类chatGPT技术应用于智能投研的思考

把上面slogan连接起来，这个连接点可能是chatGPT为代表的生成式AI。

生成式AI具备世界知识，可以揭示世界运行的逻辑，同时，希望它能够赋能量化投资。

量化领域，一直有几个方向：量化投资、智能投顾，智能投研。

量化投资是一个大概念，但狭义而言，一般就是使用量化的手段，去获取超额收益alpha。而智能投顾一般特指基本投资组合理论，使用风险预算的概念，去获取beta。而智能投顾更偏向投资分析，有点像券商里的投资分析师做的事情。

A股市场，大家更倾向量化投资。就是机器炒股。可是，金融数据信噪比极低，除了高频领域，在日频这样的维度，能否发现可持续的模式，其实是存疑的。这无关乎是传统的K线分析，还是集成学习，或者深度学习还是强化学习。并非模型学习能力的问题，而是数据本身够不够的问题，数据里边有没有模式的问题，以及模型是否稳定的问题。

智能投顾，在国外的理财领域做得不错，国内有几家，包括银行都在做，很多变成了fof，如果理念正确，长期来看，获得市场beta问题不大，但问题在于，这与智能其实没啥关系。

智能投研的代表是kensho。kensho被标普500 5.5亿美金收获的时候，在智能投研圈里掀起不小的水花。当年的口号是“干掉”证券分析师。这两年声音少了不少。kensho所代表的智能问答，自然语言处理，在chatGPT看来，并不是特别“难”的事情。

当年，很多做知识图谱的人，看到kensho的成功都很兴奋。我当时也觉得通往AGI之路应该是强化学习+知识图谱。但中文图谱太难建，光一个中文分词，准确率就无法保证，更不用说后面的NER，实体识别，消歧之类的。

一直以来，深度学习在NLP上带来的进步，更多是“端对端”的，比如翻译。文本生成，写个古诗、对联可以，但内容基本不可控。意图识别靠大量的模板，宏来生成。

但chatGPT带来了一种新的范式，让人看来通用智能AGI的希望。

超大模型，prompts，可控文本生成，甚至直接解决N轮对话的问题。

如何用小一点的模型，引入垂直领域知识，以用回来行业相关的问题？普通人，普通公司落地的路径这样更加务实。

综合一句话，我想探索： 类chatGPT生成式技术，在金融投资研究方向的落地。

如何做呢，目前想到的从gpt2入手，这是一个开源的预训练模型。当然随着更多公司的入场，更多新模型或者语料会开放出来。

目前设想中的一个路径：

1、基于gpt的预训练模型；

2、基于“知识库”的可控文本生成，能用上结构化数据库更好。