ChatGPT选股策略实战指南：从数据清洗到模型部署

1次阅读

没有评论

共计 2411 个字符，预计需要花费 7 分钟才能阅读完成。

传统量化选股策略通常依赖技术指标和统计模型，但在面对复杂市场环境时存在明显不足：

信息处理局限：传统方法难以有效解析新闻、财报等非结构化数据
适应性不足：静态规则难以及时响应市场风格切换
开发门槛高：需要深厚的金融数学和编程功底

大语言模型 (LLM) 的出现为解决这些问题提供了新思路：

多模态理解：能同时处理数值行情和文本信息
动态学习：通过微调可以持续适应市场变化
自然语言交互：降低策略开发的技术门槛

我们使用 yfinance 库获取历史数据，这是搭建策略的基础：

import yfinance as yf

# 获取苹果公司 3 年历史数据
AAPL = yf.Ticker("AAPL")
df = AAPL.history(period="3y")

技术指标是量化策略的核心特征，以下是关键指标计算方法：

RSI 相对强弱指标

def calculate_rsi(data, window=14):
    delta = data['Close'].diff()
    gain = delta.where(delta > 0, 0)
    loss = -delta.where(delta < 0, 0)

    avg_gain = gain.rolling(window).mean()
    avg_loss = loss.rolling(window).mean()

    rs = avg_gain / avg_loss
    return 100 - (100 / (1 + rs))

MACD 指标

def calculate_macd(data, fast=12, slow=26, signal=9):
    ema_fast = data['Close'].ewm(span=fast).mean()
    ema_slow = data['Close'].ewm(span=slow).mean()

    macd = ema_fast - ema_slow
    signal_line = macd.ewm(span=signal).mean()

    return macd, signal_line

有效的 Prompt 设计是策略成功的关键，需要包含以下要素：

角色定义：明确 ChatGPT 的金融分析师身份
输入约束：指定只使用提供的历史数据
输出格式：要求结构化 JSON 输出

示例 Prompt：

你是一位专业量化分析师，请基于以下股票数据和技术指标进行分析：{输入数据}

要求：1. 只使用提供的数据，不要引入外部知识
2. 评估未来 5 个交易日的上涨概率
3. 输出 JSON 格式：{"probability": float, "reason": str}

完整的策略实现需要构建数据处理管道和模型交互逻辑：

from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler

preprocessor = Pipeline([('scaler', StandardScaler()),
    ('indicator', TechnicalIndicatorGenerator())
])

from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

prompt = PromptTemplate(input_variables=["data"],
    template=PROMPT_TEMPLATE
)

strategy_chain = LLMChain(
    llm=chatgpt_model,
    prompt=prompt
)

try:
    response = strategy_chain.run(processed_data)
    result = json.loads(response)
except json.JSONDecodeError:
    logger.error("Invalid JSON response")
except Exception as e:
    logger.error(f"Strategy execution failed: {str(e)}")

数据分割：采用 walk-forward 分析避免前瞻偏差
参数优化：使用网格搜索寻找最优参数组合
基准对比：与沪深 300 指数进行相对收益比较

def calculate_sharpe(returns, risk_free=0):
    excess_returns = returns - risk_free
    return excess_returns.mean() / excess_returns.std()

def max_drawdown(cumulative_returns):
    peak = cumulative_returns.expanding().max()
    return (cumulative_returns - peak).min()