FinGPT：基于情绪增强LLM的股票走势预测

最新推荐文章于 2025-02-22 10:00:00 发布

大模型本地部署_

最新推荐文章于 2025-02-22 10:00:00 发布

阅读量1.1k

点赞数 20

文章标签：人工智能语言模型自然语言处理 AI大模型大模型 LLM ai

本文链接：https://blog.csdn.net/Androiddddd/article/details/144856884

版权

“FinGPT: Enhancing Sentiment-Based Stock Movement Prediction with Dissemination-Aware and Context-Enriched LLMs”

金融市场对新闻和社交媒体高度敏感，情绪分析在现代金融预测中至关重要。传统情绪分析通常将情绪分为正面、负面和中性，LLMs的出现提升了情绪分析的准确性和解释能力。

本文提出了一种增强LLM驱动的基于情感的股票价格预测方法。通过提高股票价格的粒度和提供短期/长期分析指令，增强了对新闻的上下文理解。评估新闻传播的聚类，并结合市场影响以改善预测。实验结果显示，方法实现了63%的二分类准确率，相较于55%的基线有显著提升，尤其在高聚类比（>50%）下表现更佳。

论文地址：https://arxiv.org/pdf/2412.10823

一、摘要

金融情感分析对理解新闻对股价的影响至关重要，LLM因其文本分析能力被广泛应用。现有模型主要关注新闻内容，忽视传播范围，影响短期股价预测的准确性。当前方法缺乏足够的上下文数据和明确的提示，限制了LLM的解读能力。

本文提出一种数据驱动的方法，通过整合新闻传播范围、上下文数据和明确指令，提升LLM的情感基础股价预测。通过聚类公司相关新闻评估其影响力，丰富提示信息。构建指令调优数据集以微调LLM，实验结果显示预测准确性提高了8%。

二、简介

金融市场对新闻和社交媒体高度敏感，情绪分析在现代金融预测中至关重要。传统情绪分析通常将情绪分为正面、负面和中性，LLMs的出现提升了情绪分析的准确性和解释能力。现有方法多依赖单一新闻内容，忽视新闻传播的广度和上下文数据，限制了LLMs的解读能力。

本文提出一种新方法，通过聚类公司相关新闻，评估新闻的传播范围和影响，增强短期股价预测的准确性，实验结果显示预测准确性提高8%。

三、相关工作

利用文本和新闻进行股票预测并不新颖，已有研究使用推文和历史数据进行价格预测。大型语言模型（LLMs）能够更深入理解金融文本，捕捉新闻数据中的复杂关系，提升股票价格预测的准确性。LLMFactor（2024）通过知识引导提示实现短期预测，提供实时可解释的见解。Elahi和Taghvaei（2024）结合金融数据和新闻，采用检索增强技术进行3-6个月的长期预测。

本研究专注于数据准备过程，考虑新闻传播对股价的影响，为LLMs提供更精确的指令。采用标准的LLMs指令调优框架，基于数据组织作为基线，展示显著改进，方法具有广泛应用潜力。

四、问题设置和总体框架

目标。 基于新闻情绪预测每周股票价格走势，分为12个标签（U1-U5和D1-D5+）。

依据。 上周股票价格、近期新闻、公司基本面（季度更新，报告发布后三周纳入）。

模型输出。 识别2-4个重要因素，分为[积极发展]和[潜在担忧]，并提供[预测与分析]。

重点。 聚焦数据处理和提示工程部分，遵循金融分析的标准框架。

五、方法

数据处理

高粒度股票价格信息（HG）。 通过引入每日收盘价和收益，提升预测性能，减少计算不确定性，并实现价格变动与新闻事件的精确时间对齐。

新闻聚类（HG-NC）。 针对每周超过200篇新闻的处理，采用聚类方法以提高效率，捕捉新闻影响的两个维度：报道频率和时间跨度。

数据收集： 从Finnhub API获取每周金融新闻数据。
主题聚类： 使用Sentence Transformers和BERTopic进行新闻主题聚类。
聚类质量评估：
高凝聚力聚类（相似度>0.6）：选择中心文章作为代表，保留元数据。
低凝聚力聚类（相似度≤0.6）：选择中心附近文章，限制主题大小为2。
主题选择策略： 高凝聚力聚类少于6时，补充最多4个低凝聚力聚类，以确保信息覆盖。

聚类方法优势。 通过BERTopic和余弦相似度评估，有效压缩大量新闻为代表性样本，量化新闻传播，增强股票价格预测能力。

提示工程：上下文增强的指令

为了适应新的数据格式，需增强对每日股票信息和新闻传播的分析。

HG部分，要求区分短期和长期新闻影响，短期新闻的影响通常在同周内已反映在股价中。

HG-NC部分，在HG基础上，构建新闻组件，使用代表性文章及其元数据，提供分析新闻传播对股价影响的指导。

指令微调

训练数据集将结构化输入（公司介绍、历史股价、相关新闻、公司基本面）与GPT-4o生成的分析配对，基于已知未来走势。移除提示中的真实股价后，利用该数据集对Llama3-8B进行微调，以预测每周股价变动。评估指标包括数值准确性和推理质量。

六、表现评估

评估模型性能的两个关键指标：股票预测的二分类准确率和推理质量的ROUGE分数。

比较三种方法：基线方法、提高股票价格粒度的HG方法、HG-NC方法。

股票走势预测中的二分类精度

评估模型预测股票价格方向的能力，使用二分类准确率指标，数据集包含380个观察值，涵盖20家公司。模型准确率从0.550提升至0.592，显示出持续改进的趋势。对时间因素的关注增加，“长期”关注度从15.0%升至69.8%，“短期”从7.5%升至56.6%。LLM有效区分短期与长期新闻影响，平衡两者在股票价格预测中的作用。通过新闻聚类结果，准确率进一步提升至63%，验证了增强LLM捕捉市场动态和新闻传播影响的假设。

ROUGE推理质量评价分数

由于数据集庞大，无法为每个实例获取真实情感分析，采用自动评估指标评估模型输出质量。使用ROUGE分数（ROUGE-1、ROUGE-2、ROUGE-L）评估推理质量，较高分数表示与参考文本的更好对齐和更广泛的内容覆盖。

HG-NC方法在所有指标上均优于基线和HG方法。分析输出中的预测与分析组件，强调模型在情感分析中权衡正负因素的能力。HG-NC方法更好地捕捉和阐述市场因素之间的复杂互动。

案例研究：波音公司

以波音公司为案例，比较HG方法和HG-NC方法的预测性能，HG-NC方法准确率为63.2%，HG方法为52.63%。通过高一致性聚类中文章的比例（平均相似度>0.6）评估聚类性能，发现聚类性能与预测性能之间存在强相关性。在HG-NC方法优于HG的7个案例中，高一致性聚类比例大多超过50%；当比例低于40%时，预测性能下降，表明市场信息捕捉不足。