When News Gets Old: Portfolio Allocation with Reinforcement Learning and Large Language Models
Pubblicata su AIChronos il · fonte del · Bolin Song, Surui Xiang
Lo studio esamina l'impatto delle notizie finanziarie invecchiate sulle decisioni di investimento e confronta due strategie per gestire i segnali temporali: il mantenimento dei dati con informazioni sul timing o la loro filtratura prima della selezione del portafoglio. Utilizzando un modello linguistico (LLM) fisso per estrarre segnali da disclosure SEC, l'analisi valuta le performance in politiche di apprendimento per rinforzo (RL) rispetto a LLM che scelgono direttamente i portafogli su dati storici dal 2023 al 2025. I risultati mostrano che sebbene le scelte RL rispondono alle informazioni temporali nei test controllati, non offrono benefici costanti storicamente; invece, filtrare le notizie vecchie massimizza il rendimento netto medio per gli LLM.
- Le notizie finanziarie influenzano le decisioni di investimento anche dopo la pubblicazione, creando una distinzione tra segnali tempestivi e quelli già riflessi nei prezzi.
- In un contesto storico (2023-2025), l'aggiunta di informazioni sul timing nelle strategie RL non ha prodotto benefici costanti nel rendimento netto rispetto ai costi di trading.
- Per gli LLM, la strategia che produce il più alto rendimento medio netto è quella che filtra le notizie vecchie prima della selezione del portafoglio.
- Quando la consegna delle notizie viene ritardata di quattro settimane, l'approccio con filtratura raggiunge un rendimento annuale netto del 18.43%.
- Questa performance supera i rendimenti ottenuti da tutte le strategie RL che utilizzano attivamente le informazioni sulle news.
Perché conta. Per uno sviluppatore di agenti AI o sistemi locali, questo paper evidenzia l'importanza critica della gestione dei dati temporali (freshness) nell'inference: filtrare segnali obsoleti può migliorare drasticamente la performance decisionale rispetto all'integrazione passiva di informazioni non aggiornate.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.