LENS：可靠性感知的LLM先验与新闻语义图股价预测

预测股票回报不仅需要捕捉公司间长期稳定的关联，还要对随时间变化的市场信号做出反应。传统图神经网络（GNN）方法将静态先验与动态关系图结合，却默认每条提取出的边都是同等可信的事实——这一假设忽略了不同关系来源之间的可靠性差异。最近一篇论文提出的LENS框架，正是试图把“关系可靠性”作为贯穿整个流程的一等信号来处理。

从“二元事实”到“可靠性信号”

股票预测的核心挑战在于建模两种信息：一是公司之间持续存在的关系（如供应链、竞争、合作），二是随时间波动的市场信号（如新闻事件、情绪变化）。GNN方法通常用静态图表示前者，用动态图表示后者。但问题在于，无论是从知识库还是从文本中抽取的关系，都被当作确定性的边来处理，没有区分哪些关系更可靠、哪些可能只是噪声。

LENS的出发点很直接：关系抽取本身带有不确定性，不同来源的可靠性差异应当被显式建模。据论文描述，该框架在静态和动态两个层面都引入了可靠性加权机制，而不是把所有边一视同仁。

图神经网络（GNN）与股票关系建模

GNN 是一类直接在图结构上做消息传递的神经网络：每个节点（此处即公司）聚合邻居节点的特征来更新自身表示，从而把“谁和谁有关系”这一结构信息编码进预测。在股票预测中，节点是上市公司，边代表供应链、竞争、共同持股等关系，节点特征则是价量指标或财务数据。传统做法把边视为无权或固定权重的连接，模型只能学习“有关系/没关系”，无法表达“这条关系有多可信”。LENS 的改动正落在边权上——把可靠性作为可学习的边权重参与消息传递，使噪声边在聚合时被自然弱化。

AR@5 与 SR@5

AR@5（Average Return at 5）指模型每日排名前 5 的推荐股票在持有期内的平均累计收益率，衡量选股信号的绝对收益能力；SR@5（Sharpe Ratio at 5）是同一组前 5 名组合的夏普比率，即超额收益与波动率之比，衡量单位风险下的回报效率。之所以只看前 5 名，是因为量化选股策略通常只交易排序最靠前的少数标的，头部精度比整体排序更贴近实际使用。两个指标需结合看：AR 高而 SR 低说明收益伴随高波动，实际可交易性会打折扣。

静态侧：LLM多轮抽取与置信度加权

在静态关系图构建上，LENS利用大语言模型抽取多关系公司图，并对多次运行的结果进行聚合，用置信度加权来降低低一致性边的权重。这个设计的逻辑是：如果LLM在不同运行中对某条关系的判断一致，说明该关系更可能是真实的；如果反复出现矛盾，则可靠性存疑。

这种做法实际上把LLM的“自我一致性”转化为关系可靠性的代理指标。相比直接使用单次抽取结果，多轮聚合能在不引入额外标注的情况下过滤掉一部分噪声边。论文还进行了一项人工验证研究，对采样关系进行校验，结果表明这种聚合方式是有依据的——即聚合后的关系与人类判断具有一致性。

LLM 自我一致性（Self-Consistency）

自我一致性最初是一种提示与解码策略：对同一问题用较高温度多次采样，得到多条推理路径，再对最终答案投票，以多数结果作为输出。其假设是——正确答案更容易被模型以不同路径反复得到，而错误答案往往随机分散。LENS 把这套逻辑从“答案投票”迁移到“关系抽取”：对同一对公司关系多次抽取，统计其出现频率与一致性，作为该关系可靠性的代理。这样无需人工标注即可获得一个连续的置信度分数，代价是需要多次调用 LLM，推理成本随轮数线性增长。

动态侧：新闻驱动的语义图与时间衰减

动态侧的核心是构建新闻驱动的语义图，并采用指数衰减的时间聚合机制来捕捉变化中的市场语境。新闻覆盖往往不均匀——某些公司频繁出现在报道中，另一些则很少被提及。LENS通过时间衰减来处理这种不均匀覆盖：越近的新闻权重越高，同时衰减机制也避免旧闻对当前判断产生过强影响。

