1. LLM與選股

資本市場是資本配置的高效渠道，價格發(fā)現(xiàn)過程對維持金融系統(tǒng)的健康穩(wěn)定至關(guān)重要。

價格發(fā)現(xiàn)過程取決于一系列復(fù)雜的相互作用因素，包括公司和行業(yè)要素、宏觀經(jīng)濟(jì)數(shù)據(jù)、動量效應(yīng)以及政治和地緣政治影響。市場參與者共同參與這一復(fù)雜的價格發(fā)現(xiàn)機(jī)制，以確保金融市場的有效運行。

股票選擇本質(zhì)上是一種價格發(fā)現(xiàn)機(jī)制，市場參與者會關(guān)注被視為“定價不當(dāng)”的股票，從而獲得相對于整個市場更具吸引力的回報潛力。這一原則構(gòu)成了價值投資的核心。不過，“定價不當(dāng)”這一概念還可以進(jìn)一步深化，因為它可能還涉及到市場對資產(chǎn)公允價值的感知，這種感知未必與其內(nèi)在價值完全一致。

這可能涵蓋對公司未來增長的預(yù)期，這一策略通常被稱為“成長投資”，有時會忽略當(dāng)前的基本面。

除了價值投資和成長投資，還有其他因素影響并增加了股票選擇的復(fù)雜性。被動投資、資本流動、衍生品相關(guān)流動以及宏觀經(jīng)濟(jì)因素等，共同造就了一個本質(zhì)上具有概率性且常?；靵y的金融系統(tǒng)。

市場參與者通過理解和運用廣泛的信息來做決策。然而，散戶投資者在分析個股時往往面臨困境。這一挑戰(zhàn)源于他們分析信息的能力有限、易受行為偏差影響以及缺乏強(qiáng)大的風(fēng)險管理技能。

因此，散戶可能錯過有前景的投資機(jī)會或使自身面臨不當(dāng)風(fēng)險。

像 ChatGPT 這樣的大型語言模型（LLMs）的出現(xiàn)，為財務(wù)分析和股票選擇帶來了極大的提升希望。這些復(fù)雜的人工智能（AI）系統(tǒng)，經(jīng)過大量且多樣的語料庫訓(xùn)練，不僅展現(xiàn)出了復(fù)制人類認(rèn)知復(fù)雜面的能力，在很多情況下甚至超越了人類。

? LLMs 能夠迅速解析海量財務(wù)數(shù)據(jù)，從收益報告到宏觀經(jīng)濟(jì)研究，處理大量非結(jié)構(gòu)化數(shù)據(jù)（如新聞文章或?qū)＜乙庖姡┑男蔬h(yuǎn)超人類分析師。這種快速且深入的內(nèi)容分析，使其能夠指出傳統(tǒng)分析中常被忽略的模式。

? 人類可能會受認(rèn)知偏差影響，而 LLMs 則提供了更客觀的視角。它們在很大程度上不受可能干擾人類判斷的情感和認(rèn)知偏差影響，不過其訓(xùn)練過程中仍存在一些偏差。此外，LLMs 突破了個人或團(tuán)隊分析師的局限，能在產(chǎn)品、市場以及最重要的投資者之間無縫拓展這種能力。

? LLMs 在降低股票選擇中的偏差方面發(fā)揮著關(guān)鍵作用。和人類分析師不同，LLMs 不受情感或認(rèn)知偏差影響，為財務(wù)分析提供了更客觀的看法。這種客觀性對于做出無偏差的投資決策至關(guān)重要，因為 LLMs 依靠數(shù)據(jù)驅(qū)動的見解而非主觀判斷。雖然其訓(xùn)練數(shù)據(jù)中存在一些固有偏差，但 LLMs 顯著減少了人類偏差對投資決策的影響。

本文作者提出了Market Sense AI，利用模塊化架構(gòu)和大型語言模型從海量的數(shù)字和文本數(shù)據(jù)中生成簡潔總結(jié)，提取有關(guān)公司發(fā)展和股票潛力的。并結(jié)合投資期限等，針對特定股票給出投資建議。

