读一份财报时，你不会把“去年很糟”和“明年会改善”当成同一件事。但传统新闻模型可能会：文章里负面词太多，它就给出负分，哪怕真正影响估值的是乐观展望。Quoniam Asset Management正在尝试让大型语言模型（LLM——能结合上下文理解文字含义的模型）替它分清这两层信息。
据 Risk.net 报道，这家位于法兰克福的量化股票管理机构在2月把LLM加入新闻情绪评分系统。Quoniam称，升级后的系统可以从新闻中更有信息量、更具前瞻性的部分提取情绪分数。不过，目前公开材料只有该报道及机构自身介绍，效果尚无论文、回测报告或第三方复核支持。
旧模型会被“坏过去”带偏
新闻情绪因子，是把新闻转成偏正面或负面的分数，再用于选股或调整仓位。这里的“因子”，指一种可量化、用于系统解释或预测资产收益差异的特征。模型判断的不是单篇报道写得好不好，而是其中的信息是否可能影响价格。
难点在于，同一篇新闻常把过去、现在和未来揉在一起。据 Trader TV 转述，Quoniam负责人 Markus Ebner 举过一个例子：一家企业过去表现很差，当期业绩只是尚可，但未来展望十分乐观。传统 bag-of-words（“词袋”方法——主要统计词语出现情况，不深入理解上下文）容易被大量回顾坏消息的措辞拖成负分。
LLM带来的变化，不只是换一个更复杂的打分器，而是先问一句：这句话在谈哪个时间段？模型可以把过去表现、当前事实和未来展望分开，再重点判断尚未进入价格的部分。所谓“前瞻性信息”，就是涉及公司未来计划、需求、成本或业绩预期的内容。它未必一定正确，但通常比复述旧结果更接近投资者正在重新定价的问题。
不是让AI随意挑股票
这次升级更像替换新闻流水线上的关键分拣器。Quoniam介绍，这项工作延续了十余年的新闻研究。团队早期每天面对上百万篇报道和五万多个话题；在2024年推出基金时，它称多年筛选后真正关注的新闻只占约1%。LLM并非从零生成交易点子，而是帮助既有系统从海量文本里挑出更值得评分的语句。
处理节奏也很紧。据 Trader TV，系统在欧洲中部时间早上8点收齐过去24小时的新闻，8点半前生成信号，经过人工复核后送往交易台，通常在10点前完成执行。Ebner称，这些信号的半衰期只有一天——也就是影响大约一天便衰减一半。语义判断若有价值，也必须赶在信息迅速贬值之前完成。
为什么值得关注
Quoniam向 Risk.net 表示，LLM升级使旗下某只基金的 Sharpe ratio 提高了五分之一，约20%。Sharpe ratio（夏普比率）用策略超过无风险收益的回报除以波动，粗略衡量每承担一单位波动获得多少额外收益。它上升不代表绝对收益一定更高，也不能完整反映尾部风险。
更值得看的其实是思路变化。传统文本因子常把新闻压缩成正负词计数；LLM则尝试理解“谁在谈什么、事情发生在何时，以及哪部分指向未来”。如果这条路线有效，新闻情绪因子的竞争重点会从“读了多少新闻”，转向“有没有读对真正影响预期的那几句话”。
局限与未知
- 约20%的夏普比率提升来自Quoniam自报。材料未披露基金名称、升级前后数值、计算区间、交易成本、样本内外划分、基准或统计显著性，因此不能把提升确定归因于LLM。
- “更具信息量”和“更具前瞻性”没有公开定义或量化比较；所用LLM、模型结构、数据来源、上线范围及是否存在前视偏差也未披露。
- 报道只写“2月”，没有给出年份。团队还希望覆盖更多新兴市场，但据 Trader TV，多语言新闻需要先翻译成英文再评分，说明这套方法仍受数据与语言处理约束。