Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach

要約

投資家にとって、決算報告後の正確な株式市場予測は非常に重要です。
従来の手法、特に古典的な機械学習モデルは、収益レポートに含まれる広範なテキストデータを効果的に処理して解釈することができず、市場の動きに影響を与える微妙なニュアンスを見落とすことが多いため、これらの予測に苦労しています。
このペーパーでは、命令ベースの技術と量子化低ランク適応 (QLoRA) 圧縮の新しい組み合わせで微調整されたラージ言語モデル (LLM) 命令を採用することによる高度なアプローチを紹介します。
当社の方法論では、財務指標の成長や収益記録などの「基本要因」と、最近の市場指数のパフォーマンスやアナリストの評価などの「外部要因」を統合して、豊富な教師付きデータセットを作成します。
この包括的なデータセットにより、当社のモデルは精度、重み付け F1、マシューズ相関係数 (MCC) の点で優れた予測パフォーマンスを達成できます。これは、GPT-4 などのベンチマークとの比較で特に顕著です。
特に、ベースライン モデルに比べて大幅な改善が見られる llama-3-8b-Instruct-4bit モデルの有効性を強調します。
この文書では、さまざまな投資スタイルと時間枠に対応することを目的として、「ホールド」オプションを含めて出力機能を拡張し、予測期間を延長する可能性についても説明しています。
この研究は、最先端の AI と微調整された財務データの統合の力を実証するだけでなく、AI 主導の財務分析ツールを強化する将来の研究への道を開くものでもあります。

要約(オリジナル)

Accurate stock market predictions following earnings reports are crucial for investors. Traditional methods, particularly classical machine learning models, struggle with these predictions because they cannot effectively process and interpret extensive textual data contained in earnings reports and often overlook nuances that influence market movements. This paper introduces an advanced approach by employing Large Language Models (LLMs) instruction fine-tuned with a novel combination of instruction-based techniques and quantized low-rank adaptation (QLoRA) compression. Our methodology integrates ‘base factors’, such as financial metric growth and earnings transcripts, with ‘external factors’, including recent market indices performances and analyst grades, to create a rich, supervised dataset. This comprehensive dataset enables our models to achieve superior predictive performance in terms of accuracy, weighted F1, and Matthews correlation coefficient (MCC), especially evident in the comparison with benchmarks such as GPT-4. We specifically highlight the efficacy of the llama-3-8b-Instruct-4bit model, which showcases significant improvements over baseline models. The paper also discusses the potential of expanding the output capabilities to include a ‘Hold’ option and extending the prediction horizon, aiming to accommodate various investment styles and time frames. This study not only demonstrates the power of integrating cutting-edge AI with fine-tuned financial data but also paves the way for future research in enhancing AI-driven financial analysis tools.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google