【方正金工】ChatGPT投资相关插件测试及策略开发——ChatGPT应用探讨系列之四

方正曹春晓邓璐 2026-06-30 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 3 /5

核心内容

报告系统测试了ChatGPT投资相关插件（Wolfram、AskYourPDF、WebPilot、PortfolioPilot、Boolio Invest、PortfoliosLab等），并重点使用Noteable插件辅助开发两个模型：基于LSTM的沪深300指数择时模型和基于机器学习的A股财务造假预测模型。财务造假预测模型采用控制样本匹配法构建正负样本，选取审计师意见、前一年度是否亏损、前五大股东占比、应收/预付/其他应收款占流动资产比例等特征，准确率较高但精确率/召回率/F值较低。

经济逻辑

财务造假识别基于公司造假动机和常见手段：虚增收入往往伴随应收账款异常增长，预付款项/其他应收款常被用于资金占用或虚假交易，审计师意见反映财报可信度，前一年度亏损是ST退市压力下的造假动机，前五大股东占比反映股权集中度与掏空风险。LSTM择时基于指数历史序列的模式识别能力捕捉趋势性涨跌方向。

超额收益逻辑

财务造假预测模型通过识别造假公司可规避踩雷风险，或在造假公告后做空获利；LSTM择时模型通过序列模式识别预测沪深300涨跌方向，择时做多/做空获取超额收益。但报告未给出具体回测收益数据，仅展示模型评估指标。

构造细节 [model]

模型架构

1) LSTM择时模型：使用LSTM网络对沪深300指数日频数据进行序列建模，预测涨跌方向；具体网络层数、隐藏单元数、学习率等超参数报告未明确。2) 财务造假预测模型：机器学习分类模型，输入特征包括审计师意见、前一年度是否亏损、前五大股东占比、应收账款/预付款项/其他应收款占流动资产比例等；具体算法（决策树/随机森林/XGBoost/神经网络等）报告未明确说明。

输入

审计师意见前一年度是否亏损前五大股东占比应收账款占流动资产比例预付款项占流动资产比例其他应收款占流动资产比例（可能含更多未列示财务特征）

输出

财务造假概率（二分类0/1）

训练

通过Noteable插件在ChatGPT交互界面内创建Jupyter笔记本完成训练；造假样本与对照样本按控制样本匹配法划分；使用上述财务特征训练分类模型；评估指标包括准确率、精确率、召回率、F值；准确率较高但精确率/召回率/F值较低，与样本分布不平衡有关，报告提及可继续交互改进但未展开

数据输入

: (日频): (年度): (年度): (年度): (年度): (年度): (年度): (年度): (年度)

组合方式

报告未提及多模型集成或特征组合方法，直接使用单一分类模型

绩效

较高

准确率

较低

精确率

较低

召回率

较低

F值

通过Noteable插件构建了LSTM模型对沪深300指数择时，并训练了A股财务造假预测模型。财务造假预测模型准确率较高，但精确率、召回率、F值等相对较低。

收益归因

稳健性

子样本稳定性: 报告未讨论子样本稳定性

风格偏差: 报告未讨论风格偏差

报告未对模型稳健性进行系统分析。财务造假预测模型因正负样本严重不平衡（造假公司远少于正常公司），准确率虽高但精确率/召回率/F值较低，模型对少数类（造假样本）识别能力不足。LSTM择时模型未提供回测收益及稳健性分析。

数据依赖

所需数据: 1) 沪深300指数日频行情数据（API下载）；2) A股2002年后被证监会/交易所公开处罚的财务造假公司名单及首次造假年份；3) 造假样本当年同行业A股上市公司（对照样本）的财务指标：审计师意见、前一年度是否亏损、前五大股东占比、应收账款/预付款项/其他应收款占流动资产比例等

可复现性: medium

需ChatGPT Plus订阅及Noteable插件访问权限；财务造假公司名单需从证监会/交易所网站手动整理，特征指标可从Wind/Choice/Tushare获取；Noteable平台文件数≤25、单文件≤100MB限制需注意；模型具体超参数和算法未明确，完全复现有一定难度

新颖性评估 [新方法]

报告核心新意在于将ChatGPT插件生态（特别是Noteable插件）整合到投研工作流中，实现从数据下载、EDA分析、模型训练到评估的端到端交互式开发。模型方法本身（LSTM择时、财务造假分类）无显著创新，主要贡献是工具链整合的实践探索和插件功能对比测试。