2. Market Sense AI架構(gòu)

圖片

如上圖所示，Market Sense AI 的架構(gòu)框架包括5個組件：

? 前四個核心組件負(fù)責(zé)數(shù)據(jù)輸入

? 第五個組件負(fù)責(zé)促進(jìn)最終推薦（即買入、持有或賣出）

Market Sense AI 效仿專業(yè)投資團(tuán)隊的決策流程：通過新聞?wù)髯粉櫣净蚱渌鶎傩袠I(yè)的最新動態(tài)，通過基本面摘要器分析公司的最新財務(wù)報表，以及在考慮價格行動動態(tài)的情況下對當(dāng)前環(huán)境進(jìn)行宏觀經(jīng)濟(jì)分析。

2.1. 新聞?wù)M件（Progressive News Summarizer）

與股票有關(guān)的新聞，包括公告、報告、分析師觀點和研究成果等，對市場情緒以及后續(xù)的股票價格影響頗大。這類新聞可能產(chǎn)生短期、長期或甚微的影響。所以，在股票分析中，新聞的來源與解讀需要審慎處理。

新聞?wù)髫?fù)責(zé)獲取新聞、進(jìn)行濃縮，并為某只股票的最具影響力的新聞進(jìn)行漸進(jìn)式概要。

圖片

如上圖所示，從新聞 API 中獲取與特定股票對應(yīng)的每日新聞。

每天的個股新聞會預(yù)先處理，剔除與公司無關(guān)的內(nèi)容，比如誘導(dǎo)點擊類的文章，以確保其格式適合輸入提示。通過 GPT4 對股票的每日新聞生成簡潔的每日新聞?wù)缓筮M(jìn)行統(tǒng)一存儲。

但是股票的新聞不僅僅是單個獨立的新聞重要，股票的新聞往往會綜合過去的舊聞持續(xù)性產(chǎn)生作用。例如，在合并或法律糾紛的情形下，關(guān)于公司業(yè)績好于預(yù)期的公告在整體決策過程中或許影響力較小。

新聞?wù)M件通過將最新的新聞?wù)c之前摘要相結(jié)合來解決此問題。更確切地說，提示結(jié)構(gòu)指示 GPT-4 模仿金融分析師的角色，通過整合各類信息為特定股票合成更新的摘要。提示包括：

? 當(dāng)前摘要 ：截至特定年月的公司及其股票的最新摘要。

? 每日新聞?wù)?：公司在給定月份的新聞，分為事實新聞和分析師的觀點。

? 說明 ：整合最相關(guān)的信息，區(qū)分事實新聞和分析師的意見。

摘要綜合考量了過去一個月的每日新聞?wù)蜕蟼€月的新聞?wù)?。確保摘要器始終反映最新、最相關(guān)且最重要的發(fā)展動態(tài)，為公司在新聞中的狀況提供全面且最新的概覽。

圖片

如上表，新聞?wù)鞑东@了2023 年兩個不同月份圍繞蘋果公司（AAPL.US）的發(fā)展動態(tài)。涵蓋了從公司持續(xù)的財務(wù)表現(xiàn)到戰(zhàn)略舉措和市場挑戰(zhàn)等多個話題。

在 10 月，重點在于蘋果在科技行業(yè)的重要地位，表現(xiàn)為 iPhone 15 系列的推出以及對其 Apple Watch 和 AirPods 的更新。這一時期還突顯了智能手機(jī)銷售的挑戰(zhàn)、地緣政治問題的影響以及股票表現(xiàn)的波動。本月特有的是關(guān)于蘋果對收購一級方程式廣播權(quán)的興趣以及首席執(zhí)行官蒂姆·庫克出售公司股票的報道，展現(xiàn)了公司多樣的戰(zhàn)略興趣和高管決策。

到 11 月，盡管許多早期主題延續(xù)，但新元素出現(xiàn)。摘要顯示了蘋果的銷售放緩、智能手機(jī)市場的競爭壓力以及其合作伙伴關(guān)系的戰(zhàn)略轉(zhuǎn)變，包括與高盛終止信用卡協(xié)議。值得注意的是，公司的可持續(xù)發(fā)展努力和 M3 芯片的推出，以及其在流媒體內(nèi)容方面的拓展。

