیے درکار عددی نتائج یا تفصیلات موجود نہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