2023微軟人工智能CHATGPT預(yù)測股票走勢與語言模型

ChatGPT能預(yù)測股價變動嗎？返回可預(yù)測性和大型語言模型摘要我們研究了ChatGPT和其他大型語言模型在使用對新聞標(biāo)題的情緒分析來預(yù)測股市回報方面的潛力。我們使用ChatGPT來指示一個給定的標(biāo)題對公司的股價是好的、壞的還是無關(guān)的消息。然后，我們計算了一個數(shù)值分?jǐn)?shù)，并記錄了這些“ChatGPT分?jǐn)?shù)”與隨后的每日股票市場回報之間的正相關(guān)關(guān)系。此外，ChatGPT也優(yōu)于傳統(tǒng)的情緒分析方法。我們發(fā)現(xiàn)，更基本的模型，如GPT-1、GPT-2和BERT，不能準(zhǔn)確地預(yù)測收益，這表明收益可預(yù)測性是復(fù)雜模型的一種新興能力。我們的研究結(jié)果表明，將高級語言模型納入投資決策過程中，可以產(chǎn)生更準(zhǔn)確的預(yù)測，并提高投資決策過程的性能定量交易策略。近幾個月來，ChatGPT等大型語言模型（llm）在不同領(lǐng)域的應(yīng)用獲得了顯著的關(guān)注，許多研究探索了它們在不同領(lǐng)域的潛力。然而，在金融經(jīng)濟學(xué)中，使用llm仍然是相對未知的領(lǐng)域ChatGPT在預(yù)測股市回報方面的能力來解決這個關(guān)鍵問題的論文之一。通過一種利用該模型的情緒分析能力的新方法，我們使用新聞標(biāo)題數(shù)據(jù)來評估ChatGPT的性能，并將其與領(lǐng)先供應(yīng)商提供的現(xiàn)有情緒分析方法進行比較。我們的研究結(jié)果對金融業(yè)的就業(yè)格局具有重要意義。這一結(jié)果可能會導(dǎo)致市場預(yù)測和投資決策所用方法的轉(zhuǎn)變。通過展示ChatGPT在金融經(jīng)濟學(xué)中的價值，我們旨在有助于理解llm在該領(lǐng)域的應(yīng)用，并激發(fā)對人工智能和自然語言處理的進一步研究。除了對金融行業(yè)就業(yè)的影響外，我們的研究還提供了其他一些重要的貢獻。首先，我們的研究可以幫助監(jiān)管機構(gòu)和決策者理解在金融市場中日益采用llm所帶來的潛在好處和風(fēng)險。隨著這些模式越來越普遍，它們對市場行為、信息傳播和價格形成的影響將成為值得關(guān)注的關(guān)鍵領(lǐng)域。我們的研究結(jié)果可以為討論管理人工智能在金融中的使用的監(jiān)管框架提供信息，并做出貢獻2開發(fā)將llm集成到市場運營中的最佳實踐。其次，我們的研究可以通過為llm在預(yù)測股票市場回報方面的有效性提供實證證據(jù)，使資產(chǎn)管理人員和機構(gòu)投資者受益。這種見解可以幫助這些專業(yè)人員做出更明智的決定，將llm納入他們的投資策略，有可能導(dǎo)致提高績效，并減少對傳統(tǒng)的、更勞動密集型的分析方法的依賴。最后，我們的研究有助于關(guān)于金融中人工智能的應(yīng)用的更廣泛的學(xué)術(shù)論述。通過探索ChatGPT在預(yù)測股市回報方面的能力，我們推進了對llm在金融經(jīng)濟學(xué)領(lǐng)域的潛力和局限性的理解。這可以激發(fā)未來的研究，為金融行業(yè)的需求開發(fā)更復(fù)雜的llm，為更高效和準(zhǔn)確的金融決策鋪平道路。1我們的研究具有深遠的影響，超出了股市預(yù)測的直接背景。通過闡明ChatGPT對金融經(jīng)濟學(xué)的潛在貢獻，我們希望鼓勵在人工智能驅(qū)動的金融領(lǐng)域的繼續(xù)探索和創(chuàng)新。相關(guān)文獻最近在經(jīng)濟學(xué)背景下使用ChatGPT的論文包括漢森和卡津尼克（2023年）、考恩和塔巴羅克（2023年）、科里內(nèi)克（2023年）以及諾伊和Zhang（2023年）。漢森和卡津尼克（2023）表明，像ChatGPT這樣的llm可以解碼Fed語言(i。e.,美聯(lián)儲用來就貨幣政策決策進行溝通的語言)。