东京大学GPT-4预测A股走势研究：LLMFactor框架解析

东京大学GPT-4预测A股走势研究：LLMFactor框架解析

引用

腾讯

等

9

来源

1.

https://new.qq.com/rain/a/20240703A05LKO00

2.

https://blog.csdn.net/matt45m/article/details/136741473

3.

https://blog.csdn.net/qq_28385535/article/details/140283526

4.

https://blog.csdn.net/m0_59164520/article/details/140476627

5.

https://www.cls.cn/detail/1689148

6.

https://www.21jingji.com/article/20241030/herald/0e5c8b2d8542b9bcd5f201f51b48fa27.html

7.

https://blog.csdn.net/m0_59235699/article/details/140880012

8.

https://www.53ai.com/news/hangyeyingyong/1535.html

9.

https://53ai.com/news/LargeLanguageModel/2024072336279.html

东京大学最新研究显示，利用GPT-4的大模型技术可以更准确地预测股市走势。通过LLMFactor框架，研究人员能够从海量数据中提取出对股票价格有直接影响的因素，从而提高预测的准确性。这一突破性的方法不仅适用于日本市场，在中国A股市场的应用也展现出巨大潜力，为投资者提供了新的决策工具。

近年来，大模型（LLM）在处理文本数据，尤其是对文本数据的分析和理解方面取得了巨大成功，但金融市场的预测依赖于对时间序列数据的复杂分析，这要求模型不仅要理解历史数据，还要能够从中提取对未来有预测价值的信息。

现有方法，如基于关键词或情感分析的预测模型，虽然能够提供一定程度的市场洞察，但往往缺乏对股票价格变动的清晰解释和人类可读性。此外，有效市场假说（Efficient Market Hypothesis，EMH）虽然提出股票价格反映了所有可用信息，从而使得预测未来价格变动变得困难。但后续研究揭示了市场效率的局限性，如信息不对称和非理性行为等现象，这为通过识别市场低效性来寻求超额回报提供了机会。

因此，研究者开始探索包括新闻报道和社交媒体在内的多种数据类型，以增强预测能力。同时，随着公众情绪对市场趋势影响的实证研究增多，研究者尝试从这些数据中提取情绪和关键词来预测市场动态。然而，这些方法在提供预测结果的同时，往往忽略了解释性，而这对于投资者和分析师来说是至关重要的。

东京大学的研究团队提出了LLMFactor框架，旨在通过序列知识引导提示（Sequential Knowledge-Guided Prompting，SKGP）策略，从LLMs中提取与股票市场动态直接相关的因素，并提供清晰的解释，以增强预测的可信度和实用性。

匹配和获取新闻背景知识

匹配和获取新闻背景知识（Matching and Acquiring News Background Knowledge）的过程是SKGP的首要阶段。这一阶段的核心在于将目标股票与目标预测日期的相关新闻进行匹配，并从中获取有助于理解新闻内容和预测股票价格走势的背景知识。

具体来说，研究者首先构建了一个包含公司、其股票代码和所属行业的元组列表，这些信息从纽约证券交易所（NYSE）和纳斯达克（NASDAQ）交易所收集而来。然后，通过匹配过程，确定与目标新闻相关的股票列表，即。

接下来，利用LLMs通过填空提示（fill-in-the-blank）技术来获取目标股票与匹配股票之间的关系。这种提示方法定义为。输入是一个关系模板，例如“请填空：和最可能处于 ___ 关系”，输出是关系类型，记为 。这种获取新闻背景知识的方法显著提高了对新闻内容的理解，并且由于公司之间的关系在预测股票市场走势中起着关键作用，因此这种填空技术旨在通过限制响应格式来直接且明确地识别关系类型。例如，如果目标股票和匹配股票被识别为竞争对手，那么匹配股票的信息可能对目标股票产生负面影响。这一过程不仅增强了对新闻文本的理解，而且为后续的因素生成和股票价格走势预测提供了坚实的基础。

