金融人又慌了？ChatGPT解锁新用法：破解美联储“谜语”，预测股票走势（组图）

生成式AI风暴来袭，ChatGPT会抢走金融分析师的饭碗吗？

好消息是，像ChatGPT这样的产品很可能无法通过CFA考试，敲开通往大型金融机构的大门，但坏消息是，它们能取得经济学和法学学位，在一定程度上可以取代初级卖方分析师。

最新证据来自最近公布的两篇学术论文，研究人员用ChatGPT解读美联储声明中的“鹰鸽”含量，以及新闻对于股票是利好还是利空。

结果显示，ChatGPT表现得相当不错，不仅超越了传统分析方法，还打败了其他现有生成式AI模型对手。 

破解美联储“谜语”，ChatGPT遥遥领先

4月10日，里士满联储量化监督和研究小组的两位成员发表了题为《ChatGPT能否破译美联储讲话》的论文，测试GPT-3模型从美联储讲话中判断其态度的能力。

两位研究人员随机抽取FOMC公告中的500 个句子，然后由人类判断是“鸽派”“基本鸽派”“中性”“基本鹰派”还是“鹰派”，对应数字分别为-1、-0.5、0、0.5和1。

这里值得一提的是，研究人员使用五个分类而非三个（“鸽派”中性“鹰派”），是为了测试GPT能否辨别美联储表态中的细微差别。

为提高人类参照组的精确度，这些句子由三名人类审核员独立打标签，计算每个标签下对应句子的数量，再取三个结果的平均值。

与ChatGPT一起参加考试的还有其他神经网络语言模型（NLP）,包括谷歌Bert大模型，金融情绪词典Loughran & McDonald（LM）、 Henry以及日常语言情绪词典Mohammad和Turney。

测试分成两部分。研究人员先是让机器考生在不进行样本学习的情况下参加测试，然后，又让它们学习400个句子的分类之后再处理剩下的100个句子。

结果显示，无论是否“裸考”，ChatGPT对美联储讲话的态度解读在所有机器考生中是最贴近人类的。

先来看“裸考”的结果。

GPT-3打出的标签与人类最为匹配，尤其是“鸽派”、“基本鹰派”和“鹰派”标签。

Bert大大高估了“鸽派”句子的数量，情绪词典则大大低估了“鸽派”或“基本鹰派”“鸽派”句子的数量。

为缩小研究结果的误差，研究人员又计算了结果的平均绝对误差(MAE)、均方根误差(RMSE)，比较准确度和Kappa系数(用于一致性检验的指标)。

研究人员还采用了F1分数和均衡准确率（均为机器学习模型评估指标）来进一步提高研究的准确度。

结果显示，GPT-3成绩遥遥领先其他机器。

它产生的MAE和RMSE误差值最小，准确度和Kappa系数最高，就连F1分数和均衡准确率也大多高于其他机器。

Bert模型虽然表现不及GPT-3，但好于情绪词典。

接下来再看充分学习后的考试成绩。

不出所料，GPT-3又是第一名，且成绩明显提高。

其中最亮眼的是，MAE误差值几乎是“裸考”成绩的一半，精确度提高了近 1.5 倍，Kappa系数增加了一倍以上。

GPT-3的表现确实惊艳。

以美联储2013年5月的一份声明中的措辞为例。

美联储表示：“总的来说，最近几个月劳动力市场状况有所改善，但失业率仍然居高不下。”

ChatGPT的分类是“基本鸽派”，与分析师的结果完全一致。

研究人员惊叹道：

撇开分类不谈，GPT模型能够解释为什么某个句子要以某种方式被标记，这是一种超越任何现有NLP模型的能力，对研究人员来说意义非凡。

报告最后，研究人员将GPT-4与GPT-3进行了比较，发现在多数情况下，前者在“破译”美联储讲话方面有着更强的能力。

以下面的句子为例，美联储说：

鉴于目前通胀率低于2%，委员会将仔细监测实现通胀目标的进展。

GPT-3将其判为“中性”，而GPT-4则判为“基本鸽派”，更接近分析师给予的“鸽派”分类。

还能预测股价？

来自佛罗里达大学的两位研究人员近期公布了一篇题为《ChatGPT可以预测股价走势吗？回报的可预测性和大型语言模型》的论文。

这项研究基本上就是，让ChatGPT去判断新闻对于公司股价是利好、利空还是无关，研究人员根据ChatGPT解读出的结果，来预测公司股票价格的走势。

这实际上与解码美联储声明的研究大同小异。

研究人员提示ChatGPT：

假装你是金融专家，是具有股票推荐经验的金融专家。如果以下新闻是好消息，请回答“是”，如果是坏消息，请回答“否”，如果不确定，请回答“未知”。

然后，研究人员要求ChatGPT用一句话简要说明该消息在短期/长期对于某公司的股价是好还是坏。

研究人员将ChatGPT的回答转化为相应的数字，“是”“否”和“未知”分别对应1、-1和0。如果某家公司某一天有多条大新闻，研究人员将把这些数字进行平均计算。

最后，研究人员通过ChatGPT打出的分数分析第二天的股票回报，并对其打分进行线性回归分析。

注意，研究使用的数据是2021年晚些时候之后的，因为这段时间的数据是ChatGPT大数据训练中不包括的。

以甲骨文的一条新闻为例：

Rimini Street（企业软件产品和服务提供商）在甲骨文的案件中被罚款63万美元。

这一新闻是利好还是利空甲骨文？

ChatGPT的回应：

是（对应的数字为1），对Rimini Street的罚款可能会增强投资者对甲骨文保护其知识产权的信心，并增加对其产品和服务的需求。

因此，ChatGPT认为这一消息对甲骨文股价有利。

相比之下，Ravenpack 给出的负面情绪评分为-0.52，表明该新闻被认为是利空的。

研究最终发现，ChatGPT打出的情绪分数与股票走势在统计意义上具有较强的相关性。不过，GPT-1、GPT-2 和Bert等更基础的模型则无法准确预测。

结果还表明，ChatGPT 模型在预测股市回报方面优于RavenPack等现有的情绪分析方法。

基于这一结果，研究人员认为，未来的研究应关注理解大语言模型（LLM）获得预测能力的机制。

通过确定像ChatGPT这样的模型成功预测股票回报的因素，研究人员可以开发更有针对性的策略来改善这些模型，并最大化它们在金融领域的效用。