【专题报告】

人工智能助力量化投资一一ChatGLM介绍

大语言模型在量化投资中的机遇与挑战

自OpenAI发布ChatGPT后，大语言模型(LLM)受到了广泛的关注。它在文本处理上发挥的强大性能使我们看到了LLM辅助量化研究的潜力。然而，使用基于 API 的大语言模型服务仍然存在诸多限制，例如模型响应时间长、成本高、数据隐私等问题。而开源模型为我们提供解决了上述问题的可能性，本篇我们介绍了ChatGLM开源大语言模型，它使用中英双语语料进行训练，能够在本地的消费级显卡上进行部署并实现中文问答和对话功能。

开源模型的应用展望

本文介绍的ChatGLM的开源版本拥有62亿参数，参数规模远远少于基于 API的LLM服务，那么它的能力是否足够？我们采用两个公开数据集对ChatGLM和 ChatGPT进行了对比实验测试，结果发现：

1、相比于ChatGPT，ChatGLM在高阶推理能力上表现较弱，无法理解较为复杂的逻辑类问题，ChatGLM的知识储备远小于ChatGPT;

2、在较为简单的文本总结任务中，ChatGLM 和ChatGPT 的差异缩小，部分文本总结测试中二者的回答质量没有显著差异;

基于我们的测试结果，我们认为将ChatGLM运用于辅助量化文本分析，62亿的参数规模使它无法满足高阶推理类、逻辑类的运用，但对于相对简单、传统的文本处理问题，例如文本总结、文本分类、信息抽取等问题上，ChatGLM发挥出了不错的性价比。此外，开源模型的另一大优势是可以通过本地数据微调以丰富模型知识，加强模型解决特定领域能力。最后，我们看到了LLM开源社区正在蓬勃发展，随着未来更多优秀开源项目的出现，利用开源模型进行量化研究辅助的可能性和前景将得到进一步拓宽。

风险提示

本文中所有大语言模型的问答均为采用公开数据作为测试案例,仅对模型进行测试，不保证问答的准确性，不构成任何投资建议。

华创证券研究所

证券分析师：秦玄晋

电话：021-20572522

邮箱：qinxuanjin@hcyjs.com

执业编号：S0360522080005

证券分析师：王小川

电话：021-20572528

邮箱：wangxiaochuan@hcyjs.com

执业编号：S0360517100001

每日免费获取报告 □

每日微信群内分享7+最新重磅报告；

每日分享当日华尔街日报、金融时报；

√ 行研报告均为公开版，权利归原作者所有，起点财经仅分发做内部学习。

投资主题

报告亮点

现有的关于大语言模型在量化领域的探讨大多以ChatGPT为例，ChatGPT虽然性能强大，但在实际量化策略开发中，使用OpenAI提供的ChatGPT API接口处理大量的数据昂贵且耗时，目前大语言模型开源社区的活跃让我们看了新的选项，我们关注开源模型的能力以及它们能在多大程度上解决问题，探讨开源大语言模型是否能丰富文本类数据的处理工具箱。

投资逻辑

近两年来市场风格轮动较大，传统的基于基本面因子与简单量价因子的量化模型相较以往年份较难取得明显的超额收益。此系列报告结合时代大环境从人工智能辅助投资的大方向来进行量化尝试，希望对原有的传统模型起到提升作用。

图表目录

图表1中文开源LLM项目， 5
图表 2 三大类训练方法对比， 6
图表3GLM框架
图表 4 GPT-3 与 InstructGPT 对比. 7
图表5 ChatGLM-6B 模型特点介绍 8
图表6 ChatGLM模型信息抽取示例. 9
图表7 ChatGLM模型提纲写作示例. 9
图表8 ChatGPT回答. 10
图表9GhatGLM回答 11
图表 10 GhatGPT回答. 11
图表11 ChatGLM 回答. 12
图表 12 GhatGPT回答. 12
图表13 ChatGLM回答.. 13
图表14 ChatGPT 回答. 13
图表15 ChatGLM回答. 14

