注:考虑到ChatGPT在回答英语问题时的速度明显快于回答中文问题的速度,所有的问题都使用英文提问。 近日,QIML分享了一篇关于ChatGPT撰写量化书籍的文章,引起了强烈反响。
为此,QIML与ChatGPT进行了深度测试,来看看它到底适不适合干量化!
文章概况(包括14个核心内容)
- 关于数据
- 关于策略回测
- 关于量化研究
- 关于另类数据
- 关于统计与机器学习
关于数据
当问到是否有开源工具可以下载中国股票数据时,ChatGPT推荐了Tushare,并在后面给出了下载股票数据的实例代码。并温馨的提示,使用Tushare前需要申请相关的Token。
![](https://developer.qcloudimg.com/http-save/1262632/3f5ef8700d45f60f18943da7e176f7bf.png?imageView2/2/w/2560/h/7000)
![](https://developer.qcloudimg.com/http-save/1262632/cd1aa1aba0977b4f3f3abb969fd1fbdb.png?imageView2/2/w/2560/h/7000)
关于策略回测
我们要求ChatGPT介绍相关适用于A股市场的策略回测框架,并指定了VNPY。ChatGPT给出的答案都是比较成熟且流行的开源回测框架。
![](https://developer.qcloudimg.com/http-save/1262632/7bed5280d3e1ae4825e9800d0b82f44c.png?imageView2/2/w/2560/h/7000)
接下来,使用vnpy实现了一个通道突破的趋势跟踪策略。可能是由于网络或者服务压力的原因,在生成比较长的答案的时候,ChatGPT经常会在回答到中途时停止生成答案。
![](https://developer.qcloudimg.com/http-save/1262632/e56e1985b16bf04f80dda1ab340cdc2a.png?imageView2/2/w/2560/h/7000)
如何用Backtrader实现配对交易策略。
![](https://developer.qcloudimg.com/http-save/1262632/a1e24cdf54b56895a52a290b8dc7f922.png?imageView2/2/w/2560/h/7000)
关于量化研究
如何使用风险模型进行组合优化,ChatGPT提到了常用的组合优化模型,其中也包括风险平价模型,并主动给出了使用cvxpy进行优化求解的实例代码。
![](https://developer.qcloudimg.com/http-save/1262632/289cb83f6c562207cac84900624a5b85.png?imageView2/2/w/2560/h/7000)
当问到如何有效的评估因子时,ChatGPT竟然能够主动给出分组测试的代码:
![](https://developer.qcloudimg.com/http-save/1262632/1538e532e0991e2169ef732249c64f47.png?imageView2/2/w/2560/h/7000)
关于另类数据
给出另类数据在因子投资中的相关应用,回答中规中矩:
![](https://developer.qcloudimg.com/http-save/1262632/5bb46c76ed85a7c62d08b911b6ea78ed.png?imageView2/2/w/2560/h/7000)
特别针对供应链数据在因子投资中的应用,ChatGPT的回答确实给了我们有用的参考。
![](https://developer.qcloudimg.com/http-save/1262632/f0e9c15dc4f3968b826548a0eab3996f.png?imageView2/2/w/2560/h/7000)
关于统计与机器学习
怎么使用Pandas进行滚动回归计算?
![](https://developer.qcloudimg.com/http-save/1262632/95433b272573c31e6f2d0a1bafee51a4.png?imageView2/2/w/2560/h/7000)
如何使用机器学习进行市场冲击的预测?
![](https://developer.qcloudimg.com/http-save/1262632/dffbf8669a1dff9f84c64246f5741b44.png?imageView2/2/w/2560/h/7000)
使用Transformer进行股价短期预测的实例代码:
![](https://developer.qcloudimg.com/http-save/1262632/cd6c274bb314f6ef782cb85daccf89f6.png?imageView2/2/w/2560/h/7000)
如何对两个变量的因果关系进行统计检验,ChatGPT不但给出了多种统计检验的理论,还给出了相关代码:
![](https://developer.qcloudimg.com/http-save/1262632/989439eefa10ed34f742f67e7b7b570f.png?imageView2/2/w/2560/h/7000)
给出使用Optuna进行lightgbm超参数优化的代码:
![](https://developer.qcloudimg.com/http-save/1262632/8d7b2216c2cc53fea19ecd6307c47495.png?imageView2/2/w/2560/h/7000)
最后
以上所有的问题,ChatGPT都给予了QIML非常满意的答案。
ChatGPT虽然无法完成复杂的策略构建并直接生成稳健的量化策略,但可以极大的提高量化研究人员获取知识的效率。
在日常研究过程中,ChatGPT可以作为我们得力的助手!