Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals
作者: Alireza Kargarzadeh, Nariman Khaledian, Navid Parvini, Arman Khaledian
分类: q-fin.PM, cs.CL
发布日期: 2026-08-12
💡 一句话要点
提出基于大语言模型的小市值股票交易策略以提升投资决策
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 小市值股票 投资组合构建 金融新闻情感 风险管理 量化投资 宏观经济指标
📋 核心要点
- 现有方法通常将投资组合风险视为固定，未能充分利用金融新闻的动态信息。
- 论文提出了一种不确定性意识的投资组合构建方法，直接将模型预测的风险纳入协方差矩阵。
- 实验结果显示，分离的纯阿尔法和纯贝塔策略在夏普比率和回报上通常优于传统的贝塔交集策略。
📝 摘要（中文）
本研究探讨了如何利用大语言模型从金融新闻中提取更丰富的信号，并将其应用于投资组合构建。我们提出了一种不确定性意识的构建方法，将模型预测的风险（分解为随机风险和认知风险）直接纳入投资组合的协方差矩阵中。通过对Russell 2000指数成分股的评估，我们发现不同的股票选择机制在夏普比率和回报率上表现出显著差异，尤其是在短期和中期持有期内。研究结果表明，股票选择机制和配置者选择对投资表现的影响与情感模型同样重要。
🔬 方法详解
问题定义：本研究旨在解决传统投资组合构建方法未能充分利用金融新闻动态信息的问题，现有方法往往将风险视为固定，忽视了市场的不确定性。
核心思路：我们提出了一种不确定性意识的投资组合构建方法，通过将模型预测的风险（随机风险和认知风险）直接纳入协方差矩阵，提升投资决策的灵活性和准确性。
技术框架：整体架构包括三个主要模块：1) 利用大语言模型提取金融新闻情感信号；2) 将预测的风险分解为随机风险和认知风险；3) 将这些风险信号整合进投资组合的协方差矩阵中进行动态调整。
关键创新：本研究的创新点在于将模型预测的风险直接应用于投资组合构建，而非仅依赖固定的风险评估方法。这种方法能够更好地反映市场的动态变化。
关键设计：在实验中，我们使用了GPT-4o模型进行情感分析，并采用了Student-t目标函数进行风险评估，设置了40天的持有期和风险平价配置，最终实现了在100个基点下的夏普比率达到2.33。
🖼️ 关键图片
📊 实验亮点
实验结果显示，分离的纯贝塔策略在低至中等交易成本下表现优异，尤其在短期内能够有效捕捉宏观指标的即时影响。在40天的持有期内，纯贝塔策略的表现优于纯阿尔法策略，显示出更强的市场适应性和风险管理能力。
🎯 应用场景
该研究的潜在应用领域包括量化投资、资产管理和金融市场分析。通过结合大语言模型与传统金融指标，投资者可以更有效地捕捉市场动态，优化投资组合配置，从而提高投资回报率。未来，该方法可能会影响金融科技领域的投资决策流程，推动智能投资的发展。
📄 摘要（原文）
Large language models can extract richer signals from financial news than fixed sentiment lexicons, and recent work has explored feeding such signals into portfolio construction. We study an uncertainty-aware construction that feeds model-predicted risk -- decomposed into aleatoric and epistemic components -- directly into the covariance matrix of portfolio allocators, rather than treating portfolio risk as fixed or adjusting only expected returns. We evaluate the pipeline on Russell 2000 equities under three stock-selection regimes: a pure-alpha trigger that isolates abnormal stock moves not explained by macro indicators, a pure-beta trigger that captures macro-indicator moves before the stock itself fires, and a beta trigger in which both channels agree. Across the full holding-period grid, the separated pure-alpha and pure-beta legs usually dominate the beta intersection on Sharpe and return. Two horizons are especially informative. At one day, pure beta can work under low and moderate transaction costs because it captures immediate lead-lag spillovers from liquid macro and sector indicators into exposed small-cap stocks, but this advantage disappears at 100 bps when turnover and microstructure noise dominate. At 40 days, pure beta works for a different reason: slower macro repricing overtakes the firm-specific pure-alpha channel. The strongest conservative row is pure beta with GPT-4o mini sentiment, a Student-t target, a 40-day holding period, and risk parity allocation, reaching Sharpe 2.33 at 100 bps. The results suggest that stock-selection regime and allocator choice matter at least as much as the sentiment model, and that separating firm-specific and macro-exposure triggers is more informative than requiring both to fire simultaneously.