“该研究使用CRSP每日回报率、新闻标题和RavenPack数据，样本期为2021年10月至2022年12月，分析ChatGPT情绪评分与股票市场回报的关系。ChatGPT根据新闻标题生成情绪评分，并通过线性回归分析评分与次日股票回报之间的关系。结果显示，ChatGPT情绪评分对股票市场回报具有显著的预测能力。”
资产类别：股票 | 区域：美国 | 频率：每日 | 市场：股票 | 关键词：ChatGPT，预测
策略概述
<数据>
该研究使用了三个主要数据集：CRSP 每日回报率、新闻标题和 RavenPack 数据。样本期为2021年10月至2022年12月，确保对新数据进行评估。目标是分析 ChatGPT 情绪评分与股票市场回报之间的关系。相关的新闻标题被收集并与 RavenPack 的数据进行匹配。过滤技术用于删除重复项并确保数据的完整性。
<方法>
本部分强调提示在引导 ChatGPT 针对特定任务生成响应时的重要性。提示为生成相关响应提供了上下文和指示。ChatGPT 可以使用提示执行各种语言任务，并且可以针对不同领域进行定制。研究展示了一个金融分析提示，ChatGPT 扮演金融专家的角色，评估新闻标题对公司股票价格的影响。文中提供了 Oracle 新闻标题和 ChatGPT 响应的示例（见论文第 3.1 节）以展示其功能。
<实证设计>
ChatGPT 被提示为每个新闻标题提供建议，然后将建议转换为“ChatGPT 分数”。分数映射为数值：“YES”为1，“UNKNOWN”为0，“NO”为-1。同一天同一公司的多个新闻标题的分数将被平均。新闻标题与下一个市场周期匹配，并进行线性回归以分析 ChatGPT 分数与次日股票回报之间的关系。研究将这些结果与新闻聚合公司的情绪评分进行比较。所有发现基于样本外分析。
分析结果显示，ChatGPT 的情绪评分对每日股票市场回报具有统计显著的预测能力。该模型的高级语言理解能力使其在预测股票市场走势方面优于传统情绪分析方法。研究中使用了不同策略对 BERT、GPT-1 和 GPT-2 等模型进行比较，展示了其局限性。研究表明，结合 ChatGPT 的情绪分析进入投资决策过程，尤其在小盘股中，能够带来潜在收益。表3展示了回归分析结果，表明次日股票回报与各种模型情绪评分之间的关系。
策略合理性
使用 ChatGPT 和大型语言模型（LLMs）预测股票市场回报的策略背后的基本原因如下：
– 探索未知领域：虽然 LLMs 在各个领域逐渐获得关注，但它们在金融经济学，特别是预测股票市场走势方面的应用仍相对较少。该研究探索了这一未知领域，评估了 LLMs 在该领域的潜力。
– 自然语言理解：LLMs 拥有强大的自然语言理解和处理能力。此内在特性使它们成为处理文本信息（如新闻标题）的有价值工具，可用于预测股票回报。
– 实证证据：研究提供了实证证据，表明 ChatGPT 的情绪分析能力优于传统情绪分析方法。此实证支持证明了其价值。
论文来源
Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [点击浏览原文]
- Alejandro Lopez-Lira, Yuehua Tang，佛罗里达大学 – 金融、保险与房地产系
<摘要>
我们通过对新闻标题进行情绪分析，研究了 ChatGPT 和其他大型语言模型预测股票市场回报的潜力。我们使用 ChatGPT 判断给定标题对公司股票价格是好消息、坏消息还是无关消息。随后，我们计算了数值评分并记录了这些“ChatGPT 分数”与后续每日股票市场回报之间的正相关性。此外，ChatGPT 在情绪分析上表现优于传统方法。我们发现，像 GPT-1、GPT-2 和 BERT 这样的基础模型无法准确预测回报，表明回报预测是复杂模型的新兴能力。ChatGPT-4 的隐含夏普比率高于 ChatGPT-3，但后者的总回报更高。我们的结果表明，将高级语言模型纳入投资决策过程可以产生更准确的预测，并增强量化交易策略的表现。可预测性集中在小盘股上，尤其在负面消息的公司中表现突出，这与套利限制理论而非市场无效性一致。
回测表现
| 年化收益率 | 110% |
| 波动率 | 28.94% |
| Beta | N/A |
| 夏普比率 | 3.8 |
| 索提诺比率 | N/A |
| 最大回撤 | N/A |
| 胜率 | N/A |
