ChatGPT能预测股价走势吗？

金融市场每天处理大量企业新闻。财报公告、管理层变动、临床试验结果、内部交易、合作关系和监管动态都会影响公司的价值。挑战不仅仅是判断标题听起来是正面还是负面。

投资者必须理解其经济影响，预判其他市场参与者如何解读，并判断这些信息是否已被纳入股价。

大型语言模型最初并非设计用来预测金融市场。然而，它们解读上下文和综合复杂信息的能力引发了一个重要问题：像ChatGPT这样的通用模型能否预见股价对企业新闻的反应？

ChatGPT能预测股价走势吗？

• 亚历杭德罗·洛佩兹-利拉，唐月华
• 《金融经济学杂志》，2026年
• 该论文的一个版本可以找到给你
• 想阅读我们的学术金融论文摘要吗？请查看我们的学术研究洞察类别

学术要点

GPT-4 能够解读财经新闻的经济意义
作者要求GPT-4将每个企业标题分类为公司短期股价的正面、负面或不确定性。该模型仅接收公司名称和标题，没有数值市场数据、分析师预测或财务微调。因此，其任务不仅仅需要传统的情绪分析：它必须解读公告的经济背景，并判断投资者可能的反应。

这个测试确实是样本外的
为减少前瞻性偏差及模型记忆历史市场反应的可能性，研究分析了2021年10月至2024年5月发布的头条新闻，而作者使用的GPT-4版本则设定了2021年9月的知识截止点。最终数据集包含159,137条公司头条日期观测，涵盖4,123家美国公司。

GPT-4 能够准确预测市场的即时反应
GPT-4的分类与市场初步反应方向高度契合。基于隔夜头条的每日多空组合，即时反应的命中率为93.3%，而盘中新闻的命中率为88.8%。与正面隔夜新闻相关的股票从前一收盘到开盘平均上涨1.27%，而与负面新闻相关的股票下降1.79%。盘中公告的初始反应更大。

预测初始反应并不等同于获得可交易回报
极高的初始反应命中率描述了消息传入市场时价格的波动。除非投资者提前或异常快速地获取信息，否则这些回报通常无法用于交易。因此，经济相关的问题是，一旦普通投资者有机会行动，价格是否会在公告后继续波动。

股价继续向预测方向漂移
初步反应过后，价格通常会沿着GPT-4确定的方向走动，持续一到两个交易日。日复平衡策略，买入盘中正面新闻的股票，做空负面新闻的股票，平均每日成本前回报为34个基点，击中率58%，年化夏普比率为2.97。盘中新闻的相应数字分别为50个基点、55%和2.63个基点。

负面新闻更具预测性
发布后负面消息后的漂移明显更强烈。隔夜头条中，多头投资组合平均每日收益8个基点，夏普比率为0.78;空头投资组合为26个基点，夏普比率为2.01。这种不对称性与套利的限制相符，因为负面观点通过做空更难表达且成本更高。

小型股票表现反应不足更明显
GPT-4的评分更能预测小型公司的后续回报。小股通常获得的分析师关注较少，流动性较低，但要求更高交易成本这使得成熟的投资者更难立即纠正错误定价。结果支持模型识别信息延迟而非传统风险溢价的解释。

交易成本大幅降低了表观利润
总体策略需要极高的周转率。扣除交易成本后，隔夜多空组合在样本范围内累计回报约为700%。假设往返交易成本为5个基点，累计回报保持在300%以上;在10个基点时，该策略仍超过100%;在20个基点时，该策略变得无利可图。这些估算不一定能反映投资者将面临的全部价格影响、借贷成本、运营限制或可扩展性挑战。

预测机会似乎正在减少
隔夜策略的年化夏普比率从2021年第四季度的6.54降至2022年的3.68,2023年为2.33,2024年1月至5月为1.22。作者将这一下降解读为暗示性（而非决定性）证据，表明更广泛的大型语言模型采纳正在加速新闻纳入市场价格。其他市场状况的变化也可能促成这一趋势。

