4月13日，SSRN（ ）的一篇论文引发市场关注。题为《Can Stock Price ? and Large 》的论文指出，使用分析新闻标题对一只股票是利好还是利空、并预测次日股票回报的能力远好于传统模型。论文进一步指出，将先进的大语言模型纳入投资决策过程可以产生更准确的预测，并提高量化交易策略的表现。!Pro编译了论文的摘要、研究方法和结果。
摘要
本论文研究了和其他大型语言模型在通过分析新闻头条的情感来预测股票市场回报方面的能力。用来判断给定的标题对公司股票价格是好消息、坏消息还是无关消息。然后计算一个分数定为“分数”，进一步纪录这些分数与后期股价回报之间的正相关性。研究发现，优于传统的情感分析方法。像GPT-1、GPT-2和BERT这样基本的模型无法准确预测回报，这表明回报的可预测性是复杂模型的新能力。结果表明，将先进的大语言模型纳入投资决策过程可以产生更准确的预测，并提高量化交易策略的表现。
最近几个月，等大语言模型(LLMs)在各个领域的应用得到了极大的关注，许多研究探索了它们在不同领域的潜力。然而，在金融经济学领域中，使用LLMs仍然是一个相对未知的领域，特别是关于它们预测股票市场回报的能力。一方面，由于这些模型并没有明确地以此目的而训练，人们可能认为它们在预测股市走向方面的价值很小。另一方面，由于这些模型更能理解自然语言，人们可以认为它们是处理文本信息以预测股票回报的有价值工具。因此，LLMs在预测金融市场走势方面的表现是一个未知的问题。
本文首次评估在预测股票市场回报方面的能力。通过一种新颖的方法判断模型的情感分析能力，利用新闻标题数据来评估的性能，并将其与主要供应商提供的现有情感分析方法进行比较。
研究结果对金融业的就业前景具有重要意义。这一结果可能会导致市场预测和投资决策方法的转变。
首先
论文研究可以帮助监管机构和政策制定者了解在金融市场中越来越多地采用LLMs的潜在益处和风险。随着这些模型越来越普及，它们对市场行为、信息传播和价格形成的影响将成为关注的重要领域。我们的发现可以为监管框架的讨论提供信息，这些框架管辖着在金融领域使用人工智能的规则，并为将LLMs整合到市场运营中的最佳实践的发展做出贡献。
其次
研究可以使资产管理人和机构投资者通过提供关于LLMs在预测股票市场回报方面有效性的实证证据受益。这种洞察力可以帮助这些专业人士更明智地决定将LLMs纳入其投资策略，从而可能带来更好的表现和更少对传统、更费力的分析方法的依赖。
最后
研究为金融领域中人工智能应用的广泛学术讨论做出了贡献。通过探索在预测股票市场回报方面的能力，我们推进了对LLMs在金融经济学领域内潜力和局限性的理解。这可以激发未来研究，开发更为复杂、专为金融业需求量身定制的LLMs，为更高效、更准确的金融决策铺平道路。
方法
研究人员首先给一个指令：你是一位有股票推荐经验的金融专家，要回答一则新闻对于公司股票价格是好消息还是坏消息，并进行简短说明。研究要求第一层回答：“是”（YES”）表示好消息，“否”（NO）表示坏消息，“未知”（）表示不确定。还被要求用一句简短的话来支持前述回答。给的指定新闻标题唯一信息来源，它隐含地假设新闻标题包含足够的信息，以便金融行业专家可以合理地评估其对股票价格的影响。
如： Fined $630,000 in Case 。然后指令如下：忘记以往的所有指令，假装你是一位有股票推荐经验的金融专家，在第一行回答“是”表示好消息，“否”表示坏消息或“未知”表示不确定。然后在下一行用一句简短的话详细说明。
以下是的回应：是 对 的罚款可能会提高投资者对保护知识产权能力的信心，并增加其产品和服务的需求。
不过（专注于新闻分析数据的提供商）给出了负面情绪得分-0.52，表明新闻被视为负面。的回答是它认为这则新闻对于是积极的。的推理是罚款可能会提高投资者对保护知识产权能力的信心，从而可能导致其产品和服务的需求增加。这种情感上的差异强调了自然语言处理中上下文的重要性，以及在做出投资决策之前需要仔细考虑新闻标题的含义。
实验要求为每个标题提供建议，并将其转换为“分数”，其中“YES”映射为1，“”映射为0，“NO”映射为-1。如果某一天有多个标题涉及到同一家公司，则会对分数进行平均。研究将分数延迟一天以评估收益的可预测性。然后对分数和提供的情绪分数进行线性回归，以预测次日的收益，并将其进行比较。如果新闻在交易所闭市后报告，我们假定该消息可在第二天开盘后可以交易。
结果
分析表明，情感得分在预测每日股市回报方面具有统计显著的预测能力。通过利用新闻标题数据和生成的情感得分，评估与样本中股票的随后每日回报之间存在强烈的相关性。这一结果突显了作为情感分析的有价值工具，用于预测股市走势的潜力。
此次研究还对比了和等供应商提供的传统情感分析方法的表现。在分析中，此次研究控制了情感得分，并检查了这些替代情感指标的预测能力。
在预测股市回报方面的优越性可以归因于其先进的语言理解能力，使其能够捕捉新闻标题中的细微差别和微妙之处。这使得模型能够生成更可靠的情感得分，从而更好地预测每日股市回报。
这些发现确认了情感得分的预测能力，并强调了将LLMs纳入投资决策过程中的潜在益处。通过优于传统情感分析方法，展示了其在提高量化交易策略性能和提供更准确的市场动态理解方面的价值。
Can Stock Price and Large .pdf
更多高价值内容，尽在!Pro
