Large Language Model-Driven Small-Capitalization Trading: Integrating Financial News Sentiment, Macroeconomic Indicators, and Technical Signals
Di cosa parla
Si sperimenta l'uso di grandi modelli linguistici per estrarre segnali dalle notizie finanziarie e poi inserire nell'allocazione del portafoglio una misura di incertezza predetta dal modello, distinta tra variazione casuale e mancanza di conoscenza. Gli autori confrontano tre regole di selezione azionaria — movimenti specifici dell'azienda, movimenti anticipati da indicatori macroeconomici, e il caso in cui entrambi coincidono — per capire quale scelta guida i risultati.
Cosa permette di osservare
Permette di esplorare come integrare l'incertezza dei modelli linguistici nella gestione del rischio e confrontare se sia più efficace puntare su segnali aziendali o su segnali macroeconomici, oltre a quanto contino le regole di allocazione.
Dalla fonte
Large language models can extract richer signals from financial news than fixed sentiment lexicons, and recent work has explored feeding such signals into portfolio construction. We study an uncertainty-aware construction that feeds model-predicted risk -- decomposed into aleatoric and epistemic components -- directly into the covariance matrix of portfolio allocators, rather than treating portfolio risk as fixed or adjusting only expected returns. We evaluate the pipeline on Russell 2000 equities under three stock-selection regimes: a pure-alpha trigger that isolates abnormal stock moves not explained by macro indicators, a pure-beta trigger that captures macro-indicator moves before the stock itself fires, and a beta trigger in which both channels agree. Across the full holding-period grid, the separated pure-alpha and pure-beta legs usually dominate the beta intersection on Sharpe an…