Core Concepts
大型语言模型可以从大量中文财经新闻中有效提取情感因子,并将其应用于量化交易策略中,从而获得超额收益。
Abstract
本研究探讨了大型语言模型(LLM)在提升量化股票交易策略方面的潜力,通过从中文财经新闻文本中提取情感因子来实现。
研究首先建立了一个全面的基准测试框架和标准化的回测实验流程,以客观评估不同LLM在从中文财经文本中提取情感因子方面的有效性。
作为实践说明,研究使用了三种不同的LLM模型:1)基线模型ChatGPT、2)中文语言特定预训练模型Erlangshen-RoBERTa、3)金融领域特定微调模型Chinese FinBERT,对394,426条中文公司新闻摘要进行了情感因子提取。
研究构建了投资组合并进行了股票交易模拟回测,根据收益率、风险调整收益率、胜率等指标评估了不同LLM提取的情感因子在量化交易策略中的表现。
结果显示,Erlangshen-RoBERTa模型提取的情感因子在所有指标上都优于其他两种模型,表明针对中文语言特点进行预训练的LLM在中文财经文本情感分析任务中更为有效。
这一发现强调了在应用LLM进行中文财经文本情感因子提取时,需要考虑语言特点并采用针对性方法,而不能仅依赖模型规模。研究为LLM在中文财经领域的应用提供了有价值的见解。
Stats
公司持续推动传统滤光片业务产品结构升级,在竞争较为激烈的业态下彰显自身韧性。
展望未来,我们看好公司手机光学业务夯实基本盘,HUD 及AR 等前瞻布局有望打开第二成长曲线。