将大语言模型应用于企业分析与股票投资策略的量化研究

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： 本报告探讨了利用大语言模型（LLM，具体为 GPT-5.5）对日本市场（TOPIX 1000/500）进行企业财务预测和股票选股的策略可行性。研究发现，尽管 LLM 的预测准确率整体低于市场一致预期（Consensus），但在经过风险中性化处理后，基于 LLM 预测增长率的选股策略能产生显著的超额收益。

核心观点：
LLM 能够从历史财务数据和 MD&A（管理层讨论与分析）文本中提取出与现有预测互补的增量信息。尤其在收入增长预测方面，其选股效应在某些维度上超过了一致预期。

论据支撑：

  1. 回测表现：在 TOPIX 500 样本库中，基于中性化 LLM 综合增长率预测的五分位数组合实现了约 3.3% 的年化超额收益。
  2. 预测特征：LLM 的收入预测与过去趋势呈正相关，而利润预测则倾向于均值回归且较为保守。
  3. 案例验证：通过对 Rorze (6323) 等公司的分析，证明模型能结合宏观指标和文本信息对盈利驱动因素进行定性与定量评估。

局限性/风险：

  1. 前瞻偏差：LLM 训练数据可能导致前瞻偏差，需通过严格的去标识化处理来降低。
  2. 预测精度：模型在利润增长的召回率较低，且利润下降信号的精确度不足，存在过度保守的倾向。
  3. 推理深度：单轮推理可能无法充分捕捉财务指标间的复杂关联，需进一步优化多代理（Multi-agent）协作流程。