论文标题：

ChatGPT Informed Graph Neural Network for Stock Movement Prediction

作者单位：

斯蒂文斯理工学院

论文链接：

https://arxiv.org/pdf/2306.03763.pdf

研究内容：

ChatGPT在各种自然语言处理（NLP）任务中展现出显著的能力。然而，在推断 时序文本数据中的动态网络结构 方面，尤其是金融新闻，仍然是一个未开发的前沿领域。为了解决这一问题，作者引入了一个新的框架， 利用ChatGPT的图推断能力来增强图神经网络（GNN） 。提出的框架能够有效地从文本数据中提取不断演变的网络结构，并将其纳入图神经网络，用于后续的预测任务。实验结果表明，提出的模型在股票走势预测方面始终优于最先进的基于深度学习的基准模型。此外，基于提出模型的输出构建的投资组合不仅展现出更高的年化累计收益，还降低了波动率和最大跌幅。这一卓越表现突显了ChatGPT在基于文本的网络推断方面的潜力，并凸显了它对金融业的前景影响。

模型框架：结合图神经网络与ChatGPT用于股价预测

论文标题：

The Wall Street Neophyte: A Zero-Shot Analysis of ChatGPT Over

Multimodal Stock Movement Prediction Challenges

作者单位：

论文链接：

https://arxiv.org/pdf/2304.05351.pdf

研究内容：

最近，像ChatGPT这样的大型语言模型（LLMs）在各种自然语言处理任务中表现出显著的性能。然而，它们在金融领域的有效性，特别是在预测股市走势方面，仍有待于探索。在本文中，作者对ChatGPT在多模态股票走势预测中的能力进行了广泛的零样本学习能力分析，涉及三个推文和历史股票价格数据集。作者的研究结果表明，ChatGPT是一个 "华尔街新秀"，在预测股票走势方面的成功率有限，因为它不仅低于最先进的方法，而且也低于使用价格特征的线性回归等传统方法。尽管 "思维链 "提示策略有潜力，但ChatGPT的表现仍然不理想。此外，作者观察到其可解释性和稳定性的局限性，表明需要进行 更多的专门训练或微调 。这项研究提供了对ChatGPT能力的见解，并作为未来工作的基础，旨在通过 利用社交媒体情绪和历史股票数据 来改善金融市场分析和预测。

论文标题：

Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models

作者单位：

弗罗里达大学

论文链接：

https://arxiv.org/pdf/2304.07619.pdf

研究内容：

这篇论文研究了ChatGPT和其他大型语言模型在使用新闻头条的情感分析预测股市收益方面的潜力。具体地，作者使用ChatGPT来预测一个给定的标题对公司的股票价格来说是好的、坏的还是不相关的新闻。然后计算出一个数字分数，并记录了这些 "ChatGPT分数 "与随后的每日股市回报之间的正相关关系。此外，还证实了ChatGPT优于传统的情绪分析方法。另外，作者发现更基本的模型，如GPT-1、GPT-2和BERT不能准确预测回报，表明回报预测能力是复杂模型的一个新兴能力。论文的实验结果表明，将高级语言模型纳入投资决策过程可以产生更准确的预测，并提高量化交易策略的性能。

部分实验结果：累积收益率

论文标题：

Can ChatGPT Improve Investment Decision? From a portfolio management perspective

作者单位：

首尔国立大学

论文链接：

https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4390529

研究内容：

ChatGPT作为一种大型语言模型（LLM）最近在生成类人文本方面获得了极大的关注。虽然现有的研究大多集中在写作和语言翻译方面的应用，但ChatGPT在金融方面的潜力，特别是在投资方面的潜力，仍然没有得到开发。这项研究的目的是通过使用量化的方法，研究ChatGPT在帮助资产分配和多样化的投资组合管理方面的功效。作者使用ChatGPT来选择资产类别，并评估其选择的多样化效果。论文的结果表明，ChatGPT的选择在 指数选择的多样性方面比随机选择的资产在统计上有明显的优势 。作者还根据ChatGPT的选择构建了投资组合，发现它们的表现优于随机选择的资产组合。总的来说，这项研究有助于更好地理解像ChatGPT这样的LLMs作为投资组合经理的潜在助手的作用。

部分实验结果：ChatGPT与随机选择的投资组合的风险收益率