德邦金工文献精译第十三期：了解GPT：投资篇
证券分析师 金融工程专题 了解GPT：投资篇 德邦金工文献精译第十三期 肖承志 资格编号：S0120521080003 邮箱：xiaoczteboncomcn 研究助理 相关研究 1《了解GPT：应用篇德邦金工文献精译第十二期》20230725 2《了解GPT：训练篇德邦金工文献精译第十一期》20230629 3《ChatGPT能够预测股票价格的走势吗？收益可预测性和大型语言模型 德邦金工文献精译第十期》 20230422 4《训练语言模型以遵循带有人类反馈的指令德邦金工文献精译第八期》20230316 证券研究报告金融工程专题 深度报告 2023年08月19日 投资要点： 《了解GPT：投资篇》在训练篇和应用篇的基础上，梳理了目前大模型重点解决“投资”问题的研究进展和方式方法。大语言模型在金融领域也有着广泛的应用潜力，例如分析财经新闻、预测股票走势、生成投资建议等。我们从以下四个方面进 行介绍： ChatGPT构建投资策略的学术论文：我们介绍了4篇使用ChatGPT探索金融投资策略构建方法的论文。目前学术界的研究已使用多种方式将ChatGPT融入到生成因子、交易信号等构建量化策略的环节中，发挥在投资领域应用大模型的想象 空间。我们从中找到了一些共通点和使用技巧，但如何更有效的发挥大模型的潜力，提高模型表现，仍需要进一步的深入研究。 金融大模型：我们介绍了BloombergGPT、FinGPT、AlphaBox、FinVisGPT等金融大模型项目，针对不同的金融场景和需求提供了独特的功能和服务。目前， FinGPT是最火爆的支持情感分析、量化交易、金融问答等领域任务的开源大模型环境，FinVisGPT是新颖的识别K线图给出投资建议的金融大模型。部分国内企业已经在金融大模型上有所布局，凭借其在数据和技术积累方面的多重优势，能够为金融机构提供个性化、全面化的服务，具备应用前景和发展潜力。 ChatGPTPlugins投资插件：截至2023年8月11日，ChatGPTPlugins平台共计817款插件，我们统计其中24款具有供投资相关功能服务的插件。这些插件可用于获取投资组合建议、分析股票新闻情绪、优化投资者组合等功能。其中，我 们认为AFinChat是最具有使用价值的插件，可以被用来分析A股新闻和行情数据。 OpenAI代码解释器：OpenAI代码解释器于2023年7月向ChatGPTPlus会员开放，提供基于python语言处理用户自定义数据，具备数据分析、作图等功能。由于算力有限，OpenAI并未提供可自定义下载的python库，数据较大时存在运 行崩溃的问题，因此目前只能进行简单的数据分析等应用。对投资问题，我们测试了单因子检验、股权激励数据分析、ETF投资组合配置3个案例，代码解释器均取得了良好的表现，能够清晰准确地完成用户的要求并阐述其解决思路，并能够在代码报错的情况下进行自主调试。 大型语言模型在金融投资领域应用是一个有前景但也有难度的课题，需要多学科的合作和创新。大型语言模型面临的挑战包括如何有效地结合多模态数据（如股价、新闻、社交媒体等）、如何提高模型的可解释性和可信度、如何防止模型的滥 用和误用等。相信随着更多的研究、算力和插件能力的提升，将更大程度发挥LLM 的能力，对解决更复杂的问题有质的提升。 风险提示：数据不完备和滥用风险，信息安全风险，算法伦理风险 请务必阅读正文之后的信息披露和法律声明 内容目录 1借助大模型解决投资问题6 2应用ChatGPT构建投资策略的论文6 21大语言模型可以预测股价A股走势吗？更大参数的模型效果一定更优吗？ ErlangshenRoBERTa110MSentiment模型的情感分析能力强于ChatGPT6 22新视角：结合图神经网络和ChatGPT预测股票走势8 23结合股价和推特文本数据供ChatGPT预测涨跌10 24第二版：ChatGPT能够预测股票价格的走势吗？收益可预测性和大型语言模型1325小结14 3金融大模型15 31BloomBergGPT15 32FinGPT16 33AlphaBox17 34MINDSHOW18 35无涯Infinity18 36轩辕19 37FinVisGPT20 4ChatGPTPlugins与投资有关的插件21 5OpenAI代码解释器23 51单因子检验23 52股权激励分析25 53投资组合构建26 6总结29 7参考文献30 8风险提示30 信息披露31 图表目录 图1：UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements”文章的数据来源7 图2：UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements”文章的提示词设计和回答样例7 图3：UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements”文章的3种不同大语言模型策略相对沪深300超额净值8 图4：UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements”文章的Erlangshen因子分3组回测相对沪深300超额收益率8 图5：UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements”文章的三种不同大语言模型策略回测结果统计8 图6：UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements”文章的3种不同大语言模型策略的日均持股数量和换手率8 