20230404-国金证券-Alpha掘金系列之五_如何利用ChatGPT挖掘高频选股因子__19页_2mb

Alpha掘金系列之五总结

核心内容

本报告探讨了如何利用ChatGPT挖掘高频选股因子，并展示了其在量化研究中的实际应用效果。通过提示工程和思维链提示等方式，ChatGPT能够生成具有创新性和逻辑性的选股因子，并且在实际测试中表现出一定的有效性。此外，报告还介绍了ChatGPT在代码输出方面的表现，说明其可以辅助量化研究中的因子测试与组合优化。

主要观点

• ChatGPT模型简介：ChatGPT是一款基于Transformer架构的大语言模型，拥有千亿参数量，能够进行自然语言处理、翻译、代码编写等多种任务。其通过RLHF（人类反馈的强化学习）和参数量提升，具备较强的智能水平。
• 提示工程：提示工程是优化ChatGPT输出结果的重要手段，通过明确角色、任务和指令，可以引导模型生成更符合需求的回答。思维链提示（Chain-of-Thought Prompting）能够提升模型在复杂逻辑问题上的表现，有助于生成更准确的因子。
• 因子挖掘：ChatGPT能够基于价量数据构建出创新的选股因子，如“价格漂移率因子”、“流动性因子”、“买卖盘力量因子”等。这些因子在不同频率下的表现各不相同，其中买卖盘力量因子在日频上表现优异，但在周频下则表现出一定的稳定性。
• 代码输出能力：ChatGPT具备一定的代码输出能力，可以生成因子测试框架和组合优化代码。然而，由于其训练数据来源多为海外文献和代码，部分代码细节可能与国内市场实际情况不符，需要进一步调整和优化。

关键信息

• 周频变异系数因子：通过计算价格和成交量的变异系数构建，IC指标表现较好，但多头超额收益较低，难以构建成功的投资策略。
• 高频买卖盘力量因子：通过分析委托价和委托量构建，其中买卖盘力量差异因子（BSForce）在日频上表现优异，年化超额收益率达17.29%。但在周频下，因子衰减较快，多头年化超额收益率为9.77%和10.20%。
• 中证1000指数增强策略：基于卖盘力量因子构建的中证1000指数增强策略，在单边手续费率为0.2%的情况下，年化超额收益率为7.17%，信息比率为0.57。
• IC指标的改进：ChatGPT在思维链提示下，能够意识到IC指标的局限性，并提出使用横截面IC或加权平均IC的方式进行改进，以更好地评估因子的有效性。
• 代码测试与优化：ChatGPT生成的因子测试框架和组合优化代码虽然具备基本功能，但在细节处理上仍需人工调整，以确保代码的准确性与实用性。

风险提示

1. ChatGPT模型具有一定的随机性，可能会产生错误回答，影响投资判断。
2. 因子测试结果基于历史数据，无法保证在政策或市场环境变化时依然有效。
3. 投资策略基于历史回测，若交易成本提高或市场条件变化，可能导致策略失效。

结论

ChatGPT在量化研究中展现出一定的潜力，尤其是在因子挖掘和代码辅助方面。通过合理的提示工程和思维链提示，模型能够生成具有逻辑支撑和一定业绩表现的因子。然而，其在实际应用中仍存在一些局限性，如对A股做空限制的理解不足，以及代码细节与国内市场不匹配等问题。因此，在使用ChatGPT进行量化研究时，需要结合实际情况进行优化和修正，以确保策略的有效性和可行性。