主要觀點(diǎn)： 本篇是學(xué)海拾珠系列第二百四十一篇。本文通過結(jié)合大語言模型對公司披露的定性風(fēng)險(xiǎn)因子分析與傳統(tǒng)定量預(yù)測技術(shù)，構(gòu)建了一種新型金融風(fēng)險(xiǎn)評(píng)估框架。實(shí)證表明：相較僅依賴歷史財(cái)務(wù)數(shù)據(jù)的模型，引入LLM衍生的風(fēng)險(xiǎn)評(píng)分能顯著提升特質(zhì)波動(dòng)率預(yù)測能力?；氐紸股市場，當(dāng)前大語言模型與量化策略的結(jié)合仍在探索中，而本文通過識(shí)別評(píng)估新興風(fēng)險(xiǎn)以提升波動(dòng)率預(yù)測的思路，具有重要參考價(jià)值。 運(yùn)用大語言模型度量新型風(fēng)險(xiǎn)敞口 首先，利用自動(dòng)化技術(shù)收集和預(yù)處理風(fēng)險(xiǎn)因子披露信息，包括風(fēng)險(xiǎn)因子章節(jié)的提取，文本分割與token限制管理和使用LLM進(jìn)行新型風(fēng)險(xiǎn)評(píng)分。進(jìn)一步的，基于LSTM的波動(dòng)率預(yù)測模型，將LLM衍生的風(fēng)險(xiǎn)評(píng)分與傳統(tǒng)金融指標(biāo)相結(jié)合，用以預(yù)測公司的特質(zhì)股票風(fēng)險(xiǎn)。最后，引入SHAP值度量特征重要性，其核心優(yōu)勢在于兼具局部與全局可解釋性。 引入新型風(fēng)險(xiǎn)能顯著改善模型對預(yù)測特質(zhì)波動(dòng)率的解釋力 特征方面，對比僅含傳統(tǒng)金融指標(biāo)的基礎(chǔ)模型和包含新型風(fēng)險(xiǎn)特征的模型：添加風(fēng)險(xiǎn)度量（風(fēng)險(xiǎn)變化值、平均風(fēng)險(xiǎn)、個(gè)體/行業(yè)風(fēng)險(xiǎn)比）能顯著提升R2，表明引入企業(yè)特異性新型風(fēng)險(xiǎn)數(shù)據(jù)大幅改善模型對預(yù)測特質(zhì)波動(dòng)率的解釋力?；貧w和SHAP分析共同證實(shí)，傳統(tǒng)財(cái)務(wù)指標(biāo)仍是公司特質(zhì)波動(dòng)率的關(guān)鍵驅(qū)動(dòng)因素。然而，引入新風(fēng)險(xiǎn)特征顯著提高了模型的解釋力，并重塑了某些變量的相對重要性。模型層面，LSTM架構(gòu)取得了最高的R2值（0.241），同時(shí)保持了相對較低的均方誤差（MSE，0.699）。 核心內(nèi)容摘選自Gupta S,Yan H .于2025年在Journal of Portfolio Management上的文章《Using Large Language Models to Estimate Novel Risk: Impact on Volatility》。 風(fēng)險(xiǎn)提示 文獻(xiàn)結(jié)論基于歷史數(shù)據(jù)與海外文獻(xiàn)進(jìn)行總結(jié)；不構(gòu)成任何投資建議。
