Enhancing Few-Shot Stock Trend Prediction with Large Language Models

股票趋势预测的目标是为了预测未来市场的走势，以便做出明智的投资决策。现有的方法主要是利用有标注数据训练监督模型来预测股票趋势。然而，人工标注可能需要大量资源，而且标注数据不容易获取。受到大型语言模型（LLMs）惊人的少样本能力的启发，我们提出在少样本环境下使用LLMs来克服标注数据的稀缺性，使预测更加可行。以往的工作通常会合并多个财经新闻来预测股票趋势，这会导致两个重大问题：（1）合并的新闻包含噪声，（2）可能超出LLMs的输入限制，导致性能下降。为了解决这些问题，我们提出了一个两步法“去噪声-投票”。具体而言，我们引入了一个“无关”的类别，为单个新闻预测股票趋势，而不是合并的新闻。然后我们使用多数投票来聚合这些预测结果。该方法具有两个优点：（1）将噪声新闻分类为无关可以消除其对最终预测结果的影响；（2）为单个新闻预测可以缓解LLMs的输入长度限制。我们的方法在标普500、CSI-100和港股预测中分别取得了66.59％、62.17％和61.17％的准确率，优于标准少样本对照组约7％、4％和4％。此外，我们提出的方法与最先进的监督方法表现相当。

使用少量标注数据进行股票趋势预测的问题。如何避免合并多个金融新闻所带来的噪声和输入长度限制对模型性能的影响？

提出一种两步方法“去噪声-投票”，引入“无关”类别，对个别新闻进行预测，然后使用多数投票进行聚合，以解决合并多个新闻所带来的问题。

论文使用了大型语言模型进行少量标注数据的股票预测，提出了一种新的两步方法，取得了不错的预测准确率。实验结果表明该方法可以解决合并多个新闻所带来的噪声和输入长度限制的问题。论文的方法在三个数据集上都表现优异，并且与监督学习方法相当。

最近的相关研究包括使用深度学习方法进行股票预测，使用金融新闻进行预测等。其中，可以参考的论文包括《Deep Learning for Stock Prediction Using Numerical and Textual Information》和《Stock Price Prediction Using News Articles Based on Sentiment Analysis and Time Series Analysis》等。