这篇报告介绍了ChatGPT语言模型预测股票收益的效果。论文标题是《CanChatGPTForecast Stock Price MovementsReturn Predictability and LargeLanguage Models》，于2023年04月15日预发布于ArXiv，该论文评估了使用ChatGPT等大型语言模型对新闻标题进行情感分析，从而预测股票市场回报的潜力。
　　利用股票数据和新闻数据让ChatGPT进行情感分析。本文主要使用两个数据集进行分析，分别是CRSP日收益率和RavenPack新闻标题数据集。CRSP数据集包含了美国主要证券交易所上市的公司的日收益率等数据。RavenPack新闻标题数据集由各种来源的新闻标题组成，经过预处理和过滤以筛选公司新闻，并提供新闻与公司的相关性得分指标。
　　样本外的数据保证了预测的可信度。为了保证模型不提前知道数据，研究人员在确保所有预测结果都是在样本外进行的。由于ChatGPT训练数据截止于2021年9月，该论文选定的样本数据起始日期为2021年10月。
　　ChatGPT得分与股票回报正相关。该论文使用新闻标题向ChatGPT提问，并将ChatGPT的回答转换成ChatGPT得分。使用回归模型，将ChatGPT得分与股票日收益进行比较，发现ChatGPT得分与股票回报呈现正相关关系。
　　开发专用的金融大语言模型和混合其他AI技术的系统会更有前景。本文强调开发针对金融行业的大型语言模型以提高决策准确性和效率，并提议将大型语言模型与其他机器学习技术和量化模型结合，创建综合各种方法优势的混合系统，以进一步提高金融经济学中AI驱动模型的预测能力。
　　ChatGPT预测结果仍有不确定性以及面临监管风险。ChatGPT等高级语言模型在投资决策的过程中预测失误的可能性仍存在。此外，AI技术在金融领域的应用也需要更为完善严格的监管措施来防止不当操作和风险控制问题的产生。
　　风险提示：数据不完备和滥用风险，信息安全风险，模型失效风险

研究报告全文：TableMain证券研究报告金融工程专题文献精译2022年04月22日金融工程专题ChatGPT能够预测股票价格的走势金融工程专题吗收益可预测性和大型语言模型证券分析师德邦金工文献精译第十期肖承志姓名TableSummary资格编号S0120521080003资格编号投资要点S11305XXXXXX邮箱xiaoczteboncomcn邮箱xxxxxteboncomcn这篇报告介绍了ChatGPT语言模型预测股票收益的效果论文标题是Can研究助理ChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels于2023年04月15日预发布于ArXiv该论文评估了使用ChatGPT等大型语言模型对新闻标题进行情感分析从而预测股票市场回报的潜相关研究力1只有艰难时期的赢家能重复成功对冲基金在不同市场条件下的业绩持利用股票数据和新闻数据让ChatGPT进行情感分析本文主要使用两个数据集进续性德邦金工文献精译第九期行分析分别是CRSP日收益率和RavenPack新闻标题数据集CRSP数据集包20230331含了美国主要证券交易所上市的公司的日收益率等数据RavenPack新闻标题数2训练语言模型以遵循带有人类反据集由各种来源的新闻标题组成经过预处理和过滤以筛选公司新闻并提供新闻馈的指令德邦金工文献精译第八与公司的相关性得分指标期20230317样本外的数据保证了预测的可信度为了保证模型不提前知道数据研究人员在确3股价是否充分反映了业绩中应计保所有预测结果都是在样本外进行的由于ChatGPT训练数据截止于2021年9和现金流部分所蕴含的未来盈利信月该论文选定的样本数据起始日期为2021年10月息德邦金工文献精译第七期20220713ChatGPT得分与股票回报正相关该论文使用新闻标题向ChatGPT提问并将4资产配置管理风格和绩效衡量ChatGPT的回答转换成ChatGPT得分使用回归模型将ChatGPT得分与股票德邦金工文献精译第六期日收益进行比较发现ChatGPT得分与股票回报呈现正相关关系20220711开发专用的金融大语言模型和混合其他AI技术的系统会更有前景本文强调开发5规模很重要如果控制了绩差股针对金融行业的大型语言模型以提高决策准确性和效率并提议将大型语言模型德邦金工文献精译第五期与其他机器学习技术和量化模型结合创建综合各种方法优势的混合系统以进一20220528步提高金融经济学中AI驱动模型的预测能力6中国股市的规模和价值因子模型德邦金工文献精译第四期ChatGPT预测结果仍有不确定性以及面临监管风险ChatGPT等高级语言模型20220422在投资决策的过程中预测失误的可能性仍存在此外AI技术在金融领域的应用也需要更为完善严格的监管措施来防止不当操作和风险控制问题的产生7机器学习驱动下的金融对不确定性的吸收和加剧德邦金工文献精译第三期202202118不可知的基本面分析是可行的德邦金工文献精译第二期202201149机器学习因子在线性因子模型风险提示数据不完备和滥用风