使用大模型进行股票预测，收益率16.6%，还会自我反思和给出合理解释

AIGC动态4个月前发布 admin

413 0 0

模型信息

【模型公司】 Azure
【模型名称】 gpt-4-32k
【摘要评分】 ★★★★★

文章摘要

【关键词】 股票预测、大型语言模型、自我反思、Proximal Policy Optimization、投资组合构建

本文介绍了一种名为Summarize-Explain-Predict (SEP)的框架，该框架使用大型语言模型（LLMs）生成可解释的股票预测。

SEP框架通过自我反思的代理和Proximal Policy Optimization（PPO）来训练LLM，优化其在股票分类任务中的预测准确性和Matthews相关系数，并在投资组合构建任务中展示其有效性。

在金融市场中，投资者需要分析大量的外部数据源来预测未来的股票价格变动，这给金融专家带来了沉重的工作负担。传统的深度学习方法在股票预测中是黑盒模型，无法解释其预测结果，这降低了它们在实际应用中的可用性。然而，大型语言模型（LLMs）为解决这个问题提出了新的思路。然而，使用LLMs进行可解释的股票预测仍然面临挑战。为了解决这些问题，本文提出了SEP框架。

SEP框架包括Summarize模块、Explain模块和Predict模块。Summarize模块从非结构化文本输入中生成事实信息摘要，Explain模块通过自我反思迭代生成股票预测的解释，Predict模块使用自动生成的注释样本微调LLM并生成置信度预测。

实验证明，SEP模型在预测准确性和生成解释质量方面优于传统深度学习和LLM方法。SEP模型通过自我反思和强化学习，能够生成更好的解释，提高了模型的可解释性。此外，SEP框架还可以应用于投资组合构建任务，生成可解释的股票权重，并通过投资组合指标验证其有效性。

总的来说，SEP框架通过自我反思的代理和Proximal Policy Optimization（PPO）来训练LLM，优化其在股票分类任务中的预测准确性和Matthews相关系数，并在投资组合构建任务中展示其有效性。这为股票预测提供了一种新的、有效的、可解释的方法。