LLMFactor: Extracting Profitable Factors through Prompts for Explainable Stock Movement Prediction

最近，由于在文本分析方面表现出色，大型语言模型（LLMs）引起了广泛关注。然而，金融行业由于依赖于时间序列数据进行复杂的预测任务，因此面临着独特的挑战。在本研究中，我们引入了一个称为LLMFactor的新框架，它采用顺序知识引导提示（SKGP）来识别影响股票走势的因素，利用LLMs。与先前依赖于关键词或情感分析的方法不同，这种方法侧重于提取与股票市场动态更直接相关的因素，为复杂的时间变化提供清晰的解释。我们的框架通过填空策略指导LLMs创建背景知识，然后从相关新闻中辨别影响股票价格的潜在因素。在背景知识和确定的因素的指导下，我们利用以文本形式呈现的历史股票价格来预测股票走势。对来自美国和中国股市的四个基准数据集的LLMFactor框架进行广泛评估，证明了它优于现有最先进方法，并且在金融时间序列预测方面非常有效。

该论文旨在解决金融领域中使用大型语言模型（LLMs）进行时间序列数据预测的问题，提出了一种基于序列知识引导提示（SKGP）的框架LLMFactor。

该框架通过LLMs创建背景知识，并从相关新闻中提取影响股票价格的因素，然后利用历史股票价格进行文本格式的预测。

该框架在四个基准数据集上进行了广泛的评估，证明了其在金融时间序列预测中的优越性和有效性。该论文的亮点包括使用SKGP直接提取与股票市场动态更相关的因素，提供了复杂时间变化的清晰解释。

在金融领域中，已有一些相关研究，例如《A Survey on Deep Learning for Financial Time-Series Prediction》和《Stock Price Prediction Using Attention-Based Multi-Input LSTM》。