相對于大部分人來說，AI確實能夠達到一個較為理性的投資狀態。尤其是在量化交易領域，對于在短時間內需要大量分析、處理數據的交易策略來說，AI會有更穩定的輸出。

但是，AI沒辦法去戰勝市場最優的一類人，人類有自己的優勢，比如對于很多非結構化的一些信息的處理，以及對于很多非數量化的行為及狀態的判斷等。

(資料圖片)

投資這個領域不是砸錢、砸機器、砸設備就能做出成績的，這些都不是核心競爭力，核心還是要憑認知深度，憑獨立思考和創新，甚至還要拼一些信念。

ChatGPT可通過高效的數據收集和處理能力、編程能力、文本分析能力等來加速想法的實現，但想法本身才是投資的關鍵。

還記得“阿爾法狗”（AlphaGo）擊敗圍棋世界冠軍后，華爾街推出的全球第一只應用人工智能（AI）進行投資的ETF基金嗎？這只金融界的“阿爾法狗”投資業績不甚理想，并沒有讓全球的投資經理丟了“飯碗”。如今，性能更強的以ChatGPT為代表的“生成式AI”橫空出世，不免讓人們產生“AI炒股能否戰勝市場”的疑問。

即便不能“戰勝市場”，也有投資者擔憂，AI炒股會不會加劇市場波動，使中小投資者更加難以盈利？

ChatGPT如何預測股價

自400多年前世界上第一個股市在荷蘭阿姆斯特丹誕生起，“戰勝市場”——準確預判股價走勢就是所有投資者的夢想。

一只股票的價格變動由很多因素綜合決定，其中有非常復雜、非線性的關系。以往的AI模型參數規模較小，無法表征復雜的市場關系。而ChatGPT大模型與以往預測股價的AI模型有著明顯區別。

在受訪人士看來，相比傳統的AI模型，ChatGPT大規模預訓練模型有多方面優勢。在股價預測領域，大模型可以處理大量異構數據，如股票交易數據、宏觀經濟數據、公司財務報告等，同時還可以處理非結構化數據，如新聞報道、社交媒體信息等，這使得大模型能從多方面捕捉市場信息，提高預測準確性。

具體而言，在進行股價預測時，投資者往往關注四個方面：技術面、基本面、新聞和事件、市場情緒。基于上述幾個維度，以ChatGPT為代表的生成式AI技術帶來了一些新的變化和潛在的應用形式：

第一，在基本面分析上，由于ChatGPT等AI技術在自然語言處理方面取得了顯著進展，它可以更好地理解和處理人類語言的復雜性。在投資中，這種能力可以用于解析和理解財務報表、公司公告等文本數據，從而為投資決策提供更全面和準確的信息。

第二，ChatGPT應用于情感分析（Sentiment Analysis）和市場情緒預測，通過分析社交媒體、新聞等內容來識別市場參與者的情感和情緒，幫助投資者更好地理解市場情緒的變化，并預測其對股票價格和市場趨勢的影響。近日，美國佛羅里達大學金融學院公布的一項研究表明，將ChatGPT融合在投資模型中，可以預測股市的走勢。其研究方法是為ChatGPT提供大量的新聞標題和內容，讓ChatGPT用情感分析判斷這些事件對股市的影響。

第三，在股票投資領域，一直以來存在著技術派，即通過K線圖走勢對未來股價走勢進行判斷，這需要在收盤后進行大量復盤工作，而圖像識別技術可以替代這一工作，就是通過給AI大量的K線樣本，同時每個樣本都有未來漲跌的分類標簽，卷積神經網絡技術自動從K線圖中尋找對未來漲跌分類有用的特征，特征提取與驗證自動完成。

“技術派常常去尋找突破新高的形態，包括底背馳、圓弧底、底部放量等底部特征，但是這些形態缺乏嚴格意義上的有效性測試，在實踐中常常是假突破，跟風很容易失敗。AI技術則不然，并不尋找這些特征，而是從像素級別自動挖掘特征，直接與分類結果進行匹配。”廣發證券金融工程首席分析師安寧寧研究發現，按照AI預測的上漲概率值進行排序，全部股票分值最高的一組，戰勝分值最低的一組勝率在89%左右。不過，這個勝率只有在決策次數非常頻繁也就是量化高頻交易中，才能得到足夠豐富的超額收益。

