简介

有效市场假说认为股票价格反映了所有可用信息，投资者通过挖掘外部数据源来理解新信息对市场的影响，以预测未来股价走势。传统深度学习方法在股票预测中是黑盒模型，缺乏解释性，而大型语言模型（LLMs）则提供了解释预测的可能性。我们的工作通过强化学习框架设计，细调LLM以生成股票预测的解释。

使用LLMs进行可解释的股票预测需要面对多种挑战。首先，社交文本的影响因素多样，需要模型具备权衡新信息影响的能力。其次，加入解释组件会使问题更加困难，需要大量的金融专家样本来训练RL。这需要大量的劳动力和成本，不利于扩展。

本文提出了一个Summarize-Explain-Predict (SEP)框架，利用自我反思代理和PPO技术，让LLM自主学习如何以可解释的方式进行股票预测。该框架通过Summarize模块将大量文本输入数据转换为要点形式的摘要信息，通过Explain模块让自我反思代理自我教育如何生成正确的股票预测和解释其推理过程，最后通过Predict模块使用自我教育的响应进行PPO训练，生成最可能的股票预测和解释。实验结果表明，该框架在二元股票分类任务中的预测准确性和Matthews相关系数方面优于传统的深度学习和LLM方法，并且在投资组合构建任务中也表现出了良好的效果。

实验设置

基线。我们将SEP与传统深度学习模型和微调大型语言模型(LLM)进行比较。深度学习模型包括VAE+Attention、GRU+Attention、Transformer。大语言模型包括GPT-3.5-turbo、Vicuna-7b-v1.5、FinGPT-Forecaster。

根据之前处理二元股票分类任务的工作，我们使用预测精度和马修斯相关系数(Matthews Correlation Coefficient, MCC)作为我们的评估指标。对于所有LLM结果，任何以错误格式做出的预测，或“中性”或“混合”，将被视为不正确的预测。

结果

预测性能。在预测精度方面，在gpt生成的解释上微调的SEP模型能够获得最佳结果，比使用所有文本的最强基线(GRU+Att)提高2.4%。另一方面，在Vicuna-v1.5生成的解释上进行微调的SEP模型在准确性方面不如基线。在马修斯相关系数(MCC)指标上，SEP模型在所有设置下都能够优于所有模型，这显示了模型在考虑随机猜测后理解自然语言文本对股票运动影响的真正能力。

解释性能。经过SEP微调，我们可以观察到两个主要的改进。第一个是有效的权衡新闻信息以预测股票走势的能力。第二个是生成了更高质量解释的能力。

我们可以观察到：

• 最高分来自更一般化的指标，如信息一致性。

• 所有LLM都给出了高质量的解释，即使预测是错误的。

• 我们的SEP模型在所有指标中得分最高。

消融分析

本文评估了三个组件的性能。总结模块通过提取重要的事实信息来减少输入文本的噪音和长度。解释模块通过自我反思生成注释样本，提高了模型的预测准确性。预测模块的变体分别去除了?-shot采样、PPO强化学习和注释，结果表明这些组件对模型的性能有重要影响。

投资组合优化

实验结果表明，使用SEP框架可以教会LLM以二进制方式权衡输入文本中信息的影响，并且可以在生成的解释中量化地权衡信息以生成股票组合权重。使用SEP微调的LLM在股票组合任务中表现优于其他LLM和基线模型。其中，只购买预测为正面的股票的Positive-Only组合已经表现出良好的性能。

我们观察到：

• 原始股票预测模型在实际情况下能够产生良好的交易信号。

• 1/N和市场指数组合方法包含更多的股票，能够更均匀地分散股价波动，但其夏普比率仍低于其他模型。

• 预训练的LLM模型（如GPT-3.5和Vicuna）在大多数指标上表现优于Positive-Only组合方法，说明LLM能够权衡信息以产生组合权重。

• SEP模型在大多数组合指标上表现优于其他方法，且标准差表现相当，展示了SEP框架的有效性。

• LLM模型能够解释生成的组合权重，增加了结果的可解释性和可信度。