人工智能（AI）在金融領(lǐng)域的應(yīng)用已經(jīng)引起了廣泛的關(guān)注和討論，尤其是在股票市場(chǎng)的分析和預(yù)測(cè)方面。隨著大數(shù)據(jù)的發(fā)展和深度學(xué)習(xí)的進(jìn)步，越來越多的研究者和投資者試圖利用AI的強(qiáng)大計(jì)算和推理能力，來提取和利用各種類型的數(shù)據(jù)，包括市場(chǎng)價(jià)格、財(cái)務(wù)報(bào)告、新聞報(bào)道、宏觀經(jīng)濟(jì)等，以期獲得更高的收益和更低的風(fēng)險(xiǎn)。AI在金融領(lǐng)域的應(yīng)用仍然面臨著許多挑戰(zhàn)和限制，例如數(shù)據(jù)的質(zhì)量和可靠性、模型的復(fù)雜性和可解釋性、市場(chǎng)的動(dòng)態(tài)性和不確定性等。

LLM在金融領(lǐng)域的應(yīng)用引起了研究者的興趣，尤其是在利用文本數(shù)據(jù)進(jìn)行股票分析和預(yù)測(cè)方面。文本數(shù)據(jù)是一種重要的非結(jié)構(gòu)化數(shù)據(jù)，包含了大量的信息和情感，對(duì)股票市場(chǎng)的走勢(shì)和股票的表現(xiàn)有著重要的影響。文本數(shù)據(jù)的處理和分析是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，需要對(duì)語言的語法、語義、邏輯、修辭等進(jìn)行深入的理解和推理。LLM的出現(xiàn)為解決這一問題提供了一種新的可能，它可以利用其強(qiáng)大的語言能力，從文本數(shù)據(jù)中提取和生成有價(jià)值的信息和信號(hào)，從而 幫助投資者做出更好的選股決策。

本文介紹了一篇最新的論文，題為《Can Large Language Models Beat Wall Street? Unveiling the Potential of AI in Stock Selection》，該論文由來自希臘雅典信息技術(shù)研究所（AIT）的Georgios Fatouros、Konstantinos Metaxas、John Soldatos和Dimosthenis Kyriazis等四位作者撰寫，于2024年1月8日在arXiv上發(fā)表。該論文提出了一個(gè)創(chuàng)新的基于AI的股票分析和選擇框架，名為MarketSenseAI，利用GPT-4的先進(jìn)推理能力，實(shí)現(xiàn)了可擴(kuò)展的選股信號(hào)的生成。MarketSenseAI結(jié)合了思維鏈（Chain of Thought）和情境學(xué)習(xí)（In-Context Learning）的方法，分析了包括市場(chǎng)價(jià)格動(dòng)態(tài)、財(cái)經(jīng)新聞、公司基本面和宏觀經(jīng)濟(jì)報(bào)告等在內(nèi)的多種數(shù)據(jù)源，模擬了著名的金融投資團(tuán)隊(duì)的決策過程。該論文詳細(xì)介紹了MarketSenseAI的開發(fā)、實(shí)現(xiàn)和實(shí)證驗(yàn)證，重點(diǎn)關(guān)注了它提供的可行的投資信號(hào)（買入、持有、賣出），以及這些信號(hào)背后的有說服力的解釋。該論文的一個(gè)顯著特點(diǎn)是，它不僅將GPT-4作為一種預(yù)測(cè)工具，還將其作為一種評(píng)估器，揭示了AI生成的解釋對(duì)于投資信號(hào)的可靠性和接受度的重要影響。在對(duì)標(biāo)普100指數(shù)的股票進(jìn)行了廣泛的實(shí)證評(píng)估后，該論文發(fā)現(xiàn)，MarketSenseAI在保持與市場(chǎng)相當(dāng)?shù)娘L(fēng)險(xiǎn)水平的同時(shí)，超過了基準(zhǔn)指數(shù)13%，實(shí)現(xiàn)了高達(dá)40%的回報(bào)。這些結(jié)果證明了LLM在復(fù)雜的金融決策中的有效性，標(biāo)志著將AI集成到金融分析和投資策略中的重大進(jìn)步。該論文為金融AI領(lǐng)域做出了貢獻(xiàn)，展示了一種創(chuàng)新的方法，強(qiáng)調(diào)了AI在革新傳統(tǒng)的金融分析和投資方法方面的變革潛力。