“歸根到底，ChatGPT還是一個大語言模型，會讓語言處理更加簡單。”寬睿科技創始人、董事長兼CEO劉鑫表示，ChatGPT作為大語言模型，較小語言模型來說，更適用于通用領域。生成式文本摘要可以加速投資者對研究報告、研究論文的分析和理解。對于輿情分析、情緒分析、事件驅動的策略來說，ChatGPT可以生成一些更加直接準確的分析。

已在量化交易中投入實戰

“我們可能站在這個時代最偉大變革的前夜。”這是今年4月幻方量化宣布集中資源和力量投入AI時的開篇語。毫無疑問，搶占AI高地已成為國內量化私募龍頭的共識。在他們看來，AI技術將成為量化投資行業的核心引擎，甚至將顛覆量化投資行業的技術格局。

量化投資的技術迭代基本上與AI的技術迭代同步。思源量化創始人投資總監王雄表示，AI迭代歷史可以總結為4個階段：基于線性回歸的1.0多因子階段；基于機器學習的2.0高頻量價因子挖掘階段；基于深度學習的3.0端到端結構化數據挖掘階段；基于通用人工智能的4.0深度基本面量化階段。

王雄認為，與基于財務報表的傳統基本面量化相比，4.0階段有四大區別：

一是數據來源不同。傳統基本面量化主要依賴公司的財務報表進行分析；而深度基本面量化通過挖掘公司公開信息，包括公司公告、分析師報告、社交媒體等非結構化數據，從而獲取更加細致的信息和市場情緒。

二是時效性和數據頻率不同。傳統的基于財務報表的所謂基本面分析，頻率低，時效性弱，大部分信息已經被市場消化；而深度基本面量化則需要處理更多更有時效性的更高頻的基本面信息。

三是分析方法不同。傳統基本面量化主要通過財務分析方法來評估公司的價值；而深度基本面量化更加重視非財務因素對公司業績的影響，采用自然語言處理和機器學習技術對文本信息進行分析，從而理解市場信息和公司業績之間的關系。

四是建模方式不同。傳統基本面量化通常采用線性回歸或因子模型等傳統的建模方法；而深度基本面量化采用深度學習模型，從大量未標注的數據中學習數據的規律和特征，并且通過模擬人類思維來自動識別復雜關系，通過自學習、自升級和演化的方式不斷提高模型的性能。

除了基本面量化方面，GPT大模型在量化投資上還有一類應用，即進行代碼生成和模型借鑒提升效率。“簡單來說，就是量化投資需要標準化的代碼，使用ChatGPT會更容易生成一些標準化的代碼，節約代碼的生成，量化投資者可以在此基礎上進行調整。”劉鑫介紹。

總體來看，AI技術的運用，會讓整個量化投資策略迭代更快、處理效率更高。不過，也有量化私募人士提示，量化投資是一個綜合性系統工程，AI能夠有效提高投資效率，但尚不能完全替代人類的工作，不能和量化模型、量化策略等同視之。而且，值得警惕的是，GPT的數據來源和算法可能存在偏差和錯誤，其中的風險不容忽視。

生成式AI炒股勝率幾何

生成式AI炒股是否能戰勝市場，一直以來是一個頗具爭議性的話題。

有觀點認為，“股市本質上就不是AI能贏的領域”；也有觀點認為，只要技術不斷突破，“AI戰勝市場”并非不可能。不過，受訪人士比較一致的觀點是，“戰勝市場”是一件極為困難的事，股市是一個復雜且不確定的系統，并不具備規律性。

王雄認為，單純靠AI來戰勝市場是很難的，但AI作為輔助工具能大大提高信息獲取、分析和決策的效率，也就是說，“人的正確科學的投資理念+AI的效率提升”是可以戰勝市場的，這一點其實已經被無數優秀的量化私募基金所驗證，未來還會在更長時間里被驗證。

