本报告提出了Ploutos,一个结合多模态专家信息(包括技术分析、情感分析和人类专家)的大型金融语言模型框架,实现了股票涨跌趋势的准确预测及其决策逻辑的可解释性。通过创新性的后视镜提示和动态token权重训练机制,Ploutos显著优于传统模型和其他LLM方法,在准确率和理性可解释性评估中均表现卓越,为金融量化投资提供新的思路和工具 .
Ploutos模型框架设计 :
量化因子构建与提示设计 :
PloutosGPT模型训练创新 :
预测性能对比 :
| 模型 | ACL18准确率 (%) | ACL18 MCC | CIKM18准确率 (%) | CIKM18 MCC |
|---|---|---|---|---|
| ARIMA | 51.42 | -0.021 | 52.36 | -0.012 |
| Adv-LSTM | 57.24 | 0.148 | 56.48 | 0.016 |
| StockNet | 58.23 | 0.081 | 56.37 | 0.023 |
| DTML | 57.44 | 0.191 | 58.62 | 0.045 |
| GPT-4 | 53.08 | 0.023 | 57.44 | 0.034 |
| LLaMA-2-7B | 52.74 | 0.051 | 56.92 | 0.027 |
| FinMA-7B | 56.28 | 0.104 | 53.24 | -0.031 |
| Ploutos-7B | 61.21 | 0.205 | 59.89 | 0.064 |
组件贡献与消融实验 :
| 模型 | 准确率 | MCC | F1 |
|---|---|---|---|
| Ploutos-S(无情感专家) | 59.62 | 0.189 | 0.598 |
| Ploutos-T(无技术专家) | 58.11 | 0.153 | 0.537 |
| Ploutos-R(无后视镜与动态权重) | 60.41 | 0.191 | 0.604 |
| Ploutos | 61.21 | 0.205 | 0.612 |
解释性评估与动态权重温度影响 :
| 模型 | Faithfulness (%) | Informativeness (%) |
|---|---|---|
| FinMA | 59.53 | 61.32 |
| FinGPT | 72.82 | 84.76 |
| GPT-3 | 77.63 | 91.58 |
| Ploutos | 81.24 | 96.52 |
量化因子构建总结 :
训练数据构建与提示设计 :
核心论点: 该报告提出了一套名为Ploutos的创新金融大语言模型框架,包括两个主要模块PloutosGen和PloutosGPT,旨在解决当前深度学习和LLM股票预测方法中多模态数据灵活融合不足,以及模型缺乏决策可解释性的问题。Ploutos通过多专家系统(技术分析、情绪分析、人类专家)进行多角度分析,再通过PloutosGPT整合专家观点并输出带有详尽决策逻辑的解释性推理,最终实现了在准确性和解释性方面超越现有方法的效果。
评级与目标价: 文中无具体投资评级或目标价格,但强调Ploutos在二分类(涨/跌)预测任务中的性能优越性,突出其作为辅助决策工具的作用。
关键点:
推理依据:
股票走势预测定位为二分类问题,判断目标日相较前一交易日的调整收盘价涨跌:
Yd={01pdc<pd−1c(下跌)pdc≥pd−1c(上涨)数据输入包括:
当前方法不足:
三类专家系统:
多模态融合策略:通过上述专家各自产生判断、见解,再由PloutosGPT综合,适应不同股票场景下各专家效果的差异,实现灵活权衡。
rearview-mirror prompting(后视镜提示):
动态token权重机制:
损失函数为:
L=i∑−αilogp(yi∣x,y1…i)其中,
αi=∑j=1mexp(cos(tYd,hj)/τ)exp(cos(tYd,hi)/τ)目的:平衡模型生成解释性推理的准确性和关键内容的可解释能力。
描述:
解读:
描述:
解读:
描述:
解读:
描述:
解读:
| 模型 | ACL18准确率 | ACL18 MCC | CIKM18准确率 | CIKM18 MCC |
