大语言模型进军金融预测：并购套利新突破

在最新发表于arXiv的研究中，科研团队构建了一套专门用于并购套利预测的语言模型系统。并购套利是金融领域的高风险专业场景，需要根据已公告的并购交易预测最终结果。与传统基于新闻片段等短文本的LLM预测研究不同，该系统需处理长达数百页的技术文档，实现长上下文推理。

该系统的核心创新在于结合了专家引导的上下文工程与基于历史交易的回溯监督微调技术。给定一项已公告的交易，模型能够输出三种互斥结果的概率分布：按原条款完成交易、出现更高报价或交易终止。研究团队在包含42个国家400余起大型交易的样本外测试集上验证了系统性能，微调后的模型取得了最佳表现，将类别平衡Brier分数降至0.151。

这一结果比校准后的市场隐含概率低24%，比XGBoost模型低19%，较前沿语言模型提升25-42%。消融实验表明，基于回溯的监督学习和专家设计的上下文在专业金融工作流中起着关键作用。研究证明，大语言模型在需要长文档分析的专业金融预测场景中具有显著应用潜力，为AI在复杂金融决策中的落地提供了新思路。