这一设计回应了金融预测中的一个现实问题：市场上下文是快速变化的，静态关系图无法反映突发事件带来的短期关联变化。新闻语义图提供了一种补充信号，但它本身也需要可靠性管理，因为新闻质量和覆盖密度差异很大。

指数衰减聚合

指数衰减是时间序列聚合的常用手段：给时间戳为 (t) 的观测赋权 (e^{-\lambda(t_{\text{now}}-t)})，(\lambda) 控制遗忘速度，越久远的信息权重越低但不会瞬间归零。相比滑动窗口“进窗保留、出窗丢弃”的硬截断，指数衰减是平滑加权，能保留长尾历史信息的同时突出近期信号。在 LENS 中，衰减作用在新闻语义图的边上：同一对公司若近期被共同报道，其动态边权重更高；旧新闻的边随时间自然淡化，避免历史事件长期主导当前判断。(\lambda) 的取值本质上是在“反应速度”与“稳定性”之间做权衡。

门控融合：逐股逐日重新平衡

LENS在静态图和动态图之上加了一个上下文相关的门控融合模块，在每只股票、每个交易日层面重新平衡两个图的贡献。这意味着模型不是固定地信任某一侧信息，而是根据当前上下文动态调整。

消融实验分别隔离了各组成部分的贡献，说明静态可靠性聚合、动态语义图和门控融合都在整体性能中扮演了角色。这种逐股逐日的粒度也符合直觉：不同公司对新闻的敏感度不同，同一公司在不同时期对静态关系的依赖程度也会变化。

门控机制（Gating）

门控源自 LSTM 等循环网络，核心是一个取值 0 到 1 的标量或向量，通过 sigmoid 等函数由当前输入动态生成，用来控制两路信息各占多少比重。与固定加权求和相比，门控让融合系数随上下文变化：当某只股票近期新闻密集且语义信号清晰时，门控可偏向动态图；当新闻稀疏或噪声大时，则回退到更稳定的静态关系图。LENS 把门控粒度下推到“每只股票、每个交易日”，即每个样本都有独立的融合系数，这要求门控网络的输入包含该股票当日可用的上下文特征，也意味着可解释性提升——可以观察模型在何时更依赖哪一侧信息。

基准表现：S&P 500与NASDAQ 100上的提升

论文在S&P 500和NASDAQ 100两个股票池上进行了评估。在S&P 500上，LENS相比最强基线将AR@5提升了16.4%，SR@5提升了22.6%；在NASDAQ 100上取得了可比改进，分别为15.5%和20.9%。这些指标衡量的是前5名预测的累计回报和夏普比率，提升幅度在量化选股场景中具有实际意义。

需要说明的是，这些数字来自论文报告的实验设置，实际交易表现还会受到交易成本、滑点、市场状态等因素影响。但就方法论而言，把可靠性作为显式信号纳入图构建流程，为基于图的金融预测提供了一个值得关注的方向。

可靠性感知为何重要

LENS的核心贡献不在于发明了新的GNN结构，而在于重新定义了“边”的含义——从二元事实变成带可靠性权重的信号。这一视角转换在金融场景中尤其自然，因为金融关系数据本身就充满噪声和时变性。

从更广的角度看，LLM抽取先验加新闻语义图的组合，提供了一种可解释的中间层：静态图给出结构化的公司关联，动态图捕捉事件驱动的语义变化，门控机制则让两者根据上下文协作。论文的人工验证研究也为LLM抽取关系的可用性提供了初步证据。

对于关注AI在金融领域落地的研究者来说，LENS的启示在于：与其追求更复杂的图网络，不如先把输入信号的可靠性刻画清楚。可靠性加权、多轮聚合、时间衰减这些机制本身并不新颖，但把它们统一到一个框架中并作为一等信号处理，是这篇工作值得关注的地方。