《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、FinVis-GPT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，FinVis-GPT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。

ChatGPT Plugins投资插件：截至2023年8月11日，ChatGPT Plugins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ChatGPT Plus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。

数据不完备和滥用风险，信息安全风险，算法伦理风险

1. 借助大模型解决投资问题

GPT的发展日新月异，越来越多成熟的大模型和[量]研究成果公开，AI持续成为热门的研究领域。借[化]助大模型解决投资问题也成为了越来越多学者的研[ ]究热点，本篇报告从论文、金融大模型、Open[ ]AI投资插件和代码解释器四个部分介绍如何借助[ ]大模型解决投资问题。

2. 应用ChatGPT构建投资策略的论文

OpenAI于2023年3月开放ChatGP[1]T API接口后，众多学者开始研究如何应用Cha[7]tGPT构建投资策略。本文介绍了其中四篇论文[q]，它们都使用了 ChatGPT探索金融投资策略的构建方法。

论文2.1的结论是大模型不是越大越好，Erl[u]angshen-RoBERTa-110M-S[a]entiment模型（中文语言专用的预训练L[n]LM）只有1.1亿参数，以它预测股票情绪的策[t]略即打败了使用ChatGPT方法。模型需要更[.]多的微调来适应特定的任务，包括金融领域的情感[c]分析等。

论文2.2结合图神经网络和ChatGPT预测[o]股票走势，借助ChatGPT分析新闻中道琼斯[m]30成分股之间的联系，结合股价等行情数据，策[文]略结果显示该方法明显好于传统的NLP自然语言[章]处理和图神经网络方法。这表明ChatGPT对[来]分析股票之间的相关程度并构建分析因子具有一定[自]意义。

论文2.3同样结合股价和文本数据，供Chat[1]GPT预测涨跌，但没有使用图神经网络等方法，[7]而是直接输入行情数据和推特文本数据给Chat[量]GPT。论文尝试了零样本提示和思维链提示（C[化]hain-of-Thought）两种方法，结[ ]果显示思维链提示方法使得模型预测的可解释性大[ ]大增强。但ChatGPT方法仍不能打败最新研[ ]究的先进的SLOT等多模态预测方法。

论文2.4是我们之前文献精译第十期的论文，在[1]2023年7月2日更新了第二版。论文展示了C[7]hatGPT通过美股新闻数据预测股票价格走势[q]的优秀效果，预测能力比传统BERT模型、GP[u]T-1和GPT-2等早期模型有大幅提升。论文[a]还尝试了使用GPT-4模型构建策略，结果显示[n] GPT-4能有效提升模型夏普比率、降低回撤，[t]但没有增厚模型的年化收益。

1) ChatGPT（生成式LLM）；

2) Erlangshen-RoBERTa（中文语[.]言专用的预训练LLM）；

3) Chinese FinBERT（中文金融领域专用的微调LLM[c]分类器）。

由于ChatGPT的训练数据截止到2021年[o]9月，考虑到样本外对比，作者使用2021年1[m]0月1日到2023年2月22日中国上市公司的[文]新闻摘要数据，共计394429条，主要通过网[章]络爬虫获取。数据来源主要包括同花顺、新浪财经[来]、腾讯等。

对于Erlangshen-RoBERTa模型，作者使用Erlangshen-RoBERTa-110M-Sentiment模型，它可以直接对任意一段中文文本进行情感分析，并输出正面或负面情感的概率，生成情感分析因子值。

对于Chinese FinBERT模型，作者请具有金融专业知识的同事手动标注新闻摘要数据为三个类别（正面、中性、负面），并进行监督式训练，得到了一个中文FinBERT分类器。

对于ChatGPT，作者设计的提示词如下，主要是让LLM扮演一个金融专家，并分析新闻是好消息（GOOD NEWS）、不确定（NOT SURE）还是坏消息（BAD NEWS）：

