MarketSenseAI 2.0：通过LLM Agent辅助股票分析-优快云博客

“MarketSenseAI 2.0: Enhancing Stock Analysis through LLM Agents”

现有AI股票分析解决方案多集中于孤立数据类型，缺乏对金融文本和其上下文的深入分析。MarketSenseAI是一个利用大语言模型（LLMs）进行股票分析的框架，整合金融新闻、历史价格、公司基本面和宏观经济数据。

在2023-2024年对S&P 100股票的实证评估中，MarketSenseAI实现了125.9%的累积回报，超出市场指数的73.5%。2024年对S&P 500股票的进一步验证显示，该框架的可扩展性，Sortino比率比市场高出33.8%。

论文地址：https://arxiv.org/pdf/2502.00415

一、摘要

MarketSenseAI是一个利用大型语言模型（LLMs）进行股票分析的框架，整合金融新闻、历史价格、公司基本面和宏观经济数据。该框架通过检索增强生成和LLM代理的组合，处理SEC文件和财报，并系统性分析多种机构报告。相较于之前版本，基本面分析准确性显著提升。

在2023-2024年对S&P 100股票的实证评估中，MarketSenseAI实现了125.9%的累积回报，超出市场指数的73.5%。2024年对S&P 500股票的进一步验证显示，该框架的可扩展性，Sortino比率比市场高出33.8%。研究展示了LLM技术在金融分析中的应用进展，提供了LLM驱动投资策略的稳健性见解。

二、简介

MarketSenseAI旨在克服现有系统化股票分析方法的局限，尤其是在数据整合和频率不一致方面。现有AI解决方案多集中于孤立数据类型，缺乏对金融文本和其上下文的深入分析。MarketSenseAI提供透明的投资决策解释，增强用户信任。采用Chain-of-Agents (CoA)方法，精细处理大规模财务数据，提高基本面分析准确性。引入Retrieval-Augmented Generation (RAG)模块，增强宏观经济分析，提供更全面的背景信息。实验结果显示，MarketSenseAI在2023-2024年间对S&P 100和S&P 500股票的分析准确性和超额收益显著提升。

三、背景和相关工作

LLM在金融任务中的应用研究增加，包括基本面分析、Alpha发现和投资组合决策。相关研究领域包括：

基于LLM的基本面分析
LLM驱动的投资分析的先进方法
检索增强技术
SEC文件和财报电话会议在基本研究中的重要性
宏观经济环境对股票分析的影响

基于LLM的基本面分析

研究表明，GPT-4能够通过链式思维（CoT）提示进行比率分析和趋势检测，提供可解释的解释和信心评估。GPT-4被用于生成基于经济推理的高回报因子，为量化投资模型奠定基础。LLMs能够从大量文本中提取结构化洞察，如财务比率和绩效模式。

LLM驱动的投资分析的先进方法

LLMs用于生成alpha信号和优化交易策略。Alpha-GPT结合人类专业知识与自动化alpha发现，改进交易信号。TradingGPT采用多代理、分层记忆架构进行协作决策，评估结果有限。通过情感分析、模型集成和上下文学习，预测中国股市回报，取得良好准确率。GPT-4利用上下文学习，从基本报告和新闻数据生成股票评级，某些情况下超越人类分析师。

检索增强技术（RAG）

RAG（检索增强生成）在生产系统中广泛应用，允许模型利用超出其内部参数和输入上下文的庞大语料库。在金融领域，处理多样化且不断更新的数据（如监管文件、市场新闻、经济报告）尤为重要。近期研究集中于改进文档处理中的分块、查询扩展和重排序算法，以减少上下文丢失。股票分析中，日期感知的文档检索至关重要，但常被标准相似性搜索忽视。尽管已有一些针对金融任务的RAG管道研究，但仍缺乏全面的、针对金融分析优化的领域特定解决方案。

SEC文件和财报电话会议在基本研究中的重要性

SEC文件（如10-K和10-Q）及财报电话会议在市场结果和投资决策中起关键作用，语言复杂性、披露内容和语调变化可预测回报和风险。脚注分析有助于识别隐藏风险，易读性和清晰度可作为管理能力和盈利透明度的代理指标。

