第6章 ChatGPT也能量化投資(第3/4 頁)

人能及的。

比如當我們需要查詢某個領域的論文時，chatGpt可以同時快速地搜尋到多篇相關領域的論文，並且用自己的語言提煉每一篇的研究結論，這讓我們節省了很多在不同網站上翻找和閱讀相關文獻的時間。

那chatGpt可以替代量化投資程式設計師的工作嗎？

答案是否定的。

（二）chatGpt並不能替代量化投資程式設計師的工作

雖然chatGpt編寫程式碼的能力很強悍，但是在量化投資領域它還是無法替代程式設計師的工作。

目前，chatGpt在金融領域應用更多的是搜尋引擎和智慧營銷。

透過整合網際網路平臺上的資訊方便使用者進行資訊檢索，它能幫助相關平臺推出對話搜尋模式，帶動金融諮詢行業、財富管理行業以及數字保險行業發展；

它還能替代部分腦力工作者重複性勞動，推薦普惠型金融產品、金融產品影片介紹、客服諮詢、緩解一部分金融從業人員工作負擔。

但是在量化投資策略建模領域，它只能作為量化程式設計師的輔助工具。

因為它能基於海量資料的分析挖掘，找到一些不為大家所知的投資規律，但這些投資規律能否在實盤交易環節發揮作用，現在來看仍是未知數。

首先，金融市場裡的資訊與投資回報之間的因果關係相當複雜，chatGpt完全依賴資訊資料探勘分析，只能進行簡單的規律發現，未必能完全掌握其中複雜的因果關係；

其次，金融市場交易受不同投資者不同情緒與心態的影響較大，俗話說人心難測，chatGpt未必能精準掌握各類交易人群的情緒與心態變化。

而且量化工程師在構建量化系統，快速的程式迭代，以及有針對性的解決實際交易環節的問題上具備優勢，這些都是直接影響投資收益的關鍵因素，但都是chatGpt無法做到的。

（三）chatGpt的不足之處

chatGpt之所以被眾多歐美投資機構用於輔助研發新的投資策略，一個重要原因是它能對海量資料進行分析挖掘，找到不少不為投資者所知的投資規律。

目前，chatGpt覆蓋的資料達到約1750億個變數，涵蓋過去數十年的各類文字和資料。

但與此同時，chatGpt在投資策略建模方面所面臨的最大挑戰，恰恰就是資料太多。

具體而言，一是資料越多，干擾越大。

如果chatGpt所自動生成的量化投資模型過多聚焦在那些干擾資料上，可能會導致其投資成效大打折扣；

二是chatGpt在對海量資料進行分析挖掘時，往往可能會忽視某些金融市場交易常識與投資準則和經濟學原理，令相關投資策略面臨潛在的投資風險。

因此，越來越多歐美投資機構都在嘗試派遣程式設計師先過濾掉某些干擾資料，再使用chatGpt進行投資策略建模；

或者在chatGpt開展資料分析挖掘環節，透過技術手段先植入相關金融市場交易常識與投資準則，提升投資策略的業績可預測性。

三、總結

金融機構在利用chatGpt技術逐步賦能場景方面，有著巨大的想象空間。

在智慧營銷、智慧客服、風險識別、程式碼程式設計等方面都是chatGpt較好的應用方向。

但是目前chatGpt並不能進行量化投資。

因為投資策略一個重要特點是時效性，不斷變化的宏觀和微觀事件對金融市場都會造成巨大的影響。

而chatGpt依賴於網路上已有的海量文字資料，具有一定的滯後性。

所以，要將cha