《The Journal of Finance and Data Science》：Empirical Asset Pricing via Large Language Models
编辑推荐：
：
本研究将大语言模型（Large Language Model, LLM）替换为Gu–Kelly–Xiu（GKX）设计的大市值近似框架中的预测函数。零样本LLM在样本外及训练截止日期后均能恢复收益可预测性。从机制上看，LLM本质上是一种重度收缩的、静态的、依
：
本研究将大语言模型（Large Language Model, LLM）替换为Gu–Kelly–Xiu（GKX）设计的大市值近似框架中的预测函数。零样本LLM在样本外及训练截止日期后均能恢复收益可预测性。从机制上看，LLM本质上是一种重度收缩的、静态的、依赖体制的因子倾斜。上下文演示（in-context demonstrations）破坏校准而非改善方向性。一项内置阳性对照的记忆审计发现，该技能并非源于记忆回放。
论文解读文章：
一、研究背景与问题提出
资产定价领域长期关注如何从公司特征横截面中估计预期股票收益。Gu、Kelly和Xiu（2020，以下简称GKX）将预期收益估计重构为机器学习问题：固定公司特征面板，通过不同灵活度的模型类别估计单一预测函数，并发现灵活非线性方法（树模型与神经网络）表现最优。本研究将这一框架中的估计器替换为大语言模型，在近似而非复刻GKX数据的设定下展开：以标普500大市值股票为样本，使用17个基于价格与成交量的特征，而非GKX的包含微盘股的CRSP全市场94个特征。每月将整个股票横截面（每只股票一行特征，横截面排序至[?1,1]区间并去除代码与日期）呈现给十个大语言模型，读取每只股票预测的下月超额收益。
研究动机源于两大问题。第一是识别问题：现代LLM的训练语料包含已实现收益、价格历史、分析师评论及异常文献，在训练截止日期前的样本内，真实预测技能与记忆回放在观测上等价，因此“LLM预测横截面”的原始论断不可证伪。第二是可移植性问题：竞赛获胜者脆弱且缺乏信息量，而关于“模型隐式实现了何种估计器”以及成功或失败原因的论断则可移植、可证伪。因此，研究人员将LLM作为测量对象，而非进行竞赛式比较。
二、研究设计与核心问题
研究构建了使LLM成为可测量对象的实验设计：一个2×2的{命名,匿名}特征标签与{零样本,上下文演示}的交叉设计，外加两个探针：置换标签与去匿名化代码加日期。研究在跨越三个数量级能力的十个模型上运行，包括同族Claude能力阶梯（Haiku→Opus-4.8→Opus-5），使“结果是否需要规模”本身成为可测量量。研究在相同样本上估计标准机器学习模型作为同样本基准，并采用该领域标准指标评估：样本外R2、横截面Diebold–Mariano检验、模型置信集（Model Confidence Set）、十分位多空夏普比率，以及水平不变的秩信息系数（rank-IC）。
五个问题组织分析：恢复性（LLM能否在样本外及训练截止后恢复横截面可预测性）、一致性（是否依赖文献中占主导的信号，即价格趋势、流动性与波动率）、排名（相对机器学习基准的位置）、记忆化（技能是否被前瞻或回放混淆）、机制（LLM隐式实现何种估计器）。
三、主要技术方法
研究人员采用GKX的预测问题设定：目标为股票i在t+1月的已实现超额收益，估计跨所有股票和月份共享的单一函数g*，其中z为t月末已知的特征向量。预处理遵循该文献的横截面排序惯例：每个特征在月内横截面排序并映射至[?1,1]，缺失值设为排序后横截面中位数。时序严格为t→t+1。样本为2010年1月至2026年3月的月度面板，包含662只标普500股票（502只现任成员加160只期间移除的历史成员），共114,928个股票月，其中20,622个位于训练截止后窗口（≥2023年7月）。17个特征涵盖价格趋势（mom1m、mom6m、mom12m、mom36m、chmom、indmom、maxret）、风险（retvol、beta、betasq、idiovol）、流动性（dolvol、ill、std_dolvol、zerotrade）以及规模与换手率（mvel1、turn）。模型面板包括本地运行的开放权重模型qwen2.5:7b、六个托管非推理模型（GPT-4o-mini、GPT-4.1-mini、GPT-4.1、Gemini-2.5-flash、DeepSeek-chat-v3-0324、Llama-3.3-70b）及Claude阶梯。机器学习基准包括OLS、弹性网、主成分回归、偏最小二乘、广义线性模型、随机森林、梯度提升树及前馈神经网络NN1–NN5，采用扩展窗口与年度重拟合。评估指标包括GKX式样本外R2、横截面Diebold–Mariano检验、模型置信集、十分位多空组合及秩信息系数。机制诊断包括离散度比率（预测横截面标准差除以已实现标准差）与Mincer–Zarnowitz斜率。变量重要性采用预测归因方法：每月将各方法的预测对17个排序特征做横截面回归，Fama–MacBeth式平均斜率。
四、研究结果
4.1 个股横截面
在训练截止后窗口，每个有竞争力的零样本LLM臂均具有正样本外R2和正多空价差。恢复并非普遍：七十亿参数开放权重模型（qwen-7b）在所有臂上接近随机，表明从排序特征恢复横截面是能力门槛行为。在水平R2上，LLM落入机器学习动物园内部并处于顶部：GPT-4.1/K0的0.75%和GPT-4.1/A0的0.88%超过最佳基准PCR（0.52%）和NN3（0.45%）。在秩IC和十分位夏普上，LLM领先整个动物园：最佳机器学习秩IC为0.012（PCR），而七个零样本和安慰剂LLM臂超过0.040且t>2，等权多空夏普达1.6–2.2。所有方法均落入85%模型置信集，表明平方误差差异统计上不可分辨。上下文演示臂在水平R2上崩溃（GPT-4o-mini/A1为?16.2%，GPT-4.1-mini/A1为?50.6%）。
