将大型语言模型生成的观点整合到使用黑利特曼模型的均值-方差优化中

本研究解决了传统均值-方差模型在投资组合优化中面临的挑战，尤其是投资者观点定义的困难。通过将大型语言模型（LLMs）生成的观点融入黑利特曼框架，本研究提出了一种新方法，通过历史价格和公司元数据估计股票预期收益，并引入预测的不确定性。实证结果表明，不同的LLMs展现出不同的预测乐观程度和信心水平，进而影响投资组合的表现。