---

ChatGPT炒股实战：基于LLM的量化交易策略开发指南

1. 传统技术分析的“老毛病”

我最早做量化时，满屏都是MACD、KDJ、布林带。跑完回测发现，收益曲线看着漂亮，一上实盘就“翻车”。症结无非三点：

• 技术指标天生滞后，价格走完了才金叉死叉，滑点吃光利润。
• 财报、突发新闻、社媒情绪这类文本数据，用关键词打分太粗糙，“利好”可能被打成“利空”。
• 特征工程靠人肉，换一只票就要重新调参，策略迁移性极差。

于是我把目光投向大模型：让LLM直接读新闻、给信号，把“情绪”量化成可执行的交易指令。

2. 技术方案：FinBERT vs ChatGPT

FinBERT金融领域预训练，专业术语准，但只有两个标签（positive/negative），粒度太粗；而且自己微调要标注数据，成本不低。ChatGPT zero-shot就能吐出“强烈看空”“谨慎做多”这类带程度的词，还能给出理由，方便我做五档信号（+2 +1 0 -1 -2）。

Prompt我迭代了七版，最终定型如下，token 120 左右，便宜又稳定：

你是一名资深交易员。请阅读以下财经新闻，给出交易信号（+2强烈做多，+1谨慎做多，0观望，-1谨慎做空，-2强烈做空），并一句话说明理由。输出格式：信号|理由
新闻：{text}

把新闻标题+正文拼进 {text}，temperature 设 0.3，既抑制幻觉，又保留一定区分度。

3. 核心代码：端到端流水线

下面代码全部跑通 Python3.10，依赖见注释。为了阅读体验，我拆成四段，每段都能单独测试。

3.1 新闻爬取与清洗（以新浪财经为例）

# pip install requests beautifulsoup4 lxml
import requests, bs4, datetime as dt, pandas as pd

HEADERS = {"User-Agent": "Mozilla/5.0"}
def crawl_sina_finance(page=1):
    url = f"https://feed.sina.com.cn/api/roll/get?pageid=153&lid=2516&k=&num=50&page={page}"
    data = requests.get(url, headers=HEADERS, timeout=10).json()
    records = []
    for item in data["result"]["data"]:
        records.append({
            "time": dt.datetime.fromtimestamp(int(item["ctime"])),
            "title": item["title"],
            "url": item["url"]
        })
    return pd.DataFrame(records)

def clean_text(url):
    html = requests.get(url, headers=HEADERS, timeout=10).text
    soup = bs4.BeautifulSoup(html, "lxml")
    article = soup.find("div", class_="article")  # 新浪正文容器
    if not article:
        return ""
    return " ".join(p.text for p in article.find_all("p"))

# 示例：抓两页，清洗后落盘
df = crawl_sina_finance(page=1)
df["body"] = df["url"].apply(clean_text)
df = df[df["body"].str.len() > 40]  # 过滤太短
df.to_csv("news_raw.csv", index=False)

时间复杂度：爬取 O(n)，清洗正则 O(m)（m 为单篇字符数），整体可忽略。

3.2 ChatGPT API 封装（含重试与限速）

# pip install openai tenacity
import openai, tenacity, time, os
openai.api_key = os.getenv("OPENAI_API_KEY")

@tenacity.retry(stop=tenacity.stop_after_attempt(5),
               wait=tenacity.wait_exponential(multiplier=1, min=4, max=60))
def call_gpt(prompt, model="gpt-3.5-turbo", temperature=0.3):
    resp = openai.ChatCompletion.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
        temperature=temperature,
        max_tokens=80
    )
    return resp["choices"][0]["message"]["content"].strip()

# 批量调用，60 条/分钟 保守限流
def batch_signal(news_df, col="body"):
    signals, reasons = [], []
    for txt in news_df[col]:
        out = call_gpt(PROMPT_TEMPLATE.format(text=txt[:1500]))  # 截断防超额
        sig, _, reason = out.partition("|")
        signals.append(int(sig.strip()))
        reasons.append(reason.strip())
        time.sleep(1.05)  #  RPM 限制
    news_df["signal"], news_df["reason"] = signals, reasons
    return news_df

3.3 信号与 TA 指标融合（示例：MACD+新闻情绪）

import talib, numpy as np

def hybrid_signal(df_price, df_news, lookback=5):
    # 1. 计算 MACD
    macd, signal, _ = talib.MACD(df_price["close"].values)
    macd_cur = macd[-1] - signal[-1]

    # 2. 新闻情绪均值
    news_window = df_news.tail(lookback)["signal"].mean()

    # 3. 冲突解决：简单投票
    if news_window > 0.5 and macd_cur > 0:
        return 1  # 双多头
    elif news_window < -0.5 and macd_cur < 0:
        return -1  # 双空头
    else:
        return 0  # 观望

3.4 回测+可视化（Walk Forward 示例框架）

# 假设 price.csv 含 ['date','open','high','low','close','vol']
price = pd.read_csv("price.csv", parse_dates=["date"])
news = pd.read_csv("news_with_signal.csv", parse_dates=["time"])

results = []
for train, test in walk_split(price, train_days=250, test_days=30):
    # 训练集内只做参数统计，这里无超参可略
    for idx in test.index:
        sub_news = news[news["time"].between(train.date.iloc[-1], test.date[idx])]
        sig = hybrid_signal(price[:idx], sub_news)
        results.append({
            "date": price.loc[idx, "date"],
            "signal": sig,
            "price": price.loc[idx, "close"]
        })

res = pd.DataFrame(results)
res["ret"] = res["price"].pct_change() * res["signal"].shift(1)
res["nav"] = (1 + res["ret"].fillna(0)).cumprod()

# 画图
import matplotlib.pyplot as plt
plt.figure(figsize=(8,4))
plt.plot(res["date"], res["nav"], label="LLM+MACD")
plt.plot(res["date"], (1+res["price"].pct_change()).cumprod(), label="Buy&Hold")
plt.legend(), plt.show()

4. 避坑指南

• 频率控制：OpenAI 免费 tier 60 请求/分钟，超出直接 429。用 tenacity 装饰器+sleep 双保险。
• 结果验证：
  – SHAP 分析：把 prompt 拆成“标题”“正文”“行业词”三段，看哪段对信号贡献最大，防止模型偷懒只读标题。
  – Walk Forward：滚动 250/30 天，比单次回测更能暴露过拟合；我初期偷懒用全量，Sharpe 1.8，滚动后掉到 0.9，真相了。
• 数据合规：美股材料必须符合 Reg-FD，公开渠道抓取可以，但别碰付费终端的 raw feed；保存日志 3 年，防止 SEC 抽查。
• 实盘隔离：同一策略先跑 Paper Account 两周，确认延迟<500 ms、滑点<2 bps 再上小资金；用子账户单独放 10% 本金，爆仓也不伤筋动骨。

5. 安全与伦理

• 不公开未经验证的“神单”，防止社群跟单导致闪崩。
• 在代码仓库加 DISCLAIMER，注明“仅供教育，非投资建议”。
• 定期回炉重训：模型知识半年就过期，财报季新词一堆，信号漂移及时修。

6. 开放问题留给你

当模型给出强烈买入，而 MACD 刚死叉，你更愿意相信哪一边？是设计硬规则投票，还是让 LLM 连 MACD 值一起读再下结论？或者干脆用强化学习把冲突丢给智能体？欢迎在评论区交换思路。

7. 写在最后

把 ChatGPT 当“情绪增量”而不是“圣杯”，是我这趟折腾的最大体会。整套流程我已经打包成可一键跑的模板，如果你也想亲手试试“让大模型帮你读新闻”，可以从这个动手实验开始——从0打造个人豆包实时通话AI（对，语音对话那套框架同样能用在实时读新闻播报上）。我这种 Python 半桶水都能跑通，相信你也可以。祝你回测曲线永远向左上角扬！

---