投资顾问的实际应用

利用LLM提升信息处理能力，而非自动交易系统

论文中最有力的证据是GPT-4解读企业新闻经济影响的能力。因此，顾问可能认为大型语言模型最为有用，作为研究助理，组织信息、识别潜在重要发展，并解释标题为何重要。

将这些评估转化为自动化策略，则引入了完全不同的执行、治理和风险管理挑战。

区分预测准确性与可投资绩效
模型可以正确预测市场反应，而无需给普通投资者获得相应回报的机会。GPT-4 最高的预测准确性很大程度上与可行交易前的初始反应有关。任何投资评估都应关注信号后真实延迟后的回报、交易成本、借贷费用、营业额和价格影响。

将研究重点放在信息最难处理的地方
结果表明，当新闻需要上下文解读而非机械式提取数字时，LLM可能带来最大价值。内部交易、专业会议公告、科学信息以及战略性公司披露，可能比市场快速处理的透明标准化公告更需要分析关注。

预计AI优势将逐渐衰退

公开的信号很少能无限期保持盈利。随着投资公司采用类似工具，竞争加速了价格发现并压缩了回报。顾问应对假设历史LLM信号未来能保持不变的回测持怀疑态度，尤其是在模型、投资者群体和市场微观结构快速演变的情况下。

如何向客户解释这一点

“ChatGPT并不拥有能告诉我们股市下个月或明年将如何交易的水晶球。这项研究显示的内容更为狭窄且更有趣。当GPT-4获得公司名称和新闻标题时，它通常能够判断该公告是经济上是正面还是负面。其解读与市场的即时反应高度一致，尽管该模型并未专门训练以预测股价。价格也在短时间内持续朝同一方向走动，尤其是在负面消息传出后，以及在较小的公司中。这表明市场有时需要时间来全面理解复杂信息。然而，交易结果对交易成本高度敏感，需要大量交易额，且随着人工智能普及而趋于弱化。实际教训不是投资者应该盲目交易每一个ChatGPT的意见。而是先进的语言模型可能帮助投资者更高效地处理复杂信息——而这些工具的广泛应用可能使市场随着时间推移变得更高效。”

论文中最重要的图表

该图显示了基于GPT-4对隔夜新闻评估评分的交易策略表现，未考虑交易成本。如果新闻在交易日上午9点前发布，我们会在市场开盘时入仓，并在当天收盘时出仓。如果新闻是在市场收盘后宣布的，我们假设在下一个开盘价入仓，并在下一个交易日收盘时出仓。所有策略每天都会进行平衡。绿线对应一个等权重投资组合，根据ChatGPT 4的说法，买入有好消息的公司。
根据ChatGPT 4，红线对应一个等权重投资组合，用来做空有坏消息的公司。蓝线对应于等权重的多空投资组合，买入有好消息的公司，做空有坏消息的公司，根据ChatGPT 4。灰线对应价值加权市场投资组合

结果为假设性结果，不代表未来结果，也不代表任何投资者实际获得的回报。指数为非管理型，不反映管理费或交易费用，且不能直接投资于指数.

摘要

我们记录了大型语言模型（LLM）如ChatGPT在无需直接金融培训的情况下，从新闻标题预测股市反应的能力。利用知识截止后标题，GPT-4捕捉初始市场反应，实现不可交易初始反应约90%的组合日命中率。GPT-4评分还显著预测后续的波动，尤其是小股和负面新闻。预测能力通常随着模型规模增加而提升，表明复杂LLM的财务推理能力正在新兴。随着LLM采用率提升，策略回报下降，这与价格效率的提升相符。为合理化这些发现，我们构建了一个理论模型，整合了LLM技术、信息处理能力限制、反应不足和套利限制。

最初发表于阿尔法建筑师.请阅读阿尔法架构师披露内容方便时再说。