ChatGPT是2022年11月由OpenAI公司发布的一款基于人工智能技术的自然语言处理模型，具有显著更强的理解能力和生成能力。那么在日常工作中它作为新工具在那些方面可能会帮助到我们呢？本报告对ChatGPT进行了测试，探究它在代码编写、翻译、查找数据等方面的能力。
　　数据查找提示。在研究过程中，查找数据是最基础的工作之一。当我们需要寻找不熟悉或者数据终端没有收录的数据时，就需要花费一定时间去搜索。我们发现通过询问ChatGPT，它可以提供数据来源的提示信息，减少搜索花费的时间。
　　协助代码编写。在投研工作中我们不可避免的会遇到处理数据、画图等需求，可能需要用代码实现。对量化研究员更是如此，除了维护和开发量化策略，还需要持续学习如何实现新的统计方法、机器学习算法等工具。ChatGPT能力最强的一个方面就是代码的生成，我们通过示例展示了它协助编写代码的能力。
　　海外文献翻译。通过与Google Translate等传统翻译软件比较，我们发现ChatGPT对上下文更强的理解能力有时可减少英语一词多义现象带来的翻译错误，同时在对论文的专业术语翻译表达上也专业一些。它还可以通过事先指定需求来优化其在翻译中的语言风格。
　　当然ChatGPT目前还存在问题,比如可能给出错误答案或不存在的资料。它提供的代码也并不一定能直接跑通，往往依赖于本地的环境和软件版本情况。但这里可能的原因是我们提问的方式不够精确。如何用最优的Prompt提问来获取更好的回答已经成为当前的热门问题。超大规模模型涌现出的能力可能预示着我们距离真正的强人工智能越来越近了。作为投研人员，不论从ChatGPT相关板块的投资角度还是提升自我工作效率，似乎都不应该再忽视这个新型工具。
　　风险提示：报告部分内容基于ChatGPT的回答，存在变化或失效的风险

研究报告全文：定量研证券研究报告究分析师il郑兆磊S0190520080006ChatGPT在投研工作中能协助我们什么宫民S0190521040001专年月日题202344报报告关键点投资要点ChatGPT是2022年11月由告OpenAI公司发布的一款基于人ChatGPT是2022年11月由OpenAI公司发布的一款基于人工智能技术的工智能技术的自然语言处理模型它可以协助我们进行代码编自然语言处理模型具有显著更强的理解能力和生成能力那么在日常工写文献翻译和数据查找提示等作中它作为新工具在那些方面可能会帮助到我们呢本报告对ChatGPT工作进行了测试探究它在代码编写翻译查找数据等方面的能力数据查找提示在研究过程中查找数据是最基础的工作之一当我们需要寻找不熟悉或者数据终端没有收录的数据时就需要花费一定时间去搜索我们发现通过询问ChatGPT它可以提供数据来源的提示信息减少搜索花费的时间协助代码编写在投研工作中我们不可避免的会遇到处理数据画图等需求可能需要用代码实现对量化研究员更是如此除了维护和开发量化策略还需要持续学习如何实现新的统计方法机器学习算法等工具ChatGPT能力最强的一个方面就是代码的生成我们通过示例展示了它协助编写代码的能力海外文献翻译通过与GoogleTranslate等传统翻译软件比较我们发现ChatGPT对上下文更强的理解能力有时可减少英语一词多义现象带来的翻译错误同时在对论文的专业术语翻译表达上也专业一些它还可以通过事先指定需求来优化其在翻译中的语言风格当然ChatGPT目前还存在问题比如可能给出错误答案或不存在的资料它提供的代码也并不一定能直接跑通往往依赖于本地的环境和软件版本情况但这里可能的原因是我们提问的方式不够精确如何用最优的Prompt提问来获取更好的回答已经成为当前的热门问题超大规模模型涌现出的能力可能预示着我们距离真正的强人工智能越来越近了作为投研人员不论从ChatGPT相