chatGPT是智能投研的一个可能路径

主动投资三个思路：

传统量化，规则型，多因子等权策略，一般就是把自己的投资理念融合进去，简单，容易解释，容易运行。自己调整起来也容易。但因子风格会漂移，小市值，低估值，还是RSRS都一样。

监督型机器学习，集成学习或者深度神经网络，因子容量很大，很多模型还可以筛选重要特征；缺点不易解释，金融数据信噪比低，容易过拟合。好因子并不好找。——这里有一个逻辑，深度网络能否不提特征，就像CNN处理图片那样，自己建立起特征工程，这样的模型泛化能力更强。

强化学习。从alphago到chatGPT，深度强化学习都是其中的关键技术。强化学习是最适合“贯序决策”的模型，设计好合适的reward。

强化学习（RL）在此类问题中有2个优势：

1. RL的目标设定直接且灵活，可以将手续费和风险考虑进去；而监督学习通常是对短期利润贪婪的，可能频繁换仓导致风险和高手续费的问题。

2. RL直接生成权重，可以灵活地分配权重；而利用监督信号生成策略的规则通常是人规定的。

考虑到多资产序列比单一资产序列含有更多可以挖掘信息，现有的方法不仅仅在时间维度上抽取特征，还很关注资产之间的相关关系。最近发表的文章创新点都在于网络结构的设计上，使用最新的监督学习领域的进展抓取多资产序列的时间和空间特征。

从量化的角度，这里涉及到两个领域的知识，一是投资本身；二是量化能力，尤其是机器学习或人工智能技术相关。

在AI早期，普遍认为投资的认知本身才是量化的关键，量化只是手段与工具。但当AI进化到一定程度，AI本身具备一定的推理与认知进化能力之后，这个情况就会发生逆转，而且这个肯定是未来趋势。好比《流浪地球2》里的550W，你只需要发布任务，它会自己创建操作系统，然后自主执行任务。

CNN带来了图像识别技术的进步，核心就是神经网络层数深了，且可以自动提取特征了；而transfomer带来文本处理的转折，以bert和gpt为代表的训练模型，一个以NLU为主，后者以NLG见长。

之前，一直在关注bert，因为NLG似乎都是一些“智障”聊天机器人。至少你需要先理解再表达，似乎NLU在NLG前面，在chatGPT的模空出世改变了人们这一看法。

到底是alphago这样的噱头，还是真正的强人工智能已经到达临界点，这个需要关注一下。但无论如何，开始关注ALG直接赋能智能投研是一个不错的选择。之前想着通过bert这样的技术栈，进行文本理解，构建知识图谱，然后基于图谱进行智能问答，现在看下，“端对端”也能解决这个问题，那就太厉害了。

下来的一段时间，将聚焦关注NLG，尤其是chatGPT在金融投研方向的应用。

chatGPT是啥，如何为我们所用，它的技能边界在哪里，以及如何fine-tune来解决我们投资场景的问题。