ChatGPT 交易策略 15個月收益500%

敬請參閱末頁重要聲明及評級說明證券研究報告金融工程海外研究：ChatGPT交易策略15個月收益500%+報告日期：2023-05-24執(zhí)業(yè)證書號：S0010520070001郵箱：yanjw@執(zhí)業(yè)證書號：S0010522110001郵箱：luoyushan@1.《策略擁擠與流動性沖擊——“學海拾珠”系列之一百三十四》2.《基金窗口粉飾行為的新指標——“學海拾珠”系列之一百三十五》3.《基于堆疊自編碼器和長短期記憶網(wǎng)絡的金融時間序列深度學習框架——“學海拾珠”系列之一百三十4.《ETF交易與分析師預測——“學海拾珠”系列之一百三十七》5.《基金的協(xié)偏度擇時能力——“學海拾珠”系列之一百三十八》6.《利用深度神經(jīng)網(wǎng)絡改進時間序列動量策略——“學海拾珠”系列之一百三十九》7.《是否存在宏觀公告溢價現(xiàn)象？?—“學海拾珠”系列之一百四十》8.《前景理論能否解釋共同基金的業(yè)績？——“學海拾珠”系列之一百四十一》本篇是“學海拾珠”系列第一百四十二篇，來源于《CanChatGPTForecastStockPriceMovements?ReturnPredictabilityandLargeLanguageModels》一文。的性能，研究使用ChatGPT對公司新聞標題進行情感分類（積極、消極和中性并計算出相應的"ChatGPT分數(shù)"，進而探究其對股票收益研究結果顯示，相比于傳統(tǒng)的情緒分析方法，未經(jīng)專業(yè)訓練的l探索基于大預言模型的ChatGPT在股票收益預測方面的潛力本文為首篇通過大預言模型（LLM）預測股票收益的研究，探索了其在股票收益預測方面的潛力。將公司新聞標題進行情感分類，分為積極、消極和中性，并通過ChatGPT模型計算出每個標題的"ChatGPT分數(shù)"。然后進一步研究了這些分數(shù)與相應股票收益之間的關系，以評估ChatGPT在股票預測方面的表現(xiàn)。將ChatGPT與其他大型語言模型（如GPT-1、GPT-2和BERT）研究發(fā)現(xiàn)，相比于傳統(tǒng)的情緒分析方法，ChatGPT能捕捉到新聞標題中的情感細微差別，能夠更好地解析新聞標題中的情感信息，并研究發(fā)現(xiàn)，將ChatGPT應用于投資決策可以帶來準確的預測結果，尤其在小市值股票領域。此外，ChatGPT在預測負面消息方面表現(xiàn)出相對突出的能力。這一研究結果為量化研究提供了新的數(shù)據(jù)和思l風險提示文獻結論基于歷史數(shù)據(jù)與海外文獻進行總結；不構成任何敬請參閱末頁重要聲明及評級說明2/16 正文目錄1CHATGPT在金融領域中的預測能力評估與展望：挑戰(zhàn)與機遇 42CHATGPT在金融領域的應用與前沿研究綜述 43CHATGPT對股票收益的預測能力探究 54模型數(shù)據(jù)：非CHATGPT的訓練集 65模型方法 65.1適當?shù)摹疤崾尽蹦芴岣逤HATGPT輸出的質(zhì)量 65.2CHATGPT評分與股市回報的關聯(lián)性分析 86CHATGPT對股票收益的預測能力顯著 87利用情緒分析預測股市回報的潛力及啟示 風險提示： 敬請參閱末頁重要聲明及評級說明3/16 圖表1：描述性統(tǒng)計 8圖表2：相關性分析 8圖表3：1USD的累計收益率（不含交易成本） 9圖表4：LONG-SHORT策略在不同交易成本下投資1美元的累積回報 