ChatGPT应用分析：ChatGPT在择时、风格、行业、选股中的应用实践

（报告出品方/作者：方正证券，曹春晓）

1 引言

2022 年 12 月，OpenAI 推出人工智能聊天机器人程序 ChatGPT，迅速 引起广泛的讨论和应用，仅耗时 2 个月月活用户即突破了 1 亿，成为 用户增长速度最快的消费级应用程序。ChatGPT 基于深度学习和神经 网络技术，可以高效的进行自然语言生成、文本分类、问答等多种任 务，有助于进一步实现自动化与提升效率，给予客户更好的交互体验， 未来其对金融领域可能产生较大的影响。 在报告《ChatGPT 在投资研究工作中的应用初探——ChatGPT 应用探 讨系列之一》中，我们较为详细的探讨了 ChatGPT 在金融投研领域中 的可能应用，从日常工作到数据分析，再到 API 接口和其他应用领域。 本文中我们将进一步聚焦于 ChatGPT 在数量化研究领域的应用，分别 从择时、风格轮动、行业轮动、选股因子挖掘等方面进行实践，进一 步阐述 ChatGPT 在投研工作中的应用前景。

2 基于 ChatGPT 构建择时策略

2.1 均线择时策略及其优劣势

在股票市场投资中，择时是最复杂且挑战最大的任务之一，由于市场 影响因素众多，很难从某一个维度构建非常有效的择时模型。在实际 应用中，技术分析领域中的均线策略是一种非常经典且常用的择时策 略，至今仍然大量应用在 CTA 策略中。 均线策略的基本思想是通过计算股票价格在一定时间内的均值，来判 断股票价格走势和买卖信号。具体来说，均线策略包括以下几个步骤： 1）选择合适的均线周期。一般情况下，常用的均线周期为 5 日、10 日、20 日、40 日、60 日、120 日和 240 日等。 2）根据选定的均线周期计算出相应的均线。计算均线的方法有简单 移动平均线（SMA）和指数移动平均线（EMA）等，其中 EMA 更加 灵敏。 3）判断股票价格与均线的关系。当股票价格上穿均线时，称为“金 叉”，表示股票价格开始向上突破均线，为买入信号；当股票价格下 穿均线时，称为“死叉”，表示股票价格开始向下跌破均线，为卖出 信号。 4）根据买卖信号执行买卖操作。

其中，均线周期的选择对策略的影响较为显著，均线周期较短，有利 于抓取短期的波段行情，但频繁切换可能导致交易成本陡增。均线周 期较长，更有利于抓取长期趋势，但其滞后性较为明显，在震荡行情 中可能失效。

实际应用中，长短期均线有不同的优点和劣势，我们可以通过使用多 均线系统的方式将其结合，尝试搭建既能跟踪市场主要趋势，又能在 拐点附近尽可能及时响应的均线系统。

2.2 基于 ChatGPT 构建均线排列择时模型

当我们使用 1 根均线进行择时时，可以得到的是做多或者做空两种信 号，但是当我们使用多根均线时，模型结果不再是多空两种信号，而 是一个相对连贯的打分体系。例如我们设定当短期均线上穿长期均线 时，+1 分，短期均线下穿长期均线时，-1 分，最终将多组均线的结 果汇总，即可得到一个综合长短期均线特点的打分模型。 我们尝试通过 ChatGPT 来实现这个部分： 我们的需求：请写一个 Python 函数，输入是指数日频收盘价，格式 为 DataFrame，输出为指数的均线排列得分。在每个交易日，选择 N 根均线，从短到长排列，判断相邻两根均线的位置，如果短期均线在 长期均线上方，则得 1 分，反之得-1 分，将 N-1 个得分相加，即得到 均线排列得分。

