ChatGPT能預測股價變動嗎？返回可預測性和大型語言模型*第一版：2023年4月6日本版本：2023年4月25日摘要我們研究了ChatGPT和其他大型語言模型在使用對新聞標題的情緒分析來預測股市回報方面的潛力。我們使用ChatGPT來指示一個給定的標題對公司的股價是好的、壞的還是無關的消息。然后，我們計算了一個數值分數，并記錄了這些“ChatGPT分數”與隨后的每日股票市場回報之間的正相關關系。此外，ChatGPT也優于傳統的情緒分析方法。我們發現，更基本的模型，如GPT-1、GPT-2和BERT，不能準確地預測收益，這表明收益可預測性是復雜模型的一種新興能力。我們的研究結果表明，將高級語言模型納入投資決策過程中，可以產生更準確的預測，并提高投資決策過程的性能定量交易策略。：亞歷杭德羅洛佩茲-里拉（通訊作者）：alejandro.lopezlira@warrington。ufl.教育和唐月華：月華。tang@.*我們非常：亞歷杭德羅洛佩茲-里拉（通訊作者）：alejandro.lopezlira@warrington。ufl.教育和唐月華：月華。tang@.1電子副本可在：https://ssrn獲得。com/abstract=4412788近幾個月來，ChatGPT等大型語言模型（llm）在不同領域的應用獲得了顯著的關注，許多研究探索了它們在不同領域的潛力。然而，在金融經濟學中，使用llm仍然是相對未知的領域,特別是在它們預測股市回報的能力方面。一方面，由于這些模型沒有為此目的進行明確的訓練，人們可能會認為它們在預測股市走勢方面沒有什么價值。另一方面，如果這些模型更有能力理解自然語言，人們可能會說，它們可能是處理文本信息來預測股票回報的一個有價值的工具。因此，llm在預測金融市場走勢方面的表現是一個有待解決的問題。據我們所知，本文是第一個通過評估ChatGPT在預測股市回報方面的能力來解決這個關鍵問題的論文之一。通過一種利用該模型的情緒分析能力的新方法，我們使用新聞標題數據來評估ChatGPT的性能，并將其與領先供應商提供的現有情緒分析方法進行比較。我們的研究結果對金融業的就業格局具有重要意義。這一結果可能會導致市場預測和投資決策所用方法的轉變。通過展示ChatGPT在金融經濟學中的價值，我們旨在有助于理解llm在該領域的應用，并激發對人工智能和自然語言處理的進一步研究。除了對金融行業就業的影響外，我們的研究還提供了其他一些重要的貢獻。首先，我們的研究可以幫助監管機構和決策者理解在金融市場中日益采用llm所帶來的潛在好處和風險。隨著這些模式越來越普遍，它們對市場行為、信息傳播和價格形成的影響將成為值得關注的關鍵領域。我們的研究結果可以為討論管理人工智能在金融中的使用的監管框架提供信息，并做出貢獻2電子副本可在：https://ssrn獲得。com/abstract=4412788開發將llm集成到市場運營中的最佳實踐。其次，我們的研究可以通過為llm在預測股票市場回報方面的有效性提供實證證據，使資產管理人員和機構投資者受益。這種見解可以幫助這些專業人員做出更明智的決定，將llm納入他們的投資策略，有可能導致提高績效，并減少對傳統的、更勞動密集型的分析方法的依賴。最后，我們的研究有助于關于金融中人工智能的應用的更廣泛的學術論述。通過探索ChatGPT在預測股市回報方面的能力，我們推進了對llm在金融經濟學領域的潛力和局限性的理解。這可以激發未來的研究，為金融行業的需求開發更復雜的llm，為更高效和準確的金融決策鋪平道路。1我們的研究具有深遠的影響，超出了股市預測的直接背景。通過闡明ChatGPT對金融經濟學的潛在貢獻，我們希望鼓勵在人工智能驅動的金融領域的繼續探索和創新。最近在經濟學背景下使用ChatGPT的論文包括漢森和卡津尼克（2023年）、考恩和塔巴羅克(2023年）、科里內克（2023年）以及諾伊和Zhang（2023年）。漢森和卡津尼克（2023）表明,像ChatGPT這樣的llm可以解碼Fed語言(i。e.,美聯儲用來就貨幣政策決策進行溝通的語言)。