不足与缺陷

LSTM择时模型缺乏具体网络结构参数（层数、隐藏单元数、序列长度、学习率、训练轮数等），无法复现
财务造假预测模型未指明具体使用的机器学习算法（随机森林？XGBoost？逻辑回归？），无法复现
未给出准确率/精确率/召回率/F值的具体数值，仅用'较高'/'较低'定性描述
未对样本类别不平衡问题进行处理（如SMOTE、class_weight等），这是精确率低的直接原因
LSTM择时策略未给出回测收益、胜率、最大回撤等性能指标，无法评估实际投资价值
对照样本匹配方法仅说明'同行业'，未说明是否控制市值、上市年限等因素，匹配精度存疑
PortfolioPilot、Boolio Invest等插件的定量模型开发细节未公开，结果可信度无法评估
A股数据无法通过PortfolioPilot/PortfoliosLab获取，限制了国内投研的直接应用
特征指标清单可能不完整，报告表述为'等一系列指标'，未给出完整特征列表

可复用元素

Noteable插件作为ChatGPT代码执行环境的工作流整合思路，可借鉴用于自动化投研流程
财务造假样本构建方法：剔除IPO前及新股上市当年造假、首次造假年份去重、控制样本匹配法
财务造假特征指标清单：审计师意见、前一年度是否亏损、前五大股东占比、应收/预付/其他应收款占流动资产比例
ChatGPT投资相关插件的功能对比矩阵（PortfolioPilot vs Boolio Invest vs PortfoliosLab）
Noteable平台的数据限制说明（25文件/100MB）及替代方案（S3/GCS/Azure/数据库连接）

启发

可使用ChatGPT + Noteable插件实现投研工作流的自动化，降低模型开发门槛
财务造假预测可结合NLP文本特征（年报语调、管理层讨论与分析的异常表述、问询函回复延迟等）增强模型
ChatGPT插件生态可作为国产大模型应用落地的参考框架，国内可开发类似的投研插件生态
AskYourPDF插件可自动从年报PDF中提取信息并存储至向量数据库，可用于构建年报知识库
可利用WebPilot插件自动抓取研报/公告网页内容并结构化提取信息

改进方向

将Beneish M-Score的8个分量（DSRI应收账款指数、GMI毛利率指数、AQI资产质量指数、SGI销售增长指数、DEPI折旧指数、SGAI销售管理费用指数、LVGI杠杆指数、TATA总应计资产比）与报告中的审计师意见、前一年度是否亏损、前五大股东占比等特征合并，训练XGBoost分类器，并使用SMOTE过采样或class_weight='balanced'处理类别不平衡

基于: 本报告的财务造假特征选择思路 + 传统Beneish M-Score方法预期收益: 通过更全面的特征集和类别不平衡处理，预期提升精确率和召回率，F值有望从'较低'提升至0.5以上

在LSTM择时模型基础上引入注意力机制（Attention）并融合宏观经济特征（利率、汇率、PMI、社融等），使用Transformer编码器替代LSTM，序列长度扩展至60日以上

基于: 本报告LSTM沪深300择时思路预期收益: 增强长程依赖建模和多源信息融合能力，预期提升择时胜率和超额收益

构建年报文本特征（管理层讨论与分析的情感得分、语调变化、模糊表述频率、问询函相关特征），与财务特征融合训练造假预测模型

基于: 本报告财务造假预测模型的特征工程思路预期收益: 文本特征可捕捉财务数据之外的造假信号，预期显著提升召回率

复现计划

1) 注册ChatGPT Plus并安装Noteable插件；2) 从证监会、沪深交易所网站整理2002年后A股财务造假公司处罚公告，提取首次造假年份，剔除IPO前及新股上市当年造假数据；3) 按控制样本匹配法选取造假样本当年同行业上市公司（剔除被处罚公司）作为对照样本；4) 从Wind/Choice/Tushare获取以下特征：审计师意见、前一年度是否亏损、前五大股东占比、应收账款/预付款项/其他应收款占流动资产比例（建议补充Beneish M-Score 8分量）；5) 使用Noteable插件在ChatGPT内创建Jupyter笔记本，调用API下载沪深300日频数据训练LSTM择时模型（需自行设定超参数）；6) 对财务造假数据使用SMOTE处理类别不平衡后训练XGBoost/LightGBM分类器；7) 评估准确率/精确率/召回率/F值/AUC；8) 注意Noteable平台文件数≤25、单文件≤100MB限制，大数据可上传至S3或连接数据库