chatGPT 在股票市場(chǎng)輔助應(yīng)用-已翻譯

ChatGPT能預(yù)測(cè)股價(jià)變動(dòng)嗎？返回可預(yù)測(cè)性和大型語(yǔ)言模型*第一版：2023年4月6日本版本：2023年4月25日摘要我們研究了ChatGPT和其他大型語(yǔ)言模型在使用對(duì)新聞標(biāo)題的情緒分析來(lái)預(yù)測(cè)股市回報(bào)方面的潛力。我們使用ChatGPT來(lái)指示一個(gè)給定的標(biāo)題對(duì)公司的股價(jià)是好的、壞的還是無(wú)關(guān)的消息。然后，我們計(jì)算了一個(gè)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(chǎng)回報(bào)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(cè)收益，這表明收益可預(yù)測(cè)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(jí)語(yǔ)言模型納入投資決策過(guò)程中，可以產(chǎn)生更準(zhǔn)確的預(yù)測(cè)，并提高投資決策過(guò)程的性能定量交易策略。：亞歷杭德羅洛佩茲-里拉（通訊作者）：alejandro.lopezlira@warrington。ufl.教育和唐月華：月華。tang@.*我們非常：亞歷杭德羅洛佩茲-里拉（通訊作者）：alejandro.lopezlira@warrington。ufl.教育和唐月華：月華。tang@.1電子副本可在：https://ssrn獲得。com/abstract=4412788近幾個(gè)月來(lái)，ChatGPT等大型語(yǔ)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?cè)诓煌I(lǐng)域的潛力。然而，在金融經(jīng)濟(jì)學(xué)中，使用llm仍然是相對(duì)未知的領(lǐng)域,特別是在它們預(yù)測(cè)股市回報(bào)的能力方面。一方面，由于這些模型沒(méi)有為此目的進(jìn)行明確的訓(xùn)練，人們可能會(huì)認(rèn)為它們?cè)陬A(yù)測(cè)股市走勢(shì)方面沒(méi)有什么價(jià)值。另一方面，如果這些模型更有能力理解自然語(yǔ)言，人們可能會(huì)說(shuō)，它們可能是處理文本信息來(lái)預(yù)測(cè)股票回報(bào)的一個(gè)有價(jià)值的工具。因此，llm在預(yù)測(cè)金融市場(chǎng)走勢(shì)方面的表現(xiàn)是一個(gè)有待解決的問(wèn)題。據(jù)我們所知，本文是第一個(gè)通過(guò)評(píng)估ChatGPT在預(yù)測(cè)股市回報(bào)方面的能力來(lái)解決這個(gè)關(guān)鍵問(wèn)題的論文之一。通過(guò)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(lái)評(píng)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(jìn)行比較。我們的研究結(jié)果對(duì)金融業(yè)的就業(yè)格局具有重要意義。這一結(jié)果可能會(huì)導(dǎo)致市場(chǎng)預(yù)測(cè)和投資決策所用方法的轉(zhuǎn)變。通過(guò)展示ChatGPT在金融經(jīng)濟(jì)學(xué)中的價(jià)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(duì)人工智能和自然語(yǔ)言處理的進(jìn)一步研究。除了對(duì)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(xiàn)。首先，我們的研究可以幫助監(jiān)管機(jī)構(gòu)和決策者理解在金融市場(chǎng)中日益采用llm所帶來(lái)的潛在好處和風(fēng)險(xiǎn)。隨著這些模式越來(lái)越普遍，它們對(duì)市場(chǎng)行為、信息傳播和價(jià)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(xiàn)2電子副本可在：https://ssrn獲得。com/abstract=4412788開(kāi)發(fā)將llm集成到市場(chǎng)運(yùn)營(yíng)中的最佳實(shí)踐。其次，我們的研究可以通過(guò)為llm在預(yù)測(cè)股票市場(chǎng)回報(bào)方面的有效性提供實(shí)證證據(jù)，使資產(chǎn)管理人員和機(jī)構(gòu)投資者受益。這種見(jiàn)解可以幫助這些專(zhuān)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(jī)效，并減少對(duì)傳統(tǒng)的、更勞動(dòng)密集型的分析方法的依賴(lài)。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(guò)探索ChatGPT在預(yù)測(cè)股市回報(bào)方面的能力，我們推進(jìn)了對(duì)llm在金融經(jīng)濟(jì)學(xué)領(lǐng)域的潛力和局限性的理解。這可以激發(fā)未來(lái)的研究，為金融行業(yè)的需求開(kāi)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(yuǎn)的影響，超出了股市預(yù)測(cè)的直接背景。