基于语言模型的全球并购套利预测
研究团队开发了一种基于语言模型的并购套利预测系统，通过专家引导的上下文工程和事后推理微调，在400多笔跨国大型交易中实现了优于市场隐含概率和前沿语言模型的预测性能。
来源arXiv Computational Linguistics作者: Hinal Jajal, Michal Mucha, Charles Sweat, Chris Pulman, Charlie Flanagan, Peter Anderson
一项最新研究展示了语言模型在专业金融预测领域的突破性应用。由Hinal Jajal等人提交至ICML 2026的论文《Global Merger-Arbitrage Forecasting with Language Models》提出了一种专为并购套利设计的预测系统。并购套利是一种高风险的专业金融活动，其核心任务是预测已宣布并购交易的结果。与以往聚焦于广泛混合主题基准和短新闻片段的研究不同，该系统需要处理数百页的技术文档，进行长上下文推理。研究团队将专家引导的上下文工程与基于历史交易事后推理轨迹的微调相结合。对于每笔已宣布的交易，系统输出三种互斥结果的概率分布：按原条款完成、出现更高出价或交易终止。
在涵盖42个国家的400多笔大型交易样本中，该微调系统取得了所有评估方法中的最佳表现。其类平衡Brier分数降至0.151，比基于市场隐含概率的校准预测低24%，比XGBoost模型低19%，比GPT-4等前沿语言模型低25%至42%。消融研究进一步证实，基于LLM的预测在专业、长上下文的金融工作流中能够成功，其中事后监督和专家设计的上下文发挥了关键作用。该论文于2026年7月10日提交至arXiv，并被ICML 2026接收。研究结果展示了语言模型通过针对性微调和领域知识整合，可以超越传统方法，为金融等专业领域的预测任务提供了有力证据。