（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。

至此我们已通过 ChatGPT 得到了一个风格轮动观测模型，如上文介 绍，该模型显示了近期价值风格与成长风格的相对强弱趋势变化图， 整个轨迹在四象限图中沿着逆时针方向旋转，截至 4 月底，轨迹运行 至一象限价值风格占优区域，表明目前价值风格相对于成长风格占 优。该模型是一个通用模型，我们将其简单修改调整即可用来观测任 意两组不同风格指数的强弱关系。

从截至 4 月底最新轮动状态来看，在大盘/小盘风格维度，大盘风格已 开始走出相对优势，与此同时，高估值风格相对于低估值风格的轮动 轨迹已进入三象限，表明低估值板块开始走强。

从绩优股与亏损股风格的相对轮动状态来看，截至 4 月底绩优股开始 逐步走强，轨迹刚刚进入一象限区域，同时今年以来表现最强势的 TMT 板块，相对于全市场的相对强弱已开始走弱，目前正处于二象限 区域，后续需关注其是否会继续走弱切换进入三象限，从模型逻辑角 度考虑，我们建议短期保持谨慎。

4.1 行业配置是获取超额收益的重要来源

从 A 股市场历年表现来看，行业分化现象均较为明显，除市场普跌的 2011 年、2016 年、2018 年外，其余各年份行业涨跌分化均较为明显。 今年以来截至 4 月 30 日，申万一级行业中传媒行业累计上涨 51.78%， 表现最为出色，同期商贸零售行业下跌 10.87%，最好最差行业表现相 差 62.65%，分化较为明显。

行业配置是获取超额收益的重要来源，如何把握行业轮动特征，如何 构建有效的行业轮动策略，是投资者重点关注的问题。影响行业涨跌 分化的原因有很多，此处我们从行业基本面景气变动角度出发，尝试 通过 ChatGPT 来构建一个实际可行的行业轮动策略。

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」