财报电话会议期间交易量和波动性增加，管理层的即兴见解能显著影响市场。电话会议的语调对公司未来表现具有预测能力，且定性线索提供超越定量指标的额外信号。直接参与电话会议的分析师能生成更精确的预测。

新兴研究表明大型语言模型（LLMs）在财务披露和分析中的变革潜力，能够自动提取可持续性指标和财务概念。LLMs在解析财报电话会议情感方面的有效性得到验证，且能生成接近人类质量的多角度分析报告。这些进展表明LLMs可能重塑基础分析工作流程，但需谨慎管理以维护信息完整性。

宏观经济环境对股票分析的影响

宏观经济指标（如GDP增长、通胀率、利率）和中央银行政策对投资结果有重要影响，需与公司特定数据结合分析。专家分析和投资银行的研究报告提供对复杂宏观经济关系的解读，帮助识别潜在市场影响。将宏观层面背景与专家见解融入公司数据可提升模型的适应性，尤其在全球市场中。不同股票和行业对宏观经济力量的反应不同，例如美国对中国进口商品的关税影响特定行业。现有的定量和基于LLM的股票分析模型往往忽视宏观经济因素和专家解读，存在研究方法的不足。

四、方法

MarketSenseAI概览

MarketSenseAI框架是一个模块化系统，整合多种金融信息生成投资信号。主要包含五个LLM代理：

新闻代理： 汇总和简化相关股票新闻，形成持续更新的叙述。
基本面代理： 分析公司财务报表，提取关键财务指标，比较近期季度变化。
动态代理： 研究历史价格走势，结合风险指标评估股票表现。
宏观经济代理： 整合宏观经济报告，提供经济状况的简要概述。
信号代理： 整合前四个模块的输出，生成买入、持有或卖出的投资信号，并提供解释。

各组件可独立运行，支持信息源的灵活接入和数据更新。

增强的基本面分析

MarketSenseAI的基本面分析代理已增强，超越了财务报表的数字分析。新版本通过三步LLM流程处理10-Q和10-K文件中的披露、附注和战略见解。还分析了财报电话会议的定性内容，包括问答环节。这些改进提供了更深的上下文和透明度，捕捉前瞻性指导、管理层语气和战略展望。

定性和定量数据的三层集成方法

生成公司基本面总结的过程包括三个主要步骤：

**文件摘要：**总结SEC文件中的信息，重点关注披露、风险因素和战略举措，以解释财务指标的波动原因。
**财报电话会议摘要：**提取管理层的定性信号，如情绪、信心和前瞻性陈述，关注高管的语气、合作或产品发布讨论及宏观因素。
**基本面整合：**将前两步的输出与最新五个季度的财务数据结合，提供一个连贯的叙述，既总结定量指标，又结合文件和电话会议的见解。

新版本的MarketSenseAI通过多阶段方法，确保捕捉公司财务健康的事实和解释性方面，能够突出利润波动的驱动因素、讨论新披露的风险及评估管理策略的潜在变化。

评估SEC文件和财报电话会议的影响

对1500个S&P500股票的生成摘要进行情感分析，使用FinBERT模型。纳入SEC文件和财报电话会议数据后，平均情感略微降低（Mean = 0.31），方差更小（Std Dev = 0.28）。仅基于数值数据的分析显示更积极的情感（Mean = 0.36，Std Dev = 0.40）。SEC文件要求公司披露风险和不确定性，提供更平衡的公司前景视角。文本数据的引入揭示了未被识别的风险或战略调整，平均差异为0.24，最大差异为0.96。

在MarketSenseAI中，约5%的投资信号因考虑文本信息而被降级或升级，显示定量与定性结合的重要性。更新后的基础代理能够整合领域特定文本，生成更具洞察力的分析，确保推荐基于更全面的公司理解。

宏观经济分析的改进

Macroeconomic Agent在MarketSenseAI中得到增强，能够处理更多机构报告。更新解决了LLMs的局限性，如上下文窗口限制、生成幻觉和过度简化。系统性整合来自权威来源的多样化宏观经济数据。提供更全面、丰富的分析，影响股票表现的因素。