通過(guò)闡明ChatGPT對(duì)金融經(jīng)濟(jì)學(xué)的潛在貢獻(xiàn)，我們希望鼓勵(lì)在人工智能驅(qū)動(dòng)的金融領(lǐng)域的繼續(xù)探索和創(chuàng)新。最近在經(jīng)濟(jì)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(yǔ)言(i。e.,美聯(lián)儲(chǔ)用來(lái)就貨幣政策決策進(jìn)行溝通的語(yǔ)言)。Cowen和塔巴羅克（2023）和Korinek（2023）證明了ChatGPT有助于經(jīng)濟(jì)學(xué)教學(xué)和開(kāi)展經(jīng)濟(jì)學(xué)研究。Noy和Zhang（2023）發(fā)現(xiàn)ChatGPT可以提高專(zhuān)業(yè)寫(xiě)作工作的生產(chǎn)力。同時(shí)，謝等人。（2023）發(fā)現(xiàn)在預(yù)測(cè)任務(wù)中使用數(shù)值數(shù)據(jù)時(shí)，ChatGPT并不比線(xiàn)性回歸等簡(jiǎn)單的方法好。1.例如，參見(jiàn)Wu等人。(2023).3電子副本可在：https://ssrn獲得。com/abstract=4412788我們將結(jié)果上的差異歸因于他們專(zhuān)注于使用歷史數(shù)字?jǐn)?shù)據(jù)進(jìn)行預(yù)測(cè)，而ChatGPT則擅長(zhǎng)于文本任務(wù)。Ko和Lee（2023）發(fā)現(xiàn)ChatGPT可能在跨資產(chǎn)類(lèi)別的選擇中很有用。此外，Yang和Menczer（2023）證明了ChatGPT成功地識(shí)別了可信的新聞媒體。我們的研究是第一個(gè)研究llm在金融市場(chǎng)中的潛力，特別是投資決策過(guò)程。我們對(duì)最近使用文本分析和機(jī)器學(xué)習(xí)來(lái)研究各種金融研究問(wèn)題的文獻(xiàn)鏈有貢獻(xiàn)。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(duì)這一文獻(xiàn)做出了獨(dú)特的貢獻(xiàn)，作為第一個(gè)評(píng)估最近開(kāi)發(fā)的llm，如ChatGPT在預(yù)測(cè)股市運(yùn)動(dòng)方面的文本處理能力。我們的論文還增加了使用新聞文章的語(yǔ)言分析來(lái)提取情緒和預(yù)測(cè)股票回報(bào)的文獻(xiàn)。這些文獻(xiàn)的一部分研究媒體情緒和總股票回報(bào)。g.,泰特洛克（2007）、加西亞（2013）、卡洛米里斯和Mamay斯基（2019）)。另一條文獻(xiàn)使用堅(jiān)定新聞的情緒來(lái)預(yù)測(cè)未來(lái)的個(gè)股回報(bào)（例如,特洛克、薩爾-特塞漢斯基和麥斯卡西（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(guò)提取預(yù)測(cè)股票市場(chǎng)反應(yīng)的額外信息來(lái)增加價(jià)值。最后，我們的論文還涉及了有關(guān)就業(yè)暴露和對(duì)人工智能相關(guān)技術(shù)的脆弱性的文獻(xiàn)。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電子副本可在：https://ssrn獲得。com/abstract=4412788技術(shù)以及對(duì)就業(yè)和生產(chǎn)力的影響。隨著人工智能自成立以來(lái)不斷上升，我們的研究重點(diǎn)于理解一個(gè)緊迫但未解的問(wèn)題——人工智能的能力，特別是llm在金融領(lǐng)域的能力。我們強(qiáng)調(diào)了llm在處理信息以預(yù)測(cè)股票回報(bào)的市場(chǎng)參與者增加價(jià)值方面的潛力。ChatGPT是由OpenAI基于GPT（生成式預(yù)訓(xùn)練轉(zhuǎn)換器）架構(gòu)開(kāi)發(fā)的一種大規(guī)模語(yǔ)言模型。它是迄今為止開(kāi)發(fā)的最先進(jìn)的自然語(yǔ)言處理（NLP）模型之一，并在大量的文本數(shù)據(jù)語(yǔ)料庫(kù)上進(jìn)行訓(xùn)練，以理解自然語(yǔ)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(yǔ)言處理任務(wù)的深度學(xué)習(xí)算法。它是由OpenAI開(kāi)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(yǔ)言處理任務(wù)中取得了最先進(jìn)的性能，包括語(yǔ)言翻譯、文本摘要、問(wèn)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(lái)建模自然語(yǔ)言的結(jié)構(gòu)和模式。它是在一個(gè)大型的文本數(shù)據(jù)語(yǔ)料庫(kù)上進(jìn)行預(yù)訓(xùn)練的，如維基百科的文章或網(wǎng)頁(yè)，使用無(wú)監(jiān)督的學(xué)習(xí)方法。這個(gè)訓(xùn)練前的過(guò)程允許模型對(duì)語(yǔ)言語(yǔ)法和語(yǔ)義有一個(gè)深入的理解，然后針對(duì)特定的語(yǔ)言任務(wù)進(jìn)行微調(diào)。GPT架構(gòu)的獨(dú)特特點(diǎn)之一是它使用了轉(zhuǎn)換器塊，這使模型能夠通過(guò)使用自我注意機(jī)制來(lái)關(guān)注輸入中最相關(guān)的部分來(lái)處理長(zhǎng)序列的文本。