本文共字，预计阅读时间。

据SSRN显示，来自厦门大学的陈坚、湖南大学的唐国豪、圣路易斯华盛顿大学的周国富、清华大学的祝武，合作撰写论文“ChatGPT and Deepseek: Can They Predict the Stock Market and Macroeconomy?”（《ChatGPT与深度求索：它们能预测股市与宏观经济吗？》），该论文在SSRN下载量超过2900次，获得诸多学者和机构关注。

值得注意的是，湖南大学唐国豪教授在学说平台主办的“2025大语言模型与资本市场春季学术研讨会”对本论文进行了深度分享。

摘要

We study whether ChatGPT and DeepSeek can extract information from the Wall Street Journal to predict the stock market and the macroeconomy. We find that ChatGPT has predictive power. DeepSeek underperforms ChatGPT, which is trained more extensively in English. Other large language models also underperform. Consistent with financial theories, the predictability is driven by investors’ underreaction to positive news, especially during periods of economic downturn and high information uncertainty. Negative news correlates with returns but lacks predictive value. At present, ChatGPT appears to be the only model capable of capturing economic news that links to the market risk premium.

本文研究了ChatGPT和深度求索（DeepSeek）能否从《华尔街日报》中提取信息来预测股市和宏观经济走势。研究发现，ChatGPT具备预测能力，而深度求索的表现逊于ChatGPT——这可能与后者在英语语料上的训练更充分有关。其他大语言模型同样表现不佳。与金融理论一致，这种预测能力主要源于投资者对正面新闻的反应不足，这种现象在经济下行期和信息高度不确定时期尤为显著。虽然负面新闻与市场回报存在相关性，但并不具备预测价值。目前看来，ChatGPT似乎是唯一能捕捉到与经济风险溢价相关联的新闻信息的模型。

介绍

近年来人工智能技术的突破性进展正在深刻改变金融研究与实践的范式，以ChatGPT为代表的大语言模型展现出强大的自然语言处理能力，为金融文本分析提供了全新工具。相较于传统基于规则或统计的文本分析方法，大语言模型能够更精准地捕捉语义信息与上下文关联，这为探索市场预测这一金融学经典问题开辟了新路径。现有研究多聚焦于个股层面的预测，对整体股票市场这一更具基础性意义的对象尚未形成系统认识，同时开源模型DeepSeek的崛起为比较研究提供了重要参照。

本研究围绕ChatGPT在股票市场预测中的应用展开系统性探索，重点考察其对市场风险溢价的预测能力及作用机制。研究基于华尔街日报二十余年的新闻数据，利用ChatGPT构建利好与利空消息指标，通过严谨的计量分析验证其预测效力，并与DeepSeek等模型进行对比。除传统的统计显著性检验外，研究还从投资组合构建角度评估预测结果的经济价值，深入剖析预测能力背后的行为金融学机制，包括投资者注意力分配、信息处理偏差等关键因素。

研究采用GPT-3.5和GPT-4作为核心分析工具，通过精心设计的提示工程提取新闻文本中的市场相关信息。对比模型包括以中文处理见长的DeepSeek-R1，以及BERT等传统预训练模型。在分析框架上，研究综合运用时间序列回归、样本外预测检验等计量方法，构建包含经济周期、政策不确定性等调节变量的扩展模型，并采用夏普比率、确定性等价收益等指标进行经济价值评估。

研究发现ChatGPT提取的利好消息指标对市场风险溢价具有显著预测能力，这一结果在样本内外检验中均保持稳健，且预测效力随投资期限延长而增强。投资者对利好与利空消息存在不对称反应，表现为对负面消息的即时反应与对正面消息的延迟反应，这一行为模式在市场低迷期尤为明显。相较于DeepSeek等对比模型，ChatGPT展现出更优异的语义理解能力，能够有效捕捉与经济基本面相关的深层信息。基于预测指标构建的投资策略可产生显著超额收益，经风险调整后仍具吸引力。研究不仅证实了大语言模型在金融预测中的应用价值，也为理解市场信息效率提供了新视角。

[Source]

本文系未央网专栏作者发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文为作者授权未央网发表，属作者个人观点，不代表网站观点，未经许可严禁转载，违者必究！首图来自图虫创意。

本文版权归原作者所有，如有侵权，请联系删除。首图来自图虫创意。