图7：ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction”文章的模型框架9 图8：ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction”文章的提示词设计9 图9：ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction”文章的模型效果10 图10：ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction” 文章的策略收益率走势10 图11：“TheWallStreetNeophyteAZeroShotAnalysisofChatGPTOver MultimodalStockMovementPredictionChallenges”文章的推特数据集11 图12：“TheWallStreetNeophyteAZeroShotAnalysisofChatGPTOver MultimodalStockMovementPredictionChallenges”文章的预测效果11 图13：TheWallStreetNeophyteAZeroShotAnalysisofChatGPTOver MultimodalStockMovementPredictionChallenges文章的思维链零样本提示示的例子12 图14：CanChatGPTForecastStockPriceMovementsReturnPredictabilityand LargeLanguageModels文章的模型预测次日日均收益率（）14 图15：CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的策略评价14 图16：CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的策略净值曲线（不考虑交易成本）14 图17：CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的ChatGPT多空策略考虑交易成本下的净值曲线14 图18：BloombergGPT15 图19：BloombergGPT如何在两大类NLP任务中执行：特定金融任务和通用任务15 图20：使用BloombergGPT生成有效的彭博查询语言。在少数镜头设置中只使用几个例子，该模型可以利用其关于股票行情和金融术语的知识，在自然语言的请求下，组成有效的查询来检索数据。在每种情况下，模型都有3个示例（未显示），后面跟着“Input”和 “Output：”提示16 图21：使用BloombergGPT在三镜头设置中生成短标题建议。彭博新闻社每天发送许多需要这些标题的时事通讯。BloombergGPT可以通过从文本中建议初始标题来帮助编辑过程16 图22：FinGPT框架16 图23：FinGPTv3系列是在新闻和推文情绪分析数据集上使用LoRA方法进行微调的大语言模型，在大多数金融情绪分析数据集上表现最佳16 图24：FinGPT项目中构建的ChatGPT交易智能体17 图25：FinGPT项目中ChatGPT对公告给出建议的部分代码17 图26：AlphaBox于2023年7月11日在微信公众号发布上线17 图27：AlphBox展示其简单但强大的功能17 图28：AlphaBox帮助快速梳理研报18 图29：AlphaBox支持pdf、视频和音频等上传解析18 图30：MINDSHOW支持输入不超过3000字的内容，可选精简内容制作PPT18 图31：MINDSHOW制作PPT效果，支持自定义模板18 图32：无涯Infinity大模型基础因子集19 图33：无涯Infinity框架19 图34：金融领域效果测评19 图35：与不同大模型比较19 图36：FinVisGPT的训练过程20 图37：FinVisGPT的K线图描述示例21 图38：FinVisGPT的K线图股价趋势预测示例21 图39：利用PortfoliosLab获取投资组合建议22 图40：利用PortfolioPilot获取投资组合建议22 图41：利用AFinChat分析中国中免、宁德时代和贵州茅台最近的新闻，并预测短期股价最能上涨的股票23 图42：利用DAIZY分析特斯拉、谷歌和微软最近的新闻，并预测短期股价最能上涨的股票23 图43：上传因子数据和收益率数据24 图44：因子IC结果输出24 图45：因子ICIR结果输出24 图46：单因子检验结果汇总25 图47：因子IC时序累计图25 图48：上传股权激励数据25 图49：A股股权激励公告年度统计26 图50：A股股权激励公告统计：是否公布激励对象数量26 图51：输入ETF基金净值数据27 图52：标准化后的ETF基金净值曲线27 图53：ETF基金收益率分布情况28 图54：ETF基金收益率相关性矩阵热力图28 图55：马科维茨投资组合有效前沿28 图56：马科维茨投资组合权重配置及回测结果28 图57：马科维茨投资组合回测净值曲线29 图58：解释配置单只基金的原因29 图59：改进模型的展望29 表1：“TheWallStreetNeophyteAZeroShotAnalysisofChatGPTOver MultimodalStockMovementPredictionChallenges”文章的3个子问题10 表2：AlphaBox功能18 表
