Each language version is independently generated for its own context, not a direct translation.
这篇论文讲述了一个非常有趣的故事：如何让人工智能（AI）像一位经验丰富的老交易员一样，自己发明“选股公式”，然后利用这些公式来预测明天的股票价格。
为了让你更容易理解，我们可以把整个研究过程想象成**“聘请了一位超级 AI 厨师，为五家不同口味的餐厅（股票）设计独家食谱”**。
1. 核心问题：老食谱不灵了（Alpha 衰减）
在金融世界里，交易员们一直在寻找一种能预测股价上涨的“魔法公式”，行话叫Alpha（阿尔法）。
- 传统做法：以前的交易员靠自己的经验和直觉，手动编写这些公式。比如：“如果股价跌破了 20 天平均线，就买入”。
- 问题：就像一道菜，如果全世界的人都知道怎么做，大家一拥而上，这道菜就不好吃了（这就叫Alpha 衰减）。而且，靠人脑想新点子太慢、太累了。
2. 解决方案：请 AI 当“创意厨师”
这篇论文提出，既然人类想新点子慢，那就请**大语言模型（LLM）**来帮忙。
- LLM 的角色：它就像一个读过无数本烹饪书、看过无数新闻的超级 AI 厨师。
- 它的任务：它不是直接告诉你“买哪只股票”，而是让你给它一些食材（数据），让它自己发明新的食谱（公式）。
- 食材包括：
- 基础食材：股票的开盘价、收盘价、成交量等。
- 调料：技术指标（比如移动平均线，就像看火候）。
- 特殊佐料（关键点）：情绪。不仅看这家餐厅（目标公司）的顾客评价，还要看它的邻居和竞争对手（相关公司）在说什么。
- 比喻：如果“丰田”的股价要涨，不仅要看丰田自己的新闻，还要看它的“邻居”（比如比亚迪、特斯拉）是不是在搞大动作，或者它的“供应商”（比如苹果）是不是在裁员。这些“八卦”都会影响丰田的生意。
3. 工作流程：从“发明食谱”到“品尝味道”
整个系统分两步走：
第一步：AI 发明食谱（生成 Alpha）
研究人员给 AI 一个提示（Prompt），说：“请结合丰田的股价数据、技术指标，以及比亚迪、特斯拉等邻居的情绪，给我 5 个能预测明天股价的独家公式。”- AI 会像人类一样思考：“哦，如果比亚迪情绪高涨，而丰田的技术指标显示超卖，那可能是一个买入信号。”
- 于是，AI 生成了像
α = 动量 + 0.5 × (丰田情绪 - 比亚迪情绪)这样的公式。 - 亮点：AI 还能解释它为什么这么写（比如：“因为电商巨头亚马逊的乐观情绪可能反映了整体消费能力的提升，进而利好百事可乐”），这让公式变得透明、可解释。
第二步：大厨做菜（Transformer 模型预测）
有了这些 AI 发明的“新食谱”（公式），研究人员把它们作为高级食材，喂给一个叫做Transformer的深度学习模型。- Transformer 就像一个超级大厨，它擅长处理时间序列（就像记住过去几天的口味变化）。
- 它利用这些 AI 生成的公式，结合历史数据，预测明天的收盘价。
4. 实验结果：AI 厨师确实有两把刷子
研究人员找了五家大公司（苹果、汇丰、百事、丰田、腾讯）做实验，对比了不同的方法：
- 传统方法：用人类老手写的公式，或者用简单的数学工具生成的公式。
- 新方法：用 AI 生成的公式。
结果发现：
- 更准：使用 AI 生成公式的 Transformer 模型，预测股价的准确率最高，误差最小。
- 更稳：即使每次让 AI 重新发明一套公式，预测结果依然很稳定，说明 AI 真的学到了规律，而不是在瞎蒙。
- 情绪很重要：把“邻居”和“竞争对手”的情绪加进去，预测效果比只看自家数据要好得多。
- 对比惨烈：如果用人类几十年前写的老公式（比如《101 个公式》里的），预测效果差得离谱（误差大了几十倍），因为那些老公式已经“过时”了。
5. 总结：这意味着什么？
这篇论文告诉我们，未来的投资分析可能不再是人类苦思冥想，而是人机协作：
- AI 负责“想”：利用大模型强大的推理能力，从海量新闻和数据中挖掘人类想不到的复杂关系（比如跨行业的微妙联系），发明新的预测公式。
- 人类负责“看”：AI 会解释它的逻辑，人类可以判断这个逻辑是否合理，然后决定是否采纳。
一句话总结：
这就好比以前我们靠老厨师的经验做菜，现在请了一位读过万卷书的 AI 厨师，它不仅能尝出食材的味道，还能根据隔壁邻居的动静，现场发明出全新的独家秘方，让预测明天的股价变得比以前更准、更聪明。