先做个广告：如需代注册ChatGPT或充值 GPT4.0会员（plus），请添加站长微信：gptchongzhi
使用ChatGPT开发股票量化策略
推荐使用GPT中文版,国内可直接访问：https://ai.gpt86.top
【本文只分享策略的原理，不推荐实盘交易】
TL;DR
使用chatGPT可以提高编写策略的效率。但对于不了解量化或编程的人来说，只使用chatGPT难以开发一个可实盘的量化策略
环境准备
joinquant的账号（注册地址）
ChatGPT账号（注册地址）[本次使用的是chatGPT4，chatGPT3.5也可以]
策略
本次要实现策略来源于德邦证券的一篇研报《金工小市值专题之一：小市值策略初探》。根据研报的描述，小市值策略的投资逻辑主要有以下四点
规模溢价：通过统计发现，中国A股市场中，公司规模和股票风险溢价存在负相关关系[1]；
卖空限制：由于中国股市没有完善的卖空机制，导致在一定时间范围内，股票的价格会更容易被错误定价；
投资者结构：中国股市中散户比例比较高，而散户对小市值股票会更加关注；
**壳价值**[2]：由于中国股市IPO采用的是核准制，上市的成本和要求都比较严格，因此一些公司会选择借壳上市，而借的这个壳，一般是会选择收购一些小市值的上市公司；
原始小市值策略也比较简单，即从基础股票池中筛选出流通市值最小的100只股票进行买入。如果持有的股票不在这100只股票里，则卖出。每个月调仓一次。基础股票池的条件为：
股票上市满1年；
不属于ST、*ST的股票；
股票换仓日尾盘非涨停；
非注册制、非北交所的股票；
开发流程
其实也没有什么好说的，毕竟chatGPT比较智能，就直接把你的需求跟他说就好，你能说的越具体（prompt工程），他写的代码就能越正确。比如在描述策略的时候，对话是
现在我需要在joinquant平台上面实现一个量化策略，具体描述如下:
交易市场: 中国A股市场
策略逻辑: 根据以下条件筛选出股票候选池：1.排除 ST 股、*ST 股；2. 排除北交所股票；3. 排除上市不满 20 日的次新股票。然后从候选池中选取流通市值最小的100只股票作为交易候选池。如果持有的股票不在交易候选池中则卖出。如果交易候选池的股票没有持有，则使用可用资金平均进行买入
调仓频率: 每个月的首个交易日
第一部分对话 - 背景设定
第一部分对话是为了确认chatGPT是否有joinquant平台开发的背景知识，它给了我一个示例策略的代码。不过这份代码在joinquant上面运行的时候是报错的。错误的原因是chatGPT编造了一个joinquant平台下单的API：order_target_percent，虽然把错误信息给到chatGPT后，它能识别出错误的原因，但是给出来新代码仍然是错误的。
这个时候就需要提供更多的信息，可以直接从joinquant平台上面找到下单的接口文档然后贴进去。这次chatGPT能够识别出需要的下单函数，并且给出可运行的代码。
第二部分对话 - 策略开发
第二部分对话开始开发小市值策略，chatGPT根据之前的描述给出了对应的代码，从结构上来看是正确的。但是遇到的问题和之前是一样的，chatGPT仍然会编造各种API，导致了报错，处理的方式和之前一样
最终chatGPT给出了在joinquant平台上面一个可运行的策略代码（代码地址）。整体逻辑和描述的基本一致，但是有些细微的地方实现还有问题，具体为：
逻辑错误：get_stock_pool函数只取了100只股票来作为候选池，实际上应该取所有满足条件的股票；
未来函数：使用了get_price函数在开盘时间点来获取当天的数据，这个在当前策略下不会影响到回测结果，但是该策略是无法实盘运行。并且chatGPT未能识别这个问题；
策略表现
回测时间 | 190101 - 230427 |
策略收益 | 80.59% |
年化收益 | 15.13% |
超额收益 | 36.32% |
最大回撤 | 19.40% |
总结
亮点：
将自然语言转变为代码：能根据需求的文字描述生成代码
纠错：贴出报错信息后能够找到报错的原因以及改正代码，和开发时候的debug有点像
接受上下文信息：不是简单的一问一答的方式
支持中文
缺点：
领域知识缺失：由于chatGPT是通用领域的模型，对于特定的领域知识，需要额外训练
无中生有：受第一点的影响，经常编各种不存在API
回答生成的内容有长度限制，如果代码过长就得分成好几段输出
chatGPT4限制3小时25个对话。。。。。
优化思路：
借助langchain[3]框架
利用openai平台提供的fine-tuning API[4]
参考资料
[1]
崔劲,殷霞,豁秋菊: CAPM模型在中国资本市场的改进研究——基于规模溢价的实证分析.
[2]
屈源育,沈涛,吴卫星: 上市公司壳价值与资源配置效率
[3]
langchain: https://github.com/hwchase17/langchain
[4]
fine-tuning: https://platform.openai.com/docs/guides/fine-tuning
网友评论