下表是一些摘要示例：

圖片

2.2. 基本面總結(jié)模塊（Fundamentals Summarizer）

基本面數(shù)據(jù)在預(yù)測性金融分析中極其重要，提供了可量化的指標(biāo)，能反映公司當(dāng)下的狀況和未來的走向。

圖片

如上圖所示，借助 EODHD（https://eodhd.com/） 的基本面數(shù)據(jù) API 獲取季度信息。

圖片

為方便財務(wù)數(shù)據(jù)的比較，在輸入提示前，進(jìn)行預(yù)處理。預(yù)處理涵蓋了特定的數(shù)字縮寫技術(shù)，通過使用“百萬”“十億”或“千”等前綴，把大數(shù)字轉(zhuǎn)化為更緊湊的格式。使財務(wù)數(shù)據(jù)標(biāo)準(zhǔn)化并且這一預(yù)處理步驟對于讓 GPT-4 準(zhǔn)確比較和解讀復(fù)雜的財務(wù)數(shù)字至關(guān)重要。

不同季度的數(shù)據(jù)以表格形式并列呈現(xiàn)。通過利用GPT-4對比最新的季度財務(wù)報表，深入探究盈利能力、收入趨勢、債務(wù)指標(biāo)和現(xiàn)金流動態(tài)等方面。

對近期數(shù)據(jù)的關(guān)注使 LLM 能夠察覺財務(wù)表現(xiàn)的變化，可能將其與漸進(jìn)式新聞相聯(lián)系。更確切地說，Market Sense AI 利用以下公式對公司的財務(wù)狀況進(jìn)行建模：

通過提示詞引導(dǎo) GPT-4 充當(dāng)金融分析師，分析近期走勢：分析指定公司股票的最新季度來評估其財務(wù)健康狀況，包括：

? 財務(wù)表格：來自資產(chǎn)負(fù)債表、損益表和現(xiàn)金流量表的最新季度的關(guān)鍵財務(wù)數(shù)據(jù)。

? 分析重點：盈利能力、收入增長、債務(wù)水平和現(xiàn)金流生成方面的近期趨勢和發(fā)展。

盡管大型語言模型（LLMs）在不擅長理解復(fù)雜數(shù)值數(shù)據(jù)，但預(yù)處理方法與 GPT-4 的能力相結(jié)合，能夠確保準(zhǔn)確的比較與解釋?；久婵偨Y(jié)器的目的是呈現(xiàn)公司財務(wù)狀況的客觀、真實概覽，不給出任何直接的投資建議。

圖片

上表展示了基本面總結(jié)器如何從財務(wù)報表（包括收入、資產(chǎn)負(fù)債表和現(xiàn)金流量表）中提取關(guān)鍵觀點。

2.3. 股票價格動態(tài)總結(jié)模塊（Stock Price Dynamics Summarizer）

股票價格動態(tài)總結(jié)模塊作為 Market Sense AI 的關(guān)鍵部分，對股票的價格變動和財務(wù)指標(biāo)進(jìn)行分析。

圖片

如上圖所示，該模塊不但會分析目標(biāo)股票，還會依據(jù)公司描述和所屬行業(yè)，將其表現(xiàn)與五個最為相似的股票、標(biāo)準(zhǔn)普爾 500 指數(shù)進(jìn)行對比。

識別相似股票的方法：借助 MPNet 語言模型生成嵌入并計算相似性得分。

股票描述由 MPNet 編碼為高維向量，捕捉每家公司的獨特特征和活動。有利于計算標(biāo)準(zhǔn)普爾 500 中上市公司之間的成對相似性得分。這些得分對于識別具有與目標(biāo)股票相似屬性的股票極為關(guān)鍵，從而確保實現(xiàn)將單個股票表現(xiàn)與更廣泛市場趨勢相融合的綜合比較分析。

