English(EN) Learning to Aggregate Zero-Shot LLM Agents for Corporate Disclosure Classification

研究人员聚合零样本LLM输出以提高股票回报预测

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-01 04:00

研究人员开发了一种轻量级的监督聚合器，用于组合多个零样本大型语言模型（LLM）的输出来对公司披露进行分类。该方法旨在通过利用无需特定任务微调即可分析财务披露的LLM的多元化视角来提高预测准确性。与单独的LLM分类器和基线模型相比，该聚合器表现出更优越的性能，特别是在不同模型产生冲突预测的混合信号披露方面。研究表明，虽然零样本LLM能够捕捉有价值的财务信号，但监督聚合方法是最大化这些收益的关键。 AI

影响通过提高公司披露分类的准确性，增强了LLM在金融分析中的效用。

排序理由关于LLM输出聚合新方法的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Research; 关于LLM输出聚合新方法的学术论文。
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 129 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Kemal Kirtac · 2026-05-01 04:00

学习聚合零样本LLM智能体用于公司披露分类

arXiv:2603.20965v2 Announce Type: replace-cross Abstract: This paper studies whether a lightweight supervised aggregator can combine diverse zero-shot large language model outputs into a stronger downstream signal for corporate disclosure classification. Zero-shot LLMs can read d…

本文如何被排名

报道来源 [1]

学习聚合零样本LLM智能体用于公司披露分类

相关实体

相关话题