代码编写任务经验

（1）ChatGPT利好有代码基础但不熟练的开发者。可以省去大量网络搜索、查看帮助文档时间，大幅提升编程效率。（2）需要使用者有代码基础。ChatGPT生成的代码可能有错误，需要人工查错；另外，涉及输入数据、输出结果这些个性化程度较高的环节，人工实现效率可能更高。（3）做优秀的产品经理。项目解耦很重要，ChatGPT很难一步到位，将项目拆解成独立的子任务，引导ChatGPT写函数；明确需求很重要，指定函数的输入、输出变量名和格式。（4）代码出错没关系，可以提供报错信息要求ChatGPT修改。GPT支持4096个字符的上下文，能够在原有代码基础上修改。

文字编写任务经验

（1）文字处理是ChatGPT较为擅长的领域。自然语言相比代码冗余度更高，容错率也更高，生成质量整体较好。（2）任务提示Prompt应写在开头位置，实验表明当Prompt写在结尾时，ChatGPT可能无法正确理解意图。（3）GPT处理上下文字数有限制，需要拆分段落，合理分配每轮对话字数，输入以1000个左右汉字为宜。（4）对于编写行情复盘这类“半监督式任务”（有往期答案但没有当期答案），可以在Prompt中提供少量样例，GPT支持Few-shot或One-shot学习，基于样例的生成效果相比无样例更好。也不必担心GPT没有学习2021年9月后的数据，新信息同样可作为Prompt提供。

GPT助力投资研究案例四则

（1）量化分析。目标：检验MACD“金叉”“死叉”事件信号对个股收益预测能力。方法：将项目拆解成独立的子任务，引导ChatGPT写Python函数。（2）网页抓取。目标：程序化抓取 东方财富 股吧评论。方 法：从原型代码出发，逐步添加需求。（3）文字摘要。目标：将约10000字的速记稿总结成约2000字的会议纪要。方法：ChatGPT3.5仅支持4096 tokens的上下文。需将原稿拆成约1000字的段落，分别概括大意并输出。（4）行情复盘。目标：基于A股市场当日行情数据，编写复盘文字。方法：提供行情数据和复盘样例，采用One-shot或Few-shot学习，生成质量高。

正    文

GPT应用于投资研究经验总结

人类社会发展的基本规律是先进生产力不断取代落后生产力。如同各行各业正在发生的变革一样，以GPT为代表的大语言模型也将重塑投资研究行业。

本文通过（1）量化分析、（2）网页抓取、（3）文字摘要、（4）行情复盘四则案例，探讨GPT在投资研究中可能的应用场景，展示如何使用ChatGPT提升投研效率，并分析ChatGPT使用技巧。

总的来看，ChatGPT在代码编写、文本编写这两类任务上表现较好。一方面可以替代日常重复劳动，另一方面能够拓展投研人员的能力圈。例如，主动投研人员希望引入量化分析工具，或者借助网页抓取获取非结构化数据，都可以尝试用ChatGPT生成Excel公式或Python等编程语言代码。同时，高质量的回答需要提出正确的问题，我们通过实验总结出任务提示Prompt的若干经验。

代码编写任务经验：

1.ChatGPT利好有代码基础但不熟练的开发者。 可以省去大量网络搜索、查看帮助文档时间，大幅提升编程效率。

2．需要使用者有代码基础。 ChatGPT生成的代码可能有错误，需要人工查错；另外涉及输入数据、输出结果这些个性化程度较高的环节，人工实现效率可能更高。

3．做优秀的产品经理。项目解耦很重要， ChatGPT很难一步到位，要将项目拆解成独立的子任务，引导ChatGPT写函数； 明确需求很重要 ，要指定函数的输入、输出变量名和格式。