ChatGPT 的回答：

可以看到，ChatGPT 不仅准确给出了计算均线排列得分的函数，而且 给出了详细的解释和使用示例。 得到上述核心部分代码之后，我们就可以来编写策略了，在报告 《ChatGPT在投资研究工作中的应用初探——ChatGPT应用探讨系列 之一》中我们曾介绍过，与 ChatGPT 交互时，尽可能具体的表述对一 次获得正确的结果至关重要，此处我们将整个策略分步骤明晰列示。 我们的需求：请实现一个均线排列择时的策略，按照如下步骤： 1、定义多条均线的时间窗口 ma_list，为 1 到 252 的自然数序列； 2、读取沪深 300 指数日度收盘价数据，并调用上述 ma_score 函数计 算每日的均线排列得分； 3、对上述均线排列得分再做一次移动平滑，窗口为 60 个交易日； 4、当均线排列得分大于 60 日均线时，做多沪深 300 指数，小于 60 日均线做空，计算策略历史表现并将策略净值曲线与沪深 300 指数绘 制于图中。

ChatGPT 的回答：

至此，一个简易的多均线排列择时策略已经构建完成。我们也 可以进一步在此基础之上测试不同参数下的策略表现，从而得到最优 策略参数，或进一步构建更为复杂的择时模型。

3 基于 ChatGPT 构建风格轮动观测模型

3.1 近年来 A 股市场风格切换较为剧烈

风格轮动是获取超额收益的重要来源之一，不论是美股市场还是 A 股 市场，都存在着非常典型的风格轮动现象，如能够有效捕捉到风格切 换的时点，则可以获取较为可观的相对收益。 就 A 股市场而言，近几年风格切换相对较为剧烈，2019-2020 年期间大盘成长风格明显走强，以贵州茅台和宁德时代为代表的核心资产股 价上涨明显，一批大盘成长风格的基金产品业绩表现尤为亮眼。然而 自 2021 年以来，大盘成长风格大幅走弱，与此同时小盘价值风格表 现相对亮眼，部分小盘价值风格的基金再次成为市场关注的焦点。 我们以几种相对较为宽泛的风格为例，来观察 A 股市场 的风格轮动现象，其中大盘/小盘风格分别以沪深 300 指数和中证 1000 指数为代表，价值/成长风格分别以国证价值指数和国证成长指数为代 表，高估值/低估值则以申万高市盈率指数和低市盈率指数为代表，绩 优股和亏损股分别以申万绩优股指数和亏损股指数为代表。可以看 到，近几年切换最为明显的风格是绩优股和亏损股，绩优股在 2019-2020 年迅速走强，估值快速提升，与亏损股的相对收益则出现 了快速拉升，随着 2021 年初白马股抱团的松动，绩优股/亏损股相对 表现大幅逆转，至今亏损股指数仍然显著跑赢绩优股指数。此外，价 值与成长风格的切换也相对较为明显，而大盘/小盘，高估/低估等风 格，相对而言近期并未出现明显的风格对立情形。

关于如何构建风格轮动策略，是投资者非常关注的一个问题，接下来 我们通过与 ChatGPT 交互风格轮动相关的话题，尝试构建一个简单的 观测风格轮动的模型。

显然，由于问题表述不够具体，ChatGPT 只能给我们一些相对宽泛的 回答，但其关于大小盘风格轮动、周期非周期风格轮动的表述，仍然 可以给予我们一些启发。由于根据宏观环境进行风格轮动研判属于长 周期的投资策略，此处我们尝试通过量价交易数据来构建一个短周期 内可观测的风格轮动模型。

显然，当我们尝试让 ChatGPT 给我们设计实际可用的策略时，其回复 的内容相对来讲质量较低，基本上无法形成有效策略，且多次尝试后 依然如此。因此我们直接给出一个策略，让其帮我们实现。

3.2 基于 ChatGPT 实现四象限风格轮动模型

通常我们可以用两个风格指数的相对强弱曲线来观察风格轮动状态， 以大盘/小盘为例，我们假设理想情况下大盘/小盘相对强弱曲线符合 正弦波曲线形态，随着大盘指数逐渐走强，其相对于小盘风格的相对强弱曲线开始加速上升，一段时间后随着市场预期逐步体现，相对强 弱曲线则开始减速上升，直至达到临界点，开始下跌，市场由此转向 小盘风格。 我们通过最小二乘回归来近似拟合相对强弱曲线的一阶导数与二阶 导数，并将其绘制于二维图中，即可得到一个实际可用的风格轮动观 测模型。在四象限中，一象限内大盘/小盘相对强弱指数加速上升，大 盘风格持续占优，三象限中相对强弱指数加速下行，小盘风格明显占 优。

