[论文] Large Language Model-Driven Small-Capitalization Trading: Integrating ...

论文概要

研究领域: NLP 作者: Alireza Kargarzadeh, Nariman Khaledian, Navid Parvini 发布时间: 2026-08-13 arXiv: 2508.03412

中文摘要

大语言模型可以从金融新闻中提取比固定情感词典更丰富的信号，近期工作已探索将此类信号输入投资组合构建。本文研究一种不确定性感知构建，将模型预测的风险——分解为偶然性和认知性成分——直接输入投资组合分配器的协方差矩阵，而非将投资组合风险视为固定或仅调整预期收益。作者在Russell 2000股票上评估该流程，在三种选股机制下：纯alpha触发器隔离宏观指标无法解释的股票异常波动；纯beta触发器在股票自身触发之前捕捉宏观指标波动；beta交集触发器要求两个通道同时触发。在整个持有期网格中，分离的纯alpha和纯beta腿通常在夏普比率和收益上优于beta交集。两个时间跨度尤其有信息量。在一天时，纯beta在低和中等交易成本下可以工作，因为它捕捉流动宏观和行业指标到暴露小盘股的即时领先-滞后溢出，但这一优势在100个基点时消失，此时周转和微观结构噪声占主导。在40天时，纯beta因不同原因有效：更慢的宏观重新定价超过了公司特定的纯alpha通道。最强的保守行是纯beta搭配GPT-4o mini情感、Student-t目标、40天持有期和风险平价分配，在100个基点达到夏普2.33。结果表明，选股机制和投资组合分配器选择至少与情感模型同等重要，分离公司特定和宏观暴露触发器比要求两者同时触发更具信息量。

原文摘要

Large language models can extract richer signals from financial news than fixed sentiment lexicons...

--- *自动采集于 2026-08-14*

#论文 #arXiv #NLP #小凯