arXiv cs.AI· Sujung Kim, Seung Hwan Cho, Sangjin Park, Young-Min Kim·· 10 天前AI 评分22
面向股票收益预测的可信 LLM 叙事：推理外化框架
Reasoning Externalization for Faithful Large Language Model Narratives of Stock Return Predictions
AI 导读
研究提出一种 LLM 叙事框架，将时序 SHAP 证据与历史市场状态类比结合，用于横截面股票收益预测的可解释叙事生成。在 Qwen3 上逐步外化数值与关系推理后，Qwen3-32B-Instruct 的证据忠实度从 0.696 提升至 0.996，时间与关系准确率同步改善。历史类比虽未提升结构化自动忠实度，但获得了更高的人工有用性评分。
正文 · AI 翻译
摘要：在金融领域，解读机器学习预测至关重要，但可解释 AI 的数值输出对非专家而言可能难以理解。虽然大语言模型（LLM）可以将这些输出转化为自然语言，但在推断数值变化和特征关系时可能会产生错误。我们提出了一种用于横截面股票收益预测的 LLM 叙事框架，该框架将时间 Shapley 加性解释（SHAP）证据与历史状态类比相结合。时间证据追踪 XGBoost 模型归一化全局 SHAP 重要性在六个月内的变化。历史类比是 SHAP 重要性变化相似的过往时期，其模型表现和随后的市场收益作为比较背景提供。使用该框架，我们对渐进式推理外化进行了对照研究，依次提供原始 SHAP 序列、确定性时间描述符和特征关系。每条生成的论断都对照来源关联证据进行验证。在 Qwen3 上，外化数值和关系推理提高了证据忠实度以及时间和关系准确性。Qwen3-32B-Instruct 的证据忠实度从 0.696 提升至 0.996。虽然历史类比没有提高结构化自动忠实度，但它们获得了更高的人工评分有用性分数。这些结果表明，外化可验证推理能增强叙事忠实度，而历史背景则增加了阐释价值。
| 学科： | 人工智能（cs.AI）；计算工程、金融与科学（cs.CE） |
| 引用为： | arXiv:2609.38869 [cs.AI] |
| （或 arXiv:2609.38869v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2609.38869 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Sangjin Park [查看电子邮件]
[v1]
2026年9月30日星期三 03:20:17 UTC（1,030 KB）
[v2]
2026年10月6日星期二 09:02:14 UTC（2,621 KB）
来源：arXiv cs.AI · arxiv.org