20250717-华安证券-_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_19页_1mb

报告总结：基于大语言模型的新型风险评估与波动率预测

核心观点

通过将大语言模型（LLM）与传统定量方法结合，构建新型金融风险评估框架，实证表明引入LLM衍生风险评分可显著提升特质波动率预测能力，为风险管理提供新思路。

关键内容解析

1. 创新方法论

• 风险量化技术

  • 利用Llama3.1:8b模型从公司年报/季报风险因子章节提取文本，分割至10,000 token的片段
  • 为ESG风险、地缘政治风险、供应链中断风险分类评估（评分维度0-5）
  • 通过提示工程与聚合算法处理18,447份文件，生成15,993个风险评分数据点

• 预测模型架构

  • 构建LSTM神经网络，输入维度：传统金融指标（杠杆率、贝塔值等）、新型风险评分、语言复杂度特征
  • 采用滑动窗口机制（4期窗口）与早停策略优化超参数，最优模型MSE=0.673，R²=0.264

2. 突破性发现

• 风险评分价值验证

  • 正向关系：新型风险（尤其是供应链中断）增加显著提升波动率预测解释力（ΔR²=0.023）
  • 反向效应：风险变化速率（如Spec/Ind Ratio提升）显示前瞻性风险披露反向抑制波动性

• 模型对比结论

  • LSTM模型（R²=0.241，MSE=0.673）优于传统ANN（R²=0.206，MSE=0.724）和XGBoost（R²=0.225）
  • 其优势源自捕捉时间依赖关系的能力与定性/定量特征融合机制

3. 应用展望

• 实践意义
  • 提供动态监控新兴风险的量化工具（如ESG争议、供应链脆弱性）
  • 辅助投资者配置策略，识别高波动性企业的先兆指标

重要局限

1. Token限制导致文本分析覆盖范围有限
2. 风险指标映射仍存在主观判断偏差
3. 基于历史数据的验证存在跨市场普适性风险