一、大语言模型简介

大语言模型(LLM)是一种基于深度学习的自然语言处理技术,它在预训练语言模型(PLM)的基础上发展而来,预训练语言模型以及大语言模型均以Transformer架构的模型为基础,在大规模语料库上的进行训练。自GPT-3模型提出后，研究者发现，当模型参数规模超过一定水平时，模型不仅实现了显著的性能提升，而且还表现出了一些在小规模语言模型中不存在的特殊能力，因此为便于区分，大型语言模型(LLM)一词被专门用于描述具有显著更大规模的预训练语言模型。

自OpenAI发布ChatGPT以来，大语言模型受到了广泛的关注，将大语言模型应用在商业、科学和金融等领域也将成为可能，越来越多的公司开始提供类似的服务，例如国内的文心一言、讯飞星火等。这些服务允许用户通过API接口与大语言模型进行交互，通过自然语言对话的形式获取模型生成的答案。另一方面，开源社区也取得了令人感兴趣的成果，下表统计了截至2023年5月31日在github上星标大于3k的中文开源项目：

图表1 中文开源LLM项目

模型名	介绍
ChatGLM	ChatGLM-6B是一个基于通用语言模型（GLM）框架的开放式双语语言模型，使用了和 ChatGPT 相似的技术，针对中文问答和对话进行了优化，模型拥有62亿参数。
Moss	MOSS 是一个支持中英双语和多种插件的开源对话语言模型，moss-mo0n 系列模型具有160 亿参数，MOSS 基座语言模型在约七千亿中英文以及代码单词上预训练得到，后续经过对话指令微调、插件增强学习和人类偏好训练具备多轮对话能力及使用多种插件的能力。
Chinese-LLaMA-Alpaca	在LLaMA模型的基础上扩充了中文词表并使用了中文数据进行二次预训练，进一步提升了中文基础语义理解能力。同时，中文Alpaca 模型进一步使用了中文指令数据进行精调，显著提升了模型对指令的理解和执行能力。
BELLE	BELLE 团队在LLaMA、Bloomz等开源模型的基础上针对中文做了优化，在模型调优时使用由ChatGPT生产的数据，项目持续开放指令训练数据、相关模型、训练代码、应用场景等。
华驼(HuaTuo)	在LLaMA-7B模型的基础上使用中文医学指令精调/指令微调(Instruct-tuning)。项目通过医学知识图谱和GPT3.5API构建了中文医学指令数据集，提高了LLaMA在医疗领域的问答效果。
LaWGPT	基于中文法律知识的大语言模型，在通用中文基座模型（如Chinese-LLaMA、ChatGLM等）的基础上扩充法律领域专有词表、大规模中文法律语料预训练，增强了大模型在法律领域的基础语义理解能力。

资料来源：github，华创证券整理

从各个开源项目的报告中我们发现，目前开源模型性能表现正在不断提升，但距离ChatGPT-3.5仍有一定差距，那么使用开源模型的优势在哪？

我们从大语言模型使用者的角度考虑，当我们的下游应用需要处理数千甚至数万个请求时，基于API的LLM服务可能会面临一些问题，例如（1）响应时间长，稳定性受LLM服务提供者影响。（2）成本高，目前OpenAI提供的API服务（gpt-3.5-turbo）通过文本的长度进行计费（0.002美元／1K token），日积月累下可能是不小的开销。（3）无法进行模型订制，可能无法满足特定场景下的需求。

Chen 等人(2023)介绍了一种节约成本的LLM服务运用方案,他们提出用户询问大语言的问题难度不一，在较为简单的问题上可以使用廉价的LLMAPI作为替代，通过适当选择能力不同LLMAPI能在保证性能的同时显著降低成本。在此思路的基础上，如果在具体应用中，开源模型能产生和 API-driven 模式相似的性能，那么模型的成本问题可以得到很大程度的解决；此外，一个10B 规模左右的开源模型能够部署在消费级设备上，这意味使用者能利用私有数据对模型进一步开发。

