欢迎大家关注我的基金投顾组合：
$长丰稳健(TIAA026062)$ $长丰优选(TIAA026063)$
聊聊最近大热的ChatGpt概念。
还是首先说结论，目前在A股的这些概念股，都是炒作情绪，没基本面支持，也没技术支持，不用参与。
好了，说完结论，给读者介绍一下这个东西。
ChatGpt，是国外的一个自动聊天机器人。之所以最近这么火爆，是因为相比之前的语音聊天机器人，实在是太过于智能了，你和Ta聊天无法区分是真人还是机器，甚至很多学生可以用这个来写论文、回答考试题目。
能实现这个强大的功能，源自于3个方面：庞大的参数、海量的数据、独特的模型结构
1 庞大的参数，整个模型有1750亿个参数；
2 海量的数据，训练这个模型，用到45TB的数据，1TB为1024G；
3 独特的模型结构，基于GPT-3模型以及一些调整
整个模型训练1次，460万美元，总训练成本1200万美元。
很多人不理解深度学习，人工智能，我给大家简单介绍一下，其实最开始大家做深度学习的出发点很简单：
用计算机模拟人的神经元
就类似下面图所示，左边是人的神经元，受到各种刺激信息后，产生右边的输出信号，传给下一个神经元；
而右边的图示，则是数学语言的描述，刺激信息变成了具体的数字X，针对每一个数字的输入做个线性的运算wX+b，再加在一起，经过激活函数f就产生了输出。
其中w、b就是参数，上面的说的1750亿个参数，其实就是不断在优化调整这些参数。
神经网络经历了多次的低潮，出现了BP神经网络（1986年提出），这个也是我上研究生期间（2010年），大家主力研究的模型。所以可以想想，其实在漫长的时间（二三十年）里神经网络都处于低潮之中，没有什么进步：
大家发明了一个看起来很美的网络结构，但是却没有什么实用价值。主要原因是参数爆炸、梯度消失（反向求导调整参数的时候，会出现求导为0，参数不变的尴尬局面）、计算量大。
直到2012年，深度学习之父——Hinton和他的学生Alex，第一次提出AlexNet网络进行图像分类，通过新的网络结构、激活函数、用GPU训练等等方式，成功解决了参数爆炸、梯度消失、计算量大等问题，震动整个业界，随即开启了深度学习新的黄金年代。
这里多说一下，Hinton他从1973年就开始研究神经网络，一直到2012才有实用价值的东西产出，中间隔了39年。
39年就只做一件事，而且是被很多人质疑神经网络是没有价值的东西。就这个定力，不是一般人能做到的。
从那之后，大家怎么用深度学习、神经网络就像是开了窍，各种新的结构被纷纷提出。谷歌于2017年提出了Transformer模型，用于自然语言处理；
这次提出ChatGpt的公司，就是基于Transformer模型，不断迭代模型分别提出GPT-1、GPT-2，以及这次用到的GPT-3.
所以，模型结构，也就是这个网络怎么搭建，目前是深度学习里非常难的问题。
我们之前在做股票T0，用深度学习的时候，就有这个疑惑，加了这个网络就好，不加这个就不好，至于为什么加，不知道，只是从结果反推。所以我们常常调侃自己是“调包侠”，只会调用他人搭建好的东西，但是怎么去修改内部这个东西，不知道。
最后聊一聊，我们用深度学习去做T0。
深度学习目前2个比较大的应用场景：
图像识别和语义识别。
前者主要是基于二维图片，我们现在拿出一张照片，可以识别其中是飞机还是汽车，就是这个技术；
另外一个就是语义识别，是识别一段文字的意思。ChatGpt就是这个方向的。
我们在做T0 的时候，也面临一个选择，是选择哪一种技术方向？
我的直觉是选择了语义识别，也就是类似于ChatGpt这样的技术，因为金融资产的价格是一个时间序列，后面的价格和前面的价格是相关的，是有先后顺序的。这点和理解文字有些相似。
从我们自己的尝试来看，确实用后面的会好点。（注：但业内好像有很多使用图像识别的模型做成功的，所以是我一家之言）
我对深度学习的理解就是，这件事情，人一定要做的不错，深度学习才有发挥的空间。人都做不好，机器就不要指望比人更好了（即使是ChatGPT）。
做T0就是这样，有一些人工的T0做的很好，所以机器才有空间。
在A股，T0是有些收益的，特别是交易量很大的时候能做的还不错，有2个原因：
1 A股是T+1制度，私募通过打底仓的方式，间接的实现了T0，这个是优势；
2 散户多，特别在行情交易火爆的时候，散户会呈现同样的交易模式，容易被抓到规律。
未来如果施行T0制度，并且随着注册制来临，完成去散户化，说不定哪一天T0策略就不好用了。
T0是属于高频领域，但在低频领域，我还没有看到有人可以把深度学习用的很好的，毕竟低频炒股，人都做的不好（这里的好，指风险低，收益高）。
欢迎大家关注$长丰优选(TIAA026063)$