交易方式为根据新闻在第二日开盘时VWAP方法买入，最多交易股票数量为500（按因子值大小排序），交易费用双边千三，基准为沪深300指数。

Erlangshen-RoBERTa、Chinese FinBERT和ChatGPT模型生成的因子多头组策略表现如图3和图5。回测结果显示，Erlangshen回测的超额收益等指标最好，ChatGPT次之，中文FinBERT模型最差。3种模型策略的平均每日持股数据量和换手率如图6。对Erlangshen因子的三组分组回测结果如图4。

Erlangshen-RoBERTa-110[自]M-Sentiment模型只有1.1亿个参数[1]，但回测效果最佳，超过ChatGPT。文章证[7]明了A股情感分析策略并不总是需要投入大量资源[量]来使用更大的模型。相反，通过采用针对中文特点[化]进行的更有针对性的预训练技术，可以有效地实现[ ]期望的结果。

2.2. 新视角：结合图神经网络和ChatGPT预测股票走势

Chen Zihan等于2023年5月28日在arxi[ ]v预发布的标题为"ChatGPT Informed Graph Neural Network for Stock Movement Prediction.”的文章。文章介绍了一[ ]个新的框架，利用ChatGPT的图推理能力来[1]增强图神经网络（GNN）的预测性能。该框架首[7]先使用ChatGPT从每日财经新闻中提取动态[q]的网络结构，然后将这些网络结构作为输入送入G[u]NN，生成公司的向量表示，最后使用序列模型和[a]全连接神经网络层来预测股票走势。

策略模型的框架如图7，策略具体的构建方法如下[n]：

1) 首先，使用ChatGPT从每天的财经新闻中推断出股票之间的潜在关联，构建一个动态变化的图结构。在每个时间点构建图，其中每个节点代表一个目标公司，每条边代表两个公司之间的关联强度和情感倾向，生成公司的向量表示，作为GNN的输入。将新闻数据输入给ChatGPT，提示词如图8。根据返回的结果，如果被ChatGPT认为是“一起受影响的”，就在两个公司之间建立一条边。例如，如果t时刻的“受影响公司”输出是[BA, AMGN, MSFT]，则在这些股票对之间构建边：BA–AMGN，BA–MSFT，和AMGN–MSFT。

2) 利用GNN将ChatGPT生成图的每个节点（公司）转换为一个向量表示，该向量包含了公司自身的特征和其邻居公司的信息。文章使用了两层GCN模型，每一层都有一个ReLU激活函数和一个归一化操作。将每个节点的特征和其邻居节点的特征进行聚合，生成一个新的特征向量，每个公司的向量表示就能更强烈的反映出它在股市中的上下文环境。

3) 最后，文章将GNN的输出和每个公司的股市数据（股票收盘价、开盘价、最高价、最低价、成交量和市值）拼接起来，输入到一个长短期记忆网络（LSTM）中，生成一个综合的向量表示，用于预测下一交易日的股票走势（上涨、下跌或持平）。

文章的数据集为道琼斯30指数成分股，训练数据[t]的时间范围是2020年9月1日至2021年9[.]月30日，回测的时间范围是2021年10月1[c]日到2022年12月30日。训练集使用到了5[o]0941条新闻数据，测试集使用到了64608[m]条新闻数据。

文章使用的基准模型如下：

1) Sock-LSTM：基于LSTM的模型，只使用股票市场数据作为输入特征，预测股票价格走势。

2) News-Embed：深度学习模型，只使用财经新闻标题作为输入特征，使用句子转换器将标题嵌入到向量中，然后将其作为输入提供给MLP模型进行分类，用以预测股票价格走势。