生成可能影响股票价格的因素

生成可能影响股票价格的因素（Generating Factors that May Affect Stock Prices）是SKGP的第二阶段。在这一阶段，研究者指导LLMs分析目标新闻内容，识别出可能对股票价格产生影响的关键因素。这些因素与股票走势的关联度比关键词、情感、新闻摘要或整篇新闻文章更为紧密，因此提供了更高可能性的市场趋势预测。

为了生成可靠的因素，研究者使用特定的提示模板（FactorTemplate），要求LLMs从新闻中提取可能影响目标股票价格的前k个因素。LLMs在生成因素时，不仅考虑新闻中出现的词汇，而且综合考虑新闻内容及其对股票走势的潜在影响，并将内容中的重要元素进行概括。例如，如果新闻中提到“Nvidia股票在一月份的增长”，这表明Nvidia过去的股票表现良好，这种增长可能会对Nvidia未来的股价产生积极影响。

生成的因素不仅提供了对股票价格波动更即时和详细的见解，而且提高了股票价格趋势的可解释性以及LLMs预测背后的理由。这些因素随后被用于预测模型中，与历史股票价格数据和背景知识相结合，以提高预测的准确性和可解释性。通过这种方式，LLMFactor框架能够将从新闻文本中提取的深层次信息转化为对股票市场动态的清晰理解和预测。

预测股票价格走势

预测股票价格走势是LLMFactor框架的核心环节，它融合了新闻背景知识和可能影响股票价格的因素，以指导LLMs进行预测。这一过程始于将时间序列数据转换为文本格式，使LLMs能够理解并处理。具体来说，股票价格走势序列被转换成一个文本序列，其中上升和下降分别用“rose”和“fell”表示。

接着，研究者构建了一个时间模板（TimeTemplate），将过去的股价走势转换成具有特定结构的句子，例如“在，的股价”。此外，还构建了一个价格模板（PriceTemplate），它包括一个初始指令，要求基于所提供的信息判断股票价格的走向（上升或下降），并给出理由，以及一个结论性指令，用于预测特定日期的股价走势“在，的股价会”。

通过这种方式，LLMFactor框架不仅能够预测股票价格的未来走势，还能够提供对这些预测背后逻辑的清晰解释，从而增强了预测的可解释性和透明度。

研究团队在四个基准数据集上对LLMFactor框架进行了广泛评估，包括StockNet、FinBERT、FinNews和CNStock。这些数据集涵盖了美国和中国股票市场的历史数据，涉及多个行业和时间段。

实验结果显示，LLMFactor框架在所有四个数据集上都取得了显著的预测性能提升。特别是在StockNet数据集上，该框架的准确率达到了82.6%，比现有最佳方法提高了10.4个百分点。此外，LLMFactor框架在解释性方面也表现出色，能够清晰地展示影响股票价格的关键因素和逻辑推理过程。

这一研究成果对于金融市场具有重要意义。首先，LLMFactor框架提供了一种全新的股市预测方法，能够更准确地捕捉市场动态和新闻信息对股价的影响。其次，该框架的可解释性特点使得预测结果更加可信，有助于投资者更好地理解市场趋势和风险。最后，这一研究为进一步探索AI在金融领域的应用开辟了新途径，为未来的研究和实践提供了有价值的参考。

然而，这项技术在实际应用中也面临一些挑战。例如，如何处理实时数据流和大规模新闻信息，如何确保预测的时效性，以及如何应对市场突发情况等。此外，该框架目前主要基于历史数据和新闻信息进行预测，未来可以考虑整合更多数据源，如社交媒体情绪分析、宏观经济指标等，以进一步提高预测的准确性和全面性。

总体而言，东京大学的这项研究为股市预测领域带来了重要突破，展示了AI技术在金融领域的巨大潜力。随着技术的不断发展和完善，我们有理由相信，这类基于大模型的预测工具将在未来的金融市场中发挥越来越重要的作用。