ChatGPT LLM可能将Bill James的风格带入股票选择领域-彭博社

Aaron Brown

这是金融的未来吗？

摄影师：基里尔·库德里亚夫采访/法新社

这不是香港。

摄影师：罗斯兰·拉赫曼/法新社/盖蒂图片社

芝加哥大学的研究人员Alex Kim、Maximilian Muhn和Valeri V. Nikolaev向OpenAI的GPT4大型语言模型提供了1968年至2021年间15,401家上市公司的匿名财务报表，并要求其猜测未来收益。他们发现，即使其直接效用并不令人印象深刻，这可能最终对金融和经济产生深远影响。

研究人员发现，GPT4可以以52%的准确率预测明年的收益是增加还是减少 —— 这低于人类分析师或统计预测方法。然而，当他们使用“思维链”技术，告诉GPT4像人类财务分析师一样思考时，准确率提高到60%，优于人类分析师，与统计预测大致相当。

Bloomberg观点香港和新加坡并不相同共和党人是发明家，民主党人是创新者米非司酮裁决传递了有关堕胎政治的信息一项历史性协议让南非走上新道路我们长久以来都知道，如果你询问专家他们的做法，并告诉计算机系统地模仿这些规则，那么计算机会胜过专家。专家出于自我和专业权威的原因，喜欢声称他们对何时违反简单规则有精妙的直觉，认为他们的领域是一门艺术，而不是一门科学。但一般来说，这些直觉是错误的，你最好遵循简单的规则。专家确实知道一些东西，但大多数是可以轻松编码成简单规则的简单东西。

我们也知道，用简单规则可以轻松击败人类决策者。你不需要最先进的LLMs和五年的完整财务报表来击败市场，只需购买具有较高账面价值与价格比的股票。你可以用五个简单的财务比率比评级公司的信用评级更好地预测违约，而这是在半个世纪前开发出来的。

关于GPT4模型令人印象深刻的不是其性能，而是如何实现的。

这在体育博彩的背景下更容易看出。在20世纪60年代，量化分析师开始研究预测体育比赛结果。其中一些人试图详细建模个别比赛，而另一些人专注于寻找被博彩公司定价错误的赌注。第一组人查看球员统计数据和过往比赛，模拟未来比赛的可能结果。第二组人寻找像“在主场押注反对湖人队”这样的规则，因为湖人队是一支光彩夺目的篮球队，洛杉矶是一个高度下注的城市，所以博彩公司会以一种让押注反对该队有正期望值的方式设定点差。

我将第一种方法命名为比尔·詹姆斯方法。尽管他并不是第一个应用这种方法的人，但他成为了最著名的人，是体育分析的一种守护神。我将第二种方法称为埃德·索普方法。尽管埃德只是尝试了一些短暂的体育博彩，但他是在赌场和市场中找到数学优势的最知名从业者。GPT4就是比尔·詹姆斯，传统的量化对冲基金投资就是埃德·索普。

比尔·詹姆斯的人群在体育博彩中并不特别成功。一个原因是这比埃德·索普的方法要困难得多。但更大的原因是博彩商对于一直给赢家开支票没有兴趣。准确预测体育比赛结果以获利并不困难；困难的是找到愿意接受赌注并在你赢了时付款的博彩商。

但博彩商欢迎埃德·索普类型的人在主场押注湖人队，并乐意付款。假设湖人队的公平分数是-2.5，意味着湖人队有50%的机会赢得三分或更多。如果湖人队的球迷押注1亿美元在球队上，博彩商可能只会吸引另外3千万美元的押注，以-2.5的分数。如果他们将分数设定为-4.5，可能会得到5千万美元，这种情况下押注湖人队会有大约40%的机会赢。

将分数设定得更高并不会吸引更多的押注，因为周围并没有那么多受分数影响的体育博彩资金。此外，当时，体育博彩是有组织犯罪的垄断。它认为洛杉矶押注1亿美元的所有赌徒都是它的钱，而且它期望所有的零售赌徒最终会输掉他们押注的一切。但他们想慢慢来，每场比赛5%。如果他们走得太快，赌徒会发现赌博太不赚钱，金蛋鹅就会被杀死。

拉斯维加斯的博彩商欢迎愿意以1000万美元对决湖人队的量化赌徒。尽管这笔赌注对博彩商来说是负面的，但它降低了他们的风险。黑帮希望书籍保持平衡，每边各投入1亿美元，这样无论发生什么都能赚取1000万美元（标准的赌金是向输家收取10%的溢价）。这样做既没有风险，又让赌徒满意。如果书籍不平衡，长期来看会赚钱，但在单场比赛中会有相当大的风险。

埃德·索普的方法在实际应用中更有用，但并没有改变世界。相比之下，比尔·詹姆斯的方法慢慢但肯定地改变了体育比赛的方式。我们在所有体育比赛中都看到了分析的影响 — 冰球队更早地换守门员，篮球队尝试更多的三分球，棒球队把最好的击球手放在阵容的前两名而不是第三到第五名，足球队更多地选择第四次进攻和两分转换。

同样，六十年的量化交易并没有消除量化分析师在1960年代注意到的异常。它改变了金融市场，但没有改变商业实践。对冲基金天才在咨询或经营企业方面并不显著成功。私募股权公司并没有采用量化交易员青睐的技术。观察市场价格中的统计模式不能被反向工程为帮助做出实际的商业决策。

GPT4不同，因为它利用通识知识来预测商业结果。研究论文使用了高度受限的数据集 — 五年的标准化财务报表，年份和公司名称被编辑掉。利用更广泛数据集的更复杂模型应该会做得更好 — 人工智能研究正在迅速发展。

研究论文声称，购买预计盈利增长概率最高的公司的前10％并做空预计概率最低的公司的前10％，可以获得10％的年度阿尔法（超过市场和主要已知因素的回报）。虽然在实际交易中获得10％的实现阿尔法将是非凡的，但在没有交易成本的模拟回测中找到这个水平并不罕见。这些结果无疑可以作为专业对冲基金策略的一部分。

使这10％潜在地具有颠覆性的是，它源于对财务数据的理解 —— 例如营收增长与盈利能力之间的关系，或净收入与资产负债表杠杆之间的关系 —— 而不仅仅是注意到模式。这就像是比尔·詹姆斯风格的分析关于体育应该如何进行比赛，而不是埃德·索普统计模式关于庄家如何定价赌注。这是 《大数据》 与 《赢家的智慧》。每年实际国内生产总值增长10％比对冲基金中的10％阿尔法更具吸引力，从而让其他投资者赔钱。

当然，这只是一篇工作论文，而不是促进经济增长的魔法药水。体育分析需要很多年才能对比赛产生影响，而且没有理由认为经济决策者和企业高管比体育教练和经理更保守。我不指望很快就会看到人工智能的美联储主席或《财富》500强的CEO。但这篇论文可能是那种罕见的燕子，确实能带来一场夏天。更多来自彭博社观点：

​​​​​想要更多彭博观点吗？OPIN <GO>。或者您可以订阅我们的每日新闻简报。

这是彭博观点今日周末版，****根据网络读者的阅读量整理出彭博观点每周发布的最受欢迎的故事。新订阅者可以在这里注册。

阅读全部内容。