险信息安全风险模型失效风险中捕获非线性德邦金工文献精译第一期20210917请务必阅读正文之后的信息披露和法律声明金融工程专题内容目录1摘要42简介43相关工作54背景55数据66方法761提示语762实证设计87结果98结论119风险提示1210参考文献12信息披露15215请务必阅读正文之后的信息披露和法律声明金融工程专题图表目录图1样本公司累计收益率6图2实验数据描述7图3新闻相关性分析数据7图4基于情感评分预测的次日日均收益率9图5基于情感评分预测的全体公司样本数据回归计量结果10图6基于情感评分预测的小公司样本数据计量结果10图7基于情感评分预测的非小公司样本数据计量结果11图8衡量模型解释性的指标11315请务必阅读正文之后的信息披露和法律声明金融工程专题1摘要这篇报告是德邦金工文献精译的第十期我们介绍ChatGPT语言模型预测股价的表现该论文的标题是CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguage于2023年4月15日预发布于Arxiv作者是AlejandroLopez-Lira和YuehuaTang这篇论文评估了利用大型语言模型ChatGPT进行情感分析来预测股票收益的能力研究发现ChatGPT分数与股市日回报之间正相关ChatGPT模型的表现优于传统情感分析方法基线模型GPT-1GPT-2和BERT不能更精确的预测股票收益这表明股票收益可预测性是复杂模型的一种能力该论文建议将先进的语言模型纳入投资决策过程中以获得更准确的预测并且增强量化交易策略的表现该研究还能帮助金融从业人员决策是否将LLMs大型语言模型LargeLanguageModels纳入其投资策略指导AI在金融监管框架的应用促进LLMs在金融领域的应用激发对人工智能与金融相融合的研究2简介近几个月来LLMs的应用如ChatGPT在各个领域得到了显著的关注许多研究探索了它们在不同领域的潜力然而大型语言模型在金融经济学领域特别是在预测股票市场收益方面的应用仍然相对未知一方面这些模型并没有专门以此目的进行训练人们可能认为它们在预测股市走势方面提供的价值很小另一方面这些模型更擅长的是理解自然语言人们更认为它们在处理文本信息预测股票回报方面是更有价值工具LLMs在预测金融市场走势方面是一个开放性的问题本文可能是第一个通过评估ChatGPT在预测股市回报方面的能力来解决这个关键问题的论文之一通过一种利用该模型的情感分析能力的新方法论文使用新闻标题数据评估了ChatGPT的表现并将其与现有较情感分析方法进行了比较该论文的研究结果对金融业的就业格局可能存在较大影响这一结果可能会导致市场预测和投资决策所用方法的转变首先该论文的研究可以帮助监管机构和政策制定者了解金融市场LLMs的潜在益处和风险随着这些模型变得更加普遍监管者将重点关注它们对市场行为信息传播和价值发现的影响该论文结果可以为AI监管制定框架提供参考并为将LLMs整合到市场运营中开发最佳实践做出贡献其次该论文可以为金融机构及投资者提供关于LLMs在预测股市回报方面效力的实证证据这些证据可以帮助这些专业人士做出更明智的决策将LLMs纳入到他们的投资策略中潜在地改善业绩并节省大量时间最后该论文对于关于人工智能在金融领域应用的更广泛学术讨论也做出了贡献通过探究ChatGPT在预测股市回报方面的能力论文推进了对LLMs在金融经济学领域潜力和限制的理解这可以激发未来更多的研究开发出更加针对415请务必阅读正文之后的信息披露和法律声明金融工程专题金融行业需求的复杂LLMs为更加高效和准确的金融决策铺平道路3相关工作最近几篇使用ChatGPT在经济学领域的论文包括Hansen和Kazinnik2023Cowen和Tabarrok2023Korinek2023和Noy和Zhang2023Hansen和Kazinnik2023表明像ChatGPT这样的LLMs具有解码Fedspeak即美联储用于传达货币政策决策的语言的能力Cowen和Tabarrok2023年及Korinek2023证明ChatGPT在经济学教学和经济研究中很有用Noy和Zhang2023发现ChatGPT可以提高专业写作工作的生产力此外Yang和Menczer2023证明ChatGPT成功地识别可信的新闻机构这篇论文是第一批研究LLMs在金融市场特别是投资决策过程中潜力的论文之一这篇论文利用文本分析和机器学习来研究各种金融研究问题例如Jegadeesh和Wu2013Campbell等2014Hoberg和Phillips2016Gaulin2017BakerBloom和Davis2016Manela和Moreira2017HansenMcMahon和Prat2018KeKelly和Xiu2019KeMontielOlea和Nesbit2019Bybee等2019GuKelly和Xiu2020CohenMalloy和Nguyen2020FreybergerNeuhierl和Weber2020Lopez-Lira2019Binsbergen等2020Bybee等2021该论文独特贡献在于第一