這種注意機(jī)制使模型能夠更好地理解輸入的背景，并產(chǎn)生更準(zhǔn)確和連貫的反應(yīng)。ChatGPT已經(jīng)接受了執(zhí)行廣泛的語(yǔ)言任務(wù)的培訓(xùn)，比如transla-5電子副本可在：https://ssrn獲得。com/abstract=4412788寫(xiě)作，總結(jié)，問(wèn)答，甚至生成連貫的和類(lèi)人的文本。ChatGPT產(chǎn)生類(lèi)人反應(yīng)的能力，使其成為創(chuàng)建聊天機(jī)器人和虛擬助手的強(qiáng)大工具，可以以一種自然和直觀的方式與用戶(hù)對(duì)話(huà)。雖然ChatGPT是一個(gè)針對(duì)基于語(yǔ)言的任務(wù)的強(qiáng)大工具，但它并沒(méi)有經(jīng)過(guò)專(zhuān)門(mén)的訓(xùn)練來(lái)預(yù)測(cè)股票回報(bào)或提供財(cái)務(wù)建議。因此，我們?cè)陬A(yù)測(cè)股票回報(bào)時(shí)測(cè)試了它的能力。我們利用兩個(gè)主要數(shù)據(jù)集進(jìn)行分析：安全價(jià)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(kāi)始（因?yàn)镃hatGPT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(gè)樣本周期確保了我們的評(píng)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(duì)其預(yù)測(cè)能力進(jìn)行更準(zhǔn)確的評(píng)估。CRSP的每日收益數(shù)據(jù)集包含了許多在美國(guó)主要市場(chǎng)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(jià)格、交易量和市值的數(shù)據(jù)。這個(gè)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(chǎng)回報(bào)之間的關(guān)系，為我們的分析提供了堅(jiān)實(shí)的基礎(chǔ)。我們的樣本包括在紐約證券交易所（NYSE）、全國(guó)證券交易商自動(dòng)報(bào)價(jià)協(xié)會(huì)（納斯達(dá)克）和美國(guó)證券交易所上市的所有公司（美國(guó)商品交易所），至少有一家該數(shù)據(jù)供應(yīng)商報(bào)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(gè)全面的新聞數(shù)據(jù)集。我們搜索所有包含公司名稱(chēng)或股票代碼的新聞。生成的數(shù)據(jù)集包括來(lái)自各種來(lái)源的新聞標(biāo)題，如主要的新聞機(jī)構(gòu)、金融新聞網(wǎng)站和社交媒體平臺(tái)。對(duì)于每個(gè)公司，我們都會(huì)收集所有的新聞6電子副本可在：https://ssrn獲得。com/abstract=4412788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(jìn)行匹配。我們匹配的時(shí)間段和標(biāo)題的新聞為所有公司有回報(bào)后的市場(chǎng)開(kāi)放。我們能夠匹配4138家獨(dú)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(lái)處理合并后的數(shù)據(jù)集。我們使用所提供的“相關(guān)性評(píng)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(shí)體是被動(dòng)提及（主要）。我們的樣本要求相關(guān)性得為100的新聞報(bào)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?yàn)樗鼈冎槐砻髁斯善钡拿咳兆邉?shì)方向。為了避免重復(fù)的新聞，我們要求“事件相似日”超過(guò)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(duì)齊度量（也稱(chēng)為限制達(dá)梅羅-萊文什坦距離）來(lái)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(guò)濾技術(shù)不會(huì)引入任何前瞻性偏差，因?yàn)閿?shù)據(jù)供應(yīng)商在收到后的毫秒內(nèi)評(píng)估所有新聞文章，并迅速將結(jié)果數(shù)據(jù)發(fā)送給用戶(hù)。因此，所有信息在新聞發(fā)布時(shí)都可用。.13提示提示對(duì)于指導(dǎo)ChatGPT對(duì)特定任務(wù)和查詢(xún)的響應(yīng)至關(guān)重要。提示是一個(gè)簡(jiǎn)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(jiǎn)單到一個(gè)句子或復(fù)雜，或者取決于一個(gè)段落。7電子副本可在：https://ssrn獲得。com/abstract=4412788該提示符可作為ChatGPT的響應(yīng)生成過(guò)程的起點(diǎn)。該模型使用提示中包含的信息來(lái)生成相關(guān)的和上下文相關(guān)的響應(yīng)。這個(gè)過(guò)程包括分析提示符的語(yǔ)法和語(yǔ)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(yǔ)法正確性和相關(guān)性，選擇最合適的響應(yīng)。