4．代码出错没关系，可以提供报错信息，要求ChatGPT修改。 GPT支持4096个字符的上下文，能够在原有代码基础上修改。

文字编写任务经验：

1．文字处理是ChatGPT较为擅长的领域 。 自然语言相比代码冗余度更高，容错率也更高，生成质量整体较好。

2．任务提示Prompt应写在开头位置。 实验表明当Prompt写在结尾时，ChatGPT可能无法正确理解意图。

3.GPT处理上下文字数有限制，需要拆分段落，合理分配每轮对话字数 ，输入以1000个左右汉字为宜。

4．对于编写行情复盘这类“半监督式任务”（有往期答案但没有当期答案），可以在Prompt中提供少量样例。 GPT支持Few-shot或One-shot学习，基于样例的生成效果相比无样例更好。也不必担心GPT没有学习2021年9月后的数据，新的信息同样可以作为Prompt提供给ChatGPT。

我们让ChatGPT总结这两类任务的技巧，如下图所示，和前述经验较为符合，供读者参考。另外要说明的是，尽管本文中的案例均围绕GPT展开，随着越来越多大语言模型的开发和上线，或将诞生功能更强、使用更便捷、成本更低的GPT替代方案，这也是新生产力取代旧生产力的体现。

案例1：量化分析

目标 ：检验MACD“金叉”“死叉”事件信号对全市场个股收益预测能力。

方法 ：将项目拆解成独立的子任务，引导ChatGPT写Python函数。本文全部测试均基于ChatGPT3.5网页版实现。

MACD是经典的技术指标。当快线DIF自下而上穿过慢线DEA，此时MACD由负转正，这种形态通常称为金叉，为做多信号。反之，当快线DIF自上而下穿过慢线DEA，此时MACD由正转负，这种形态通常称为死叉，为做空信号。MACD指标对全市场个股是否具备择时能力？我们将借助ChatGPT生成量化分析代码进行检验。

ChatGPT的工作（1） ：计算MACD。人的提问也称为Prompt，我们在Prompt中明确输入数据变量名、类型和具体定义，并指定生成Python代码。

生成代码总体正确，并且包含注释和解读。但ChatGPT对输入数据格式理解有误。Prompt中指定输入的收盘价矩阵，index为股票代码，columns为日期。但代码的输入变量，index为日期，columns为股票代码。我们认为此处ChatGPT的错误完全可以接受，因为Python DataFrame的习惯用法是将index定义为时间轴，ChatGPT学习大量代码语料，生成结果贴近习惯用法。与其改变ChatGPT，不如改变自己，后文我们将输入数据进行转置调整。

ChatGPT的工作（2） ：发“金叉”“死叉”信号。金叉代表MACD由负转正，发做多信号；死叉代表MACD由正转负，发做空信号。

生成代码总体正确。唯一的错误是函数内部第一行的pct_change（）应删除。

ChatGPT的工作（3） ：计算未来horizon个交易日收益率。预测区间长度horizon为变量，之后我们将对其进行遍历。

生成代码正确。注意这里我们没有在Prompt中指定输入数据的格式，由于ChatGPT支持4096个token的上下文，无需铺垫背景也可正常理解人类意图。

ChatGPT的工作（4.1） ：统计正数和负数数量，计算胜率使用。之后我们将从（3）输出的区间收益率矩阵中，分别根据（2）输出的多空信号，提取做多或做空信号下股票的区间收益率，并统计做多或做空胜率。

生成代码正确。

ChatGPT的工作（4.2） ：统计正数和负数均值，计算赔率使用。

生成代码有误。ChatGPT这里没有考虑缺失值的影响。代码先对单个股票全部日期信号求均值，再对全部股票求均值（column-wise）；实际应对全部信号求均值（element-wise）。当各行列缺失值数量不一致时，原代码会造成较大偏差。

ChatGPT的工作（4.2） ：统计正数和负数均值，计算赔率使用。第二次生成补充要求，考虑各行列缺失值。

生成代码正确。有意思的是我们没有明示ChatGPT修改，但ChatGPT“情商很高”，回答的第一句话表明理解了我们的意图。

人的工作（1） ：输入数据及预处理。ChatGPT对输入数据的路径、格式没有概念，预处理涉及较多细节，这步交给人来做效率更高。

人的工作（2） ：遍历预测区间，调用各函数，汇总结果。

人的工作（3） ：输出结果。和输入类似，ChatGPT对输出数据的路径、格式没有概念，这步交给人来做效率更高。

至此我们完成了对MACD个股择时信号的胜率、赔率统计。多、空信号胜率在50%左右，难言有效。多头胜率低于50%但赔率相对高，空头胜率高于50%但赔率相对低。

总的来看，ChatGPT基本可以胜任这类基础的量化分析代码任务，编程语言也不局限于Python，其他编程语言乃至Excel公式，都可以尝试交给ChatGPT生成。

案例2： 网页抓取

目标 ：程序化抓取东方财富股吧评论。

方法 ：从原型代码出发，逐步添加需求。

东方财富股吧评论是使用较广泛的另类数据，可以反映短期散户投资者的情绪。通过网页抓取技术得到的文本结合自然语言处理技术，可以进行更为定量的多空情绪识别，是传统财务数据和行情数据的补充。

第1步 ：直接提出需求，写一段网页抓取代码，以某上市公司为例。

生成代码正确。东方财富股吧是网页抓取的入门级案例， GPT的训练语料很可能包含类似代码。ChatGPT还贴心地给出了风险提示。另外，我们没有给出该上市公司的股票代码，但ChatGPT正确回复了600519，表明中国A股市场文本也在训练语料中。

第2步 ：补充需求，保存为Excel。

生成代码正确。不足之处是保存的Excel中，阅读量、评论数、标题、作者、最后更新时间等字段保存在同一个单元格，我们希望分字段保存在各列。

第3步 ：补充需求，分字段保存。

生成代码有误，直接运行报错AttributeError： ‘NoneType’ object has no attribute ‘get_text’。

第4步 ：补充需求，解决报错。假设我们没有编程经验，不理解报错含义，我们可以直接将Python报错信息提交给ChatGPT。

生成代码正确，实现了分字段保存。Debug是编程的痛点之一，ChatGPT似乎也能应对。

第5步：补充需求，抓取多页。原代码只抓取了首页，我们希望抓取前10页。

生成代码正确，通过循环实现了分页抓取。

实验1 ：抓取2023年上市新股的股吧评论（无股票代码）。ChatGPT的训练数据截至2021年9月，如果要求ChatGPT抓取2023年上市新股的股吧评论，且不提供股票代码，ChatGPT会如何回应？如下图，ChatGPT给出的代码是600733，显然与我们希望抓取的新股代码不匹配。

实验2 ：抓取2023年上市新股的股吧评论（含股票代码）。我们在Prompt中补充股票代码，ChatGPT的回应中设置了变量stock_code储存股票代码，此时对于任意新股，只要给定股票代码，都可以实现股吧评论抓取。ChatGPT具备了一定程度的泛化能力。

总的来看，ChatGPT可以胜任这类网页抓取任务。东方财富股吧属于入门级别的网页抓取，在网络上有大量案例供GPT训练。对于相对小众或者难度较大的网页抓取任务，可能需要更高的Prompt技巧。

案例3：文字摘要

目标 ：将约10000字的速记稿总结成约2000字的会议纪要。

方法 ：ChatGPT3.5仅支持4096 tokens的上下文。需将原稿拆成约1000字的段落，分别概括大意并输出。

撰写文字摘要、会议纪要、信息整理等是投研人员常规工作，此类任务适合交给ChatGPT处理。

我们询问ChatGPT输入和输出字数限制，答复如下图，最大输入/输出长度为2048个字符，即1024个汉字。因此需要对原始文本进行合理拆分，每次输入1000字左右为宜。

这里又有一个新问题，Prompt（如“请将这段话总结成100个左右汉字的中文纪要）应写在提问的开头还是结尾？我们继续询问ChatGPT，答复如下图，应写在开头。我们在实验中也发现，当Prompt写在结尾时，ChatGPT可能无法正确领会意图，将摘要任务理解成翻译任务。

以下两张图展示拆分后的输入和输出。总的看，摘要正确概括了原文内容。文字处理是ChatGPT较为擅长的领域。自然语言相比代码冗余度更高，容错率也更高，生成质量整体较好。

案例4：行情复盘