Danh mục cổ phiếu vốn hóa nhỏ nhận biết độ bất định với tin tức, vĩ mô và tín hiệu kỹ thuật

Tóm tắt

Nghiên cứu này kết hợp tâm lý từ mô hình ngôn ngữ trong tin tức tài chính với các chỉ báo kinh tế vĩ mô và tín hiệu kỹ thuật để xây dựng danh mục cổ phiếu Russell 2000. Cách tiếp cận có tính đến độ bất định tách rủi ro dự báo thành hai thành phần ngẫu nhiên và nhận thức, rồi đưa các ước tính đó vào ma trận hiệp phương sai được các bộ phân bổ danh mục sử dụng. Nghiên cứu so sánh ba chế độ lựa chọn: tín hiệu được quy cho biến động riêng của cổ phiếu, biến động do yếu tố vĩ mô dẫn dắt và trường hợp cả hai kênh cùng đồng thuận.

Kết quả được báo cáo nghiêng về các cấu phần riêng biệt của cổ phiếu và vĩ mô thay vì yêu cầu cả hai tín hiệu cùng xuất hiện. Các lựa chọn do yếu tố vĩ mô dẫn dắt có vẻ hữu ích trong khung thời gian một ngày khi chi phí giao dịch thấp hoặc vừa phải, còn chi phí cao xóa bỏ lợi thế đó; trong khung thời gian 40 ngày, việc định giá lại vĩ mô chậm hơn được báo cáo là có lợi cho cấu phần vĩ mô. Kết quả thận trọng mạnh nhất được báo cáo cho chiến lược kích hoạt theo vĩ mô trong 40 ngày, sử dụng tâm lý từ GPT-4o mini, mục tiêu Student-t và cân bằng rủi ro, với tỷ lệ Sharpe 2.33 khi chi phí là 100 điểm cơ bản. Đoạn trích không mô tả đầy đủ thiết kế kiểm định hoặc xác lập rằng các kết quả này có thể khái quát ngoài các cổ phiếu và giả định đã đánh giá.

Ý chính

• Quy trình danh mục đưa các ước tính rủi ro ngẫu nhiên và nhận thức riêng biệt vào ma trận hiệp phương sai.
• Quy trình phân biệt tín hiệu kích hoạt riêng theo cổ phiếu với tín hiệu do vĩ mô dẫn dắt và phần giao nhau của chúng.
• Các cấu phần riêng biệt theo cổ phiếu và vĩ mô thường cho kết quả tốt hơn việc yêu cầu hai kênh tín hiệu đồng thuận.
• Tín hiệu vĩ mô có thể nắm bắt hiệu ứng lan tỏa nhanh trong khung thời gian ngắn, nhưng chi phí giao dịch có thể xóa bỏ lợi thế.
• Cấu hình thận trọng tốt nhất được báo cáo dùng thời gian nắm giữ 40 ngày và cân bằng rủi ro, dù chi tiết kiểm định còn hạn chế.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.