獲取目標(biāo)股票、與其類似的股票以及標(biāo)準(zhǔn)普爾 500 指數(shù)的市場數(shù)據(jù)。對關(guān)鍵財務(wù)指標(biāo)進(jìn)行分析，涵蓋 3 個月、6 個月和 12 個月的累計回報和夏普比率，并算出波動率和最大回撤。

尤其是夏普比率和最大回撤，極為關(guān)鍵，分別能了解到股票在市場低迷時期的風(fēng)險調(diào)整回報和抗跌能力。這種全面的分析能廣泛了解該股票相對于同行和整個市場的表現(xiàn)。

圖片

上圖展示了股票價格動態(tài)總結(jié)模塊的結(jié)果，將復(fù)雜數(shù)據(jù)提煉為易懂見解。提供了股票相對于類似公司和整體市場趨勢的市場動態(tài)的多維視角。

2.4. 宏觀經(jīng)濟(jì)環(huán)境綜述（Macroeconomic Environment Summary）

宏觀經(jīng)濟(jì)分析對于做出明智的投資決策和實現(xiàn)有效的資本配置極為關(guān)鍵。能夠為整體經(jīng)濟(jì)的健康狀況和表現(xiàn)提供重要洞見，對單個公司的盈利能力與價值以及整個股票市場都有著顯著影響?？紤]到諸如新冠疫情或烏克蘭戰(zhàn)爭等塑造投資格局的主要因素，投資者便能做出更明智的抉擇。

圖片

如上圖，該組件每兩周對投資報告和研究文章進(jìn)行整合，為復(fù)雜的經(jīng)濟(jì)數(shù)據(jù)和趨勢提供簡潔的總結(jié)。Market Digest 從包括高盛、摩根士丹利、瑞銀和貝萊德等領(lǐng)先銀行和投資機(jī)構(gòu)的各類公開報告中獲取信息。

首先將這些報告和文章轉(zhuǎn)化為文本形式。借助 GPT4 對單個報告進(jìn)行總結(jié)，接著在第二步中將這些單個總結(jié)凝練為全面的概述。

使 Market Digest 能夠?qū)⒉煌挠^點和分析整合成一個連貫的敘述，就宏觀經(jīng)濟(jì)態(tài)勢、中央銀行政策、優(yōu)先部門或國家以及地緣政治趨勢提供共識性觀點。輸出簡潔且全面，兼顧了市場分析師和專家之間潛在的矛盾或不同看法，包括：

? 初始總結(jié)重點：對單個報告進(jìn)行總結(jié)，突出包括中央銀行政策、地緣政治見解和市場展望等關(guān)鍵宏觀經(jīng)濟(jì)要素。

? 綜合與情緒分析：對所有報告展開深入剖析，提取共識和分歧觀點，重點關(guān)注按資產(chǎn)類別或投資維度劃分的情緒分析。

? 說明：要求一份詳盡且真實的報告，著重于當(dāng)下的市場情緒以及按資產(chǎn)類別進(jìn)行的分析分類。

圖片

上圖給出了 Market Digest 總結(jié)的示例。

2.5. 信號生成（ Signal Generation）

信號生成組件作為 Market Sense AI 管道的最后一環(huán)，整合了來自新聞、基本面、價格動態(tài)和宏觀經(jīng)濟(jì)分析等組件的文本輸出，為特定股票給出全面的投資建議和詳細(xì)的證據(jù)。

實際上，一只股票的投資決策取決于一定程度上能從新聞中獲取的基礎(chǔ)公司最重要的發(fā)展情況、公司的財務(wù)狀況、股票相對于競爭對手和市場的表現(xiàn)，以及更廣泛的宏觀經(jīng)濟(jì)環(huán)境。

最先進(jìn)的 LLM（GPT - 4）具備權(quán)衡和推理這些不同類別數(shù)據(jù)的能力，在復(fù)雜金融推理任務(wù)中的出色表現(xiàn)就是證明。

實際應(yīng)用中，GPT - 4 扮演專業(yè)金融分析師的角色。采用了思維鏈策略，通過一個反映專業(yè)金融分析師思維模式的邏輯多步推理過程來引導(dǎo)模型。