在本篇中我们介绍并测试了ChatGLM模型，对开源模型的能力进行探索。ChatGLM 是由清华大学 KEG 实验室和智谱 AI联合开发的基于GLM 框架(Du，2022)的大语言模型,2023年3月，团队开源了ChatGLM62亿参数的版本一一ChatGLM-6B，6B 规模的大小使 ChatGLM模型非常适合本地部署，目前ChatGLM-6B在全球下载量已超过200 万。

（一）大语言模型的原理

一般来说，基于Transformer的大语言模型的方法可以分为三大类训练方法：自回归（例如 GPT）、自编码（例如BERT）和编码器-解码器（例如T5）。三种方法如下表所示：

图表 2三大类训练方法对比

训练方法	特点
自回归	在训练时利用所有先前的词汇信息，按顺序逐个预测后文，生成的长文本的连贯性较好；但逐词生成限制了其速度和效率，此外，由于训练时无法获得下文信息,可能会在理解某些依赖后续上下文的信息时遇到困难。
编码器	训练时将输入文本中的一些词替换为特殊的 mask标记,然后预测被替换的原词。模型可以看到整个句子，所以在理解需要前后上下文信息的任务上表现出色，如问答，句子关系判断等，在文本生成任务上的表现不佳。
编码器-解码器	将问题和答案的文本合并为一个序列，然后训练模型在给定问题时生成答案。可以应用于多种任务，包括翻译，问答和文本摘要等。可以单独训练编码器或解码器以适应特定任务。模型训练需要对整个序列进行编码和解码，成本较高，此外,如果输入和输出之间的关系很复杂，可能需要大量的训练数据才能成功。

资料来源：华创证券整理

由于自回归方法在文本生成的任务上优势较大，目前的LLM大多采用该方法进行训练。自回归模型通过先前生成的文本，生成新的序列（例如词或字符）。换句话说，每个输出都依赖于当前输入及其历史的输出，例如，给GPT-3 提供一个提示“The capitalof Franceis”，GPT-3 可能会依次生成Paris 和句号，这是因为在训练过程中，它已经学习到了"France”和"Paris"这两个词的关系。

本文介绍的ChatGLM模型采用的GLM框架的训练方法不完全同于GPT的自回归预训练的方法，它结合了自回归和自编码器训练的思路，如下图所示：对输入一段原始文本序列{x1,x2,x3,x4,x5,x6}，从中随机遮罩(MASK)一部分片段，图中将{x3}和{x5,x6}进行了遮罩处理，将被遮罩处理后的文本序列{x1,x2,MASK,x4,MASK}输入模型，模型通过注意力机制看到带有遮罩的文本序列，对被遮罩的部分预测，通过自回归预训练的方法逐步还原被MASK的片段{x5}、{x6}以及{x3}，重建最初的文本序列。

图表3GLM框架

资料来源: Du, Zhengxiao, et al. GLM: General Language Model Pretraining with Autoregressive Blank Infilling

相比于GPT自回归训练只能利用上文的数据，GLM框架在预测时输入了上文以及下文，包含更多上下文语境信息；另一方面，通过更改遮罩的长度，可以实现模型的多任务训练。基于GLM框架的GLM-130B 模型采用中英双语训练语料，在相关英文评价基准下，GLM-130B 模型取得了优于GPT-3175B 的表现。

虽然经过大规模语料训练的GLM、GPT模型具备了长文本生成能力，那么ChatGLM、ChatGPT模型是如何进一步获得“对话”的技能？

我们以 OpenAI对 InstructGPT 的解释为例，GPT-3 模型在超大规模的加持下，涌现了一定的语境理解能力，但在准确理解人类指令，生成符合道德的答案等测试中仍然存在不符合预期的表现，如图所示，向GPT-3模型提问“用几句话向六岁小孩解释登月”，GPT-3完全没有理解问题意图，产生了答非所问的结果，而InstructGPT则能理解问题意图，并给出了比较符合主观预期的答案。