本文將對(duì)該論文進(jìn)行全面的解讀，從以下幾個(gè)方面進(jìn)行分析：（1）該論文的主要貢獻(xiàn)和創(chuàng)新點(diǎn)；（2）該論文的核心方法和技術(shù)；（3）該論文的實(shí)驗(yàn)設(shè)計(jì)和結(jié)果；（4）該論文的局限性和未來展望。本文的目的是為讀者提供一個(gè)清晰和深入的理解，幫助讀者掌握該論文的主要內(nèi)容和意義，以及對(duì)金融AI領(lǐng)域的啟示和影響。

 01  主要貢獻(xiàn)和創(chuàng)新點(diǎn)

論文提出了一個(gè)創(chuàng)新的基于AI的股票分析和選擇框架，名為MarketSenseAI，利用GPT-4的先進(jìn)推理能力，實(shí)現(xiàn)了可擴(kuò)展的選股信號(hào)的生成。該框架結(jié)合了思維鏈（Chain of Thought）和情境學(xué)習(xí)（In-Context Learning）的方法，分析了包括市場(chǎng)價(jià)格動(dòng)態(tài)、財(cái)經(jīng)新聞、公司基本面和宏觀經(jīng)濟(jì)報(bào)告等在內(nèi)的多種數(shù)據(jù)源，模擬了著名的金融投資團(tuán)隊(duì)的決策過程。該框架不僅提供了可行的投資信號(hào)（買入、持有、賣出），還提供了這些信號(hào)背后的有說服力的解釋，幫助投資者理解和信任AI的建議。

作者對(duì)MarketSenseAI的性能進(jìn)行了廣泛的實(shí)證評(píng)估，使用了多種評(píng)估方法和指標(biāo)，包括自助法、市場(chǎng)表現(xiàn)和基于排名的后評(píng)估。在對(duì)標(biāo)普100指數(shù)的股票進(jìn)行了為期一年的回測(cè)后，該論文發(fā)現(xiàn)，MarketSenseAI在保持與市場(chǎng)相當(dāng)?shù)娘L(fēng)險(xiǎn)水平的同時(shí)，超過了基準(zhǔn)指數(shù)13%，實(shí)現(xiàn)了高達(dá)40%的回報(bào)。這些結(jié)果證明了LLM在復(fù)雜的金融決策中的有效性，標(biāo)志著將AI集成到金融分析和投資策略中的重大進(jìn)步。

這篇論文為金融AI領(lǐng)域做出了貢獻(xiàn)，展示了一種創(chuàng)新的方法，強(qiáng)調(diào)了AI在革新傳統(tǒng)的金融分析和投資方法方面的變革潛力。該論文不僅利用了LLM的語言能力，還利用了LLM的推理能力，從而提高了信號(hào)的質(zhì)量和解釋的可信度。該論文還探討了LLM在金融領(lǐng)域的應(yīng)用的局限性和挑戰(zhàn)，以及未來的研究方向和機(jī)遇。

 02  核心方法和技術(shù)

MarketSenseAI的架構(gòu)和流程。該論文設(shè)計(jì)了一個(gè)基于AI的股票分析和選擇框架，名為MarketSenseAI，其架構(gòu)如圖1所示。該框架包括四個(gè)主要的組件，分別是數(shù)據(jù)獲取、數(shù)據(jù)處理、信號(hào)生成和信號(hào)評(píng)估。數(shù)據(jù)獲取組件負(fù)責(zé)從多種數(shù)據(jù)源收集和存儲(chǔ)相關(guān)的數(shù)據(jù)，包括市場(chǎng)價(jià)格動(dòng)態(tài)、財(cái)經(jīng)新聞、公司基本面和宏觀經(jīng)濟(jì)報(bào)告等。數(shù)據(jù)處理組件負(fù)責(zé)對(duì)收集的數(shù)據(jù)進(jìn)行清洗、標(biāo)準(zhǔn)化、歸一化、特征提取等操作，以便于后續(xù)的分析和預(yù)測(cè)。信號(hào)生成組件負(fù)責(zé)利用GPT-4的先進(jìn)推理能力，結(jié)合思維鏈（Chain of Thought）和情境學(xué)習(xí)（In-Context Learning）的方法，分析數(shù)據(jù)，生成投資信號(hào)（買入、持有、賣出）和相應(yīng)的解釋。信號(hào)評(píng)估組件負(fù)責(zé)利用GPT-4的評(píng)估能力，對(duì)信號(hào)和解釋進(jìn)行評(píng)分，以反映其可靠性和接受度。該框架的流程分為三個(gè)階段，分別是數(shù)據(jù)階段、信號(hào)階段和評(píng)估階段。數(shù)據(jù)階段包括數(shù)據(jù)獲取和數(shù)據(jù)處理兩個(gè)組件，信號(hào)階段包括信號(hào)生成組件，評(píng)估階段包括信號(hào)評(píng)估組件。該框架的目標(biāo)是為投資者提供可行的選股信號(hào)和有說服力的解釋，幫助投資者做出更好的選股決策。

