來源：科技新知
作者：樟稻
去年底，人工智能聊天機器人ChatGPT橫空出世，其受歡迎程度飛速攀升，擁有超過1億用戶僅用了幾個月的時間。在嚐鮮者眼裏，ChatGPT幾乎具備無所不能的形象，於是就有人想利用它在二級市場上獲利。
這個問題引發廣泛關注，最新的調查數據來自於投資諮詢平臺The Motley Fool。
The Motley Fool對2000名美國人進行了調查，旨在瞭解他們對使用ChatGPT進行選股的興趣。結果顯示，有47%的美國人使用ChatGPT獲取股票信息，這一比例接近一半。其中一個有趣的例子是，77%的高收入美國人曾嘗試過使用ChatGPT來獲得股票推薦。
這些數據顯示，ChatGPT已經在股票投資領域嶄露頭角，並且有許多人願意嘗試利用其提供的信息來做出投資決策。
實際上，上述數據帶來的衝擊甚至不如一起烏龍事件。就在上週，國內某生成式AI平臺產出負面性“小作文”，導致上市公司股價跳水，這次事件的影響超出了場內投資領域，也引發了公衆對於生成式AI的討論。
言歸正傳，是否能依賴GPT（生成式預訓練模型）技術完全賺取股票市場的利潤，還需要更多實證和深入的研究。畢竟，二級市場的複雜性和不確定性需要綜合考慮各種因素，並進行全面的分析。
ChatGPT的炒股方法論
本月初，finder.com發文表示，在進行的一項實驗中，人工智能聊天機器人ChatGPT 挑選的一些股票的表現，好於英國一些領先的投資基金。
該網站的分析師要求ChatGPT遵循一系列來自領先基金的投資原則，創建一隻包含30多隻股票的理論基金。數據顯示，在創立後的8周內，由38只股票組成的投資組合上漲了4.9%。相比之下，英國在線投資平臺(Interactive Investor)上最受歡迎的10只基金的平均跌幅爲0.8%。
乍一看，ChatGPT應用於股票投資領域似乎有違直覺。原因在於，其主要是一個文本到文本或文本到文章的生成器，因此似乎並不特別適合處理股票價格的數字領域。
那麼，ChatGPT在預測股價方面發揮作用的原理是甚麼？
佛羅里達大學金融學教授Alejandro Lopez Lira的一篇論文或許提供了思路。他表示，在使用ChatGPT分析新聞標題對一隻股票是利好還是利空時，發現ChatGPT預測次日回報方向的能力遠好於隨機水平。
在實驗中，Lopez Lira查看了來自一家數據供應商關於紐約證券交易所、納斯達克和一家小盤股交易所上市公司的5萬多條新聞標題。
他將標題與以下提示一起輸入ChatGPT 3.5：“忘掉之前的所有指示。假定你是一位金融專家，一位有股票推薦經驗的金融專家。在第一行中，如果是好消息，回答‘是’;如果是壞消息，回答‘否’;如果不確定，回答‘未知’。然後在下一行中用簡短的句子進行闡述。”
最終，利用2021年10月至2022年12月的公開市場數據和新聞，買入（積極消息）或者短暫賣出（消極消息）股票，由ChatGPT驅動的交易模型在這一時期可以產生超過500%的回報。
以上，此前ChatGPT在股票投資領域的操作通常是小範圍的或者測試性質的，而不是進行大規模的實際操作。而如今，局面已經發生了改變。
5月中旬，OpenAI宣佈向所有ChatGPT Plus用戶開放了聯網和插件功能，這意味着用戶可以通過使用各種第三方插件來擴展ChatGPT的功能。
其中，最引人矚目的是一款名爲"Portfolio Pilot"的插件。這個插件提供了一種便捷的方式來管理和優化投資組合。它可以幫助用戶進行股票、基金和其他投資工具的實時追蹤、分析和優化。
該插件使用包括“AI情緒分數”的投資邏輯來推薦股票，其對“AI情緒分數”解釋是：一種通過人工智能技術分析公開信息（如新聞報道、社交媒體帖子、分析師報告等）得出的指標。這個分數反映了市場對特定股票或資產的總體情緒。
“AI情緒分數”的範圍通常是-10到+10，正數表示正面情緒，負數表示負面情緒，數值越大，表示情緒越強烈。例如，一個股票的AI情緒分數爲8，這意味着市場對這個股票的總體情緒是非常正面的。
雖然插件功能的引入爲投資決策帶來了更多便利和靈活性，但對於一些投資者來說，可能仍然覺得沒有完全解脫出選股的煩惱。在這種情況下，你仍然可以利用ChatGPT進一步探索其他解決方案。
同一時期，一家名爲Autopilot的金融公司，在公司原有的投資組合之外，新建了一個ChatGPT主導的投資計劃，並交給它5萬美元初始資金，想看看ChatGPT能否戰勝對沖基金。這個名爲"The GPT Portfolio"的投資組合採用了一種核心交易策略，即來自佛羅里達大學金融學教授Alejandro Lopez-Lira的論文，以及Portfolio Pilot插件。
消息一經公開後，許多人紛紛加入了這個投資計劃。截至北京時間5月30日，參與該項目的人數已經達到25314人，賬戶募集的資金也已經超過1514萬美元，並且這個數字還在不斷上漲中。
“情緒炒股”，還是“丐版”量化？
最近，越來越多的金融機構選擇引入GPT（生成式預訓練模型）技術。這一趨勢表明，金融行業對於AI技術在業務和決策過程中的潛力，有着強烈的興趣和認可。
4月14日，量化私募巨頭幻方量化發佈公告稱，將集中資源和力量，投身人工智能技術，成立新的獨立研究組織，探索AGI（通用人工智能）。
這一消息備受市場關注，許多人可能會認爲幻方要利用"AI"來進行股票交易。對此，幻方量化的CEO陸政哲回應稱，他們探索人工通用智能（AGI）的目的並不是用於股票交易，而是致力於構建與金融無關的GPT相關的大型模型。他們在科技領域獨立於投資設立了一個新團隊，實際上相當於進行了第二次創業。
對於幻方略顯冷淡的回應，背後或有量化行業自身的考量。
量化投資主要是利用大量的數據和數學模型來進行決策。這些模型通過分析歷史數據、識別模式和趨勢，並應用統計學和機器學習算法來預測市場走勢和資產價格。這些模型在低信噪比環境下，通過有效過濾噪音和利用可靠的信號，幫助投資者做出更準確的決策。
相比之下，ChatGPT和GPT-4主要是基於大規模的語言模型，通過學習海量的文本數據來產生生成文本。它們在語言生成和推理方面具有出色的能力，可以產生流暢、連貫的文本回答和解釋。然而，在量化投資中，決策依賴的是數據和模型的精確性，而非僅僅是語言的表達能力。
因此，儘管ChatGPT和GPT-4在語言生成方面具有引人注目的能力，但在低信噪比場景下的預測模型與量化投資主流方法論相比，它們在數據處理和模型建立方面存在明顯的區別。在投資決策中，需要綜合考慮多種因素，包括可靠的數據、模型驗證和專業判斷。
同樣，需要明白的是，量化投資始於Markowitz模型與資本資產定價理論，再至APT和Fama-Franch三因子模型，而後多因子選股體系日臻完善。
所謂多因子，指的是使用多個不同的因子或變量來構建投資策略和模型，以進行股票選擇和交易決策。
在量化投資的多因子模型中，主要是依賴於一系列的數值因子，這些因子通常是直接或者間接與股票表現相關的數據。包括了公司財務狀況的各種指標（例如，市盈率、市淨率、負債率等）、股票的歷史價格表現（例如，過去一年的收益率、過去三個月的波動率等）等等。這些都是傳統的、基於硬數據的因子。
與此同時，也有一些投資者嘗試將“軟數據”納入到多因子模型中，作爲補充或者替代的因子。這其中就包括了基於大數據和人工智能技術的因子。例如，通過分析社交媒體、新聞報道、公司公告等文本數據，來計算出的“情緒分數”。這種情緒分數實際上是對市場的一種預期，反映了市場對於某隻股票或者某個行業的情緒傾向。
因此，GPT生成的“AI情緒分數”，本就可以作爲量化交易中多因子模型的一個因子，即如果GPT可以生成一個準確的“AI情緒分數”，那麼這個分數完全可以作爲量化投資的一個因子，納入到多因子模型中，用來輔助投資決策。
從某種角度看，火爆的GPT炒股策略，無非是量化交易的“丐版”。不過，好的一方面是，GPT有效地降低了參與門檻，使得更多人能夠接觸並理解量化交易這種投資策略。
GPT炒股的硬幣兩面
GPT技術在股票交易領域的應用，已然帶來了一些顯著的變化。這些變化既有積極的一面，也有可能帶來破壞性影響。
好的一面是，其一，GPT能夠通過自動化技術解析海量的新聞報道、社交媒體帖子以及其他相關的文本資料，從而協助投資者迅速把握市場的脈搏。相比於人工分析，這種方式無疑效率更高。
其二，藉助於對大數據的深度分析，GPT可能洞察出人類投資者難以察覺的市場模式或者趨勢，進而爲投資決策提供全新的視角和洞見。
其三，GPT依賴於大數據和機器學習的強大能力，可能會比人類投資者更精準地預測股票價格的波動，從而實現高效的投資管理。
但正如任何新技術一樣，GPT在炒股中的應用並不是完美無缺的。它在帶來便利的同時，也可能造成一些潛在的風險。
其一，過度依賴AI的預測可能會導致投資決策失去人性化的判斷。股票市場不僅僅是數據和算法，它也包含人的行爲、情緒和預期等因素。過度依賴算法可能會忽視這些非量化的因素，造成決策失誤。
其二，GPT和其他AI技術在股票市場的應用，可能會加劇市場的波動性。當大量的投資者或機構同時使用類似的AI技術時，可能會導致“羣體行爲”，從而引發市場的過度反應。
其三，AI技術可能加劇金融市場的不平等性。擁有先進AI技術的投資者或機構可能會在信息獲取和決策速度上超越其他參與者，這可能導致市場公平性的問題。
最後值得關注的是，隨着AI技術的發展，未來可能會出現完全由AI控制的無人交易市場。這種情況下，市場的運行可能會變得更加複雜和不確定，同時也會帶來新的監管挑戰。
總之，對於投資者而言，需要充分認識到AI技術在股票交易中的應用既有利也有弊。在享受其帶來的便利的同時，也需要對其可能帶來的風險有所警惕，採取適當的措施來應對。
畢竟，二級市場同樣是人類作爲一個物種創造的最複雜的系統之一。
編輯/jayden