“学海拾珠”系列之二百四十一：基于大语言模型的新型风险评估与波动率预测

核心观点

本篇研报提出了一种结合大语言模型（LLM）和传统定量预测技术的新型金融风险评估框架，旨在提升特质波动率的预测能力。该框架利用LLM从公司披露的定性风险因子中提取信息，并将其与传统金融指标相结合，输入到基于LSTM的波动率预测模型中。

关键数据和研究结论

1. LLM衍生的风险评分：研究利用Llama3.1:8b模型对公司披露的ESG风险、地缘政治风险和供应链中断风险进行评分，评分范围为0至5。分析显示，这三类风险评分均呈现上升趋势，尤其在近年重大事件的影响下显著攀升。
2. LSTM模型预测：基于LSTM的波动率预测模型将LLM衍生的风险评分与传统金融指标相结合，结果显示，相比仅依赖历史财务数据的模型，引入LLM衍生的风险评分能显著提升特质波动率预测能力。LSTM模型在R²指标上表现最优，达到0.241，同时保持了相对较低的均方误差（MSE，0.699）。
3. 特征重要性分析：通过SHAP值分析，发现传统财务指标（如卖空比例、资产回报率、每股收益）仍是公司特质波动率的关键驱动因素。然而，引入新风险特征显著提高了模型的解释力，并重塑了某些变量的相对重要性。例如，“新风险”特征对预测结果的影响最大，而“风险变化”和“个体/行业比值”特征则与波动率呈负相关。
4. 模型对比：与人工神经网络（ANN）和极端梯度提升树（XGBoost）相比，LSTM模型在预测特质波动率方面表现更优，这得益于其能够捕捉时间序列数据中的长期依赖关系。

研究意义

该研究为金融风险管理提供了新的思路和方法，通过将LLM与传统定量技术相结合，可以更全面地评估和预测新型风险，从而帮助投资者和风险管理者做出更明智的决策。