研究提升大型语言模型预测能力，助力金融市场

数据：

LLM通过自我博弈和直接偏好优化技术，摆脱了对人工输入的过度依赖，预测准确性比基础模型提高7-10%，与大型模型相媲美。研究者从Polymarket收集12100个预测问题，微调后的Phi-4 14B的平均Brier分数为0.200，DeepSeek-R1 14B为0.197。

线索：

LLM提高预测能力的研究可能导致多个投资机会，如金融市场的自动交易系统、商业预测工具和数据分析服务。企业能够提前布局，提升市场竞争力。同时，过度依赖LLM的决策也存在风险，可能导致错误的判断和经济损失。

正文：

最近，自然语言处理领域的研究者发现，LLM（大型语言模型）通过自我学习的方式，显著提升了其预测未来事件的能力。这一研究由Lightning Rod Labs和伦敦政治经济学院的团队进行，涉及到对模型进行一系列微调和训练的尝试。

ανθρώπους在预测时会综合考虑众多信息，提炼出准确信息。而在金融领域，准确的预测帮助投资者把握市场时机，进而获利。在商业领域，市场需求的准确预测帮助企业优化产品布局和提升市场份额。为了增强LLM在这些方面的预测能力，研究者们进行了多种方法的探索，例如数据聚合和模型微调，但结果都是在一定程度上依赖人工数据，效率低下且成本高昂。

为了解决这一困境，研究人员提出了一种结果驱动的微调框架，使得LLM能通过自我博弈生成不同的推理轨迹和概率预测，相关的推理将根据预测准确性进行排序，并通过直接偏好优化（DPO）技术进行微调。

研究者从Polymarket收集了12100个二元结果预测问题，并将其分为训练集和测试集。利用DPO方法，将Phi-4 14B和DeepSeek-R1 14B模型进行微调，最终实现了显著的预测准确率提升。经过一系列的测试，研究发现微调后的模型的准确率较基础模型提高了7-10%，并且与一些大型模型相差无几。

该研究开辟了LLM提升预测能力的新途径，使这些模型在不依赖于庞大的人工标注数据的情况下，也能学习并优化自身的预测能力，真正实现了“小模型”能达到“大模型”的预测性能，扩展了其应用的实际价值。

发布时间：

2025-02-25 12:01:26