Sfruttare i modelli linguistici per le previsioni di mercato

Negli ultimi anni, i modelli di linguaggio di grandi dimensioni (LLMs) sono diventati strumenti popolari in vari settori, incluso quello finanziario. Questi modelli avanzati possono analizzare il testo e fornire informazioni basate sul sentiment. Questo studio esplora il potenziale utilizzo degli LLM per aiutare a prevedere le variazioni dei prezzi delle azioni in Cina analizzando articoli di notizie relativi a società quotate in borsa.

#Il Ruolo del Sentiment nel Trading

L'analisi del sentiment è il processo di determinazione dell'atteggiamento o del sentimento espresso in un testo. In finanza, il sentiment può influenzare notevolmente i prezzi delle azioni. Notizie positive possono portare a prezzi delle azioni più alti, mentre notizie negative possono causare cali. Valutando il sentiment negli articoli di notizie, i trader possono prendere decisioni più informate riguardo ai loro investimenti. Questa ricerca mira a capire quanto bene gli LLM possano estrarre il sentiment dai riassunti di notizie cinesi per creare strategie di trading azionario.

#La Sfida della Lingua

Usare gli LLM per l'analisi del sentiment in Cinese presenta sfide uniche. La maggior parte degli LLM è stata principalmente addestrata su testi in inglese, il che li rende meno efficaci quando applicati ad altre lingue. Il cinese ha caratteristiche e regole distintive che differiscono dall'inglese, rendendo fondamentale utilizzare modelli progettati o affinati specificamente per il testo cinese. Questa ricerca esplorerà l'efficacia di diversi LLM nell'estrarre sentiment dalle notizie finanziarie cinesi e nell'instaurare strategie di trading basate su queste intuizioni.

#Design Sperimentale

Per valutare il potenziale degli LLM nell'analisi del sentiment, è stato messo in atto un design sperimentale sistematico. La ricerca ha coinvolto vari passaggi:

1. Raccolta Dati: È stato raccolto un ampio set di articoli di notizie relativi a società cinesi quotate in borsa. Sono stati raccolti 394.429 articoli da fonti di notizie finanziarie credibili. Questi articoli sono stati filtrati per garantire che fossero pubblicati prima dell'apertura del mercato azionario, consentendo ai trader di utilizzare l'analisi del sentiment proprio prima di prendere decisioni di investimento.

2. Estrazione del Sentiment: In questo studio sono stati utilizzati tre diversi LLM: un modello di base, un modello specifico per la lingua cinese e un modello affinato per il testo finanziario. Ogni modello è stato incaricato di analizzare il sentiment negli articoli di notizie e classificarli come positivi, negativi o neutri.

3. Sviluppo della Strategia di Trading: Sulla base del sentiment estratto, sono state sviluppate strategie di trading. L'obiettivo era comprare azioni con il sentiment positivo più alto e vendere quelle con sentiment negativo. Le performance di queste strategie sono state poi testate usando simulazioni che tenevano conto delle condizioni di trading reali.

#Metodi per l'Analisi del Sentiment

#Modello di Base: ChatGPT

Il primo modello utilizzato è stato ChatGPT, un LLM ben noto con un ampio set di dati di formazione. Questo modello è stato utilizzato senza modifiche aggiuntive. Ha analizzato il sentiment degli articoli di notizie generando una risposta basata sui prompt forniti. Ogni articolo è stato classificato come avente un sentiment buono, cattivo o neutro, e sono stati assegnati valori numerici a ciascuna classificazione per ulteriori analisi.

#Modello Specifico per la Lingua Cinese: Erlangshen-RoBERTa

Il secondo modello è stato Erlangshen-RoBERTa, specificamente addestrato su testi cinesi. Questo modello tiene conto delle caratteristiche uniche della lingua cinese, mirato a fornire un'analisi del sentiment più accurata. È stato utilizzato in modo simile a ChatGPT, analizzando lo stesso set di articoli di notizie e classificandoli in base al sentiment.

#Modello Specifico per il Settore Finanziario: Chinese FinBERT

L'ultimo modello utilizzato è stato il Chinese FinBERT, progettato per l'analisi del testo finanziario. È stato ulteriormente addestrato su documenti finanziari, permettendogli di concentrarsi sulle sfumature e sul vocabolario comune nelle notizie finanziarie. Come gli altri modelli, è stato applicato agli stessi articoli di notizie per classificare il sentiment.

