大型语言模型在金融市场中的预测能力

“Predictive Power of LLMs in Financial Markets”

论文地址：https://arxiv.org/pdf/2411.16569

摘要

股票市场预测对于投资者来说至关重要，有助于他们制定获利或减少风险的策略。然而，由于市场数据中存在大量噪音，挑选合适的数据和模型来进行准确预测是一项挑战。大语言模型的发展为数据分析提供了新的途径。本研究旨在对比GPT与传统模型（例如BERT）在利用美联储《褐皮书》预测经济相关性方面的效能，从而评估经济状态对资产价格的影响。研究发现，《褐皮书》确实含有能够反映资产之间关系的信息，不过GPT模型显示出过度前瞻的倾向，而传统模型在这项任务上的表现更为出色。

简介

对于投资者而言，准确预判股市的涨跌始终是一项艰巨的任务。为了解市场走势，研究者们探索了多种方法，包括运用各种统计与机器学习模型以及分析社交媒体上的趋势，旨在发现能够最大化收益的投资策略。

随着大型语言模型的兴起，这一领域带来了新的可能性，本研究旨在探讨利用大型语言模型是否能洞察公众对市场的预期。请注意，投资市场存在不确定性，任何预测都伴随着风险，投资者应根据个人情况审慎判断，并考虑咨询专业理财顾问的意见。同时，投资决策应当基于可靠的信息来源，警惕投资欺诈行为。

挑战

市场数据通常包含大量噪声，表现出高度的波动性，并且容易受到新闻报道和重大事件的显著影响，这使得预测市场趋势变得异常困难。模型在处理这类数据时，往往容易对历史数据过拟合，导致其泛化能力不足，尤其在面对如疫情这样的突发事件时表现不佳。此外，新闻数据不仅复杂而且来源广泛，单靠一个信息源难以全面捕捉市场的动态变化。由于定量与定性数据中均存在噪声，市场预测因此面临诸多挑战。为了改善这种情况，采用大型语言模型并结合更高质量、更干净的数据集成为了一种有效的应对策略。

大语言模型的挑战

大型语言模型（LLM）的输出基于概率分布，这使得实验结果难以完全复制。此外，LLM 有可能产生所谓的“幻觉”，即给出错误或不相关的信息。由于这些模型本质上是黑箱操作，我们很难确定哪些输入元素对生成的输出是有贡献的。

相关工作

Kalyani (2016) 提议通过分析新闻的情感来预测股市趋势，但指出机器学习技术在提取非线性信息方面存在一定的局限性。Ren (2022) 则使用双向LSTM模型研究新闻对股价波动的影响，不过其采用的word2vec嵌入方法较为过时，难以充分捕捉长篇文章中的关键细节。Bybee (2023) 引入了大型语言模型（LLM）来解析新闻文章中的经济情感，并尝试以此预测预期收益&