“学海拾珠”系列之一百四十二：海外研究，ChatGPT交易策略15个月收益500%+

敬请参阅末页重要声明及评级说明 证券研究报告 海外研究：ChatGPT 交易策略 15 个月收益 500%+ ——“学海拾珠”系列之一百四十二 [Table_RptDate] 报告日期：2023-05-24 [Table_Author] 分析师：严佳炜 执业证书号：S0010520070001 邮箱：yanjw@hazq.com 分析师：骆昱杉 执业证书号：S0010522110001 邮箱：luoyushan@hazq.com [Table_CompanyReport] 相关报告 1. 《策略拥挤与流动性冲击——“学海拾珠”系列之一百三十四》 2. 《基金窗口粉饰行为的新指标——“学海拾珠”系列之一百三十五》 3. 《基于堆叠自编码器和长短期记忆网络的金融时间序列深度学习框架——“学海拾珠”系列之一百三十六》 4. 《ETF 交易与分析师预测——“学海拾珠”系列之一百三十七》 5. 《基金的协偏度择时能力 ——“学海拾珠”系列之一百三十八》 6. 《利用深度神经网络改进时间序列动量策略 ——“学海拾珠”系列之一百三十九》 7. 《是否存在宏观公告溢价现象？ ——“学海拾珠”系列之一百四十》 8. 《前景理论能否解释共同基金的业绩？——“学海拾珠”系列之一百四十一》 主要观点： [Table_Summary] 本篇是“学海拾珠”系列第一百四十二篇，来源于《Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models》一文。 文章研究了基于大预言模型（LLM）的 ChatGPT 在股票收益预测中的性能，研究使用 ChatGPT 对公司新闻标题进行情感分类（积极、消极和中性），并计算出相应的"ChatGPT 分数"，进而探究其对股票收益的预测能力。测算得到的 Long-Short 交易策略 15 个月获得了 500%+的收益。 研究结果显示，相比于传统的情绪分析方法，未经专业训练的ChatGPT 表现出显著的优势，揭示了其在股票收益预测方面的潜力，为投资决策提供了一种新的思路和工具。 ⚫ 探索基于大预言模型的 ChatGPT 在股票收益预测方面的潜力 本文为首篇通过大预言模型（LLM）预测股票收益的研究，探索了其在股票收益预测方面的潜力。将公司新闻标题进行情感分类，分为积极、消极和中性，并通过ChatGPT模型计算出每个标题的"ChatGPT分数"。然后进一步研究了这些分数与相应股票收益之间的关系，以评估ChatGPT 在股票预测方面的表现。 ⚫ ChatGPT 在分类新闻标题情绪和预测股票收益方面的性能显著优于传统情绪分析方法 将 ChatGPT 与其他大型语言模型（如 GPT-1、GPT-2 和 BERT）进行比较，评估它们在分类新闻标题情绪和预测股票收益方面的能力。研究发现，相比于传统的情绪分析方法，ChatGPT 能捕捉到新闻标题中的情感细微差别，能够更好地解析新闻标题中的情感信息，并据此预测股票收益。 ⚫ ChatGPT 在小市值股票和负面新闻预测中展现出卓越性能 研究发现，将 ChatGPT 应用于投资决策可以带来准确的预测结果，尤其在小市值股票领域。此外，ChatGPT 在预测负面消息方面表现出相对突出的能力。这一研究结果为量化研究提供了新的数据和思路。 ⚫ 风险提示 文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。 z [Table_StockNameRptType] 金融工程 专题报告 [Table_CommonRptType] 金融工程 敬请参阅末页重要声明及评级说明 2 / 16 证券研究报告 正文目录 1 CHATGPT 在金融领域中的预测能力评估与展望：挑战与机遇................................................................................................ 4 2 CHATGPT 在金融领域的应用与前沿研究综述 ............................................................................................................................. 4 3 CHATGPT 对股票收益的预测能力探究 ......................................................................................................................................... 5 4 模型数据：非 CHATGPT 的训练集 ................................................................................................................................................. 6 5 模型方法 .............................................................................................................................................................................................. 6 5.1 适当的“提示”能提高 CHATGPT 输出的质量 .......................................................................................................................... 6 5.2 CHATGPT 评分与股市回报的关联性分析 ............................................................................................................................... 8 6 CHATGPT 对股票收益的预测能力显著 ......................................................................................................................................