安寧寧持同樣的觀點。在安寧寧看來，股市受到眾多因素共同影響，這些因素之間的相互作用使得預測股市變得極為困難，因此“戰勝市場”并非易事。但是，AI憑借其強大的海量數據處理分析能力，在一定程度上能對投資者進行決策輔助，要戰勝市場并找到相對穩定盈利的策略，還需要更多實證和深入的研究。

不可否認，AI的一大優勢是，它能規避掉人類的弱點，如情緒化、非理性行為等。但是，金融市場交易的實質，依然是人們不同情緒與心態的博弈，ChatGPT未必能精準掌握各類交易人群的情緒與心態變化，進而作出最佳的投資決策。

劉鑫分析稱，相對大部分人類來說，AI確實能夠達到一個較為理性的投資狀態。尤其是在量化交易領域，對于在短時間內需要大量分析、處理數據的交易策略來說，AI會有更穩定的輸出。但是，AI沒辦法去戰勝市場最優的一類人，人類有人類自己的優勢，比如對于很多非結構化的一些信息的處理，以及對于很多非數量化的行為及狀態的判斷等。總的來說，AI的方式和人類的方式會是市場里不同的行為類型。

“投資這個領域不是砸錢、砸機器、砸設備就能做出成績的，這些都不是核心競爭力，核心還是要憑認知深度，憑獨立思考和創新，甚至還要拼一些信念和信仰。簡單來說，當你有一個好的投資想法，ChatGPT可以通過高效的數據收集和處理能力、編程能力、文本分析能力等來加速這個想法的實現，但想法本身才是投資的關鍵。”王雄說。

是否將加劇市場波動

GPT和其他AI技術在股市投資的應用，在帶來交易便利的同時，也可能造成一些潛在的風險。比如，擁有先進AI技術的機構在信息獲取和決策速度上超越普通投資者，會不會導致市場不公平？量化交易大規模使用AI工具，會不會引發交易趨同、加劇市場波動？

“在極端行情發生時，量化策略的集體調倉會對市場趨勢有一定強化作用，這一點在海外市場也普遍存在。”一家量化私募負責人結合近期市場行情認為，A股經歷了AI行情的極致演繹，對整個市場的流動性抽取效應顯著，量化策略明顯加強了這種趨勢。

世紀前沿資產相關負責人也表示，AI+量化策略的風險在于策略的同質化，因為量化是根據歷史數據去做模型，相當于每個人都在讀同一本書，最后大家得出的結論有一些相似性，會造成策略上的高相關性和擁堵。簡單來說，大家都用相似的大模型投資工具做短線投資，會使得投資策略失效，賺取收益越來越難。

一些量化機構人士則表達了不同的觀點。王雄認為，借助AI工具提高分析和執行的效率，本身不一定加大市場波動的效果。AI和量化只是工具，是輔助實現策略思路的，策略也有不同類型，基于高頻量價的短線交易策略確實有可能更容易同質化，而基于深度基本面的策略同質化程度更低，同樣的基本面信息可能有不一樣的解讀，策略相關性低。

而且，量化的持倉一般非常分散，對個股的影響有限。整體來看，量化通過尋找市場錯誤定價的機會來賺錢，長期效果是讓市場定價更加合理，更多是抑制非理性的買賣帶來的波動。

劉鑫表示，量化交易本身就是一種在市場非理性波動中獲取收益的方式，它實際上是去平抑市場過度的非理性的波動，不同的投資模式會讓市場更為成熟，也更加穩定。

在觀點交鋒之外，強化監管以更好地規范量化交易已成行業共識。業內人士表示，在滿足監管和合規要求的前提下，聚焦行業需求，協同推進數據、算力和算法，從提高交易效率、穩定市場流動性、消除信息不對稱、促進市場有效定價等方面，與資本市場共成長，這是量化從業者應承擔的社會責任，也是量化行業蓬勃發展的內在動力。

（文章來源：上海證券報）

關鍵詞：