要点总结 #
研究背景与问题：金融市场情绪对资产价格和宏观经济波动有重要影响，但传统方法难以准确测度情绪。现有研究主要依赖字典法，但该方法无法捕捉情绪与资产价格之间的非线性关系，且受限于字典质量。本文旨在通过人工智能大语言模型，结合中国金融市场的独特特征，构建更准确的情绪测度方法，并探讨其在金融市场中的应用。
方法论与贡献：本文创新性地将BERT模型应用于中文金融文本，训练了一个中文金融大语言模型，利用市场回报作为情绪标签，结合结构化市场数据和非结构化文本数据，构建了更符合金融理论的情绪测度。实证结果表明，大模型情绪变量在预测市场回报和宏观经济变量方面显著优于传统字典法，尤其是在经济下行和极端事件期间表现更为突出。本文的贡献在于提出了一个适用于中国金融市场的大语言模型，并验证了其在情绪测度和资产定价中的优越性。
关键要点 #
论文重要性 #
研究价值：本文的研究展示了人工智能大语言模型在金融领域的巨大潜力，尤其是在情绪测度和资产定价中的应用。通过结合中国金融市场的独特特征，本文提出的模型不仅提升了预测准确性，还为金融市场的风险监控和政策制定提供了新的工具。未来研究方向可以进一步探索大语言模型在其他金融文本（如政策文本、社交媒体文本）中的应用，并研究情绪与市场风险、泡沫等复杂金融现象的关系。本文的研究为‘人工智能+金融’行动提供了理论支持和技术路径，具有重要的学术和现实意义。
深度解读 #
大模型情绪 #
本文通过训练一个中文金融大语言模型，创新性地结合了结构化金融市场数据和非结构化金融文本大数据，构建了一个适用于中国金融市场的情绪测度工具。研究发现，与传统字典法相比，大模型情绪在金融市场回报预测方面表现显著更优。大模型情绪不仅能够捕捉非理性情绪对宏观经济基本面的影响，还在经济下行和极端风险事件期间表现出更强的预测能力。这一发现与金融理论中情绪对金融市场和宏观经济产生的非对称与非线性影响相契合。此外，大模型情绪在资产配置中的应用也表现出更高的收益，进一步验证了其在金融领域的广泛应用潜力。
文本情绪测度 #
本文对比了大模型情绪与传统的金融字典法情绪，发现大模型情绪在预测市场回报和宏观经济变量方面表现更为优越。传统字典法虽然直观易行，但其局限性在于难以捕捉文本中的非线性与非对称特征，且受限于字典的构建质量。相比之下，大模型情绪通过深度学习算法，能够更好地捕捉文本中的上下文信息和复杂情绪动态，尤其是在极端事件期间表现出更强的适应性。这一发现表明，深度学习模型在金融文本分析中的应用具有显著优势，能够更准确地反映市场情绪的变化。
极端事件预测 #
本文通过实证分析发现，大模型情绪在极端事件期间（如2007年股灾和2020年新冠疫情）对市场回报的预测能力显著优于传统字典法。特别是在新冠疫情期间，大模型情绪的表现尤为突出，而传统字典法由于无法及时更新词汇，表现较差。这一结果表明，大模型情绪能够更好地捕捉突发事件中的情绪变化，尤其是在市场波动剧烈时，表现出更强的预测能力。这一发现为金融市场的风险监控和政策制定提供了新的工具和思路。
资产配置应用 #
本文通过资产配置检验发现，基于大模型情绪的预测能够显著提高投资者的收益。无论是等权重还是市值加权的投资组合，大模型情绪在资产配置中的应用都表现出更高的确定性等价收益和夏普比率。相比之下，传统字典法情绪的表现则相对较弱。这一结果表明，大模型情绪不仅能够提供更准确的市场回报预测，还能在实际投资中带来更高的收益。这一发现为投资者提供了新的工具，帮助他们在复杂的市场环境中做出更优的投资决策。
未来研究方向 #
本文的研究为人工智能+金融的应用提供了新的思路，但仍有许多值得进一步探索的方向。首先，未来的研究可以将人工情绪标注与市场情绪标签相结合，进一步提升大模型的情绪捕捉能力。其次，可以探索更多类型的文本数据（如政策文本、论坛文本等）在金融市场中的应用，分析不同来源文本中情绪信息的异同。此外，还可以对比ChatGPT等其他大语言模型在金融领域的应用效果。最后，未来的研究可以进一步探讨情绪与市场风险、金融泡沫等之间的关系，为金融稳定政策的制定提供更多理论支持。
完整论文 #
