NLP在金融领域的应用
　　情感分析在金融领域具有重要的应用，在这一领域中，ChatGPT超越了其他传统情感分析方法，往往能够提供更准确的预测结果。本篇报告通过ChatGPT对OPEC官方发布的新闻进行情感分析，通过验证OPEC新闻与原油期货价格之间的关系探索了ChatGPT的情感分析效果。
　　不同模型的情感分析方法
　　使用传统的NLP模型“SentimentIntensityAnalyzer”，从事件驱动的角度看，评分较高的新闻发布前后60个交易日内收益率并未明显高于评分较低的新闻的对应收益率。新闻的事件驱动收益不明显，模型打分无法细节区分新闻情绪，分析效果存在一定局限性。
　　“GPT-3.5-turbo”模型情绪打分效果明显更优，模型能够根据输入文本生成高质量的输出，并且可以理解复杂的意图、因果关系。模型的情绪打分有了明显区分度，在比较滞后的日频维度与滞后较少的分钟维度，打分超过10次的新闻单调性均良好，最高情绪打分的新闻事件可能获得较好的超额收益。
　　应用ChatGPTAPI时，用户输入的参数不同，模型对角色的识别和分类、对不同角色所需回答的分析和生成也是不同的。我们详细测试了各关键参数的敏感性，角色参数最直接对结果造成影响，甚至会出现不同角色相反结论；Temperature参数与Top_p参数共同控制结果的随机性，我们应该根据不同的分析目标设定Temperature参数与Top_p参数，当需要“创意“结果时，可以相应设定更高的自由度，但为了保持新闻事件分析结果的严谨性，我们在新闻事件情感分析时应该给与模型尽量少的自由度，检验设置的参数建议为0。不同Top_p参数下模型输出结果相对平稳；不同Temperature参数下模型结果波动较大。
　　ChatGPT-4在few shot和zero shot上的结果表现上进一步提升了，ChatGPT 4在逻辑分析和内容解读上均有明显进步。但是ChatGPT 4无法通过对话的方式去设置Temperature和Top_p参数，无法按照ChatGPT 3.5 API调用的方式保证情绪分析输出结果的稳定性，输入相同内容得到的情绪打分分数会出现明显波动，这导致我们还无法将ChatGPT 4直接应用于情感分析打分的相关金融策略。
　　GPT情感分析驱动策略
　　情感分析驱动的CTA策略是一种较新颖的交易策略，它结合了情感分析和传统的CTA策略。大语言模型的发展提供的更加准确的分析结果使此策略有更多的应用空间，结合此前我们对OPEC新闻的分析打分结果，我们构建了GPT情感分析驱动策略。
　　策略具体规则为新闻事件发生且情感分析打分大于等于0.7，进行买入；新闻事件发生且情感分析打分小于0，进行卖空。当价格偏离2倍ATR时进行平仓。策略的年化收益率为22.72%，策略最大回撤为14.22%。
　　对比buy and hold和随机信号的策略结果来区分是新闻情绪信号带来的收益还是因为期货本身的波动带来的收益。在新闻出现的相同时间点，我们生成三组随机情感分数，第一组为0到1的随机数，第二组为-1到1的随机数，第三组为与GPT打分同均值方差分布的随机数。在相同的开平仓规则下GPT情感分析驱动策略显著跑赢各类随机信号策略，也显著跑赢buy and hold策略，结果证明新闻情绪信号确实能带来明显的增量信息。
　　风险提示
　　以上结果通过历史数据统计、建模和测算完成，历史规律未来可能存在失效的风险。