3) ChatGPT：大语言模型，使用财经新闻标题作为输入，生成每个目标公司的情感得分，并根据得分预测股票价格走势。

模型的预测效果F1分数如图9，策略收益率走势[文]如图10：

该文提出模型的波动率和最大回撤均好于基准模型[章]。ChatGPT 投资组合年化波动率为23.61%，该文提出的[来]模型为14.06%。ChatGPT 模型的最大回撤为21.12%，该文提出的模型[自]为12.42%，且净值更高。作者认为，该研究[1]为LLMs从文本中推断网络结构的能力做出了贡[7]献，并首次将ChatGPT推断出的网络结构与[量]GNN 结合起来，为金融工程领域提供了新的视角和策略[化]。

2.3. 结合股价和推特文本数据供ChatGPT预测涨跌

Xie Qianqian等于2023年4月10日在a[ ]rxiv预发布了的标题为“The Wall Street Neophyte: A Zero-Shot Analysis of ChatGPT Over Multimodal Stock Movement Prediction Challenges”的文章。该文主要探讨了[ ]ChatGPT使用股价和推特文本数据预测股价[ ]涨跌的有效性，并将其分为3个子问题如表1：

文章使用三个推文数据集（BIGDATA22、[1] ACL18和CIKM18，如图11）和历史股[7]价数据集（高开低收前收的变化值和最近5、10[q]、15、20、25、30日平均价格变动）作为[u]模型的数据输入。考虑了2种方法设计提示词：零[a]样本提示（ChatGPTzs）和思维链零样本[n]提示（ChatGPTcot）。

图13是思维链零样本提示的一个例子。作者输入了10个交易日的股价数据和2条推特新闻数据，让ChatGPT去预测股价涨跌（Rise/Fall），并且进一步鼓励ChatGPT明确考虑推文中的投资者情绪，并使用链式思维过程，逐步解释预测。零样本提示则只返回预测预测的涨跌，不需要做出解释。

作者使用了目前较为流行的几种基准方法（仅使用价格数据的方法包括：LR逻辑回归、RF随机森林、LSTM、ALSTM、Adv-ALSTM和DTML深度学习网络，使用价格数据和推特数据的方法包括：ALSTM-W、ALSTM-D、StockNet和SLOT模型，其中ALSTM-W与ALSTM-D分别结合Word2Vec或Doc2Vec来生成推文嵌入，StockNet使用变分自编码器VAE，SLOT是最新的、最先进的自监督学习模型）和论文提出的方法（ChatGPTzs、ChatGPTcot、ChatGPTzs w/o tweets和ChatGPTcot w/o tweets，其中“w/o tweets”表示不使用推特数据，仅使用股价数据）的预测效果进行对比，如图12。

结果显示，SLOT模型效果最优。尽管Chat[t]GPT在可解释性方面有潜力，但由于它在融合多[.]模态信息方面效果不佳，性能有时不如神经网络和[c]传统机器学习模型。尝试不同提示策略如链式思维[o]增强的零样本提示后，虽然预测更可解释，但性能[m]提升有限。

2.4. 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

Alejandro Lopez-Lira等于2023年5月11日[文]在arxiv预发布了标题为"Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models"的文章，并于2023年7月2日更新第二版。我[章]们已在文献翻译第十期详细介绍了第一版的实现方[来]法。该文主要研究了ChatGPT以及其他大型[自]语言模型在预测股市回报方面的潜力。

文章使用CRSP日收益率和RavenPack[1]新闻标题数据集，其中CRSP数据集包含了美国[7]主要证券交易所上市的公司的日收益率等数据，R[量]avenPack数据集包含了公司新闻和相关性[化]得分、情感得分指标。论文使用如下提示词，以O[ ]racle的新闻标题为例：

Rimini Street在针对Oracle的案件中被罚款[ ]63万美元。

忘记你之前的所有指示。假装你是一位金融专家。你是一位具有股票推荐经验的金融专家。如果是好消息，请在第一行回答“是”，如果是坏消息，请回答“否”，如果不确定，请回答“不确定”。然后在下一行中用一句简短而简明的话来详细说明。这个标题对Oracle在短期内的股价是好消息还是坏消息？