Cowen和塔巴羅克（2023）和Korinek（2023）證明了ChatGPT有助于經(jīng)濟學(xué)教學(xué)和開展經(jīng)濟學(xué)研究。Noy和Zhang（2023）發(fā)現(xiàn)ChatGPT可以提高專業(yè)寫作工作的生產(chǎn)力。同時，謝等人。（2023）發(fā)現(xiàn)在預(yù)測任務(wù)中使用數(shù)值數(shù)據(jù)時，ChatGPT并不比線性回歸等簡單的方法好。1.例如，參見Wu等人。(2023).3我們將結(jié)果上的差異歸因于他們專注于使用歷史數(shù)字?jǐn)?shù)據(jù)進行預(yù)測，而ChatGPT則擅長于文本任務(wù)。Ko和Lee（2023）發(fā)現(xiàn)ChatGPT可能在跨資產(chǎn)類別的選擇中很有用。此外，Yang和Menczer（2023）證明了ChatGPT成功地識別了可信的新聞媒體。我們的研究是第一個研究llm在金融市場中的潛力，特別是投資決策過程。我們對最近使用文本分析和機器學(xué)習(xí)來研究各種金融研究問題的文獻鏈有貢獻。g.,Jegadeesh和Wu（2013），坎貝爾等人。（2014年）、霍伯格和菲利普斯（2016年）、高林（2017年）、貝克、布魯姆和戴維斯（2016年）、馬內(nèi)拉和莫雷拉（2017年）、漢森、麥克馬洪和普拉特（2018年）、柯、凱利和秀（2019年）、柯、蒙蒂爾·奧利亞和內(nèi)斯比特（2019年）、Bybee等人。（2019年）、顧、凱利和秀（2020年），科恩、馬洛伊和阮（2020年），弗雷伯格、諾伊爾和韋伯（2020年），洛佩茲-里拉2019年，賓斯伯根等人。（2020），Bybee等。(2021)).我們的論文對這一文獻做出了獨特的貢獻，作為第一個評估最近開發(fā)的llm，如ChatGPT在預(yù)測股市運動方面的文本處理能力。（2007）、加西亞（2013）、卡洛米里斯和Mamay斯基（2019）)。另一條文獻使用堅定新聞的情緒來預(yù)測未來的個股回報（例如（2008）、特洛克（2011）、江、李和王（2021）)。與之前的研究不同，我們關(guān)注于了解llm是否通過提取預(yù)測股票市場反應(yīng)的額外信息來增加價值。最后，我們的論文還涉及了有關(guān)就業(yè)暴露和對人工智能相關(guān)技術(shù)的脆弱性的文獻。阿格拉瓦爾、甘斯和戈德法布（2019年）、Webb（2019年）、阿西莫格魯?shù)热说淖罱淖髌?。?022年），阿西莫格魯和雷斯特雷波（2022年），Babina等人。（2022年），Noy和Zhang（2023年）研究了與人工智能相關(guān)的工作暴露和脆弱性的程度4技術(shù)以及對就業(yè)和生產(chǎn)力的影響。隨著人工智能自成立以來不斷上升，我們的研究重點于理解一個緊迫但未解的問題——人工智能的能力，特別是llm在金融領(lǐng)域的能力。我們強調(diào)了llm在處理信息以預(yù)測股票回報的市場參與者增加價值方面的潛力。1背景ChatGPT是由OpenAI基于GPT（生成式預(yù)訓(xùn)練轉(zhuǎn)換器）架構(gòu)開發(fā)的一種大規(guī)模語言模型。它是迄今為止開發(fā)的最先進的自然語言處理（NLP）模型之一，并在大量的文本數(shù)據(jù)語料庫上進行訓(xùn)練，以理解自然語言的結(jié)構(gòu)和模式。生成式預(yù)訓(xùn)練變壓器（GPT）體系結(jié)構(gòu)是一種用于自然語言處理任務(wù)的深度學(xué)習(xí)算法。它是由OpenAI開發(fā)的，并基于Vaswani等人引入的變壓器架構(gòu)。(2017).GPT體系結(jié)構(gòu)在一系列自然語言處理任務(wù)中取得了最先進的性能，包括語言翻譯、文本摘要、問答和文本完成。GPT體系結(jié)構(gòu)使用多層神經(jīng)網(wǎng)絡(luò)來建模自然語言的結(jié)構(gòu)和模式。它是在一個大型的文本數(shù)據(jù)語料庫上進行預(yù)訓(xùn)練的，如維基百科的文章或網(wǎng)頁，使用無監(jiān)督的學(xué)習(xí)方法。