LLM结合传统定量指标构建新型风险评分体系 [page::1][page::2]

• 利用Llama3.1:8b模型自动分析公司10-K和10-Q风险因子章节，生成ESG风险、地缘政治风险和供应链中断风险评分。

- 文本分割管理token限制，累积近10万条片段风险评分，实现跨年份大规模样本覆盖。

量化特质波动率及数据组织方法 [page::3][page::4][page::5]

• 采用Engle等2021提出的季度分解方法，将股票回报拆解为市场和特质成分，计算季度特质方差（波动率）。

- 融合杠杆率、市值、ROA、EPS等传统因子，通过滑动窗口整合连续4季度数据，训练LSTM预测下一季度特质波动率。

• 数据分训练、验证、测试集，确保模型时序完整性和防止前瞻偏差。

LSTM模型架构与超参数调优 [page::5][page::6]

• LSTM输入形状(batchsize,4,featuredim)，层数、隐藏单元数、Dropout和学习率通过网格搜索优化。

- 训练采用均方误差（MSE）损失函数，结合早停策略避免过拟合。

LLM衍生风险评分时间序列趋势 [page::6][page::7]

• 2016-2024年ESG风险水平整体上升，受巴黎协定、排放门等事件推动。

- 地缘政治风险持续提升，受英国脱欧、美中贸易摩擦、俄乌冲突等影响。

• 供应链中断风险大幅跃升，尤其2020-2021年疫情影响明显，后续持续高位波动。

- 评分有效捕捉到重大事件对企业风险感知的影响。

预测性能提升及模型对比 [page::7][page::8][page::10]

| 模型 | 最优LSTM层数 | 隐藏单元数 | Dropout率 | 学习率 | MSE | R² |
|--------------|--------------|------------|-----------|---------|--------|-------|
| 无风险评分 | 2 | 32 | 0 | 0.001 | 0.699 | 0.241 |
| 加入平均风险 | 2 | 32 | 0 | 0.0005 | 0.673 | 0.264 |

• LSTM优于ANN(R²=0.206)和XGBoost(R²=0.225)，表现出对时间序列依赖的更好建模能力。

- 纳入LLM衍生的风险评分后，模型MSE降低，R²提升，证实风险评分有效增强预测能力。

特征重要性及回归分析解读 [page::8][page::9]

| 特征 | 基础模型(无固定效应) | 含风险评分(含固定效应) | 显著性说明 |
|-----------------|---------------------|-----------------------|---------------------------------|
| Beta | -0.1392 | -0.0652 | 负系数，说明高Beta不代表高特质波动 |
| 空头净额 | 0.3314 | 0.2863 | 正向影响，空头增加波动性 |
| ROA | 0.0199 (不显著) | -0.0293 | 盈利能力强波动性更低 |
| 杠杆率 | 0.0058 (不显著) | 0.0110 | 杠杆率正向影响波动性 |
| 市值 | -0.0024 (不显著) | 0.0675 | 大市值有抑制或增强作用 |
| 机构持仓 | -0.3690 | -0.1205 | 增持机构降低波动率 |
| EPS | -0.2944 | -0.2757 | 盈利稳定性负相关波动 |
| 风险变化 | — | -0.0452 | 风险变化负相关，风险预测被市场吸收 |
| 平均风险评分 | — | 0.1844 | 新型风险正相关波动率 |
| 个体/行业风险比 | — | -0.1322 | 相对行业高风险但稳健管理降低波动 |

• SHAP分析显示“新风险”特征对预测贡献最大，与回归结果高度一致。

- 新风险评分提升了模型对波动率的解释能力，也调整了传统指标的相对重要性。

结论与展望 [page::10][page::11]

