【WWW2024】使用自反射大型语言模型学习生成可解释的股票预测

解释股票预测通常是传统非生成式深度学习模型的一项艰难任务，在这些模型中，解释仅限于在重要文本上可视化注意力权重。如今，大型语言模型（LLMs）提供了解决这一问题的方法，鉴于它们已知的能力在于为其决策过程生成人类可读的解释。然而，股票预测的任务对LLMs来说仍然充满挑战，因为它需要能力去权衡混乱社会文本对股价的各种影响。随着解释组件的引入，这个问题变得更加困难，这要求LLMs口头解释为什么某些因素比其他因素更重要。另一方面，为了对LLMs进行微调以适应这样的任务，需要在训练集中对每次股票运动的解释有专家注释的样本，这既昂贵又难以扩展。

为了解决这些问题，我们提出了我们的摘要-解释-预测（SEP）框架，它利用了一个口头自我反思代理和近端策略优化（PPO），允许LLM自学如何生成可解释的股票预测，以一种完全自主的方式。反思代理通过自我推理过程学习如何解释过去的股票运动，而PPO训练器训练模型在测试时根据输入文本生成最可能的解释。PPO训练器的训练样本也是在反思过程中生成的响应，这消除了对人类注释者的需求。使用我们的SEP框架，我们对一种专门的LLM进行了微调，它在预测准确性和马修斯相关系数上都超过了传统的深度学习和LLM方法，用于股票分类任务。为了证明我们框架的泛化能力，我们进一步在投资组合构建任务上测试它，并通过各种投资组合指标展示其有效性。