股票收益预测的忠实大语言模型叙述的推理外化

在金融领域，解释机器学习预测至关重要，但可解释的人工智能的数值输出对于非专家来说可能很难理解。虽然大语言模型 (LLM) 可以将这些输出转换为自然语言，但它们在推断数值变化和特征关系时可能会产生错误。我们提出了一个用于横截面股票收益预测的大语言模型叙述框架，该框架将时间沙普利附加解释（SHAP）证据与历史制度类似物相结合。时间证据跟踪 XGBoost 模型在六个月内标准化的全局 SHAP 重要性的变化。历史类比是指 SHAP 重要性发生类似变化的过去时期，其模型表现和随后的市场回报作为比较背景提供。使用这个框架，我们对渐进推理外化进行了受控研究，依次提供原始 SHAP 序列、确定性时间描述符和特征关系。每个生成的声明都会根据与出处相关的证据进行验证。在 Qwen3 中，外部化数字和关系推理提高了证据的可信度以及时间和关系的准确性。 Qwen3-32B-Instruct 的证据可信度从 0.696 增加到 0.996。虽然历史类比并没有提高结构化自动忠诚度，但它们获得了更高的人类评价有用性分数。这些结果表明，外化可验证的推理可以增强叙事的真实性，而历史背景则可以增加解释价值。