• 结合LLM和LSTM构建的新型风险评估框架显著提升了特质波动率预测精准度。

- 新型风险因子（ESG、地缘政治、供应链）对市场波动贡献突出，具有操作性参考价值。

• 该研究为金融风险管理引入AI技术开辟新路径，推动定性风险度量与量化模型融合。

- 未来方向包括扩展风险因子维度、细化数据粒度及实现实时风险监测。

华安金工：基于大语言模型的新型风险评估与波动率预测——深度分析报告解构

---

1. 元数据与概览

• 报告标题：《基于大语言模型的新型风险评估与波动率预测——“学海拾珠”系列之二百四十一》

- 作者及发布机构：华安证券金工团队，金工严选，2025年7月18日发布，上海

• 研究主题：本报告聚焦于金融风险评估领域，特别针对结合大语言模型（LLM）与传统定量技术，提升公司特质波动率（idiosyncratic volatility）预测精度的创新框架。

- 核心论点与目标：
- 利用LLM自动提取公司披露的非结构化风险因子，特别是新型风险（ESG风险、地缘政治风险、供应链中断等），形成量化风险评分。
- 将该风险评分与传统财务指标相结合，应用长短期记忆网络（LSTM）实现特质波动率预测。
- 证明引入LLM衍生的风险评分显著提升模型解释力及预测精度（R²由单纯财务指标提升至0.241-0.264）。
- 提供理论创新与实务指引，具备推动风险管理转型的潜力。

• 评级与投资建议：报告为学术及方法论探索，不构成具体投资建议，强调风险提示来自历史数据和海外文献总结[page::0]。

---

2. 深度章节解读

2.1 前言与文献背景

• 报告开篇通过回顾传统风险评估模型的不足（侧重信用、市场、操作风险），强调现代金融环境中的新型风险复杂多变且具有“肥尾”分布特征，罕见灾难性事件频发。

- 学术引用（Bremmer和Keat 2009等）强调ESG风险、地缘政治和供应链中断成为市场波动核心驱动。

• LLM技术在非结构化文本分析领域的近期突破，为提取定性风险因子提供了工具。引用2023-2024年多篇前沿学术文章，肯定了LLM在财报电话会议、投资者演示中的实际运用潜力。

- 本文构建整合框架，利用Llama3.1:8b模型对公司10-K/10-Q文件中风险章节自动量化，映射风险严重性至0-5评分[page::1-2]。

2.2 方法论与数据处理

• 数据侧重标普500成分股，2015-2024年共计18,447份备案文件，专注于风险因子章节。

- 针对LLM输入令牌限制，对文本进行分割成不超过10,000 token的片段，确保信息完整且模型输入合规。

• 针对三类新型风险，设计定制提示词，经单片段风险评分后，基于公司-季度维度进行聚合（超过15,993个评分）。

- 采用Q4年度风险评分替代缺失的季报披露，维持风险评分时间序列连续性和稳定性。

• 传统金融指标包括杠杆率、市值、五年贝塔、ROA、EPS、空头净额及机构持仓等，均来自权威数据库（Compustat、Capital IQ、Bloomberg），并同步对齐至季度。

- LSTM模型以连续4季指标为输入，预测下一季特质波动率，使用滑动窗口捕捉时间依赖，参数通过网格搜索优化，训练采用早停避免过拟合。

• 采用SHAP（SHapley Additive exPlanations）值进行特征重要性分析，结合公司和时间固定效应的线性回归揭示输入特征与目标变量间关系，保证解释力与稳健性[page::2-6]。

