LLM金融预测中的动量、评论语气与盈利惊喜

arXiv:2610.22043v1 公告类型：新 Abstract：哪些输入会驱动语言模型的金融预测？我们构建了合成财报公告，分别独立改变20日动量、非信息性评论语气，以及固定实际EPS是否超过经操纵的共识预期。来自四个系列的六个指令/聊天检查点转换版本（基础参数量为0.49-7.61B）在直接回答Q8_0协议下各接收2,016个提示。该设计包含24个数值区块、六对评论、盈利与亏损、年度EPS上升与下降，以及两种惊喜幅度。每个转换版本中的A/B答案分配和U/D均覆盖全部384种主要情景。我们估计的是匹配后的条件答案前缀得分变化，而非经过校准的市场概率。在这些检查点中，主要EPS对比的范围为-0.19至86.80个百分点。在六个模型中的五个模型中，主要带符号语气对比的幅度超过EPS，而动量在五个模型中超过EPS。自然词数值诊断准确率介于51.0%和95.8%之间。答案编码、措辞、上下文和转换控制对这些结果构成限定。该实验衡量的是可观察的输入依赖性和数值识别能力；它既未确立内部推理机制，也未确立实际收益的可预测性。研究同时提供公开的基准提示、记录的得分以及交互式记录结果浏览器。