如何利用ChatGPT解析卖方策略观点并构建行业轮动策略20230906

纪要丨如何利用ChatGPT解析卖方策略观点并构建行业轮动策略？ 1.GPT模型的应用和优势□(1)GPT模型的能力和性能提升GPT模型相对于 传统的bird模型具有更强大的能力和性能提升。目前最强的版本是GPT4，之前的版本有GPT3.5。经过对比发现，GPT4在推理和总结能力上有明显提升，但速度略有下降。由于openAI对GPT模型进行了重组，整体速度也有进一步提升。 (2)利用GPT模型提取卖方策略观点传统的卖方策略观点存在一定的不足，例如在行业比较部分缺乏具体权重分数。通过利用GPT模型，可以帮助提取行业的具体权重分数。 2.行业轮动策略的构建□(1)数据处理和整合在构建行业轮动模型时，采用小样本和卖方策略团队的观点来整合信息。 (2)使用GPT模型提取行业权重和相关信息选择最强的GPT4模型来提取文本信息 ，并选择策略研报中的行业配置信息。通过给GPT模型相应的指令，让其进入金融语境下提取信息，对提到的行业根据利好程度进行打分，并比较多个策略组之间的因子情况。 (3)统一行业标准和映射通过使用PPT将细分行业映射到中信一级行业，并统一到相同的 行业标准，确保每个策略组所提到的行业是可比的。在介绍中信一级行业的相关信息后，将细分行业对应到中信一级行业上。 (4)解决GPT模型的一些问题在使用GPT模型时，可能会遇到对消极字眼敏感、相 同理由但分数不同、输入信息量少等问题。通过手动剔除相关语句、约束模型在指定层面给出相同的分数，以及增加输入文本量等方式解决这些问题，提高模型的稳定性和准确性。 (5)构建策略研报因子通过将每个策略组的月报转换为对应策略组的中心一级行业的评分值，获得这些评分值后可以构建后续的策略研报因子。 Q&A□Q：如何使得不同策略组对行业的讨论可比性更高？ A：我们可以使用PPT将细分行业映射到中信一级行业，以统一标准。同时，我们向GDP 4提供了中信一级行业的信息，使其了解中信行业的构成。虽然GDP4并不完全准确，但在大多数情况下，它能够帮助我们完成这项工作。我们可以辅助GDP4进行行业映射，例如将信斑菌映射为新能源半导体、军工或计算机等，以帮助GDP4更好地理解行业。此外，我们也可以手动剔除GDP4输出结果中的一些消极字眼，避免其产生误解。 Q：对于GDP4的打分结果的稳定性如何？ A：GDP4的打分结果在整体上比较稳定，但有时会出现一定的抖动。我们发现，同样的一段文字或指令在GDP4中的信号稳定度也会提升。因此，在使用过程中，我们决定使用GDP 4来 进行工作。 Q：在与GDP4对话时遇到的问题有哪些？有何解决方案？ A：在与GDP4对话时，我们遇到了一些问题。例如，GDP4对消极字眼比较敏感，有时 会将观点误解为看空。为了解决这个问题，我们手动剔除了相关语句。此外，GDP4的打分有时会因同一理由但不同打分的出现而不同。为了避免这种情况，我们在指令中约束GDP4，要求相 同的理由应该得到相同的分数。Q：数据选择方面有何考虑？ A：我们选择了16家卖方策略团队的月报进行研究，从2021年到2023年共2 8个月的数据。这样的样本相对较小，主要是为了验证GDP4的效果和策略组的数据。我们发现，每个月 份覆盖的行业较多，平均每个月份会有五六个行业被提及，覆盖度较充足。我们将每个策略组对应行业的打分取中位数，作为因子信号构建我们的打分因子。Q：如何构建后续的策略研报因子？A：在得到每个行业的打分之后，我们将每个行业多个策略组的打分取中位数，作为该月该行业的大分子，用来构建我们的打分因子。 Q：对于使用ChatGPT解析卖方策略观点并构建行业轮动策略的具体优化方法，可以详细介绍一下吗？ A：我们可以通过筛选出比较靠谱的策略组，并根据它们的过往半年的组合表现来构建每个策略组当月的行业权重。然后，根据这些行业打分值和组合权重，将它们转化成每个策略组当月的行业权重。在这样的基础上，我们选择表现最好的1到4个卖方团队，根据他们的行业打分 来构建精选的配置因子。 Q：相较于使用16家策略团队，只使用4家策略团队会带来什么影响？ A：使用4家策略团队会导致行业覆盖度明显下降，每个月份可能只有十几到20个行业被提及。这也会导致分组收益方面的效果不明显。然而，我们可以看到在头部行业中，它还是能够选出表现较好的组合，因此我们选择这4个卖方团队的行业打分来构建精选的配置因子。Q：这样的行业轮动策略与分析师预期因子的表现是否类似？ A：当市场上涨或者偏震荡时，这样的行业轮动策略还是能够提供一些超额收益的信息。但如果市场处于下行阶段，可能会出现一定的跟随下行情形。总体来说，这样的策略与分析师预期因 子的表现相似。Q：相较于行业等权，这样的行业轮动策略有哪些优势？ A：整体上来说，这样的行业轮动策略的超额收益还是比较明显的，尤其是在市场整体表现不好的时候。相较于行业等权，这样的策略能够提供更高的收益率。 Q：对于使用ChatGPT解析卖方策略观点并构建行业轮动策略的相关性问题，您能否进行详细解释？ A：我们对比了ChatGPT的因子和其他传统行业配置因子的相关性，并发现它们之间的相 关性并不高，基本上低于20%的水平。这与我们的预期相符，其中与分析师预期因子的相关性最高。因此，我们可以认为它具备一些独特的特征。 Q：对于这次行业配置层面的探究，还存在哪些问题和限制？未来是否会有更多的研究成果发布？A：目前使用的ChatGPT的成本和其他方面还存在一些限制，我们将进行更多的研究，包 括使用API实现的知识流程和使用更大量文本模型进行研究。这次的探究只是一个初步尝试 ，还存在一些问题和限制。我们将持续发布后续的研究成果，并欢迎与投资者进行更多的交流。