LLM 기반 뉴스 감성 분석이 주가 변동 예측에 미치는 영향

Impact of LLMs news Sentiment Analysis on Stock Price Movement Prediction

본 논문에서는 LLM(Large Language Model) 기반 뉴스 감성 분석을 활용하여 주가 변동 예측을 수행합니다. 기존 연구들은 주로 감성 분석 모델 및 주가 변동 예측 방법론을 개별적으로 제안하고 평가하는 데 집중해 왔습니다. 이러한 연구들은 유망한 결과를 보여주었지만, 뉴스 감성이 이 작업에 미치는 구체적이고 심층적인 영향에 대한 명확한 이해, 그리고 다양한 아키텍처 유형에 대한 종합적인 평가가 아직 부족합니다. 본 연구에서는 DeBERTa, RoBERTa, FinBERT의 세 가지 LLM을 사용하여 감성 기반 주가 예측을 비교 분석하는 평가 연구를 수행했습니다. 그 결과, DeBERTa 모델이 다른 두 모델보다 우수한 성능(75% 정확도)을 보였으며, 세 모델을 결합한 앙상블 모델은 정확도를 약 80%까지 향상시킬 수 있음을 확인했습니다. 또한, 감성 뉴스 특징이 LSTM, PatchTST, tPatchGNN 기반 분류 모델 및 PatchTST, TimesNet 기반 회귀 모델과 같은 일부 주식 시장 예측 모델의 성능을 약간 향상시키는 데 기여할 수 있음을 확인했습니다.

This paper addresses stock price movement prediction by leveraging LLM-based news sentiment analysis. Earlier works have largely focused on proposing and assessing sentiment analysis models and stock movement prediction methods, however, separately. Although promising results have been achieved, a clear and in-depth understanding of the benefit of the news sentiment to this task, as well as a comprehensive assessment of different architecture types in this context, is still lacking. Herein, we conduct an evaluation study that compares 3 different LLMs, namely, DeBERTa, RoBERTa and FinBERT, for sentiment-driven stock prediction. Our results suggest that DeBERTa outperforms the other two models with an accuracy of 75% and that an ensemble model that combines the three models can increase the accuracy to about 80%. Also, we see that sentiment news features can benefit (slightly) some stock market prediction models, i.e., LSTM-, PatchTST- and tPatchGNN-based classifiers and PatchTST- and TimesNet-based regression tasks models.