生成式 AI 增强的基于行业的投资组合构建

于红博

摘要: 这篇论文研究了来自领先提供商（OpenAI、Google、Anthropic、DeepSeek和xAI）的大型语言模型（LLMs）如何应用于基于量化的行业组合构建。我们使用LLMs来确定标准普尔500个行业指数中可投资的股票群，并评估它们的选择与经典投资组合优化方法相结合时的表现。每个模型被要求选择并权重每个行业的20只股票，然后将得到的投资组合与各自的行业指数在两个不同的样本外期间进行比较：一个稳定的市场阶段（2025年1月至3月）和一个波动的阶段（2025年4月至6月）。 我们的结果显示了LLM投资组合表现的强烈时间依赖性。在稳定的市场条件下，LLM加权的投资组合在累积回报和风险调整（夏普比率）指标上经常胜过行业指数。然而，在波动期间，许多LLM投资组合表现不佳，表明当前模型可能难以适应制度转变或高波动率环境，这些环境在它们的训练数据中被低估。重要的是，当基于LLM的股票选择与传统优化技术相结合时，投资组合的结果在表现和一致性上都得到改善。 这项研究是对投资管理中生成式人工智能算法进行的首次多模型、跨提供商评估之一。它强调了LLMs可以通过增强股票选择和可解释性有效地补充量化金融，但它们的可靠性仍然取决于市场。研究结果强调了混合人工智能-量化框架的潜力，将LLM推理与已建立的优化技术相结合，以制定更加稳健和适应性的投资策略。

更新时间: 2025-12-31 00:19:41

领域: q-fin.PM,cs.AI,cs.CE,q-fin.CP

下载: http://arxiv.org/abs/2512.24526v1