ChatGPT应用市场分析

ChatGPT应用市场分析1引言2023年5月13日，OpenAI宣布对其ChatGPTPlus用户推出网络浏览及插件功能。此次更新为ChatGPTPlus用户带来了巨大的变革，用户可以通过网络浏览功能获取最新的信息，不再局限于处理到2021年为止的数据。此外，Plus用户可以通过插件功能与现有平台进行集成，可以访问如Expedia，Kayak和Instacart等网络服务的第三方插件，也可以指示ChatGPT在特定网站上执行任务。ChatGPT的第三方插件推出速度较快，截至2023年6月13日，已经有385个插件应用上线，同时OpenAI也在不断改善插件的使用体验，如目前已提供了插件的检索功能，方便用户快速找到所需要的插件。2部分办公应用类插件介绍2.1WolframWolfram插件是由科学计算软件开发商WolframResearch公司开发的应用插件。WolframResearch是一家全球知名的科学和技术公司，其产品包括Mathematica、WolframAlpha、WolframLanguage等。其中Mathematica是一款强大的数学软件，被广泛用于科学、工程、数学和计算领域。它提供了一种统一的接口，可以进行符号计算、数值计算、数据可视化和编程等多种任务。WolframAlpha是一个在线的计算知识引擎，可以理解自然语言输入，对各种问题进行计算和回答。它的知识库包括了数学、物理、化学、生物、地理、历史等多个领域。Wolfram插件可以使用WolframAlpha和WolframCloud的强大计算和数据查询能力，为用户提供数学计算、物理、化学、生物、地理、历史等不同领域的知识，同时也可以实现数据可视化和生成图像。Wolfram插件的接入大大弥补了ChatGPT本身在数学运算等方面的不足。Wolfram插件大幅提升了ChatGPT在知识储备方面的能力，但并非所有的数学计算都能准确完成。对于复杂度较高的数学问题，仍然需要通过其他途径解决。2.2AskYourPDF&ChatWithPDFAskYourPDF插件设计用于从PDF文档中快速提取信息。它通过接受用户提供的PDFURL链接或文档ID（doc_id）来工作。如果提供了URL，插件会首先验证它是否是正确的URL。验证URL后，插件将会下载PDF并将其内容存储在向量数据库中。如果用户提供了doc_id，则直接从数据库中检索文档。然后，插件扫描存储的PDF，找到用户查询的答案或检索特定细节。ChatWithPDF插件允许用户加载和查询PDF文档或GoogleDrive文档。用户必须首先提供一个PDFURL进行处理。一旦PDF加载，用户可以查询、分析或提出问题，无需每次都指定PDF名称。这两个插件从功能来看相似度比较高，都可以解析读取PDF文件，并且交互提问，但首先必须是公开可获得的URL链接，因此我们测试将宁德时代2022年年报PDF文档上传至，并测试二者的使用效果（上传文件后创建的是临时URL，将在60分钟后失效，以下链接为测试链接）。从测试结果来看，ChatWithPDF在解析PDF文件时遇到了问题，给出的回复存在明显的数据错误，而AskYourPDF插件能精确提取财报信息并给出了准确的数据总结。此外，AskYourPDF也能较好的完成一定的内容整合和分析任务。AskYourPDF与ChatWithPDF是最早上线的两款处理PDF文本的插件应用，后续陆续上线了多款含有类似功能的插件，不同的PDF文档处理插件有不同的优势和应用场景，用户可以根据自己的需求选择合适的插件来完成特定任务。2.3WebPilotWebPilot是一个用于访问和交互网页的工具。通过这个插件，ChatGPT可以访问指定的网页链接，获取网页的内容，然后根据用户的需求进行处理，例如提取特定的信息，重写内容，翻译等。除浏览网页检索信息外，还可以使用WebPilot插件处理公开的PDF链接等，我们以近期热度较高的论文《CanChatGPTForecastStockPriceMovements?ReturnPredictabilityandLargeLanguageModels》为例，尝试通过WebPilot插件来总结论文信息并交互。3金融市场相关插件测试对比3.1PortfolioPilotPortfolioPilot是最早上线的一批插件之一，也是第一个上线的组合管理相关的插件。该插件是由GlobalPredictions公司开发的AI驱动的投资指导工具。它可以提供全面的投资组合评估，个性化的投资组合建议，以及获取关于各种证券（如ETFs，股票，加密货币，债券和共同基金）的最新信息。此外，它还可以提供有关宏观经济趋势的信息。我们以组合评估为例，输入一个特定的资产组合，PortfolioPilot可以帮我们分析该组合的预期收益、行业及国家暴露情况、潜在风险以及对应的改进方案等等。其中，全球预测模型是GlobalPredictions公司开发的AI模型，该模型使用了一种复杂的机器学习方法来预测证券的预期收益和风险。这种方法结合了大量的数据，包括宏观经济数据、公司财务数据、市场数据和新闻情绪等，以生成对未来收益和风险的预测。其结果是否可信需要投资者自行评估或进行更为深入的了解，不过该插件确实可以解决普通投资者在实际投资过程中遇到的一些问题，对于将来国产大模型的应用落地可以提供一定的参考。