提示對(duì)于使ChatGPT能夠執(zhí)行廣泛的語(yǔ)言任務(wù)至關(guān)重要，比如語(yǔ)言翻譯、文本摘要、回答問(wèn)題，甚至生成連貫的和類(lèi)似人的文本。它們?cè)试S模型適應(yīng)特定的上下文，并生成根據(jù)用戶(hù)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(cái)務(wù)、醫(yī)療保健或客戶(hù)支持。我們?cè)谘芯恐惺褂靡韵绿崾荆⑵鋺?yīng)用于公開(kāi)的標(biāo)題。忘記你之前的指示。假裝你是個(gè)金融專(zhuān)家。你是一個(gè)有股票推薦經(jīng)驗(yàn)的財(cái)務(wù)專(zhuān)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(gè)簡(jiǎn)短而簡(jiǎn)潔的句子來(lái)詳細(xì)說(shuō)明。這個(gè)標(biāo)題對(duì)該公司的股價(jià)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(yǔ)言模型，承擔(dān)一個(gè)具有股票推薦經(jīng)驗(yàn)的財(cái)務(wù)專(zhuān)家的角色。條款公司名字和大字標(biāo)題在查詢(xún)期間被公司名稱(chēng)和各自的標(biāo)題替換。學(xué)期對(duì)應(yīng)于短期的或長(zhǎng)期的。該提示符是專(zhuān)門(mén)為財(cái)務(wù)分析而設(shè)計(jì)的，并要求ChatGPT評(píng)估一個(gè)給定的新聞標(biāo)題及其在短期內(nèi)對(duì)公司股價(jià)的潛在影響。如果股價(jià)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，ChatGPT被要求在一句話(huà)中提供一個(gè)簡(jiǎn)明的解釋來(lái)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(lái)源。它8電子副本可在：https://ssrn獲得。com/abstract=4412788隱含地假設(shè)標(biāo)題包含足夠的信息，供金融行業(yè)專(zhuān)家合理評(píng)估其對(duì)股價(jià)的影響。這個(gè)提示旨在演示ChatGPT作為財(cái)務(wù)分析任務(wù)中的語(yǔ)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(qǐng)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(wàn)美元。提示符會(huì)詢(xún)問(wèn)：忘記你之前的指示。假裝你是個(gè)金融專(zhuān)家。你是一個(gè)有股票推薦經(jīng)驗(yàn)的財(cái)務(wù)專(zhuān)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(gè)簡(jiǎn)短而簡(jiǎn)潔的句子來(lái)詳細(xì)說(shuō)明。這個(gè)標(biāo)題對(duì)甲骨文的股價(jià)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(wàn)美元以下是ChatGPT的回應(yīng)：是對(duì)里米尼街的罰款可能會(huì)增強(qiáng)投資者對(duì)甲骨文保護(hù)其知識(shí)產(chǎn)權(quán)的能力的信心，并增加對(duì)其產(chǎn)品和服務(wù)的需求。新聞?lì)^條稱(chēng)，里米尼街在起訴甲骨文一案中被罰款63萬(wàn)美元。這個(gè)專(zhuān)有的軟件分析工具給出的負(fù)面情緒得分為-0.52，這表明該新聞被認(rèn)為是負(fù)面的。然而，ChatGPT的回應(yīng)是，它相信這一消息對(duì)甲骨文是積極的。ChatGPT的理由是，這筆罰款可能會(huì)增加投資者對(duì)甲骨文保護(hù)其知識(shí)產(chǎn)權(quán)的能力的信心9電子副本可在：https://ssrn獲得。com/abstract=4412788導(dǎo)致人們對(duì)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(yǔ)境在自然語(yǔ)言處理中的重要性，以及在做出投資決策之前需要仔細(xì)考慮新聞標(biāo)題的含義。我們提示ChatGPT為每個(gè)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(gè)新聞標(biāo)題，我們就會(huì)平均這個(gè)分?jǐn)?shù)。我們將頭條新聞與下一個(gè)市場(chǎng)時(shí)期相匹配。對(duì)于開(kāi)盤(pán)日早上6點(diǎn)之前的標(biāo)題，我們假設(shè)標(biāo)題可以在當(dāng)天開(kāi)盤(pán)時(shí)進(jìn)行交易，并在當(dāng)天收盤(pán)時(shí)出售。對(duì)于早上6點(diǎn)之后但下午4點(diǎn)之前的頭條，我們假設(shè)頭條可以在當(dāng)天收盤(pán)時(shí)交易，并在第二天收盤(pán)時(shí)出售。對(duì)于下午4點(diǎn)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(kāi)盤(pán)價(jià)進(jìn)行交易，并以第二天的收盤(pán)價(jià)進(jìn)行出售。