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。
原文信息
【原文链接】 阅读原文
【阅读预估】 4458 / 18分钟
【原文作者】 灵度智能
【作者简介】 致力于提供优质的AI服务。