整个策略的构建过程相对简单，我们将全部步骤告诉 ChatGPT，让其 来构建这个风格观测模型。

可以看到，在给定具体的计算步骤之后，ChatGPT 能够快速的完成代 码构建，且整段代码中除了开头和结尾部分有小错误之外，主体计算部分没有任何问题，我们将此代码复制到 Python 环境 下，简单修改后运行即可得到相应的结果。

至此我们已通过 ChatGPT 得到了一个风格轮动观测模型，如上文介 绍，该模型显示了近期价值风格与成长风格的相对强弱趋势变化图， 整个轨迹在四象限图中沿着逆时针方向旋转，截至 4 月底，轨迹运行 至一象限价值风格占优区域，表明目前价值风格相对于成长风格占 优。该模型是一个通用模型，我们将其简单修改调整即可用来观测任 意两组不同风格指数的强弱关系。

从截至 4 月底最新轮动状态来看，在大盘/小盘风格维度，大盘风格已 开始走出相对优势，与此同时，高估值风格相对于低估值风格的轮动 轨迹已进入三象限，表明低估值板块开始走强。

从绩优股与亏损股风格的相对轮动状态来看，截至 4 月底绩优股开始 逐步走强，轨迹刚刚进入一象限区域，同时今年以来表现最强势的 TMT 板块，相对于全市场的相对强弱已开始走弱，目前正处于二象限 区域，后续需关注其是否会继续走弱切换进入三象限，从模型逻辑角 度考虑，我们建议短期保持谨慎。

4 基于 ChatGPT 构建行业轮动策略

4.1 行业配置是获取超额收益的重要来源

从 A 股市场历年表现来看，行业分化现象均较为明显，除市场普跌的 2011 年、2016 年、2018 年外，其余各年份行业涨跌分化均较为明显。 今年以来截至 4 月 30 日，申万一级行业中传媒行业累计上涨 51.78%， 表现最为出色，同期商贸零售行业下跌 10.87%，最好最差行业表现相 差 62.65%，分化较为明显。

行业配置是获取超额收益的重要来源，如何把握行业轮动特征，如何 构建有效的行业轮动策略，是投资者重点关注的问题。影响行业涨跌 分化的原因有很多，此处我们从行业基本面景气变动角度出发，尝试 通过 ChatGPT 来构建一个实际可行的行业轮动策略。

4.2 基于 ChatGPT 构建的基本面景气行业轮动策略

通过上市公司财务数据可以判断出企业的盈利情况，行业或板块也类 似。对于不同行业而言，由于成分股的差异较大，直接对比行业的财 务指标会存在较大的偏差，因此，我们在对行业进行基本面指标比较 时通常采用同比或环比数据。此外，关于行业基本面指标的计算存在 不同方法，本文中我们使用整体法计算行业财务指标。

接下来，我们将分步骤完成行业轮动策略的构建，首先我们需要计算 各行业的基础财务指标。 我们的需求：请写一个 Python 函数，用来实现通过整体法计算行业 的财务指标，输入为 DataFrame，包含字段股票代码 stockcode，财 报日期 reportdate，申万行业分类 sws1，TTM 归母净利润 netpp_ttm， TTM 营业收入 rev_ttm，单季度归母净利润 netpp_q，单季度营业收 入 rev_q，净资产 equitp。 计算各行业的 TTM 归母净利润环比增速、TTM 营业收入环比增速、 单季度归母净利润同比增速、单季度营业收入同比增速、ROE_TTM 环比变动值，单季度 ROE 同比变动值。

ChatGPT 的回答：

从上述代码来看，基本实现了整体法的计算逻辑，对于环比增速和同 比增速的理解正确，并且考虑到了分母为负数的情形，使用了 abs 函 数调整，但其仍然存在一些 bug，比如指标命名全部为_yoy，按照习 惯我们需要将环比增速的指标后缀修改为_qoq，同时代码中遗漏了 ROE 的环比变动和同比变动部分，也需要进一步补充。 接下来，我们需要定义一个时间序列标准化函数 zscore，以实现对行业财务指标进行时间序列的标准化处理，之所以进行标准化，一方面 是因为不同行业之间本身景气趋势存在差异，我们希望通过这种方式 过滤掉行业本身的趋势，只关注其边际变化，另一方面，在此前的研 究中我们也发现，经过 zscore 处理之后的行业财务指标，业绩表现都 较原始指标有明显改善。