此外，由于数据限制，目前无法提取和处理A股相关的证券信息。3.2BoolioInvestBoolioInvest是一个基于定量方法进行分析的全球股票价值分析工具，可以帮助用户获取特定国家和股票的详细信息。Boolio插件的主要功能是通过"postApiStockSummary"方法，提供给定国家和股票的摘要信息。插件返回的信息包括当前价格、历史价格、市值、交易量、股息等。该插件目前可以获取A股上市公司的股票信息和分析结果。不过该插件不支持以组合的形式进行交互和信息提取，如想获取大量股票的信息较为困难。从反馈的信息来看，BoolioInvest插件不仅提供了基础的公司信息、财务信息、价格信息及风险信息等，同时也提供了不同定量模型给出的评分情况，然而与PortfolioPilot插件类似，这些定量模型的开发细节等均未提供，对于其结果的可信度如何，还需要投资者更深入的了解其策略细节，方可应用。3.3PortfoliosLabPortfoliosLab是一个用于分析股票、ETFs、基金、加密货币等的工具。它可以提供历史性能、波动性、风险指标、夏普比率、最大回撤等详细信息。我们以VanguardTotalStockMarketETF和VanguardS&P500ETF为例，通过PortfoliosLab提取两只产品相应的数据信息。从数据覆盖角度来看，PortfoliosLab也无法提取A股上市公司或基金产品的信息。以上三个插件有一定的相似性，但也有较大的区别，我们综合对比了PortfolioPilot、PortfoliosLab和BoolioInvest三个插件的功能区别，可以看到，PortfolioPilot除了无法提供全球股票价值分析外，其他方面的功能性在三个插件中是最为完善的，相较而言具有明显优势。但不同的插件都有各自不同的应用场景，用户可以根据特定的需求选择使用不同的插件，以更好的实现目标。4使用Noteable插件完成复杂投资策略开发在报告《ChatGPT在择时、风格、行业、选股中的应用实践——ChatGPT应用探讨系列之二》中我们曾利用ChatGPT的编程能力实现了部分投资策略，不过基于ChatGPT聊天窗生成的代码无法直接运行，需要将代码复制到本地运行及调试。Noteable插件的上线大大降低了投资者建立复杂模型的难度。Noteable插件允许用户在聊天界面中直接创建、编辑和运行Jupyter笔记本。这个插件提供了一种新的、交互式的方式来进行数据分析和机器学习的工作，无需离开聊天界面。具体来看，该插件具有以下功能：1）创建和编辑笔记本：用户可以创建新的Jupyter笔记本，并在其中添加和编辑代码、Markdown或SQL单元。这使得用户可以在一个统一的环境中进行编程和文档编写。2）运行代码：用户可以运行笔记本中的代码单元，并在聊天界面中看到结果。这使得用户可以快速地进行实验和调试。3）管理项目和文件：用户可以创建和管理项目，每个项目可以包含多个笔记本和数据文件。用户还可以查看项目中的文件列表，以及每个文件的详细信息。4）数据源管理：用户可以查看和管理笔记本的数据源，这使得用户可以方便地进行数据分析和机器学习任务。5）内核管理：用户可以查看和管理他们的内核会话，包括启动和关闭内核。6）用户信息管理：用户可以查看他们的Noteable账户信息，这对于调试权限问题非常有用。这些功能都是通过Noteable插件的各种命令来实现的，用户可以在聊天界面中直接输入这些命令来使用这些功能。4.1使用Noteable插件实现数据下载及可视化分析我们首先通过Noteable插件实现对纳斯达克指数最近一年的表现进行EDA数据分析。除了通过API接口下载数据外，我们还可以将本地的数据上传至Noteable平台，再通过ChatGPT来完成策略的开发和实现。需要注意的是目前Noteable平台只能上传25个文件，且每个文件不超过100M，对于更大规模的数据，可以将数据上传到Noteable支持的云存储服务，如AmazonS3，GoogleCloudStorage，AzureBlobStorage等。然后在Noteable中配置数据源以访问这些数据。或者如果数据存储在数据库中，如MySQL，PostgreSQL，MongoDB等，也可以在Noteable中配置数据库连接。这将允许直接从Noteable查询和处理数据库中的数据，大幅提升了数据处理效率。4.2使用Noteable插件构建机器学习择时模型通过Noteable插件可以实现大量模型的开发和测试，我们以择时策略为例，通过Noteable来构建一个LTSM模型对沪深300指数的择时策略。4.3使用Noteable插件训练财务造假预测模型接下来我们通过Noteable插件完成一个简单的财务造假预测模型的训练。为此我们需要首先准备基础数据，我们的造假样本为2002年之后，A股市场被中国证监会、沪深两市交易所公开确定为财务造假的上市公司。剔除IPO之前以及新股上市当年造假的数据，对于同一家上市公司连续多个年度造假的数据，仅保留其首次造假年份作为研究数据。此外，我们采用控制样本匹配法，选取造假样本当年同行业所在的上市公司（剔除被证监会、交易所处罚的公司）作为对照样本。在特征指标筛选方面，我们结合公司参与年报财务造假的动机、常见的手段，重点以财务指标为研究对象，整理了包括审计师意见、