ChatGPT LLM可能將Bill James的風格帶入股票選擇領域-彭博社

Aaron Brown

這是金融的未來嗎？

攝影師：基里爾·庫德里亞夫採訪/法新社

這不是香港。

攝影師：羅斯蘭·拉赫曼/法新社/蓋蒂圖片社

芝加哥大學的研究人員Alex Kim、Maximilian Muhn和Valeri V. Nikolaev向OpenAI的GPT4大型語言模型提供了1968年至2021年間15,401家上市公司的匿名財務報表，並要求其猜測未來收益。他們發現，即使其直接效用並不令人印象深刻，這可能最終對金融和經濟產生深遠影響。

研究人員發現，GPT4可以以52%的準確率預測明年的收益是增加還是減少 —— 這低於人類分析師或統計預測方法。然而，當他們使用“思維鏈”技術，告訴GPT4像人類財務分析師一樣思考時，準確率提高到60%，優於人類分析師，與統計預測大致相當。

Bloomberg觀點香港和新加坡並不相同共和黨人是發明家，民主黨人是創新者米非司酮裁決傳遞了有關墮胎政治的信息一項歷史性協議讓南非走上新道路我們長久以來都知道，如果你詢問專家他們的做法，並告訴計算機系統地模仿這些規則，那麼計算機會勝過專家。專家出於自我和專業權威的原因，喜歡聲稱他們對何時違反簡單規則有精妙的直覺，認為他們的領域是一門藝術，而不是一門科學。但一般來説，這些直覺是錯誤的，你最好遵循簡單的規則。專家確實知道一些東西，但大多數是可以輕鬆編碼成簡單規則的簡單東西。

我們也知道，用簡單規則可以輕鬆擊敗人類決策者。你不需要最先進的LLMs和五年的完整財務報表來擊敗市場，只需購買具有較高賬面價值與價格比的股票。你可以用五個簡單的財務比率比評級公司的信用評級更好地預測違約，而這是在半個世紀前開發出來的。

關於GPT4模型令人印象深刻的不是其性能，而是如何實現的。

這在體育博彩的背景下更容易看出。在20世紀60年代，量化分析師開始研究預測體育比賽結果。其中一些人試圖詳細建模個別比賽，而另一些人專注於尋找被博彩公司定價錯誤的賭注。第一組人查看球員統計數據和過往比賽，模擬未來比賽的可能結果。第二組人尋找像“在主場押注反對湖人隊”這樣的規則，因為湖人隊是一支光彩奪目的籃球隊，洛杉磯是一個高度下注的城市，所以博彩公司會以一種讓押注反對該隊有正期望值的方式設定點差。

我將第一種方法命名為比爾·詹姆斯方法。儘管他並不是第一個應用這種方法的人，但他成為了最著名的人，是體育分析的一種守護神。我將第二種方法稱為埃德·索普方法。儘管埃德只是嘗試了一些短暫的體育博彩，但他是在賭場和市場中找到數學優勢的最知名從業者。GPT4就是比爾·詹姆斯，傳統的量化對沖基金投資就是埃德·索普。

比爾·詹姆斯的人羣在體育博彩中並不特別成功。一個原因是這比埃德·索普的方法要困難得多。但更大的原因是博彩商對於一直給贏家開支票沒有興趣。準確預測體育比賽結果以獲利並不困難；困難的是找到願意接受賭注並在你贏了時付款的博彩商。

但博彩商歡迎埃德·索普類型的人在主場押注湖人隊，並樂意付款。假設湖人隊的公平分數是-2.5，意味着湖人隊有50%的機會贏得三分或更多。如果湖人隊的球迷押注1億美元在球隊上，博彩商可能只會吸引另外3千萬美元的押注，以-2.5的分數。如果他們將分數設定為-4.5，可能會得到5千萬美元，這種情況下押注湖人隊會有大約40%的機會贏。

將分數設定得更高並不會吸引更多的押注，因為周圍並沒有那麼多受分數影響的體育博彩資金。此外，當時，體育博彩是有組織犯罪的壟斷。它認為洛杉磯押注1億美元的所有賭徒都是它的錢，而且它期望所有的零售賭徒最終會輸掉他們押注的一切。但他們想慢慢來，每場比賽5%。如果他們走得太快，賭徒會發現賭博太不賺錢，金蛋鵝就會被殺死。

拉斯維加斯的博彩商歡迎願意以1000萬美元對決湖人隊的量化賭徒。儘管這筆賭注對博彩商來説是負面的，但它降低了他們的風險。黑幫希望書籍保持平衡，每邊各投入1億美元，這樣無論發生什麼都能賺取1000萬美元（標準的賭金是向輸家收取10%的溢價）。這樣做既沒有風險，又讓賭徒滿意。如果書籍不平衡，長期來看會賺錢，但在單場比賽中會有相當大的風險。

埃德·索普的方法在實際應用中更有用，但並沒有改變世界。相比之下，比爾·詹姆斯的方法慢慢但肯定地改變了體育比賽的方式。我們在所有體育比賽中都看到了分析的影響 — 冰球隊更早地換守門員，籃球隊嘗試更多的三分球，棒球隊把最好的擊球手放在陣容的前兩名而不是第三到第五名，足球隊更多地選擇第四次進攻和兩分轉換。

同樣，六十年的量化交易並沒有消除量化分析師在1960年代注意到的異常。它改變了金融市場，但沒有改變商業實踐。對沖基金天才在諮詢或經營企業方面並不顯著成功。私募股權公司並沒有採用量化交易員青睞的技術。觀察市場價格中的統計模式不能被反向工程為幫助做出實際的商業決策。

GPT4不同，因為它利用通識知識來預測商業結果。研究論文使用了高度受限的數據集 — 五年的標準化財務報表，年份和公司名稱被編輯掉。利用更廣泛數據集的更復雜模型應該會做得更好 — 人工智能研究正在迅速發展。

研究論文聲稱，購買預計盈利增長概率最高的公司的前10％並做空預計概率最低的公司的前10％，可以獲得10％的年度阿爾法（超過市場和主要已知因素的回報）。雖然在實際交易中獲得10％的實現阿爾法將是非凡的，但在沒有交易成本的模擬回測中找到這個水平並不罕見。這些結果無疑可以作為專業對沖基金策略的一部分。

使這10％潛在地具有顛覆性的是，它源於對財務數據的理解 —— 例如營收增長與盈利能力之間的關係，或淨收入與資產負債表槓桿之間的關係 —— 而不僅僅是注意到模式。這就像是比爾·詹姆斯風格的分析關於體育應該如何進行比賽，而不是埃德·索普統計模式關於莊家如何定價賭注。這是 《大數據》 與 《贏家的智慧》。每年實際國內生產總值增長10％比對沖基金中的10％阿爾法更具吸引力，從而讓其他投資者賠錢。

當然，這只是一篇工作論文，而不是促進經濟增長的魔法藥水。體育分析需要很多年才能對比賽產生影響，而且沒有理由認為經濟決策者和企業高管比體育教練和經理更保守。我不指望很快就會看到人工智能的美聯儲主席或《財富》500強的CEO。但這篇論文可能是那種罕見的燕子，確實能帶來一場夏天。更多來自彭博社觀點：

​​​​​想要更多彭博觀點嗎？OPIN <GO>。或者您可以訂閲我們的每日新聞簡報。

這是彭博觀點今日週末版，****根據網絡讀者的閲讀量整理出彭博觀點每週發佈的最受歡迎的故事。新訂閲者可以在這裏註冊。

閲讀全部內容。