圖1 MarketSenseAI的架構(gòu)

在論文中使用多種數(shù)據(jù)源，包括市場(chǎng)價(jià)格動(dòng)態(tài)、財(cái)經(jīng)新聞、公司基本面和宏觀經(jīng)濟(jì)報(bào)告等，以覆蓋股票市場(chǎng)的各個(gè)方面和影響因素。市場(chǎng)價(jià)格動(dòng)態(tài)是指股票的歷史價(jià)格和交易量等數(shù)據(jù)，該論文使用了雅虎財(cái)經(jīng)（Yahoo Finance）的API，獲取了標(biāo)普100指數(shù)的股票的每日收盤價(jià)和交易量等數(shù)據(jù)，作為信號(hào)生成的輸入之一。財(cái)經(jīng)新聞是指與股票相關(guān)的新聞報(bào)道，該論文使用了新聞API（News API），獲取了來自不同來源的新聞文章，包括標(biāo)題、內(nèi)容、日期、作者等信息，作為信號(hào)生成的輸入之一。公司基本面是指與股票相關(guān)的公司的財(cái)務(wù)和經(jīng)營(yíng)狀況，該論文使用了財(cái)報(bào)API（Financial Statements API），獲取了標(biāo)普100指數(shù)的股票的季度和年度的財(cái)務(wù)報(bào)告，包括資產(chǎn)負(fù)債表、利潤(rùn)表、現(xiàn)金流量表等數(shù)據(jù)，作為信號(hào)生成的輸入之一。宏觀經(jīng)濟(jì)報(bào)告是指與股票相關(guān)的國(guó)家或地區(qū)的經(jīng)濟(jì)狀況，該論文使用了經(jīng)濟(jì)指標(biāo)API（Economic Indicators API），獲取了美國(guó)的一些重要的經(jīng)濟(jì)指標(biāo)，例如GDP、失業(yè)率、通貨膨脹率、利率等數(shù)據(jù)，作為信號(hào)生成的輸入之一。數(shù)據(jù)處理組件負(fù)責(zé)對(duì)收集的數(shù)據(jù)進(jìn)行清洗、標(biāo)準(zhǔn)化、歸一化、特征提取等操作，以便于后續(xù)的分析和預(yù)測(cè)。數(shù)據(jù)清洗是指去除數(shù)據(jù)中的噪聲、異常值、缺失值、重復(fù)值等，以提高數(shù)據(jù)的質(zhì)量和可靠性。數(shù)據(jù)標(biāo)準(zhǔn)化是指將數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)的格式和單位，以便于數(shù)據(jù)的比較和整合。數(shù)據(jù)歸一化是指將數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的范圍，以便于數(shù)據(jù)的分析和處理。特征提取是指從數(shù)據(jù)中提取出有用的信息和特征，以便于數(shù)據(jù)的表示和理解。該論文使用了一些常用的數(shù)據(jù)處理方法，例如均值填充、Z分?jǐn)?shù)、最大最小歸一化、移動(dòng)平均、差分、對(duì)數(shù)變換、主成分分析等，以提高數(shù)據(jù)的可用性和有效性。

