当 AI 下场炒 A 股，「推理」成了新的直觉

51 0 0

文章摘要

RETuning方法通过反思式证据调优显著提升了大语言模型在金融预测任务中的表现。在一项针对中国A股市场的系统验证中，该方法使模型在三分类任务（预测股票上涨、持平或下跌）中的F1分数平均提高10%-20%，且在时间外数据测试中保持稳定泛化能力。研究团队构建的Fin-2024数据集包含5000多只股票、20余万样本，整合了新闻报道、财报数据等多源信息，为模型提供了长达3万词的上下文分析材料。

该方法创新性地结合了监督微调、规则化强化学习与推理时扩展三重机制。在训练流程中，模型首先通过监督微调建立”提出原则-整理证据-得出结论”的分析逻辑；随后采用基于格式正确性、预测准确性和逻辑一致性的三阶段强化学习；最终通过8-16次推理采样和多数投票机制提升决策质量。实验表明，这种”多思考几次”的策略存在最佳区间——超过32次采样反而会因冗余导致效果下降。

RETuning的突出优势在于实现了预测准确率与可解释性的双重突破。与传统模型相比，它能系统梳理支持涨跌的对抗性证据，输出类似人类分析师的完整推理链条。在人工评估中，其分析报告被认可具有更清晰的逻辑结构和更可信的决策依据。研究同时揭示了模型在实盘应用中面临的挑战，包括对市场噪声的敏感性、较高的算力消耗，以及目前仅验证于A股市场的局限性。这些发现为人工智能在金融领域的可解释性研究和应用落地提供了重要参考框架。