使用大型语言模型进行情感交易

由googleglass创建，最终由googleglass更新于2025-03-12 12:12 被浏览 9 用户

研究背景

金融领域越来越依赖文本数据（如金融新闻、监管文件和社交媒体）来预测经济事件和市场走势。

传统的情感分析方法（如基于词典的方法）存在局限性，无法充分捕捉文本中的复杂信息。

大型语言模型（LLMs）如BERT、OPT、QuantAgent和FinBERT等在自然语言处理（NLP）任务中表现出色，为金融文本分析提供了新的可能性。

探讨LLMs在金融新闻情感分析中的表现，并与传统方法（如Loughran-McDonald词典）进行比较。

评估LLMs情感分数对股票回报的预测能力。

设计基于LLMs情感分析的交易策略，并评估其实际表现。

**数据来源：**使用Refinitiv的全球新闻数据和CRSP的每日股票回报数据，涵盖2010年1月至2023年6月期间的965,375篇美国金融新闻文章。

**模型选择：**研究了四种模型——OPT、BERT、QuantAgent、FinBERT和Loughran-McDonald词典。

情感分析方法：

使用LLMs对新闻文章的情感进行分类，并根据股票3天超额回报的正负情况对新闻进行情感标注。

通过回归分析评估LLMs情感分数对次日股票回报的预测能力。

交易策略设计：

根据LLMs的情感分数构建长仓、空仓和多空组合策略。

考虑交易成本（10个基点），并根据新闻发布时间调整交易执行时间。

情感分析准确性：

OPT模型表现最佳，准确率为74.4%；BERT和FinBERT次之，准确率分别为72.5%和72.2%。

传统Loughran-McDonald词典的准确率仅为50.1%，远低于LLMs。

股票回报预测能力：

回归分析显示，OPT模型的情感分数对次日股票回报的预测能力最强，其回归系数显著高于其他模型。

FinBERT和BERT也表现出一定的预测能力，而Loughran-McDonald词典的预测能力最弱。

交易策略表现：

基于OPT模型的多空组合策略表现最为出色，从2021年8月到2023年7月期间实现了355%的收益，显著优于其他策略和传统市场组合。

BERT和FinBERT的多空组合策略也分别实现了235%和165%的收益。

相比之下，基于Loughran-McDonald词典的策略仅实现了0.91%的收益。

LLMs（尤其是OPT）在金融新闻情感分析和股票回报预测方面表现出色，优于传统方法。

基于LLMs情感分析的交易策略能够实现显著的超额收益，显示出LLMs在金融投资策略中的潜力。

研究强调了将先进语言模型与金融分析相结合的重要性，并为未来的研究和实践提供了方向。