数据注入

数据注入阶段旨在高效收集、处理和存储来自多个来源的宏观经济报告。主要来源包括中央银行（如美联储、欧洲央行）、统计局、国际货币基金组织（IMF）、国际清算银行（BIS）及全球投资银行（如摩根大通、黑石）的专家简报。实施了特定机构的解析脚本，以处理各来源报告的独特格式和结构，确保数据提取的一致性和准确性。

元数据的提取和过滤。 解析文档后，识别关键属性如出版日期、出版商和URL，以确保文档来源并按时间顺序排列报告。使用LLM分类器判断文本是否与宏观经济分析相关，筛除无关文档（如营销宣传册）。

内容清洗和摘要。 通过另一个LLM流程去除冗余文本，提炼文档核心见解。大文件（超过30页）分块处理，清理、总结后合并为精炼表示。该方法保留重要的宏观经济细节，避免超出LLM上下文限制。

存储和索引。 清理后的内容和元数据被存储，同时更新查找表以维护处理文档的有序库存。对新报告进行语义分块，每个块嵌入并存储在向量数据库中，以便快速相似性检索。通过在自然边界（如章节末尾或经济主题变化处）进行分块，确保宏观经济信息的细粒度和语义一致性索引。

宏观经济数据生成

数据生成阶段将用户查询转化为宏观经济共识，通过从向量化知识库中检索、整合和综合相关信息。MarketSenseAI主要用于单只股票分析，但也支持更广泛的金融应用，如对话助手和专有研究分析。输入查询首先经过元数据过滤，按日期或来源缩小候选文档集。对于单只股票分析，采用HyDE方法处理固定查询，生成简洁的宏观经济见解。对于开放式或复杂查询，系统使用扩展嵌入和优化提示，生成多个查询变体以提高覆盖率。提取相关文本块后，使用宏观经济导向的提示引导LLM生成响应，确保适应不同需求。

检索性能评估

测试了三种检索方法（Simple、Optimized、HyDE）在不同块大小下对宏观经济查询的处理能力，评估了上下文回忆、上下文精确度、答案相关性和真实性。

上下文精确度在所有配置中均高（≥0.98），表明即使查询跨多个报告，相关块仍在前n个结果中。答案相关性变化最大，HyDE和Optimized通过增加上下文改善查询与块嵌入的对齐，特别适合需要多源信息的广泛提示。随着块大小增加，真实性（事实准确性）提高，复杂查询（如识别文档间矛盾观点）受益于更大块大小。Simple检索在回忆上偶尔表现良好，但在相关性上始终较弱，缺乏查询扩展和概念添加。

增加块数提升所有方法的性能，尤其对需要跨多个报告综合信息的问题有利。HyDE和Optimized方法在处理复杂查询和识别多样经济主题方面表现优越，适合宏观经济分析任务。

五、实验

数据

评估MarketSenseAI使用S&P 100和S&P 500股票，分析时间为2023年1月至2024年12月。S&P 100分析提供了两年在不同市场条件下的评估，S&P 500分析则扩展至2024年。输入数据包括股票特定数据（财务新闻、季度报表、SEC文件、财报电话会议记录、历史价格数据）和宏观经济数据（投资报告、中央银行出版物、专家分析等）。每月生成交易信号，以符合既定的投资组合再平衡实践。2024年S&P 500结果独立分析，以评估模型在更广泛市场中的通用性。

技术栈

GPT-4o模型是主要的LLM，用于模型推理，系统支持通过API集成其他模型。使用VectorBTPro进行投资组合分析和策略验证，考虑交易成本。评估RAG方法时，使用Ragas框架，选择GPT-4o-mini以提高成本效益，未影响方法相对比较。向量数据存储基于Pinecone，系统代理基于OpenAI客户端。RAG流程利用LlamaIndex框架，支持有效的检索和增强生成工作流。数据收集通过Selenium和BeautifulSoup抓取宏观经济报告，SEC文件通过EDGAR API获取，财报电话会议记录通过RapidAPI获取。

