










文章来源:管理世界
文章概述
本研究将“人工智能+”行动与金融领域的深度结合,提出了一个专为中国金融市场定制的大语言模型。通过将结构化金融数据与非结构化金融文本大数据融合,研究旨在准确测量金融市场情绪,并预测资产价格风险。这一创新性模型的构建,不仅填补了当前金融市场情绪测度的空白,还为金融行业的数字化转型提供了新的技术路径。
研究问题
如何利用大语言模型更准地捕捉中国股市的非理性情绪?
结合结构化和非结构化数据,能否显著提升资产回报和宏观经济变量的预测能力?
理论突破
本文创新性地将BERT等深度学习算法与中国股市的特色相结合,构建了专门的中文金融大语言模型,突破了传统情绪测度方法的局限,尤其是在捕捉市场情绪的非线性和非对称特征方面表现突出。
这一方法能够从海量文本中提取潜在情绪信息,极大提高了情绪分析的准确度。
核心创新
通过引入大语言模型(基于BERT)的深度学习技术,提升了情绪分析的准确性,尤其在极端事件期间对市场回报的预测能力远超传统方法。
创新性地将市场回报作为情绪标签,使模型能够自我学习并优化预测结果,尤其在宏观经济变化和市场波动中展现了强大的预测能力。
研究结论
基于中文金融大语言模型构建的情绪变量,在样本内外的预测表现均优于传统的金融情绪字典法。
尤其在资产配置与市场回报预测方面,大模型情绪展现出更高的准确度。
大模型情绪在经济下行期和极端事件期间的预测效果尤为突出,精准捕捉到了情绪冲击对金融市场和宏观经济的非对称影响。
一句话总结
本文通过创新性的大语言模型,提升了中国金融市场情绪的测度能力,为金融投资和政策制定提供了更准的情绪分析工具,并为“人工智能+金融”的深度融合奠定了理论基础和实践路径。
#科研 #sci #论文 #实证分析 #股市 #情绪 #大模型 #金融 #量化 #数据分析
文章概述
本研究将“人工智能+”行动与金融领域的深度结合,提出了一个专为中国金融市场定制的大语言模型。通过将结构化金融数据与非结构化金融文本大数据融合,研究旨在准确测量金融市场情绪,并预测资产价格风险。这一创新性模型的构建,不仅填补了当前金融市场情绪测度的空白,还为金融行业的数字化转型提供了新的技术路径。
研究问题
如何利用大语言模型更准地捕捉中国股市的非理性情绪?
结合结构化和非结构化数据,能否显著提升资产回报和宏观经济变量的预测能力?
理论突破
本文创新性地将BERT等深度学习算法与中国股市的特色相结合,构建了专门的中文金融大语言模型,突破了传统情绪测度方法的局限,尤其是在捕捉市场情绪的非线性和非对称特征方面表现突出。
这一方法能够从海量文本中提取潜在情绪信息,极大提高了情绪分析的准确度。
核心创新
通过引入大语言模型(基于BERT)的深度学习技术,提升了情绪分析的准确性,尤其在极端事件期间对市场回报的预测能力远超传统方法。
创新性地将市场回报作为情绪标签,使模型能够自我学习并优化预测结果,尤其在宏观经济变化和市场波动中展现了强大的预测能力。
研究结论
基于中文金融大语言模型构建的情绪变量,在样本内外的预测表现均优于传统的金融情绪字典法。
尤其在资产配置与市场回报预测方面,大模型情绪展现出更高的准确度。
大模型情绪在经济下行期和极端事件期间的预测效果尤为突出,精准捕捉到了情绪冲击对金融市场和宏观经济的非对称影响。
一句话总结
本文通过创新性的大语言模型,提升了中国金融市场情绪的测度能力,为金融投资和政策制定提供了更准的情绪分析工具,并为“人工智能+金融”的深度融合奠定了理论基础和实践路径。
#科研 #sci #论文 #实证分析 #股市 #情绪 #大模型 #金融 #量化 #数据分析