Cowen和塔巴羅克（2023）和Korinek（2023）證明了ChatGPT有助于經濟學教學和開展經濟學研究。Noy和Zhang（2023）發現ChatGPT可以提高專業寫作工作的生產力。同時，謝等人。（2023）發現在預測任務中使用數值數據時，ChatGPT并不比線性回歸等簡單的方法好。1.例如，參見Wu等人。(2023).3電子副本可在：https://ssrn獲得。com/abstract=4412788我們將結果上的差異歸因于他們專注于使用歷史數字數據進行預測，而ChatGPT則擅長于文本任務。Ko和Lee（2023）發現ChatGPT可能在跨資產類別的選擇中很有用。此外，Yang和Menczer（2023）證明了ChatGPT成功地識別了可信的新聞媒體。我們的研究是第一個研究llm在金融市場中的潛力，特別是投資決策過程。我們對最近使用文本分析和機器學習來研究各種金融研究問題的文獻鏈有貢獻。g.,Jegadeesh和Wu（2013），坎貝爾等人。（2014年）、霍伯格和菲利普斯（2016年）、高林(2017年）、貝克、布魯姆和戴維斯（2016年）、馬內拉和莫雷拉（2017年）、漢森、麥克馬洪和普拉特（2018年）、柯、凱利和秀（2019年）、柯、蒙蒂爾·奧利亞和內斯比特（2019年）、Bybee等人。（2019年）、顧、凱利和秀（2020年），科恩、馬洛伊和阮（2020年），弗雷伯格、諾伊爾和韋伯（2020年），洛佩茲-里拉2019年，賓斯伯根等人。（2020），Bybee等。(2021)).我們的論文對這一文獻做出了獨特的貢獻，作為第一個評估最近開發的llm，如ChatGPT在預測股市運動方面的文本處理能力。我們的論文還增加了使用新聞文章的語言分析來提取情緒和預測股票回報的文獻。這些文獻的一部分研究媒體情緒和總股票回報。g.,泰特洛克（2007）、加西亞（2013）、卡洛米里斯和Mamay斯基（2019）)。另一條文獻使用堅定新聞的情緒來預測未來的個股回報（例如,特洛克、薩爾-特塞漢斯基和麥斯卡西（2008）、特洛克（2011）、江、李和王（2021）)。與之前的研究不同，我們關注于了解llm是否通過提取預測股票市場反應的額外信息來增加價值。最后，我們的論文還涉及了有關就業暴露和對人工智能相關技術的脆弱性的文獻。阿格拉瓦爾、甘斯和戈德法布（2019年）、Webb（2019年）、阿西莫格魯等人的最近的作品。（2022年），阿西莫格魯和雷斯特雷波（2022年），Babina等人。（2022年），Noy和Zhang（2023年）研究了與人工智能相關的工作暴露和脆弱性的程度4電子副本可在：https://ssrn獲得。com/abstract=4412788技術以及對就業和生產力的影響。隨著人工智能自成立以來不斷上升，我們的研究重點于理解一個緊迫但未解的問題——人工智能的能力，特別是llm在金融領域的能力。我們強調了llm在處理信息以預測股票回報的市場參與者增加價值方面的潛力。ChatGPT是由OpenAI基于GPT（生成式預訓練轉換器）架構開發的一種大規模語言模型。它是迄今為止開發的最先進的自然語言處理（NLP）模型之一，并在大量的文本數據語料庫上進行訓練，以理解自然語言的結構和模式。生成式預訓練變壓器（GPT）體系結構是一種用于自然語言處理任務的深度學習算法。它是由OpenAI開發的，并基于Vaswani等人引入的變壓器架構。(2017).GPT體系結構在一系列自然語言處理任務中取得了最先進的性能，包括語言翻譯、文本摘要、問答和文本完成。GPT體系結構使用多層神經網絡來建模自然語言的結構和模式。它是在一個大型的文本數據語料庫上進行預訓練的，如維基百科的文章或網頁，使用無監督的學習方法。這個訓練前的過程允許模型對語言語法和語義有一個深入的理解，然后針對特定的語言任務進行微調。GPT架構的獨特特點之一是它使用了轉換器塊，這使模型能夠通過使用自我注意機制來關注輸入中最相關的部分來處理長序列的文本。這種注意機制使模型能夠更好地理解輸入的背景，并產生更準確和連貫的反應。