评估方法

评估MarketSenseAI信号质量，通过构建投资组合与基准比较。关注基于MarketSenseAI买入信号的长仓投资组合，分为等权重和市值加权两种形式。投资组合与相应的S&P 100或S&P 500基准进行比较，以评估信号的有效性。表4展示了评估的信号/策略及其基准，表5描述了使用的典型绩效和风险指标。

六、结果

评估MarketSenseAI在2023-2024年对S&P 100和2024年对S&P 500的股票选择能力。实证测试结果显示其能识别出表现优异的股票。该系统在不同的投资组合构建方法中生成了优越的风险调整回报。

整体表现

MarketSenseAI在S&P 100中选股实现125.9%累积回报，超越S&P 100的73.5%回报，且Sortino比率为4.43，高于基准的3.82。在2024年S&P 500中，选股回报25.8%，相较于S&P 500等权重的12.8%实现102%相对超额收益，Sortino比率从3.25提升至3.68。Alpha生成从S&P 100的8.0%提升至S&P 500的18.9%，显示出在更大市场中识别机会的能力。

尽管选取高波动股票，MarketSenseAI投资组合在市场压力期间快速恢复，最大回撤与基准相当。系统信号精度高，胜率77-78%，正Alpha为17.6-18.9%，Beta为1.24-1.27，表明成功识别高Beta股票。每月生成稳定信号，S&P 100平均35.1个买入信号，S&P 500为144.8个，显示系统化选择而非集中押注。

因素分析和风险分解

使用Carhart四因子和Fama-French五因子模型分解MarketSenseAI的超额收益（MS-Eq - S&P 100）。两个模型解释了大部分收益方差，R²分别为88.4%和85.4%。

市场敞口和规模偏差

MarketSenseAI的市场暴露接近中性（β = 0.95 – 0.96）。SMB系数为负（−0.13至−0.22，p < 0.01），表明倾向于大盘股，符合S&P 100/500指数。

价值和动量因子

两个模型均显示出一致的价值暴露（HML = 0.08 –0.11, p < 0.01），表明基础分析能够识别被低估的股票。Carhart模型的强动量加载（Mom = 0.18, p < 0.01）显示MarketSenseAI通过动态代理整合价格趋势，弥补了传统基本面模型的不足。价值与动量的协同作用与系统架构相符，LLM驱动的新闻情绪和价格动态增强了基本面洞察。

盈利能力与投资因素

五因子模型对盈利性（RMW）和投资（CMA）的加载不显著，表明这些传统风格因子在MarketSenseAI策略中作用有限。MarketSenseAI的收益不受传统因子溢价的系统性驱动。系统整合多种数据源，可能识别超越传统因子溢价的Alpha来源。

Alpha生成和无法解释的回报

分析显示显著的残余Alpha（+8.0%）和无法用传统风险因素解释的显著超额收益（12-15%）。结果表明，MarketSenseAI可能通过多种数据源（如新闻叙述、宏观经济背景和前瞻性披露）识别被传统因子模型忽视的特有机会，从而实现潜在价值生成。

七、总结

MarketSenseAI框架通过整合LLM代理和检索增强技术，实现了全面的股票分析，解决了上下文窗口限制、数据频率不匹配及定量与定性信息整合等关键挑战。引入Chain-of-Agents方法进行细致的基本面分析，并使用HyDE增强的RAG模块提供宏观经济背景，提升了对SEC文件、财报和专家报告的分析深度。

在2023-2024年S&P 100和2024年S&P 500股票的实证评估中，MarketSenseAI显示出显著的累积回报和一致的超额收益，超越了竞争基准。因子分析表明，回报不仅源于价值和动量因子的暴露，还来自独特的阿尔法来源，归因于框架的多元数据整合与分析能力。

未来发展将集中在技术进步（集成推理能力的LLM）和市场扩展（全球及小盘指数），以提升系统的分析能力和适应性。MarketSenseAI为机构和散户投资者提供了透明、数据驱动的投资决策方法，奠定了构建更复杂、可解释投资框架的基础。