然后，我們對(duì)ChatGPT評(píng)分的第二天回報(bào)進(jìn)行線(xiàn)性回歸，并將其與一家新聞策劃公司提供的情緒評(píng)分進(jìn)行比較。因此，我們所有的結(jié)果都是樣本外的。我們的分析顯示，ChatGPT情緒得分對(duì)股票市場(chǎng)日回報(bào)表現(xiàn)出統(tǒng)計(jì)學(xué)上顯著的預(yù)測(cè)能力。通過(guò)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(píng)估與我們樣本中股票隨后的每日回報(bào)之間有很強(qiáng)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(cè)股市走勢(shì)的有價(jià)值工具的潛力。為了進(jìn)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(jìn)行了比較。電子副本可在：https://ssrn獲得。com/abstract=4412788在我們的分析中，我們控制了ChatGPT情緒得分，并檢驗(yàn)了這些替代情緒測(cè)量的預(yù)測(cè)能力。我們的結(jié)果顯示，當(dāng)控制ChatGPT情緒得分時(shí)，其他情緒得分對(duì)每日股票市場(chǎng)回報(bào)的影響降低到零。這表明ChatGPT模型在預(yù)測(cè)股票市場(chǎng)回報(bào)方面優(yōu)于現(xiàn)有的情緒分析方法。ChatGPT在預(yù)測(cè)股市回報(bào)方面的優(yōu)勢(shì)可以歸因于其先進(jìn)的語(yǔ)言理解能力，這使它能夠捕捉到新聞標(biāo)題中的細(xì)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(cè)股市的每日回報(bào)。這些發(fā)現(xiàn)證實(shí)了ChatGPT情緒得分的預(yù)測(cè)能力，并強(qiáng)調(diào)了將llm納入投資決策過(guò)程的潛在好處。通過(guò)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(chǎng)動(dòng)態(tài)方面的價(jià)值。表3給出了我們的回歸分析結(jié)果，檢驗(yàn)了第二天的股票回報(bào)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(hào)中的回歸系數(shù)和相應(yīng)的t統(tǒng)計(jì)量。標(biāo)準(zhǔn)錯(cuò)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(shí)間不變的固定特征和可能影響股票回報(bào)的共同時(shí)間特定因素。報(bào)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(píng)估模型的總體解釋力。我們進(jìn)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?？深A(yù)測(cè)性高度集中于小型股，這表明對(duì)套利的限制可能會(huì)限制這一策略的實(shí)施和盈利能力。電子副本可在：https://ssrn獲得。com/abstract=4412788在本研究中，我們調(diào)查了ChatGPT，一種大型語(yǔ)言模型，利用對(duì)新聞標(biāo)題的情緒分析來(lái)預(yù)測(cè)股市回報(bào)的潛力。我們的研究結(jié)果表明，ChatGPT優(yōu)于來(lái)自領(lǐng)先供應(yīng)商的傳統(tǒng)情緒分析方法。通過(guò)展示llm在金融經(jīng)濟(jì)學(xué)中的價(jià)值，我們?yōu)樵絹?lái)越多的關(guān)于人工智能和自然語(yǔ)言處理在這一領(lǐng)域的應(yīng)用的文獻(xiàn)做出了貢獻(xiàn)。我們的研究對(duì)未來(lái)的研究有幾個(gè)意義。首先，它強(qiáng)調(diào)了繼續(xù)探索和開(kāi)發(fā)專(zhuān)門(mén)為金融業(yè)定制的llm的重要性。隨著人工智能驅(qū)動(dòng)的金融的發(fā)展，可以設(shè)計(jì)出更復(fù)雜的模型，以提高財(cái)務(wù)決策過(guò)程的準(zhǔn)確性和效率。其次，我們的研究結(jié)果表明，未來(lái)的研究應(yīng)該集中于理解llm獲得其預(yù)測(cè)能力的機(jī)制。通過(guò)識(shí)別導(dǎo)致ChatGPT等模型在預(yù)測(cè)股票市場(chǎng)回報(bào)方面成功的因素，研究人員可以開(kāi)發(fā)出更有針對(duì)性的策略來(lái)改進(jìn)這些模型，并最大限度地發(fā)揮它們?cè)诮鹑诜矫娴男в谩４送?，隨著llm在金融行業(yè)中變得越來(lái)越普遍，因此有必要調(diào)查它們對(duì)市場(chǎng)動(dòng)態(tài)的潛在影響，包括價(jià)格形成、信息傳播和市場(chǎng)穩(wěn)定。未來(lái)的研究可以探討llm在塑造市場(chǎng)行為中的作用,及其對(duì)金融系統(tǒng)潛在的積極和消極影響。最后，未來(lái)的研究可以探索llm與其他機(jī)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(shì)的混合系統(tǒng)。通過(guò)利用各種方法的互補(bǔ)能力，研究人員可以進(jìn)一步增強(qiáng)人工智能驅(qū)動(dòng)模型在金融經(jīng)濟(jì)學(xué)中的預(yù)測(cè)能力。