【方正金工】ChatGPT在择时、风格、行业、选股中的应用实践——ChatGPT应用探讨系列之二

方正曹春晓 2026-06-30 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

研报通过ChatGPT生成代码，实现了四个维度的量化策略：1. 均线排列择时：计算1至252日所有相邻均线的相对位置（短大于长得1分，反之-1分），累加得到排列得分，对得分做60日均线平滑，大于均线做多，小于做空；2. 风格轮动观测：将两组风格指数的相对强弱净值进行一阶与二阶导数拟合，若beta1>0且beta2>0则处于一象限（加速上行，前者占优），若beta1<0且beta2<0则处于三象限（加速下行，后者占优）；3. 行业基本面景气轮动：基于整体法计算申万一级行业TTM和单季度的净利润、营收及ROE等6项指标，滚动8季度zscore去除行业固有趋势，等权合成景气得分，选前6后6构建多空；4. “适度冒险”高频因子：剔除开盘收盘，计算分钟成交量增量，筛选大于“均值+1倍标准差”的激增时刻，利用激增后价格波动构建因子。

经济逻辑

均线排列打分捕捉了全频段趋势共振的强度；风格相对强弱的二阶导数反映了资金轮动的加速度；行业基本面景气度的边际变化（zscore标准化）驱动股价跨期定价；成交量激增代表了信息冲击，若激增后价格未明显波动为反应不足，波动剧烈为反应过度，该反应差异具有预测能力。

超额收益逻辑

行业轮动超额收益来源于财报披露后市场对基本面景气度边际改善的线性外推定价偏差；适度冒险因子超额来源于量价微观结构中，机构资金建仓引发量能激增但价格尚未充分反映时的“反应不足”套利空间。

构造细节 [strategy]

数据输入

: (日频): (日频): (季度): (分钟频)

组合方式

行业景气度6个zscore指标等权合成；适度冒险因子由“耀眼波动率”与“耀眼收益率”合成。

绩效

-9.66%

适度冒险因子 Rank IC

-4.02

适度冒险因子 Rank ICIR

33.28%

适度冒险因子多空组合年化收益

84.93%

适度冒险因子月度胜率

11.28%

行业轮动多头组合年化收益率

1.75%

行业轮动空头组合年化收益率

9.53%

行业轮动多空年化收益

基准: 沪深300指数(择时部分)

回测期: 行业轮动2012年以来；选股因子2017年以来

本文利用ChatGPT辅助构建了择时、风格轮动、行业轮动及选股因子。其中“适度冒险”因子自2017年以来全市场月度频率上Rank IC达-9.66%，多空年化收益33.28%；行业轮动策略自2012年以来多头组合年化收益率11.28%，多空年化收益9.53%。

收益归因

缺口: 报告未涉及收益归因分析。

稳健性

子样本稳定性: 适度冒险因子月度胜率高达84.93%，Rank ICIR达-4.02，表现出较高稳定性；行业轮动策略多空净值曲线整体平稳。

风格偏差: 当前信号显示价值、大盘、低估值、绩优股占优。

策略均基于清晰的经济金融逻辑构建，未发现过拟合特定时间段的显著风险，回测表现稳健。

数据依赖

所需数据: 指数日频行情、申万一级行业成分股季度财务数据、全市场个股分钟频量价数据。

可复现性: medium

数据需求均为常规量化数据，但高频量价数据的清洗和“适度冒险”因子激增后窗口参数的设定需要一定工程细节，行业整体法计算也需仔细对齐财报披露日期。

新颖性评估 [综述]

本文核心创新不在于提出全新的金融理论，而在于方法论上的示范：验证了ChatGPT在处理复杂量化逻辑（如多均线系统、财务指标整体法、高频量价计算）时，能快速生成可复用Python代码，大幅提升投研产能。

不足与缺陷

均线排列打分使用1-252所有整数周期，导致均线间高度共线性且计算存在冗余，未进行降维或筛选。
风格轮动模型基于相对强弱曲线遵循正弦波理想假设，在震荡市中可能产生频繁的错误拐点信号。
行业轮动策略完全依赖历史财报，更新频率极低，存在漫长的业绩真空期，容易在宏观突变时失效。
研报对适度冒险因子的描述因文章截断而缺失激增后观察窗口N的具体取值等核心可复现参数。
各类策略均未提及交易成本、滑点冲击，特别是高频量价因子和频繁切换的均线择时在扣除成本后实际收益可能大幅衰减。

可复用元素

使用1-252全周期均线打分并二次平滑的思想，提供了一种构建连续择时信号的新视角。
使用相对强弱一阶与二阶导数映射四象限，为风格轮动的可视化与状态识别提供了简便工具。
财务指标滚动8季度zscore标准化，是过滤行业属性、提取纯Alpha边际变化的有效预处理手段。
通过Prompt分步骤向ChatGPT描述策略逻辑以生成代码的工程范式极具实操参考价值。

启发

量价微观结构中的“激增时刻”不仅可用于选股，也可尝试用于指数择时或行业ETF的短期轮动。
zscore标准化提取边际变化的方法可推广至所有慢变量（如分析师预期、宏观数据），以提升其指前性。

改进方向

基于主成分与凸性的均线择时优化

基于: 均线排列择时模型预期收益: 使用PCA对1-252日均线提取主成分趋势信号，并引入均线排列曲率(二阶导)过滤震荡行情，可降低冗余计算并显著减少虚假信号带来的换手成本，提升择时夏普比率。

复现计划

1. 数据准备：下载沪深300日频数据，申万一级行业分类及财务数据，全市场个股分钟数据。2. 择时复现：编写代码计算1-252日SMA，逐日计算相邻均线得分和，对得分序列做60日SMA平滑，生成多空信号回测。3. 行业轮动复现：根据财报日期，用整体法计算行业财务指标，计算6项环比/同比增速，滚动8季zscore后等权合成，按4/30、8/31、10/31调仓选前6后6行业。4. 选股因子复现：处理分钟数据剔除首尾，计算分钟增量及每日阈值筛选激增时刻，测算激增后N分钟(需参数寻优5-20min)的收益与波动率，合成因子并按月做分层回测验证IC。