我们的需求：请写一个 Python 函数，输入为 DataFrame，包含字段 sws1, reportdate, roe_ttm_qoq, netpp_ttm_qoq, rev_ttm_qoq, netpp_q_yoy, rev_q_yoy ， 将 roe_ttm_qoq, netpp_ttm_qoq, rev_ttm_qoq, netpp_q_yoy, rev_q_yoy 等财务指标滚动 8 个季度进 行 zscore 标准化，即最新值减去历史均值除以标准差。

ChatGPT 的回答：

至此，我们的行业轮动策略核心部分已经构建完成，我们进一步将上 述经过标准化之后的财务指标等权合成为行业基本面景气得分，每个 财报期结束之后，根据行业基本面景气得分选取前 6 个一级行业作为 多头组合，后 6 个行业作为空头组合，由于年报和一季报在同一时间 点披露完毕，因此在实际组合构建时我们剔除年报数据，仅使用一季 报的最新得分进行排序和分组。 可以看到，该行业轮动策略虽然每年只调整三次，但是其历史表现非 常出色，自 2012 年以来，多头组合年化收益率为 11.28%，空头组合 年化收益率为 1.75%，多空年化收益约为 9.53%。且该行业轮动模型 在历史大多数年份中，多头组合均较空头组合有明显的超额收益，多 空相对净值曲线整体表现相对较为平稳。 该模型仅利用了历史财报数据计算，更新频率较低，且每年三季报披 露结束之后有较长的业绩真空期，我们可以在此基础之上，添加分析 师预期数据、资金流数据等不同维度指标，进一步丰富和完善行业轮 动策略，此处不再赘述。

5 基于 ChatGPT 挖掘高频量价选股因子

5.1 成交量的“激增时刻”

在股票市场中，成交量的边际变化隐含着非常重要的信息，特别是在 技术分析领域，成交量被认为是股票市场的原动力。俗语“量在价先” 深刻反应了成交量的变化对于股票价格波动的预测具有指示性作用。 我们以利好信息为例，当一个利好信息公布后，可能会引起相应个股 成交量的突然放大。如果在成交量激增的同时，价格却未发生变动， 或者未能引起价格的波动，则表明这一利好消息没能得到市场广泛的 认可。相反，如果成交量激增的同时，价格出现大幅上涨，则表明市 场对于此利好信息反应过于趋同，有可能出现反应过度。 报告《成交量激增时刻蕴含的 alpha 信息——多因子选股系列研究之 一》中我们通过观察日内成交量激增的时段，考察这些时段的收益率 与波动率，并将市场平均水平作为“适度”程度的衡量标准，进而构 建“耀眼波动率”因子和“耀眼收益率”因子，并最终合成为能综合 反应投资者反应不足和反应过度程度的“适度冒险”因子。

“适度冒险”因子的构建大致可以分为如下几个步骤：

1）确定“激增时刻”： ①剔除开盘和收盘数据，仅考虑日内分钟频数据，计算个股每分钟的 成交量相对于上一分钟的成交量的差值，作为该分钟成交量的增加 量。 ②计算每天每只个股分钟频成交量的增加量的均值 mean 和标准差 std。我们定义那些分钟频成交量增加量大于“均值+1 倍标准差”的 时刻为成交量激增的时刻，我们将对应的时刻统称为“激增时刻”。