|---|---|---|---|---|
| ARIMA | 51.42% | -0.021 | 52.36% | -0.012 |
| Adv-LSTM | 57.24% | 0.148 | 56.48% | 0.016 |
| StockNet | 58.23% | 0.081 | 56.37% | 0.023 |
| DTML | 57.44% | 0.191 | 58.62% | 0.045 |
| GPT-4 | 53.08% | 0.023 | 57.44% | 0.034 |
| LLaMA-2-7B | 52.74% | 0.051 | 56.92% | 0.027 |
| FinMA-7B | 56.28% | 0.104 | 53.24% | -0.031 |
| Ploutos-7B | 61.21% | 0.205 | 59.89% | 0.064 |
| 模型 | 准确率 | MCC | F1 |
|---|---|---|---|
| Ploutos-s(无情绪) | 59.62% | 0.189 | 0.598 |
| Ploutos-t(无技术) | 58.11% | 0.153 | 0.537 |
| Ploutos-R(无rearview及权重机制) | 60.41% | 0.191 | 0.604 |
| 全Ploutos | 61.21% | 0.205 | 0.612 |
| 模型 | 规模 | Faithfulness | Informativeness |
|---|---|---|---|
| FinMA | 7B | 59.53 | 61.32 |
| FinGPT | 7B | 72.82 | 84.76 |
| GPT-3 | 175B | 77.63 | 91.58 |
| Ploutos | 7B | 81.24 | 96.52 |
本研究并未开展传统意义上基于DCF、市盈率或EV/EBITDA的公司价值估值分析,重点在于模型设计和性能评估,因此不涉及价格估值过程。
但Ploutos内核通过:
间接反映投资决策价值提升,提高决策辅助系统潜力。
报告在限制部分提及潜在挑战:
未详述具体风险缓释策略,提示后续研究需关注效率优化及专家选择优化。
优势判断合理:
可能存在局限:
内部一致性:
Ploutos作为一个结合了多策略、多模态数据分析能力及先进大语言模型训练方法的金融预测框架,展现了以下关键优势和发现:
多专家协同提升理解多模态信息能力: 技术分析专家用Alpha因子精细刻画时间序列特征,情绪专家深入挖掘文本情感影响,人类专家侧重宏观经济和基本面智慧,三者共同保障模型对股票多维信息的覆盖广度和深度。
创新训练方法提升解释性和精度: 通过rearview-mirror prompting利用已知历史真实结果指导理据生成,结合动态token权重提高模型对关键解释理由词的敏感性,避免模型出现无关或泛泛而谈的模糊解释。
显著优于现有主流模型性能: 在两个经典股票涨跌预测公开数据集上,Ploutos准确率分别达61.21%和59.89%,显著高于ARIMA、Adv-LSTM、GPT-4及FinMA等对比模型,并且以0.205和0.064的MCC指标表现出更强鲁棒性。
提升模型可解释性: 在Faithfulness和Informativeness两大指标上,Ploutos均得分最高,说明生成的涨跌理据不仅符合事实也内容详实,利于增强投资者和分析师信任。
动态调整令模型表现更为均衡: 动态token权重中的温度调节实现了预测准确性和解释性之间的最佳平衡,体现了预测准确和良好解释能力并非对立,而是相辅相成。
未来潜力与改进方向: 报告指出诸如专家选取偏差、计算效率与数据类型局限等短板,为进一步研究及实际应用提供参考。
整体而言,Ploutos通过打破传统深度学习模型对多模态股票数据解释性弱的问题,依托最先进的大语言模型训练策略,成功推动了金融领域股票走势理解与预测的范式升级。其提出的多专家融合和rearview-mirror提示策略代表了股市预测任务中结合AI解释性和性能的有效路径,具备较高的学术和应用价值。
,1,2,3,4,5,6,7]
2403.00782.pdf