以下是ChatGPT的响应：

是

对Rimini Street的罚款可能会增加投资者对Oracle保护其知识产权的能力的信心，并增加其产品和服务的需求。

新闻标题指出，Rimini Street在针对Oracle的案件中被罚款[ ]63万美元。Ravenpack是一种新闻分析[1]工具，给出了-0.52的负面情感评分，表明新[7]闻被认为是负面的。然而，ChatGPT的响应[q]是它认为新闻对Oracle来说是积极的。Ch[u]atGPT的推理是罚款可能会增加投资者对Or[a]acle保护其知识产权的能力的信心，进而可能[n]导致其产品和服务的需求增加。这种情感上的差异[t]凸显了自然语言处理中上下文的重要性，以及在做[.]出投资决策之前仔细考虑新闻标题的含义的必要性[c]。

利用ChatGPT为每个标题提供一个打分，并[o]将其转换为“ChatGPT得分”，其中“YE[m]S”映射为1，“UNKNOWN”映射为0，“[文]NO”映射为-1。如果某一天某公司有多个标题[章]则对得分进行平均。并将得分滞后一天，以评估收[来]益的可预测性。然后，该论文对ChatGPT得[自]分和RavenPack提供的情绪得分进行线性[1]回归，以预测次日的收益。

ChatGPT和基准模型（GPT-1、GPT[7]-2、BERT和Ravenpack评分）在预[量]测次日收益率的效果如图14，其中ChatGP[化]T3.5预测效果最好：

文章根据ChatGPT或其他基准模型的情感评[ ]分构建了不同的交易策略，包括做多正面新闻的股[ ]票、做空负面新闻的股票、或者同时做多做空。文[ ]章还考虑了不同的交易成本和市场环境对策略表现[1]的影响。其中策略表现评价指标如图15，其中G[7]PT4策略虽然夏普比率有所提升、最大回撤降低[q]，但收益率比ChatGPT低：

策略净值曲线（不考虑交易成本）和ChatGPT多空策略考虑交易成本下的净值曲线如图16和图17：

论文实验结果证实了ChatGPT情感评分的预[u]测能力，并强调将LLM纳入投资决策过程中的潜[a]在益处。通过优于传统情感分析方法，ChatG[n]PT展示了其在增强量化交易策略表现和提供更准[t]确的市场动态理解方面的价值。

2.5. 小结

除了4篇论文的主要观点结论以外，我们发现研究[.]ChatGPT构建投资策略的方法有如下共性或[c]需要注意的点：

1) 设计优秀的提示词。我们需要在提问的第一句话加入“忘记你之前的提示”，这样可以使得模型更专注于我们希望的输出，尽量避免模型回答模棱两可的答案。此外，让模型扮演一个“金融专家”，“专家”一词能让模型去模仿这一身份，给出更专业优质的答案。

2) 预测应是分类任务。模型分析股价、新闻数据等时，应期望其输出上涨\下跌\不确定其中之一，而不是让模型打分。

3) 由于模型具备解释能力，我们应发挥ChatGPT可解释的能力，发散思维，让ChatGPT不仅仅局限于情感预测、股价预测，而是像2.2文章的方法，可以将ChatGPT输出的结果成为机器学习模型输入的一部分。此外，我们还可以考虑对模型微调，搭建自己的大语言模型，投喂我们希望的输入输出数据，当然会有更高昂的成本。

3. 金融大模型

3.1. BloomBergGPT

2023年3月30日，彭博社发布了专门为金融[o]领域打造的大型语言模型BloombergGP[m]T。BloombergGPT是一个由Bloo[文]mberg公司开发的人工智能（AI）语言模型[章]，专门针对金融领域的自然语言处理（NLP）任[来]务进行训练。该模型拥有500亿个参数，可以快[自]速分析金融数据，帮助进行风险评估、情感分析、[1]问答等功能。