圖片

使用語境學(xué)習(xí)（in Context Leaerning，iCL）根據(jù)當(dāng)前的財務(wù)狀況和不斷變化的市場數(shù)據(jù)動態(tài)調(diào)整分析。這種雙重策略使得 MarketSenseAI 能夠提供適應(yīng)不斷變化的市場條件和投資者偏好的深刻見解。其提示結(jié)構(gòu)如下：

? 新聞分析：模型首先評估關(guān)于目標(biāo)公司的最新新聞?wù)?，判斷其對股票表現(xiàn)的潛在影響。

? 價格動態(tài)分析：接著，它將股票的價格動態(tài)與相關(guān)股票和整體市場進(jìn)行對比，提供相對表現(xiàn)的視角。

? 宏觀經(jīng)濟(jì)環(huán)境分析：模型隨后評估更廣泛的宏觀經(jīng)濟(jì)形勢及其對目標(biāo)公司的影響，考慮全球經(jīng)濟(jì)趨勢和事件。

? 基本面分析：最后一步是審查公司的基本財務(wù)數(shù)據(jù)，分析其當(dāng)前的財務(wù)健康狀況和未來前景。

模型的輸出以簡潔的格式呈現(xiàn)，包括一個決策（“買入”、“賣出”或“持有”）以及該選擇背后清晰的逐步解釋?！百I入”和“賣出”在投資組合布局的語境中分別指代多頭和空頭頭寸，而“持有”則意味著在投資組合中不涉及該特定股票。

圖片

上表展示了MarketSenseAI在2023年11月末為蘋果公司提供可解釋投資建議的能力，建議在隨后月份的調(diào)整后投資組合中維持“持有”狀態(tài)。

既包括了成功的財務(wù)表現(xiàn)和產(chǎn)品發(fā)布等積極因素，也包括了銷售增長放緩、競爭加劇和監(jiān)管審查等挑戰(zhàn)。綜合考慮這些相互矛盾的因素后，“持有”的總體決策展現(xiàn)了一種謹(jǐn)慎的態(tài)度。

圖片

Market Sense AI 中的文本相似性分析揭示了模型的推理如何與輸入數(shù)據(jù)的動態(tài)相契合，對于生成每月投資信號至關(guān)重要。

“新聞”和“價格動態(tài)”摘要中的高相似性得分（分別為平均得分 0.923 和 0.907）表明模型重視這些快速變化的因素，認(rèn)識到它們對股票價格的直接影響。對于短期、每月的預(yù)測尤其重要，因為當(dāng)前的發(fā)展和價格趨勢會極大地左右市場行為。

相比之下，“基本面”和“宏觀”組件的輸出，平均相似性得分分別為 0.849 和 0.803，對模型的月度決策直接影響較小?；久婷考径雀?，提供了公司財務(wù)健康狀況相對穩(wěn)定但變化不頻繁的情況，而宏觀經(jīng)濟(jì)數(shù)據(jù)更廣泛和通用，對短期投資決策的影響較為適中。

3. 效果對比

3.1 總體情況

作者選取標(biāo)普100指數(shù)中的股票來評估Market Sense AI性能，評估期從 2022 年 12 月 1 日持續(xù)至 2024 年 3 月 31 日。

使用的數(shù)據(jù)集：

? 新聞：2022 年 12 月 1 日至 2024 年 2 月 29 日期間，共發(fā)布 163,483 篇文章，平均每個股票每天 4.57 篇，標(biāo)準(zhǔn)差為 5.49。每篇文章平均標(biāo)記數(shù)為 867，標(biāo)準(zhǔn)差為 1196。這些數(shù)據(jù)生成了 35,229 個每日的、特定于公司的新聞?wù)约?1,500 個每月的漸進(jìn)式摘要。

? 基本面：從 2022 年第二季度起，收集了標(biāo)準(zhǔn)普爾 100 股票的 612 份季度報告中的財務(wù)數(shù)據(jù)。該數(shù)據(jù)集產(chǎn)生了 608 個獨特的基本面摘要，平均每個股票約 6 個。

