Structured Event Representation and Stock Return Predictability
创建于 更新于
摘要
本文提出以大语言模型（LLM）提取的结构化事件表示（SER）作为可解释输入，并通过事件-股票交互的注意力网络预测截面股收益，显著优于情感与嵌入基线模型 [page::0][page::2]. 基于301,409条日观测与6,157,014条事件的滚动OOS评估，长短组合在日频实现年化10.93%与Sharpe 0.78（周频年化5.23%，Sharpe 0.63），并产生显著的五因子α，表明超额收益并非风险因子所致 [page::25][page::27]. 报告同时展示基于梯度归因的事件/实体层面可解释性分析与实体驱动的股票共动性检验，证明高重要性实体对应更强的信息传播与共动效应 [page::28][page::46].