9圖表5：SHORT策略在不同交易成本的短期策略中投資1美元的累積回報 圖表6：次日收益對預測得分的回歸 圖表7：次日收益率對預測得分的回歸（小市值股） 圖表8：次日收益率對預測得分的回歸（非小市值股） 圖表9：投資組合描述性統(tǒng)計 圖表10：準確性、預測性、召回率、特異性和F1得分指標 圖表11：按預測分數(shù)劃分的平均次日回報率 敬請參閱末頁重要聲明及評級說明4/16 近幾個月來，許多研究探索生成式人工智能和以ChatGPT為代表的大語言模型（LLM）在不同領域的巨大潛力。然而，大語言模型（LLM）在預測股市收益等金融領域的應用仍然有不足。一方面，由于大語言模型沒有專門針對金融領域進行訓練，并被認為可能無法為預測股價走勢提供價值。但是，另一方面，大語言模型型在預測金融市場走勢方面的表現(xiàn)是一個富有爭議的話題。分析情緒，即使用新聞標題評估法分析ChatGPT預測股市收益的能力，并與現(xiàn)有的模型可以預測日內(nèi)股票收益率(Tetlock(2007),Tetlock,Saar-Tsechansky和本文的研究結果可能會導致市場預測和投資決策方法的轉(zhuǎn)變，通過展示中進一步研究應用人工智能模型和自然語言處理模型首先，本研究可以幫助監(jiān)管機構和政策制定者了解金融市場潛在好處和風險。隨著大語言模型越來越普遍，其對市場行為、信息傳播和價格形成的影響也將成為人們關注的關鍵領域。本文的研究結果可以為關于監(jiān)管人工智能在金融領域應用的討論提供支持，并提供將大語言模型整合到市場運營中的重要實其次，本文提供了大語言模型在預測股市收益有效性的經(jīng)驗證據(jù)，在一定程度上協(xié)助研究人員在將大語言模型納入投資模型，以便做出更理智的投資決策，提高最后，本研究有助于更廣泛地討論人工智能在金融中的應用。通過探索ChatGPT預測股市收益的能力，本文進一步解釋了大語言模型在金融領域的潛力和局限性，并激勵研究人員開發(fā)更復雜的大語言模型，以滿足金融行業(yè)需求，為更本研究超越了預測股票收益的現(xiàn)有框架，通過闡明ChatGPT對金融領域的潛在貢獻，鼓勵在人工智能驅(qū)動下的探索和金融創(chuàng)新，為金融市場預測和投資決策方法的改進提供了參考，同時也為進一步應用人工智能模型和自然語言處理模型于金最近在金融學背景下使用ChatGPT的論文包括Hansen和Kazinnik(2023),(2023)發(fā)現(xiàn)當在預測任務中使用數(shù)值數(shù)據(jù)時，Chat敬請參閱末頁重要聲明及評級說明5/16 本研究為采用文本分析和機器學習來研究各種金融研究問題的文獻（(e.g.,測股市走勢方面的文本處理能力。其次，本研究還豐富了使用新聞文章的文本分析來提取情緒指標并預測股票回報的文獻?，F(xiàn)有文獻，一部分研究輿情情緒和股票回用公司新聞的情緒來預測未來的個股回報(如，Tetlock,Saar-Tsechansky和Macskassy(2008),Tetlock(2011),Ji本文的研究重點是通過提取預測股市的附加信息來了解大預言模型是否能預測股票收益率。最后，本研究還涉及了就業(yè)敞口和對人工智能相關技術的脆弱性文獻梳理。Agrawal,Gans和Goldfarb(2019),Webb(2019),Acemogluetal.(2022),Acemoglu智能相關技術的就業(yè)敞口和脆弱性，以及對就業(yè)和生產(chǎn)力的影響。