Integrating LLM-Generated Views into Mean-Variance Optimization Using the Black-Litterman Model

投资组合优化面临着传统均值-方差模型对输入参数敏感性的挑战。Black-Litterman模型通过整合投资者的观点缓解了这一问题，但如何定义这些观点仍然具有难度。本研究探讨了在Black-Litterman框架下，将大型语言模型（LLMs）生成的观点融入投资组合优化的方法。我们的方法利用LLMs从历史价格和公司元数据中估计股票的预期收益，并通过预测结果的方差来反映不确定性。我们对基于LLM优化的投资组合进行了回测，时间范围为2024年6月至2025年2月，每两周重新平衡一次，使用前两周的价格数据进行调整。作为基准，我们将结果与标准普尔500指数、等权重投资组合以及使用相同股票集的传统均值-方差优化投资组合进行了比较。实证结果显示，不同的LLMs表现出不同程度的预测乐观性和置信稳定性，这对投资组合的表现产生了影响。源代码和数据可在以下地址获取：https://github.com/youngandbin/LLM-MVO-BLM。

本论文试图解决传统均值-方差模型在投资组合优化中对输入参数敏感的问题，尤其是如何更有效地定义投资者观点。通过引入大型语言模型（LLM）生成的预期收益观点，论文探索了在Black-Litterman框架下优化投资组合的新方法。这是一个具有创新性的尝试，结合了自然语言处理和金融投资组合优化领域。

关键思路是利用LLM从历史价格数据和公司元数据中提取股票的预期收益率，并将这些预测转化为Black-Litterman模型中的投资者观点。同时，通过量化LLM预测的不确定性来调整观点的置信度。这种方法的创新点在于首次将LLM的预测能力与金融模型结合，从而缓解了传统模型对输入参数过于敏感的问题。

实验设计包括从2024年6月到2025年2月的回测，使用双周再平衡策略，并基于前两周的价格数据进行预测。论文还对比了S&P 500指数、等权重投资组合以及传统的均值-方差优化投资组合的表现。结果表明不同LLM表现出不同的乐观性和置信稳定性，这对投资组合性能有显著影响。此外，作者开源了代码和数据，方便后续研究者复现和改进。值得深入研究的方向包括进一步优化LLM预测的准确性和稳定性，以及探索其他类型的金融数据源。

相关研究包括：1) Black-Litterman模型的经典应用及其扩展；2) 使用机器学习方法（如神经网络或强化学习）进行资产定价和投资组合优化的研究；3) 将自然语言处理技术应用于金融市场分析的工作。例如，《Machine Learning in Asset Management: A Review》探讨了机器学习在资产管理中的广泛应用；《Natural Language Processing for Financial Markets: A Survey》综述了NLP技术在金融市场的多种用途；《Deep Learning for Portfolio Optimization》讨论了深度学习在优化投资组合中的潜力。