5月11日美國頂級公立大學-佛羅裏達大學金融學院公布了一項研究，將ChatGPT融合在投資模型中，可以預測股市的走勢，投資回報率達到了驚人的500%，並且超過對衝基金使用的傳統股市情緒分析模型，堪稱AI界的“巴菲特”！

從論文內容來看，其方法是用ChatGPT深度分析上市公司發布的新聞標題、內容，來確定是好消息還是壞消息。然後，對這些內容進行評級，再通過復雜的計算公式制成“ChatGPT指數”，結合公司的實時股價進行比對，以驗證ChatGPT的分析能力。

該研究使用了2021年10月至 2022年12月， CRSP （證券價格研究中心）公开的真實股市數據和新聞進行測試。由ChatGPT 提供的“多空策略”交易建議，在此期間獲得了超過500%的收益。這一出色表現與同期購买和持有標准普爾 500 ETF的-12%回報率形成強烈對比。也就是說，ChatGPT的股票投資水平，已經超過了專業金融分析師和傳統分析平台。

研究主要發現

ChatGPT的分析能力優於傳統的股市情緒分析模型；
ChatGPT等大語言模型可能會對金融分析領域產生顛覆性，從根本上改變投資決策的方法；
ChatGPT等大語言模型可能會對金融界就業產生影響；
GPT-1、GPT-2以及其他基礎類型的大語言模型都無法精准預測股市走勢，只有GPT-3.5或以上版本的大語言模型才可以；
金融界應該積極探索ChatGPT等大語言模型與其他技術相結合使用，從而打造功能更強大的投資模型。

股票情緒分析主要包含投資者情緒指數、社交媒體和新聞分析、輿論監測、市場交易數據分析等。

以社交媒體和新聞分析爲例，通過對社交媒體（如微博、知乎、百度等）的文本進行大數據挖掘和自然語言處理技術分析，可以獲取投資者對特定股票，或整個市場的看法和情感。這些信息可用於預測股票價格和市場走勢。

這種復雜的組合分析方法，僅靠人工和傳統分析平台根本無法做出精准實時的預測。而ChatGPT在理解股市頭條新聞及其影響方面的出色表現，會加劇金融領域的“生成式AI軍備賽”。

如果是做短线的，應該不止一個人感受到：是在和機器战鬥。

是的，我們的很多對手正在從人變成機器。

這裏的機器，說的是量化程序。

通常，量化分爲兩種：

一種是全量化，模型設計，信號分析，交易過程，全部量化，這種量化接近阿爾法狗，是最可怕的；

還有一種是半量化，就是主觀+量化，人分析和思考，甚至人來選股，由機器來完成操作。

近來的市場，明顯地感覺到後一種量化正在野蠻生長，正在衝擊A股市場。

這種衝擊主要表現在：

买賣趨同，本質上模型內卷。模型不是千變萬化嗎？怎么會內卷？因爲師出同門，或者都是那一種思路訓練的人。否則，你也解釋不了爲什么華爾街的量化交易一旦大了，量化之間互相收割，割到最後還有割自己的情況。

表面上，模型可以千變萬化，但交易的思想如果沒有創新，再多的模型只不過都是換個馬甲的同緯度算計。

所謂量化，其實也就是把短线的套路給多因子化，然後用計算機軟件進行重新組合，然後再用程序上場進行交易。

這種情況的優點是無情，可以絕對的執行。而且，永遠不會累，每一秒鐘都會精力旺盛。更重要的是，沒有情緒，沒有恐懼和貪婪。。

如果是人，會有一種溫情脈脈，有一種交易信仰。但是機器一旦开動，就是鐵血。

目前市場上，那種沒有明顯利空，但是動輒把股價在幾分鐘內摁倒跌停的，很多應該是機器下單。

那么，量化是朋友還是敵人？

從機器最終取代人的角度，量化絕對是敵人。因爲短线交易，凡是模型化的，理論上機器都可以取代人。

凡是理解力性質的，人還能保留一絲的優勢。

問題是，當量化的資金規模足夠大，你的理解力本來很好的股票，但是量化機器判斷爲不好的股票，直接在幾分鐘之內开砸，那么“劣幣就會驅逐良幣”。到最後，沒有誰更好，只有誰的資金體量大誰最好。

這就是量化規模擴大對市場的最負面影響。

其實，投資沒有絕對真理，特別是短线，誰錢多誰就擁有真理。哪怕你是對的，經不住機器人操作幾百億規模的基金進行反向操作。

所以，不得不進行可怕的展望，量化機器可能重塑我們的交易哲學。

以前，我們要猜測和分析的是市場，今後，我們要猜測和分析，可能是主流量化的模型，然後想好一套跟主流量化思路“友好相處”的交易策略。否則，違背量化思路的，就是螳臂擋車。

量化機器就可以在局部的市場和某些熱門股票上，做到順我者昌，逆我者亡。這是真正可怕的地方。

量化以其巨無霸的體量和短线的高頻殺伐，正在對“手工作業者”進行不平等的碾壓。其勝利的武器都不一定要用更加文明的方法，只需用其簡單粗暴的量體即可。

更可怕的，如果量化基金的規模擴大10倍以上呢？百倍以上呢？

無論如何，你喜歡也好，反對也罷，我們已經進入與量化共舞的年代。必須接受這個事實。

我們研究量化，剖析量化，不是妖魔化，不是反對，也不是盲目恐懼，而是知己知彼，找到和量化友好相處的策略適應市場。

文章來自網絡摘錄，非原創，分享給大家參考。

本文作者可以追加內容哦 !