Dùng tín hiệu tin tức từ ChatGPT cải thiện danh mục động lượng cổ phiếu

Tóm tắt

Nghiên cứu kiểm tra liệu mô hình ngôn ngữ lớn có thể dùng tin tức doanh nghiệp để cải tiến chiến lược động lượng chéo hay không. Nghiên cứu kết hợp lợi suất hằng ngày của các thành phần S&P 500 với tin tức tần suất cao, rồi yêu cầu ChatGPT đánh giá liệu tin gần đây có ủng hộ xu hướng tiếp diễn từ hiệu suất trước đó của cổ phiếu hay không. Các điểm số thu được ảnh hưởng đến việc chọn cổ phiếu đưa vào danh mục và tỷ trọng vị thế.

Các tác giả báo cáo chiến lược được cải tiến vượt chuẩn so sánh động lượng chỉ mua trong cả giai đoạn trong mẫu và ngoài mẫu xét theo thước đo điều chỉnh rủi ro, bao gồm một giai đoạn sau mốc dữ liệu huấn luyện của mô hình. Họ cũng mô tả kết quả là vững trước chi phí giao dịch, lựa chọn câu lệnh và các ràng buộc danh mục; mức cải thiện mạnh hơn ở danh mục tập trung. Bằng chứng liên quan đến một mô hình cụ thể dựa trên câu lệnh, một tập cổ phiếu và thiết kế chiến lược nhất định; phần tóm tắt không nêu độ lớn tác động hay đủ chi tiết để đánh giá giả định triển khai hoặc khả năng khái quát sang thị trường và mô hình khác.

Ý chính

• Phương pháp dùng mô hình ngôn ngữ để diễn giải tin tức doanh nghiệp trong bối cảnh động lượng cổ phiếu gần đây.
• Điểm số của mô hình ảnh hưởng đến cả việc chọn cổ phiếu lẫn tỷ trọng danh mục.
• Kết quả được báo cáo vượt chuẩn so sánh động lượng chỉ mua theo các thước đo Sharpe và Sortino.
• Các tác giả báo cáo kết quả vững trước chi phí, thiết kế câu lệnh và ràng buộc danh mục.
• Mức cải thiện được báo cáo mạnh nhất ở danh mục tập trung, nên kết quả có thể phụ thuộc vào cách xây dựng danh mục.

Thẻ

# 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.

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.