将大型语言模型应用于企业分析和股票投资策略研究

机构研报 数据与宏观 / 策略观点笔记
🔒
登录解锁完整投研深度报告与行情联动： 免费查阅完整机构研报原件、音频转写、五维画像模型与异动监控
立即登录 / 免费注册 ➔

📰 研报摘要

查看全文 ➔

摘要： 本报告探讨了将大语言模型（LLM，具体为 GPT-5.5）应用于日本企业分析和股票投资策略的可行性。研究通过对 TOPIX 1000 成分股进行财务数据和 MD&A 文本的分析，评估了 LLM 在盈利预测和股票筛选方面的能力。结果表明，虽然 LLM 的预测精度低于市场共识，但在经过风险中性化处理后，基于 LLM 预测的高增长股票能够产生显著的超额收益。

核心观点：
LLM 可以作为量化投资的补充工具。尽管其短期预测准确率不足，但它能够从历史趋势和非结构化文本中捕捉到与市场共识不同的长期盈利趋势信息，在经过适当的偏差处理和中性化后，具有实际的选股价值。

论据支撑：

  1. 选股效果：在 TOPIX 500 样本中，使用风险中性化后的 LLM 复合增长率预测，其五分位数价差的年化收益率约为 3.3%。
  2. 预测特性：LLM 在收入增长预测上的选股效果优于共识预测，表明其能更好地提取长期盈利趋势；而利润预测则倾向于保守，具有较高的利润下降预测召回率但精确度较低。
  3. 偏差控制：通过对输入数据（如 MD&A 文本）进行脱敏处理（去除公司名、日期、客户名）并严格限制 LLM 仅使用输入数据，有效缓解了训练数据的前瞻偏差。

局限性/风险：

  1. 精度不足：LLM 在收入、营业利润和经常利润的预测准确率均低于共识预测。
  2. 推理深度有限：目前的单轮推理过程可能无法充分考虑财务指标间的复杂关系。
  3. 模型偏差：模型在预测利润时表现出明显的保守倾向，且易受历史数据倾斜的影响。