LLM财务预测：动量与评论语调影响超预期收益
原始标题 / Momentum, Commentary Tone, and Earnings Surprise in LLM Financial Forecasts
该研究通过合成财报公告，独立操控20日动量、评论语调及实际每股收益是否超出操纵后的共识预期，向六个不同规模和家族的指令/聊天检查点模型各提供2,016条提示。新在于系统识别语言模型财务预测的输入依赖，有助于理解模型输出对非基本面信息的敏感性。
01 摘要
研究构建合成财报公告，以直接回答协议测试多个语言模型对动量、评论语调、盈利超预期等输入的反应。作者报告条件答案前缀分数的匹配变化，发现语调对比幅度在多数模型中超过每股收益对比，动量对比也常超过每股收益。这些结果测量的是可观察的输入依赖和数字识别，而非内部推理机制或实际收益可预测性。
02 关键点
- 六种检查点的主每股收益对比范围从-0.19到86.80个百分点。
- 五种模型的主语调对比幅度超过每股收益对比，动量对比在五种模型中也超过每股收益。
- 自然词数值诊断准确率在51.0%到95.8%之间。
回到一手来源
阅读原文 ↗AI GENERATED SUMMARY / DISCOVERED BY ARXIV CS.CL · ARXIV CS.LG · ARXIV Q-FIN