主动量化研究之三：ChatGPT思维链推理机构调研选股策略.docx

内容目录

一、机构调研数据及大模型潜在应用 4

机构调研活动介绍 4

机构调研问答明细数据介绍 5

大模型使用思维链进行投资分析 6

二、基于大模型思维链的调研明细文本分析框架 8

ChatGPT模型设置与提示词工程 8

基准模型-FinBert 10

调研与选股池分析 11

三、ChatGPT股票池优选增强策略 13

ChatGPT选股池的市值与换手率特征 13

ChatGPT调研事件优选策略 14

ChatGPT调研事件优选策略（换手缓冲） 17

四、总结 19

参考文献 20

风险提示 20

图表目录

图表1：调研活动事件数量变化 4

图表2：调研活动数量月度数量 4

图表3：调研活动公布样式 5

图表4：已有报告得出的机构调研相关因子 5

图表5：调研活动问答明细数据示例 6

图表6：问答明细分析方法演进 6

图表7：大模型是否添加思维链对比 7

图表8：大模型是否使用思维链时模型结果准确度 7

图表9：ChatGPT使用思维链分析机构调研问答过程试验 8

图表10：ChatGPT数据生成过程 9

图表11：ChatGPT问答示例 10

图表12：FinBert分析示例 10

图表13：FinBert处理示例 11

图表14：事件处理结果示例 11

图表15：利好判断占调研活动比例 12

图表16：利好判断事件数量与比例时间序列 12

图表17：调研或利好判断发生后的相对中证800指数平均超额收益率 12

图表18：调研与选股池净值表现 13

图表19：调研与选股池相对中证800指数超额收益走势 13

图表20：调研与选股策略表现 13

图表21：不同市值ChatGPT选股池净值表现 14

图表22：ChatGPT判断利好次数是否加权净值对比 14

图表23：利好次数是否加权策略对比 14

图表24：不同利好次数等权股票池相对中证800指数超额收益表现 15

图表25：不同利好次数加权股票池相对中证800指数超额收益表现 15

图表26：利好次数是否加权策略对比 15

图表27：窗口期内不同利好次数股票池策略表现 16

图表28：ChatGPT调研事件优选策略表现 16

图表29：ChatGPT优选调研事件优选策略净值表现 16

图表30：ChatGPT调研事件优选策略收益率分年度表现 16

图表31：ChatGPT优选增强股票池策略近期持仓 16

图表32：ChatGPT优选调研事件优选策略净值表现 17

图表33：筛选条件为利好5次以上数量的每月持仓数 17

图表34：滚动窗口次数增强策略净值表现 17

图表35：不同滚动窗口相对中证800指数超额收益表现 17

图表36：不同滚动窗口策略表现 18

图表37：ChatGPT调研事件优选策略（换手缓冲）改善每月持仓数 18

图表38：ChatGPT调研事件优选策略（换手缓冲）净值表现 18

图表39：ChatGPT调研事件优选策略（换手缓冲）表现 18

图表40：ChatGPT调研事件优选策略（换手缓冲）收益率分年表现 18

图表41：ChatGPT调研事件优选策略（换手缓冲）近期持仓 19

在往期的报告中，我们利用机构调研活动的结构化数据（机构调研活动数量、机构调研参与主体）构建策略，深入挖掘了机构调研数据在绩优基金重仓股和行业轮动中的应用潜力，具体可以参考国金证券金融工程组的《主动量化研究之二：当绩优基金重仓股遇到调研会发生什么“共振”？》和《Beta猎手系列之五：基于机构调研热度和广度视角的行业配置策略》。

然而，由于机构调研问答明细含义丰富、非结构性的特征，难以使用传统的数据处理方法进行处理，前期报告中并没有充分利用机构调研问答明细中的有效信息。

而近年兴起的以ChatGPT为例的大语言模型打开了利用机构调研问答明细数据的想象空间。大模型展现出来的推理与生成能力，结合思维链技术，允许扮演大模型类似研究员的角色，实现热点识别、投资分析等更复杂的功能。

因此，本研究考虑使用大语言模型分析机构调研问答明细，从而进一步利用机构调研数据。我们在机构调研活动数据、调研参与主体数据的基础上，使用GPT-4o模型，设置合适的提示词激发大模型思维链，促使大语言模型扮演研究员的角色，从多个角度分析机构调研问答明细数据，最终得出符合逻辑的投资价值判断。

机构调研活动介绍

根据《深圳证券交易所创业板上市公司规范运作指引（2020年修订）》、《深圳证券交易所主板上市公司规范运作指引（2015年修订）》和《