Wu Shijie等在2023年3月30日在arx[7]iv预发布了标题为"Bloomberggpt: A large language model for finance"的文章，并于2023年5月9日更新第二版&n[量]bsp;。文章中展示了BloombergGP[化]T生成查询语言、提炼短标题的效果，如图20和[ ]图21：

3.2. FinGPT

Liu Xiao-Yang等于2023年7月19日在arxiv预发布了"FinGPT: Democratizing Internet-scale Data for Financial Large Language Models"的文章，并在Github开源该项目。

项目网址：https://github.com/AI4Finance-Foundation/FinGPT

FinGPT是基于LLM的金融领域的自然语言处理项目，利用互联网规模的金融数据，为金融行业提供各种实用的应用，如交易机器人、智能投顾、情感分析、文本生成等。FinGPT使用轻量级的适应方法（如LoRA），对开源的LLM进行微调，以适应金融语言的高度动态性和时效性。FinGPT还使用人类反馈的强化学习（RLHF）技术，使LLM能够学习个人偏好（如风险厌恶水平、投资习惯、个性化的智能投顾等）。

3.3. AlphaBox

AlphaBox于2023年7月11日在微信[ ]公众号发布上线。AlphaBox的底层基于熵[ ]简科技的FinGPT行业大模型，将海量专业知[1]识注入到开源大模型中，不止确保了数据安全性，[7]也极大的增强了大模型的专业理解能力。

产品网址：https://www.alpha[q]box.top

AlphaBox旨在提升金融从业者信息处理效[u]率，构建知识库，将先进语言模型技术与投资研究[a]有机结合。AlphaBox功能包括：

3.4. MINDSHOW

MINDSHOW是上海所思所见科技有限公司开[n]发的AI帮助制作PPT的网页工具。MINDS[t]HOW支持输入不超过3000字的内容，可选精[.]简内容制作PPT，支持自定义模板。

产品网址：https://www.minds[c]how.fun/#/home

3.5. 无涯Infinity

针对量化投研领域特定的业务逻辑，星环科技通过[o]预训、提示、增强、推导范式的构建，实现Fin[m]ancial-Specific-LLM的训练[文]，推出了金融行业量化投研大模型无涯Infin[章]ity。星环科技基于大模型的事件驱动与深度图[来]引擎，实现对事件语义刻画、定价因子挖掘、时序[自]编码、异构关系图卷积传播，进而构建包含事件冲[1]击、时序变化、截面联动和决策博弈等多个维度的[7]量化投研新范式。

星环科技的无涯大模型解决方案具有以下核心优势[量]：首先，它基于强大的金融业务逻辑，构建了六类[化]大模型基础因子集，支持复合因子策略体系。其次[ ]，通过高质量金融语料训练和事件驱动引擎，该解[ ]决方案能够准确理解和分析金融领域。此外，它还[ ]能够实现事件复盘分析与推演，全面分析各类市场[1]事件。最后，星环科技拥有一系列大数据全生命周[7]期的技术积累，能够为金融机构提供个性化、全面[q]化的创新型服务与解决方案。

星环科技官网：https://www.tra[u]nswarp.cn/

3.6. 轩辕

Zhang Xuanyu等于2023年5月19日于arx[a]iv预发布了 "XuanYuan 2.0: A Large Chinese Financial Chat Model with Hundreds of Billions Parameters"文章。轩辕是国内首个开源的千亿级中文对话大模[n]型，同时也是首个针对中文金融领域优化的千亿级[t]开源对话大模型。在BLOOM-176B基础上[.]，轩辕进行了针对中文通用领域和金融领域的预训[c]练与微调，既能处理通用领域问题，也能解答金融[o]领域各类问题，为用户提供准确、全面的金融信息[m]和建议。

