Empirical Asset Pricing with Large Language Model Agents

📄 arXiv: 2409.17266v2 📥 PDF

作者: Junyan Cheng, Peter Chin

分类: cs.AI, cs.CE

发布日期: 2024-09-25 (更新: 2025-03-28)

备注: ICLR 2025 Workshop on Advances in Financial AI

💡 一句话要点

提出基于大语言模型代理的资产定价模型，提升投资组合优化和资产定价精度。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大语言模型 资产定价 量化投资 投资组合优化 金融经济学

📋 核心要点

  1. 传统资产定价模型难以有效整合非结构化信息，限制了其预测能力和投资决策的准确性。
  2. 利用大语言模型代理提取和分析文本信息，结合定量金融经济因素，构建更全面的资产定价模型。
  3. 实验表明，该方法在投资组合优化和资产定价误差方面优于传统方法，夏普比率和$|α|$分别提升10.6%和10.0%。

📝 摘要（中文）

本研究提出了一种新颖的资产定价模型，该模型利用大语言模型（LLM）代理，将LLM代理的定性自由裁量投资评估与手动整理的定量金融经济因素相结合，旨在解释超额资产回报。实验结果表明，我们的方法在投资组合优化和资产定价误差方面均优于传统的基于机器学习的基线方法。值得注意的是，投资组合优化的夏普比率和异常投资组合的$|α|$的平均幅度分别显着提高了10.6％和10.0％。此外，我们对模型进行了全面的消融研究，并对该方法进行了深入分析，以进一步了解所提出的方法。我们的结果有效证明了将LLM应用于实证资产定价的可行性。

🔬 方法详解

问题定义：论文旨在解决传统资产定价模型在整合非结构化信息方面的不足，现有方法难以有效利用新闻报道、分析师报告等文本数据中蕴含的投资价值信息，导致预测精度受限。

核心思路：论文的核心思路是利用大语言模型（LLM）作为投资代理，从文本数据中提取投资信号，并将其与传统的定量金融经济因素相结合，从而构建更全面的资产定价模型。这种方法旨在弥合定性分析和定量分析之间的差距，提升资产定价的准确性。

技术框架：该模型包含两个主要组成部分：1) 大语言模型代理，负责分析文本数据并生成投资评估；2) 定量金融经济因素，包括市场风险、规模、价值等传统因子。LLM代理的输出与定量因子结合，用于构建投资组合并预测资产回报。整体流程包括数据收集、LLM代理分析、因子整合、投资组合构建和性能评估等步骤。

关键创新：该研究的关键创新在于将大语言模型引入到资产定价领域，并将其作为投资代理来处理非结构化文本数据。与传统的基于规则或机器学习的方法相比，LLM具有更强的自然语言理解和推理能力，能够更有效地提取投资信号。

关键设计：论文中，LLM代理的具体实现细节（例如，使用的LLM模型、提示工程方法等）以及因子整合的方式（例如，回归模型、机器学习模型等）是关键的设计选择。此外，投资组合构建和性能评估的方法（例如，夏普比率、阿尔法值等）也影响着最终的实验结果。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于大语言模型代理的资产定价模型在投资组合优化和资产定价误差方面均优于传统方法。具体而言，投资组合的夏普比率提高了10.6%，异常投资组合的平均$|α|$提高了10.0%。这些结果表明，LLM在实证资产定价中具有巨大的潜力。

🎯 应用场景

该研究成果可应用于量化投资、风险管理和金融咨询等领域。量化投资机构可以利用该模型构建更有效的投资组合，提高投资回报。风险管理部门可以利用该模型更准确地评估资产风险。金融咨询师可以利用该模型为客户提供更专业的投资建议。未来，该方法有望扩展到其他金融领域，例如信用风险评估和欺诈检测。

📄 摘要（原文）

In this study, we introduce a novel asset pricing model leveraging the Large Language Model (LLM) agents, which integrates qualitative discretionary investment evaluations from LLM agents with quantitative financial economic factors manually curated, aiming to explain the excess asset returns. The experimental results demonstrate that our methodology surpasses traditional machine learning-based baselines in both portfolio optimization and asset pricing errors. Notably, the Sharpe ratio for portfolio optimization and the mean magnitude of $|α|$ for anomaly portfolios experienced substantial enhancements of 10.6\% and 10.0\% respectively. Moreover, we performed comprehensive ablation studies on our model and conducted a thorough analysis of the method to extract further insights into the proposed approach. Our results show effective evidence of the feasibility of applying LLMs in empirical asset pricing.