事件感知的 LLM 增强财务推文情感因素：可解释量化交易的透明框架.pdfVIP

事件感知的LLM增强财务推文情感因素：可解释量化交易的透明框架

12

YueyiWangQiyaoWei

Abstract学的一大批文献挑战了这一范式，证明投资者情绪

——市场参与者共同的情绪和心理状态——可以作

在这项研究中，我们希望展示大型语言模

为资产价格的一个重要的独立驱动因素(Coibion

型（LLMs）在金融语义标注和alpha信号

etal.,2020)。这种认知推动了对能够系统性捕捉这

发现中的独特用途。利用与公司相关的推

种情绪的新信息来源的探索。在这些最具前景的信

文语料库，我们使用一个LLM自动为高

息源中，替代数据流尤为突出，尤其是社交媒体平

情感强度的推文分配多标签事件类别。我

台上生成的高频非结构化文本(Velasquez,2024)。

本们将这些标记的情感信号与1至7天的时

译间范围内的未来收益对齐，以评估其统计Twitter（现在是X）已成为这项努力的主要数据来

中有效性及市场可交易性。我们的实验表明，源，为公众围绕上市公司展开的讨论提供了一个前

某些事件标签始终产生负alpha值，夏普所未有的实时视角(DeodharRao,2021)。早期

1

v比率低至-0.38，并且信息系数超过0.05，研究成功地建立了基础联系：来自推文的汇总情绪

8所有这些在95%的置信水平上具有统计显极性（即净正向或负向基调）可以预测随后的股票

0

4著性。本研究确立了将非结构化社交媒体回报。然而，这些简单的情绪指标存在严重局限性。

7

0文本转换为结构化的多标签事件变量的可它们通常噪声很大，其预测能力会随着被套利而迅

8.能性。这项工作的关键贡献在于其对透明速衰减，最重要的是，它们缺乏解释深度。一个简

0度和可重复性的承诺；所有的代码和方法单的极性评分可以告诉我们什么市场感觉如何（正

5

2均公开提供。我们的结果提供了有力证据，面或负面），但它无法捕捉为什么——驱动情绪的潜

:

v表明社交媒体情感是一种有价值的、尽管在语义背景或真实世界事件。

i

x有些嘈杂的金融预测信号，并强调开源框本文通过引入一种将大型语言模型（LLMs）与定量

r

a架在民主化算法交易研究方面的潜力。因子建模相结合的新框架，来解决这一解释性差距

问题，超越粗略的情感分析，从社交媒体中提取可

解释的、事件驱动的因素。我们的中心论点是，社

1.介绍

交媒体数据的真实价值不仅在于其情感强度，还在

传统金融模型历来依赖于基本面分析和技术价格模于其丰富的语义结构。我们假设通过使用LLM自动

式的