Event-Aware Sentiment Factors from LLM-Augmented Financial Tweets: A Transparent Framework for Interpretable Quant Trading
创建于 更新于
摘要
本报告提出了基于大型语言模型（LLM）对金融相关推文进行多标签事件分类的新型量化因子构建框架，实现了从非结构化社交媒体文本到结构化、可解释的事件情绪因子的转化。实证结果显示，特定事件标签（如“谣言/猜测”、“零售投资者热潮”等）在1至7日持有期内显著获得负Alpha，夏普比率最低至-0.38，信息系数超过0.05，证明了这些因子与市场风险的正交性及其独立的预测能力[page::0][page::1][page::2][page::3][page::4][page::5]。基于比较分析，词典驱动的情绪策略亦表现稳健，年化收益率达8%，夏普比率高达5.0，最大回撤控制在-15.2%以内[page::3][page::4]。研究坚守开源共享原则，促进算法交易研究的透明和复制，验证了LLM赋能的主题驱动因子在量化投资中的应用价值[page::0][page::4]。
