《了解GPT：投资篇》在训练篇和应用篇的基础上，梳理了目前大模型重点解决“投资”问题的研究进展和方式方法。大语言模型在金融领域也有着广泛的应用潜力，例如分析财经新闻、预测股票走势、生成投资建议等。我们从以下四个方面进行介绍：
　　 ChatGPT构建投资策略的学术论文：我们介绍了4篇使用ChatGPT探索金融投资策略构建方法的论文。目前学术界的研究已使用多种方式将ChatGPT融入到生成因子、交易信号等构建量化策略的环节中，发挥在投资领域应用大模型的想象空间。我们从中找到了一些共通点和使用技巧，但如何更有效的发挥大模型的潜力，提高模型表现，仍需要进一步的深入研究。
　　金融大模型：我们介绍了BloombergGPT、FinGPT、AlphaBox、FinVis-GPT等金融大模型项目，针对不同的金融场景和需求提供了独特的功能和服务。目前，FinGPT是最火爆的支持情感分析、量化交易、金融问答等领域任务的开源大模型环境，FinVis-GPT是新颖的识别K线图给出投资建议的金融大模型。部分国内企业已经在金融大模型上有所布局，凭借其在数据和技术积累方面的多重优势，能够为金融机构提供个性化、全面化的服务，具备应用前景和发展潜力。
　　 ChatGPTPlugins投资插件：截至2023年8月11日，ChatGPTPlugins平台共计817款插件，我们统计其中24款具有供投资相关功能服务的插件。这些插件可用于获取投资组合建议、分析股票新闻情绪、优化投资者组合等功能。其中，我们认为AFinChat是最具有使用价值的插件，可以被用来分析A股新闻和行情数据。
　　 OpenAI代码解释器：OpenAI代码解释器于2023年7月向ChatGPTPlus会员开放，提供基于python语言处理用户自定义数据，具备数据分析、作图等功能。由于算力有限，OpenAI并未提供可自定义下载的python库，数据较大时存在运行崩溃的问题，因此目前只能进行简单的数据分析等应用。对投资问题，我们测试了单因子检验、股权激励数据分析、ETF投资组合配置3个案例，代码解释器均取得了良好的表现，能够清晰准确地完成用户的要求并阐述其解决思路，并能够在代码报错的情况下进行自主调试。
　　大型语言模型在金融投资领域应用是一个有前景但也有难度的课题，需要多学科的合作和创新。大型语言模型面临的挑战包括如何有效地结合多模态数据（如股价、新闻、社交媒体等）、如何提高模型的可解释性和可信度、如何防止模型的滥用和误用等。相信随着更多的研究、算力和插件能力的提升，将更大程度发挥LLM的能力，对解决更复杂的问题有质的提升。
　　风险提示：数据不完备和滥用风险，信息安全风险，算法伦理风险

研究报告全文：TableMain证券研究报告金融工程专题深度报告2023年08月19日金融工程专题了解GPT投资篇金融工程专题德邦金工文献精译第十三期证券分析师肖承志TableSummary投资要点资格编号S0120521080003邮箱xiaoczteboncomcn了解GPT投资篇在训练篇和应用篇的基础上梳理了目前大模型重点解决投资问题的研究进展和方式方法大语言模型在金融领域也有着广泛的应用潜研究助理力例如分析财经新闻预测股票走势生成投资建议等我们从以下四个方面进行介绍相关研究1了解GPT应用篇德邦金工ChatGPT构建投资策略的学术论文我们介绍了4篇使用ChatGPT探索金融文献精译第十二期20230725投资策略构建方法的论文目前学术界的研究已使用多种方式将ChatGPT融入到生成因子交易信号等构建量化策略的环节中发挥在投资领域应用大模型的想象2了解GPT训练篇德邦金工空间我们从中找到了一些共通点和使用技巧但如何更有效的发挥大模型的潜文献精译第十一期20230629力提高模型表现仍需要进一步的深入研究3ChatGPT能够预测股票价格的走势吗收益可预测性和大型语言模型金融大模型我们介绍了BloombergGPTFinGPTAlphaBoxFinVis-GPT等德邦金工文献精译第十期金融大模型项目针对不同的金融场景和需求提供了独特的功能和服务目前20230422FinGPT是最火爆的支持情感分析量化交易金融问答等领域任务的开源大模型环境FinVis-GPT是新颖的识别K线图给出投资建议的金融大模型部分国内企4训练语言模型以遵循带有人类反业已经在金融大模型上有所布局凭借其在数据和技术积累方面的多重优势能够馈的指令德邦金工文献精译第八为金融机构提供个性化全面化的服务具备应用前景和发展潜力期20230316ChatGPTPlugins投资插件截至2023年8月11日ChatGPTPlugins平台共计817款插件我们统计其中24款具有供投资相关功能服务的插件这些插件可用于获取投资组合建议分析股票新闻情绪优化投资者组合等功能其中我们认为AFinChat是最具有使用价值的插件可以被用来分析A股新闻和行情数据OpenAI代码解释器OpenAI代码解释器于2023年7月向ChatGPTPlus会员开放提供基于python语言处理用户自定义数据具备数据分析作图等功能由于算力有限OpenAI并未提供可自定义下载的python库数据较大时存在运行崩溃的问题因此目前只能进行简单的数据分析等应用对投资问题我们测试了单因子检验股权激励数据分析ETF投资组合配置3个案例代码解释器均取得了良好的表现能够清晰准确地完成用户的要求并阐述其解决思路并能够在代码报错的情况下进行自主调试大型语言模型在金融投资领域应用是一个有前景但也有难度的课题需要多学科的合作和