时间关系推理：利用大型语言模型检测股票投资组合崩溃

“Temporal Relational Reasoning of Large Language Models for Detecting Stock Portfolio Crashes”

摘要

当股票投资组合遭遇如2007年金融危机或2020年因COVID-19导致的股市暴跌这样的罕见事件时，传统的基于历史数据的学习方法可能无法充分应对。大语言模型（LLMs）由于其广泛的训练数据背景，能够执行零样本推理，为识别潜在的投资组合危机提供帮助。为了有效预测此类危机，需要一个可以实时处理新闻资讯、分析事件对股票影响并理解时间序列上下文的系统。

本文介绍了一种名为“时间关系推理”（TRR）的新算法框架，该框架旨在模仿人类解决复杂问题的认知过程。研究结果表明，TRR在预测投资组合崩盘方面表现得比当前其他方案更为出色，并且通过一系列消融实验明确了各个组成部分的重要性。TRR不仅适用于股票市场，还可以推广到宏观经济学领域，用于检测全球性的经济危机事件。

简介

投资者通常通过构建多样化的股票组合来分散风险，选择不同行业和类型的股票以减少特定事件对投资的影响。然而，在遭遇罕见的尾部风险事件（例如2007年的金融危机或2020年COVID-19引发的股市崩盘）时，市场间的关联性会增强，使得传统的投资组合在应对这些极端情况时显得准备不足。目前，关于如何有效检测此类投资组合危机的研究仍然有限。

大型语言模型（LLMs）因其能够进行零样本推理，可以识别新出现事件中的模式，从而提前发出潜在市场崩溃的预警，这为解决上述问题提供了新的思路。但是，现有的推理框架如ToT、GoT和ToG往往侧重于解决单一问题，并未能动态地处理随时间变化的新闻信息。此外，当投资组合因股票之间意外形成的联系而崩溃时，这些框架缺乏跨多个路径进行推理的能力，无法揭示新闻事件与股票之间的复杂关系。同时，由于股票预测依赖于时间上下文，而现有的时间图研究大多只关注单个图的问答，忽略了多时段的多图信息整合。

为此，本文介绍了一种名为“时间关系推理”（TRR）的新算法框架，该框架旨在模仿人类处理复杂问题的认知过程。TRR能够动态创建影响链，分析金融新闻对股票组合的影响，并通过一个时间“记忆库”检索相关的历史事件。它使用PageRank算法筛选出重要的影响链，进而建立时间关系图，以推断可能的市场崩盘。实验结果显示，TRR在预测投资组合崩溃方面优于深度学习模型和其他LLM。通过消融研究，我们验证了TRR各组件的重要性，并探讨了其在宏观经济危机预测上的应用潜力。

本文还讨论了LLM在处理复杂问题时的局限性，并提出了基于自动生成图的LLM推理解决方案，进行了涵盖多种组合和时间段的广泛实验，以提升对投资组合及宏观经济危机的预测能力。

01 相关工作

早期的研究通过使用(Actor, Action, Object, Timestamp)这样的元组来学习股票的嵌入表示，这些方法主要基于预定义的规则，并未利用大型语言模型（LLM）。随后的研究转向了图方法，借助知识图谱（如Freebase和Wikidata）来学习股票实体的嵌入，但这些研究往往忽略了关系随时间的动态变化。最新的研究则开始利用LLM从新闻报道中推断出股票之间的关系，生成动态的关系数据，并结合图神经网络来进行股票预测。

本研究聚焦于开发零样本推理框架，旨在检测由前所未有的事件引发的股票市场崩盘。LLM的零样本推理能力来自于其对广泛知识的泛化能力，研究人员提出了多种框架来应对复杂的任务。为了增强LLM的可靠性，本研究不仅利用知识图谱中的信息，还特别关注从中提取影响子图，以更深入地理解市场状况并有效检测潜在的崩盘事件。这种方法超越了传统的问答形式，而是专注于揭示和分析可能影响市场的关键因素。

02 时间关系推理

TRR框架旨在