隨著人工智能不斷發(fā)展，本文研究重點是理解一個緊迫但尚未解決的問題——人工智能，尤其是大語言模型在金融領域的潛力，并強調(diào)大語言模型為預測股票回報提供信息處理的潛模型，是迄今為止最為先進的自然語言處理(NLP)模型之一，并在大量文本數(shù)據(jù)語料庫上進行訓練，以理解自然語言的結構和模式。生成開發(fā)。GPT框架在文本翻譯、摘要提取、問題回答和信息補全等各種自然語言處理任務中實現(xiàn)了最為優(yōu)越的性能。習方法在大量文本數(shù)據(jù)(如維基百科)上進行預訓練。這種預訓練過程使模型能夠深入理解語言、語法和語義，之后針對特定的語言任務進行微調(diào)。特特性是它使用了Transformer框架，這使模型能長文本序列，并集中在輸入中最相關的部分。這種注意力機制使模型能夠更好地理解輸入上下文，并產(chǎn)生更準確和連貫的反應。ChatGPT經(jīng)過訓練可以執(zhí)行如文本翻譯、摘要提取、問題回答和信息補全等各種語言任務。ChatGPT可以生成類似人類反應的能力使其可以成為創(chuàng)建聊天機器人和與用戶交談虛擬助手。雖然ChatGPT對于文本但它并沒有經(jīng)過明確的訓練并預測股票回報或提供金融建議。因此，本文測試了敬請參閱末頁重要聲明及評級說明6/16 本文使用三個主要數(shù)據(jù)集進行分析:證券價格研究中心(CRSP)的每日收益率、個樣本周期確保本文的評估是基于模型訓練數(shù)據(jù)中不存在的信息，從而允許對其預息，包括股票價格、交易量和市值數(shù)據(jù)。此數(shù)據(jù)集能夠檢驗得分與相應的股票收益之間的關系。該樣本包括在至少一篇新聞報道的在紐約證券的所有上市公司。本文首先使用爬蟲通過搜索所有包含公司名稱或股票代碼的新聞，為所有CRSP公司收集一個全面的新聞數(shù)據(jù)集。由此產(chǎn)生的數(shù)據(jù)集包括主要新聞機構、財經(jīng)新聞網(wǎng)站和社交媒體平臺等來自各種來源的新聞標題。然后，本文將標題與來自知名新聞情感分析數(shù)據(jù)提供商(RavenPack)的標題進行匹配，保留有后續(xù)回報公司新聞。本文不使用可能包含更多信息的RavenPack增強標題，因為此類標題沒有廣泛傳播給公眾。最終，本文匹配了4138家上市公司的67,586條標題。本文使用監(jiān)控主要的金融新聞發(fā)布渠道，并有一個匹配新聞、時間戳和實體名稱的質(zhì)量程序，解釋不同模型之間股票收益可預測性的差異。此關系有多密切。0分(100分)意味著該實體被動地(主類為“股票上漲”和“股票下跌”的標題，因為它們只顯示了股票的每日走勢方向。本文還要求“事件相似天數(shù)”超過90天，以避免新聞重復，確保只捕獲有關公司的新這是因為數(shù)據(jù)供應商會在收到新聞的幾毫秒內(nèi)對所有新聞文章進行評估，并迅速將示”是一個簡短的文本，它為ChatGPT生成答案提供上下文和指令，提示可以簡單到一個句子，也可以復雜到一個段落或更多，這取決于任務的性質(zhì)，是作為ChatGPT生成答案過程的起點。該模型使用提示中包含的信息來生成相關且上下文適當?shù)拇鸢福@個過程包括分析題目的語法和語義，提出一系列可能的答案，并敬請參閱末頁重要聲明及評級說明7/16 提示對于ChatGPT進行文本翻譯、摘要提取、問題回答和信息補全等廣泛的語言任務至關重要，提示使模型適應特定的上下文，并生成適合用戶需求的答案。