关板块的投资角度还是提升自我工作效率似乎都不应该再忽视这个新型工具风险提示报告部分内容基于ChatGPT的回答存在变化或失效的风险请务必阅读正文之后的信息披露和重要声明定量研究专题报告目录1ChatGPT简介-3-11OpenAI公司介绍-3-12底层原理与技术迭代-3-13产品发展-4-2ChatGPT在投研工作的一些使用案例-5-21数据查找提示-5-22协助代码编写-7-23海外文献翻译-12-24其它应用-14-25ChatGPT当前存在的问题-16-3结论-16-图表目录图表1搜索引擎返回的结构化产品信息-6-图表2ChatGPT关于全球结构化产品数据的回答-6-图表3美国商业不动产历史收益率数据-7-图表4python中调用R-8-图表5估计DCC-GARCH模型并预测-9-图表6滚动相关系数计算示例-10-图表7DataFrame多维index的数据选取问题-10-图表8策略净值评价Python函数初步编写-11-图表9年化收益率计算代码修正-12-图表10ChatGPT翻译英文文献示例一-13-图表11ChatGPT翻译英文文献示例二-13-图表12ChatGPT协助给出固收加产品的介绍提纲-14-图表13ChatGPT用字母绘图-15-图表14ChatGPT用字母绘制字母A-15-请务必阅读正文之后的信息披露和重要声明-2-定量研究专题报告报告正文1ChatGPT简介ChatGPT是2022年11月由OpenAI公司发布的一款基于人工智能技术的自然语言处理模型即可对话的交互式AI模型其背后的技术基础是该公司GPTGenerativePre-trainedTransformer系列模型与传统的聊天机器人相比ChatGPT可以根据输入的对话内容生成更加自然流畅连贯的回复适用于不同对话场景生成不同风格不同语言习惯的对话具有更强自适应能力且具有较强可拓展性可以给予用户更好交互体验11OpenAI公司介绍OpenAI是一家美国人工智能研究公司也是当前世界最著名的人工智能研究机构之一于2015年12月由ElonMuskSamAltmanGregBrockman等6人共同出资成立起初OpenAI为非盈利性公司旨在探索人工智能技术前沿推动人工智能技术的进步OpenAI目前已在人工智能技术研究和应用方面取得了众多成果包括GPT大语言模型DALL-E系列文本转图像生成模型Whisper系列自然语音识别系统Gym强化学习开源工具包等涵盖自然语言处理计算机视觉强化学习等多个领域12底层原理与技术迭代2018年自然语言处理模型NLP正式进入大语言模型时代自从2018年6月OpenAI公司发布GPT模型的初代版本至今共已发布了四个版本从GPT-1到GPT-4各代版本的底层原理与技术更新总结如下GPT为代表的大语言模型多基于NLP领域的Attention注意力机制与Transformer模型注意力机制是一种用于加强神经网络模型表示能力的技术它的核心思想是让模型能够关注输入中与当前任务相关的部分从而提高模型的性能Transformer模型是一种基于注意力机制的神经网络模型它是一种编码器-解码器架构的模型其中采用对各个单词进行并行处理在训练时间与质量上相比传统RNN有较大提升因而在提出后不久便成为主流的NLP框架BertGPT均是基于此类底层模型GPT-1是OpenAI于2018年发布的第一代预训练语言模型主要解决的是如何利用容易获取的大规模无标注数据来为模型的训练提供指导以及如何将从大规模无标注数据上学习到的表征应用到不同的下游任务的问题GPT-1的无监督训练是基于模型进行训练的使用12层TransformerBlock自注意力模块和前馈神经网络模型叠加而成使用从左至右生成式目标函数进而可以利用无标注的自然语言数据对模型进行预训练然