收益率16.6%！超越ChatGPT的股票预测模型来了，还能给出合理解释_大模型股票预测

股市变换莫测，任何一点风吹草动都可能影响股票的走势，面对这种不确定性，投资者们常常感到无所适从。

于是研究者们盯上了如今大火的大模型技术，试图通过高效地处理和分析海量的股市数据，挖掘出其中的隐藏规律和趋势，快速捕捉到新信息对市场的即时影响，预测未来股价的走势，为投资者提供决策支持。

例如，前不久小瑶就跟大家分享过一篇论文《碾压华尔街，GPT-4 选股收益超40%》。

今天再跟大家分享一篇近期发表在信息检索顶级会议WWW2024上的一篇论文，不仅收益率达到恐怖的16.6%，超越了ChatGPT，而且还能给出合理的决策解释！

论文标题：
Learning to Generate Explainable Stock Predictions using Self-Reflective Large Language Models

论文链接为：
https://arxiv.org/pdf/2401.18058.pdf

GPT-3.5研究测试：

https://hujiaoai.cn

GPT-4研究测试（遇到报警点击继续即可）：

https://higpt4.cn

这篇论文提出了一个“总结-解释-预测”Summarize-Explain-Predict (SEP)的框架，该框架利用了一种模型自反思思想和近端策略优化（PPO），使LLM能够自主学习如何生成可解释的股票预测。

通过自反思过程，模型学习如何解释过去的股票波动。PPO训练过程中的训练样本来自反思过程中生成的响应，无需人工标注，极大得节省了人力，增大了生成的解释质量，并进一步提高股票预测的正确性。

任务定义：可解释的股票预测

给定一只股票及其过去天的相关文本语料库，目标是为下一个交易日生成一则股票预测，其中包括了一个二进制价格变动 和一个可读的解释。

Summarize-Explain-Predict（SEP）框架

SEP框架包含三个主要组件,如下图所示：

1. 总结：从非结构化文本输入中生成事实信息的摘要；

2. 解释：通过迭代的自反思过程生成股票预测的解释并进行改进；

3. 预测：:通过微调语言模型后使用自动生成的注释样本生成基于置信度的预测。

1. 自我总结模块：从海量文本中提取关键信息

鉴于