ChatGPT已經接受了執行廣泛的語言任務的培訓，比如transla-5電子副本可在：https://ssrn獲得。com/abstract=4412788寫作，總結，問答，甚至生成連貫的和類人的文本。ChatGPT產生類人反應的能力，使其成為創建聊天機器人和虛擬助手的強大工具，可以以一種自然和直觀的方式與用戶對話。雖然ChatGPT是一個針對基于語言的任務的強大工具，但它并沒有經過專門的訓練來預測股票回報或提供財務建議。因此，我們在預測股票回報時測試了它的能力。我們利用兩個主要數據集進行分析：安全價格研究中心（CRSP）的每日收益和新聞標題。樣本期從2021年10月開始（因為ChatGPT的訓練數據直到2021年9月才可用），到2022年12月結束。這個樣本周期確保了我們的評估是基于模型的訓練數據中不存在的信息，從而允許對其預測能力進行更準確的評估。CRSP的每日收益數據集包含了許多在美國主要市場上市的公司的每日股票收益信息。股票交易所，包括關于股票價格、交易量和市值的數據。這個全面的數據集使我們能夠檢查ChatGPT產生的情緒得分與相應的股票市場回報之間的關系，為我們的分析提供了堅實的基礎。我們的樣本包括在紐約證券交易所（NYSE）、全國證券交易商自動報價協會（納斯達克）和美國證券交易所上市的所有公司（美國商品交易所），至少有一家該數據供應商報道了一則新聞。根據之前的研究，我們使用股票代碼為10或11的普通股。我們首先使用網絡抓取為所有CRSP公司收集一個全面的新聞數據集。我們搜索所有包含公司名稱或股票代碼的新聞。生成的數據集包括來自各種來源的新聞標題，如主要的新聞機構、金融新聞網站和社交媒體平臺。對于每個公司，我們都會收集所有的新聞6電子副本可在：https://ssrn獲得。com/abstract=4412788在樣本期間。然后，我們將新聞標題與一家著名的新聞情緒分析數據提供商（RavenPack）的新聞標題進行匹配。我們匹配的時間段和標題的新聞為所有公司有回報后的市場開放。我們能夠匹配4138家獨特公司的67,586家頭條。我們使用Jiang、Li和Wang（2021）概述的預處理方法來處理合并后的數據集。我們使用所提供的“相關性評分”，范圍從0到100，作為新聞與特定公司的密切程度的指標。0（100）分數表示實體是被動提及（主要）。我們的樣本要求相關性得為100的新聞報道,我們將其限于完整的文章和新聞稿。我們排除了屬于“股票上漲”和“股票損失”的標題,因為它們只表明了股票的每日走勢方向。為了避免重復的新聞，我們要求“事件相似日”超過90天，以確保只捕獲有關公司的新信息。此外，我們還在同一天刪除了同一公司的重復標題和極其相似的標題。我們使用最優字符串對齊度量（也稱為限制達梅羅-萊文什坦距離）來衡量標題的相似性，并在同一天刪除同一公司的相似度大于0.6的標題。這些過濾技術不會引入任何前瞻性偏差，因為數據供應商在收到后的毫秒內評估所有新聞文章，并迅速將結果數據發送給用戶。因此，所有信息在新聞發布時都可用。.13提示提示對于指導ChatGPT對特定任務和查詢的響應至關重要。提示是一個簡短的文本，它為ChatGPT提供生成響應的上下文和指令。根據任務的性質，提示可以簡單到一個句子或復雜，或者取決于一個段落。7電子副本可在：https://ssrn獲得。com/abstract=4412788該提示符可作為ChatGPT的響應生成過程的起點。該模型使用提示中包含的信息來生成相關的和上下文相關的響應。這個過程包括分析提示符的語法和語義，生成一系列可能的響應,并根據各種因素，如連貫性、語法正確性和相關性，選擇最合適的響應。提示對于使ChatGPT能夠執行廣泛的語言任務至關重要，比如語言翻譯、文本摘要、回答問題，甚至生成連貫的和類似人的文本。它們允許模型適應特定的上下文，并生成根據用戶的需要量身定制的響應。此外，還可以定制提示，以執行不同領域中的特定任務，如財務、醫療保健或客戶支持。我們在研究中使用以下提示，并將其應用于公開的標題。