- 选用表现较好的 LoRA 模式针对前期部署的 ChatGLM2 进行微调。为实际测试模型的微调效果。在数据选择上,发现医药行业新闻对于公司的业绩影响推导逻辑链条会更加直接,对大模型而言更易于学习。
- 最终我们综合对比各大模型在中文金融领域的能力后,选择首先使用ChatGPT3.5的输出结果作为标签让ChatGLM2进行学习。结果发现,该标签质量较高,对于未来股价一段时间的超额收益率走势有一定的预测作用。
- 最终我们以微调后的ChatGLM2-LoRA模型所给出标签构建医药行业周度舆情精选策略,发现在不考虑手续费的情况年化超额收益率达到30%左右。是一种绝佳的能够在控制成本和数据隐私性安全的情况下使用大模型进行投研辅助的方式。



雷达卡




京公网安备 11010802022788号







