2023年来市场的风格再次发生大的变化，今年的市场主要围绕ChatGPT引领的人工智能浪潮与“中特估”两条主线展开，传统的基本面模型基于历史的基本面信息或者分析师一致预期变化的维度较难取得明显的超额收益，故此，我们尝试从新的角度来做研究，脱离传统的基于纯粹的基本面和简单量价信息的思维，结合时代大环境从人工智能辅助投资的大方向来进行尝试。
　　构建ChatGLM因子
　　首先利用ChatGLM对分析师研报的文本数据进行情感打分并进行分类，以此获得初始的分类标签。其次，利用初始的分类便签与对应的研报文本数据对Bert模型进行微调获得所需的预测模型参数。对于微调后的模型及参数，我们将样本外的研报文本数据输入并提取其中的【CLS】向量，以此作为后续模型的输入样本。最后，我们使用Xgboost模型采用过去半年的样本作为训练数据滚动训练，来对未来一年的个股研报进行情感预测打分，并将过去三个月的所有样本计算平均作为个股的研报情感得分。
　　Chatglm_factor原始因子测试
　　Chatglm_factor研报情感因子与Barra风格因子中的动量因子的相关性较高（0.43）。IC统计结果发现该因子的IC大于0占比均超过60%、IC的t检验显著。该因子IC均值、中位数均大于0.03。另外，其IC时间序列可以看出该因子在历史上的表现相对较稳定。从分组测试的结果来看，其得分最高的第10组年化收益可达19.92%，信息比率1.05，年化超额收益8.5%，另外双边换手率年化仅10.42。其多空分组的测试结果来看，多空分组的年化收益达16%，夏普比率1.19，最大回撤22%主要发生于22年下半年市场整体出现大回撤区间。
　　Chatglm_factor纯因子测试
　　我们对Chatglm_factor因子进行纯化，纯因子历史IC大于0的占比提升到86%，IC的t统计量为8.88非常显著。另外，年化IC_IR由之前1.01提升到2.93。纯化后的因子IC表现更加平稳，红色折线一直维持在0轴上方。纯化后的因子第10组年化收益可达19.23%，信息比率1.72，年化超额收益7.37%，另外双边换手率年化11.74；多空分组的年化收益达14%，夏普比率2.45，最大回撤仅3%。
　　Chatglm_factor因子选股策略
　　我们根据每月计算的个股情感得分选取情感得分最高的50只个股等权配置，策略在2014年06月01日至2023年6月12日期间年化收益率20.8%，基准（中证500）年化收益率5.3%，阿尔法15.6%。2014年06月01日至2023年6月12日以来2198个交易日中，获得正收益的天数为1204天，盈利天数占比：54.78%，盈利日平均每天盈利1.2%，亏损日数994天，亏损天数占比：45.22%，亏损日平均每天亏损1.25%。
　　策略在22年整体回撤15.47%，明显小于主动型基金的收益中位数；2023年至今（6月12日）绝对收益13.66%，相对基准超额收益12.46%，大幅跑赢基准。
　　风险提示：
　　策略基于历史数据回测，不保证未来数据的有效性。