Multidimensional Views Behind Target-Price Revisions: An LLM-Based Representation of Analyst Outlooks
Pubblicata su AIChronos il · fonte del · Kiyoun Kim, Sung-Yeon Nathan Lim
Il paper propone un approccio basato su LLM per estrarre le opinioni multidimensionali degli analisti finanziari dai report di ricerca sotto forma di punteggi basati su domande (question-based outlook scores) supportate da prove testuali. Questa rappresentazione strutturata organizza le valutazioni sugli utili, la valutazione aziendale, le condizioni del settore e altre dimensioni d'investimento in un formato compatto che supera i limiti della compressione numerica tradizionale dei target price. Durante l'analisi walk-forward, questi punteggi migliorano la previsione delle revisioni future dei prezzi rispetto al momentum attuale e alle differenze settoriali, superando anche le misure di sentiment basate su dizionari finanziari o FinBERT.
- Sostituzione della rappresentazione scalare del target price con una struttura multidimensionale estratta tramite LLM da report testuali.
- Organizzazione delle opinioni in punteggi specifici per domanda che includono evidenze di supporto direttamente dai documenti originali.
- Superamento dei metodi tradizionali di sentiment analysis (come FinBERT e dizionari finanziari) nella previsione delle revisioni degli analisti.
- Miglioramento della capacità predittiva rispetto al momentum attuale e alle differenze settoriali in valutazioni walk-forward.
- Trasparenza interpretativa offerta dall'associazione esplicita tra ogni dimensione d'investimento, domanda specifica ed evidenza del report.
Perché conta. Per uno sviluppatore che lavora con LLM e agenti locali, questo approccio dimostra come trasformare narrazioni non strutturate in dati interrogabili tramite domande specifiche, offrendo un modo per arricchire i segnali numerici standard con una visione multidimensionale delle giustapposizioni espresse nei testi.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.