项目网址：https://github.co[文]m/Duxiaoman-DI/XuanYua[章]n

图34展示在诸如金融名词理解、金融市场评论、[来]金融数据分析和金融新闻理解等四个关键领域的测[自]评结果，结果显示轩辕在与主流的四种开源大模型[1]进行比较的150次回答中，取得了63.33%[7]的胜率，充分凸显了其在金融领域具有显著优势。[量]

图35显示了在中国金融领域，开发预训练语言模[化]型的比较，诸如FinBERT、Mengzi和[ ]FinT5模型，这些模型专为金融文本分析和理[ ]解进行了定制。这些模型参数规模不足十亿，而轩[ ]辕176B的参数规模对处理日益增长的中国金融[1]自然语言处理领域需求展现了其独特优势。

3.7. FinVis-GPT 

Wang Ziao等于2023年7月31日arxiv预[7]发布了标题为"FinVis-GPT: A Multimodal Large Language Model for Financial Chart Analysis" 的文章，推出了专门为金融图表分析设计的多模态[q]大型语言模型——FinVis-GPT。Fin[u]Vis-GPT 在LLaVA模型的基础上预训练并微调，使用了[a]2006-2023年A股价格数据构建多样的提[n]示数据和预测数据、生成蜡烛图、移动平均线图、[t]成交量柱状图等图像。

FinVis-GPT模型为金融图表分析提供了[.]一种新的工具和方法。FinVis-GPT可以[c]根据用户上传的股票走势图给出投资建议，提供市[o]场分析和决策支持。使用FinVis-GPT模[m]型，用户可以更快速、更准确地获取金融图表相关[文]的信息，提高决策的效率和准确性。

4. ChatGPT Plugins与投资有关的插件

截至2023年8月17日，ChatGPT Plugins平台已上架837款插件，我们统[章]计了其中24款与投资有关的插件，如表3：

大多数插件只适配于美股，主要通过获取行情数据[来]进行分析和预测。

测试部分插件后，我们认为Portfolios[自]Lab、PortfolioPilot、DAI[1]ZY和AFinChat等插件具备一定意义的使[7]用价值。其中PortfoliosLab和Po[量]rtfolioPilot可以帮助优化投资组合[化]（如图39、图40）。

我们认为AFinChat在已测试的部分插件中最具使用价值，可以分析中国A股新闻和行情数据，给出情感分析方向的投资建议（如图41），而其他插件不支持A股数据。利用AFinChat分析中国中免、宁德时代和贵州茅台最近的新闻，并预测短期股价最有可能上涨的股票，分析新闻后，GPT-4认为贵州茅台上涨概率最大。

DAIZY可以分析美股新闻和行情数据（如图4[ ]2）。利用DAIZY分析特斯拉、谷歌和微软最[ ]近的新闻，并预测短期股价最有可能上涨的股票，[ ]分析新闻后，GPT-4认为特斯拉上涨概率最大[1]。

5.  OpenAI代码解释器

OpenAI的Code Interpreter代码解释器于2023年[7]7月向ChatGPT Plus会员开放，提供基于python语言处[q]理用户自定义数据进行分析、作图等功能。对于解[u]决投资问题，可使用代码解释器对金融数据分析。[a]由于算力有限，OpenAI并未提供可自定义下[n]载的python库，数据较大时存在运行崩溃的[t]问题，因此目前只能进行简单的数据分析等应用。[.]

5.1. 单因子检验

我们首先使用代码解释器（Code Interpreter）进行单因子检验，这是[c]一个更加实际的量化研究应用问题，它可以帮助投[o]资者评估当前因子在预测股票收益方面的能力。我[m]们输入了因子数据及个股在当期的股票收益率数据[文]，数据区间为 2017 年 1 月至 2023 年 7 月。我们将两份Excel文件上传给 Code Interpreter，让其计算因子的IC（[章]信息系数）和ICIR（信息比率）值，并绘制因[来]子IC的时序累计曲线。我们可以通过因子的累积[自]IC值曲线评估因子模型的持续有效性和适用性。[1]

