When News Gets Old: Portfolio Allocation with Reinforcement Learning and Large Language Models
创建于 更新于
摘要
本文研究金融新闻信号随时间老化后的组合配置问题，比较保留信号并向强化学习策略提供时效信息，与新闻超过八周后直接过滤两种处理方式。基于固定大语言模型从美国证券交易委员会定期披露中提取正面、中性或负面信号，并在2023—2025年十只美股的周频回测中评估。结果显示，强化学习能够响应新闻年龄变化，但加入时效信息并未稳定提升历史净收益；大语言模型组合策略在四周新闻延迟下过滤旧信号表现最佳，年化净收益达到18.43%，高于使用新闻的强化学习策略。[page::0][page::1][page::2][page::3]