? 描述：每只股票及其所在板塊的簡要描述，由算法 1 用于識別相似股票。

? 價格：對 2022 年 1 月 1 日至 2024 年 2 月 29 日的歷史每日股票價格（調(diào)整收盤價）進(jìn)行分析，以計算股票價格動態(tài)。此數(shù)據(jù)由股票價格動態(tài)組件用于為每個股票每月生成一個摘要，總計 1,500 個摘要。

? 宏觀：市場摘要分析了 2023 年 4 月至 2023 年 2 月期間主要金融機(jī)構(gòu)發(fā)布的 187 份投資報告（每份 20 - 30 頁）。對于 2023 年 1 月至 3 月做出的預(yù)測，信號生成組件無法獲取宏觀經(jīng)濟(jì)摘要，因此僅有 11 個宏觀經(jīng)濟(jì)摘要用于信號生成。

總共生成 1,500 個信號（15 個月×100 只股票），對這些信號細(xì)分可知，有 338 個“買入”、1150 個“持有”和 12 個“賣出”信號。

3.2. 市場表現(xiàn)評估結(jié)果（Bootstrapping）

Bootstrapping 方法能夠在處理復(fù)雜或未知數(shù)據(jù)分布時提供一種有效的統(tǒng)計推斷手段，通過有放回的重采樣數(shù)據(jù)來估計特定統(tǒng)計量的變化性，包括標(biāo)準(zhǔn)誤差、置信區(qū)間和各種準(zhǔn)確度指標(biāo)?？梢詭椭髡叽_定模型生成的投資信號與傳統(tǒng)隨機(jī)投資信號相比是否具有顯著差異。

圖片

從上圖可以看出，無論是在累計回報（R）還是命中率（HR）上，MarketSenseAI都展現(xiàn)出了在識別有利投資機(jī)會方面的能力遠(yuǎn)超隨機(jī)猜測。特別是在考慮去趨勢回報后，"買入"信號的高命中率量化值表明，與隨機(jī)信號生成方法相比，MarketSenseAI的推薦有更大的概率成功。這一發(fā)現(xiàn)強(qiáng)調(diào)了模型在有效識別潛在市場表現(xiàn)優(yōu)異機(jī)會方面的能力，從而證明了MarketSenseAI在投資決策中的實用價值和統(tǒng)計顯著性?？偟膩碚f，Bootstrapping評估強(qiáng)有力地證明了MarketSenseAI能夠產(chǎn)生遠(yuǎn)超偶然機(jī)會的投資信號，證明了其在金融分析中的有效性和可靠性。

3.3. 市場效果評估

3.3.1. 普通策略

圖片

作者采用了多種普通策略方法來驗證MarketSenseAI的市場效果，這些策略方法包括：

1.同等加權(quán)策略（MS）：基于MarketSenseAI生成的“買入”和“賣出”信號，構(gòu)建一個每月重新平衡的同等加權(quán)投資組合。

2.僅買入信號策略（MS-L）：僅考慮MarketSenseAI的“買入”信號，忽略“賣出”信號，構(gòu)建一個每月重新平衡的同等加權(quán)投資組合。

3.資本化加權(quán)策略（MS-L-Cap）：基于MarketSenseAI的“買入”信號，構(gòu)建一個每月重新平衡的資本化加權(quán)投資組合。

4.基于夏普比率的排名策略（MS-Top10-SR）：選擇“買入”信號中夏普比率最高的10只股票，構(gòu)建一個同等加權(quán)投資組合。

5.基于GPT-4排名的策略：利用GPT-4對“買入”信號的解釋進(jìn)行評分和排名，選擇排名最高的股票構(gòu)建投資組合。

驗證市場效果的過程中，將這些策略的表現(xiàn)與S&P 100指數(shù)的同等加權(quán)和資本化加權(quán)組合以及基于移動平均線的樸素趨勢跟蹤策略（Naive）進(jìn)行了比較。比較的指標(biāo)包括總回報、夏普比率、索提諾比率、波動性、勝率和最大回撤等。

