【专题报告】人工智能助力量化投资_ChatGLM介绍-20230614-华创证券-18页_2mb

报告摘要

本报告探讨了大语言模型（LLM）在量化投资中的应用潜力，重点分析了开源模型ChatGLM的性能与适用场景。报告指出，尽管ChatGLM在高阶推理能力上弱于ChatGPT，但在文本总结、信息抽取等任务中表现良好，具备较高的性价比和本地部署优势。

模型参数规模：ChatGLM-6B拥有62亿参数，远小于基于API的LLM服务（如ChatGPT-3.5的1750亿参数）。
部署成本：在INT4量化下，ChatGLM-6B推理仅需6GB显存，微调需7GB显存，适合个人和研究者使用。
训练方法：ChatGLM采用自回归与自编码器结合的训练方法，通过遮罩机制实现对文本的预测与还原。
应用场景：ChatGLM可用于文本总结、信息抽取、提纲写作、对话管理等多种任务，尤其适合量化投资中的文本分析需求。
测试结果：
- 在简单逻辑推理任务中，ChatGLM表现尚可，但复杂推理任务中明显弱于ChatGPT。
- 在文本总结任务中，ChatGLM与ChatGPT表现接近，质量差异不大。

Chen, Lingjiao, Matei Zaharia, and James Zou. "FrugalGPT: How to Use Large Language Models While Reducing Cost and Improving Performance." arXiv preprint arXiv:2305.05176 (2023).
Du, Zhengxiao, et al. "GLM: General language model pretraining with autoregressive blank infilling." Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2022.
Wang, Jiaan, et al. "Zero-Shot Cross-lingual summarization via Large Language Models." arXiv preprint arXiv:2302.14229 (2023).
Liu, Hanmeng, et al. "Evaluating the logical reasoning ability of chatgpt and gpt-4." arXiv preprint arXiv:2304.03439 (2023).
Bang, Yejin, et al. "A multitask, multilingual, multimodal evaluation of chatgpt on reasoning, hallucination, and interactivity." arXiv preprint arXiv:2302.04023 (2023).

投资主题：人工智能辅助量化投资，探索开源模型在金融领域的应用潜力。
团队成员：
- 组长、首席分析师：王小川，同济大学管理学博士。
- 高级分析师：秦玄晋，上海对外经贸大学硕士。
- 助理研究员：杨宸祎，美国伊利诺伊大学香槟分校硕士，CFA。

A股市场基准：沪深300指数。
香港市场基准：恒生指数。
美国市场基准：标普500/纳斯达克指数。
公司投资评级：
- 强推：预期未来6个月内超越基准指数20%以上。
- 推荐：预期未来6个月内超越基准指数10%-20%。
- 中性：预期未来6个月内相对基准指数变动幅度在-10%至10%之间。
- 回避：预期未来6个月内相对基准指数跌幅在10%-20%之间。
行业投资评级：
- 推荐：预期未来3-6个月内行业指数涨幅超过基准指数5%以上。
- 中性：预期未来3-6个月内行业指数变动幅度在-5%至5%之间。
- 回避：预期未来3-6个月内行业指数跌幅超过基准指数5%以上。