金融语言模型作为市场摩擦下基于新闻的交易的应用人工智能系统

金融语言模型可以将非结构化的公司特定新闻转化为结构化的决策信号，但金融人工智能研究缺乏一个集成的部署框架来评估这些信号在金融决策系统中是否仍然有用。计算机科学研究已经开发出了用于时间序列预测、文本分类、多模式股票预测、基于图形的市场建模和机器学习操作的强大方法，但这些流并没有提供特定领域的协议来在事件时间可观察性、概率校准、执行时间、交易成本、流动性约束、容量限制、操作诊断和统计推断下联合测试金融语言模型输出。我们引入了 MFAST，这是一种市场摩擦感知情绪交易框架，可将带时间戳的金融文本转换为可审计、可重复且市场可行的交易决策。该应用程序是基于新闻的交易，在评估投资组合决策之前，必须将公司特定的文本链接到证券。该框架将路孚特新闻分析与证券价格研究中心 (CRSP) 股票数据联系起来，将主要样本外评估限制为已披露的基础模型数据新鲜期之外的发布后新闻，并添加了使用开放金融文本和公共价格数据的公共复制臂。结果表明，仅解码器的语言模型在分类、校准、回报预测和净投资组合性能方面优于编码器基线和字典情绪，而操作诊断揭示了准确性、延迟、内存、吞吐量和推理成本之间的权衡。该论文表明，金融语言模型的可信评估需要一种端到端的工程方法，结合语言理解、时间规则、市场摩擦感知部署和可重复验证。