2）根据“激增时刻”后的价格波动，计算“月耀眼波动率”因子： ①定义“激增时刻”的这一分钟及其随后的 4 分钟，是因成交量激增而 引起投资者关注的 5 分钟。投资者对成交量激增的反应，在这 5 分钟 里表现得最充分最强烈，我们将这 5 分钟称为“耀眼 5 分钟”。 ②使用分钟收盘价，计算每分钟的收益率，进而可以得到每个“耀眼 5 分钟”里收益率的标准差，作为成交量激增引起的价格波动率，我 们将其称为“耀眼波动率”。 ③计算 A 股票在 t 日内所有“耀眼波动率”的均值，作为 t 日 A 股票 对成交量的激增在波动层面上反应的代理变量，记为“日耀眼波动率”。 ④根据前述分析，我们希望“日耀眼波动率”不要太大，也不要太小， 适度最好，为了不引入其他参数，我们选取“日耀眼波动率”的截面 均值作为最“适度”的水平。因此我们将每日的“日耀眼波动率”减 去截面的均值再取绝对值，表示个股的“日耀眼波动率”与市场平均 水平的距离，并将其记为日频因子“适度日耀眼波动率”。 ⑤我们分别计算最近 20 个交易日的“适度日耀眼波动率”的平均值 和标准差，记为“月均耀眼波动率”因子和“月稳耀眼波动率”因子。 ⑥将“月均耀眼波动率”与“月稳耀眼波动率”等权合成，得到“月 耀眼波动率”因子。

3）根据“激增时刻”的价格变动，计算“月耀眼收益率”因子： ①找到“激增时刻”对应的分钟收益率，我们将其称为“耀眼收益率”。 ②对 A 股票在 t 日内所有的“耀眼收益率”求均值，作为股票对成交 量激增在收益率层面反应的代理变量，记为“日耀眼收益率”。 ③根据上述分析，我们同样希望“日耀眼收益率”不要太大，也不要 太小，适度最好。因此我们将每日的“日耀眼收益率”减去截面的均 值再取绝对值，表示个股的“日耀眼收益率”与市场平均水平的距离， 并将其记为“适度日耀眼收益率”。 ④我们分别计算最近 20 个交易日的“适度日耀眼收益率”的平均值 和标准差，记为“月均耀眼收益率”和“月稳耀眼收益率”因子。 ⑤将“月均耀眼收益率”与“月稳耀眼收益率”因子等权合成，得到 “月耀眼收益率”因子。

4）将上述“月耀眼波动率”因子与“月耀眼收益率”因子等权合成， 即得到“适度冒险”因子。 在报告《成交量激增时刻蕴含的 alpha 信息——多因子选股系列研究 之一》中我们对“适度冒险”因子在月频选股效果上的回测结果显示： 合成之后的“适度冒险”因子表现非常出色，Rank IC 为-8.89%，Rank ICIR 为-4.84，多空组合年化收益率达 37.46%，信息比 4.10，因子月 度胜率 87.74%。此外，在剔除了常用的风格因子影响后，“适度冒险” 因子仍然具有较强的选股能力，Rank IC 均值为-3.18%，Rank ICIR 为 -1.89，多空组合年化收益率 18.07%，信息比率 2.23。

接下来我们尝试通过 ChatGPT 来复现这个因子，这是一个相对较为复 杂的因子，为了达到目标，我们需要将因子构建过程分解，逐步得到 最终的因子构建代码。 首先，该因子构建中最核心的问题是关于“激增时刻”的定义，“激 增时刻”指的是在某一分钟上成交量的突然放大，其成交量相比于前一分钟出现明显放量，这些分钟就 是我们所定义的“激增时刻”。

我们的需求：请写一个 Python 函数，用来实现寻找个股日内交易的 激增时刻，读入为 DataFrame，表示个股分钟频交易数据，包含字段 code, amount, money, high, low, close, open, num，其中 num 表示当天 第几分钟，按照如下步骤进行： 1、剔除开盘 1 分钟以及收盘前 1 分钟的数据； 2、计算每只股票每分钟的收益率 ret 和每分钟成交量的增量 diff_amount； 3、计算每只股票当天 diff_amount 的均值和标准差，筛选出该股票大 于其均值加一倍标准差的时刻即为该股票当天的激增时刻。

