近来，已经成为各行各业实现人工智能赋能的重要工具。无论是企业、科研机构还是金融机构，都在不断尝试利用来提高业务效率或创造新的商业机会。今天向大家推荐一篇探索在金融市场应用的论文。该论文详细阐述了在金融市场情感分析方面的应用方法和实验结果，为大家提供了一份新的思路和参考。如果您对该研究有兴趣并需要获取原文，请联系我们，我们将为您提供相应的支持。
能否预测股价走势？
作者： Lopez-Lira， Tang
机构：佛罗里达大学
第一版：2023.04.06
简要概括：尽管是一款基于语言任务的强大处理工具，但它并没有经过专门的训练来预测股票回报或提供金融建议。因此，我们测试了它在预测股票收益方面的能力。使用对新闻标题进行情绪分析，我们预测了它在股市回报方面的潜力。研究结果表明，优于优于传统情感分析方法的领先供应商，例如。该文章为人工智能和自然语言处理在金融经济学方面的应用做出了贡献，展示了大型语言模型（）在该领域中的价值。。
总结现有文献，主要从以下4点揭示本文的重点。
1. 现有文献已证明在经济学领域使用大型语言模型（）的有效性
——本文可行性
2. 现有文献采用文本分析和机器学习来研究各种金融研究问题
——首次评估了大型语言模型的应用（）在预测股市走势方面的文本处理能力。
3. 现有文献主要使用新闻文章的语言分析来提取情绪与看法并预测股票回报，主要包括：研究媒体情绪和总股票回报，利用对公司新闻的看法来预测未来的个股回报。
——本文特色：通过提取预测股市反应的附加信息来了解大型语言模型应用（）是否增加了价值。
4. 最新文献研究了人工智能相关技术的工作暴露程度和脆弱性，以及对就业和生产力的影响。
——揭示本文研究重点：人工智能，尤其是大型语言模型在金融领域的能力。
研究目的：研究对相关新闻标题的评价与股票收益的相关性，从而判断大型语言模型（）是否在金融领域具有显著的预测功能。
举例说明：
考虑下面这个关于甲骨文的标题： 在起诉甲骨文的案件中被罚款63万美元。
给提示：忘记您之前的所有指示。假装你是一个金融专家。你是一位有股票推荐经验的金融专家。如果上述新闻是好消息，回答“是”；如果是坏消息，回答“否”；如果第一行不确定，回答“未知”。然后在下一行用一个简短而简洁的句子说明理由。
从短期来看，这条新闻对甲骨文的股价是有利还是不利？
的回应是Yes，它相信这个消息对甲骨文是积极的。的理由是，罚款可能会增加投资者对甲骨文保护其知识产权能力的信心，从而可能导致对其产品和服务的需求增加。
但是，新闻分析工具给出的情绪得分为-0.52，表明该新闻被认为是负面的。
这种情绪上的差异凸显了自然语言处理中语境的重要性，以及在做出投资决策之前仔细考虑新闻标题含义的必要性。
数据选取：证券价格研究中心(CRSP)的日收益和的新闻标题。
样本周期：2021年10月—2022年12月。的训练数据只能到2021年9月，因此这个样本周期确保我们的评估是基于模型训练数据中不存在的信息，从而允许对其预测能力进行更准确的评估。
实验设计：我们提示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。如果某公司在某一天有多个头条新闻，会对分数进行平均，我们将分数滞后一天，以评估回报的可预测性。然后在 分数上运行第二天回报的线性回归，并将其与 提供的情绪分数进行比较。
实证分析：
1.相关性检验：情绪分数对每日股市回报在统计上具有显著的预测能力。通过利用新闻标题数据和生成的情绪分数，我们发现评估分数与样本中股票的后续每日收益之间存在很强的相关性。这一结果凸显了作为基于情绪分析预测股市走势的有价值工具的潜力。
1.1按预测得分划分的第二天平均回报率
1.2回归结果
下表是基于形式为
模型的回归结果。
是第二天的回报率，以百分比为单位 ， ai, bt是固定的和时间固定的影响。 xt对应于包含 分数或 分数的向量。相应的 t 统计量在括号中。标准误按日期和公司进行聚类。所有模型包括公司和时间固定效应。
1.3基于分析结果投资 1 美元的累计收益（无交易成本）
2. 稳健性检验：将的性能与提供的传统情感分析方法进行了比较。通过控制情绪评分，文章检查了替代情绪变量的预测能力。研究结果表明，当控制情绪得分时，其他情绪得分对每日股市收益的影响减少到零。这表明模型在预测股票市场收益方面优于现有的情绪分析方法。在预测股票市场回报方面的优势可以归因于其先进的语言理解能力，这使它能够捕捉新闻标题中的细微差别和微妙之处。这使得模型能够产生更可靠的情绪得分，从而更好地预测每日股市回报。
启示：
1. 随着人工智能金融的发展，可以设计更复杂的模型来提高金融决策过程的准确性和效率。通过识别影响等模型成功预测股市回报的因素，研究人员可以制定更有针对性的策略来改进这些模型，并将其在金融领域的效用最大化。
2. 有必要研究此类语言模型对市场动态的潜在影响，包括价格形成、信息传播和市场稳定。未来的研究可以探索它们在塑造市场行为方面的作用，以及它们对金融体系潜在的积极和消极影响。
3. 未来的研究可以探索大型语言模型与其他机器学习技术的整合，以创建结合不同方法优势的混合系统。通过利用各种方法的互补能力，研究人员可以进一步增强人工智能驱动模型在金融经济学中的预测能力。
