>> 華泰證券-金工深度研究,LLMRouter-GRU:“輿情分診臺”賦能AI量價因子-250717
| 上傳日期: |
2025/7/18 |
大?。?/td>
| 2285KB |
| 格式: |
pdf 共23頁 |
來源: |
華泰證券 |
| 評級: |
-- |
作者: |
林曉明,何康,徐特 |
| 下載權(quán)限: |
此報告為加密報告,僅限高級會員查看 |
|
|
人工智能94:大模型情緒路由賦能AI量價,300指增表現(xiàn)優(yōu)異 本研究提出LLMRouter-GRU神經(jīng)網(wǎng)絡(luò),將大語言模型(LLM)對新聞輿情的情感分析能力引入AI量價模型,構(gòu)建“輿情分診臺”。該結(jié)構(gòu)通過對原有神經(jīng)網(wǎng)絡(luò)進行輕量級改造,基于市場情緒動態(tài)選擇稀疏專家路由,實現(xiàn)了“情緒分域,量價建?!?。實證表明,該模型能有效融合另類輿情信息與量價數(shù)據(jù),提升指數(shù)增強組合表現(xiàn)。在回測區(qū)間2022-12-30至2025-06-30內(nèi),輿情覆蓋度高的300增強年化超額提升達3.0pct,信息比率與最大回撤也有明顯改善。 LLM-News輿情因子:風(fēng)格特征清晰,Alpha屬性不強 新聞輿情是市場反饋最靈敏的另類數(shù)據(jù)源。本研究基于GLM-4-9B、Qwen2-7B、InternLM2-7B三組大模型構(gòu)建LLM-News輿情因子,通過高效提示詞設(shè)計完成海量新聞情感標(biāo)注。實驗顯示,該因子雖Alpha屬性不強,但呈現(xiàn)清晰的風(fēng)格特征。后續(xù),我們將利用其清晰可辨的風(fēng)格特征進行專家分域。此外,該因子在大市值股票池覆蓋度更高,將為后續(xù)的大市值指增策略提供更為明顯的增量信息。 LLMRouter-GRU:“情緒分域,量價建?!?br> 傳統(tǒng)MoE-GRU依賴內(nèi)生路由,由于決策依據(jù)與量價信息同源,因此相較于外生路由,其Alpha增厚的空間可能有限。本研究借鑒LLMoE思想,將預(yù)訓(xùn)練LLM作為“智能分診臺”,使用輿情因子替代內(nèi)生路由器。網(wǎng)絡(luò)的關(guān)鍵創(chuàng)新在于采用稀疏路由(Sparse Router)方案,通過情緒三分位離散化,僅激活單一專注該情緒風(fēng)格的GRU專家。相比稠密路由,此設(shè)計可顯著降低計算成本并避免過擬合風(fēng)險,且僅需對原有專家網(wǎng)絡(luò)進行輕量化改造。 “輿情分診臺”策略可提升指數(shù)增強組合表現(xiàn) LLMRouter-Sparse-GRU相比于傳統(tǒng)AI量價模型在五類指數(shù)增強場景均取得提升。在回測區(qū)間2022-12-30至2025-06-30內(nèi),相較于傳統(tǒng)GRU,在300增強與500增強場景下,模型年化超額收益分別提升3.0pct與2.2pct,最大回撤同步改善;紅利增強和成長增強則分別提升2.1pct和3.7pct;在1000增強提升稍遜,僅提升0.9pct。該策略在GRUa、GRUb兩類基座模型上均驗證有效,且稀疏路由顯著優(yōu)于稠密路由及簡單特征拼接方案。 風(fēng)險提示:大模型基于海量數(shù)據(jù)訓(xùn)練而成。人工智能挖掘市場規(guī)律是對歷史的總結(jié),市場規(guī)律在未來可能失效。神經(jīng)網(wǎng)絡(luò)存在一定的過擬合風(fēng)險。本文所采用的GLM-4-9B、Qwen2-7B、InternLM2-7B大模型訓(xùn)練截止日最晚為2024年6月底,因此樣本外回測時間稍短。本報告不涉及標(biāo)的推薦。
|
|