代码解释器计算的因子IC均值为0.0772，[7]IC的标准差为0.079，ICIR的值接近1[量]，t值8.6271，显著性较好。因子与股票的[化]未来收益率之间存在显著的正相关关系。

5.2. 股权激励分析

我们继续使用Code Interpreter进行数据分析。在仅上传[ ]数据文件而不给定其他相关信息的条件下，Cod[ ]e Interpreter按照标准的数据分析流程[ ]分析了上传的文档（股权激励数据），并通过绘制[1]图像对数据进行自主探索。

在对文件中“EventProcedure”列[7]进行年度统计分析后，我们发现在2005和20[q]06年，意向事件（Intention）的数量[u]显著增加，达到了其历史最高点。这可能意味着在[a]这段时间，有大量的公司或项目初步考虑了某些行[n]动，但并没有马上实施。此外，近年来，实施中的[t]事件（In Progress）数量呈现出增长的趋势，表示[.]更多的行动或项目正在进行中。而在2005年至[c]2008年间，已完成（Completed）和[o]未实施终止（Unimplemented Termination）的事件数量相对较高，[m]表明大量的项目或行动在这段时间里要么成功完成[文]，要么在没有开始之前就被终止。

在分析文件中股权激励对象人数“Planned[章]PartiAmount”列的数据时，我们使用[来]饼状图展示了有数值的行与没有数值的行的占比。[自]结果表明，23.6%的记录在此列中有具体的数[1]值，而另外76.4%的记录没有提供数值。这种[7]分布为我们提供了关于数据完整性的重要视角，显[量]示了大约一半的数据在“PlannedPart[化]iAmount”列中是缺失的。

5.3. 投资组合构建

我们使用Code Interpreter进行投资组合构建。我们[ ]选取了4只ETF指数基金：华泰柏瑞沪深300[ ]ETF （510300.OF），华夏上证50ETF（[ ]510050.OF），南方中证500ETF（[1]510500.OF），南方中证1000ETF[7]（512100.OF）进行马科维茨最优投资组[q]合构建，分别使用夏普比率最优和风险最小作为最[u]优组合的确定标准，并通过回测进行与基准组合的[a]比较。

我们采用单位复权净值作为原始数据。首先，我们[n]需要将数据进行标准化处理，并将标准化后的净值[t]数据绘制为净值曲线：

之后，我们对收益率数据进行更深入的探索，计算[.]它的峰度和偏度，并使用直方图和热力图绘制收益[c]率分布情况和相关性。基于马科维茨投资组合理论[o]，Code Interpreter帮助我们计算出了不同投[m]资组合的权重配置结果和回测结果，并通过蒙特卡[文]洛模拟绘制出了投资组合的有效前沿。我们以“夏[章]普比率最优”得到的结果进行回测，比较了它与基[来]准组合（随机权重组合和等权重组合）的结果，并[自]计算了常见的组合评价标准（年化收益率、波动率[1]、最大回撤和夏普比率）。

最后，我们让ChatGPT对配置结果进行了分[7]析和评价，解释了为什么最优投资组合会将全部权[量]重配置给一只基金，并生成了一些可行的改善方案[化]。

6. 总结

大型语言模型具有强大的自然语言理解和生成能力[ ]，能够从海量的文本数据中提取有价值的信息和知[ ]识，并将其应用于金融投资领域的各种问题和场景[ ]。本文介绍了 ChatGPT 在金融领域的应用价值和创新潜力，从四个方面进[1]行了探讨：应用 ChatGPT 构建投资策略的论文、金融大模型、ChatGP[7]T Plugins 中与投资有关的插件和ChatGPT Code Interpreter代码解释器。

本文分析了论文中ChatGPT 以及其他大型语言模型在从财经新闻中提取情感因[q]子、构建动态网络结构、预测股票走势等方面的表[u]现，介绍了一些基于 ChatGPT的金融大模型和插件，展示了它们[a]在金融分析、投资组合构建、股权激励分析等方面[n]的功能和效果。

