大语言模型在量化投资中的机遇与挑战
　　自OpenAI发布ChatGPT后，大语言模型(LLM)受到了广泛的关注。它在文本处理上发挥的强大性能使我们看到了LLM辅助量化研究的潜力。然而，使用基于API的大语言模型服务仍然存在诸多限制，例如模型响应时间长、成本高、数据隐私等问题。而开源模型为我们提供解决了上述问题的可能性，本篇我们介绍了ChatGLM开源大语言模型，它使用中英双语语料进行训练，能够在本地的消费级显卡上进行部署并实现中文问答和对话功能。
　　开源模型的应用展望
　　本文介绍的ChatGLM的开源版本拥有62亿参数，参数规模远远少于基于API的LLM服务，那么它的能力是否足够？我们采用两个公开数据集对ChatGLM和ChatGPT进行了对比实验测试，结果发现：
　　1、相比于ChatGPT，ChatGLM在高阶推理能力上表现较弱，无法理解较为复杂的逻辑类问题，ChatGLM的知识储备远小于ChatGPT；
　　2、在较为简单的文本总结任务中，ChatGLM和ChatGPT的差异缩小，部分文本总结测试中二者的回答质量没有显著差异；
　　基于我们的测试结果，我们认为将ChatGLM运用于辅助量化文本分析，62亿的参数规模使它无法满足高阶推理类、逻辑类的运用，但对于相对简单、传统的文本处理问题，例如文本总结、文本分类、信息抽取等问题上，ChatGLM发挥出了不错的性价比。此外，开源模型的另一大优势是可以通过本地数据微调以丰富模型知识，加强模型解决特定领域能力。最后，我们看到了LLM开源社区正在蓬勃发展，随着未来更多优秀开源项目的出现，利用开源模型进行量化研究辅助的可能性和前景将得到进一步拓宽。
　　风险提示
　　本文中所有大语言模型的问答均为采用公开数据作为测试案例，仅对模型进行测试，不保证问答的准确性，不构成任何投资建议。