#Simulazione del Trading

Una volta estratti i fattori di sentiment utilizzando i tre modelli, sono state implementate le strategie di trading. La simulazione ha seguito questi passaggi chiave:

• Aggiornamenti Giornalieri del Portafoglio: I portafogli di investimento sono stati regolati quotidianamente sulla base dell'analisi del sentiment più recente, con azioni acquistate o vendute all'apertura del mercato. I fattori di sentiment sono stati utilizzati per classificare le azioni e determinare quali avrebbero dovuto essere incluse nel portafoglio per il trading.

• Condizioni di Trading Realistiche: Per simulare condizioni di trading reali, sono stati incorporati diversi fattori nella simulazione. Questo includeva il conteggio di ritardi e commissioni di transazione. È stato adottato un approccio realistico utilizzando il Prezzo Medio Ponderato per il Volume (VWAP) per le transazioni, riflettendo prezzi di mercato più realistici nel breve periodo.

• Metriche di Performance: Il successo delle strategie di trading è stato misurato utilizzando vari indicatori di performance, come i ritorni annuali, i tassi di vincita e i ritorni aggiustati per il rischio. Queste metriche hanno aiutato a valutare quanto bene ciascuna strategia abbia performato sulla base del sentiment estratto dagli articoli di notizie.

#Risultati

Dopo aver eseguito le simulazioni di trading, è stata analizzata la performance dei portafogli generati da ciascun modello di estrazione del sentiment. Le principali scoperte includono:

1. Erlangshen-RoBERTa Superiore agli Altri: Il modello specifico per la lingua cinese, Erlangshen-RoBERTa, ha mostrato le migliori performance in termini di ritorni rispetto agli altri modelli. Nonostante avesse meno parametri di alcuni concorrenti, si è dimostrato molto efficace nell'estrarre il sentiment dalle notizie finanziarie cinesi.

2. Valutazione del Sentiment Continua vs. Discreta: La differenza nelle metodologie di valutazione del sentiment ha giocato un ruolo significativo nelle performance. Erlangshen-RoBERTa ha fornito punteggi di sentiment continui, che hanno offerto maggior granularità nella differenziazione tra sentiment diversi. Questo è stato in contrapposizione alle valutazioni discrete di ChatGPT.

3. Importanza di un Dataset Ampio: La ricerca ha evidenziato che avere un dataset di addestramento più ampio sulla lingua cinese potrebbe essere più vantaggioso rispetto a concentrarsi esclusivamente su un addestramento specifico per il settore. Questo è stato evidente poiché il modello Chinese FinBERT ha sottoperformato rispetto a Erlangshen-RoBERTa, nonostante la sua specializzazione in finanza.

#Discussione

I risultati indicano che i modelli di linguaggio possono influenzare significativamente le strategie di trading tramite l'analisi del sentiment, specialmente quando sono adattati alla lingua e al contesto delle informazioni analizzate. Lo studio rivela che:

• I modelli specificamente addestrati sulla lingua cinese possono offrire una classificazione del sentiment migliorata rispetto a quelli principalmente addestrati in inglese.

• L'utilizzo di modelli che incorporano una gamma più ampia di contesti, come testi cinesi generali, potrebbe fornire risultati più solidi nelle attività di analisi del sentiment, anche in settori specializzati come la finanza.

• La valutazione continua del sentiment può migliorare il processo di selezione delle azioni, poiché consente una migliore differenziazione tra gli articoli di notizie.

#Conclusione

Questa ricerca ha esplorato il potenziale dei modelli di linguaggio di grandi dimensioni nel prevedere i movimenti delle azioni analizzando il sentiment nelle notizie finanziarie cinesi. Lo studio ha dimostrato che i diversi modelli variano in efficacia, con Erlangshen-RoBERTa che mostra prestazioni superiori per questo compito. Stabilendo un processo chiaro per l'analisi del sentiment e lo sviluppo di strategie di trading, la ricerca offre preziose intuizioni per trader e ricercatori nel campo finanziario.

I risultati sostengono lo sviluppo e l'applicazione di modelli di linguaggio che considerino le caratteristiche uniche della lingua in cui operano. Per i trader che cercano di sfruttare l'analisi del sentiment nelle loro strategie, questo studio sottolinea l'importanza di utilizzare modelli e metodologie appropriati che si allineino alle loro esigenze specifiche. Ulteriori ricerche possono continuare a perfezionare questi approcci ed esplorare le loro applicazioni in altri contesti.