跳至正文
返回文库全部文档

利用ChatGPT新闻信号改善股票动量投资组合

文章 arXiv papers · 作者: Nikolas Anic et al.
阅读原文

总结

本研究检验大型语言模型能否利用公司新闻改进横截面动量策略。研究结合S&P 500成分股的日收益和高频新闻，并提示ChatGPT判断近期新闻是否支持个股过去表现的延续。生成的评分会影响哪些股票纳入投资组合以及头寸权重如何分配。

作者报告称，改进后的策略在样本内和样本外期间的风险调整指标均优于仅做多的动量基准，其中也包括模型训练数据截止日期之后的一段时期。他们还称，结果对交易成本、提示词选择和投资组合约束具有稳健性，并且集中投资组合的提升幅度更大。证据针对特定的提示词模型、股票范围和策略设计；摘要未提供效果大小，也没有足够细节评估实施假设或能否推广到其他市场和模型。

核心观点

  • 该方法使用语言模型结合近期股票动量解读公司新闻。
  • 模型评分会影响股票选择和投资组合权重。
  • 报告结果在夏普比率和索提诺比率指标上超过仅做多的动量基准。
  • 作者报告称，结果对成本、提示词设计和投资组合约束具有稳健性。
  • 报告的收益在集中投资组合中最明显，因此结果可能取决于投资组合构建方式。

标签

股票动量机器学习市场情绪回测
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。