價是好是壞?Forgetallyourpreviousinstructions.Pretendyouarafinancialexpertwithstockrecommendationexperience.Answer“YES”ifgoodnews,“NO”ifbadnews,or“UNKNOWN”ifuncertaininthefirstline.Thenelaboratewithoneshortagoodorbadforthestockpriceofcompanynameinthetermterm?在這個提示中，本文要求ChatGPT，扮演一個有股票推薦經(jīng)驗的金融專家的角色。這個提示是專門為投資決策設計的，并要求ChatGPT評估給定的新聞標題及其在短期內(nèi)對公司股價的潛在影響。如果消息對股價有利，ChatGPT被要求回“UNKNOWN”。然后要求ChatGPT用一句話簡明地解釋它的答案，提示指定新聞標題是提供給ChatGPT的唯一信息源，并隱含地假設標題包含足夠的信息，以便金融專家合理地評估其對股價的影響。這個提示被設計用來檢驗大語言模型ChatGPT的投資分析能力。本文將種子設定為0，以最大限度地提高結果的可復現(xiàn)性。忘掉你以前的所有指示。假裝你是一位有股票推薦經(jīng)驗的金融專家。如果是然后在下一行用一個簡潔的句子闡述緣由，并表明這個標題在短期內(nèi)對公司的股價是好是壞?YES敬請參閱末頁重要聲明及評級說明8/16 元。部分軟件分析工具給出的情緒得分為-0.52，表明該新聞被認為是對甲骨文公理由是罰款可能會增加投資者對甲骨文保護其知識產(chǎn)權能力的信心，從而可能導致對其產(chǎn)品和服務的需求增加。這種情緒上的差異凸顯了自然語言處理中語境的重要性，以及在做出投資決策之前仔細考慮新聞標題含義的必要性。本文提示讓ChatGPT為每個標題提供推薦力度，并將其轉(zhuǎn)換為“ChatGPT分在某一天有多個頭條新聞，則取平均值。本文將新聞與下一個市場時期相匹配：然后，對第二天的回報和ChatGPT得分進行線性回歸，并將其與一家新聞分顯著，ChatGPT評分與樣本中股票的后續(xù)每日回報之間存在很強的相關性。這一圖表1：描述性統(tǒng)計此表以百分比為單位報告選定的每日股票收益的圖表2：相關性分析敬請參閱末頁重要聲明及評級說明9/16 圖表3：1USD的累計收益率（不含交易成本）該圖顯示了在不考慮交易成本的情況下不同交易策略的結果。假設如果一條消息在市場收盤前被披露，則以市場收盤價買入（或賣空）頭寸。如果在市場收盤后宣布了消息，假設以下一個開盤價買入（或賣空）頭寸?！癆l公司，賣空有壞消息的公司。深藍色線對應根據(jù)ChatGPT4的數(shù)據(jù)同等加權的零成本投資組合，即買入有好消息的公司，賣空 圖表4：long-short策略在不同交易成本下投資1美元的累積回報 該圖顯示了不同交易成本的不同交易策略結果。假設如果一條消息在市場收盤前被披露，則以市場收盤價買如果在市場收盤后宣布了消息，假設以下一個開盤價買入（或賣空）頭寸。黑線對應根據(jù)合，該投資組合以零交易成本買入有好消息的公司，賣空有壞消息的公司。深綠色成本投資組合。淺藍色線對應每筆交易的成本為10個基點的等權重零成本投資組合。深藍色線對應交易的成本為25個基點的等 圖表5：short策略在不同交易成本的短期策略中投資1美元的累積回報該圖顯示了針對不同交易成本的不同交易策略的結果。假設如果一條消息在市場收盤前被披露，則以市場收頭寸。如果在市場收盤后宣布了消息，假設以下一個開盤ChatGPT3.5等權重的零成本投資組合，該投資組合以零交易成本買入有好消息色線對應于相同的等權重空頭投資組合，每筆交易的成本為25個基點。