這個訓(xùn)練前的過程允許模型對語言語法和語義有一個深入的理解，然后針對特定的語言任務(wù)進行微調(diào)。ChatGPT已經(jīng)接受了執(zhí)行廣泛的語言任務(wù)的培訓(xùn)，比如transla-5寫作，總結(jié)，問答，甚至生成連貫的和類人的文本。ChatGPT產(chǎn)生類人反應(yīng)的能力，使其成為創(chuàng)建聊天機器人和虛擬助手的強大工具，可以以一種自然和直觀的方式與用戶對話。雖然ChatGPT是一個針對基于語言的任務(wù)的強大工具，但它并沒有經(jīng)過專門的訓(xùn)練來預(yù)測股票回報或提供財務(wù)建議。因此，我們在預(yù)測股票回報時測試了它的能力。2數(shù)據(jù)我們利用兩個主要數(shù)據(jù)集進行分析：安全價格研究中心（CRSP）的每日收益和新聞標(biāo)題。樣本期從2021年10月開始（因為ChatGPT的訓(xùn)練數(shù)據(jù)直到2021年9月才可用），到2022年12月結(jié)束。這個樣本周期確保了我們的評估是基于模型的訓(xùn)練數(shù)據(jù)中不存在的信息，從而允許對其預(yù)測能力進行更準(zhǔn)確的評估。CRSP的每日收益數(shù)據(jù)集包含了許多在美國主要市場上市的公司的每日股票收益信息。股票交易所，包括關(guān)于股票價格、交易量和市值的數(shù)據(jù)。這個全面的數(shù)據(jù)集使我們能夠檢查ChatGPT產(chǎn)生的情緒得分與相應(yīng)的股票市場回報之間的關(guān)系，為我們的分析提供了堅實的基礎(chǔ)。我們的樣本包括在紐約證券交易所（NYSE）、全國證券交易商自動報價協(xié)會（納斯達克）和美國證券交易所上市的所有公司（美國商品交易所），至少有一家該數(shù)據(jù)供應(yīng)商報道了一則新聞。根據(jù)之前的研究，我們使用股票代碼為10或11的普通股。我們首先使用網(wǎng)絡(luò)抓取為所有CRSP公司收集一個全面的新聞數(shù)據(jù)集。我們搜索所有包含公司名稱或股票代碼的新聞。生成的數(shù)據(jù)集包括來自各種來源的新聞標(biāo)題，如主要的新聞機構(gòu)、金融新聞網(wǎng)站和社交媒體平臺。對于每個公司，我們都會收集所有的新聞6在樣本期間。然后，我們將新聞標(biāo)題與一家著名的新聞情緒分析數(shù)據(jù)提供商（RavenPack）的新聞標(biāo)題進行匹配。我們匹配的時間段和標(biāo)題的新聞為所有公司有回報后的市場開放。我們能夠匹配4138家獨特公司的67,586家頭條。我們使用Jiang、Li和Wang（2021）概述的預(yù)處理方法來處理合并后的數(shù)據(jù)集。我們使用所提供的“相關(guān)性評分”，范圍從0到100，作為新聞與特定公司的密切程度的指標(biāo)。0（100）分?jǐn)?shù)表示實體是被動提及（主要）。我們的樣本要求相關(guān)性得為100的新聞報道，我們將其限于完整的文章和新聞稿。我們排除了屬于“股票上漲”和“股票損失”的標(biāo)題，因為它們只表明了股票的每日走勢方向。為了避免重復(fù)的新聞，我們要求“事件相似日”超過90天，以確保只捕獲有關(guān)公司的新信息。此外，我們還在同一天刪除了同一公司的重復(fù)標(biāo)題和極其相似的標(biāo)題。我們使用最優(yōu)字符串對齊度量（也稱為限制達梅羅-萊文什坦距離）來衡量標(biāo)題的相似性，并在同一天刪除同一公司的相似度大于0.6的標(biāo)題。這些過濾技術(shù)不會引入任何前瞻性偏差，因為數(shù)據(jù)供應(yīng)商在收到后的毫秒內(nèi)評估所有新聞文章，并迅速將結(jié)果數(shù)據(jù)發(fā)送給用戶。因此，所有信息在新聞發(fā)布時都可用。3方法.13提示提示對于指導(dǎo)ChatGPT對特定任務(wù)和查詢的響應(yīng)至關(guān)重要。提示是一個簡短的文本，它為ChatGPT提供生成響應(yīng)的上下文和指令。根據(jù)任務(wù)的性質(zhì)，提示可以簡單到一個句子或復(fù)雜，或者取決于一個段落。7該提示符可作為ChatGPT的響應(yīng)生成過程的起點。