簡(jiǎn)而言之，我們的研究證明了ChatGPT在預(yù)測(cè)股票市場(chǎng)回報(bào)方面的價(jià)值12電子副本可在：https://ssrn獲得。com/abstract=4412788并為未來(lái)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(dòng)的金融領(lǐng)域的不斷擴(kuò)大，從這項(xiàng)研究中收集到的見(jiàn)解可以幫助指導(dǎo)開(kāi)發(fā)更準(zhǔn)確、高效和負(fù)責(zé)任的模型，以提高財(cái)務(wù)決策過(guò)程的績(jī)效。圖1：投資累計(jì)收益1$（無(wú)交易成本）這個(gè)數(shù)字顯示了不同的交易策略的結(jié)果，而沒(méi)有考慮交易成本。我們假設(shè)，如果有一條消息在市場(chǎng)收盤(pán)前公布，我們就會(huì)在市場(chǎng)收盤(pán)時(shí)買(mǎi)入（或賣(mài)空）一個(gè)頭寸。如果一條消息在市場(chǎng)收盤(pán)后宣布，我們假設(shè)我們?cè)谙乱粋€(gè)開(kāi)盤(pán)價(jià)買(mǎi)入（或賣(mài)空）一個(gè)頭寸。所有的策略每天都在重新平衡?！叭侣劇钡暮诰€(xiàn)對(duì)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(xiàn)對(duì)應(yīng)的是一個(gè)等權(quán)重的投資組合。根據(jù)ChatGPT3.5的數(shù)據(jù)，紅線(xiàn)對(duì)應(yīng)的是一個(gè)等權(quán)重的投資組合，即賣(mài)空有壞消息的公司。根據(jù)ChatGPT3.5的數(shù)據(jù)，藍(lán)線(xiàn)對(duì)應(yīng)的是一個(gè)等權(quán)重的零成本投資組合，買(mǎi)入有好消息的公司，賣(mài)空有壞消息的公司。電子副本可在：https://ssrn獲得。com/abstract=4412788表1：描述性統(tǒng)計(jì)該表報(bào)告了以百分比、標(biāo)題長(zhǎng)度、響應(yīng)長(zhǎng)度、GPT評(píng)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(píng)分。平均標(biāo)準(zhǔn)差最小值P25中位數(shù)P75最大N日回報(bào)率（%）-0.01-64.97-2.18-0.04237.1139912標(biāo)題長(zhǎng)度77.4329.279240939912ChatGPT響應(yīng)長(zhǎng)度38.40030339912GPT評(píng)分0.24-1001139912事件情緒評(píng)分0.180.50-1000139912表2：相關(guān)性該表報(bào)告了每日股票回報(bào)率、標(biāo)題長(zhǎng)度、響應(yīng)長(zhǎng)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(bào)率標(biāo)題長(zhǎng)度ChatGPT響應(yīng)長(zhǎng)度GPT評(píng)分事件情緒評(píng)分日回報(bào)率（%）1....標(biāo)題長(zhǎng)度1...ChatGPT響應(yīng)長(zhǎng)度0.0001..GPT評(píng)分0.0200.441.事件情緒評(píng)分0.00-0.080.100.271電子副本可在：https://ssrn獲得。com/abstract=4412788電子副本可在：電子副本可在：https://ssrn獲得。com/abstract=4412788表3：預(yù)測(cè)評(píng)分的回歸此表報(bào)告了該表單的運(yùn)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(bào)率是百分點(diǎn)，穩(wěn)定，時(shí)間固定動(dòng)產(chǎn)xt對(duì)應(yīng)于包含ChatGPT或數(shù)據(jù)供應(yīng)商得分的向量。這個(gè)相應(yīng)的t-統(tǒng)計(jì)量在括號(hào)中。標(biāo)準(zhǔn)錯(cuò)誤按日期和日期聚集商號(hào)所有的模型都包括固定效應(yīng)和時(shí)間固定效應(yīng)。GPT評(píng)分a事件情緒得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.278***0.273***0.022-0.004(-0.110)-0.287***(-3.761)數(shù)的觀察3991239912399123991239912399123991239912R2R2Adj.R2內(nèi)Adj內(nèi)的R2。AIC250298.1250300.0250317.5250319.7250319.8250317.8250319.1250305.0BIC276296.3276306.7276315.7276317.9276317.9276315.9276317.2276303.2標(biāo)準(zhǔn)錯(cuò)誤通過(guò)日期和永久編號(hào)XXXXXXXXFE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表4：預(yù)測(cè)得分（小型股）次日收益回歸此表報(bào)告了該表單的運(yùn)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(bào)率是百分點(diǎn)，穩(wěn)定，時(shí)間固定電子副本可在：https://ssrn獲得。