后在一些特定的自然语言处理任务上进行微调使得模型能够更好适应下游任务GPT-1目标是学习到一个通用的自然语言表请务必阅读正文之后的信息披露和重要声明-3-定量研究专题报告征并通过微调适应较大范围的任务然而模型的语言泛化能力不足更接近于专家模型无法很好适用于通用场景GPT-2于2019年2月发布其并没有对GPT-1的网络进行过多的结构上的创新与设计而是使用了更多网络参数和更大的数据集使得模型的性能和生成能力得到大幅提升同时相较与初代的预训练-微调的模型训练不同的是其舍弃微调而更侧重于让多个任务在同一模型上学习以提升泛化能力Zero-Shot技术GPT-2的核心思想在于只要模型足够大学习内容足够多任何监督任务都可以通过无监督方式完成因而通过海量数据和大量参数训练出来的词向量模型可以迁移到其它类别任务中而不需要额外的训练基于GPT-2的思想GPT-3于2020年6月发布采用了与GPT-2相同的模型与框架但采用了96个Transformer层使用参数高达1750亿个除了学习海量数据外相较于GPT-2模型提升在于其采用in-contextlearning即在训练模型时在输入文本中加入提示根据上下文引导模型输出相应内容其中包含三种模式Zero-shotLearning零样本学习One-ShotLearning单样本学习和Few-shotLearning少样本学习更接近人类在面对各类语言问题时的思考模式只需要提示和少量示例就能回答各类语言问题在GPT-3模型取得成功后OpenAI于2022年11月推出ChatGPT相较于GPT-3其引入了基于人类反馈的强化学习RLHF以及近端策略优化PPO等新训练方法不仅在文本生成方面水平提升同时在感情理解逻辑推理等交互方面体现出强大能力适用于包括但不限于日常对话信息检索代码生成与调试自动文本创作等场景应用3月新出的GPT-4则将语言模型升级为语言图像的多模态模型支持多模态输入并产生文本输出是大语言模型向多模态模型进化的重要一步13产品发展目前随着GPT语言以及多模态处理技术逐渐成熟以及用户使用需求的激发业界还基于ChatGPT模型开发了一系列相关产品如ChatGPTpluginOffice365Copilot通过将ChatGPT引入实际场景满足一系列用户办公生活学习需求ChatGPTPlugin2023年3月23日OpenAI在其官网宣布推出ChatGPT插件功能赋予ChatGPT使用工具联网运行计算能力通过与多个平台合作以及对外部数据的显式访问极大程度拓展GPT模型的学习来源而不局限于传统版本基于21年9月前数据库的训练同时在使用Plugin时会向用户提供信息来源使得ChatGPT的输出的结果更加准确可信例如在官方的演示中将ChatGPT接入数学知识引擎WolframAlpha向其求助的数学问题时便会得到准确回答接入电商引擎可以根据购物需求给出具体商品页推荐链接伴随ChatGPTPluginStore的推出可以满足用户实时检索信息检索经许可的个人或组织数据库以及代替用户执行操作等多场景下的多样需求请务必阅读正文之后的信息披露和重要声明-4-定量研究专题报告Office365Copilot2023年3月16日微软发布了集成GPT-4的Office365Copilot人工智能服务并将其嵌入WordPowerPointExcelOutlook等一系列Office办公软件中可以根据不同软件功能和需要以及用户指定的办公场景帮助自动生成文字和图片相关内容汇总归纳以及数据分析等相关工作以在微软发布会给出的实例来看例如在Word中Copilot能够根据指令编写内容以及对文本进行总结在Excel中可以根据指令分析所输入的数据进行数据可视化以及提示所需函数在PPT中可以根据指令排版调整以及美化格式与布局在Outlook