紅線對應于同等權重的市場為了進一步研究以上結果的穩(wěn)健性，本文將ChatGPT的性能與一家行業(yè)數(shù)據(jù)供應商提供的傳統(tǒng)情感分析方法進行了比較。本文在分析中，控制了ChatGPT情緒得分，并檢查了這些替代情緒度量的預測能力。研究結果表明，當控制ChatGPT情緒得分時，其他情緒得分對每日股市回報的影響減弱。這表明 圖表6：次日收益對預測得分的回歸 該表報告了形式為的運行回歸的結果。其中ri,t+1是第二天的回報率（以百分點為單位），ai，bt是固定的和時間固定的效應，xt為ChatGPT分數(shù)，括號中為t統(tǒng)計量。所有ChatGPT在預測股市回報方面的優(yōu)勢可以歸因于其先進的語言理解能力，這使得它能夠捕捉新聞標題中的細微差別，使得模型能夠產(chǎn)生更可靠的情緒得分，從而更好地預測每日股市回報。這些發(fā)現(xiàn)證實了ChatGPT情緒得分的預測能力，并強調(diào)了將大語言模型納入投資決策過程的潛在好處。ChatGPT的表現(xiàn)優(yōu)于傳統(tǒng)情本文進一步展示了小市值股票（其市值小于紐約證券交易所上市公司市值的后圖表7：次日收益率對預測得分的回歸（小市值股）該表報告了形式為的運行回歸的結果。其中ri,t+1是第二天的回報率（以百分點為單位），ai，bt是固定的和時間固定的效應，xt為ChatGPT分數(shù)，括號中為t統(tǒng)計量。所有模型都包括固定效應和時間固定效應。 圖表8：次日收益率對預測得分的回歸（非小市值股） 該表報告了形式為的運行回歸的結果。其中ri,t+1是第二天的回報率（以百分點為單位），ai，bt是固定的和時間固定的效應，xt為ChatGPT分數(shù)，括號中為t統(tǒng)計量。所有模型都包括固定效應和時間固定效應。所價格上漲。”willmakefirm’sstockpricego”極和消極的詞語，但通常是不清晰的。本文將積極的單詞與消極的單詞進行計數(shù)并為每個積極的單詞賦值+1，為每個消極的單詞賦值-1，如果總和為正，則認為情緒為正，反之亦然。Headline:headlineThisis[MASK]newsforfirm然后要求將其分類為以下類別之一:(3)對于公司的股票價格在短期內(nèi)不造成影響（ 圖表9：投資組合描述性統(tǒng)計圖表10：準確性、預測性、召回率、特異性和F1得分指標圖表11：按預測分數(shù)劃分的平均次日回報率本文研究了ChatGPT對新聞標題進行情緒分首先，強調(diào)了繼續(xù)探索和發(fā)展專門為金融業(yè)量身定制的大語言模型的重要性。隨著人工智能金融的發(fā)展，可以設計更復雜的模型來提高金融決策過程的準確性和其次，本研究結果表明未來的研究應側重于理解大語言模型獲得預測能力的機制。通過確定ChatGPT等模型在預測股市回報方面取得成功的因素，研究人員可以制定更有針對性的策略來改進這些模型，并最大限度地提高它們在金融領域的效此外，隨著大語言模型在金融行業(yè)變得越來越普遍，有必要研究它們對市場動態(tài)的潛在影響，如價格形成、信息傳播和市場穩(wěn)定。未來的研究可以探索大語言模型在塑造市場行為方面的作用，以及它們對金融體系潛在的積極和消極最后，未來的研究可以探索大語言模型與其他機器學習技術和定量模型以創(chuàng)建結合不同方法優(yōu)勢的混合系統(tǒng)。通過利用各種方法的互補能力，研究人員可總之，本研究證明了ChatGPT在預測股票市場收益方面的價值，并為未來研 究大語言模型在金融行業(yè)的應用和影響提供參考。隨著AI驅(qū)動下金融領域不斷擴大，從本研究中收集到的見解可以幫助