量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,曾荣获AMMA优秀品牌力、优秀洞察力大奖,连续4年被腾讯云+社区评选为“年度最佳作者”。
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
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。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。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。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。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: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: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。关于统计与机器学习
使用Transformer进行股价短期预测的实例代码: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:给出使用Optuna进行lightgbm超参数优化的代码: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!