圖片

最終效果顯示：

?MS策略：總回報達(dá)到了35.48%（考慮交易成本后為32.94%），夏普比率為2.49，索提諾比率為3.87，顯著優(yōu)于S&P 100的同等加權(quán)組合。

?MS-L策略：由于“賣出”信號較少，其表現(xiàn)與MS策略相似，總回報為35.79%（考慮交易成本后為34.82%）。

?MS-L-Cap策略：在資本化加權(quán)的情況下，總回報達(dá)到了66.22%（考慮交易成本后為65.25%），遠(yuǎn)超S&P 100 ETF的43.27%。

?基于GPT-4排名的策略：特別是MS-Top10-GPT策略，總回報達(dá)到了49.09%（考慮交易成本后為48.07%），夏普比率為2.68，索提諾比率為4.29，勝率為74.1%，最大回撤為7.66%，在所有策略中表現(xiàn)最佳。

綜上所述，MarketSenseAI生成的信號在多種普通策略方法下均顯示出卓越的市場效果，不僅在總回報上超越了基準(zhǔn)指數(shù)，而且在風(fēng)險調(diào)整后的回報指標(biāo)上也表現(xiàn)出色，驗證了MarketSenseAI在實際投資決策中的有效性和優(yōu)越性。

3.3.2. 基于排名的策略

圖片

利用基于排名的策略來驗證MarketSenseAI的市場效果，主要是通過以下幾種方式：

1.基于夏普比率的排名策略（MS-Top10-SR）：

• 這種策略選擇“買入”信號中夏普比率最高的10只股票，構(gòu)建同等加權(quán)的投資組合。
• 結(jié)果顯示，MS-Top10-SR策略的總回報為23.13%（交易成本后為22.12%），夏普比率為1.45，索提諾比率為2.11。

2.基于GPT-4排名的策略：

? 這些策略利用GPT-4對“買入”信號的解釋進(jìn)行評分和排名，選擇排名最高的股票構(gòu)建投資組合。

? 具體包括MS-Top5-GPT、MS-Top10-GPT、MS-High-GPT和MS-Low-GPT策略，它們分別選擇GPT-4排名最高的5只股票、10只股票、高于7分的股票和7分及以下的股票。

3.資本化加權(quán)的基于GPT-4排名的策略（MS-Top10-Cap-GPT）：

? 這種策略對GPT-4排名最高的股票采用資本化加權(quán)方法，構(gòu)建投資組合。

圖片

最終效果如下：

?MS-Top5-GPT和MS-Top10-GPT策略：

MS-Top5-GPT策略的總回報為50.96%（交易成本后為49.67%），夏普比率為2.26，索提諾比率為3.69。

MS-Top10-GPT策略的總回報為49.09%（交易成本后為48.07%），夏普比率為2.68，索提諾比率為4.29，勝率最高，達(dá)到74.1%，最大回撤為7.66%。

?MS-High-GPT和MS-Low-GPT策略：

MS-High-GPT策略的總回報為39.47%（交易成本后為38.35%），夏普比率為2.28，索提諾比率為3.44。

MS-Low-GPT策略的總回報為25.66%（交易成本后為24.27%），夏普比率為1.76，索提諾比率為2.64。

?MS-Top10-Cap-GPT策略：

該策略的總回報達(dá)到了72.87%（交易成本后為71.64%），是所有策略中表現(xiàn)最好的。

基于排名的策略在驗證MarketSenseAI市場效果時表現(xiàn)出色，尤其是那些利用GPT-4進(jìn)行排名的策略，它們在總回報、夏普比率、索提諾比率等關(guān)鍵指標(biāo)上均優(yōu)于傳統(tǒng)的基于夏普比率排名的策略。這些結(jié)果進(jìn)一步證實了MarketSenseAI在投資決策中的有效性，以及GPT-4在解釋和排名投資信號方面的強(qiáng)大能力。

本文轉(zhuǎn)載自??大語言模型論文跟蹤??，作者：HuggingAGI ????