相关工作

LLMFactor

我们的方法的基础是序列知识引导提示(SKGP)策略，它包括三个主要阶段。初始阶段包括将股票与相关新闻相匹配，并获取背景知识。

设S为股票列表，其中每个元组(Ci,Ti,Ii)由一家公司Ci、其股票代码Ti和其所属行业Ii组成。我们将S与目标新闻匹配。然后，我们提示LLM获得股票目标与股票匹配之间的关系。这种获取新闻目标背景知识的方法大大提高了我们对新闻内容的理解。

SKGP的下一步包括从新闻目标生成因子。这些因素的重要性有三个方面：

• 它们与股票走势的关系比关键词、情绪、新闻摘要或整篇新闻文章更密切，因此提供了更有可能获利的市场趋势预测。

• 与从其他来源获得的因素相比，从新闻文本中获得的因素可以更直接、更详细地了解股价波动。

• 提高了股价趋势的可解释性和法学硕士预测背后的理论基础。

为了产生可靠的因素，我们指导LLM分析新闻内容，识别可能影响股价的因素。这种方法充分利用了法学硕士的固有知识。提示方法描述为LLM(FactorTemplate)=factor，其中FactorTemplate是一个结构化的句子：“请从以下新闻中提取可能影响股票目标股价的前k个因素”，后面是新闻目标，输出是LLM生成的因素。LLM输出的影响因素并不局限于新闻中的词汇，LLM会考虑新闻的内容及其对股票走势的潜在影响，通常会总结内容中的重要元素。

为了预测股票走势，我们整合新闻背景知识和因素来指导LLM。同时，我们将时间序列数据转换为文本格式，以供LLM理解。给定文本股票移动序列TextMovement及其日期系列date ={日期1，日期2，…，日期t}，过去的股票价格变动被转换成一个TimeTemplate，其结构为“日期i，股票目标的股价f(P i)”。

随后，我们构建了一个PriceTemplate，其中包括一个初始指令，“基于以下信息，请判断股票价格的方向是上涨还是下跌，填空并给出理由”，然后是一个结语指令，“在日期i，股票目标的股票价格将___。”通过整合关系、因子、时间模板和PriceTemplate，我们将提示方法表述为LLM(关系、因子、时间模板、PriceTemplate)=预测。预测结果指定了股票价格是“上涨”还是“下跌”，以及这种推断的基本原理。

为了进行预测，我们使用了几个模型来识别文本中的关键短语：PromptRank、KeyBERT、YAKE、TextRank、TopicRank、SingleRank和TFIDF。

我们使用以下模型来分析文本中的情绪并预测股市走势：EDT、FinGPT、GPT-4-turbo、GPT-4、GPT-3.5-turbo、RoBERTa、FinBERT。

我们采用同时利用文本和时间序列数据的模型来预测股票走势：CMIN、StockNet。

结果

LLMFactor能够从文本数据中识别影响股票价格的重要因素，并结合关系和时间信息进行综合分析。在四个数据集上的实验结果表明，LLMFactor的性能优于其他方法，包括基于时间、情感和关键词的方法。

与其他SOTA相比，LLMFactor在四个数据集上的MCC提高了2.9％，0.4％，11％和4.8％。关键词模型的表现差异不大，情感模型的表现因模型不同而异。时间模型和情感模型的表现相当，但LLMFactor在SKGP技术的帮助下，能够更好地过滤无关内容，提供更全面的分析。

在不同数据集上的平均分数分析表明，LLMFactor在美国市场的StockNet和CMIN-US数据集上的平均准确率超过63％，平均MCC超过0.2。但在针对中国市场的CMIN-CN数据集上，其表现略有下降。EDT数据集中缺乏历史价格信息，这可能会降低LLMFactor的效果，强调了金融市场分析所需的全面数据的重要性。

总结