본 연구는 금융 감성 분석에서 신호 대 잡음 비율이 높은 문제에 대해 하이브리드 다단계 AI 프레임워크를 도입하여 해결합니다. 우리는 FinBERT의 고처리량 능력과 Google Gemini의 깊은 맥락적 추론을 결합하여 미국 증권거래위원회(SEC) 제출 문서와 금융 뉴스를 포함한 9,000,000개 이상의 데이터 포인트에서 실행 가능한 정보를 추출합니다. 엄격한 “데이터 퍼널” 논리를 적용하여 대규모 데이터셋에서 잡음을 걸러내고 소수의 높은 신뢰 신호를 도출해냅니다. 이 신호들은 달러 중립 롱/숏 프레임워크 내에서 S&P 500 주요 종목의 역사적으로 동적인 우주에서 실행되며, 매크로 레짐 필터와 기술적 추세 확인과 통합되어 있습니다. 16년의 검증 기간 동안, 거래 비용을 차감한 연평균 초과 수익률 51.02%를 기록했으며 샤프 비율 1.06과 소르티노 비율 2.61을 달성했습니다. 샤프와 소르티노 비율 간의 유의미한 차이는 전략의 양의 왜도(positive skewness)를 강조하며, 상승 변동성을 효과적으로 포착하는 반면 하락 위험은 제한합니다. 뉴이-웨스트 보정 t-통계량 4.01로 통계적 견고성을 확인하며, 이는 생성된 알파가 매우 유의미함을 나타냅니다. 본 연구는 대규모 언어 모델(LLMs)을 정성적 관문기로 활용하여 통계적 자연어처리와 인간과 유사한 맥락 이해 간의 격차를 효과적으로 연결하는 개념 증명을 제공합니다.
Building similarity graph...
Analyzing shared references across papers
Loading...
Johannes Stübinger
Luis Wöhner
AI
Coburg University of Applied Sciences
Building similarity graph...
Analyzing shared references across papers
Loading...
Stübinger 등(월요일)은 이 질문을 연구했습니다.
www.synapsesocial.com/papers/69df2bece4eeef8a2a6b0e86 — DOI: https://doi.org/10.3390/ai7040138