信號(hào)生成。該論文利用GPT-4的先進(jìn)推理能力，結(jié)合思維鏈（Chain of Thought）和情境學(xué)習(xí)（In-Context Learning）的方法，分析數(shù)據(jù)，生成投資信號(hào)（買入、持有、賣出）和相應(yīng)的解釋。思維鏈?zhǔn)侵敢环N模擬人類思維過程的方法，通過將不同的數(shù)據(jù)源和知識(shí)領(lǐng)域連接起來，形成一個(gè)完整的邏輯鏈條，從而得出結(jié)論和建議。情境學(xué)習(xí)是指一種利用上下文信息的方法，通過將數(shù)據(jù)和知識(shí)嵌入到特定的情境中，從而提高模型的理解和推理能力。該論文使用了GPT-4作為核心的信號(hào)生成器，通過構(gòu)造特定的輸入和輸出格式，訓(xùn)練和調(diào)用GPT-4，從而實(shí)現(xiàn)思維鏈和情境學(xué)習(xí)的方法。

圖片

圖2

信號(hào)生成過程分為以下幾個(gè)步驟：

步驟一：構(gòu)造輸入。根據(jù)不同的數(shù)據(jù)源和知識(shí)領(lǐng)域，構(gòu)造了不同的輸入格式，包括以下幾種：

市場(chǎng)價(jià)格動(dòng)態(tài)輸入。該輸入包括股票的歷史價(jià)格和交易量等數(shù)據(jù)，以及一些技術(shù)分析指標(biāo)，例如移動(dòng)平均線、相對(duì)強(qiáng)弱指數(shù)、布林帶等。該輸入的目的是反映股票的價(jià)格走勢(shì)和市場(chǎng)情緒，以及股票的趨勢(shì)、動(dòng)量等。

步驟二：調(diào)用GPT-4。使用了GPT-4作為核心的信號(hào)生成器，通過構(gòu)造特定的輸入和輸出格式，訓(xùn)練和調(diào)用GPT-4，從而實(shí)現(xiàn)思維鏈和情境學(xué)習(xí)的方法。使用GPT-4的大型模型（1750億個(gè)參數(shù)），并對(duì)其進(jìn)行了微調(diào)，以適應(yīng)金融領(lǐng)域的語言和知識(shí)。使用了以下的輸出格式：

信號(hào)輸出。該輸出包括股票的名稱、代碼、日期和信號(hào)（買入、持有、賣出）四個(gè)部分，以逗號(hào)分隔，例如：

NVIDIA Corporation,NVDA,2023-12-31,Buy

解釋輸出。該輸出包括股票的名稱、代碼、日期和解釋四個(gè)部分，以冒號(hào)分隔，例如：

NVIDIA Corporation,NVDA,2023-12-31:We recommend buying NVIDIA Corporation (NVDA) because it is a leading company in the artificial intelligence and gaming industry, which are expected to grow rapidly in the future. NVIDIA has a strong competitive advantage in its graphics processing units (GPUs), which are widely used for deep learning, cloud computing, and gaming applications. NVIDIA also has a diversified product portfolio, including data center, automotive, and professional visualization segments, which provide stable and recurring revenue streams. NVIDIA has a solid financial performance, with a high revenue growth rate, a high gross margin, and a high return on equity. NVIDIA also has a positive outlook, with a strong pipeline of new products and innovations, such as the GeForce RTX 30 series, the NVIDIA Omniverse, and the NVIDIA Grace CPU. Therefore, we believe that NVIDIA is a valuable and promising stock to buy and hold for the long term.

步驟三：解析輸出。使用了一些簡(jiǎn)單的規(guī)則和算法，對(duì)GPT-4生成的輸出進(jìn)行解析，提取出信號(hào)和解釋的內(nèi)容，以便于后續(xù)的評(píng)估和展示。使用了以下的方法：

信號(hào)解析。該論文使用了一個(gè)簡(jiǎn)單的正則表達(dá)式，匹配出信號(hào)輸出中的股票名稱、代碼、日期和信號(hào)四個(gè)部分，例如：

NVIDIA Corporation,NVDA,2023-12-31,Buy -> (NVIDIA Corporation, NVDA, 2023-12-31, Buy)

解釋解析。使用一個(gè)簡(jiǎn)單的文本摘要算法，提取出解釋輸出中的主要信息和觀點(diǎn)，以便于生成一個(gè)簡(jiǎn)潔和清晰的解釋，例如：

NVIDIA Corporation,NVDA,2023-12-31:We recommend buying NVIDIA Corporation (NVDA) because it is a leading company in the artificial intelligence and gaming industry, which are expected to grow rapidly in the future. NVIDIA has a strong competitive advantage in its graphics processing units (GPUs), which are widely used for deep learning, cloud computing, and gaming applications. NVIDIA also has a diversified product portfolio, including data center, automotive, and professional visualization segments, which provide stable and recurring revenue streams. NVIDIA has a solid financial performance, with a high revenue growth rate, a high gross margin, and a high return on equity. NVIDIA also has a positive outlook, with a strong pipeline of new products and innovations, such as the GeForce RTX 30 series, the NVIDIA Omniverse, and the NVIDIA Grace CPU. Therefore, we believe that NVIDIA is a valuable and promising stock to buy and hold for the long term. ->

Buy NVIDIA Corporation (NVDA) because it is a leader in AI and gaming, with a strong competitive advantage, a diversified product portfolio, a solid financial performance, and a positive outlook.

信號(hào)評(píng)估。利用GPT-4的評(píng)估能力，對(duì)信號(hào)和解釋進(jìn)行評(píng)分，以反映其可靠性和接受度。

信號(hào)評(píng)分。使用了一個(gè)簡(jiǎn)單的邏輯回歸模型，根據(jù)信號(hào)的歷史表現(xiàn)，對(duì)信號(hào)的成功概率進(jìn)行預(yù)測(cè)，從而給信號(hào)分配一個(gè)0到1之間的評(píng)分，例如：

Buy NVIDIA Corporation (NVDA) -> 0.87

解釋評(píng)分。使用了GPT-4作為一個(gè)評(píng)估器，根據(jù)解釋的深度和相關(guān)性，對(duì)解釋的質(zhì)量和說服力進(jìn)行評(píng)估，從而給解釋分配一個(gè)0到1之間的評(píng)分，例如：

Buy NVIDIA Corporation (NVDA) because it is a leader in AI and gaming, with a strong competitive advantage, a diversified product portfolio, a solid financial performance, and a positive outlook. -> 0.92

綜合評(píng)分。使用一個(gè)加權(quán)平均的方法，根據(jù)信號(hào)評(píng)分和解釋評(píng)分的權(quán)重，對(duì)信號(hào)和解釋的綜合評(píng)分進(jìn)行計(jì)算，從而給信號(hào)和解釋分配一個(gè)0到1之間的評(píng)分，例如：

Buy NVIDIA Corporation (NVDA) because it is a leader in AI and gaming, with a strong competitive advantage, a diversified product portfolio, a solid financial performance, and a positive outlook. -> 0.89

 03  實(shí)驗(yàn)設(shè)計(jì)和結(jié)果

論文中他們對(duì)MarketSenseAI的性能進(jìn)行了廣泛的實(shí)證評(píng)估，使用了多種評(píng)估方法和指標(biāo)，包括自助法、市場(chǎng)表現(xiàn)和基于排名的后評(píng)估。他們的實(shí)驗(yàn)對(duì)象是標(biāo)普100指數(shù)的股票，實(shí)驗(yàn)期間是2023年1月1日至2023年12月31日，實(shí)驗(yàn)頻率是每月一次。該論文的實(shí)驗(yàn)過程如下：

自助法。使用了自助法（Bootstrap）來評(píng)估MarketSenseAI的信號(hào)生成能力，即通過重復(fù)抽樣的方法，生成多個(gè)信號(hào)樣本，計(jì)算其平均值和置信區(qū)間，以反映信號(hào)的穩(wěn)健性和可信度。該論文使用了以下的步驟：

步驟一：生成信號(hào)。該論文使用了MarketSenseAI的信號(hào)生成組件，對(duì)每只股票的每個(gè)月的數(shù)據(jù)進(jìn)行分析，生成買入、持有、賣出三種信號(hào)，以及相應(yīng)的解釋。該論文使用了以下的規(guī)則：

- 如果信號(hào)是買入，且綜合評(píng)分大于0.5，則執(zhí)行買入操作，持有該股票一個(gè)月，然后賣出；

- 如果信號(hào)是持有，且綜合評(píng)分大于0.5，則繼續(xù)持有該股票一個(gè)月，然后賣出；

- 如果信號(hào)是賣出，且綜合評(píng)分大于0.5，則執(zhí)行賣出操作，不再持有該股票；

- 如果信號(hào)是買入、持有或賣出，但綜合評(píng)分小于等于0.5，則忽略該信號(hào)，不執(zhí)行任何操作。

步驟二：計(jì)算回報(bào)。該論文使用了以下的公式，計(jì)算每只股票的每個(gè)月的回報(bào)：

圖片

在這個(gè)公式中，r′（i，j）表示資產(chǎn)j在時(shí)間i時(shí)的去趨勢(shì)收益，r（i，j）是實(shí)際收益，而r（i，·）是所有資產(chǎn)在時(shí)間i的平均收益。這一去趨勢(shì)過程至關(guān)重要，因?yàn)樗兄趯€(gè)股的表現(xiàn)與更廣泛的市場(chǎng)趨勢(shì)隔離開來，從而為MarketSenseAI的信號(hào)精度提供更清晰的視角。

步驟三：重復(fù)抽樣。該論文使用了以下的方法，對(duì)每只股票的每個(gè)月的回報(bào)進(jìn)行重復(fù)抽樣，生成多個(gè)回報(bào)樣本：

- 從每只股票的每個(gè)月的回報(bào)中，隨機(jī)抽取一個(gè)回報(bào)，放回原樣本，重復(fù)該過程12次，得到一個(gè)回報(bào)樣本；

- 對(duì)每個(gè)回報(bào)樣本，計(jì)算其累積回報(bào)和年化回報(bào)，作為該樣本的性能指標(biāo)；

- 重復(fù)上述兩個(gè)步驟1000次，得到1000個(gè)回報(bào)樣本和相應(yīng)的性能指標(biāo)。

步驟四：計(jì)算平均值和置信區(qū)間。該論文使用了以下的公式，計(jì)算每只股票的每個(gè)月的回報(bào)的平均值和置信區(qū)間：

投資組合績(jī)效（累積回報(bào)）由以下公式給出：

圖片

命中率計(jì)算為：

圖片

PL（i，j）：資產(chǎn)j在時(shí)間i的性能，定義為PL（i、j）=m（i，j）×r（i，j.）。

L：表示評(píng)估信號(hào)的指示符，Llong表示長(zhǎng)，Lshort表示短，Lboth表示兩個(gè)信號(hào)。

m（i，j）：在時(shí)間i的資產(chǎn)j的模型預(yù)測(cè)（信號(hào)）。

r（i，j）：資產(chǎn)j在時(shí)間i的實(shí)際收益。

VL：基于模型預(yù)測(cè)和L的收益集合。

I（x）：指標(biāo)函數(shù)，如果x為true，則返回1，否則返回0。

步驟五：比較結(jié)果。該論文使用了以下的方法，比較MarketSenseAI的信號(hào)生成能力和隨機(jī)信號(hào)生成能力的差異：

- 對(duì)于每只股票，使用相同的方法，生成1000個(gè)隨機(jī)信號(hào)樣本和相應(yīng)的性能指標(biāo)，作為基準(zhǔn)；

- 對(duì)于每只股票，使用t檢驗(yàn)，比較MarketSenseAI的信號(hào)樣本和隨機(jī)信號(hào)樣本的性能指標(biāo)的差異，計(jì)算p值，以反映差異的顯著性；

- 對(duì)于所有的股票，使用平均值和標(biāo)準(zhǔn)差，匯總MarketSenseAI的信號(hào)樣本和隨機(jī)信號(hào)樣本的性能指標(biāo)，進(jìn)行整體的比較。

市場(chǎng)表現(xiàn)。該論文使用了市場(chǎng)表現(xiàn)（Market Performance）來評(píng)估MarketSenseAI的信號(hào)生成能力，即通過將MarketSenseAI的信號(hào)轉(zhuǎn)化為實(shí)際的投資組合，計(jì)算其收益率和風(fēng)險(xiǎn)指標(biāo)，與市場(chǎng)基準(zhǔn)進(jìn)行比較，以反映信號(hào)的有效性和優(yōu)勢(shì)。使用了以下的步驟：

步驟一：構(gòu)造投資組合。該論文使用了MarketSenseAI的信號(hào)生成組件，對(duì)每只股票的每個(gè)月的數(shù)據(jù)進(jìn)行分析，生成買入、持有、賣出三種信號(hào)，以及相應(yīng)的解釋。該論文使用了以下的規(guī)則：

- 如果信號(hào)是買入，且綜合評(píng)分大于0.5，則執(zhí)行買入操作，持有該股票一個(gè)月，然后賣出；

- 如果信號(hào)是持有，且綜合評(píng)分大于0.5，則繼續(xù)持有該股票一個(gè)月，然后賣出；

- 如果信號(hào)是賣出，且綜合評(píng)分大于0.5，則執(zhí)行賣出操作，不再持有該股票；

- 如果信號(hào)是買入、持有或賣出，但綜合評(píng)分小于等于0.5，則忽略該信號(hào)，不執(zhí)行任何操作。

他們使用了等權(quán)重的方法，將每個(gè)月的可用資金平均分配給所有符合條件的股票，構(gòu)造了一個(gè)動(dòng)態(tài)的投資組合，作為MarketSenseAI的表現(xiàn)。

步驟二：計(jì)算收益率和風(fēng)險(xiǎn)指標(biāo)。

步驟三：比較結(jié)果。該論文使用了以下的方法，比較MarketSenseAI的投資組合和市場(chǎng)基準(zhǔn)的差異：

- 選擇標(biāo)普100指數(shù)作為市場(chǎng)基準(zhǔn)，使用相同的方法，計(jì)算其收益率和風(fēng)險(xiǎn)指標(biāo)；

- 對(duì)比MarketSenseAI的投資組合和市場(chǎng)基準(zhǔn)的收益率和風(fēng)險(xiǎn)指標(biāo)，分析其差異的原因和意義；

- 使用信息比率（Information Ratio）作為綜合的評(píng)價(jià)指標(biāo)，計(jì)算MarketSenseAI的投資組合相對(duì)于市場(chǎng)基準(zhǔn)的超額收益和主動(dòng)風(fēng)險(xiǎn)，以反映其相對(duì)的有效性和優(yōu)勢(shì)。

基于排名的后評(píng)估。使用基于排名的后評(píng)估（Rank-Based Post-Evaluation）來評(píng)估MarketSenseAI的信號(hào)生成能力，即通過將MarketSenseAI的信號(hào)轉(zhuǎn)化為股票的排名，計(jì)算其與市場(chǎng)基準(zhǔn)的相關(guān)性和一致性，以反映信號(hào)的準(zhǔn)確性和穩(wěn)定性。使用了以下的步驟：

步驟一：構(gòu)造排名。該論文使用了MarketSenseAI的信號(hào)生成組件，對(duì)每只股票的每個(gè)月的數(shù)據(jù)進(jìn)行分析，生成買入、持有、賣出三種信號(hào)，以及相應(yīng)的解釋。該論文使用了以下的規(guī)則：

?如果信號(hào)是買入，且綜合評(píng)分大于0.5，則將該股票的排名設(shè)為1；

?如果信號(hào)是持有，且綜合評(píng)分大于0.5，則將該股票的排名設(shè)為2；

?如果信號(hào)是賣出，且綜合評(píng)分大于0.5，則將該股票的排名設(shè)為3；

?如果信號(hào)是買入、持有或賣出，但綜合評(píng)分小于等于0.5，則將該股票的排名設(shè)為4。

使用以下的方法，對(duì)每只股票的每個(gè)月的排名進(jìn)行排序，得到一個(gè)股票的排名列表，作為MarketSenseAI的表現(xiàn)。

步驟二：計(jì)算相關(guān)性和一致性。該論文使用了以下的方法，計(jì)算MarketSenseAI的股票的排名列表和市場(chǎng)基準(zhǔn)的股票的排名列表的相關(guān)性和一致性：

選擇標(biāo)普100指數(shù)作為市場(chǎng)基準(zhǔn)，使用每個(gè)月的收益率作為股票的排名依據(jù)，得到一個(gè)股票的排名列表，作為市場(chǎng)基準(zhǔn)的表現(xiàn)；

對(duì)于每個(gè)月，使用斯皮爾曼等級(jí)相關(guān)系數(shù)（Spearman Rank Correlation Coefficient），計(jì)算MarketSenseAI的股票的排名列表和市場(chǎng)基準(zhǔn)的股票的排名列表的相關(guān)性，以反映信號(hào)的準(zhǔn)確性；

對(duì)于每個(gè)月，使用克倫德爾一致系數(shù)（Kendall Concordance Coefficient），計(jì)算MarketSenseAI的股票的排名列表和市場(chǎng)基準(zhǔn)的股票的排名列表的一致性，以反映信號(hào)的穩(wěn)定性。

步驟三：比較結(jié)果。該論文使用了以下的方法，比較MarketSenseAI的股票的排名列表和市場(chǎng)基準(zhǔn)的股票的排名列表的差異：

對(duì)于每個(gè)月，使用t檢驗(yàn)，比較MarketSenseAI的股票的排名列表和市場(chǎng)基準(zhǔn)的股票的排名列表的相關(guān)性和一致性的差異，計(jì)算p值，以反映差異的顯著性；

對(duì)于所有的月份，使用平均值和標(biāo)準(zhǔn)差，匯總MarketSenseAI的股票的排名列表和市場(chǎng)基準(zhǔn)的股票的排名列表的相關(guān)性和一致性，進(jìn)行整體的比較。

 04 局限性和未來展望

雖然在股票分析和選擇方面展示了LLM的強(qiáng)大能力和潛力，但也存在一些局限性和挑戰(zhàn)，需要在未來的研究中進(jìn)行改進(jìn)和拓展。該論文指出了以下幾個(gè)方面的局限性和未來展望。

數(shù)據(jù)的質(zhì)量和可靠性。論文使用了多種數(shù)據(jù)源，包括市場(chǎng)價(jià)格動(dòng)態(tài)、財(cái)經(jīng)新聞、公司基本面和宏觀經(jīng)濟(jì)報(bào)告等，但這些數(shù)據(jù)可能存在一些問題，例如不完整、不準(zhǔn)確、不及時(shí)、不一致、有偏見等，這些問題可能影響數(shù)據(jù)的質(zhì)量和可靠性，從而影響信號(hào)的生成和評(píng)估。因此，該論文建議在未來的研究中，使用更高質(zhì)量和更可靠的數(shù)據(jù)源，或者使用更先進(jìn)的數(shù)據(jù)處理和分析方法，以提高數(shù)據(jù)的質(zhì)量和可靠性。

模型的復(fù)雜性和可解釋性。他們使用GPT-4作為核心的信號(hào)生成器和評(píng)估器，利用其強(qiáng)大的語言理解和生成能力，實(shí)現(xiàn)了思維鏈和情境學(xué)習(xí)的方法，但這也導(dǎo)致了模型的復(fù)雜性和可解釋性的問題。GPT-4是一個(gè)非常大的神經(jīng)網(wǎng)絡(luò)模型，擁有1750億個(gè)參數(shù)，其內(nèi)部的工作原理和邏輯很難被人類理解和解釋，這可能導(dǎo)致模型的不可預(yù)測(cè)性和不可控制性，從而影響信號(hào)的可信度和接受度。因此論文建議在未來的研究中，使用更簡(jiǎn)單和更透明的模型，或者使用更有效的模型解釋和可視化方法，以提高模型的復(fù)雜性和可解釋性。

市場(chǎng)的動(dòng)態(tài)性和不確定性。在論文中使用了標(biāo)普100指數(shù)的股票作為實(shí)驗(yàn)對(duì)象，對(duì)2023年的數(shù)據(jù)進(jìn)行了回測(cè)，但這可能不能反映市場(chǎng)的動(dòng)態(tài)性和不確定性，即市場(chǎng)的走勢(shì)和股票的表現(xiàn)可能隨著時(shí)間和環(huán)境的變化而變化，這可能導(dǎo)致信號(hào)的失效和過時(shí)，從而影響信號(hào)的有效性和優(yōu)勢(shì)。因此，論文建議在未來的研究中，使用更多的股票和更長(zhǎng)的時(shí)間段，或者使用更靈活和更實(shí)時(shí)的信號(hào)生成和評(píng)估方法，以提高信號(hào)的動(dòng)態(tài)性和不確定性。

參考資料：https://arxiv.org/abs/2401.03737