（报告出品方/作者：方正证券，曹春晓）

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。

2.1 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。

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。

3.1 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。

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。

5.1 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。

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】。「链接」

花粉社群VIP加油站

恭喜你，领取到一张面值 0 元的优惠券
只有购买全集内容 0.00 元，才可抵扣使用。
有效期截止于：2020-12-12 23:59
是否立即使用？