邮箱中可以帮助管理收件箱协助总结邮件并撰写回复草稿微软将大模型与自身业务系统办公软件结合使得office365copilot人工智能可以实时结合各自业务内容如文档邮件联系会议等业务数据而提供准确相关的回应以更好提升用户办公效率2ChatGPT在投研工作的一些使用案例21数据查找提示在研究中查找数据是最基础的工作之一对于一些常见的如国家统计局发布的经济数据价格数据等通过成熟的数据终端服务可以直接提取即使去原始网站手动查询也是有迹可循的但是当我们需要寻找不常用的数据或者是不在自己过去研究范围内的数据时如果类似Wind这种数据终端没有收录那么就需要其它方法去搜索了比如我们可以尝试通过搜索引擎或知乎等问答网站这样的搜索过程是需要花费一定的时间的特别是海外的相关数据比如我们曾经需要找到全球结构化产品StructuredProducts的分类别规模数据比如雪球鲨鱼鳍等场外期权产品直接使用搜索引擎得到的结果是比较零散的有研究报告新闻等而如果我们尝试直接询问ChatGPT可以发现它的回答推荐了若干网站其中第一个网址StructuredRetailProductscom的确可以提供全球结构化产品详细信息但是ChatGPT也可能给出错误信息比如它推荐的第二个网站StructuredProductscom实际并不存在当然通过调整搜索方式和更仔细的查找通过搜索引擎也可以找到同样的网站的数据只是可能花费更多的时间请务必阅读正文之后的信息披露和重要声明-5-定量研究专题报告图表1搜索引擎返回的结构化产品信息资料来源Google兴业证券经济与金融研究院整理图表2ChatGPT关于全球结构化产品数据的回答资料来源OpenAI兴业证券经济与金融研究院整理再比如我们在做资产配置研究时希望探究美国商业不动产的历史收益风险请务必阅读正文之后的信息披露和重要声明-6-定量研究专题报告特征这就需要我们找到相应的历史收益数据但除了公开上市的REITS类产品一般商业不动产的收益数据是较难获得的我们可以将这个问题直接推给ChatGPT从它的回答看第一个推荐的数据来源就是国际房地产投资信托委员会NCREIF从后来的研究中我们发现NCREIF维护的NPI指数确实是较为权威的美国地产价格数据指标图表3美国商业不动产历史收益率数据资料来源OpenAI兴业证券经济与金融研究院整理22协助代码编写在投研工作中我们不可避免的会遇到处理数据画图等需求可能需要用代码实现对量化研究员更是如此除了维护和开发量化策略还需要持续学习如何实现新的统计方法机器学习算法等工具而ChatGPT能力最强的一个方面就是代码的生成下面我们给出一些ChatGPT协助编程的具体案例直观的感受下它对于工作效率的提升潜力之前我们做过关于如何更好的估计资产协方差矩阵的研究其中一类较有效的方法涉及到GARCH模型的构建与估计比如DCC-GARCH模型对于这种统计类模型R语言的程序包是更加成熟的也是更可靠的我们平时是用python语言因此希望能够实现在python中直接调用R语言估计DCC-GARCH并实现对协方差矩阵的预测对于这样一个需求传统的做法是去搜索相关教程包括研究如何python中调用RR语言中如何估计DCC-GARCH等请务必阅读正文之后的信息披露和重要声明-7-定量研究专题报告而通过chatGPT我们发现它直接给出了可用的操作流程和代码从下方图表可以看到首先chatGPT给出了rpy2这个包用来实现python中调用R语言随后它给出了R语言中估计DCC-GARCH需要的包rmgarch和rugarch这两个包分别实现了多变量和单变量GARCH模型图表4python中调用R资料来源OpenAI兴业证券经济与金融研究院整理最后它给出了估计GARCH模型以及向后预测资产协方差矩阵的完整代码可以发现ChatGPT的这个回答是有逻辑顺序的一步一步的解释和引导提问者理解代码的实现这个流程应该说是正确的与我们之前自己的代码实现也是一致的请务必阅读正文之后的信息披露和重要声明-8-定量研究专题报告图表5估计DCC-GARCH模型并预测资料来源OpenAI兴业证券经济与金融研究院整理再比如一些代码特性的问题也可以直接询问ChatGPT比如之前我们要计算两种资产的滚动相关性序列给定DataFrame格式的资产收益率的数据retdata后我们直接使用retdatarolling250corr即可获得滚动一年的两资产相关系数序列但是这个相关性序列在每个时点是一个22的矩阵我们希望只选取每期的相关系数这一个数如下图我们只需要南华农产品指数和农林牧渔申万的相关系数而不需要矩阵的其它部分这个问题看起来其实很简单只是由于这个结果的index是多维的我们之前不知道如何选取某一维度的特定数据通过搜索引擎去查找最终也可以找到使用方法但是由于搜索返回的结果非常多筛选可用的方法还是花费了一些时间而如果通过ChatGPT我们发现通过比较简单的描述它就能够理解问题和目标直接给出了解决方案请务必阅读正文之后的信息披露和重要声明-9-定量研究专题报告图表6滚动相关系数计算示例资料来源Wind兴业证券经济与金融研究院整理从下方图表可以看到ChatGPT直接回答可以使用IndexSlice这个对象和loc方法实现并给出了一个三维索引的示例参考这个回答我们立刻就可以实现前面数据示例中二维索引的选取和操作另外如果ChatGPT给出的代码运行时出现错误我们还可以直接将错误信息复制给它进行分析ChatGPT会尝试给出改正错误的方法这个特性使其非常适合协助调试工作包括帮助我们找出程序bug图表7DataFrame多维index的数据选取问题资料来源OpenAI兴业证券经济与金融研究院整理我们再给出一个ChatGPT实现策略净值评价功能代码的案例观察它可能出现的错误和修正的过程假设我们需要构建一个能够计算策略净值序列历史表现的函数包括年化收益率年化波动率夏普比和最大回撤这些常见指标我们请务必阅读正文之后的信息披露和重要声明-10-定量研究专题报告可以将需求用文字描述并丢给ChatGPT从下方图标看ChatGPT理解了需求并给出了相应代码仔细观察发现代码中大部分是正确的但是年化收益部分有问题ChatGPT直接计算了策略收益率的日度均值然后年化而正确的做法应该是先计算样本期的累计收益率然后再计算年化收益率图表8策略净值评价Python函数初步编写资料来源OpenAI兴业证券经济与金融研究院整理对于这个问题我们可以直接要求其改正比如通过如下语句计算年化收益率有误应该先计算累计总收益再对年数开方得到年化收益率ChatGPT理解了这个错误并给出了正确的代码可以看到它先通过每日累计收益率序列然后选取最后一项作为累计总收益计算样本期年数后成功给出年化收益率的结果总体来看ChatGPT在代码编写代码解释代码纠错代码注释等方面都有潜在的辅助能力值得我们去尝试的探索请务必阅读正文之后的信息披露和重要声明-11-定量研究专题报告图表9年化收益率计算代码修正资料来源OpenAI兴业证券经济与金融研究院整理23海外文献翻译ChatGPT的另一个潜在用处是翻译文献我们尝试去比较它与其它翻译软件比如GoogleTranslate的差异在使用ChatGPT翻译时有时候可以感受到相较于传统翻译软件如Google翻译百度翻译ChatGPT可以根据不同场景如金融科技医药等与用途如新闻学术会议日常等提供相应的翻译风格特色同时在翻译大篇幅文章时可以利用上文内容的信息理解以提升对当前目标文本的翻译水平尽可能使转换语言后的翻译内容贴合原语言语境下文章写作思路与表达含义我们使用往期西学东渐系列Cross-AssetSkew论文的部分段落英文文献输入至ChatGPT以及GoogleTranslate进行翻译以下为部分段落两者翻译结果的比较可以发现在此段moment一词上Google翻译为时刻ChatGPT根据内容判断翻译为数学概念矩请务必阅读正文之后的信息披露和重要声明-12-定量研究专题报告图表10ChatGPT翻译英文文献示例一资料来源GoogleOpenAI兴业证券经济与金融研究院整理对于下面这段文字我们可以发现如统计检验上的insignificance在ChatGPT中被翻译为不显著的而GoogleTranslate翻译为微不足道的翻译diversificationbenefits时ChatGPT似乎可以结合前后文背景翻译为分散化效益而GoogleTranslate翻译为多元化收益图表翻译英文文献示例二11ChatGPT资料来源GoogleOpenAI兴业证券经济与金融研究院整理请务必阅读正文之后的信息披露和重要声明-13-定量研究专题报告可见ChatGPT对文段较强的理解能力可减少英语一词多义现象带来的翻译错误同时在对论文的专业术语翻译表达上有时也比Google翻译更加专业值得说明的是两者的中文翻译结果语句都较为通顺符合中文自然用语习惯而ChatGPT可以通过事先指定需求如说明其翻译的是学术论文翻译结果应避免口语化表达优化其在论文翻译中的语言风格24其它应用前面我们只是给出了ChatGPT的一小部分使用示例作为一个大语言模型它能做的远不止这些某种程度上只要是人能够用文字表达和解决的问题我们都可以尝试借助ChatGPT进行解答比如说假设我们需要制作一个介绍和推介固收加产品的PPTChatGPT可以提供一个初步的提纲下方图表中ChatGPT建议我们从固收加产品的概念投资策略收益风险特征配置建议等方面入手进行介绍虽然还不够完善但这个回答已经足够给我们一个提纲的起点经过优化完全可以支撑起一个介绍性的PPT图表12ChatGPT协助给出固收加产品的介绍提纲资料来源OpenAI兴业证券经济与金融研究院整理另外我们再给出一个有趣的例子展示ChatGPT的理解能力在使用过程中我们发现ChatGPT虽然不能直接输出图片但是可以输出结构化的代码因此可以尝试让ChatGPT用文字作像素来模拟屏幕显示图片有一个经典的编程问题就是用一系列字母在命令行终端绘制图片比如人脸类比这个方法我们要求ChatGPT像绘画一样用字母作为元素绘制字母A从下图可以看到一开始它给出的结果虽然理解了我们的意图但是画的A请务必阅读正文之后的信息披露和重要声明-14-定量研究专题报告不是很标准也太小我们直接命令它绘制的更大一些便得到了下方用字母g绘制的大写字母A在这个例子中我们发现ChatGPT的理解能力确实极强并且似乎突破了次元壁用字母元素模拟了图像图表13ChatGPT用字母绘图资料来源OpenAI兴业证券经济与金融研究院整理图表14ChatGPT用字母绘制字母A资料来源OpenAI兴业证券经济与金融研究院整理基于ChatGPT极强的文本理解能力它在量化投资中一些传统方法难以解决的领域具有极高的潜在应用价值特别是文本处理例如新闻情绪识别事件抽取和知识图谱构建等方向请务必阅读正文之后的信息披露和重要声明-15-定量研究专题报告25ChatGPT当前存在的问题前面我们介绍了ChatGPT在协助投研工作中的一些使用案例它确实能够在一定程度上提升效率特别是在代码编写方面但另一方面它当前依然有局限性在使用上存在一些问题回答错误的问题ChatGPT作为一个大语言模型本质上还是根据输入的问题预测下一个文字出现的概率分布并选取较高概率的文字输出因此它的回答并不能保证准确性有时会输出看起来通顺但实际错误的信息比如它编写的代码也可能出错并不一定能顺利跑通一些事实性的知识它也不一定能准确给出模型信息滞后