基於語言模型的全球併購套利預測
研究團隊開發了一種基於語言模型的併購套利預測系統，透過專家引導的上下文工程和事後推理微調，在400多筆跨國大型交易中實現了優於市場隱含機率和前沿語言模型的預測效能。
來源arXiv Computational Linguistics作者: Hinal Jajal, Michal Mucha, Charles Sweat, Chris Pulman, Charlie Flanagan, Peter Anderson
一項最新研究展示了語言模型在專業金融預測領域的突破性應用。由Hinal Jajal等人提交至ICML 2026的論文《Global Merger-Arbitrage Forecasting with Language Models》提出了一種專為併購套利設計的預測系統。併購套利是一種高風險的專業金融活動，其核心任務是預測已宣佈併購交易的結果。與以往聚焦於廣泛混合主題基準和短新聞片段的研究不同，該系統需要處理數百頁的技術文件，進行長上下文推理。研究團隊將專家引導的上下文工程與基於歷史交易事後推理軌跡的微調相結合。對於每筆已宣佈的交易，系統輸出三種互斥結果的機率分佈：按原條款完成、出現更高出價或交易終止。
在涵蓋42個國家的400多筆大型交易樣本中，該微調系統取得了所有評估方法中的最佳表現。其類平衡Brier分數降至0.151，比基於市場隱含機率的校準預測低24%，比XGBoost模型低19%，比GPT-4等前沿語言模型低25%至42%。消融研究進一步證實，基於LLM的預測在專業、長上下文的金融工作流中能夠成功，其中事後監督和專家設計的上下文發揮了關鍵作用。該論文於2026年7月10日提交至arXiv，並被ICML 2026接收。研究結果展示了語言模型透過針對性微調和領域知識整合，可以超越傳統方法，為金融等專業領域的預測任務提供了有力證據。