chatgpt股票投資美國 ChatGPT成股神!能預(yù)測股市走勢,投資回報率高達500%!
5月11日,美國頂級公立大學(xué)-佛羅里達大學(xué)金融學(xué)院公布了一項研究,將融合在投資模型中chatgpt股票投資美國,可以預(yù)測股市的走勢,投資回報率達到了驚人的500%,并且超過對沖基金使用的傳統(tǒng)股市情緒分析模型,堪稱AI界的“巴菲特”!
從論文內(nèi)容來看,其方法是用深度分析上市公司發(fā)布的新聞標題、內(nèi)容,來確定是好消息還是壞消息。然后,對這些內(nèi)容進行評級,再通過復(fù)雜的計算公式制成“指數(shù)”,結(jié)合公司的實時股價進行比對,以驗證的分析能力。
該研究使用了2021年10月至 2022年12月,CRSP(證券價格研究中心)公開的真實股市數(shù)據(jù)和新聞進行測試。由 提供的“多空策略”交易建議,在此期間獲得了超過500%的收益。
這一出色表現(xiàn)與同期購買和持有標準普爾 500 ETF的-12%回報率形成強烈對比。也就是說,的股票投資水平,已經(jīng)超過了專業(yè)金融分析師和傳統(tǒng)分析平臺。
論文地址:
研究主要發(fā)現(xiàn)
預(yù)測股市走勢方法
該研究模型主要由數(shù)據(jù)、提問設(shè)置、實證設(shè)計、結(jié)果4大塊組成。
數(shù)據(jù):使用了CRSP的數(shù)據(jù),包含紐交所、納斯達克、美國證劵交易中心的股票每日收益、新聞標題/內(nèi)容。時間范圍是2021年10月至 2022年12月。
提問設(shè)置:直接向提問上市公司的新聞,例如, 在甲骨文的侵權(quán)案件中被罰款630,000美元,這個消息在短時間內(nèi),對甲骨文的股價是好還是壞?
的回答是:該消息對甲骨文的股價是有利的,因為罰款可能會增加投資者對甲骨文保護其知識產(chǎn)權(quán)能力的信心,從而增加用戶對其產(chǎn)品和服務(wù)的需求。
而專業(yè)分析工具給出了負面消息,不利于甲骨文的股價。這充分體現(xiàn)了的擬人化分析能力。
實證設(shè)計:將的回答進行打分制,有利是1分;不利-1分;未知0分。如果一家上市公司在某一天有多個頭條新聞,會將其得分平均計算。
然后會觀察上市公司發(fā)布消息后其股價的波動情況,結(jié)合的評分進行線性回歸分析,并將其與股票研究機構(gòu)提供的分數(shù)進行比較。
結(jié)果:通過利用新聞標題數(shù)據(jù)和生成的評分制,發(fā)現(xiàn) 的評估數(shù)據(jù)chatgpt股票投資美國,與上市公司股票的每日回報之間存在很強的關(guān)聯(lián)性。
這一結(jié)果說明, 的評分對每日股市回報有顯著預(yù)測能力。為了進一步研究的能力,將 的評分與傳統(tǒng)的數(shù)據(jù)分析平臺進行了比較,發(fā)現(xiàn)遠遠高于傳統(tǒng)股市情緒分析模型。
對金融行業(yè)的影響
Two 、D E Shaw和 等幾家世界級對沖基金,已經(jīng)將股票情緒分析納入到自動化交易系統(tǒng)。股票情緒分析是金融分析師預(yù)測股市走勢的重要方法之一。
股票情緒分析主要包含投資者情緒指數(shù)、社交媒體和新聞分析、輿論監(jiān)測、市場交易數(shù)據(jù)分析等。
以社交媒體和新聞分析為例,通過對社交媒體(如微博、知乎、百度等)的文本進行大數(shù)據(jù)挖掘和自然語言處理技術(shù)分析,可以獲取投資者對特定股票,或整個市場的看法和情感。這些信息可用于預(yù)測股票價格和市場走勢。
這種復(fù)雜的組合分析方法,僅靠人工和傳統(tǒng)分析平臺根本無法做出精準實時的預(yù)測。而在理解股市頭條新聞及其影響方面的出色表現(xiàn),會加劇金融領(lǐng)域的“生成式AI軍備賽”。
關(guān)于佛羅里達大學(xué)
佛羅里達大學(xué)( of ,簡稱UF)創(chuàng)建于1853年,位于美國佛羅里達州的蓋恩斯維爾,是一所享有盛譽的公立研究型大學(xué),在全球范圍內(nèi)的排名表現(xiàn)較為出色。
根據(jù)2021年QS世界大學(xué)排名chatgpt股票投資美國,UF位居全球第162位。在2021年泰晤士高等教育世界大學(xué)排名中,UF排名在201-250名之間。
此外,根據(jù)2021年美國新聞與世界報道的全球大學(xué)排名,佛羅里達大學(xué)位列第103位。
免責(zé)聲明:本文系轉(zhuǎn)載,版權(quán)歸原作者所有;旨在傳遞信息,不代表本站的觀點和立場和對其真實性負責(zé)。如需轉(zhuǎn)載,請聯(lián)系原作者。如果來源標注有誤或侵犯了您的合法權(quán)益或者其他問題不想在本站發(fā)布,來信即刪。
聲明:本站所有文章資源內(nèi)容,如無特殊說明或標注,均為采集網(wǎng)絡(luò)資源。如若本站內(nèi)容侵犯了原著者的合法權(quán)益,可聯(lián)系本站刪除。