个评估最近开发的LLMs如ChatGPT在预测股市走势方面文本处理能力的研究该论文还参考了使用新闻文章的语言分析来提取情感和预测股票回报的文献这个领域的一部分研究了媒体情感和股票总收益例如Tetlock2007年Garcia2013Calomiris和Mamaysky2019另一个领域使用公司新闻的情感来预测个股收益例如TetlockSaar-Tsechansky和Macskassy2008Tetlock2011JiangLi和Wang2021与以往的研究不同的是这篇论文侧重于了解LLMs是否通过提取预测股票市场反应的额外信息来增加额外价值最后该论文也涉及有关就业暴露和对人工智能相关技术的脆弱性的文献AgrawalGans和Goldfarb2019Webb2019Acemoglu等人2022Acemoglu和Restrepo2022Babina等人2022Noy和Zhang2023最近研究了人工智能相关技术的工作暴露程度以及对就业和生产力的影响随着AI自其成立以来一直在不断发展这篇论文侧重于了解AI特别是LLMs在金融领域的能力这是一个紧迫但未回答的问题该论文强调LLMs在处理信息以预测股票回报方面为市场参与者增加价值的潜力4背景ChatGPT是OpenAI基于GPTGenerativePre-trainedTransformer架构开发的一种大规模语言模型它是迄今为止开发的最先进的自然语言处理NLP模型之一经过对大量文本数据的训练可以理解自然语言的结构和模式GenerativePre-trainedTransformerGPT架构是一种用于自然语言处理任务的深度学习算法它由OpenAI开发基于Transformer架构该架构在Vaswani等人2017年中引入GPT架构在一系列自然语言处理任务中取得了最先进的515请务必阅读正文之后的信息披露和法律声明金融工程专题性能包括语言翻译文本摘要问答和文本完成GPT架构使用多层神经网络来模拟自然语言的结构和模式使用无监督学习方法它在大量的文本数据如维基百科文章或网页上进行预训练这个预训练过程使模型能够深入理解语言的语法和语义然后针对特定的语言任务进行微调GPT架构的一个独特特点是其使用transformer块它通过使用自注意力机制来聚焦输入中最相关的部分从而使模型能够处理长序列的文本这种注意力机制使模型更好地理解输入的上下文并生成更准确连贯的响应ChatGPT经过训练可以执行各种语言任务如翻译摘要问答甚至可以生成连贯且类似人类语言的文本这使它成为创建聊天机器人和虚拟助手的强大工具可以与用户进行自然的交流ChatGPT是一种处理语言任务工具它没有专门训练以预测股票回报或提供财务建议因此该论文所做的实验将测试其在预测股票回报时的能力5数据该实验采用两个数据集中央研究证券价格CRSP每日收益数据集和RavenPack新闻标题数据集样本期从2021年10月开始因为ChatGPT的训练数据截止到2021年9月结束于2022年12月这个样本周期确保了评估是基于模型的训练数据中不存在的信息从而允许对其预测能力进行更准确的评估CRSP的每日收益数据集包含大量在美国主要证券交易所上市的公司的每日股票收益信息包括股票价格交易量和市值数据使用该数据集研究ChatGPT生成的情感分数与相应的股票市场回报之间的关系为结果分析提供了坚实的基础数据样本包括在RavenpackDowJones中至少有一条新闻报道的所有的在纽约证券交易所NYSE全国证券交易商自动化报价系统NASDAQ和美国证券交易所AMEX上市的公司并使用股票代码为10或11的普通股这与先前的研究相一致图1样本公司累计收益率资料来源CanChatGPTForecastStockPriceMovements德邦研究所615请务必阅读正文之后的信息披露和法律声明金融工程专题来自RavenPack的新闻头条作为实验的第二个数据集与CRSP每日收益数据集相对应时间范围相同RavenPack的数据集包括来自各种来源的新闻头条如主要新闻机构金融新闻网站和社交媒体平台这些标题经过预处理和过滤以强调公司特定新闻使得该实验能够评估这些标题生成的情感分数对个别股票回报的影响该实验严格遵循JiangLi和Wang2021所概述的预处理方法图2实验数据描述资料来源CanChatGPTForecastStockPriceMovements德邦研究所实验使用RavenPack提供的相关性得分作为新闻与特定公司相关程度的指标该分数范围从0到1000100的分数意味着该实体是被动主要提及该论文数据样本要求相关性得分为100并限制为完整的文章和新闻稿该实验排除了被归类为股票收益和股票下跌的标题因为它们只表明了股票的每日走势方向为避免重复新闻论文要求事件相似日评分超过90以确保仅捕捉公司的新信息图3新闻相关性分析数据资料来源CanChatGPTForecastStockPriceMovements德邦研究所注GPT情感得分与新闻标题相关性大为044事件分割得分与GPT情感分析得分相关性为036此外实验消除了同一天针对同一家公司的重复标题和非常相似的标题使用最佳字符串对齐度量也称为受