大模型股票交易新模式年回报率49.79%

人工智能与金融分析的融合，正推动着金融领域不断涌现新的突破。传统金融模型主要依赖统计分析和时间序列预测，面对海量的非结构化数据常常力不从心。而大型语言模型（LLM）的出现，让解读复杂金融数据成为可能——毕竟金融市场从来不只是数字，更是一个由新闻、报告和经济指标交织而成的复杂信息系统。

新提出的TradExpert框架，正是为了解决这一痛点。它借鉴了混合专家（MoE）的思路，用多个专注不同金融数据源的LLM分别作战——一个看新闻，一个盯市场数据，一个算因子，一个读基本面。每位专家独立分析，最后由一位“通用专家”整合所有结论，模拟真实世界中投研团队的分工协作。这套框架在DOW 30股票池中执行Top-K买入持有策略后，交出了年回报率49.79%、年波动率9.95%、夏普比率5.01的成绩单——高回报与低风险兼备，着实亮眼。

论文地址：https://arxiv.org/pdf/2411.00782

摘要

TradExpert是一个利用混合专家（MoE）方法的新框架，集成了四个专门的大型语言模型，各自负责分析不同的金融数据源：新闻、市场数据、阿尔法因子、基本面数据。每位专家LLM产出的见解，由一个通用专家LLM进行综合，最终形成预测或决策。框架支持两种工作模式——预测模式（股票走势预测）和排名模式（量化交易中的股票选择）。为了更严谨地评估有效性，研究团队还发布了一个大规模金融数据集作为新的基准。实验结果显示，TradExpert在所有交易场景中均显著优于现有基线。

简介

人工智能与金融分析的融合，特别是LLM的落地应用，正在重塑金融创新的路径。传统的金融模型多依赖于统计分析和时间序列预测，在处理非结构化数据时显得力不从心。于是，专门面向金融领域的语言模型开始涌现——FinBERT、BloombergGPT、FinGPT等，它们经过金融语料的预训练，能更好地捕捉市场动态。但即便有了这些模型，如何有效整合历史股价、阿尔法因子、基本面数据和新闻等多源信息，依然是悬而未决的挑战。

本文提出的TradExpert框架，正是对这一挑战的回应。它利用MoE方法，让多个专家LLM各司其职，并结合重编程机制将时间序列数据转换为LLM可理解的嵌入表示。框架提供两种模式：预测模式用于股价涨跌判断，排名模式用于在股票池中选出Top-K标的。研究团队同时发布了一个大规模金融数据集，作为新的评估基准。实验表明，TradExpert在所有交易场景中均优于现有基线，消融研究也验证了各模块的贡献。

相关工作

金融语言模型近年来取得了显著进展，自然语言处理技术与金融分析的结合日趋成熟。从FinBert——基于BERT的金融领域模型，到2023年推出的50亿参数BloombergGPT，再到引入专门掩码和目标方法的FLANG，模型家族不断壮大。Astock平台探索了NLP辅助的中国市场自动交易，BBTFinT5推动了中文金融NLP，FinMA展示了多任务指令微调的潜力，而FinGPT则为金融LLM提供了一个开源框架。InvestLM证明了指令调优在投资任务中的有效性，FinReport能自动生成财务报告，AlphaFin则结合了检索增强生成技术做金融分析。在股票运动预测方面，StockNet利用文本和价格信号，SLOT通过自监督学习处理稀疏推文数据，CH-RNN结合社交文本与跨模态注意力机制。近期的研究（Lopez-Lira和Tang 2023；Chen等2023）更是直接探讨了ChatGPT在股票运动预测中的表现。

问题建模

研究目标。利用大型语言模型进行股票交易，核心任务是预测股票价格走势。

输入数据。包括新闻、市场数据（OHLCV）、阿尔法因子和基本面数据（如财报）。

任务1。基于多种数据源预测股票价格涨跌，构建模型 f θ 使其输出“上涨”或“下跌”。

任务2。模拟股票交易，评估基于TradExpert的买入持有策略，使用年化收益、夏普比率、年化波动率和最大回撤等指标。

数据集

研究团队收集了一个涵盖四个主要组成部分的综合数据集：新闻、市场数据、阿尔法因子、基本面数据。时间跨度为2020年1月1日至2023年12月31日，共4年。

统计

• 新闻数据。包含524,995篇与S&P 500股票相关的金融新闻，平均每篇596.4字。

• 市场数据。提供481,484条S&P 500股票的历史日OHLCV记录。

• Alpha因子。包含108个技术指标和因子，用于预测股票价格变动。

• 基本面数据。包括来自Seeking Alpha的季度财报电话会议记录和财务报表，涵盖每股收益（EPS）、市盈率（P/E Ratio）、每股账面价值（BVPS）等基本指标。

数据划分

数据集按时间顺序分为训练集、验证集和测试集，确保未来数据不被用于训练过程。

• 训练集：2020年1月1日至2022年6月30日。

• 验证集：2022年7月1日至2022年12月31日。

• 测试集：2023年1月1日至2023年12月31日。

方法

TradExpert框架的核心是利用MoE LLM方法：四个专家LLM分别处理不同的金融数据源，通用专家LLM综合四个专家的摘要，生成最终输出。所有专家LLM均基于LLaMA2-7B，采用LoRA机制进行监督微调。训练前对原始数据集进行预处理，构建提示、指令和真实响应。

新闻分析

新闻分析LLM负责分析新闻文章以预测股票走势。输出包括股票运动预测和基于思维链（CoT）的推理。其中，Ground-truth推理由OpenAI GPT-4 API生成，结合实际股票运动和新闻文本。