ChatGPT 是一种强大而灵活的工具，可以为金融投资领域提[t]供新的视角和策略。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[c]的合作和创新。相信随着更多的研究、算力和插件[o]能力的提升，将更大程度发挥LLM的能力，对解[m]决更复杂的问题有质的提升。 

7. 参考文献

[1]. Zhang, Haohan, et al. "Unveiling the Potential of Sentiment: Can Large Language Models Predict Chinese Stock Price Movements?." arXiv preprint arXiv:2306.14222 (2023).

[2]. Chen, Zihan, et al. "ChatGPT Informed Graph Neural Network for Stock Movement Prediction." arXiv preprint arXiv:2306.03763 (2023).

[3]. Xie, Qianqian, et al. "The Wall Street Neophyte: A Zero-Shot Analysis of ChatGPT Over MultiModal Stock Movement Prediction Challenges." arXiv preprint arXiv:2304.05351 (2023).

[4]. Lopez-Lira, Alejandro, and Yuehua Tang. "Can chatgpt forecast stock price movements? return predictability and large language models." arXiv preprint arXiv:2304.07619 (2023).

[5]. Wu, Shijie, et al. "Bloomberggpt: A large language model for finance." arXiv preprint arXiv:2303.17564 (2023).

[6]. Liu, Xiao-Yang, Guoxuan Wang, and Daochen Zha. "FinGPT: Democratizing Internet-scale Data for Financial Large Language Models." arXiv preprint arXiv:2307.10485 (2023).

[7].  Zhang, Xuanyu, Qing Yang, and Dongliang Xu. "XuanYuan 2.0: A Large Chinese Financial Chat Model with Hundreds of Billions Parameters." arXiv preprint arXiv:2305.12002 (2023).

[8]. Wang, Ziao, et al. "FinVis-GPT: A Multimodal Large Language Model for Financial Chart Analysis." arXiv preprint arXiv:2308.01430 (2023).

8. 风险提示

数据不完备和滥用风险，信息安全风险，算法伦理[文]风险。

证券研究报告：《了解GPT：投资篇》

对外发布时间：2023年8月19日

分析师：肖承志

资格编号：S0120521080003

邮箱：xiaocz＠tebon.com.cn

报告发布机构：德邦证券股份有限公司

（已获中国证监会许可的证券投资咨询业务资格）

    肖承志，同济大学应用数学本科、硕士，现任德邦证券研究所首席金融工程分析师。具有6年证券研究经历，曾就职于东北证券研究所担任首席金融工程分析师。致力于市场择时、资产配置、量化与基本面选股。撰写独家深度“扩散指标择时”系列报告；擅长各类择时与机器学习模型，对隐马尔可夫模型有深入研究；在因子选股领域撰写多篇因子改进报告，市场独家见解。

   &nbs[章]p;林宸星，美国威斯康星大学计量经济学硕士，[来]上海财经大学本科，主要负责大类资产配置、中低[自]频策略开发、FOF策略开发、基金研究、基金经[1]理调研和数据爬虫等工作，2021年9月加入德[7]邦证券。

    温瑞鹏，中山大学本科，复旦大学金融学硕士，曾就职于信达证券、东亚前海证券。研究方向：基金研究、基金经理调研。    

   &nbs[量]p;路景仪，上海财经大学金融专业硕士，吉林大[化]学本科，主要负责基金研究，基金经理调研等工作[ ]，2022年6月加入德邦证券。

    王治舜，香港中文大学金融科技硕士，电子科技大[ ]学金融+计算机双学士，主要负责量化金融、因子[ ]选股等工作，2023年1月加入德邦证券。

    陈曼莲，华南理工大学[1]金融学硕士，电子商务+计算机双学士，主要负责[7]基金研究、基金经理调研等工作，2023年7月[q]加入德邦证券。