2.3 LLM模型及新风险评分机制深解

• 利用Transformer架构优势，LLM并行处理长文本，捕捉长距离语义依赖，鲁棒性远超传统RNN。

- 自注意力机制精准定位风险相关关键词及上下文，识别新风险领域如“网络物理攻击”、“AI驱动虚假信息”等细微表述，显著提高风险捕捉效率及范围。

• 微调通过专门构造的风险因子文本集合，进一步适配风险识别任务。

- LLM的丰富通用知识可融合专业术语与常用表达，弥补行业模型的狭窄视野。

• 通过自动提取和量化风险，打通了非结构化定性文本与结构化预测模型的衔接，填补传统财务数据难解的新兴风险缺口[page::3-4]。

2.4 特质波动率测度与构建样本

• 利用Engle等（2021）提出的特质波动率分解框架，将股票季度收益方差拆分为市场驱动成分与公司特质成分。

- 通过实际股价数据计算季度特质收益方差，确保了独立于市场整体风险的细粒度波动率指标。

• 数据经过标准化处理，按时间划分训练（70%）、验证（15%）、测试（15%），避免未来信息泄露。

- 滑动窗口模式让每个样本涵盖连续4季，提升序列依赖性建模效果[page::4-5]。

2.5 LSTM模型架构与训练

• 输入层接受4个季度、含传统与新型风险特征的多维数据。

- 两层LSTM隐含层，每层32单元，无Dropout，分别调整学习率（0.001~0.0005）。

• 输出层为全连接层，映射至单一波动率预测值。

- 调优采用网格搜索及早停策略。

• 损失函数为均方误差（MSE），性能以MSE和决定系数（R²）评估。

- 该架构克服传统RNN梯度消失，优于非时间序列模型，深度捕捉数据时序依赖性[page::5-6]。

2.6 结果及模型表现

• 风险评分时间趋势（图表4）：

- ESG风险：2016年平稳后受《巴黎协定》、排放门事件、疫情及社会运动推动上涨，持续高位震荡。
- 地缘政治风险：从2016年英国脱欧起至中美贸易战、俄乌冲突，呈多阶段上涨，体现“持续波动”新常态。
- 供应链中断风险：贸易紧张、疫情、原材料短缺事件循环叠加，风险指数持续攀升。
- LLM风险评分成功捕捉到各类主流影响事件的节奏和强度，验证处理数据质量和模型能力[page::6-7]。

• LSTM预测性能（图表5）：

- 添加平均风险评分后，MSE由0.699降至0.673，R²由0.241提升至0.264，显著提升预测准确性。
- 超参数配置保持稳定，仅学习率调整，显示风险评分提供增量价值[page::7-8]。

• 回归分析（图表6-7）：

- 基础模型与包含风险评分模型均显示，空头净额正向显著，贝塔为负，ROA与EPS负相关，体现盈利与规模对波动抑制效果。
- 新增风险特征变量（风险变化值、平均风险、个体风险与行业比）显著提升模型解释度。
- 风险变化项负系数表明，风险预警及时管理减少了波动，符合风险管理逻辑。
- SHAP分析同样确认“新风险”特征为最重要变量，支持回归结论，且体现了特征间复杂交互[page::8-9]。

• 模型对比（图表8）：

- LSTM在波动率预测中的R²（0.241）优于ANN（0.206）与XGBoost（0.225），显示其对序列数据建模优势。
- 尽管XGBoost在绝对误差（MSE=0.374）表现较优，但解释度不及LSTM。
- 这一发现强调捕捉时间依赖对于金融风险预测极为重要[page::9-10]。

