卓锐证券 x Max Planck研究所｜RICE-ALPHA：基于事件图谱的 LLM 股价预测 النص الأصلي بالصينية

背景

新闻不是独立事件，而是企业事件的连续演进

股票相关新闻从来不是孤立的观察点，而是一个时间上相互依赖的企业事件链条。一条"营收超预期"的新闻，可能是在更新此前"产品发布"这个事件的进展；一条"监管调查"的报道，可能与三个月前的"财报造假传闻"构成同一事件的延续。

这意味着，历史信息只有在三个条件同时满足时才真正有用：事件连续性（这条新闻与之前哪个事件相关）、信息可得性（在预测截止时这些信息是否真的可见）、转移可靠性（这类事件转移在统计上是否真的有预测力）。

现有方法的三个致命缺陷：

• 历史上下文不足：LLM 金融 Agent 越来越多地引入历史证据，但在严格的时间截点（point-in-time）约束下，很难保持发行方（issuer）特有的事件时间线。你今天看到的消息，在三个月前是否可见？这个问题大多数系统答不上来。

• 事件关系的时间基础薄弱：跨股票配对（cross-stock pairing）容易产生虚假关联。A 公司的"产品发布"和 B 公司的"营收增长"在时间上碰巧相邻，不代表它们有因果关系。

• 历史转移未做校准：即使找到了"事件 A 之后通常跟着事件 B"的规律，也没有衡量这个规律的可信度。一个只出现过 2 次、但恰好都对了的转移，和一个出现过 200 次、准确率 65% 的转移，权重不应该一样。

RICE-ALPHA 框架设计

RICE-ALPHA（Reliability-Informed Correction with Event Graphs）的核心思想非常优雅：把"基础预测"和"历史事件的增量信息"分开处理。

它不是让 LLM 一口气读完所有历史新闻然后给出结论，而是分成两个信号：

信号一：Base Alpha
  → 多视角融合：情绪 + 技术面 + 基本面 + 宏观
  → 情绪视角由"多层记忆层"锚定在时间合法的发行方历史中
  → 输出：一个保守的、多视角一致的参考分数

信号二：RICE Delta
  → 从历史事件的"成熟转移"中提取结构化信号
  → 用转移频率、市场状态、滞后结构、收益关联、观测可靠性做权重校准
  → 与 Base Alpha 和技术面视角做残差化，去掉重复信息
  → 输出：纯粹的"历史事件延续带来的增量"

最终 Alpha = Base Alpha + 有界残差组合（RICE Delta）

这个"分离设计"是全文最精妙之处：先让模型给出一个不依赖历史事件的"基准判断"，再用历史事件关系去"修正"它。就像天气预报先给出一个基于当前气象数据的预测，再用"过去类似天气模式的历史走向"去做微调。

模块一：历史感知的多视角 Base Alpha

输入状态定义为 X = (N, T, F, M)：

四个专职 Agent 分别处理：

• Sentiment Agent（情绪视角）：额外由MML（Multi-Tier Memory Layer，多层记忆层）加持。MML 检索时间合法的发行方特有上下文。
• Technical Agent（技术面视角）：处理价格-成交量序列。
• Fundamental Agent（基本面视角）：处理财务报表数据。
• Macro Agent（宏观视角）：输出一个共享的日级别市场信号。

四个视角的信号经过置信度过滤 → 成熟反馈调整 → 分歧处理 → 加权调和，最终叠加有界的宏观调整，得到 Base Alpha。

模块二：RICE 事件引擎

这是全文的技术核心，分两个阶段：

阶段一：构建 PIT 事件图谱

Step 1：新闻 → 类型化事件状态

企业新闻流中既有真实的事件进展，也有重复报道。如果把每篇文章都当作独立事件，会严重扭曲转移统计。

Typed Event Agent 在每个历史截止点 τ < t 处理新闻 N 和之前已验证的活跃记录集 Z，将新信息解析到已有的发行方事件集中。

每条被接受的记录 z = (g, f, π, κ) 包含：

其中 κ ∈ {NEW, UPDATED, CARRIED}：

• • NEW：开启一个新的未匹配事件
• • UPDATED：对已有活跃事件的实质性信息补充
• • CARRIED：保留一个未解决的事件，但不引入新的"发生"

Step 2：类型化状态 → 股票局部转移

时间上的后继关系在股票估计，以区分"事件演进"和"偶然共现"。

对于同一股票的两次合法出现，状态 A → B 被采纳当且仅当：

1. 1. B 在 A 的后继窗口 W 内发生
2. 2. 两次出现属于同一市场状态 ζ

这种设计把"公司事件的时间线"和"跨公司的统计规律"分开处理——先在单个公司内确认事件先后关系，再在满足条件的公司之间汇总。

Step 3：局部转移 → 冻结的 PIT 图谱

单个公司的事件转移样本太少，统计上不稳定。所以论文的设计是：先在公司内部形成转移关系，再在相同的市场和状态下跨公司汇总。

图谱 G_t(ζ) = (V_t(ζ), E_t(ζ)) 中：

• • 节点 A = (f, π) 是一个类型化事件状态
• • 边 e = (A, B) 是一条已"成熟"的后继关系

阶段二：可靠性加权的残差修正

Step 1：当前状态 → 一跳后继边

在当前截止点，把当前查询状态与冻结图谱中的同状态节点匹配，找到合法的一跳出边。

对于每条边 e = (A, B)：

• • 条件转移率 p_e = (n_e + α_p) / (n_A + α_p + β_p)
• • 状态基准率 q_e = (n_{e→B} + α_q) / (N_ζ + α_q + β_q)
• • 相对提升 L_e = p_e / max(q_e, ε)

