“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

敬请参阅末页重要声明及评级说明 证券研究报告 基于大语言模型的新型风险评估与波动率预测 ——“学海拾珠”系列之二百四十一 [Table_RptDate] 报告日期：2025-07-17 [Table_Author] 分析师：吴正宇 执业证书号：S0010522090001 邮箱：wuzy@hazq.com 分析师：严佳炜 执业证书号：S0010520070001 邮箱：yanjw@hazq.com [Table_CompanyReport] 相关报告 1. 《高阶矩视角下的投资组合优化：基于偏度与峰度的马科维茨模型拓展——学海拾珠系列之二百四十》 2. 《基于相关性最小生成树边缘节点的分层风险平价策略——“学海拾珠”系列之二百三十九》 3. 《高维环境下的最优因子择时——“学海拾珠”系列之二百三十八》 4. 《马科维茨模型中均值的最优收缩 ——“学海拾珠”系列之二百三十七》 5. 《基于层级动量的投资组合构建 ——“学海拾珠”系列之二百三十六》 6. 《新闻公告与短久期溢价 ——“学海拾珠”系列之二百三十五》 7. 《利用强化学习和文本网络改进相关矩阵估计 ——“学海拾珠”系列之二百三十四》 主要观点： [Table_Summary] 本篇是学海拾珠系列第二百四十一篇。本文通过结合大语言模型对公司披露的定性风险因子分析与传统定量预测技术，构建了一种新型金融风险评估框架。实证表明：相较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。回到 A 股市场，当前大语言模型与量化策略的结合仍在探索中，而本文通过识别评估新兴风险以提升波动率预测的思路，具有重要参考价值。 ⚫ 运用大语言模型度量新型风险敞口 首先，利用自动化技术收集和预处理风险因子披露信息，包括风险因子章节的提取，文本分割与 token 限制管理和使用 LLM 进行新型风险评分。进一步的，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，用以预测公司的特质股票风险。最后，引入 SHAP值度量特征重要性，其核心优势在于兼具局部与全局可解释性。 ⚫ 引入新型风险能显著改善模型对预测特质波动率的解释力 特征方面，对比仅含传统金融指标的基础模型和包含新型风险特征的模型：添加风险度量（风险变化值、平均风险、个体/行业风险比）能显著提升 R²，表明引入企业特异性新型风险数据大幅改善模型对预测特质波动率的解释力。回归和 SHAP 分析共同证实，传统财务指标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。模型层面，LSTM 架构取得了最高的 R²值（0.241），同时保持了相对较低的均方误差（MSE，0.699）。 核心内容摘选自 Gupta S,Yan H .于 2025 年在 Journal of Portfolio Management 上的文章《Using Large Language Models to Estimate Novel Risk: Impact on Volatility》。 ⚫ 风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。 [Table_StockNameRptType] 金融工程 专题报告 [Table_CommonRptType] 金融工程 敬请参阅末页重要声明及评级说明 2 / 19 证券研究报告 正文目录 1 引言 ...................................................................................................................................................................................................... 4 2 方法论与数据 ...................................................................................................................................................................................... 6 2.1 运用大型语言模型度量新型风险敞口 ................................................................................................................................... 6 2.2 季度特质波动率的估计 ............................................................................................................................................................. 7 2.3 数据收集与预处理 ..................................................................................................................................................................... 8 2.4 整合传统金融指标 ..................................................................................................................................................................... 9 2.5 基于 LSTM 的波动率预测模型 ................................................................................................................................................ 9 2.6 建模后分析...............................................................................................................................