4.2 33个月窗口的推断力
秩IC t统计量为Fama–MacBeth t，研究人员报告四种补充证据：不依赖正态性的推断（Newey–West t与循环分块自助置信区间，最强臂GPT-4.1/K0自助95%区间为[0.025,0.087]，p<0.001）；功效计算（33个月上80%功效可检测的最小平均IC为0.05–0.08，窗口对最强臂充分功效）；多重检验视角（最强臂在宽松假发现层级上边界通过）；以及时间序列增厚（将每月得分与下月每日横截面相关，最强LLM臂的日度秩IC Newey–West t约4.3，机器学习动物园约0）。
4.3 哪些特征重要
LLM复现GKX的标题发现：价格趋势块（mom1m、mom12m、mom36m、indmom、maxret）承载最大最稳健的载荷。倾斜是结构性的而非名义性的：在匿名化下存活（GPT-4o-mini/A0按位置加载相同动量列），甚至在标签置换下存活（P-perm加载实际mom1m和mom36m列）。能力阶梯顶部出现偏离：Opus-5在匿名化设定下加载风险/波动率块（idiovol、beta、retvol，|t|≥12），在命名设定下两个Opus阶梯对冲波动率（retvol负载荷）。拟合动物园更均匀地分布在波动率、流动性和规模上；LLM施加固定单调倾斜。
4.4 组合预测
有竞争力的LLM十分位单调：平均收益从D1到D10几乎均匀上升，多空价差经济上大（1.8–2.5%每月），t统计量2.5–3.0。命名Opus臂例外：Opus-4.8/K0最高预测十分位收益低于最低（D1=0.51%，D10=0.32%），因命名设定下Opus阶梯对冲波动率块。规模分割复现GKX集中结果：秩IC在较大股票中系统性更高（GPT-4.1-mini/A0前150名0.071 vs. 后150名?0.018）。附录C排除信号离散度解释：最小150组的动量信号离散度更高（0.61–0.64 vs. 0.51–0.55），若信号离散度驱动结果则小组应胜出，实际未胜出。
4.5 记忆审计
四项独立探针均未发现记忆回放特征。去匿名化无增益：P-deanon?K0秩IC差距在?0.048至+0.005之间，能力更强阶梯为负。标签置换不降级。窗口在训练截止后。训练前与训练后对比：训练前秩IC小且略负，低于训练后每个臂（GPT-4o-mini/K0 ?0.006 vs. +0.012），平均前减后差距?0.034。子探针分解：对训练截止先于评估窗口的模型，所有单字段和联合差距在?0.020至+0.008之间，无探针增加技能。阳性对照：Opus-5训练数据延伸至评估窗口，其联合代码加日期差距为+0.055秩IC（t=2.6），在样本中期最强并朝语料尾部衰减，单字段通道平坦，静态倾斜分解中条件技能显著为正（IC?FT=+0.045，t=2.2），与记忆回放预测一致。
4.6 LLM是什么估计器
四个机制发现。第一，LLM是重度收缩的排序器：离散度比率0.03–0.20，预测压缩至已实现价差的3–20%，Mincer–Zarnowitz斜率0.47–1.02确认欠离散。第二，LLM是静态因子倾斜而非自适应学习者：将每月秩IC对固定倾斜的月度收益回归，R2为0.79–0.98，五种倾斜估计方案（全样本、留一、分半、扩展窗口、纯训练前数据）静态份额几乎不变，模型在倾斜之外无条件技能（IC?FT均值为负）。第三，标准因子大体跨越价差：Fama–French五因子加动量回归中，动量正显著载荷（Opus-5/K0 0.69，t=4.0），但六因子未完全跨越价差，留下每月1.5–2.9%截距（t 2.0–4.9）；加入短期反转因子后残差对除一个臂外的所有臂降至不显著（GPT-4o-mini/K0 1.95→0.36；GPT-4.1-mini/K0 1.80→?0.16），幸存残差（DeepSeek/A0 1.33，t=2.8）被标记为脆弱单窗口暴露，因同模型内命名与匿名臂截距摆动近4%每月。第四，将固定倾斜读回四分之一世纪历史，在每个主要均值回归阶段亏损，因此恢复是倾斜遇有利体制的性质，而非稳态表现声明。
4.7 规模与集成
能力阶梯显示规模不购买额外横截面技能：Opus-5的秩IC（K0为0.023，A0为0.007）低于GPT-4.1-mini（0.044）和GPT-4o-mini（0.012）。平均LLM是装袋（bagging）：面板平均秩IC约0.040，超过大多数单模型，方差降低约40%，与Breiman（1996）装袋预测一致。
五、讨论与结论
讨论部分强调，LLM的主导倾斜是已记录信号的组合而非发现。秩IC t统计量（约2.9）低于Harvey等（2016）提出的t>3新因子门槛；因子模型截距在计入脆弱性后同样未达标；标准因子大体跨越价差，短期反转因子吸收大部分剩余，无存留截距对命名与匿名的装饰性重标稳健，机器学习基线同样未达标。研究结论指出，零样本LLM在训练截止后恢复横截面可预测性，但作为重度收缩的静态体制依赖因子倾斜：排序良好、校准差、利用文献长期记录的动量信号、从公司身份或上下文示例中无增益、在已见数据上无记忆优势。同一固定倾斜在四分之一世纪历史中在每个主要均值回归阶段亏损，因此恢复是倾斜遇有利体制的性质，而非稳态表现声明。研究的贡献是对LLM隐式计算内容的测量——一个不同且更可移植的问题，而非是否赢得竞赛。
