arXiv · cs.AI· Shengkun Wang, Taoran Ji, Linhan Wang, Sattar Mansi, Chang-Tien Lu, Yinlin Chen·· 1 天前
研究评估13个大语言模型对SEC文件、股票收益与分析师预测的解析能力
From SEC Filings to Financial Signals: Evaluating LLMs on Stock Market Reactions and Analyst Forecasts
arXiv:2610.24268v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Shengkun Wang, Taoran Ji, Linhan Wang, Sattar Mansi, Chang-Tien Lu, Yinlin Chen
研究任务与主要进展
作者在2001至2024年的45,964个Form 10-Q事件上评测13个通用及金融专用LLM，考察其对MD&A文本、收益排序和下一季度EPS预测的表现。相较仅使用披露信息，加入截面基本面排序后，有效事件日收益和次日收益的平均RankIC分别提高0.0089和0.0098；分析师摘要没有带来同等平均增益。共识锚定可将以区间内预测占比从41.1%提高至59.5%，但会增加报告EPS误差。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org