需要注意的是，此处省略了数据预处理部分，本文中高频数据来源于 米筐 API，其将每天最后三分钟的交易数据合并为一根 bar，因此此处 剔除收盘前 1 分钟的数据实际代表的是剔除收盘前 3 分钟的数据（即 集合竞价数据），如其他数据接口可能需要修改第一步表述部分。 ChatGPT 的第一个回答版本，该函数完全理解了我们的 意图，并按照要求给出了每个股票每天的“激增时刻”及其对应的数 据，但是在函数中使用了 for 循环来计算，这在分钟频数据上的计算 是非常耗时的，因此我们尝试让 ChatGPT 来优化这个过程，我们直接 告诉 ChatGPT：for 循环太耗时，换一种算法。 这个版本的主要不同之处在于它使用了 Pandas 的向量化操作 add 和 mul 来计算均值加一倍标准差，而不是使用 for 循环和逐个计算 每只股票的激增时刻。这种方式更快且更有效率，特别是在处理大量数据时。但其中有一处 bug 是其计算的阈值是均值+2 倍标准差，而非 我们定义的均值+1 倍标准差，因此我们需要修改 mul 的参数为 1，即 可得到正确的结果。

5.2 基于 ChatGPT 构建“适度冒险”因子

接下来，我们复现因子的具体计算过程。找到“激增时刻”之后，我 们需要分别构建两个细分因子：“耀眼波动率因子”与“耀眼收益率 因子”，其中“耀眼波动率因子”需要考察“激增时刻”之后的五分 钟内的波动率情况，“耀眼收益率因子”则通过“激增时刻”这一分钟收益率来计算，我们在同一个函数中实现其计算过程。 我们的需求：请写一个 Python 函数，用来计算日耀眼波动率因子和 日耀眼收益率因子，读入为 DataFrame，表示个股分钟频交易数据， 包含字段 code, amount, money, high, low, close, open, num，其中 num 表示当天第几分钟，按照如下步骤进行： 1、计算每只股票每分钟的收益率 ret； 2、计算每只股票每一分钟及其未来四分钟内的收益率的标准差，得 到该分钟该股票对应的波动率指标 vol； 3、调用上述 find_volume_spikes 函数，得到每只股票当天的激增时 刻，找到各股票激增时刻对应的波动率 vol_s 和收益率指标 ret_s； 4、对每只股票当天所有的 vol_s 和 ret_s 取平均值即可得到日耀眼波 动率因子和日耀眼收益率因子。 5、对日耀眼波动率因子和日耀眼收益率因子进行均值距离化处理（减 去均值后再取绝对值）。

ChatGPT 的回答：

可以看到，由于我们的描述相对较为具体，所以 ChatGPT 可以很好的 理解我们的意图，不过上述计算过程中没有考虑到时间的移动问题， 即计算的波动率指标过程中使用 rolling(5).std()之后，需要再将其前 置 5 分钟，才符合我们所定义的激增时刻触发之后 5 分钟内的波动率。 所 以 这 一 步 正 确 的 表 述 应 该 为 ： rolling_vol = df.groupby("code")["ret"].rolling(5).std().shift(-5)。 上述过程中对因子值进行均值距离化的处理，是因为我们在定义“适 度冒险”因子时，我们希望的是那些突然放量之后在波动率和收益率 层面有温和波动的股票，后续表现应该相对较好，而波动太大或太小，或者收益太高或太低的股票，都不是我们想做多的股票。

通过以上代码，我们即可初步得到了两个日度频率的因子“适度日耀 眼波动率”和“适度日耀眼收益率”，接下来的处理过程相对较为简 单，分别先对“适度日耀眼波动率”和“适度日耀眼收益率”因子进 行移动窗口为 20 个交易日的移动平均值和移动标准差，再将平均值 和标准差因子合并，分别得到“月耀眼收益率”因子和“月耀眼收益率” 因子，再将这两个因子合并，即可得到“适度冒险”因子。此过程相 对较为简单，我们不再展示与 ChatGPT 的交互过程。

6 总结

本文中我们通过与 ChatGPT 交互，分别构建了均线排列择时模型、四 象限风格轮动模型、基本面景气行业轮动模型以及“适度冒险”因子 模型。综合来看 ChatGPT 对于复杂金融问题的理解和实现基本没有障 碍，但本文的实现过程均需要有一定的 Python 基础，此外，在测试过 程中我们发现想要通过 ChatGPT 自己来构建一个实际可用的策略目 前还难以实现，但如果我们能够较为准确的描述策略思想和主要过 程，ChatGPT 可以通过强大的理解能力和编程能力，快速的帮我们实 现策略过程，因此 ChatGPT 在量化研究领域同样具有强大的生命力， 可以大幅提升投研人员的开发效率。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）

精选报告来源：【未来智库】。