該模型使用提示中包含的信息來生成相關(guān)的和上下文相關(guān)的響應(yīng)。這個過程包括分析提示符的語法和語義，生成一系列可能的響應(yīng)，并根據(jù)各種因素，如連貫性、語法正確性和相關(guān)性，選擇最合適的響應(yīng)。提示對于使ChatGPT能夠執(zhí)行廣泛的語言任務(wù)至關(guān)重要，比如語言翻譯、文本摘要、回答問題，甚至生成連貫的和類似人的文本。它們允許模型適應(yīng)特定的上下文，并生成根據(jù)用戶的需要量身定制的響應(yīng)。此外，還可以定制提示，以執(zhí)行不同領(lǐng)域中的特定任務(wù)，如財務(wù)、醫(yī)療保健或客戶支持。我們在研究中使用以下提示，并將其應(yīng)用于公開的標(biāo)題。忘記你之前的指示。假裝你是個金融專家。你是一個有股票推薦經(jīng)驗的財務(wù)專家。如果是好消息，回答“是”，如果是壞消息，回答“不”，如果在第一行不確定，回答“未知”。然后在下一行用一個簡短而簡潔的句子來詳細說明。這個標(biāo)題對該公司的股價是好是壞公司名字在學(xué)期學(xué)期標(biāo)題：標(biāo)題在此提示下，我們要求ChatGPT，一種語言模型，承擔(dān)一個具有股票推薦經(jīng)驗的財務(wù)專家ChatGPT評估一個給定的新聞標(biāo)題及其在短期內(nèi)對公司股價的潛在影響。如果股價的消息好，ChatGPT被要求回答ChatGPT“是”，如果消息壞，則回答“不”，如果消息不確定，則回答“未知”。然后，被要求在一句話中提供一個簡明的解釋來支持它的答案。提示符指定新聞標(biāo)題是提供給ChatGPT的唯一信息來源。它8隱含地假設(shè)標(biāo)題包含足夠的信息，供金融行業(yè)專家合理評估其對股價的影響。這個提示旨在演示ChatGPT作為財務(wù)分析任務(wù)中的語言模型的能力。我們將溫度設(shè)置為0，以最大限度地提高結(jié)果的重現(xiàn)性。例如，請考慮以下關(guān)于Oracle的標(biāo)題：里米尼街因起訴甲骨文公司被罰款63萬美元。提示符會詢問：忘記你之前的指示。假裝你是個金融專家。你是一個有股票推薦經(jīng)驗的財務(wù)專家。如果是好消息，回答“是”，如果是壞消息，回答“不”，如果在第一行不確定，回答“未知”。然后在下一行用一個簡短而簡潔的句子來詳細說明。這個標(biāo)題對甲骨文的股價是好是壞？頭條新聞：里米尼街因起訴甲骨文公司被罰款63萬美元以下是ChatGPT的回應(yīng)：是對里米尼街的罰款可能會增強投資者對甲骨文保護其知識產(chǎn)權(quán)的能力的信心，并增加對其產(chǎn)品和服務(wù)的需求。新聞頭條稱，里米尼街在起訴甲骨文一案中被罰款63萬美元。這個專有的軟件分析工具給出的負面情緒得分為-0.52，這表明該新聞被認(rèn)為是負面的。然而，ChatGPT的回應(yīng)是，它相信這一消息對甲骨文是積極的。ChatGPT的理由是，這筆罰款可能會增加投資者對甲骨文保護其知識產(chǎn)權(quán)的能力的信心9導(dǎo)致人們對其產(chǎn)品和服務(wù)的需求增加。這種情感上的差異突出了語境在自然語言處理中的重要性，以及在做出投資決策之前需要仔細考慮新聞標(biāo)題的含義。3.2經(jīng)驗設(shè)計我們提示ChatGPT為每個標(biāo)題提供建議，并將其轉(zhuǎn)換為“ChatGPT分?jǐn)?shù)”，其中“是”映射為1，“未知”映射為0，“NO”映射為-1。如果一家公司在某一天有多個新聞標(biāo)題，我們就會平均這個分?jǐn)?shù)。我們將頭條新聞與下一個市場時期相匹配。對于開盤日早上6點之前的標(biāo)題，我們假設(shè)標(biāo)題可以在當(dāng)天開盤時進行交易，并在當(dāng)天收盤時出售。對于早上6點之后但下午4點之前的頭條，我們假設(shè)頭條可以在當(dāng)天收盤時交易，并在第二天收盤時出售。對于下午4點后的頭條新聞，我們假設(shè)這些頭條新聞可以以第二天的開盤價進行交易，并以第二天的收盤價進行出售。然后，我們對ChatGPT評分的第二天回報進行線性回歸，并將其與一家新聞策劃公司提供的情緒評分進行比較。因此，我們所有的結(jié)果都是樣本外的。4結(jié)果我們的分析顯示，ChatGPT情緒得分對股票市場日回報表現(xiàn)出統(tǒng)計學(xué)上顯著的預(yù)測能力。通過利用新聞標(biāo)題數(shù)據(jù)和生成的情緒得分，我們發(fā)現(xiàn)ChatGPT評估與我們樣本中股票隨后的每日回報之間有很強的相關(guān)性。這一結(jié)果突出了ChatGPT作為基于情緒分析預(yù)測股市走勢的有價值工具的潛力。為了進一步研究我們的研究結(jié)果的穩(wěn)健性，我們將ChatGPT與一家領(lǐng)先的數(shù)據(jù)供應(yīng)商提供的傳統(tǒng)情緒分析方法的性能進行了比較。10在我們的分析中，我們控制了ChatGPT情緒得分，并檢驗了這些替代情緒測量的預(yù)測能力。我們的結(jié)果顯示，當(dāng)控制ChatGPT情緒得分時，其他情緒得分對每日股票市場回報的影響降低到零。這表明ChatGPT模型在預(yù)測股票市場回報方面優(yōu)于現(xiàn)有的情緒分析方法。ChatGPT在預(yù)測股市回報方面的優(yōu)勢可以歸因于其先進的語言理解能力，這使它能夠捕捉到新聞標(biāo)題中的細微差別和微妙之處。這使得該模型能夠產(chǎn)生更可靠的情緒得分，從而能夠更好地預(yù)測股市的每日回報。這些發(fā)現(xiàn)證實了ChatGPT情緒得分的預(yù)測能力，并強調(diào)了將llm納入投資決策過程的潛在好處。通過超越傳統(tǒng)的情緒分析方法，ChatGPT證明了其在提高定量交易策略的表現(xiàn)和更準(zhǔn)確地理解市場動態(tài)方面的價值。表3給出了我們的回歸分析結(jié)果，檢驗了第二天的股票回報與ChatGPT和其他情緒分析方法產(chǎn)生的情緒得分之間的關(guān)系。本表在括號中的回歸系數(shù)和相應(yīng)的t統(tǒng)計量。標(biāo)準(zhǔn)錯誤按日期和公司（永久）聚集。這些模型包括固定效應(yīng)和日期固定效應(yīng)，以控制未觀察到的時間不變的固定特征和可能影響股票回報的共同時間特定因素。報告了各種模型擬合措施，如r平方、調(diào)整后的r平方、AIC和BIC，以評估模型的總體解釋力。我們進一步展示了小型股的結(jié)果，定義為那些小于紐交所市值的第10百分位的股票，以及非小型股，定義為其余的股票。可預(yù)測性高度集中于小型股，這表明對套利的限制可能會限制這一策略的實施和盈利能力。115結(jié)論在本研究中，我們調(diào)查了ChatGPT，一種大型語言模型，利用對新聞標(biāo)題的情緒分析來預(yù)測股市回報的潛力。我們的研究結(jié)果表明，ChatGPT優(yōu)于來自領(lǐng)先供應(yīng)商的傳統(tǒng)情緒分析方法。通過展示llm在金融經(jīng)濟學(xué)中的價值，我們?yōu)樵絹碓蕉嗟年P(guān)于人工智能和自然語言處理在這一領(lǐng)域的應(yīng)用的文獻做出了貢獻。我們的研究對未來的研究有幾個意義。首先，它強調(diào)了繼續(xù)探索和開發(fā)專門為金融業(yè)定制的llm的重要性。隨著人工智能驅(qū)動的金融的發(fā)展，可以設(shè)計出更復(fù)雜的模型，以提高財務(wù)決策過程的準(zhǔn)確性和效率。其次，我們的研究結(jié)果表明，未來的研究應(yīng)該集中于理解llm獲得其預(yù)測能力的機制。通過識別導(dǎo)致ChatGPT等模型在預(yù)測股票市場回報方面成功的因素，研究人員可以開發(fā)出更有針對性的策略來改進這些模型，并最大限度地發(fā)揮它們在金融方面的效用。此外，隨著llm在金融行業(yè)中變得越來越普遍，因此有必要調(diào)查它們對市場動態(tài)的潛在影響，包括價格形成、信息傳播和市場穩(wěn)定。未來的研究可以探討llm在塑造市場行為中的作用，及其對金融系統(tǒng)潛在的積極和消極影響。最后，未來的研究可以探索llm與其他機器學(xué)習(xí)技術(shù)和定量模型的集成，以創(chuàng)建結(jié)合不同方法的優(yōu)勢的混合系統(tǒng)。通過利用各種方法的互補能力，研究人員可以進一步增強人工智能驅(qū)動模型在金融經(jīng)濟學(xué)中的預(yù)測能力。簡而言之，我們的研究證明了ChatGPT在預(yù)測股票市場回報方面的價值12并為未來研究llm在金融行業(yè)中的應(yīng)用和影響鋪平了道路。隨著人工智能驅(qū)動的金融領(lǐng)域的不斷擴大，從這項研究中收集到的見解可以幫助指導(dǎo)開發(fā)更準(zhǔn)確、高效和負責(zé)任的模型，以提高財務(wù)決策過程的績效。輪廓日期這個數(shù)字顯示了不同的交易策略的結(jié)果，而沒有考慮交易成本。我們假設(shè)，如果有一條消息在市場收盤前公布，我們就會在市場收盤時買入（或賣空）一個頭寸。如果一條消息在市場收盤后宣布，我們假設(shè)我們在下一個開盤價買入（或賣空）一個頭寸。所有的策略每天都在重新平衡?！叭侣劇钡暮诰€對應(yīng)于所有前一天發(fā)布新聞的公司的等權(quán)重投資組合。根據(jù)ChatGPT3.5的數(shù)據(jù)，綠線對應(yīng)的是一個等權(quán)重的投資組合。根據(jù)ChatGPT3.5的數(shù)據(jù)，紅線對應(yīng)的是一個等權(quán)重的投資組合，即賣空有壞消息的公司。根據(jù)ChatGPT3.5的數(shù)據(jù)，藍線對應(yīng)的是一個等權(quán)重的零成本投資組合，買入有好消息的公司，賣空有壞消息的公司。13表表1：描述性統(tǒng)計該表報告了以百分比、標(biāo)題長度、響應(yīng)長度、GPT評分（ChatGPT為1，未知為0，未知，為-1），以及數(shù)據(jù)供應(yīng)商提供的事件情緒評分。平均標(biāo)準(zhǔn)差最小值P25中位數(shù)P75最大N日回報率（%）?0.0164.97?2.18?0.041.96237.1139912標(biāo)題長度77.4329.272156719240939912ChatGPT響應(yīng)長度15338.40012315017930339912GPT評分0.240.47?1001139912事件情緒評分0.180.50?1000139912表2：相關(guān)性該表報告了每日股票回報率、標(biāo)題長度、響應(yīng)長度、GPT得分（ChatGPT是為1，未知為0，否為-1）和數(shù)據(jù)供應(yīng)商提供的事件情緒得分之間的相關(guān)性。日回報率（%）標(biāo)題長度ChatGPT響應(yīng)長度GPT評分 事件情緒評分日回報率（%）1....標(biāo)題長度0001...ChatGPT響應(yīng)長度0.000.261..GPT評分0.020.080.441.事件情緒評分0.00?0.080.100.2711415https://ssrncom/abstract=4412788電子副本可在：獲得。15https://ssrncom/abstract=4412788電子副本可在：獲得。表3：預(yù)測評分的回歸此表報告了該表單的運行回歸的結(jié)果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回報率是百分點，穩(wěn)定，時間固定相應(yīng)的t-統(tǒng)計量在括號中。標(biāo)準(zhǔn)錯誤按日期和日期聚集商號所有的模型都包括固定效應(yīng)和時間固定效應(yīng)。(1)(2)(3)(4)(5)(6)(7)(8)GPT評分a0.278***0.273***(4.477)(4.335)事件情緒得分GPT2大得0.0220.085(0.305)(1.217)分GPT2得分GPT1得分0.013(0.308)?0.004BERT大得分BERT得分(?0.110)0.053(1.509)0.066(0.892)?0.287***(?3.761)數(shù)的觀察3991239912399123991239912399123991239912R20.1850.1850.1850.1850.1850.1850.1850.185R2Adj.0.1180.1180.1180.1180.1180.1180.1180.118R2內(nèi)0.0010.0010.0000.0000.0000.0000.0000.000Adj內(nèi)的R2。0.0010.0000.0000.0000.0000.0000.0000.000AIC250298.1250300.0250317.5250319.7250319.8250317.8250319.1250305.0BIC276296.3276306.7276315.7276317.9276317.9276315.9276317.2276303.2中誤差65.165.16標(biāo)錯誤 通日和永編過作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久FE：日期XXXXXXXXFE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001電子副本可在：獲得。16https://ssrncom/abstract=4412788電子副本可在：獲得。16https://ssrncom/abstract=4412788表4：預(yù)測得分（小型股）次日收益回歸此表報告了該表單的運行回歸的結(jié)果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回報率是百分點，穩(wěn)定，時間固定相應(yīng)的t-統(tǒng)計量在括號中。標(biāo)準(zhǔn)錯誤按日期和日期聚集商號所有的模型都包括固定效應(yīng)和時間固定效應(yīng)。小型股被定義為那些其市值低于紐約證交所市值的第10百分位。(1)(2)(3)(4)(5)(6)(7)(8)GPT評分a0.593***0.514**(3.362)(2.758)事件情緒得分GPT2大得0.2020.346*分GPT2得分GPT1得分(1.183)(2.158)?0.046(?0.404)0.046BERT大得分BERT得分(0.435)0.007(0.063)0.097(0.408)?0.570*(?2.370)數(shù)的觀察99419941994199419941994199419941R20.2100.2100.2090.2090.2090.2090.2090.209R2Adj.0.0850.0850.0840.0840.0840.0840.0840.084R2內(nèi)0.0010.0010.0010.0000.0000.0000.0000.001Adj內(nèi)的R2。0.0010.0010.0000.0000.0000.0000.0000.001AIC69419.869420.169425.969431.269431.269431.469431.269424.3BIC79196.279203.779202.379207.679207.679207.879207.679200.7中誤差6.936.936.936.946.946.946.946.93標(biāo)準(zhǔn)錯誤作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久作者：日期和永久FE：日期FE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表5：預(yù)測得分（非小型股）次日收益回歸此表報告了該表單的運行回歸的結(jié)果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回報率是百分點，穩(wěn)定，時間固定相應(yīng)的t-統(tǒng)計量在括號中。標(biāo)準(zhǔn)錯誤按日期和日期聚集商號所有的模型都包括固定效應(yīng)和時間固定效應(yīng)。非小型股被定義為那些其市值超過紐約證券交易所市值的第10百分位。(1) (2) (3) (4) (5) (6) (7) (8)GPT評分a事件情緒得分GPT2大得

0.174**(3.000)

0.187**(3.217)?0.063(?0.927)

?0.024(?0.363)分GPT2得分GPT1得分0.004(0.103)?0.009BERT