ECC Analyzer: Extract Trading Signal from Earnings Conference Calls using Large Language Model for Stock Performance Prediction

在金融分析领域，利用非结构化数据（如财报电话会议记录）来预测股票表现是一个重要的挑战，吸引了学者和投资者的关注。虽然以前的研究使用基于深度学习的模型来获取财报电话会议的概览，但它们经常无法捕捉到详细的、复杂的信息。我们的研究引入了一个新的框架：ECC Analyzer，结合大型语言模型（LLMs）和多模态技术，提取更丰富、更具预测性的见解。该模型首先总结了记录的结构，并通过检测音频的音调和音高的变化，分析发言人的模式和信心水平。这种分析有助于投资者形成对财报电话会议的概览认识。此外，该模型使用基于Retrieval-Augmented Generation（RAG）的方法，从专家的角度精细地提取对股票表现有重大影响的焦点，提供更有针对性的分析。该模型进一步通过增加情感和音频片段特征等附加分析层来丰富这些提取的焦点。通过整合这些见解，ECC Analyzer执行多任务预测股票表现，包括不同时间间隔的波动率、风险价值和回报。结果表明，我们的模型优于传统的分析基准，证实了在金融分析中使用先进的LLM技术的有效性。

本论文旨在解决利用未结构化数据进行股票预测的问题，尤其是利用收益电话会议（ECCs）进行预测时缺乏详细、复杂信息的挑战。

本论文提出了一种新的框架——ECC Analyzer，结合大型语言模型（LLMs）和多模态技术，从专家角度提取焦点，并通过情感和音频片段特征等多层分析，进行多任务预测，包括不同时间间隔的波动率、风险价值和回报。

本研究使用检索增强生成（RAG）方法提取焦点，使用音频分析来分析发言者的语气和信心水平，使用情感和音频片段特征等多层分析来丰富提取的焦点。实验结果表明，ECC Analyzer模型优于传统分析基准。

最近的相关研究包括利用深度学习模型获取ECCs的一般视图，但往往无法捕捉详细、复杂的信息。