纪要丨如何利用ChatGPT解析卖方策略观点并构建行业轮动策 略？1. GPT 模型的应用和优势 (1) GPT 模型的能力和性能提升 GPT 模型相对于传统的 bird 模型具有更强大的能力和性能 提升。目前最强的 版本是 GPT4，之前的版本有GPT3.5。经过对比发现，GPT4 在推理和总 结 能力上有明显提升，但速度略有下降。由于 openAI 对 GPT 模型进行了重 组，整体速度也 有进一步提升。(2) 利用 GPT 模型提取卖方策略观点 传统的卖方策略观点存在一定的不足，例如在行业比 较部分缺乏具体权重分 数。通过利用 GPT 模型，可以帮助提取行业的具体权重分数。2. 行业轮动策略的构建 (1) 数据处理和整合 在构建行业轮动模型时，采用小样本和卖方策略团队的观点来整合信 息。(2) 使用 GPT 模型提取行业权重和相关信息 选择最强的 GPT4 模型来提取文本信息，并选 择策略研报中的行业配置信息。 通过给 GPT 模型相应的指令，让其进入金融语境下提取信 息，对提到的行业 根据利好程度进行打分，并比较多个策略组之间的因子情况。(3) 统一行业标准和映射 通过使用 PPT 将细分行业映射到中信一级行业，并统一到相同的行 业标准， 确保每个策略组所提到的行业是可比的。在介绍中信一级行业的相关信息后， 将细分 行业对应到中信一级行业上。(4) 解决 GPT 模型的一些问题 在使用 GPT 模型时，可能会遇到对消极字眼敏感、相同理由 但分数不同、输 入信息量少等问题。通过手动剔除相关语句、约束模型在指定层面给出相同的 分数，以及增加输入文本量等方式解决这些问题，提高模型的稳定性和准确性。(5) 构建策略研报因子 通过将每个策略组的月报转换为对应策略组的中心一级行业的评分 值，获得这 些评分值后可以构建后续的策略研报因子。Q&A Q：如何使得不同策略组对行业的讨论可比性更高？A：我们可以使用 PPT 将细分行业映射到中信一级行业，以统一标准。同时， 我们向 GDP4 提供了中信一级行业的信息，使其了解中信行业的构成。虽然 GDP4 并不完全准确，但在大多 数情况下，它能够帮助我们完成这项工作。我 们可以辅助 GDP4 进行行业映射，例如将信斑菌 映射为新能源半导体、军工或 计算机等，以帮助 GDP4 更好地理解行业。此外，我们也可以手 动剔除 GDP4 输出结果中的一些消极字眼，避免其产生误解。Q：对于 GDP4 的打分结果的稳定性如何？A：GDP4 的打分结果在整体上比较稳定，但有时会出现一定的抖动。我们发 现，同样的一段文 字或指令在 GDP4 中的信号稳定度也会提升。因此，在使用 过程中，我们决定使用 GDP4 来进行工作。Q：在与 GDP4 对话时遇到的问题有哪些？有何解决方案？A：在与 GDP4 对话时，我们遇到了一些问题。例如，GDP4 对消极字眼比 较敏感，有时会将 观点误解为看空。为了解决这个问题，我们手动剔除了相关 语句。此外，GDP4 的打分有时会 因同一理由但不同打分的出现而不同。为了 避免这种情况，我们在指令中约束 GDP4，要求相同的理由应该得到相同的分 数。Q：数据选择方面有何考虑？A：我们选择了 16 家卖方策略团队的月报进行研究，从 2021 年到 2023 年共 28 个月的数 据。这样的样本相对较小，主要是为了验证 GDP4的效果 和策略组的数据。我们发现，每个月份覆盖的行业较多，平均每个月份会有五 六个行业被提及，覆盖度较充足。我们将每个策略组对应行业的打分取中位 数，作为因子信号构建我们的打分因子。Q：如何构建后续的策略研报因子？A：在得到每个行业的打分之后，我们将每个行业多个策略组的打分取中位 数，作为该月该行业的大分子，用来构建我们的打分因子。Q：对于使用 ChatGPT 解析卖方策略观点并构建行业轮动策略的具体优化方 法，可以详细介绍一下吗？A：我们可以通过筛选出比较靠谱的策略组，并根据它们的过往半年的组合表 现来构建每个策略组当月的行业权重。然后，根据这些行业打分值和组合权 重，将它们转化成每个策略组当月的行业权重。在这样的基础上，我们选择表 现最好的 1 到 4 个卖方团队，根据他们的行业打分来构建精选的配置因子。 Q：相较于使用 16 家策略团队，只使用 4 家策略团队会带来什么影响？A：使用 4 家策略团队会导致行业覆盖度明显下降，每个月份可能只有十几到 20 个行业被提及。这也会导致分组收益方面的效果不明显。然而，我们可以 看到在头部行业中，它还是能够选出表现较好的组合，因此我们选择这 4 个卖 方团队的行业打分来构建精选的配置因子。Q：这样的行业轮动策略与分析师预期因子的表现是否类似？A：当市场上涨或者偏震荡时，这样的行业轮动策略还是能够提供一些超额收 益的信息。但如果 市场处于下行阶段，可能会出现一定的跟随下行情形。总体 来说，这样的策略与分析师预期因子的表现相似。Q：相较于行业等权，这样的行业轮动策略有哪些优势？A：整体上来说，这样的行业轮动策略的超额收益还是比较明显的，尤其是在 市场整体表现不好 的时候。相较于行业等权，这样的策略能够提供更高的收益 率。Q：对于使用 ChatGPT 解析卖方策略观点并构建行业轮动策略的相关性问 题，您能否进 行详细解释？A：我们对比了 ChatGPT 的因子和其他传统行业配置因子的相关性，并发现 它们之间的相关性 并不高，基本上低于 20%的水平。这与我们的预期相符，其 中与分析师预期因子的相关性最 高。因此，我们可以认为它具备一些独特的特 征。Q：对于这次行业配置层面的探究，还存在哪些问题和限制？未来是否会有更 多的研究成 果发布？A：目前使用的 ChatGPT 的成本和其他方面还存在一些限制，我们将进行更 多的研究，包括使 用 API 实现的知识流程和使用更大量文本模型进行研究。这 次的探究只是一个初步尝试，还存 在一些问题和限制。我们将持续发布后续的 研究成果，并欢迎与投资者进行更多的交流。