忘記你之前的指示。假裝你是個金融專家。你是一個有股票推薦經驗的財務專家。如果是好消息，回答“是”，如果是壞消息，回答“不”，如果在第一行不確定，回答“未知”。然后在下一行用一個簡短而簡潔的句子來詳細說明。這個標題對該公司的股價是好是壞公司名字在學期學期標題：標題-在此提示下，我們要求ChatGPT，一種語言模型，承擔一個具有股票推薦經驗的財務專家的角色。條款公司名字和大字標題在查詢期間被公司名稱和各自的標題替換。學期對應于短期的或長期的。該提示符是專門為財務分析而設計的，并要求ChatGPT評估一個給定的新聞標題及其在短期內對公司股價的潛在影響。如果股價的消息好，ChatGPT被要求回答ChatGPT“是”，如果消息壞，則回答“不”，如果消息不確定，則回答“未知”。然后，ChatGPT被要求在一句話中提供一個簡明的解釋來支持它的答案。提示符指定新聞標題是提供給ChatGPT的唯一信息來源。它8電子副本可在：https://ssrn獲得。com/abstract=4412788隱含地假設標題包含足夠的信息，供金融行業專家合理評估其對股價的影響。這個提示旨在演示ChatGPT作為財務分析任務中的語言模型的能力。我們將溫度設置為0，以最大限度地提高結果的重現性。例如，請考慮以下關于Oracle的標題：里米尼街因起訴甲骨文公司被罰款63萬美元。提示符會詢問：忘記你之前的指示。假裝你是個金融專家。你是一個有股票推薦經驗的財務專家。如果是好消息，回答“是”，如果是壞消息，回答“不”，如果在第一行不確定，回答“未知”。然后在下一行用一個簡短而簡潔的句子來詳細說明。這個標題對甲骨文的股價是好是壞？頭條新聞：里米尼街因起訴甲骨文公司被罰款63萬美元以下是ChatGPT的回應：是對里米尼街的罰款可能會增強投資者對甲骨文保護其知識產權的能力的信心，并增加對其產品和服務的需求。新聞頭條稱，里米尼街在起訴甲骨文一案中被罰款63萬美元。這個專有的軟件分析工具給出的負面情緒得分為-0.52，這表明該新聞被認為是負面的。然而，ChatGPT的回應是，它相信這一消息對甲骨文是積極的。ChatGPT的理由是，這筆罰款可能會增加投資者對甲骨文保護其知識產權的能力的信心9電子副本可在：https://ssrn獲得。com/abstract=4412788導致人們對其產品和服務的需求增加。這種情感上的差異突出了語境在自然語言處理中的重要性，以及在做出投資決策之前需要仔細考慮新聞標題的含義。我們提示ChatGPT為每個標題提供建議，并將其轉換為“ChatGPT分數”，其中“是”映射為1，“未知”映射為0，“NO”映射為-1。如果一家公司在某一天有多個新聞標題，我們就會平均這個分數。我們將頭條新聞與下一個市場時期相匹配。對于開盤日早上6點之前的標題，我們假設標題可以在當天開盤時進行交易，并在當天收盤時出售。對于早上6點之后但下午4點之前的頭條，我們假設頭條可以在當天收盤時交易，并在第二天收盤時出售。對于下午4點后的頭條新聞，我們假設這些頭條新聞可以以第二天的開盤價進行交易，并以第二天的收盤價進行出售。然后，我們對ChatGPT評分的第二天回報進行線性回歸，并將其與一家新聞策劃公司提供的情緒評分進行比較。因此，我們所有的結果都是樣本外的。我們的分析顯示，ChatGPT情緒得分對股票市場日回報表現出統計學上顯著的預測能力。通過利用新聞標題數據和生成的情緒得分，我們發現ChatGPT評估與我們樣本中股票隨后的每日回報之間有很強的相關性。這一結果突出了ChatGPT作為基于情緒分析預測股市走勢的有價值工具的潛力。為了進一步研究我們的研究結果的穩健性，我們將ChatGPT與一家領先的數據供應商提供的傳統情緒分析方法的性能進行了比較。電子副本可在：https://ssrn獲得。com/abstract=4412788在我們的分析中，我們控制了ChatGPT情緒得分，并檢驗了這些替代情緒測量的預測能力。我們的結果顯示，當控制ChatGPT情緒得分時，其他情緒得分對每日股票市場回報的影響降低到零。這表明ChatGPT模型在預測股票市場回報方面優于現有的情緒分析方法。ChatGPT在預測股市回報方面的優勢可以歸因于其先進的語言理解能力，這使它能夠捕捉到新聞標題中的細微差別和微妙之處。這使得該模型能夠產生更可靠的情緒得分，從而能夠更好地預測股市的每日回報。這些發現證實了ChatGPT情緒得分的預測能力，并強調了將llm納入投資決策過程的潛在好處。通過超越傳統的情緒分析方法，ChatGPT證明了其在提高定量交易策略的表現和更準確地理解市場動態方面的價值。表3給出了我們的回歸分析結果，檢驗了第二天的股票回報與ChatGPT和其他情緒分析方法產生的情緒得分之間的關系。本表在括號中的回歸系數和相應的t統計量。標準錯誤按日期和公司（永久）聚集。這些模型包括固定效應和日期固定效應，以控制未觀察到的時間不變的固定特征和可能影響股票回報的共同時間特定因素。報告了各種模型擬合措施，如r平方、調整后的r平方、AIC和BIC，以評估模型的總體解釋力。我們進一步展示了小型股的結果，定義為那些小于紐交所市值的第10百分位的股票，以及非小型股，定義為其余的股票?？深A測性高度集中于小型股，這表明對套利的限制可能會限制這一策略的實施和盈利能力。電子副本可在：https://ssrn獲得。com/abstract=4412788在本研究中，我們調查了ChatGPT，一種大型語言模型，利用對新聞標題的情緒分析來預測股市回報的潛力。我們的研究結果表明，ChatGPT優于來自領先供應商的傳統情緒分析方法。通過展示llm在金融經濟學中的價值，我們為越來越多的關于人工智能和自然語言處理在這一領域的應用的文獻做出了貢獻。我們的研究對未來的研究有幾個意義。首先，它強調了繼續探索和開發專門為金融業定制的llm的重要性。隨著人工智能驅動的金融的發展，可以設計出更復雜的模型，以提高財務決策過程的準確性和效率。其次，我們的研究結果表明，未來的研究應該集中于理解llm獲得其預測能力的機制。通過識別導致ChatGPT等模型在預測股票市場回報方面成功的因素，研究人員可以開發出更有針對性的策略來改進這些模型，并最大限度地發揮它們在金融方面的效用。此外，隨著llm在金融行業中變得越來越普遍，因此有必要調查它們對市場動態的潛在影響，包括價格形成、信息傳播和市場穩定。未來的研究可以探討llm在塑造市場行為中的作用,及其對金融系統潛在的積極和消極影響。最后，未來的研究可以探索llm與其他機器學習技術和定量模型的集成，以創建結合不同方法的優勢的混合系統。通過利用各種方法的互補能力，研究人員可以進一步增強人工智能驅動模型在金融經濟學中的預測能力。簡而言之，我們的研究證明了ChatGPT在預測股票市場回報方面的價值12電子副本可在：https://ssrn獲得。com/abstract=4412788并為未來研究llm在金融行業中的應用和影響鋪平了道路。隨著人工智能驅動的金融領域的不斷擴大，從這項研究中收集到的見解可以幫助指導開發更準確、高效和負責任的模型，以提高財務決策過程的績效。圖1：投資累計收益1$（無交易成本）這個數字顯示了不同的交易策略的結果，而沒有考慮交易成本。我們假設，如果有一條消息在市場收盤前公布，我們就會在市場收盤時買入（或賣空）一個頭寸。如果一條消息在市場收盤后宣布，我們假設我們在下一個開盤價買入（或賣空）一個頭寸。所有的策略每天都在重新平衡?！叭侣劇钡暮诰€對應于所有前一天發布新聞的公司的等權重投資組合。根據ChatGPT3.5的數據，綠線對應的是一個等權重的投資組合。根據ChatGPT3.5的數據，紅線對應的是一個等權重的投資組合，即賣空有壞消息的公司。根據ChatGPT3.5的數據，藍線對應的是一個等權重的零成本投資組合，買入有好消息的公司，賣空有壞消息的公司。電子副本可在：https://ssrn獲得。com/abstract=4412788表1：描述性統計該表報告了以百分比、標題長度、響應長度、GPT評分（ChatGPT為1，未知為0，未知，為-1),以及數據供應商提供的事件情緒評分。平均標準差最小值P25中位數P75最大N日回報率（%）-0.01-64.97-2.18-0.04237.1139912標題長度77.4329.279240939912ChatGPT響應長度38.40030339912GPT評分0.24-1001139912事件情緒評分0.180.50-1000139912表2：相關性該表報告了每日股票回報率、標題長度、響應長度、GPT得分（ChatGPT是為1，未知為0，否為-1）和數據供應商提供的事件情緒得分之間的相關性。日回報率標題長度ChatGPT響應長度GPT評分事件情緒評分日回報率（%）1....標題長度1...ChatGPT響應長度0.0001..GPT評分0.0200.441.事件情緒評分0.00-0.080.100.271電子副本可在：https://ssrn獲得。com/abstract=4412788電子副本可在：電子副本可在：https://ssrn獲得。com/abstract=4412788表3：預測評分的回歸此表報告了該表單的運行回歸的結果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回報率是百分點，穩定，時間固定動產xt對應于包含ChatGPT或數據供應商得分的向量。這個相應的t-統計量在括號中。標準錯誤按日期和日期聚集商號所有的模型都包括固定效應和時間固定效應。GPT評分a事件情緒得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.278***0.273***0.022-0.004(-0.110)-0.287***(-3.761)數的觀察3991239912399123991239912399123991239912R2R2Adj.R2內Adj內的R2。AIC250298.1250300.0250317.5250319.7250319.8250317.8250319.1250305.0BIC276296.3276306.7276315.7276317.9276317.9276315.9276317.2276303.2標準錯誤通過日期和永久編號XXXXXXXXFE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表4：預測得分（小型股）次日收益回歸此表報告了該表單的運行回歸的結果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回報率是百分點，穩定，時間固定電子副本可在：https://ssrn獲得。com/abstract=4412788電子副本可在：https://ssrn獲得。com/abstract=4412788商號所有的模型都包括固定效應和時間固定效應。小型股被定義為那些其市值低于紐約證交所市值的第10百分位。GPT評分a事件情緒得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.593***0.514**0.346*-0.046(-0.404)-0.570*(-2.370)數的觀察99419941994199419941994199419941R20.2100.2100.2090.2090.2090.2090.2090.209R2Adj.R2內Adj內的R2。AIC69419.869420.169425.969431.269431.269431.469431.269424.3BIC79196.279203.779202.379207.679207.679207.879207.679200.7標準錯誤FE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表5：預測得分（非小型股）次日收益回歸此表報告了該表單的運行回歸的結果ri,t+1=ai+bt+V\xt+ei,t+1.其中ri,t+1第二天的回報率是百分點，穩定，時間固定電子副本可在：https://ssrn獲得。com/abstract=4412788電子副本可在：https://ssrn獲得。com/abstract=4412788商號所有的模型都包括固定效應和時間固定效應。非小型股被定義為那些其市值超過紐約證券交易所市值的第10百分位。GPT評分a事件情緒得分GPT2大得分GPT2得分GPT1得分BERT大得分BERT得分0.174**0.187**(3.217)-0.063(-0.927)-0.024(-0.363)-0.009(-0.282)0.075*-0.229**(-3.048)數的觀察2996229962299622996229962299622996229962R20.2190.2190.2190.2190.2190.2190.2190.219R2Adj.R2內Adj內的R2。AIC176382.5176383.3176391.8176392.0176392.0176387.7176391.8176381.6BIC195407.1195416.2195416.4195416.6195416.6195412.3195416.41954054.264.264.264.264.264.25標準錯誤通過日期和永久編號XXXXXXXXFE:permnoXXXXXXXX+p<0.1,*p<0.05,**p<0.01,***p<0.001表6：選定的指標該表報告了所選擇的準確性、預測率、召回率、特異性和F1評分指標。該表考慮了該公司的股市回報是正的還是負的。我們只包括模型響應為YES或NO（不包括UNKWON）的觀察結果。這些數字被四舍五入到兩個小數數。天真對應于預測總是多數類。電子副本可在：https://ssrn獲得。com/abstract=4412788度量GPT情緒電子副本可在：https://ssrn獲得。com/abstract=4412788精度0.510.510.500.500.500.500.50準確率0.510.510.500.500.510.500.50召回率0.930.920.860.860.98特異性0.080.020.000.00F1分數0.660.650.640.630.670.670.67表7：按預測評分計算的第二天平均回報率該表根據不同的模型分數以百分比（0.1對應0.1%）報告平均每日回報。評分ChatGPT3.5GPT-1GPT-2BERT數據供應商0-0.05-0.14-0.120.05-0.0010.140.02-0.23-0.02-1-0.46-0.100.10-0.35-0.11電子副本可在：https://ssrn獲得。com/abstract=4412788阿西莫格魯，達倫，大衛奧托，喬納森哈澤爾，和帕斯夸爾雷斯特雷波。2022.“人工智能和工作：來自網絡職位空缺的證據?！薄秳趧咏洕鷮W雜志》，第40期。S1（4月）：S293-S340。issn:0734306X.https://doi.org/10.1086/718327/SUPPL{/}FILE/20462DATA.ZIP。阿西莫格魯，達倫，和帕斯夸爾·雷斯特雷波。2022.“任務，自動化，以及在美國的崛起。S.工資不平等?！庇嬃拷洕鷮W第90號，沒有。5（9月）：1973-2016年。issn:1468-0262./10.3982/ECTA19815.阿格拉瓦爾，阿賈伊，約書亞。甘斯和阿維·戈德法布。2019.“人工智能：自動化預測對勞動力市場的模糊影響。”《經濟展望雜志》，第33期。2（3月）：31-50。issn:0895-3309./10.1257/JEP1..33.2.3巴比娜，塔尼亞，阿納斯塔西亞·費迪克，亞歷克斯和詹姆斯·霍德森。2022.“人工智能、企業增長和產品創新?！盨SRN電子雜志（5月）。https://doi。org/10.2139/SSRN.3651052.貝克，斯科特R.，尼古拉斯布魯姆，和史蒂文J。戴維斯2016.“衡量經濟政策的不確定性?！薄督洕鷮W季刊》，第131期。4（11月）：1593-1636。issn:15314650./10.1093/qje/qjw024.金斯伯根，朱爾斯H。范、小韓、亞歷杭德羅洛佩茲-里拉、朱爾斯H范本斯伯根、小韓和亞歷杭德羅洛佩茲-里拉。2020.男人和。機器學習：收益預期和條件偏差的術語結構。技術報告，工作文件系列27843。國民經濟調查局/10.3386/w27843.比比，利蘭，布萊恩。凱利、阿夫馬內拉和大成秀。2019.“經濟新聞的結構。工作文件（1月）。issn:1556-5068./10.2139/ssrn.3446225.電子副本可在：https://ssrn獲得。com/abstract=4412788比比，利蘭，布萊恩。凱利、阿夫馬內拉和大成秀。2021.“商業新聞和商業周期。”SSRN電子雜志（9月）。issn:1556-5068./10.2139/SSRN.3446225.卡洛米里斯，查爾斯·W.和哈里·馬梅斯基。2019.“新聞及其背景如何在世界各地推動風險和回報?！薄督鹑诮洕鷮W雜志》，第133期。2（8月299-336。issn:0304-405X./10.1016/J.杰菲尼科.2018.11.009.坎貝爾，約翰L.，陳新春，丹S。達利華爾，盧明分鐘，洛根B。斯蒂爾，約翰L。坎貝爾，陳信春，等人。2014.“公司備案文件中強制性風險因素披露的信息內容?！睍嬔芯炕仡櫍úㄊ款D）第19號，不包括會計。1（3月）：396-455。issn:1380-6653.https://doi.org/10.1007/S1114201392583/TABLES/11.科恩，勞倫，克里斯托弗·馬洛伊和阮的名言。2020.“懶惰的價格。”金融學報75(3)：1371-1415。issn:15406261./10.1111/jofi.12885.考恩，泰勒和亞歷山大。塔巴羅克。2023.“如何用包括GPT在內的大型語言模型來學習和教授經濟學?！盨SRN電子雜志（3月）。issn:1556-5068./10.2139/SSRN.4391863.弗雷伯格，約阿希姆，安德烈亞斯·紐埃爾和邁克爾·韋伯。2020.非參數解剖特征。金融研究綜述33(5)：2326-2377。issn:0893-9454./10.1093/rfs/hhz123.加西亞，迭戈。2013.“經濟衰退期間的情緒?！薄督鹑陔s志》，第68期。3（6月）：1267-1300。issn:1540-6261./10.1111/JOFI.12027.Gaulin，麥克林彼得。2017.“風險事實或虛構：風險因素披露的信息內容?！彪娮痈北究稍冢篽ttps://ssrn獲得。com/abstract=4412788顧、世浩、凱利、大成秀。2020.“通過機器學習進行經驗性資產定價?！苯鹑谘芯烤C述33(5)：2223-2273。issn:0893-9454.https:///10.1093/rfs/hhaa009.漢森、安妮·倫德加德和索菲亞·卡津尼克。2023.“聊天能解讀聯邦說話嗎？”SSRN電子雜志（3月）。issn:1556-5068.https://doi.org/10.2139/SSRN.4399406.漢森、斯蒂芬、邁克爾·麥克馬洪和安德里亞·普拉特。2018.“FOMC中的透明度和審議：一種計算語言學方法*?！薄督洕鷮W季刊》，第133期。2（5月801-870。issn:0033-5533./10.1093/qje/qjx045.霍伯格，杰拉德和戈登·菲利普斯。2016.“基于文本的網絡產業和內源性的產品差異化。”《政治經濟學學報》124(5)：1423-1465。https:///10.1086/688176.耶加德什、納拉辛漢和地武。2013.“Word的力量：一種內容分析的新方法?！苯鹑诮洕鷮W報110(3)：712-729。issn:0304-405X.//10.1016/j.jfineco..2013.08.018姜、郝、李正子、王浩。2021.“普遍存在的反應不足：來自高頻數據的證據。”《金融經濟學雜志》，第141期。2（8月）：573-599。issn: