20241216-国金证券-主动量化研究之三_ChatGPT思维链推理机构调研选股策略_21页_2mb

机构调研问答明细数据驱动的投资策略研究

研究背景

传统方法局限：现有策略仅利用机构调研活动数量及参与主体信息，忽视了问答明细数据的深度分析。
技术突破：利用ChatGPT结合思维链技术解析非结构化问答数据，生成投资价值判断。

核心方法

1. 问答数据处理

   • 采用思维链技术，引导ChatGPT从技术、市场、财务、竞争等多角度分析问答内容。
   • 提供示例提示词示范推理流程（如计算算术问题引导技术分析）。

2. 对比基准模型

   • 使用中文金融BERT模型（FinBert）进行情感分析作为基准。
   • 实验证明：ChatGPT在判断准确性及多角度分析上显著优于FinBert。

选股策略

1. 基础选股池构建

   • 保留ChatGPT判断为“利好”的股票，构建原始选股池。

2. 增强策略措施

   • 市值筛选：仅保留流通市值>80亿的股票。
   • 利好次数加权：被判断≥5次“利好”的股票权重更高。
   • 滚动窗口优化：采用2个月窗口期，降低换手率，增加持仓稳定性。

实证分析

• 策略表现

  • 2016-2024年，ChatGPT优选策略（带缓冲）年化超额收益168.5%。
  • 不同利好次数下，门槛提升收益（5次以上股票池年化收益255%）。

• 对比基准

  • 相较中证800基准，最大回撤从48.5%降至17.6%。

风险提示

• 历史依赖性：收益基于历史数据，未来市场环境变化可能导致风险。
• 模型风险：大模型输出存在随机性及准确性波动风险。
• 参数依赖：策略有效性受提示词设计影响。

结论

ChatGPT结合思维链技术可显著提升机构调研数据的分析效率，生成更稳健的投资策略，验证了在量化选股领域的应用潜力，但仍需谨慎管理模型及数据依赖风险。