市场分析

市场分析LLM专注于分析历史OHLCV数据来预测股票走势。但时间序列数据与LLM的离散结构不匹配，使用起来颇为棘手。为此，研究团队采用重编程机制，将OHLCV数据转化为文本原型表示：将OHLCV数据实例X(i)划分并嵌入为补丁嵌入XP，利用文本原型E'进行重编程；通过多头交叉注意力机制生成重编程补丁的嵌入O(i)，再投影到LLM的隐藏维度。最后，重编程嵌入与TSFresh提取的统计描述结合，作为Alpha Expert的提示。

Alpha分析

Alpha Expert专注于处理基于表达式的alpha因子——这些因子是由算法生成的技术指标，用于预测股票价格变动。团队利用GPT-4理解复杂表达式，为每个因子生成语言描述，构建Alpha数据库。每个alpha记录包含：表达式（基于OHLCV数据的计算公式）和描述（由GPT-4生成）。计算出所有alpha因子的值后，通过LightGBM模型得出综合评分，选择对评分贡献最大的Top-K alpha。从数据库中检索Top-K alpha的描述，并与计算值一起用于Alpha Expert的提示和指令。

基本面分析

基本面分析师LLM专注于分析财报电话会议记录和财务指标等基本面数据，以预测季度股票价格变动。其预测程序与新闻分析师LLM相似，但基本面数据每季度更新，因此预测针对下一个季度。预测结果分为五类：“强上涨”、“中等上涨”、“无变化”、“中等下跌”或“强下跌”，并附有理由。总结报告用于判断股票在接下来几天内是上涨还是下跌；对于两只股票的总结报告，还需判断哪只表现更好。

通用专家

通用专家LLM有两种模式：预测模式和排名模式。预测模式用于股票走势预测，输出涨跌的二元判断。排名模式用于股票交易，通过比较两只股票的表现来确定排名。这里使用了一种放宽的比较排序算法（类似于冒泡排序）来进行Top-K排名——尽管复杂度为O(N²)，但更多的比较能提高准确性。通用专家LLM同时在股票预测和比较任务上进行微调。

实验

评估TradExpert框架聚焦于两个主要任务：股票走势预测和股票交易模拟。研究问题包括：

• TradExpert在股票走势预测中与现有基线的比较。

• 在真实市场回测中的潜在利润和风险。

• 对非结构化数据的推理能力的有效性。

• 框架中每个专家的贡献大小。

• 选择放松比较排序算法的原因。

数据集

实验采用两类数据集：

• 基准数据集：包括CIKM18、ACL18和BigData22等公开可用的数据集。

• 专有数据集：包含历史OHLCV数据、新闻文章、阿尔法因子和基本面指标。

实验设置

TradExpert基于LLaMA-2-7B模型，通过LoRA机制进行微调。

股票运动预测。TradExpert以预测模式工作，提供股票涨跌的二元预测，评估指标包括准确率（Acc）和马修斯相关系数（MCC）。

股票交易模拟。TradExpert以排名模式工作，比较并排序股票，通过Top-K股票执行交易，评估指标包括年化收益率（AR）、夏普比率（SR）、年化波动率（A V）和最大回撤（MD）。

基线

股票运动预测基线模型：

• 混合模型：StockNet, ALSTMW, ALSTM-D, SLOT。

• 大型语言模型：GPT-4, Gemini, LLaMA2-70B, LLaMA3-8B, FinMA-7B, FinGPT-Llama2-7B, InternLM-7B, Falcon-7B, Mixtral-7B。

股票交易模拟基线模型：

• 传统模型：随机森林、决策树、支持向量机。

• 深度学习模型：A2C, PPO, SARL, EIIE, DeepTrader。

所有方法在道琼斯30只股票上进行回测，以降低计算成本。

结果

股票走势预测。实验中使用了多个基线模型（除闭源模型SLOT外，其他均为自实现或开源代码）。TradExpert-NM（结合News Analyst和Market Analyst）在所有数据集上表现优于其他模型，除了ACL18的MCC指标。SLOT在ACL18上表现突出，得益于全球市场指导。InternLM在S&P500数据集上表现优异。S&P500数据集包含较长的新闻文章，这也解释了TradExpert-7B-NM在该数据集上有显著提升的原因。

股票交易模拟。在2023年1月1日至12月31日的回测中，TradExpert在DOW 30股票池中实施了基于Top-K股票的买入持有策略。TradExpert在所有指标上表现优越：年回报率（AR）49.79%，年波动率（A V）9.95%，夏普比率5.01——高回报与低风险的组合令人印象深刻。传统模型中，XGBoost回报较高但波动性和回撤也大，风险较高。深度学习模型普遍优于传统模型，其中DeepTrader表现最佳，回报和夏普比率最高。

消融分析

专家影响评估。通过移除特定专家，评估各专家的贡献：市场分析师和新闻分析师对盈利和风险管理影响最大，Alpha专家影响相对较小，基本面分析师对日交易指标影响最小，但提供了长期稳定性。

结构化数据推理有效性。将TradExpert-MA与传统模型（基于OHLCV数据和alpha因子）比较，结果显示TradExpert-MA在RankIC和RankICIR指标上优于传统alpha组合，体现了其推理能力。

排名算法选择。TradExpert采用Top-K排名，尽管计算复杂度较高，但由于LLM比较器的非传递性，更多的比较反而带来更准确的排名，效果优于QuickSort和BubbleSort等算法。

总结

TradExpert是一个利用大型语言模型提升股票交易策略的新框架。通过整合多个专门化的LLM，它实现了对金融数据的全面分析，效果远超传统金融模型。未来计划将TradExpert应用于高频交易，并扩展到更多全球市场。

限制。目前TradExpert的处理时间平均为4.7秒，对于日常交易来说足够，但在高频交易场景中会面临延迟问题。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：大模型股票交易新模式年回报率49.79%要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题