ChatGPT的横空出世让人们再次认识到了AI的强大。股市中诸多上市公司都在纷纷表示和ChatGPT之间的关联，或是公布自己开发的类似应用，一时间造就了不少牛股。
不过，目前来看很多人都只是把ChatGPT当成一个网页版的实时在线聊天应用工具，尝鲜过后就慢慢失去了兴趣。但是显然，ChatGPT不仅仅只是聊天，业内有人认为这是下一代搜索引擎的雏形。
而除此之外，我们发现了ChatGPT的更多功能和应用，比如可以用它来做资产配置方案，并且表现不俗。这就引申出一个问题：投资经理/基金经理以后会失业吗？AI远比人们想象中的更强大，接下来就一起看看ChatGPT是怎么做资产配置的。
简单问题寻求资产配置答案
提出简单的问题，让ChatGPT回答如何进行资产配置。
答案：对资产配置进行框架性的描述，包括目标、确定各资产比例、投资标的选择、组合的再评估。但没有给出如何解决核心资产配置比例问题的方案。
具体解决资产配置比例问题
我们希望得出各大类资产配置比例，直接要求ChatGPT对任务进行编程。针对收益风险比最优的问题，ChatGPT给出的是Markoxitz模型来优化资产配置，这在逻辑上是合理的。
但是ChatGPT在一些细节参数的处理上相对简单粗暴，比如风险厌恶系数直接设为2(risk_aversion = 2)。另外ChatGPT提供的代码无法直接与本地数据进行交互，代码中对三类资产直接进行了参数预设（收益率和协方差矩阵）。
上图显示ChatGPT对主要参数进行预设定，直接设定资产的属性（收益率矩阵、协方差矩阵）、设定风险厌恶系数，没有和本地数据进行交互。
实际操作中，我们希望能从本地导入各类资产的相关数据，因此，我们继续向ChatGPT提问。
增加数据交互，要求ChatGPT根据指定模型建模
我们让ChatGPT提供读取外部文件（需更改文件路径），并且计算各资产年化收益率和协方差矩阵的代码。进一步询问ChatGPT 所提供的代码中读取文件的数据格式，以便本地编辑使用。
之后，我们从wind下载股、债、商品的数据，调整至ChatGPT规定的格式，将代码整合在一起，运行代码输出结果。
我们发现ChatGPT无法根据数据选择合适模型，考虑是否可要求ChatGPT按照特定的模型进行建模。尝试让ChatGPT使用风险平价模型计算资产配置比例（多次重复提问获取较优秀答案）。
对ChatGPT提供的代码进行本地数据文件的读取修改。计算结果：
计算结果错误，不符合风险平价模型配置比例要求，对代码进行2处调整：
- 调整资产对组合风险贡献的公式
- 调整优化函数
优化后的结果准确。
ChatGPT在资产配置上的运用
从上述内容可以看出，在建立模型计算配置比例过程中，ChatGPT能够快速高效地帮助投研人员进行模型的建立、基础代码的编写。
不过，一些问题比较突出。比如，ChatGPT不会考虑模型的适用场景问题，缺乏数据基础，模型中参数的设置也缺乏逻辑支持。ChatGPT不会与数据文件发生交互，无法基于数据给出相对合适的模型建议。
因此，单纯依靠ChatGPT 给出的模型进行资产配置是不切实际的。需要使用者对ChatGPT给出的模型进行优化和调整，在本地预先对数据进行整理以适配代码的数据导入部分。
尽管有一定的不足，但是潜在的应用场景和价值是巨大的。ChatGPT能在模型搭建方面极大地提升使用者的效率，不过也需要人工干预，而人工干预的合适程度的是需要思考的。
本文由海川慧富旗下海川HighTrust首发
提示：海川慧富和海川汇富并非同一主体