[論文レビュー] Integrating Stock Features and Global Information via Large Language Models for Enhanced Stock Return Prediction

Yujie Ding, Shuai Jia+5 more|arXiv (Cornell University)|Oct 9, 2023

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

本稿では、大規模言語モデル（LLM）を用いて株式特徴量とグローバル情報（市場、業界、政策など）を統合する新規フレームワークSCRL-LGを提案する。ローカル・グローバルモデルを用いてリターンを分解し、自己相関強化学習（SCRL）によりLLMが生成するニュース埋め込み表現と定量的株式特徴量を共通の意味的空間に一致させる。この手法により、中国A株式市場において、特に長期保有期間において、ランク情報係数および異常リターンの両面で優れた性能を達成する。

ABSTRACT

The remarkable achievements and rapid advancements of Large Language Models (LLMs) such as ChatGPT and GPT-4 have showcased their immense potential in quantitative investment. Traders can effectively leverage these LLMs to analyze financial news and predict stock returns accurately. However, integrating LLMs into existing quantitative models presents two primary challenges: the insufficient utilization of semantic information embedded within LLMs and the difficulties in aligning the latent information within LLMs with pre-existing quantitative stock features. We propose a novel framework consisting of two components to surmount these challenges. The first component, the Local-Global (LG) model, introduces three distinct strategies for modeling global information. These approaches are grounded respectively on stock features, the capabilities of LLMs, and a hybrid method combining the two paradigms. The second component, Self-Correlated Reinforcement Learning (SCRL), focuses on aligning the embeddings of financial news generated by LLMs with stock features within the same semantic space. By implementing our framework, we have demonstrated superior performance in Rank Information Coefficient and returns, particularly compared to models relying only on stock features in the China A-share market.

研究の動機と目的

• LLMにおける意味的知識の活用不足を是正すること。
• 異なる意味的空間に存在するLLMが生成するニュース埋め込み表現と定量的株式特徴量の不整合を解消すること。
• 統一されたフレームワークを通じてローカル（個別株式）およびグローバル（市場、業界、政策）情報を統合し、予測性能を向上させること。
• LLMがセンチメント分析を越えてマルチモーダルな株式リターン予測に有効であることを実証すること。

提案手法

• ローカル・グローバル（LG）モデルは、出来高および価格特徴量から得られるローカル成分（α）と、市場、業界、政策情報から得られるグローバル成分（β）にリターンを分解する。
• グローバルモデリングのための3つの戦略を導入：（1）株式特徴量ベース、（2）LLMネイティブ、（3）ハイブリッド。これによりグローバルコンテキストの柔軟な統合が可能となる。
• 自己相関強化学習（SCRL）は、対照的学習の目的関数を用いて、LLMが生成するニュース埋め込み表現と株式特徴量を共通の意味的空間に一致させる。
• フレームワークは、ランク損失と対照的損失を組み合わせた共同損失関数を用い、一致と予測精度の最適化を図る。
• バックテストは2022年の中国A株式市場データを用い、さまざまな保有期間でのパフォーマンスを評価する。
• モデルはLLMをセンチメント分析以外の目的にも活用し、ニュース見出しからの豊富な意味的表現抽出を実現する。

実験結果

リサーチクエスチョン

• RQ1 LLMはセンチメント分析を超えて、株式リターン予測のための包括的な意味的知識を抽出するために効果的に活用可能か？
• RQ2 LLMの埋め込み表現と定量的株式特徴量を共通の意味的空間に一致させることで、予測性能を向上させられるか？
• RQ3 LLMを用いて市場、業界、政策などのグローバル情報を統合することで、長期リターン予測における性能低下が緩和されるか？
• RQ4 SCRL-LGフレームワークは、単一の株式特徴量に依存するモデルと比較して、ランク情報係数および異常リターンの両面で優れた性能を示すか？

主な発見

• SCRL-LGモデルは、中国A株式市場データにおいて、単一の株式特徴量に依存するモデルと比較して、ランク情報係数および異常リターンの両面で顕著に優れた性能を示す。
• 予測ホライズンが延びるに従って、モデルは性能を維持または向上させる一方、ローカルモデルのみでは年間リターンおよびシャープレシオに顕著な低下が見られる。
• LG-LLMおよびLG-STOCKのバリエーションは、長期保有期間に対しても頑健であり、性能の著しい低下を示さない。
• SCRL-LGモデルは、性能向上と併せてトレードオーバー率が低下しており、効率的で安定したトレーディングシグナルを示している。
• 株式特徴量とLLMを組み合わせたハイブリッドグローバルモデリング戦略が、マクロ、メソ、マイクロの多層的影響を捉えるのに最も効果的であることが判明した。
• フレームワークは、LLMが生成する埋め込み表現と株式特徴量を統一された意味的空間に一致させることで、予測精度が向上することを確認した。