生成式AI炒股，胜率几何？

□ 相对于大部分人来说，AI确实能够达到一个较为理性的投资状态。尤其是在量化交易领域，对于在短时间内需要大量分析、处理数据的交易策略来说，AI会有更稳定的输出。

□ 但是，AI没办法去战胜市场最优的一类人，人类有自己的优势，比如对于很多非结构化的一些信息的处理，以及对于很多非数量化的行为及状态的判断等。

□ 投资这个领域不是砸钱、砸机器、砸设备就能做出成绩的，这些都不是核心竞争力，核心还是要凭认知深度，凭独立思考和创新，甚至还要拼一些信念。

□ ChatGPT可通过高效的数据收集和处理能力、编程能力、文本分析能力等来加速想法的实现，但想法本身才是投资的关键。

◎记者 孙越

还记得“阿尔法狗”（AlphaGo）击败围棋世界冠军后，华尔街推出的全球第一只应用人工智能（AI）进行投资的ETF基金吗？这只金融界的“阿尔法狗”投资业绩不甚理想，并没有让全球的投资经理丢了“饭碗”。如今，性能更强的以ChatGPT为代表的“生成式AI”横空出世，不免让人们产生“AI炒股能否战胜市场”的疑问。

即便不能“战胜市场”，也有投资者担忧，AI炒股会不会加剧市场波动，使中小投资者更加难以盈利？

ChatGPT如何预测股价

自400多年前世界上第一个股市在荷兰阿姆斯特丹诞生起，“战胜市场”——准确预判股价走势就是所有投资者的梦想。

一只股票的价格变动由很多因素综合决定，其中有非常复杂、非线性的关系。以往的AI模型参数规模较小，无法表征复杂的市场关系。而ChatGPT大模型与以往预测股价的AI模型有着明显区别。

在受访人士看来，相比传统的AI模型，ChatGPT大规模预训练模型有多方面优势。在股价预测领域，大模型可以处理大量异构数据，如股票交易数据、宏观经济数据、公司财务报告等，同时还可以处理非结构化数据，如新闻报道、社交媒体信息等，这使得大模型能从多方面捕捉市场信息，提高预测准确性。

具体而言，在进行股价预测时，投资者往往关注四个方面：技术面、基本面、新闻和事件、市场情绪。基于上述几个维度，以ChatGPT为代表的生成式AI技术带来了一些新的变化和潜在的应用形式：

第一，在基本面分析上，由于ChatGPT等AI技术在自然语言处理方面取得了显著进展，它可以更好地理解和处理人类语言的复杂性。在投资中，这种能力可以用于解析和理解财务报表、公司公告等文本数据，从而为投资决策提供更全面和准确的信息。

第二，ChatGPT应用于情感分析（Sentiment Analysis）和市场情绪预测，通过分析社交媒体、新闻等内容来识别市场参与者的情感和情绪，帮助投资者更好地理解市场情绪的变化，并预测其对股票价格和市场趋势的影响。近日，美国佛罗里达大学金融学院公布的一项研究表明，将ChatGPT融合在投资模型中，可以预测股市的走势。其研究方法是为ChatGPT提供大量的新闻标题和内容，让ChatGPT用情感分析判断这些事件对股市的影响。

第三，在股票投资领域，一直以来存在着技术派，即通过K线图走势对未来股价走势进行判断，这需要在收盘后进行大量复盘工作，而图像识别技术可以替代这一工作，就是通过给AI大量的K线样本，同时每个样本都有未来涨跌的分类标签，卷积神经网络技术自动从K线图中寻找对未来涨跌分类有用的特征，特征提取与验证自动完成。

“技术派常常去寻找突破新高的形态，包括底背驰、圆弧底、底部放量等底部特征，但是这些形态缺乏严格意义上的有效性测试，在实践中常常是假突破，跟风很容易失败。AI技术则不然，并不寻找这些特征，而是从像素级别自动挖掘特征，直接与分类结果进行匹配。”广发证券金融工程首席分析师安宁宁研究发现，按照AI预测的上涨概率值进行排序，全部股票分值最高的一组，战胜分值最低的一组胜率在89%左右。不过，这个胜率只有在决策次数非常频繁也就是量化高频交易中，才能得到足够丰富的超额收益。

“归根到底，ChatGPT还是一个大语言模型，会让语言处理更加简单。”宽睿科技创始人、董事长兼CEO刘鑫表示，ChatGPT作为大语言模型，较小语言模型来说，更适用于通用领域。生成式文本摘要可以加速投资者对研究报告、研究论文的分析和理解。对于舆情分析、情绪分析、事件驱动的策略来说，ChatGPT可以生成一些更加直接准确的分析。

已在量化交易中投入实战

“我们可能站在这个时代最伟大变革的前夜。”这是今年4月幻方量化宣布集中资源和力量投入AI时的开篇语。毫无疑问，抢占AI高地已成为国内量化私募龙头的共识。在他们看来，AI技术将成为量化投资行业的核心引擎，甚至将颠覆量化投资行业的技术格局。

量化投资的技术迭代基本上与AI的技术迭代同步。思源量化创始人投资总监王雄表示，AI迭代历史可以总结为4个阶段：基于线性回归的1.0多因子阶段；基于机器学习的2.0高频量价因子挖掘阶段；基于深度学习的3.0端到端结构化数据挖掘阶段；基于通用人工智能的4.0深度基本面量化阶段。

王雄认为，与基于财务报表的传统基本面量化相比，4.0阶段有四大区别：

一是数据来源不同。传统基本面量化主要依赖公司的财务报表进行分析；而深度基本面量化通过挖掘公司公开信息，包括公司公告、分析师报告、社交媒体等非结构化数据，从而获取更加细致的信息和市场情绪。

二是时效性和数据频率不同。传统的基于财务报表的所谓基本面分析，频率低，时效性弱，大部分信息已经被市场消化；而深度基本面量化则需要处理