限Damerau-Levenshtein距离来衡量标题的相似度并删除相似度大于06的同一公司在同一天内的标题这些过滤技术不会引入任何前瞻性偏差因为RavenPack会在收到所有新闻文章的几毫秒内对其进行评估并迅速将结果数据发送给用户因此在新闻发布时所有信息均可用6方法61提示语提示语在指导ChatGPT针对特定任务和查询生成的响应方面起着至关重要的作用提示语是一段简短的文本为ChatGPT生成响应提供上下文和指导提示语可以是单个句子也可以是一个段落或更长具体取决于任务的性质提示语作为ChatGPT生成响应过程的起点模型利用提示语中的信息生成和语境适当的响应这个过程包括分析提示语的句法和语义生成一系列可能的响应并根据相关因素如连贯性相关性和语法正确性选择最合适的响应715请务必阅读正文之后的信息披露和法律声明金融工程专题提示语对于使ChatGPT能够执行各种语言任务至关重要例如语言翻译文本摘要问题回答甚至生成连贯和类似人类的文本它们允许模型适应特定的上下文并生成针对用户需求量身定制的响应此外提示语可以定制以执行不同领域的特定任务如金融医疗保健或客户支持在该论文实验中中使用以下提示语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公司名在术语期内的股价是好消息还是坏消息在这个提示语中论文实验要求语言模型ChatGPT扮演一位有股票推荐经验的金融专家的角色在查询过程中公司名称和标题术语分别被公司名称和相应的标题替换术语对应于短期或长期这个提示语是专门为金融分析设计的要求ChatGPT评估给定新闻标题及其对公司短期股票价格的潜在影响ChatGPT被要求在新闻对股票价格有好的影响时回答是在有坏影响时回答否在不确定时回答不确定然后ChatGPT被要求提供一个简洁的解释来支持其答案提示语规定新闻标题是提供给ChatGPT的唯一信息来源隐含地假定标题包含足够的信息以便金融行业的专家合理评估其对股票价格的影响这个提示语旨在展示ChatGPT作为语言模型在金融分析任务中的能力例如考虑以下关于Oracle的标题RiminiStreet在针对Oracle的案件中被罚款63万美元然后提示语询问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RiminiStreet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RiminiStreet在针对Oracle的案件中被罚款63万美元Ravenpack是一种新闻分析工具给出了-052的负面情感评分表明新闻被认为是负面的然而ChatGPT的响应是它认为新闻对Oracle来说是积极的ChatGPT的推理是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进而可能导致其产品和服务的需求增加这种情感上的差异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62实证设计815请务必阅读正文之后的信息披露和法律声明金融工程专题该论文提示ChatGPT为每个标题提供一个打分并将其转换为ChatGPT得分其中YES映射为1UNKNOWN映射为0NO映射为-1如果某一天某公司有多个标题则对得分进行平均并将得分滞后一天以评估收益的可预测性然后该论文对ChatGPT得分和RavenPack提供的情绪得分进行线性回归以预测次日的收益如果新闻在交易所收盘时间之后报道则假设新闻在第二天开盘时可供交易因此该论文的所有结果均为样本外7结果该论文实验分析表明ChatGPT情感评分在预测每日股市收益方面具有显著的预测能力通过利用新闻标题数据及其生成的情感评分论文发现ChatGPT评估与实验样本中股票在随后的每日收益之间存在强烈的相关性这个结果凸显了ChatGPT作为基于情感分析预测股市走势的能力为了进一步研究实验模型的鲁棒性论文将ChatGPT的表现与RavenPack等主要研究方法提供的传统情感分析方法进行比较在对结果分析中该实验控制ChatGPT情感评分并检查替代情感度量后的预测能力实验的结果表明在控制ChatGPT情感评分的情况下其他情感评分对每日股市收益的影响降为零这表明ChatGPT模型在预测股市收益方面优于现有情感分析方法ChatGPT在预测股市收益方面的优越性可以归因于其先进的语言理解能力使其能够捕捉新闻标题中的细微差别和微妙之处这使得模型能够生成更可靠的情感评分从而更好地预测每日股市收益图4基于情感评分预测的次日日均收益率资料来源CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels德邦研究所注gptChatGPT分组单调性最好论文实验结果证实了ChatGPT情感评分的预测能力并强调将LLMs纳入投资决策过程中的潜在益处通过优于传统情感分析方法ChatGPT展示了其在增强量化交易策略表现和提供更准确的市场动态理解方面的价值图5至图7呈现了论文实验的回归分析结果考察了ChatGPT和替代情