问题ChatGPT是预训练模型目前是基于2021年9月以前的互联网数据训练的也就是说它并不知道最近两年发生的任何事情或人类语言偏好的变化目前的框架还不支持它进行在线学习OnlineLearning来提高模型的更新速度模型输入输出限制和使用次数问题目前的GPT模型并不能处理任意大的输入问题GPT-35每次可输入的Token长度大约在几千的量级GPT-4有提升大约在20000个Token以上这意味着目前还不能实现将大量语料数据一次性交给ChatGPT进行处理另外在日常使用上OpenAI对网页聊天界面的回答次数也有限制比如GPT-4每3个小时不能提问超过25次训练和运行成本问题当前ChatGPT需要使用大量GPU进行长时间的训练才能得到模型因此训练新的模型成本较高即使不训练新模型由于参数量巨大运行已有模型也会消耗相当大的算力OpenAICEO阿尔特曼曾在推特上表示ChatGPT平均一次聊天成本大概是几美分作为一种新工具ChatGPT在数据隐私数据监管生成语料污染互联网风险等方面也有待解决的问题但ChatGPT就像一个刚出生的婴儿随着它的成长上述问题是有可能被逐步解决的3结论本文给出了我们在ChatGPT上的一些使用尝试和案例从结果看它在协助代码编写领域已经具有较强的辅助作用在翻译领域也有一些特点和优势除此之外对于一般的研究问题如查找数据ChatGPT可以提供一些提示性的回答减少自己搜索消耗的时间对于文字输出型工作ChatGPT完全可以提供提纲生成文字填充等辅助工作需要说明的是我们这里使用的还是免费版ChatGPT基于GPT-35模型参数量更大更新的GPT-4或者未来其它模型几乎必然有更强的能力对于工作效率的提升是可以预期的当然ChatGPT的使用上目前还是有一些问题比如回答问题时可能给出错误或不存在的资料它提供的代码也并不一定能直接跑通往往依赖于本地的环境和软件版本情况对于这些问题一个可能的原因是我们提问的方式不够精确如何用最优的Prompt提问来获取更好的回答已经成为当前的热门问题超大规模模型涌现出的能力可能预示着我们距离真正的强人工智能越来越近了作为投研请务必阅读正文之后的信息披露和重要声明-16-定量研究专题报告工作人员不论从ChatGPT相关板块的投资角度还是提升自我工作效率似乎都不应该再忽视这个新型工具风险提示报告部分内容基于ChatGPT的回答存在变化或失效的风险请务必阅读正文之后的信息披露和重要声明-17-定量研究专题报告分析师声明本人具有中国证券业协会授予的证券投资咨询执业资格并登记为证券分析师以勤勉的职业态度独立客观地出具本报告本报告清晰准确地反映了本人的研究观点本人不曾因不因也将不会因本报告中的具体推荐意见或观点而直接或间接收到任何形式的补偿投资评级说明投资建议的评级标准类别评级说明报告中投资建议所涉及的评级分为股买入相对同期相关证券市场代表性指数涨幅大于15票评级和行业评级另有说明的除增持相对同期相关证券市场代表性指数涨幅在515之间外评级标准为报告发布日后的12个中性相对同期相关证券市场代表性指数涨幅在-55之间股票评级月内公司股价或行业指数相对同减持相对同期相关证券市场代表性指数涨幅小于-5期相关证券市场代表性指数的涨跌无评级由于我们无法获取必要的资料或者公司面临无法预见结果的重大不确幅其中A股市场以沪深300指数为定性事件或者其他原因致使我们无法给出明确的投资评级基准新三板市场以三板成指为基推荐相对表现优于同期相关证券市场代表性指数准香港市场以恒生指数为基准美中性相对表现与同期相关证券市场代表性指数持平行业评级国市场以标普或纳斯达克综合指数500回避相对表现弱于同期相关证券市场代表性指数为基准信息披露本公司在知晓的范围内履行信息披露义务客户可登录wwwxyzqcomcn内幕交易防控栏内查询静默期安