基于大语言模型的社会媒体内容分析赋能股票市场预测研究

《Engineering Applications of Artificial Intelligence》：Empowered stock market forecasting using Large Language Model on social media content

本文针对股票市场高波动性和非线性动态导致的预测难题，提出了一种融合社交媒体内容与历史金融数据的两阶段预测框架。研究人员利用大语言模型（LLM）从Reddit平台的海量帖子与评论中提取情感评分和买卖指标等上下文特征，并将其与历史价格数据共同输入LSTM、TCN、Transformer和GAN等深度学习模型进行预测。在纳斯达克股票数据集上的实验表明，该框架显著提升了预测精度，RMSE和MAE分别最高提升23.27%和23.70%，为量化投资提供了新的技术路径。

　　

股票市场犹如一片波涛汹涌的海洋，其高波动性和非线性动态让无数投资者既爱又恨。传统的预测方法主要依赖历史价格、成交量等数字信号，但市场情绪、突发新闻、社交媒体热议等"软因素"同样扮演着至关重要的角色。尤其在这个信息爆炸的时代，投资者常常被淹没在海量的异构信息中——从专业的财经新闻到Reddit上散户的激情讨论，这些内容往往充满动态互动和非标准语言，使得传统分析方法难以招架。

更棘手的是，现有的专业大语言模型（如BloombergGPT）虽然擅长处理规整的财经新闻，却对社交媒体上嘈杂、随性的"民间讨论"显得有些水土不服。而且，这些"金融版"大模型大多参数规模较小（小于10亿），泛化能力有限，或者像BloombergGPT这样拥有500亿参数的"巨无霸"又不公开可用，令广大研究者望洋兴叹。如何从纷繁复杂的社交媒体中提炼出有价值的市场信号，并与传统量化模型有效结合，成为金融科技领域一个亟待突破的难题。

正是在这样的背景下，来自意大利那不勒斯"费德里科二世"大学的研究团队在《Engineering Applications of Artificial Intelligence》上发表了他们的最新成果。Giancarlo Sperlì和Marta Assunta Sichinolfi设计了一个创新的两阶段框架，巧妙地将大语言模型的分析能力与深度学习模型的预测能力相结合，为股票市场预测开辟了新路径。

关键技术方法

本研究的关键技术方法主要包括：1）从Reddit的23个金融相关版块爬取超过400万条帖子与评论数据，并与雅虎财经的NASDAQ历史股价数据整合；2）设计零样本提示策略，使用量化至4比特精度的Zephyr、LLaMA等LLM模型，依次完成文本链摘要生成、公司/股票代码提取、情感分数计算（正/中/负）和买卖信号判断四类任务；3）将提取的社交情境特征与历史金融数据组合成多元时间序列，分别输入LSTM、时序卷积网络（TCN）、Transformer和生成对抗网络（GAN）四种深度学习架构进行股价预测；4）采用均方根误差（RMSE）和平均绝对误差（MAE）作为评估指标，并与基线模型及LLM零样本预测结果进行对比。

研究结果

整体性能提升

在涵盖六年的NASDAQ数据集上，融入社交媒体情境特征的"增强版"模型普遍表现出色。其中TCN模型提升最为显著，RMSE从3.463降至2.947，MAE从2.611降至2.245。GAN模型也展现出23.27%的RMSE和23.70%的MAE提升。这表明社交上下文特征能为模型提供超越纯数字信号的市场洞察力。

个股案例深度解析

针对四只代表性股票的分析揭示了更细致的图景：特斯拉（TSLA）因其高社交讨论热度（帖子量是亚马逊的三倍），多数增强模型预测误差降低超30%；谷歌（GOOG）和富国银行（WFC）在稳定价格趋势下仍获显著提升，后者MAE改善达62%。而亚马逊（AMZN）的LSTM模型出现性能波动，凸显了社交特征非平稳性对某些模型的挑战。

特征贡献度剖析

通过消融实验发现：情感分数对特斯拉预测贡献更大，反映其股价受投资者心理判断驱动更强；买卖指标则在TCN和GAN中作用突出，说明这些能捕捉时序依赖的模型更善用此类明确信号。这为不同市场情境下的特征选择提供了实践指导。

LLM作为预测器的局限性

直接使用LLM进行零样本涨跌预测的结果不尽如人意：最佳模型LLaMA准确率仅53.7%，虽召回率较高（93.3%），但精度不足，证实单纯依赖LLM处理复杂金融时序预测仍面临重大挑战。

研究结论与展望

该研究证实了LLM从社交数据中提取情境特征以增强传统量化模型的有效性，为融合非结构化文本与数值数据提供了可复用的方法论。其价值不仅限于金融领域，框架可扩展至工业运维（如整合传感器数据与日志文本进行故障预警）等多元场景。

然而，挑战依然存在：LLM的"幻觉"问题在专业数据稀缺的金融领域尤为突出；金融市场的动态非线性和类别不平衡（涨跌约70:30）持续考验模型鲁棒性。未来工作将纳入多平台社交数据，探索基于人类反馈的强化学习（RLHF）融入领域专家知识，并拓展至其他证券市场。

这项研究犹如在数字金融的迷雾中点亮了一盏灯，不仅证明了大语言模型在挖掘"市场情绪"方面的独特价值，更展示了一种人机协同的新范式——让AI既读懂数字的冷峻，也理解人性的温度，最终为投资决策提供更立体、更敏锐的洞察。在人工智能与金融深度交融的时代，这样的探索无疑为构建更智能、更适应复杂现实环境的金融分析系统奠定了重要基石。