感分析方法生成的情感评分与次日股票收益之间的关系该表报告了回归系数及其相应的t值括号内标准误差以日期和公司permno为聚类变量模型包括公司和日期固定效应以控制未观测到的时间不变公司特征和可能影响股票收益的共同时间特定因素915请务必阅读正文之后的信息披露和法律声明金融工程专题图5基于情感评分预测的全体公司样本数据回归计量结果资料来源CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels德邦研究所注gptChatGPT模型下公司和时间的固定效应非常显著图6基于情感评分预测的小公司样本数据计量结果资料来源CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels德邦研究所注gptChatGPT模型下公司和时间的固定效应非常显著1015请务必阅读正文之后的信息披露和法律声明金融工程专题图7基于情感评分预测的非小公司样本数据计量结果资料来源CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels德邦研究所注gptChatGPT模型下公司和时间的固定效应显著图8报告了各种模型拟合度量如R平方调整R平方AIC和BIC以评估模型的整体解释力图8衡量模型解释性的指标资料来源CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels德邦研究所注gptChatGPT模型性能最好8结论该论文探讨了ChatGPT在预测股票市场收益方面的潜力方法是通过对新闻标题进行情感分析该论文的发现表明ChatGPT在预测股票市场收益方面优于RavenPack等领先供应商的传统情感分析方法该论文通过展示大型语言模型在金融经济学中的价值为人工智能和自然语言处理在这一领域的应用研究作出贡献该论文对未来的研究具有几个影响首先该论文强调了继续探索和开发专门为金融行业量身定制的大型语言模型的重要性随着AI驱动的金融发展可以设计更复杂的模型来提高金融决策过程的准确性和效率其次该论文的发现表明未来的研究应该关注大型语言模型从哪些机制中1115请务必阅读正文之后的信息披露和法律声明金融工程专题获取其预测能力通过确定导致ChatGPT等模型在预测股票市场回报方面获得成功的因素研究人员可以为改进这些模型最大化其在金融领域的效用制定更有针对性的策略此外随着大型语言模型在金融行业变得越来越普及探讨它们对市场动态的潜在影响至关重要包括价格形成信息传播和市场稳定性未来的研究可以探讨大型语言模型在塑造市场行为方面的作用以及它们对金融系统可能产生的积极和消极后果最后未来的研究可以探讨将大型语言模型与其他机器学习技术和量化模型相结合创建将不同方法优势结合在一起的混合系统通过利用各种方法的互补能力研究人员可以进一步提高金融经济学中AI驱动模型的预测能力简而言之该论文的研究展示了ChatGPT在预测股票市场收益方面的价值并意在为大型语言模型在金融行业的应用和影响的未来研究铺平道路随着AI驱动的金融领域不断扩展本研究可以帮助更准确高效和负责任的模型的开发从而提高金融决策过程的绩效通过挖掘大型语言模型的潜力该论文可以在金融领域更好地应用人工智能和自然语言处理技术因此在金融产业中不断创新和发展大型语言模型至关重要以确保为市场参与者提供更强大和高效的工具以应对金融市场的挑战和不断变化的需求9风险提示数据不完备和滥用风险信息安全风险模型失效风险10参考文献1AcemogluDAutorDHazellJRestrepoP2022ArtificialIntelligenceandJobsEvidencefromOnlineVacanciesJournalofLaborEconomics40S1S293-S3402AcemogluDRestrepoP2022TasksAutomationandtheRiseinUSWageInequalityEconometrica9051973-20163AgrawalAGansJSGoldfarbA2019ArtificialIntelligenceTheAmbiguousLaborMarketImpactofAutomatingPredictionJournalofEconomicPerspectives33231-504BabinaTFedykAHeAXHodsonJ2022ArtificialIntelligenceFirmGrowthandProductInnovationSSRNElectronicJournal5BakerSRBloomNDavisSJ2016MeasuringeconomicpolicyuncertaintyQuarterlyJournalofEconomics13141593-16366BinsbergenJHVHanXLopez-LiraA2020ManvsMachineLearningTheTermStructureofEarningsExpectationsandConditionalBiasesNationalBureauofEconomicResearch7BybeeLKellyBTManelaAXiuD2019TheStructureofEconomicNewsWorkingPaper8BybeeLKellyBTManelaAXiuD2021BusinessNewsand1215请务必阅读正文之后的信息披露和法律声明金融工程专题BusinessCyclesSSRNElectronicJournal9CalomirisCWMamayskyH2019HownewsanditscontextdriveriskandreturnsaroundtheworldJournalofFinancialEconomics1332299-33610CampbellJLChenHDhaliwalDSLuHMSteeleLBCampbellJL2014TheinformationcontentofmandatoryriskfactordisclosuresincorporatefilingsReviewofaccountingstudiesBoston191396-45511CohenLMalloyCNguyenQ2020LazyPricesJournalofFinance7531371-141512CowenTTabarrokAT2023HowtoLearnandTeachEconomicswithLargeLanguageModelsIncludingGPTSSRNElectronicJournal13FreybergerJNeuhierlAWeberM2020DissectingCharacteristicsNonparametricallyReviewofFinancialStudies3352326-237714GarciaD2013SentimentduringRecessionsTheJournalofFinance6831267-130015GaulinMP2017RiskFactorFictionTheInformationContentofRiskFactorDisclosures16GuSKellyBXiuD2020EmpiricalAssetPricingviaMachineLearningReviewofFinancialStudies3352223-227317HansenALKazinnikS2023CanChatGPTDecipherFedspeakSSRNElectronicJournal18HansenStephenMichaelMcMahonandAndreaPrat2018TransparencyandDeliberationWithintheFOMCAComputationalLinguisticsApproachTheQuarterlyJournalofEconomics133no2May80187019HobergGerardandGordonPhillips2016Text-BasedNetworkIndustriesandEndogenousProductDifferentiationJournalofPoliticalEconomy12451423146520JegadeeshNarasimhanandDiWu2013WordpowerAnewapproachforcontentanalysisJournalofFinancialEconomics110371272921JiangHaoSophiaZhengziLiandHaoWang2021PervasiveunderreactionEvidencefromhigh-frequencydataJournalofFinancialEconomics141no2August57359922KeShikunJoseLuisMontielOleaandJamesNesbit2019ARobustMachineLearningAlgorithmforTextAnalysisWorkingPaper23KeZhengBryanTKellyandDachengXiu2019PredictingReturnswithTextDataUniversityofChicagoBeckerFriedmanInstituteforEconomicsWorkingPaper1315请务必阅读正文之后的信息披露和法律声明金融工程专题24KorinekAnton2023LanguageModelsandCognitiveAutomationforEconomicResearchCambridgeMAFebruary25Lopez-LiraAlejandro2019RiskFactorsThatMatterTextualAnalysisofRiskDisclosuresfortheCross-SectionofReturnsSSRNElectronicJournalSeptember26ManelaAsafandAlanMoreira2017NewsimpliedvolatilityanddisasterconcernsJournalofFinancialEconomics123no1January13716227NoyShakkedandWhitneyZhang2023ExperimentalEvidenceontheProductivityEffectsofGenerativeArtificialIntelligenceSSRNElectronicJournalMarch28TetlockPaulC2007GivingContenttoInvestorSentimentTheRoleofMediaintheStockMarketTheJournalofFinance62no3June1139116829TetlockPaulCMaytalSaar-TsechanskyandSofusMacskassy2008MoreThanWordsQuantifyingLanguagetoMeasureFirmsFundamentalsJournalofFinance63no3June1437146730VaswaniAshishNoamShazeerNikiParmarJakobUszkoreitLlionJonesAidanNGomezLukaszKaiserandIlliaPolosukhin2017AttentionisallyouneedAdvancesinNeuralInformationProcessingSystems2017-Decem5999600931WebbMichael2019TheImpactofArtificialIntelligenceontheLaborMarketSSRNElectronicJournalNovember32WuShijieOzanIrsoyStevenLuVadimDabravolskiMarkDredzeSebastianGehrmannPrabhanjanKambadurDavidRosenbergandGideonMann2023BloombergGPTALargeLanguageModelforFinanceMarch33YangKai-ChengandFilippoMenczer2023LargelanguagemodelscanratenewsoutletcredibilityApril1415请务必阅读正文之后的信息披露和法律声明金融工程专题信息披露分析师与研究助理简介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以勤勉的职业态度独立客观地出具本报告本报告所采用的数据和信息均来自市场公开信息本人不保证该等信息的准确性或完整性分析逻辑基于作者的职业理解清晰准确地反映了作者的研究观点结论不受任何第三方的授意或影响特此声明投资评级说明1Table投资评级的比较和评级标准RatingDescription类别评级说明以报告发布后的6个月内的市场表买入相对强于市场表现20以上现为比较标准报告发布日后6个股票投资评增持相对强于市场表现520月内的公司股价或行业指数的级中性相对市场表现在-55之间波动涨跌幅相对同期市场基准指数的涨减持相对弱于市场表现5以下跌幅2市场基准指数的比较标准优于大市预期行业整体回报高于基准指数整体水平10以上A股市场以上证综指或深证成指为基行业投资评中性预期行业整体回报介于基准指数整体水平-10与10之间准香港市场以恒生指数为基准美级国市场以标普500或纳斯达克综合指弱于大市预期行业整体回报低于基准指数整体水平10以下数为基准法律声明本报告仅供德邦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在任何情况下本报告中的信息或所表述的意见并不构成对任何人的投资建议在任何情况下本公司不对任何人因使用本报告中的任何内容所引致的任何损失负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能会波动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市场有风险投资需谨慎本报告所载的信息材料及结论只提供特定客户作参考不构成投资建议也没有考虑到个别客户特殊的投资目标财务状况或需要客户应考虑本报告中的任何意见或建议是否符合其特定状况在法律许可的情况下德邦证券及其所属关联机构可能会持有报告中提到的公司所发行的证券并进行交易还可能为这些公司提供投资银行服务或其他服务本报告仅向特定客户传送未经德邦证券研究所书面授权本研究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所有本报告中使用的商标服务标记及标记均为本公司的商标服务标记及标记如欲引用或转载本文内容务必联络德邦证券研究所并获得许可并需注明出处为德邦证券研究所且不得对本文进行有悖原意的引用和删改根据中国证监会核发的经营证券业务许可德邦证券股份有限公司的经营范围包括证券投资咨询业务1515请务必阅读正文之后的信息披露和法律声明