排和关联公司持股情况使用本研究报告的风险提示及法律声明兴业证券股份有限公司经中国证券监督管理委员会批准已具备证券投资咨询业务资格本报告仅供兴业证券股份有限公司以下简称本公司的客户使用本公司不会因接收人收到本报告而视其为客户本报告中的信息意见等均仅供客户参考不构成所述证券买卖的出价或征价邀请或要约投资者自主作出投资决策并自行承担投资风险任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效任何有关本报告的摘要或节选都不代表本报告正式完整的观点一切须以本公司向客户发布的本报告完整版本为准该等信息意见并未考虑到获取本报告人员的具体投资目的财务状况以及特定需求在任何时候均不构成对任何人的个人推荐客户应当对本报告中的信息和意见进行独立评估并应同时考量各自的投资目的财务状况和特定需求必要时就法律商业财务税收等方面咨询专家的意见对依据或者使用本报告所造成的一切后果本公司及或其关联人员均不承担任何法律责任本报告所载资料的来源被认为是可靠的但本公司不保证其准确性或完整性也不保证所包含的信息和建议不会发生任何变更本公司并不对使用本报告所包含的材料产生的任何直接或间接损失或与此相关的其他任何损失承担任何责任本报告所载的资料意见及推测仅反映本公司于发布本报告当日的判断本报告所指的证券或投资标的的价格价值及投资收入可升可跌过往表现不应作为日后的表现依据在不同时期本公司可发出与本报告所载资料意见及推测不一致的报告本公司不保证本报告所含信息保持在最新状态同时本公司对本报告所含信息可在不发出通知的情形下做出修改投资者应当自行关注相应的更新或修改除非另行说明本报告中所引用的关于业绩的数据代表过往表现过往的业绩表现亦不应作为日后回报的预示我们不承诺也不保证任何所预示的回报会得以实现分析中所做的回报预测可能是基于相应的假设任何假设的变化可能会显著地影响所预测的回报本公司的销售人员交易人员以及其他专业人士可能会依据不同假设和标准采用不同的分析方法而口头或书面发表与本报告意见及建议不一致的市场评论和或交易观点本公司没有将此意见及建议向报告所有接收者进行更新的义务本公司的资产管理部门自营部门以及其他投资业务部门可能独立做出与本报告中的意见或建议不一致的投资决策本报告并非针对或意图发送予或为任何就发送发布可得到或使用此报告而使兴业证券股份有限公司及其关联子公司等违反当地的法律或法规或可致使兴业证券股份有限公司受制于相关法律或法规的任何地区国家或其他管辖区域的公民或居民包括但不限于美国及美国公民1934年美国证券交易所第15a-6条例定义为本主要美国机构投资者除外本报告的版权归本公司所有本公司对本报告保留一切权利除非另有书面显示否则本报告中的所有材料的版权均属本公司未经本公司事先书面授权本报告的任何部分均不得以任何方式制作任何形式的拷贝复印件或复制品或再次分发给任何其他人或以任何侵犯本公司版权的其他方式使用未经授权的转载本公司不承担任何转载责任特别声明在法律许可的情况下兴业证券股份有限公司可能会持有本报告中提及公司所发行的证券头寸并进行交易也可能为这些公司提供或争取提供投资银行业务服务因此投资者应当考虑到兴业证券股份有限公司及或其相关人员可能存在影响本报告观点客观性的潜在利益冲突投资者请勿将本报告视为投资或其他决定的唯一信赖依据兴业证券研究上海北京深圳地址上海浦东新区长柳路36号兴业证券大厦地址北京市朝阳区建国门大街甲6号SK大厦地址深圳市福田区皇岗路5001号深业上城T215层32层01-08单元座52楼邮编200135邮编100020邮编518035邮箱researchxyzqcomcn邮箱researchxyzqcomcn邮箱researchxyzqcomcn请务必阅读正文之后的信息披露和重要声明-18-