---

3. 图表深度解读

图表1：文章框架导图

• 清晰展示了研究围绕“前人文献”、“方法论”及“实证结论”三大模块，贯穿风险因子收集、LLM风险评分、基于LSTM的波动率预测与SHAP特征分析。

- 框架结构严密，符合跨学科融合技术特征，形成从理论到实践的完整路径图[page::1]。

图表3：描述性统计

• 样本量超过13,000，覆盖广泛财务和风险变量。

- 特质波动率均值约1.5%，偏度和峰度较大，符合“肥尾”特性。

• 风险评分平均值显示ESG风险最高（均值2.26），其次供应链与地缘政治风险。

- 传统变量统计显示杠杆率和市值等分布具长尾特性，反映异质性企业特征[page::5]。

图表4：风险评分时间趋势图

• 通过多图并举方式展现三类风险的趋势和极端风险企业的区别。

- 风险评分精准反映历史重大事件影响及趋势演变，验证LLM评分的现实吻合度。

• 前10%与后10%供应链风险评分的显著差异强化模型区分企业风险能力[page::7]。

图表5、6、7：模型参数、回归与SHAP分析

• 5表直观显示超参数调优结果和模型性能提升。

- 6表回归系数详解各变量关系，含统计显著性数据，辅助理解财务与风险变量功能机理。

• 7图用可视化点图呈现SHAP值，强调“新风险”变量对模型输出的强烈推动作用，视觉表现力强。

- 这套组合图表有效加深了对模型底层行为的洞察[page::8-9]。

图表8：模型比较表

• 直接对比LSTM、ANN及XGBoost三个模型的超参数与预测结果，突出LSTM对时间序列数据的优势。

- 说明虽XGBoost在绝对误差上表现优，但因缺乏时间依赖建模，解释波动率的能力较弱。

• 图表增强了方法论选择的逻辑说服力[page::10]。

---

4. 估值分析

本报告为量化预测研究，未涉及传统市场估值方法（如DCF、市盈率等），侧重风险预测框架构建。因此无估值部分。

---

5. 风险因素评估

• 本报告明确指出研究基于历史数据及海外文献，不构成投资建议。

- LLM模型令牌限制、新型风险映射的复杂性及细粒度数据需求，构成未来研究限制。

• 研究未直接探讨模型过拟合以外的极端市场事件对预测稳定性的影响，留待后续拓展。

- 报告强调风险管理中“新型风险”识别的重要性，同时表明此类风险度量尚处于探索阶段，相关估计仍有不确定性。

• 文中未详细披露对策略调整或风险缓释的具体建议，侧重于技术与理论层面风险识别[page::0,10,11]。

---

6. 批判性视角与细微差别

• 报告基于美国市场的标普500公司样本，LLM模型训练及微调数据同属于特定语言文化环境，对其他市场及非英语公司披露文本的适用性未明确。

- 尽管采用了多种稳健检验，风险评分本质仍依赖于披露文本的完整性及透明度，隐性风险及信息披露不足可能影响评分准确。

• LSTM模型尽管表现优异，但MSE与R²指标显示预测仍有改进空间，尤其面对极端波动事件时表现未知。

- 报告提及“风险变化”负相关系数被解释为积极风险管理后市场波动降低，但此逻辑假设投资者反应及时且信息有效传递，现实中可能存在滞后或异质性反应。

• 文中表述和方法基于“LLM优于传统方法”但对于LLM可能产生的偏差与误判细节未深究，若风险表述夸大或轻描淡写，评分及预测均受影响，需谨慎解读[page::8,9]。

---

7. 结论性综合

本报告《基于大语言模型的新型风险评估与波动率预测——“学海拾珠”系列之二百四十一》基于最新LLM技术和先进时间序列神经网络，创新性地构建了融合定性文本分析与结构化财务数据的新型金融风险预测框架。通过对美国标普500上市公司2015-2024年间海量财报风险披露文本的自动化提取与量化，报告形成三类新兴风险（ESG、地缘政治、供应链中断）风险评分，并结合传统财务指标输入LSTM进行特质波动率预测，实现了预测性能和解释力的显著提升。

报告中视觉表现力强的图表清晰呈现：

• 多年风险评分趋势与重大市场事件吻合，凸显模型的实际捕捉能力；

- LSTM模型超参数调优与对比结果体现其对序列特质波动率预测的优势；

• 线性回归与SHAP特征贡献分析揭示LLM风险评分的重要补充作用，且风险水平与波动率呈正相关，由此彰显新型风险驱动的金融不确定性；

- 结合传统盈利与流动性指标稳健性检验，提升研究可信度。

研究提出的前沿框架弥合传统定量风险度量与现代定性信息之间的鸿沟，不仅丰富了金融风险评估理论，也为实际投资者、风险管理者及政策制定者提供了有力工具，助力更全面监测和预警现代市场日益增加的复杂风险因素。

尽管存在LLM模型输入限制、新风险映射复杂度及样本范围限制等不足，报告为理解和驾驭现代金融复杂性贡献了具有示范意义的实证证据和技术蓝图。

总体而言，华安证券金工团队通过严谨方法论和实证分析，成功展示了人工智能赋能金融风险管理的创新潜力，其研究成果将促进未来风险预测模型及投资决策方法的持续升级[page::0-11]。

---

附：图表摘录示例

• 图表4：多维风险评分时间趋势

• 图表7：SHAP值特征贡献

---

总体语言与专业风格

本文遵循华安证券金工研究团队严谨、专业的数据驱动分析框架。解读客观、结构系统，充分兼顾技术细节和实际意义，避免任何未基于报告内容的主观臆断，确保信息权威可靠。

报告