L_e 衡量了"B 跟随 A 的频率"相对"整个状态中 B 的基准频率"的提升幅度。这排除了那些本身就很普遍的"后继事件"的干扰。

候选边被限制为非自转移，并通过支持度、转移强度和每节点预算约束进行过滤。

Step 2：后继边 → 可靠性权重

转移频率本身不足以确立预测相关性。每条保留的边获得一个观测可靠性权重 ρ_obs ∈ [0,1]，基于：

• • 已成熟转移的支持度
• • 覆盖的不同后继日期数
• • 标准化的后继收益关联

Step 3：加权边 → 残差 RICE Delta

每条边 e = (A, B) 贡献一个有界分数 C，其符号跟随已成熟的后继收益关联，幅度由转移强度、观测可靠性、查询状态重要性和时间对齐共同决定。

聚合所有保留的出边后，得到图谱信号 r_graph。

但这里有一个关键问题：MML 和技术面视角可能已经编码了与事件图谱相同的信息。直接相加会造成信息重复。

解决方案：残差化（residualization）。

RICE Delta = g_edge × Res(r_graph; Base Alpha, Technical View)

残差化的本质：先用 Base Alpha 和技术面视角去"解释"图谱信号，把能被它们解释的部分去掉，只保留图谱信号中"多出来"的那部分。

最终合成：Base Alpha 和 RICE Delta 通过有界残差组合得到最终股票评分。

实验设计与评估

数据与基准

核心结果：碾压级表现

RICE-ALPHA 的 ICIR 是第二名的 2 倍以上（美国：0.2928 vs 0.1274；香港：0.1986 vs 0.0645）。

RICE-ALPHA 的夏普比率 1.656 / 1.725，远超所有基线。 作为对比，最强基线（MEME）的夏普只有 0.591 / 0.638。

更惊人的是回撤控制：美国最大回撤仅 12.09%，是纳斯达克 100 指数（24.37%）的一半。

消融实验：每个组件都在贡献

规律极其清晰：IC 从 0.0064 → 0.0191 → 0.0260 → 0.0350，ICIR 从 0.0472 → 0.1469 → 0.2203 → 0.2928，每增加一个组件就提升一步，单调递增。

两个关键发现：

1. 1. 可靠性和残差化是互补的：仅可靠性加权的 IC 为 0.0326，远超仅残差化的 0.0208。但两者叠加后达到 0.0350，残差化在可靠性加权的基础上进一步"提纯"了增量信息。
2. 2. 光有记忆不够：即使只用多智能体 + 记忆层（去掉 C2-C3），ICIR 为 0.1469，已经超过了所有基线方法。这说明"在时间截点约束下给情绪 Agent 提供合法的历史上下文"本身就是巨大的提升。

熊市表现：真正的分水岭

在纳斯达克 100 的最大崩盘（-24.4%）中，RICE-ALPHA 只跌了 10.9%，是全部方法中损失最小的。

香港市场的下跌月份，RICE-ALPHA 甚至录得正收益（+1.3%）。

这揭示了 RICE-ALPHA 的本质优势：它不是一个"更激进的选股模型"，而是一个"更懂什么时候该减仓的模型"。 事件图谱中的"负面事件转移"在崩盘前提供了有效的预警信号。

结论

这篇论文最反直觉的发现是：历史事件的转移模式，确实提供了超出当前信息集的预测增量。

传统观点认为：如果当前信息集已经包含了所有可见的新闻和价格数据，那么历史事件的统计规律不应该再有额外信息。

但 RICE-ALPHA 证明了：即使控制了当前新闻情绪和技术面信号，历史事件的"成熟转移"仍然显著提升了预测质量。

原因可能在于：

1. 1. 事件演进的结构性：企业事件（如产品迭代周期、监管审批流程、财报季节奏）有其内在的时间结构，这种结构不是单条新闻能完全捕获的。
2. 2. 情绪噪音的过滤：当前新闻可能充满噪音和情绪化表达，但历史统计告诉你"这类事件组合在 200 次中 130 次导致了什么结果"——这是结构化的、冷静的。
3. 3. 跨公司的模式迁移：单个公司的样本太少，但跨公司汇总后，统计规律浮现出来。比如"供应链中断事件"在不同行业的公司中有相似的后续模式。

但关键在于"怎么用"：直接把图谱信号加到基础预测上，IC 只有 0.0260。做了可靠性校准和残差化之后，IC 达到 0.0350。不是历史信息没用，而是大多数方法不会正确地利用它。

核心贡献

历史感知的多视角 Base Alpha：在严格时间截点约束下，用结构化 MML 把时间合法的发行方历史注入情绪 Agent，让当前新闻的理解有了历史语境。

股票事件图谱：后继关系严格在发行方内部形成，只在合法局部配对之后才跨公司汇总。既保留了公司事件的时间线，又防止了前视偏差和虚假跨股票转移。

可靠性校准的残差修正：用转移频率、状态相对提升、滞后结构、后继收益关联和观测可靠性五个维度校准图谱信号，再做残差化处理，只保留与基础预测不重叠的增量部分。