AI投资分析：用于股票评级的大型语言模型（LLMs）

“AI in Investment Analysis: LLMs for Equity Stock Ratings”

论文地址：https://arxiv.org/pdf/2411.00856

摘要

投资分析作为金融服务领域的重要组成部分，LLMs（大型语言模型）为股票评级带来了改进的潜力。传统的股票评级方式主要依靠分析师的判断，但这种方式遇到了数据量过大、文档不统一以及市场响应延迟的问题。

本研究探索了通过LLMs来增强股票评级的准确性和一致性，并测试了不同类型数据的效果。我们使用了从2022年1月至2024年6月期间收集的多个数据集，发现基于LLMs的方法在预测未来收益方面比传统方法表现更佳。结合财务基本面信息可以提高评级的准确性，而新闻资讯有助于改善短期预测，不过采用情感评分代替详细的新闻总结，可以在不影响效果的前提下降低token消耗。此外，在某些情境下，排除新闻数据能减少偏差，从而进一步提升性能。研究结果表明，LLMs能够高效处理大量多模态金融数据，提供一个既一致又精确的股票评级系统。

简介

投资分析构成了金融服务领域的核心，金融分析师通过审查财务数据和发布股票评级来辅助投资者做出决策并洞察市场趋势。股票评级是对公司未来表现的预测性评估，这对市场的认知有着重要影响。

近年来，深度学习技术与大型语言模型（LLMs）的发展大大增强了金融分析的效率和精度，这些工具能够解析海量非结构化信息，从而优化股票评级流程。LLMs在股票评级预测中的优势体现在：它们可以高效地处理复杂的数据集、根据需求生成预测结果，并融合多个数据来源以降低偏差。

本研究采用GPT-4-32k模型，探讨了LLMs如何应用于股票评级预测，同时确保不会发生信息泄露，展示了其在预估未来收益方面的卓越性能。

01相关工作

大模型在金融领域应用

LLM（大型语言模型）技术在金融行业中得到了广泛应用，涵盖了情感分析、内容摘要生成以及复杂的问答系统。研究表明，LLM在诸如股票预测、风险管理及量化交易等任务中展现出了卓越的能力。通过利用多样化的数据集和分阶段的应用方法，LLM提高了预测结果的透明度和可解释性。

例如，GPT模型通过分析新闻标题的情感得分来预测股市回报，其表现超越了传统的预测模型。它将财务新闻报道、公司基本面信息、股价变动以及宏观经济因素结合起来，以提供更精准的股票预测。此外，采用Chain-of-Thought提示和In-Context Learning技术，LLM能够生成有效的交易信号，并优化投资策略。在风险评估方面，LLM整合了财报数据、市场动态和新闻资讯，提供了深入的财务风险分析。

在量化交易的研究中，引入记忆模块和知识库增强了模型的自适应性和学习能力。LLM驱动的自主交易代理则通过分层记忆结构和知识库不断自我改进，从而更好地应对市场的变化。这些应用展示了LLM技术在金融领域中的潜力和灵活性。

分析师股票评级

股票分析师发布的评级预测旨在评估股票的未来表现，通常在公司发布季度财报、举行电话会议或发生重大事件之后。这些评级一般分为五个级别：强力买入/买入、增持、持有、减持、强力卖出/卖出。各金融机构可能采用不同的评级体系，有的基于风险调整后的表现，有的则是综合多个研究机构的评分结果。

分析师在进行评级时，会考量有关公司表现的各种定性和定量信息，为投资者提供决策支持。他们使用的数据来源广泛，包括但不限于基本面和技术分析、企业及行业的最新新闻报道、市场整体和特定行业的表现情况等。通过综合这些因素，分析师能够为投资者提供一个关于股票预期走势的专业意见。