Integrating Stock Features and Global Information via Large Language Models for Enhanced Stock Return Prediction

📄 arXiv: 2310.05627v1 📥 PDF

作者: Yujie Ding, Shuai Jia, Tianyi Ma, Bingcheng Mao, Xiuze Zhou, Liuliu Li, Dongming Han

分类: cs.CL, cs.LG, q-fin.ST

发布日期: 2023-10-09

备注: 8 pages, International Joint Conferences on Artificial Intelligence

期刊: International Joint Conferences on Artificial Intelligence,2023

💡 一句话要点

提出框架整合股票特征与全球信息以提升股票收益预测

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 股票预测 大型语言模型 量化投资 信息整合 强化学习 金融分析 深度学习

📋 核心要点

  1. 现有量化模型未能充分利用大型语言模型中的语义信息，导致预测效果不佳。
  2. 提出的框架通过Local-Global模型和自相关强化学习对接LLMs与股票特征，增强信息整合。
  3. 实验结果显示，该框架在中国A股市场的Rank Information Coefficient和收益上显著优于传统模型。

📝 摘要（中文）

大型语言模型（LLMs）如ChatGPT和GPT-4在量化投资中展现出巨大潜力，能够有效分析金融新闻并准确预测股票收益。然而，将LLMs整合进现有量化模型面临两个主要挑战：一是未能充分利用LLMs中嵌入的语义信息，二是将LLMs的潜在信息与现有股票特征对齐的困难。为此，本文提出了一个新框架，包括两个组件：Local-Global (LG)模型和Self-Correlated Reinforcement Learning (SCRL)。通过实施该框架，我们在中国A股市场的Rank Information Coefficient和收益方面表现优越，尤其相比仅依赖股票特征的模型。

🔬 方法详解

问题定义：本文旨在解决如何有效整合大型语言模型（LLMs）与现有股票特征以提升股票收益预测的具体问题。现有方法未能充分利用LLMs中的语义信息，且难以将其潜在信息与传统股票特征对齐。

核心思路：论文提出的框架由Local-Global (LG)模型和Self-Correlated Reinforcement Learning (SCRL)组成，旨在通过三种策略建模全球信息，并对齐LLMs生成的金融新闻嵌入与股票特征。

技术框架：整体架构包括两个主要组件：LG模型负责整合全球信息，SCRL则对齐不同信息源的语义空间。LG模型采用基于股票特征、LLMs能力和混合方法的三种策略。

关键创新：最重要的创新在于提出了LG模型和SCRL的结合，解决了信息整合和对齐的问题，显著提升了预测性能。与现有方法相比，该框架能够更好地利用LLMs的潜力。

关键设计：在模型设计中，LG模型的三种策略分别针对不同的信息源进行优化，SCRL则通过特定的损失函数确保信息的语义一致性，具体参数设置和网络结构在实验中进行了详细调优。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，所提出的框架在中国A股市场的Rank Information Coefficient和收益上表现优越，尤其在与仅依赖股票特征的模型对比中，提升幅度显著，具体数据未详述。

🎯 应用场景

该研究的潜在应用领域包括金融市场分析、投资决策支持系统以及智能交易平台。通过提升股票收益预测的准确性，能够为投资者提供更为可靠的决策依据，进而推动量化投资的智能化发展。

📄 摘要（原文）

The remarkable achievements and rapid advancements of Large Language Models (LLMs) such as ChatGPT and GPT-4 have showcased their immense potential in quantitative investment. Traders can effectively leverage these LLMs to analyze financial news and predict stock returns accurately. However, integrating LLMs into existing quantitative models presents two primary challenges: the insufficient utilization of semantic information embedded within LLMs and the difficulties in aligning the latent information within LLMs with pre-existing quantitative stock features. We propose a novel framework consisting of two components to surmount these challenges. The first component, the Local-Global (LG) model, introduces three distinct strategies for modeling global information. These approaches are grounded respectively on stock features, the capabilities of LLMs, and a hybrid method combining the two paradigms. The second component, Self-Correlated Reinforcement Learning (SCRL), focuses on aligning the embeddings of financial news generated by LLMs with stock features within the same semantic space. By implementing our framework, we have demonstrated superior performance in Rank Information Coefficient and returns, particularly compared to models relying only on stock features in the China A-share market.