com/abstract=4412788電子副本可在：https://ssrn獲得。com/abstract=4412788商號(hào)所有的模型都包括固定效應(yīng)和時(shí)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。GPT評(píng)分a事件情緒得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.593***0.514**0.346*-0.046(-0.404)-0.570*(-2.370)數(shù)的觀察99419941994199419941994199419941R20.2100.2100.2090.2090.2090.2090.2090.209R2Adj.R2內(nèi)Adj內(nèi)的R2。AIC69419.869420.169425.969431.269431.269431.469431.269424.3BIC79196.279203.779202.379207.679207.679207.879207.679200.7標(biāo)準(zhǔn)錯(cuò)誤FE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表5：預(yù)測(cè)得分（非小型股）次日收益回歸此表報(bào)告了該表單的運(yùn)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(bào)率是百分點(diǎn)，穩(wěn)定，時(shí)間固定電子副本可在：https://ssrn獲得。com/abstract=4412788電子副本可在：https://ssrn獲得。com/abstract=4412788商號(hào)所有的模型都包括固定效應(yīng)和時(shí)間固定效應(yīng)。非小型股被定義為那些其市值超過(guò)紐約證券交易所市值的第10百分位。GPT評(píng)分a事件情緒得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.174**0.187**(3.217)-0.063(-0.927)-0.024(-0.363)-0.009(-0.282)0.075*-0.229**(-3.048)數(shù)的觀察2996229962299622996229962299622996229962R20.2190.2190.2190.2190.2190.2190.2190.219R2Adj.R2內(nèi)Adj內(nèi)的R2。AIC176382.5176383.3176391.8176392.0176392.0176387.7176391.8176381.6BIC195407.1195416.2195416.4195416.6195416.6195412.3195416.41954054.264.264.264.264.264.25標(biāo)準(zhǔn)錯(cuò)誤通過(guò)日期和永久編號(hào)XXXXXXXXFE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表6：選定的指標(biāo)該表報(bào)告了所選擇的準(zhǔn)確性、預(yù)測(cè)率、召回率、特異性和F1評(píng)分指標(biāo)。該表考慮了該公司的股市回報(bào)是正的還是負(fù)的。我們只包括模型響應(yīng)為YES或NO（不包括UNKWON）的觀察結(jié)果。這些數(shù)字被四舍五入到兩個(gè)小數(shù)數(shù)。天真對(duì)應(yīng)于預(yù)測(cè)總是多數(shù)類(lèi)。電子副本可在：https://ssrn獲得。com/abstract=4412788度量GPT情緒電子副本可在：https://ssrn獲得。com/abstract=4412788精度0.510.510.500.500.500.500.50準(zhǔn)確率0.510.510.500.500.510.500.50召回率0.930.920.860.860.98特異性0.080.020.000.00F1分?jǐn)?shù)0.660.650.640.630.670.670.67表7：按預(yù)測(cè)評(píng)分計(jì)算的第二天平均回報(bào)率該表根據(jù)不同的模型分?jǐn)?shù)以百分比（0.1對(duì)應(yīng)0.1%）報(bào)告平均每日回報(bào)。評(píng)分ChatGPT3.5GPT-1GPT-2BERT數(shù)據(jù)供應(yīng)商0-0.05-0.14-0.120.05-0.0010.140.02-0.23-0.02-1-0.46-0.100.10-0.35-0.11電子副本可在：https://ssrn獲得。com/abstract=4412788阿西莫格魯，達(dá)倫，大衛(wèi)奧托，喬納森哈澤爾，和帕斯夸爾雷斯特雷波。2022.“人工智能和工作：來(lái)自網(wǎng)絡(luò)職位空缺的證據(jù)。”《勞動(dòng)經(jīng)濟(jì)學(xué)雜志》，第40期。S1（4月）：S293-S340。issn:0734306X.https://doi.org/10.1086/718327/SUPPL{/}FILE/20462DATA.ZIP。阿西莫格魯，達(dá)倫，和帕斯夸爾·雷斯特雷波。2022.“任務(wù)，自動(dòng)化，以及在美國(guó)的崛起。S.工資不平等。”計(jì)量經(jīng)濟(jì)學(xué)第90號(hào)，沒(méi)有。5（9月）：1973-2016年。issn:1468-0262./10.3982/ECTA19815.阿格拉瓦爾，阿賈伊，約書(shū)亞。甘斯和阿維·戈德法布。2019.