用AI大模型辅助投资决策

在金融市场赚钱需要对资产的短期或长期潜力形成看法。测试这些观察结果过去需要编程专业知识。但是现在可以用大模型在几分钟内完成财务分析和性能测试的繁重工作。

用AI大模型辅助投资决策
一键发币: SOL | BNB | ETH | BASE | Blast | ARB | OP | POLYGON | AVAX | FTM | OK

在金融市场赚钱需要对资产的短期或长期潜力形成看法。你可以根据历史趋势、股票新闻事件、技术分析或你对市场的任何观察来形成这些看法。

测试这些观察结果过去需要编程专业知识。但是,由于有了大型语言模型,你现在可以在几分钟内完成财务分析和性能测试的繁重工作。本文的目的是向你展示如何做到这一点。

要继续阅读,请单击此链接查看我与帮助我执行此分析的人工智能 (AI) 助手 Aurora 的确切对话。

1、形成假设

过去 5 年比特币的价格 – 上涨 568%

除非你正在进行高频交易或套利之类的操作,否则为了成为一名成功的交易者或投资者,你必须对资产未来的长期或短期走势有自己的看法。

例如,如果你决定做多比特币,那是因为你相信它可能会上涨。

做多比特币的交易者认为比特币短期内可能会上涨。这通常受到新闻、地缘政治事件和技术分析的影响(例如,如果比特币本周大幅上涨,下周可能会从历史高点短暂回调)。

同样,投资者认为比特币长期内可能会上涨。他们可能认为比特币是一种通用的价值存储手段,或者它是黄金的数字版本。或者,他们看到比特币在过去 5 年里几乎每年都在上涨,并相信它会在第 6 年再次上涨。

无论情况如何,交易员和投资者对资产的方向都有自己的看法,并买入头寸以从该方向获利。

2、使用AI测试假设

让我们探索如何使用AI快速测试投资假设。

测试 1:市值高的人工智能股票

我向 Aurora 询问 2021 年市值排名前 10 的AI股票的截图

使用人工智能,我们可以非常快速地测试我们的假设。这是一个例子。

假设我们认为一年市值较高的股票会在明年带来更好的回报。

创建包含前 10 只人工智能股票的投资组合

为了测试这一点,我们可以选取一年内市值排名前 10 的股票,看看它们的价格在明年如何变化。首先,让我们看看按市值排名前 10 的人工智能股票。

2021 年自由现金流最高的 10 只 AI 股票——从 2022 年 3 月 15 日到今天的回测

我们可以看到,投资市值最高的 10 只 AI 股票在 2022 年带来了显着的收益。对于这次回测,我从 4 月 1 日开始,因为 2021 年的部分收益是在 2022 年初报告的。

与投资大盘 (0.41) 相比,该策略的夏普比率 (0.51) 略高。然而,它的最大和平均回撤也略高。

现在,假设我们有另一个假设。如果我们取这些股票的平均自由现金流,并且只投资金额更大的资产会怎样?

测试 2:自由现金流高的 AI 股票

我要求 AI 计算平均自由现金流的截图

我们的下一个测试将使用 AI 投资自由现金流高于平均水平的股票。首先,我让 Aurora 从这份股票清单中计算平均自由现金流。

众所周知,LLM的数学成绩很差。但实际上,它在这个计算上做得相当不错,这个 Python 脚本验证了这一点。

# Calculating the average free cash flow based on the provided values.

# Given free cash flow values
free_cash_flows = [
    92882841297,   # Apple Inc (AAPL)
    56094517539,   # Microsoft Corporation (MSFT)
    8129295509,    # NVIDIA Corp (NVDA)
    67084695495,   # Alphabet Inc (GOOGL/GOOG)
    -14732395083,  # Amazon.com Inc (AMZN)
    39110197139,   # Meta Platforms Inc (META)
    3509410226,    # Tesla Inc (TSLA)
    11083950347    # Walmart Inc (WMT)
]

# Calculating the sum of the free cash flows
total_free_cash_flow = sum(free_cash_flows)

# Number of stocks (using 8 as specified)
number_of_stocks = 8

# Calculating the average free cash flow
average_free_cash_flow = total_free_cash_flow / number_of_stocks
average_free_cash_flow # = 32895314058.625

接下来,我告诉 AI 查询 2023 年自由现金流大于 32,882,814,059 美元(LLM 的输出)的 AI 股票。

最后,我创建了另一个投资组合,并从 3 月 15 日到今天对其进行了回测(为了避免前瞻偏差)。

要求 Aurora 创建投资组合并启动回测

我们可以看到,这些投资组合再次以增加波动性为代价,百分比变化更高。

从 2024 年 3 月 15 日到今天进行回测


重要的是,该投资组合的 sharpe 比率和 sortino 比率比大盘更差,表明在考虑风险后回报率更差。

比较方法

虽然数据不足以得出明确结论,但从我们收集到的信息来看,投资自由现金流较高的股票似乎不会比投资市值排名前 10 的 AI 股票带来更好的回报。

但是,就百分比变化而言,这两种方法都优于市场。这可能表明,仅投资市值较高的股票对未来回报有利。

3、注意事项和限制

从这个实验中得出有力的结论需要谨慎。人工智能的许多方面都可能使这种分析具有误导性,包括:

  • 如果原始数据存在问题
  • 如果回测存在前瞻性偏差
  • 如果人工智能模型对财务指标或市场动态的理解不完整或有偏差
  • 回测是在近期的短时间内进行的

甚至我们选择投资人工智能股票这一事实也是一种前瞻性偏差,因为我们知道人工智能股票在 20 年代后期往往会获得超额回报。投资者和交易员需要谨慎对待他们所做的预测,因为一年有效的方法可能永远不会再有效。这是非平稳市场的影响。

4、进一步分析

这些示例展示了你可以借助大型语言模型 (LLM) 运行的极其简单的数据支持实验。你可以使用净收入、收入、市盈率等进行类似的测试。对话继续提出其他问题以进行财务比较,包括对微软与 Meta 的收益进行比较的简要分析。

形成假设、测试假设,然后完善假设的过程,金融分析师需要数周甚至更长时间才能完成。现在,多亏了人工智能,我们可以在几分钟内完成同样的分析。其他人只需点击一下按钮,就可以立即从其他人停止的地方继续工作。

正如我在文章中一直说的那样,这是改变游戏规则的。人工智能与金融分析的结合将重新定义量化分析师和分析师的角色。通过自动化日常任务,人工智能将让专业人士腾出时间专注于战略制定中更复杂、更细微的方面。这种转变将使交易方式更具创造性和洞察力,在人工智能仍然不足的领域利用人类的专业知识。


原文链接:A step-by-step guide on using AI to become a better trader and investor

DefiPlot翻译整理,转载请标明出处

通过 NowPayments 打赏