创新大型语言模型面临的挑战包括如何有效地结合多模态数据如股价新闻社交媒体等如何提高模型的可解释性和可信度如何防止模型的滥用和误用等相信随着更多的研究算力和插件能力的提升将更大程度发挥LLM的能力对解决更复杂的问题有质的提升风险提示数据不完备和滥用风险信息安全风险算法伦理风险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借助大模型解决投资问题62应用ChatGPT构建投资策略的论文621大语言模型可以预测股价A股走势吗更大参数的模型效果一定更优吗Erlangshen-RoBERTa-110M-Sentiment模型的情感分析能力强于ChatGPT622新视角结合图神经网络和ChatGPT预测股票走势823结合股价和推特文本数据供ChatGPT预测涨跌1024第二版ChatGPT能够预测股票价格的走势吗收益可预测性和大型语言模型1325小结143金融大模型1531BloomBergGPT1532FinGPT1633AlphaBox1734MINDSHOW1835无涯Infinity1836轩辕1937FinVis-GPT204ChatGPTPlugins与投资有关的插件215OpenAI代码解释器2351单因子检验2352股权激励分析2553投资组合构建266总结297参考文献308风险提示30信息披露31231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1UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的数据来源7图2UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的提示词设计和回答样例7图3UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的3种不同大语言模型策略相对沪深300超额净值8图4UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的Erlangshen因子分3组回测相对沪深300超额收益率8图5UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的三种不同大语言模型策略回测结果统计8图6UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的3种不同大语言模型策略的日均持股数量和换手率8图7ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction文章的模型框架9图8ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction文章的提示词设计9图9ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction文章的模型效果10图10ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction文章的策略收益率走势10图11TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges文章的推特数据集11图12TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges文章的预测效果11图13TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges文章的思维链零样本提示示的例子12图14CanChatGPTForecastStockPriceMovementsReturnPredictabilityand331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LargeLanguageModels文章的模型预测次日日均收益率14图15CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的策略评价14图16CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的策略净值曲线不考虑交易成本14图17CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的ChatGPT多空策略考虑交易成本下的净值曲线14图18BloombergGPT15图19BloombergGPT如何在两大类NLP任务中执行特定金融任务和通用任务15图20使用BloombergGPT生成有效的彭博查询语言在少数镜头设置中只使用几个例子该模型可以利用其关于股票行情和金融术语的知识在自然语言的请求下组成有效的查询来检索数据在每种情况下模型都有3个示例未显示后面跟着Input和Output提示16图21使用BloombergGPT在三镜头设置中生成短标题建议彭博新闻社每天发送许多需要这些标题的时事通讯BloombergGPT可以通过从文本中建议初始标题来帮助编辑过程16图22FinGPT框架16图23FinGPTv3系列是在新闻和推文情绪分析数据集上使用LoRA方法进行微调的大语言模型在大多数金融情绪分析数据集上表现最佳16图24FinGPT项目中构建的ChatGPT交易智能体17图25FinGPT项目中ChatGPT对公告给出建议的部分代码17图26AlphaBox于2023年7月11日在微信公众号发布上线17图27AlphBox展示其简单但强大的功能17图28AlphaBox帮助快速梳理研报18图29AlphaBox支持pdf视频和音频等上传解析18图30MINDSHOW支持输入不超过3000字的内容可选精简内容制作PPT18图31MINDSHOW制作PPT效果支持自定义模板18图32无涯Infinity大模型基础因子集19图33无涯Infinity框架19图34金融领域效果测评19图35与不同大模型比较19图36FinVis-GPT的训练过程20图37FinVis-GPT的K线图描述示例21431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38FinVis-GPT的K线图股价趋势预测示例21图39利用PortfoliosLab获取投资组合建议22图40利用PortfolioPilot获取投资组合建议22图41利用AFinChat分析中国中免宁德时代和贵州茅台最近的新闻并预测短期股价最能上涨的股票23图42利用DAIZY分析特斯拉谷歌和微软最近的新闻并预测短期股价最能上涨的股票23图43上传因子数据和收益率数据24图44因子IC结果输出24图45因子ICIR结果输出24图46单因子检验结果汇总25图47因子IC时序累计图25图48上传股权激励数据25图49A股股权激励公告年度统计26图50A股股权激励公告统计是否公布激励对象数量26图51输入ETF基金净值数据27图52标准化后的ETF基金净值曲线27图53ETF基金收益率分布情况28图54ETF基金收益率相关性矩阵热力图28图55马科维茨投资组合有效前沿28图56马科维茨投资组合权重配置及回测结果28图57马科维茨投资组合回测净值曲线29图58解释配置单只基金的原因29图59改进模型的展望29表1TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges文章的3个子问题10表2AlphaBox功能18表3ChatGPTPlugins中与投资有关的插件21531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借助大模型解决投资问题GPT的发展日新月异越来越多成熟的大模型和研究成果公开AI持续成为热门的研究领域借助大模型解决投资问题也成为了越来越多学者的研究热点本篇报告从论文金融大模型OpenAI投资插件和代码解释器四个部分介绍如何借助大模型解决投资问题2应用ChatGPT构建投资策略的论文OpenAI于2023年3月开放ChatGPTAPI接口后众多学者开始研究如何应用ChatGPT构建投资策略本文介绍了其中四篇论文它们都使用了ChatGPT探索金融投资策略的构建方法论文21的结论是大模型不是越大越好Erlangshen-RoBERTa-110M-Sentiment模型中文语言专用的预训练LLM只有11亿参数以它预测股票情绪的策略即打败了使用ChatGPT方法模型需要更多的微调来适应特定的任务包括金融领域的情感分析等论文22结合图神经网络和ChatGPT预测股票走势借助ChatGPT分析新闻中道琼斯30成分股之间的联系结合股价等行情数据策略结果显示该方法明显好于传统的NLP自然语言处理和图神经网络方法这表明ChatGPT对分析股票之间的相关程度并构建分析因子具有一定意义论文23同样结合股价和文本数据供ChatGPT预测涨跌但没有使用图神经网络等方法而是直接输入行情数据和推特文本数据给ChatGPT论文尝试了零样本提示和思维链提示Chain-of-Thought两种方法结果显示思维链提示方法使得模型预测的可解释性大大增强但ChatGPT方法仍不能打败最新研究的先进的SLOT等多模态预测方法论文24是我们之前文献精译第十期的论文在2023年7月2日更新了第二版论文展示了ChatGPT通过美股新闻数据预测股票价格走势的优秀效果预测能力比传统BERT模型GPT-1和GPT-2等早期模型有大幅提升论文还尝试了使用GPT-4模型构建策略结果显示GPT-4能有效提升模型夏普比率降低回撤但没有增厚模型的年化收益21大语言模型可以预测股价A股走势吗更大参数的模型效果一定更优吗Erlangshen-RoBERTa-110M-Sentiment模型的情感分析能力强于ChatGPTZhangHaohan等于2023年6月25日在arxiv预发布的标题为UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements的文章探讨了大型语言模型LLM对中文财经新闻文本进行处理生成情感因子并应用于投资策略的潜力作者研究了LLM通过从中文财经新闻文本中提取情感因子来提升量化股票交易策略的效果比较三种不同的LLM的效果631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1ChatGPT生成式LLM2Erlangshen-RoBERTa中文语言专用的预训练LLM3ChineseFinBERT中文金融领域专用的微调LLM分类器由于ChatGPT的训练数据截止到2021年9月考虑到样本外对比作者使用2021年10月1日到2023年2月22日中国上市公司的新闻摘要数据共计394429条主要通过网络爬虫获取数据来源主要包括同花顺新浪财经腾讯等图1UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的数据来源资料来源UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements德邦研究所对于Erlangshen-RoBERTa模型作者使用Erlangshen-RoBERTa-110M-Sentiment模型它可以直接对任意一段中文文本进行情感分析并输出正面或负面情感的概率生成情感分析因子值对于ChineseFinBERT模型作者请具有金融专业知识的同事手动标注新闻摘要数据为三个类别正面中性负面并进行监督式训练得到了一个中文FinBERT分类器对于ChatGPT作者设计的提示词如下主要是让LLM扮演一个金融专家并分析新闻是好消息GOODNEWS不确定NOTSURE还是坏消息BADNEWS图2UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的提示词设计和回答样例资料来源UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements德邦研究所交易方式为根据新闻在第二日开盘时VWAP方法买入最多交易股票数量为500按因子值大小排序交易费用双边千三基准为沪深300指数731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Erlangshen-RoBERTaChineseFinBERT和ChatGPT模型生成的因子多头组策略表现如图3和图5回测结果显示Erlangshen回测的超额收益等指标最好ChatGPT次之中文FinBERT模型最差3种模型策略的平均每日持股数据量和换手率如图6对Erlangshen因子的三组分组回测结果如图4图3UnveilingthePotentialofSentimentCanLarge图4UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceLanguageModelsPredictChineseStockPriceMovements文章的3种不同大语言模型策略相对沪深300超Movements文章的Erlangshen因子分3组回测相对沪深额净值300超额收益率资料来源UnveilingthePotentialofSentimentCanLargeLanguageModels资料来源UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements德邦研究所PredictChineseStockPriceMovements德邦研究所Erlangshen-RoBERTa-110M-Sentiment模型只有11亿个参数但回测效果最佳超过ChatGPT文章证明了A股情感分析策略并不总是需要投入大量资源来使用更大的模型相反通过采用针对中文特点进行的更有针对性的预训练技术可以有效地实现期望的结果图5UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的三种不同大语言模型策略回测结果统计资料来源UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements德邦研究所图6UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements文章的3种不同大语言模型策略的日均持股数量和换手率资料来源UnveilingthePotentialofSentimentCanLargeLanguageModelsPredictChineseStockPriceMovements德邦研究所22新视角结合图神经网络和ChatGPT预测股票走势ChenZihan等于2023年5月28日在arxiv预发布的标题为ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction的文章文章介绍了一个新的框架利用ChatGPT的图推理能力来增强图神经网络GNN的预测性能该框架首先使用ChatGPT从每日财经新闻中提取动态的网络结构然后将这些网络结构作为输入送入GNN生成公司的向量表示最后使用序列模型和831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全连接神经网络层来预测股票走势策略模型的框架如图7策略具体的构建方法如下1首先使用ChatGPT从每天的财经新闻中推断出股票之间的潜在关联构建一个动态变化的图结构在每个时间点构建图其中每个节点代表一个目标公司每条边代表两个公司之间的关联强度和情感倾向生成公司的向量表示作为GNN的输入将新闻数据输入给ChatGPT提示词如图8根据返回的结果如果被ChatGPT认为是一起受影响的就在两个公司之间建立一条边例如如果t时刻的受影响公司输出是BAAMGNMSFT则在这些股票对之间构建边BAAMGNBAMSFT和AMGNMSFT2利用GNN将ChatGPT生成图的每个节点公司转换为一个向量表示该向量包含了公司自身的特征和其邻居公司的信息文章使用了两层GCN模型每一层都有一个ReLU激活函数和一个归一化操作将每个节点的特征和其邻居节点的特征进行聚合生成一个新的特征向量每个公司的向量表示就能更强烈的反映出它在股市中的上下文环境3最后文章将GNN的输出和每个公司的股市数据股票收盘价开盘价最高价最低价成交量和市值拼接起来输入到一个长短期记忆网络LSTM中生成一个综合的向量表示用于预测下一交易日的股票走势上涨下跌或持平图7ChatGPTInformedGraphNeuralNetworkforStock图8ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction文章的模型框架MovementPrediction文章的提示词设计资料来源ChatGPTInformedGraphNeuralNetworkforStockMovement资料来源ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction德邦研究所Prediction德邦研究所文章的数据集为道琼斯30指数成分股训练数据的时间范围是2020年9月1日至2021年9月30日回测的时间范围是2021年10月1日到2022年12月30日训练集使用到了50941条新闻数据测试集使用到了64608条新闻数据文章使用的基准模型如下1Sock-LSTM基于LSTM的模型只使用股票市场数据作为输入特征预测股票价格走势2News-Embed深度学习模型只使用财经新闻标题作为输入特征使用句子转换器将标题嵌入到向量中然后将其作为输入提供给MLP模型进931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行分类用以预测股票价格走势3ChatGPT大语言模型使用财经新闻标题作为输入生成每个目标公司的情感得分并根据得分预测股票价格走势模型的预测效果F1分数如图9策略收益率走势如图10图9ChatGPTInformedGraphNeuralNetworkforStock图10ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction文章的模型效果MovementPrediction文章的策略收益率走势资料来源ChatGPTInformedGraphNeuralNetworkforStockMovement资料来源ChatGPTInformedGraphNeuralNetworkforStockMovementPrediction德邦研究所Prediction德邦研究所该文提出模型的波动率和最大回撤均好于基准模型ChatGPT投资组合年化波动率为2361该文提出的模型为1406ChatGPT模型的最大回撤为2112该文提出的模型为1242且净值更高作者认为该研究为LLMs从文本中推断网络结构的能力做出了贡献并首次将ChatGPT推断出的网络结构与GNN结合起来为金融工程领域提供了新的视角和策略23结合股价和推特文本数据供ChatGPT预测涨跌XieQianqian等于2023年4月10日在arxiv预发布了的标题为TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges的文章该文主要探讨了ChatGPT使用股价和推特文本数据预测股价涨跌的有效性并将其分为3个子问题如表1表1TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges文章的3个子问题问题1在基于历史价格特征和推文预测股价走势时ChatGPT在零样本设置下的表现如何问题2如何有效地设计提示来提高ChatGPT在该任务中的表现合并推文信息是否提高了ChatGPT的预测能力还是由于股票的长尾分布和不同的推文问题3质量变化而引入了额外的噪音资料来源TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges德邦研究所1031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文章使用三个推文数据集BIGDATA22ACL18和CIKM18如图11和历史股价数据集高开低收前收的变化值和最近51015202530日平均价格变动作为模型的数据输入考虑了2种方法设计提示词零样本提示ChatGPTzs和思维链零样本提示ChatGPTcot图11TheWallStreetNeophyteAZero-ShotAnalysisof图12TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChatGPTOverMultimodalStockMovementPredictionChallenges文章的推特数据集Challenges文章的预测效果资料来源TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges德邦研究所资料来源TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOver注比较了使用准确度ACC和马修斯相关系数MCC指标在三个数据集MultimodalStockMovementPredictionChallenges德邦研究所上进行股价预测的不同方法BIGDATA22ACL18和CIKM18每个数据集和指标的最佳结果和第二佳结果分别用粗体和下划线突出显示图13是思维链零样本提示的一个例子作者输入了10个交易日的股价数据和2条推特新闻数据让ChatGPT去预测股价涨跌RiseFall并且进一步鼓励ChatGPT明确考虑推文中的投资者情绪并使用链式思维过程逐步解释预测零样本提示则只返回预测预测的涨跌不需要做出解释1131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13TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges文章的思维链零样本提示示的例子资料来源TheWallStreetNeophyteAZero-ShotAnalysisofChatGPTOverMultimodalStockMovementPredictionChallenges德邦研究所注在输入完股价和推特文本数据后提示词提问考虑数据和推特上的投资者情绪预测abb在2015-12-31的收盘价运动是上涨还是下跌用上涨或下跌开始你的回答然后逐步解释你的预测ChatGPT回答上涨1根据数据我们可以看到在12月30日收盘价比前一天下降了082美元但是如果我们观察数据中的增长率列我们可以看到随着X变大整体呈现上升趋势这表明即使短期内价格有波动或下跌长期来看abb的增长是正向的2分析推特似乎在12月22日Zacks投资研究对abb进行了降级这可能导致价格暂时下跌然而在12月25日有消息称切尔西顾问公司减少了在abb的持股这可能抵消了一些负面情绪3综合考虑技术分析和推特上的投资者情绪我预测abb在12月31日的收盘价运动会上涨作者使用了目前较为流行的几种基准方法仅使用价格数据的方法包括LR逻辑回归RF随机森林LSTMALSTMAdv-ALSTM和DTML深度学习网络使用价格数据和推特数据的方法包括ALSTM-WALSTM-DStockNet和SLOT模型其中ALSTM-W与ALSTM-D分别结合Word2Vec或Doc2Vec来生成推文嵌入StockNet使用变分自编码器VAESLOT是最新的最先进的自监督学习模型和论文提出的方法ChatGPTzsChatGPTcotChatGPTzswotweets和ChatGPTcotwotweets其中wotweets表示不使用推特数据仅使用股价数据的预测效果进行对比如图12结果显示SLOT模型效果最优尽管ChatGPT在可解释性方面有潜力但由于它在融合多模态信息方面效果不佳性能有时不如神经网络和传统机器学习模型尝试不同提示策略如链式思维增强的零样本提示后虽然预测更可解释但性能提升有限1231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24第二版ChatGPT能够预测股票价格的走势吗收益可预测性和大型语言模型AlejandroLopez-Lira等于2023年5月11日在arxiv预发布了标题为CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels的文章并于2023年7月2日更新第二版我们已在文献翻译第十期详细介绍了第一版的实现方法该文主要研究了ChatGPT以及其他大型语言模型在预测股市回报方面的潜力文章使用CRSP日收益率和RavenPack新闻标题数据集其中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数据集包含了公司新闻和相关性得分情感得分指标论文使用如下提示词以Oracle的新闻标题为例RiminiStreet在针对Oracle的案件中被罚款63万美元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利用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ChatGPT和基准模型GPT-1GPT-2BERT和Ravenpack评分在预测次日收益率的效果如图14其中ChatGPT35预测效果最好1331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14CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的模型预测次日日均收益率资料来源CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels德邦研究所文章根据ChatGPT或其他基准模型的情感评分构建了不同的交易策略包括做多正面新闻的股票做空负面新闻的股票或者同时做多做空文章还考虑了不同的交易成本和市场环境对策略表现的影响其中策略表现评价指标如图15其中GPT4策略虽然夏普比率有所提升最大回撤降低但收益率比ChatGPT低图15CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的策略评价资料来源CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels德邦研究所策略净值曲线不考虑交易成本和ChatGPT多空策略考虑交易成本下的净值曲线如图16和图17图16CanChatGPTForecastStockPriceMovements图17CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels文章的策ReturnPredictabilityandLargeLanguageModels文章的略净值曲线不考虑交易成本ChatGPT多空策略考虑交易成本下的净值曲线资料来源CanChatGPTForecastStockPriceMovementsReturn资料来源CanChatGPTForecastStockPriceMovementsReturnPredictabilityandLargeLanguageModels德邦研究所PredictabilityandLargeLanguageModels德邦研究所论文实验结果证实了ChatGPT情感评分的预测能力并强调将LLM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25小结除了4篇论文的主要观点结论以外我们发现研究ChatGPT构建投资策略的方法有如下共性或需要注意的点1431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设计优秀的提示词我们需要在提问的第一句话加入忘记你之前的提示这样可以使得模型更专注于我们希望的输出尽量避免模型回答模棱两可的答案此外让模型扮演一个金融专家专家一词能让模型去模仿这一身份给出更专业优质的答案2预测应是分类任务模型分析股价新闻数据等时应期望其输出上涨下跌不确定其中之一而不是让模型打分3由于模型具备解释能力我们应发挥ChatGPT可解释的能力发散思维让ChatGPT不仅仅局限于情感预测股价预测而是像22文章的方法可以将ChatGPT输出的结果成为机器学习模型输入的一部分此外我们还可以考虑对模型微调搭建自己的大语言模型投喂我们希望的输入输出数据当然会有更高昂的成本3金融大模型31BloomBergGPT2023年3月30日彭博社发布了专门为金融领域打造的大型语言模型BloombergGPTBloombergGPT是一个由Bloomberg公司开发的人工智能AI语言模型专门针对金融领域的自然语言处理NLP任务进行训练该模型拥有500亿个参数可以快速分析金融数据帮助进行风险评估情感分析问答等功能图19BloombergGPT如何在两大类NLP任务中执行特定图18BloombergGPT金融任务和通用任务资料来源Bloomberg官网德邦研究所资料来源Bloomberg官网德邦研究所WuShijie等在2023年3月30日在arxiv预发布了标题为BloomberggptAlargelanguagemodelforfinance的文章并于2023年5月9日更新第二版文章中展示了BloombergGPT生成查询语言提炼短标题的效果如图20和图211531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20使用BloombergGPT生成有效的彭博查询语言在少数图21使用BloombergGPT在三镜头设置中生成短标题建议镜头设置中只使用几个例子该模型可以利用其关于股票行情和彭博新闻社每天发送许多需要这些标题的时事通讯金融术语的知识在自然语言的请求下组成有效的查询来检索BloombergGPT可以通过从文本中建议初始标题来帮助编辑过数据在每种情况下模型都有3个示例未显示后面跟着程Input和Output提示资料来源BloomberggptAlargelanguagemodelforfinance德邦研究所资料来源BloomberggptAlargelanguagemodelforfinance德邦研究所32FinGPTLiuXiao-Yang等于2023年7月19日在arxiv预发布了FinGPTDemocratizingInternet-scaleDataforFinancialLargeLanguageModels的文章并在Github开源该项目项目网址httpsgithubcomAI4Finance-FoundationFinGPTFinGPT是基于LLM的金融领域的自然语言处理项目利用互联网规模的金融数据为金融行业提供各种实用的应用如交易机器人智能投顾情感分析文本生成等FinGPT使用轻量级的适应方法如LoRA对开源的LLM进行微调以适应金融语言的高度动态性和时效性FinGPT还使用人类反馈的强化学习RLHF技术使LLM能够学习个人偏好如风险厌恶水平投资习惯个性化的智能投顾等图23FinGPTv3系列是在新闻和推文情绪分析数据集上使用图22FinGPT框架LoRA方法进行微调的大语言模型在大多数金融情绪分析数据集上表现最佳资料来源FinGPT德邦研究所资料来源FinGPT德邦研究所1631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24FinGPT项目中构建的ChatGPT交易智能体图25FinGPT项目中ChatGPT对公告给出建议的部分代码资料来源FinGPT德邦研究所资料来源FinGPT德邦研究所33AlphaBoxAlphaBox于2023年7月11日在微信公众号发布上线AlphaBox的底层基于熵简科技的FinGPT行业大模型将海量专业知识注入到开源大模型中不止确保了数据安全性也极大的增强了大模型的专业理解能力产品网址httpswwwalphaboxtop图26AlphaBox于2023年7月11日在微信公众号发布上线图27AlphBox展示其简单但强大的功能资料来源熵简科技微信公众号官网德邦研究所资料来源AlphBox官网德邦研究所AlphaBox旨在提升金融从业者信息处理效率构建知识库将先进语言模型技术与投资研究有机结合AlphaBox功能包括1731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表2AlphaBox功能研报实时问答功能RAQ与研究资料对话快速获取核心信息轻松阅读深度报告音视频转录及摘要功能AVT将会议转写成文字稿件生成摘要迅速听完调研会议通过摘要溯源精准复盘微信小助手WCA转发文章到微信助手自动同步至知识库便于整理和存档可直接与文章对话交流数据安全与隐私保护DSP基于熵简科技的FinGPT投研大模型确保数据安全性和隐私采用端到端加密和数据匿名化等手段资料来源AlphBox官微德邦研究所图28AlphaBox帮助快速梳理研报图29AlphaBox支持pdf视频和音频等上传解析资料来源AlphaBox德邦研究所资料来源AlphaBox德邦研究所34MINDSHOWMINDSHOW是上海所思所见科技有限公司开发的AI帮助制作PPT的网页工具MINDSHOW支持输入不超过3000字的内容可选精简内容制作PPT支持自定义模板产品网址httpswwwmindshowfunhome图30MINDSHOW支持输入不超过3000字的内容可选精简图31MINDSHOW制作PPT效果支持自定义模板内容制作PPT资料来源MINDSHOW官网德邦研究所资料来源MINDSHOW官网德邦研究所35无涯Infinity针对量化投研领域特定的业务逻辑星环科技通过预训提示增强推导范式的构建实现Financial-Specific-LLM的训练推出了金融行业量化投研大模型无涯Infinity星环科技基于大模型的事件驱动与深度图引擎实现对事件语义刻画定价因子挖掘时序编码异构关系图卷积传播进而构建包含事件冲击时序变化截面联动和决策博弈等多个维度的量化投研新范式星环科技的无涯大模型解决方案具有以下核心优势首先它基于强大的金1831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融业务逻辑构建了六类大模型基础因子集支持复合因子策略体系其次通过高质量金融语料训练和事件驱动引擎该解决方案能够准确理解和分析金融领域此外它还能够实现事件复盘分析与推演全面分析各类市场事件最后星环科技拥有一系列大数据全生命周期的技术积累能够为金融机构提供个性化全面化的创新型服务与解决方案星环科技官网httpswwwtranswarpcn图32无涯Infinity大模型基础因子集图33无涯Infinity框架资料来源星环无涯Infinity金融大语言模型白皮书德邦研究所资料来源星环无涯Infinity金融大语言模型白皮书德邦研究所36轩辕ZhangXuanyu等于2023年5月19日于arxiv预发布了XuanYuan20ALargeChineseFinancialChatModelwithHundredsofBillionsParameters文章轩辕是国内首个开源的千亿级中文对话大模型同时也是首个针对中文金融领域优化的千亿级开源对话大模型在BLOOM-176B基础上轩辕进行了针对中文通用领域和金融领域的预训练与微调既能处理通用领域问题也能解答金融领域各类问题为用户提供准确全面的金融信息和建议项目网址httpsgithubcomDuxiaoman-DIXuanYuan图34金融领域效果测评图35与不同大模型比较资料来源ZhangXuanyuetalXuanYuan20ALargeChineseFinancial资料来源httpsgithubcomDuxiaoman-DIXuanYuan德邦研究所ChatModelwithHundredsofBillionsParameters德邦研究所图34展示在诸如金融名词理解金融市场评论金融数据分析和金融新闻理解等四个关键领域的测评结果结果显示轩辕在与主流的四种开源大模型进行比较的150次回答中取得了6333的胜率充分凸显了其在金融领域具有显著优势1931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35显示了在中国金融领域开发预训练语言模型的比较诸如FinBERTMengzi和FinT5模型这些模型专为金融文本分析和理解进行了定制这些模型参数规模不足十亿而轩辕176B的参数规模对处理日益增长的中国金融自然语言处理领域需求展现了其独特优势37FinVis-GPTWangZiao等于2023年7月31日arxiv预发布了标题为FinVis-GPTAMultimodalLargeLanguageModelforFinancialChartAnalysis的文章推出了专门为金融图表分析设计的多模态大型语言模型FinVis-GPTFinVis-GPT在LLaVA模型的基础上预训练并微调使用了2006-2023年A股价格数据构建多样的提示数据和预测数据生成蜡烛图移动平均线图成交量柱状图等图像FinVis-GPT模型为金融图表分析提供了一种新的工具和方法FinVis-GPT可以根据用户上传的股票走势图给出投资建议提供市场分析和决策支持使用FinVis-GPT模型用户可以更快速更准确地获取金融图表相关的信息提高决策的效率和准确性图36FinVis-GPT的训练过程资料来源WangZiaoetalFinVis-GPTAMultimodalLargeLanguageModelforFinancialChartAnalysis德邦研究所2031请务必阅读正文之后的信息披露和法律声明