2023年5月5日上午，中国政法大学商学院资本金融系2023年第四期金融学读书研讨会通过腾讯会议的方式成功举行，李大夜老师以及2022级金融专硕和学硕的同学参加了此次研讨会。本期读书会以李大夜老师推荐的研究主题为框架，2022级刘澳、曾恩童、成泽浩三位同学为本次读书会进行了主题报告，李大夜老师进行了点评。
首先，刘澳同学介绍了ChatGPT和大语言模型，作为文章的背景和铺垫。ChatGPT是OpenAI基于GPT（generative pre-trained transformer）架构开发的一个大规模语言模型，是迄今为止开发的最为先进的自然语言处理（NLP）模型之一，在大量文本数据的语料库中进行训练，以了解自然语言的结构和模式。GPT（生成预训练转换器）架构是一种用于自然语言处理任务的深度学习算法，它基于Transformer架构，具有语言翻译、文本总结、问题回答和文本完成等能力，在一系列自然语言处理任务中都表现先进的性能。ChaGPT类大模型人工智能有广泛的应用场景，包括金融领域，因此，本文十分具有前瞻性的讨论ChatGPT在预测股票市场收益方面的能力。
在文献内容阐述过程中，曾恩童同学介绍数据来源和研究方法。本文使用了证券价格研究中心（CRSP）的每日回报和Raven Pack的新闻标题两个主要数据集进行分析。使用包括在纽约证券交易所(NYSE)、美国证券交易商协会自动报价(NASDAQ)和美国证券交易所(AMEX)上市的所有股票代码为10或11的普通股为样本。使用在2021年10月份到2022年12月份之间的数据。使用RavenPack提供的“相关性分数”作为新闻与特定公司的相关程度的指标。在训练ChatGPT对股票回报进行预测时，作者要求ChatGPT扮演一个有股票推荐经验的金融专家的角色，评估给定的新闻标题及其对公司股票价格短期走势的潜在影响并输出评分，展示ChatGPT作为一种语言模型在金融分析任务中的能力。
成泽浩同学介绍了文章的实证过程和结论。回归结果显示，ChatGPT的情绪分数对每日股市收益表现出了统计学上的显著预测能力。通过利用新闻标题数据生成的情绪分数，我们发现ChatGPT做出的评价和我们样本中的股票在随后每日的回报之间有很强的关联性。同时，本文将ChatGPT的性能与传统情感分析方法（如RavenPack）进行比较，研究结果表明，ChatGPT优于RavenPack等传统情感分析方法。
本文的主要影响有以下四点：一是本文强调了继续探索和发展为金融行业定制的LLMs的重要性；二是未来的研究方向应重点关注LLMs预测能力的形成机制；三是未来的研究可以探讨LLMs对市场动态的潜在影响；四是未来的研究可以探索LLMs与其他机器学习算法和定量模型的结合，结合不同方法的优势以创建混合系统。
三位同学发言结束后，李大夜老师进行补充与点评。李大夜老师指出，我们从有效市场假说出发，认为市场价格是有效的，所有已知信息已经实时体现在价格上。但是实际上，市场有时候反应不足，而我们利用ChatGPT能够加速市场信息在价格上的体现，可能构建一个套利策略，这个策略本身可以提高股票市场的效率。以后一个新闻出现，量化程序将保证它会以秒级的速度体现在价格上，随着大型语言模型越来越聪明，也必然会使整个市场的定价效率越来越高。以后市场的资金的配置效率，某种程度上也是被人工智能的发展所决定的。
在讲解与交流的过程中，同学们都有了很大的收获，并且以通货膨胀目标制的原理、设计实施以及优势和不足有了更深刻的理解。相信本次的读书会的分享能为同学们今后的学习以及毕业论文的撰写带来新的灵感和知识储备。
文、图/资本金融系