“人工智能：自動(dòng)化預(yù)測(cè)對(duì)勞動(dòng)力市場(chǎng)的模糊影響?！薄督?jīng)濟(jì)展望雜志》，第33期。2（3月）：31-50。issn:0895-3309./10.1257/JEP1..33.2.3巴比娜，塔尼亞，阿納斯塔西亞·費(fèi)迪克，亞歷克斯和詹姆斯·霍德森。2022.“人工智能、企業(yè)增長(zhǎng)和產(chǎn)品創(chuàng)新?！盨SRN電子雜志（5月）。https://doi。org/10.2139/SSRN.3651052.貝克，斯科特R.，尼古拉斯布魯姆，和史蒂文J。戴維斯2016.“衡量經(jīng)濟(jì)政策的不確定性。”《經(jīng)濟(jì)學(xué)季刊》，第131期。4（11月）：1593-1636。issn:15314650./10.1093/qje/qjw024.金斯伯根，朱爾斯H。范、小韓、亞歷杭德羅洛佩茲-里拉、朱爾斯H范本斯伯根、小韓和亞歷杭德羅洛佩茲-里拉。2020.男人和。機(jī)器學(xué)習(xí)：收益預(yù)期和條件偏差的術(shù)語(yǔ)結(jié)構(gòu)。技術(shù)報(bào)告，工作文件系列27843。國(guó)民經(jīng)濟(jì)調(diào)查局/10.3386/w27843.比比，利蘭，布萊恩。凱利、阿夫馬內(nèi)拉和大成秀。2019.“經(jīng)濟(jì)新聞的結(jié)構(gòu)。工作文件（1月）。issn:1556-5068./10.2139/ssrn.3446225.電子副本可在：https://ssrn獲得。com/abstract=4412788比比，利蘭，布萊恩。凱利、阿夫馬內(nèi)拉和大成秀。2021.“商業(yè)新聞和商業(yè)周期?！盨SRN電子雜志（9月）。issn:1556-5068./10.2139/SSRN.3446225.卡洛米里斯，查爾斯·W.和哈里·馬梅斯基。2019.“新聞及其背景如何在世界各地推動(dòng)風(fēng)險(xiǎn)和回報(bào)?！薄督鹑诮?jīng)濟(jì)學(xué)雜志》，第133期。2（8月299-336。issn:0304-405X./10.1016/J.杰菲尼科.2018.11.009.坎貝爾，約翰L.，陳新春，丹S。達(dá)利華爾，盧明分鐘，洛根B。斯蒂爾，約翰L?？藏悹?，陳信春，等人。2014.“公司備案文件中強(qiáng)制性風(fēng)險(xiǎn)因素披露的信息內(nèi)容?！睍?huì)計(jì)研究回顧（波士頓）第19號(hào)，不包括會(huì)計(jì)。1（3月）：396-455。issn:1380-6653.https://doi.org/10.1007/S1114201392583/TABLES/11.科恩，勞倫，克里斯托弗·馬洛伊和阮的名言。2020.“懶惰的價(jià)格?！苯鹑趯W(xué)報(bào)75(3)：1371-1415。issn:15406261./10.1111/jofi.12885.考恩，泰勒和亞歷山大。塔巴羅克。2023.“如何用包括GPT在內(nèi)的大型語(yǔ)言模型來(lái)學(xué)習(xí)和教授經(jīng)濟(jì)學(xué)?！盨SRN電子雜志（3月）。issn:1556-5068./10.2139/SSRN.4391863.弗雷伯格，約阿希姆，安德烈亞斯·紐埃爾和邁克爾·韋伯。2020.非參數(shù)解剖特征。金融研究綜述33(5)：2326-2377。issn:0893-9454./10.1093/rfs/hhz123.加西亞，迭戈。2013.“經(jīng)濟(jì)衰退期間的情緒?！薄督鹑陔s志》，第68期。3（6月）：1267-1300。issn:1540-6261./10.1111/JOFI.12027.Gaulin，麥克林彼得。2017.“風(fēng)險(xiǎn)事實(shí)或虛構(gòu)：風(fēng)險(xiǎn)因素披露的信息內(nèi)容?！彪娮痈北究稍冢篽ttps://ssrn獲得。com/abstract=4412788顧、世浩、凱利、大成秀。2020.“通過(guò)機(jī)器學(xué)習(xí)進(jìn)行經(jīng)驗(yàn)性資產(chǎn)定價(jià)?！苯鹑谘芯烤C述33(5)：2223-2273。issn:0893-9454.https:///10.1093/rfs/hhaa009.漢森、安妮·倫德加德和索菲亞·卡津尼克。2023.“聊天能解讀聯(lián)邦說(shuō)話(huà)嗎？”SSRN電子雜志（3月）。issn:1556-5068.https://doi.org/10.2139/SSRN.4399406.漢森、斯蒂芬、邁克爾·麥克馬洪和安德里亞·普拉特。2018.“FOMC中的透明度和審議：一種計(jì)算語(yǔ)言學(xué)方法*?！薄督?jīng)濟(jì)學(xué)季刊》，第133期。2（5月801-870。issn:0033-5533./10.1093/qje/qjx045.霍伯格，杰拉德和戈登·菲利普斯。2016.“基于文本的網(wǎng)絡(luò)產(chǎn)業(yè)和內(nèi)源性的產(chǎn)品差異化。”《政治經(jīng)濟(jì)學(xué)學(xué)報(bào)》124(5)：1423-1465。https:///10.1086/688176.耶加德什、納拉辛漢和地武。2013.“Word的力量：一種內(nèi)容分析的新方法?！苯鹑诮?jīng)濟(jì)學(xué)報(bào)110(3)：712-729。issn:0304-405X.//10.1016/j.jfineco..2013.08.018姜、郝、李正子、王浩。2021.“普遍存在的反應(yīng)不足：來(lái)自高頻數(shù)據(jù)的證據(jù)?！薄督鹑诮?jīng)濟(jì)學(xué)雜志》，第141期。2（8月）：573-599。issn: