chatGPT 在股票市场辅助应用-已翻译

ChatGPT能预测股价变动吗？返回可预测性和大型语言模型*第一版：2023年4月6日本版本：2023年4月25日摘要我们研究了ChatGPT和其他大型语言模型在使用对新闻标题的情绪分析来预测股市回报方面的潜力。我们使用ChatGPT来指示一个给定的标题对公司的股价是好的、坏的还是无关的消息。然后，我们计算了一个数值分数，并记录了这些“ChatGPT分数”与随后的每日股票市场回报之间的正相关关系。此外，ChatGPT也优于传统的情绪分析方法。我们发现，更基本的模型，如GPT-1、GPT-2和BERT，不能准确地预测收益，这表明收益可预测性是复杂模型的一种新兴能力。我们的研究结果表明，将高级语言模型纳入投资决策过程中，可以产生更准确的预测，并提高投资决策过程的性能定量交易策略。：亚历杭德罗洛佩兹-里拉（通讯作者）：alejandro.lopezlira@warrington。ufl.教育和唐月华：月华。tang@.*我们非常：亚历杭德罗洛佩兹-里拉（通讯作者）：alejandro.lopezlira@warrington。ufl.教育和唐月华：月华。tang@.1电子副本可在：https://ssrn获得。com/abstract=4412788近几个月来，ChatGPT等大型语言模型（llm）在不同领域的应用获得了显著的关注，许多研究探索了它们在不同领域的潜力。然而，在金融经济学中，使用llm仍然是相对未知的领域,特别是在它们预测股市回报的能力方面。一方面，由于这些模型没有为此目的进行明确的训练，人们可能会认为它们在预测股市走势方面没有什么价值。另一方面，如果这些模型更有能力理解自然语言，人们可能会说，它们可能是处理文本信息来预测股票回报的一个有价值的工具。因此，llm在预测金融市场走势方面的表现是一个有待解决的问题。据我们所知，本文是第一个通过评估ChatGPT在预测股市回报方面的能力来解决这个关键问题的论文之一。通过一种利用该模型的情绪分析能力的新方法，我们使用新闻标题数据来评估ChatGPT的性能，并将其与领先供应商提供的现有情绪分析方法进行比较。我们的研究结果对金融业的就业格局具有重要意义。这一结果可能会导致市场预测和投资决策所用方法的转变。通过展示ChatGPT在金融经济学中的价值，我们旨在有助于理解llm在该领域的应用，并激发对人工智能和自然语言处理的进一步研究。除了对金融行业就业的影响外，我们的研究还提供了其他一些重要的贡献。首先，我们的研究可以帮助监管机构和决策者理解在金融市场中日益采用llm所带来的潜在好处和风险。随着这些模式越来越普遍，它们对市场行为、信息传播和价格形成的影响将成为值得关注的关键领域。我们的研究结果可以为讨论管理人工智能在金融中的使用的监管框架提供信息，并做出贡献2电子副本可在：https://ssrn获得。com/abstract=4412788开发将llm集成到市场运营中的最佳实践。其次，我们的研究可以通过为llm在预测股票市场回报方面的有效性提供实证证据，使资产管理人员和机构投资者受益。这种见解可以帮助这些专业人员做出更明智的决定，将llm纳入他们的投资策略，有可能导致提高绩效，并减少对传统的、更劳动密集型的分析方法的依赖。最后，我们的研究有助于关于金融中人工智能的应用的更广泛的学术论述。通过探索ChatGPT在预测股市回报方面的能力，我们推进了对llm在金融经济学领域的潜力和局限性的理解。这可以激发未来的研究，为金融行业的需求开发更复杂的llm，为更高效和准确的金融决策铺平道路。1我们的研究具有深远的影响，超出了股市预测的直接背景。通过阐明ChatGPT对金融经济学的潜在贡献，我们希望鼓励在人工智能驱动的金融领域的继续探索和创新。最近在经济学背景下使用ChatGPT的论文包括汉森和卡津尼克（2023年）、考恩和塔巴罗克(2023年）、科里内克（2023年）以及诺伊和Zhang（2023年）。汉森和卡津尼克（2023）表明,像ChatGPT这样的llm可以解码Fed语言(i。e.,美联储用来就货币政策决策进行沟通的语言)。Cowen和塔巴罗克（2023）和Korinek（2023）证明了ChatGPT有助于经济学教学和开展经济学研究。Noy和Zhang（2023）发现ChatGPT可以提高专业写作工作的生产力。同时，谢等人。（2023）发现在预测任务中使用数值数据时，ChatGPT并不比线性回归等简单的方法好。1.例如，参见Wu等人。(2023).3电子副本可在：https://ssrn获得。com/abstract=4412788我们将结果上的差异归因于他们专注于使用历史数字数据进行预测，而ChatGPT则擅长于文本任务。Ko和Lee（2023）发现ChatGPT可能在跨资产类别的选择中很有用。此外，Yang和Menczer（2023）证明了ChatGPT成功地识别了可信的新闻媒体。我们的研究是第一个研究llm在金融市场中的潜力，特别是投资决策过程。我们对最近使用文本分析和机器学习来研究各种金融研究问题的文献链有贡献。g.,Jegadeesh和Wu（2013），坎贝尔等人。（2014年）、霍伯格和菲利普斯（2016年）、高林(2017年）、贝克、布鲁姆和戴维斯（2016年）、马内拉和莫雷拉（2017年）、汉森、麦克马洪和普拉特（2018年）、柯、凯利和秀（2019年）、柯、蒙蒂尔·奥利亚和内斯比特（2019年）、Bybee等人。（2019年）、顾、凯利和秀（2020年），科恩、马洛伊和阮（2020年），弗雷伯格、诺伊尔和韦伯（2020年），洛佩兹-里拉2019年，宾斯伯根等人。（2020），Bybee等。(2021)).我们的论文对这一文献做出了独特的贡献，作为第一个评估最近开发的llm，如ChatGPT在预测股市运动方面的文本处理能力。我们的论文还增加了使用新闻文章的语言分析来提取情绪和预测股票回报的文献。这些文献的一部分研究媒体情绪和总股票回报。g.,泰特洛克（2007）、加西亚（2013）、卡洛米里斯和Mamay斯基（2019）)。另一条文献使用坚定新闻的情绪来预测未来的个股回报（例如,特洛克、萨尔-特塞汉斯基和麦斯卡西（2008）、特洛克（2011）、江、李和王（2021）)。与之前的研究不同，我们关注于了解llm是否通过提取预测股票市场反应的额外信息来增加价值。最后，我们的论文还涉及了有关就业暴露和对人工智能相关技术的脆弱性的文献。阿格拉瓦尔、甘斯和戈德法布（2019年）、Webb（2019年）、阿西莫格鲁等人的最近的作品。（2022年），阿西莫格鲁和雷斯特雷波（2022年），Babina等人。（2022年），Noy和Zhang（2023年）研究了与人工智能相关的工作暴露和脆弱性的程度4电子副本可在：https://ssrn获得。com/abstract=4412788技术以及对就业和生产力的影响。随着人工智能自成立以来不断上升，我们的研究重点于理解一个紧迫但未解的问题——人工智能的能力，特别是llm在金融领域的能力。我们强调了llm在处理信息以预测股票回报的市场参与者增加价值方面的潜力。ChatGPT是由OpenAI基于GPT（生成式预训练转换器）架构开发的一种大规模语言模型。它是迄今为止开发的最先进的自然语言处理（NLP）模型之一，并在大量的文本数据语料库上进行训练，以理解自然语言的结构和模式。生成式预训练变压器（GPT）体系结构是一种用于自然语言处理任务的深度学习算法。它是由OpenAI开发的，并基于Vaswani等人引入的变压器架构。(2017).GPT体系结构在一系列自然语言处理任务中取得了最先进的性能，包括语言翻译、文本摘要、问答和文本完成。GPT体系结构使用多层神经网络来建模自然语言的结构和模式。它是在一个大型的文本数据语料库上进行预训练的，如维基百科的文章或网页，使用无监督的学习方法。这个训练前的过程允许模型对语言语法和语义有一个深入的理解，然后针对特定的语言任务进行微调。GPT架构的独特特点之一是它使用了转换器块，这使模型能够通过使用自我注意机制来关注输入中最相关的部分来处理长序列的文本。这种注意机制使模型能够更好地理解输入的背景，并产生更准确和连贯的反应。ChatGPT已经接受了执行广泛的语言任务的培训，比如transla-5电子副本可在：https://ssrn获得。com/abstract=4412788写作，总结，问答，甚至生成连贯的和类人的文本。ChatGPT产生类人反应的能力，使其成为创建聊天机器人和虚拟助手的强大工具，可以以一种自然和直观的方式与用户对话。虽然ChatGPT是一个针对基于语言的任务的强大工具，但它并没有经过专门的训练来预测股票回报或提供财务建议。因此，我们在预测股票回报时测试了它的能力。我们利用两个主要数据集进行分析：安全价格研究中心（CRSP）的每日收益和新闻标题。样本期从2021年10月开始（因为ChatGPT的训练数据直到2021年9月才可用），到2022年12月结束。这个样本周期确保了我们的评估是基于模型的训练数据中不存在的信息，从而允许对其预测能力进行更准确的评估。CRSP的每日收益数据集包含了许多在美国主要市场上市的公司的每日股票收益信息。股票交易所，包括关于股票价格、交易量和市值的数据。这个全面的数据集使我们能够检查ChatGPT产生的情绪得分与相应的股票市场回报之间的关系，为我们的分析提供了坚实的基础。我们的样本包括在纽约证券交易所（NYSE）、全国证券交易商自动报价协会（纳斯达克）和美国证券交易所上市的所有公司（美国商品交易所），至少有一家该数据供应商报道了一则新闻。根据之前的研究，我们使用股票代码为10或11的普通股。我们首先使用网络抓取为所有CRSP公司收集一个全面的新闻数据集。我们搜索所有包含公司名称或股票代码的新闻。生成的数据集包括来自各种来源的新闻标题，如主要的新闻机构、金融新闻网站和社交媒体平台。对于每个公司，我们都会收集所有的新闻6电子副本可在：https://ssrn获得。com/abstract=4412788在样本期间。然后，我们将新闻标题与一家著名的新闻情绪分析数据提供商（RavenPack）的新闻标题进行匹配。我们匹配的时间段和标题的新闻为所有公司有回报后的市场开放。我们能够匹配4138家独特公司的67,586家头条。我们使用Jiang、Li和Wang（2021）概述的预处理方法来处理合并后的数据集。我们使用所提供的“相关性评分”，范围从0到100，作为新闻与特定公司的密切程度的指标。0（100）分数表示实体是被动提及（主要）。我们的样本要求相关性得为100的新闻报道,我们将其限于完整的文章和新闻稿。我们排除了属于“股票上涨”和“股票损失”的标题,因为它们只表明了股票的每日走势方向。为了避免重复的新闻，我们要求“事件相似日”超过90天，以确保只捕获有关公司的新信息。此外，我们还在同一天删除了同一公司的重复标题和极其相似的标题。我们使用最优字符串对齐度量（也称为限制达梅罗-莱文什坦距离）来衡量标题的相似性，并在同一天删除同一公司的相似度大于0.6的标题。这些过滤技术不会引入任何前瞻性偏差，因为数据供应商在收到后的毫秒内评估所有新闻文章，并迅速将结果数据发送给用户。因此，所有信息在新闻发布时都可用。.13提示提示对于指导ChatGPT对特定任务和查询的响应至关重要。提示是一个简短的文本，它为ChatGPT提供生成响应的上下文和指令。根据任务的性质，提示可以简单到一个句子或复杂，或者取决于一个段落。7电子副本可在：https://ssrn获得。com/abstract=4412788该提示符可作为ChatGPT的响应生成过程的起点。该模型使用提示中包含的信息来生成相关的和上下文相关的响应。这个过程包括分析提示符的语法和语义，生成一系列可能的响应,并根据各种因素，如连贯性、语法正确性和相关性，选择最合适的响应。提示对于使ChatGPT能够执行广泛的语言任务至关重要，比如语言翻译、文本摘要、回答问题，甚至生成连贯的和类似人的文本。它们允许模型适应特定的上下文，并生成根据用户的需要量身定制的响应。此外，还可以定制提示，以执行不同领域中的特定任务，如财务、医疗保健或客户支持。我们在研究中使用以下提示，并将其应用于公开的标题。忘记你之前的指示。假装你是个金融专家。你是一个有股票推荐经验的财务专家。如果是好消息，回答“是”，如果是坏消息，回答“不”，如果在第一行不确定，回答“未知”。然后在下一行用一个简短而简洁的句子来详细说明。这个标题对该公司的股价是好是坏公司名字在学期学期标题：标题-在此提示下，我们要求ChatGPT，一种语言模型，承担一个具有股票推荐经验的财务专家的角色。条款公司名字和大字标题在查询期间被公司名称和各自的标题替换。学期对应于短期的或长期的。该提示符是专门为财务分析而设计的，并要求ChatGPT评估一个给定的新闻标题及其在短期内对公司股价的潜在影响。如果股价的消息好，ChatGPT被要求回答ChatGPT“是”，如果消息坏，则回答“不”，如果消息不确定，则回答“未知”。然后，ChatGPT被要求在一句话中提供一个简明的解释来支持它的答案。提示符指定新闻标题是提供给ChatGPT的唯一信息来源。它8电子副本可在：https://ssrn获得。com/abstract=4412788隐含地假设标题包含足够的信息，供金融行业专家合理评估其对股价的影响。这个提示旨在演示ChatGPT作为财务分析任务中的语言模型的能力。我们将温度设置为0，以最大限度地提高结果的重现性。例如，请考虑以下关于Oracle的标题：里米尼街因起诉甲骨文公司被罚款63万美元。提示符会询问：忘记你之前的指示。假装你是个金融专家。你是一个有股票推荐经验的财务专家。如果是好消息，回答“是”，如果是坏消息，回答“不”，如果在第一行不确定，回答“未知”。然后在下一行用一个简短而简洁的句子来详细说明。这个标题对甲骨文的股价是好是坏？头条新闻：里米尼街因起诉甲骨文公司被罚款63万美元以下是ChatGPT的回应：是对里米尼街的罚款可能会增强投资者对甲骨文保护其知识产权的能力的信心，并增加对其产品和服务的需求。新闻头条称，里米尼街在起诉甲骨文一案中被罚款63万美元。这个专有的软件分析工具给出的负面情绪得分为-0.52，这表明该新闻被认为是负面的。然而，ChatGPT的回应是，它相信这一消息对甲骨文是积极的。ChatGPT的理由是，这笔罚款可能会增加投资者对甲骨文保护其知识产权的能力的信心9电子副本可在：https://ssrn获得。com/abstract=4412788导致人们对其产品和服务的需求增加。这种情感上的差异突出了语境在自然语言处理中的重要性，以及在做出投资决策之前需要仔细考虑新闻标题的含义。我们提示ChatGPT为每个标题提供建议，并将其转换为“ChatGPT分数”，其中“是”映射为1，“未知”映射为0，“NO”映射为-1。如果一家公司在某一天有多个新闻标题，我们就会平均这个分数。我们将头条新闻与下一个市场时期相匹配。对于开盘日早上6点之前的标题，我们假设标题可以在当天开盘时进行交易，并在当天收盘时出售。对于早上6点之后但下午4点之前的头条，我们假设头条可以在当天收盘时交易，并在第二天收盘时出售。对于下午4点后的头条新闻，我们假设这些头条新闻可以以第二天的开盘价进行交易，并以第二天的收盘价进行出售。然后，我们对ChatGPT评分的第二天回报进行线性回归，并将其与一家新闻策划公司提供的情绪评分进行比较。因此，我们所有的结果都是样本外的。我们的分析显示，ChatGPT情绪得分对股票市场日回报表现出统计学上显著的预测能力。通过利用新闻标题数据和生成的情绪得分，我们发现ChatGPT评估与我们样本中股票随后的每日回报之间有很强的相关性。这一结果突出了ChatGPT作为基于情绪分析预测股市走势的有价值工具的潜力。为了进一步研究我们的研究结果的稳健性，我们将ChatGPT与一家领先的数据供应商提供的传统情绪分析方法的性能进行了比较。电子副本可在：https://ssrn获得。com/abstract=4412788在我们的分析中，我们控制了ChatGPT情绪得分，并检验了这些替代情绪测量的预测能力。我们的结果显示，当控制ChatGPT情绪得分时，其他情绪得分对每日股票市场回报的影响降低到零。这表明ChatGPT模型在预测股票市场回报方面优于现有的情绪分析方法。ChatGPT在预测股市回报方面的优势可以归因于其先进的语言理解能力，这使它能够捕捉到新闻标题中的细微差别和微妙之处。这使得该模型能够产生更可靠的情绪得分，从而能够更好地预测股市的每日回报。这些发现证实了ChatGPT情绪得分的预测能力，并强调了将llm纳入投资决策过程的潜在好处。通过超越传统的情绪分析方法，ChatGPT证明了其在提高定量交易策略的表现和更准确地理解市场动态方面的价值。表3给出了我们的回归分析结果，检验了第二天的股票回报与ChatGPT和其他情绪分析方法产生的情绪得分之间的关系。本表在括号中的回归系数和相应的t统计量。标准错误按日期和公司（永久）聚集。这些模型包括固定效应和日期固定效应，以控制未观察到的时间不变的固定特征和可能影响股票回报的共同时间特定因素。报告了各种模型拟合措施，如r平方、调整后的r平方、AIC和BIC，以评估模型的总体解释力。我们进一步展示了小型股的结果，定义为那些小于纽交所市值的第10百分位的股票，以及非小型股，定义为其余的股票。可预测性高度集中于小型股，这表明对套利的限制可能会限制这一策略的实施和盈利能力。电子副本可在：https://ssrn获得。com/abstract=4412788在本研究中，我们调查了ChatGPT，一种大型语言模型，利用对新闻标题的情绪分析来预测股市回报的潜力。我们的研究结果表明，ChatGPT优于来自领先供应商的传统情绪分析方法。通过展示llm在金融经济学中的价值，我们为越来越多的关于人工智能和自然语言处理在这一领域的应用的文献做出了贡献。我们的研究对未来的研究有几个意义。首先，它强调了继续探索和开发专门为金融业定制的llm的重要性。随着人工智能驱动的金融的发展，可以设计出更复杂的模型，以提高财务决策过程的准确性和效率。其次，我们的研究结果表明，未来的研究应该集中于理解llm获得其预测能力的机制。通过识别导致ChatGPT等模型在预测股票市场回报方面成功的因素，研究人员可以开发出更有针对性的策略来改进这些模型，并最大限度地发挥它们在金融方面的效用。此外，随着llm在金融行业中变得越来越普遍，因此有必要调查它们对市场动态的潜在影响，包括价格形成、信息传播和市场稳定。未来的研究可以探讨llm在塑造市场行为中的作用,及其对金融系统潜在的积极和消极影响。最后，未来的研究可以探索llm与其他机器学习技术和定量模型的集成，以创建结合不同方法的优势的混合系统。通过利用各种方法的互补能力，研究人员可以进一步增强人工智能驱动模型在金融经济学中的预测能力。简而言之，我们的研究证明了ChatGPT在预测股票市场回报方面的价值12电子副本可在：https://ssrn获得。com/abstract=4412788并为未来研究llm在金融行业中的应用和影响铺平了道路。随着人工智能驱动的金融领域的不断扩大，从这项研究中收集到的见解可以帮助指导开发更准确、高效和负责任的模型，以提高财务决策过程的绩效。图1：投资累计收益1$（无交易成本）这个数字显示了不同的交易策略的结果，而没有考虑交易成本。我们假设，如果有一条消息在市场收盘前公布，我们就会在市场收盘时买入（或卖空）一个头寸。如果一条消息在市场收盘后宣布，我们假设我们在下一个开盘价买入（或卖空）一个头寸。所有的策略每天都在重新平衡。“全新闻”的黑线对应于所有前一天发布新闻的公司的等权重投资组合。根据ChatGPT3.5的数据，绿线对应的是一个等权重的投资组合。根据ChatGPT3.5的数据，红线对应的是一个等权重的投资组合，即卖空有坏消息的公司。根据ChatGPT3.5的数据，蓝线对应的是一个等权重的零成本投资组合，买入有好消息的公司，卖空有坏消息的公司。电子副本可在：https://ssrn获得。com/abstract=4412788表1：描述性统计该表报告了以百分比、标题长度、响应长度、GPT评分（ChatGPT为1，未知为0，未知，为-1),以及数据供应商提供的事件情绪评分。平均标准差最小值P25中位数P75最大N日回报率（%）-0.01-64.97-2.18-0.04237.1139912标题长度77.4329.279240939912ChatGPT响应长度38.40030339912GPT评分0.24-1001139912事件情绪评分0.180.50-1000139912表2：相关性该表报告了每日股票回报率、标题长度、响应长度、GPT得分（ChatGPT是为1，未知为0，否为-1）和数据供应商提供的事件情绪得分之间的相关性。日回报率标题长度ChatGPT响应长度GPT评分事件情绪评分日回报率（%）1....标题长度1...ChatGPT响应长度0.0001..GPT评分0.0200.441.事件情绪评分0.00-0.080.100.271电子副本可在：https://ssrn获得。com/abstract=4412788电子副本可在：电子副本可在：https://ssrn获得。com/abstract=4412788表3：预测评分的回归此表报告了该表单的运行回归的结果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回报率是百分点，稳定，时间固定动产xt对应于包含ChatGPT或数据供应商得分的向量。这个相应的t-统计量在括号中。标准错误按日期和日期聚集商号所有的模型都包括固定效应和时间固定效应。GPT评分a事件情绪得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.278***0.273***0.022-0.004(-0.110)-0.287***(-3.761)数的观察3991239912399123991239912399123991239912R2R2Adj.R2内Adj内的R2。AIC250298.1250300.0250317.5250319.7250319.8250317.8250319.1250305.0BIC276296.3276306.7276315.7276317.9276317.9276315.9276317.2276303.2标准错误通过日期和永久编号XXXXXXXXFE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表4：预测得分（小型股）次日收益回归此表报告了该表单的运行回归的结果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回报率是百分点，稳定，时间固定电子副本可在：https://ssrn获得。com/abstract=4412788电子副本可在：https://ssrn获得。com/abstract=4412788商号所有的模型都包括固定效应和时间固定效应。小型股被定义为那些其市值低于纽约证交所市值的第10百分位。GPT评分a事件情绪得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.593***0.514**0.346*-0.046(-0.404)-0.570*(-2.370)数的观察99419941994199419941994199419941R20.2100.2100.2090.2090.2090.2090.2090.209R2Adj.R2内Adj内的R2。AIC69419.869420.169425.969431.269431.269431.469431.269424.3BIC79196.279203.779202.379207.679207.679207.879207.679200.7标准错误FE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表5：预测得分（非小型股）次日收益回归此表报告了该表单的运行回归的结果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回报率是百分点，稳定，时间固定电子副本可在：https://ssrn获得。com/abstract=4412788电子副本可在：https://ssrn获得。com/abstract=4412788商号所有的模型都包括固定效应和时间固定效应。非小型股被定义为那些其市值超过纽约证券交易所市值的第10百分位。GPT评分a事件情绪得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.174**0.187**(3.217)-0.063(-0.927)-0.024(-0.363)-0.009(-0.282)0.075*-0.229**(-3.048)数的观察2996229962299622996229962299622996229962R20.2190.2190.2190.2190.2190.2190.2190.219R2Adj.R2内Adj内的R2。AIC176382.5176383.3176391.8176392.0176392.0176387.7176391.8176381.6BIC195407.1195416.2195416.4195416.6195416.6195412.3195416.41954054.264.264.264.264.264.25标准错误通过日期和永久编号XXXXXXXXFE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表6：选定的指标该表报告了所选择的准确性、预测率、召回率、特异性和F1评分指标。该表考虑了该公司的股市回报是正的还是负的。我们只包括模型响应为YES或NO（不包括UNKWON）的观察结果。这些数字被四舍五入到两个小数数。天真对应于预测总是多数类。电子副本可在：https://ssrn获得。com/abstract=4412788度量GPT情绪电子副本可在：https://ssrn获得。com/abstract=4412788精度0.510.510.500.500.500.500.50准确率0.510.510.500.500.510.500.50召回率0.930.920.860.860.98特异性0.080.020.000.00F1分数0.660.650.640.630.670.670.67表7：按预测评分计算的第二天平均回报率该表根据不同的模型分数以百分比（0.1对应0.1%）报告平均每日回报。评分ChatGPT3.5GPT-1GPT-2BERT数据供应商0-0.05-0.14-0.120.05-0.0010.140.02-0.23-0.02-1-0.46-0.100.10-0.35-0.11电子副本可在：https://ssrn获得。com/abstract=4412788阿西莫格鲁，达伦，大卫奥托，乔纳森哈泽尔，和帕斯夸尔雷斯特雷波。2022.“人工智能和工作：来自网络职位空缺的证据。”《劳动经济学杂志》，第40期。S1（4月）：S293-S340。issn:0734306X.https://doi.org/10.1086/718327/SUPPL{/}FILE/20462DATA.ZIP。阿西莫格鲁，达伦，和帕斯夸尔·雷斯特雷波。2022.“任务，自动化，以及在美国的崛起。S.工资不平等。”计量经济学第90号，没有。5（9月）：1973-2016年。issn:1468-0262./10.3982/ECTA19815.阿格拉瓦尔，阿贾伊，约书亚。甘斯和阿维·戈德法布。2019.“人工智能：自动化预测对劳动力市场的模糊影响。”《经济展望杂志》，第33期。2（3月）：31-50。issn:0895-3309./10.1257/JEP1..33.2.3巴比娜，塔尼亚，阿纳斯塔西亚·费迪克，亚历克斯和詹姆斯·霍德森。2022.“人工智能、企业增长和产品创新。”SSRN电子杂志（5月）。https://doi。org/10.2139/SSRN.3651052.贝克，斯科特R.，尼古拉斯布鲁姆，和史蒂文J。戴维斯2016.“衡量经济政策的不确定性。”《经济学季刊》，第131期。4（11月）：1593-1636。issn:15314650./10.1093/qje/qjw024.金斯伯根，朱尔斯H。范、小韩、亚历杭德罗洛佩兹-里拉、朱尔斯H范本斯伯根、小韩和亚历杭德罗洛佩兹-里拉。2020.男人和。机器学习：收益预期和条件偏差的术语结构。技术报告，工作文件系列27843。国民经济调查局/10.3386/w27843.比比，利兰，布莱恩。凯利、阿夫马内拉和大成秀。2019.“经济新闻的结构。工作文件（1月）。issn:1556-5068./10.2139/ssrn.3446225.电子副本可在：https://ssrn获得。com/abstract=4412788比比，利兰，布莱恩。凯利、阿夫马内拉和大成秀。2021.“商业新闻和商业周期。”SSRN电子杂志（9月）。issn:1556-5068./10.2139/SSRN.3446225.卡洛米里斯，查尔斯·W.和哈里·马梅斯基。2019.“新闻及其背景如何在世界各地推动风险和回报。”《金融经济学杂志》，第133期。2（8月299-336。issn:0304-405X./10.1016/J.杰菲尼科.2018.11.009.坎贝尔，约翰L.，陈新春，丹S。达利华尔，卢明分钟，洛根B。斯蒂尔，约翰L。坎贝尔，陈信春，等人。2014.“公司备案文件中强制性风险因素披露的信息内容。”会计研究回顾（波士顿）第19号，不包括会计。1（3月）：396-455。issn:1380-6653.https://doi.org/10.1007/S1114201392583/TABLES/11.科恩，劳伦，克里斯托弗·马洛伊和阮的名言。2020.“懒惰的价格。”金融学报75(3)：1371-1415。issn:15406261./10.1111/jofi.12885.考恩，泰勒和亚历山大。塔巴罗克。2023.“如何用包括GPT在内的大型语言模型来学习和教授经济学。”SSRN电子杂志（3月）。issn:1556-5068./10.2139/SSRN.4391863.弗雷伯格，约阿希姆，安德烈亚斯·纽埃尔和迈克尔·韦伯。2020.非参数解剖特征。金融研究综述33(5)：2326-2377。issn:0893-9454./10.1093/rfs/hhz123.加西亚，迭戈。2013.“经济衰退期间的情绪。”《金融杂志》，第68期。3（6月）：1267-1300。issn:1540-6261./10.1111/JOFI.12027.Gaulin，麦克林彼得。2017.“风险事实或虚构：风险因素披露的信息内容。”电子副本可在：https://ssrn获得。com/abstract=4412788顾、世浩、凯利、大成秀。2020.“通过机器学习进行经验性资产定价。”金融研究综述33(5)：2223-2273。issn:0893-9454.https:///10.1093/rfs/hhaa009.汉森、安妮·伦德加德和索菲亚·卡津尼克。2023.“聊天能解读联邦说话吗？”SSRN电子杂志（3月）。issn:1556-5068.https://doi.org/10.2139/SSRN.4399406.汉森、斯蒂芬、迈克尔·麦克马洪和安德里亚·普拉特。2018.“FOMC中的透明度和审议：一种计算语言学方法*。”《经济学季刊》，第133期。2（5月801-870。issn:0033-5533./10.1093/qje/qjx045.霍伯格，杰拉德和戈登·菲利普斯。2016.“基于文本的网络产业和内源性的产品差异化。”《政治经济学学报》124(5)：1423-1465。https:///10.1086/688176.耶加德什、纳拉辛汉和地武。2013.“Word的力量：一种内容分析的新方法。”金融经济学报110(3)：712-729。issn:0304-405X.//10.1016/j.jfineco..2013.08.018姜、郝、李正子、王浩。2021.“普遍存在的反应不足：来自高频数据的证据。”《金融经济学杂志》，第141期。2（8月）：573-599。issn: