Learning to Generate Explainable Stock Predictions using Self-Reflective Large Language Models

本文是LLM系列文章，针对《Learning to Generate Explainable Stock Predictions using
Self Reflective Large Language Models》的翻译。

摘要

对于传统的非生成深度学习模型来说，解释股票预测通常是一项困难的任务，因为解释仅限于可视化重要文本的注意力权重。如今，大型语言模型（LLM）为这个问题提供了一种解决方案，因为它们具有为决策过程生成人类可读解释的已知能力。然而，股票预测的任务对LLM来说仍然具有挑战性，因为它需要能够权衡混乱的社会文本对股价的不同影响。随着解释部分的引入，这个问题变得越来越困难，这需要LLM口头解释为什么某些因素比其他因素更重要。另一方面，为了为这样的任务微调LLM，需要对训练集中的每个股票运动进行专家注释的解释样本，这是昂贵的，而且难以扩展。
为了解决这些问题，我们提出了我们的总结-解释-预测（SEP）框架，该框架利用了言语自我反思代理和近端策略优化（PPO），使LLM能够自学如何以完全自主的方式生成可解释的股票预测。反思代理通过自我推理过程学习如何解释过去的股票走势，而PPO训练师则训练模型在测试时根据输入文本生成最有可能的解释。PPO训练器的训练样本也是在反思过程中生成的响应，这消除了对人工注释器的需求。使用我们的SEP框架，我们微调了一种专门的LLM，该LLM在预测精度和Matthews相关系数方面都优于传统的深度学习和LLM方法，用于股票分类任务。为了证明我们的框架的泛化能力，我们在投资组合构建任务中进一步测试了它，并通过各种投资组合指标证明了它的有效性。我们的代码可以通过访问