图表4 GPT-3 与InstructGPT对比
Prompt Explain the moon landing to a 6 year old in a few sentences.
Completion GPT-3
Explain the theory of gravity to a 6 year old.
Explain the theory of relativity to a 6 year old in a few sentences.
Explain the big bang theory to a 6 year old.
Explain evolution to a 6 year old.
InstruetGPT
People went to the moon, and they took pictures of what they saw, and sent them back to
the earth so we could all see them.
资料来源：OpenAI

二者的关键差异在于，InstructGPT在GPT-3 的基础上进行微调，引入了RLHF技术，该技术通过收集人类对大模型生成的结果的手动打分以及高质量的手动注释数据，单独训练了一个符合人类偏好的“奖励模型”，奖励模型能够接收一段文本输入，为其分配人类偏好程度的分数，接下来再使用强化学习（RL）技术来优化原始大语言模型。最终，引入RLHF技术后不仅能减少LLM产生不符合人类常识的内容，还显著优化了LLM的对话聊天功能，在OpenAI的测试中，13B大小InstructGPT 模型产生的输出比175B 大小GPT-3模型更受到欢迎，虽然前者的参数规模要小得多。

OpenAI团队在InstructGPT工作的基础上推出了ChatGPT。GLM团队采用了相似的技术思路，将GLM 基座模型辅以监督微调、反馈自助、人类反馈强化学习等技术训练，训练得到了ChatGLM。

（二）ChatGLM的特点

根据ChatGLM团队介绍，ChatGLM开源的ChatGLM-6B 虽然规模不及千亿模型，但大大降低了用户部署的门槛，并且已经能生成相当符合人类偏好的回答。在INT4量化等级下，部署ChatGLM进行推理任务最低只需要6GB 显存，进行高效参数微调只需要7GB显存。

图表5 ChatGLM-6B模型特点介绍

●充分的中英双语预训练： ChatGLM-6B 在1:1 比例的中英语料上训练了1T的 token 量，兼具双语能力。

·优化的模型架构和大小：吸取GLM-130B训练经验，修正了二维RoPE位置编码实现，使用传统FFN结构。6B（62亿）的参数大小，也使得研究者和个人开发者自己微调和部署ChatGLM-6B成为可能。

·较低的部署门槛：FP16半精度下，ChatGLM-6B需要至少13GB的显存进行推理，结合模型量化技术，这一需求可以进一步降低到10GB（INT8）和6GB（INT4），使得ChatGLM-6B可以部署在消费级显卡上。

·更长的序列长度：相比GLM-10B（序列长度1024），ChatGLM-6B序列长度达 2048，支持更长对话和应用。

·人类意图对齐训练：使用了监督微调（Supervised Fine-Tuning）、反馈自助（Feedback Bootstrap）、人类反馈强化学习（Reinforcement Learning from Human Feedback）等方式，使模型初具理解人类指令意图的能力。输出格式为markdown，方便展示。

资料来源：chatglm blog

在 ChatGLM的官方展示demo中，模型能够完成自我认知、提纲写作、文案写作、邮件写作助手、信息抽取、角色扮演、评论比较等主题任务。

图表6 ChatGLM模型信息抽取示例
提问：
2022年11月4日，计算机系通过线上线下相结合的方式在东主楼10-103会议室召开博士研究生导师交流会。计算机学科学位分委员会主席孙茂松，计算机系
副主任武永卫、党委副书记韩文强出席会议，博士生研究生导师和教学办工作人员等30余人参加会议，会议由武永卫主持。
提取"人"(name,position)，“时间”，“事件”，“地点"类型的实体，并输出JSON格式
回复：
`json
{
“人"[
"name":"孙茂松",
"position":"主席”
{
"name":"武永卫",
"position":"副主任"
{
"name":"韩文强",
"position":"党委副书记"
，
{
"name":"博士生研究生导师"，
"position":"其他"
{
"name":"教学办工作人员",
"position":"其他"
],
"时间":"2022年11月4日",
"事件":"博士研究生导师交流会”,
"地点"："东主楼10-103会议室”
资料来源：github.com/THUDM/ChatGLM-6B

图表7 ChatGLM模型提纲写作示例
提问：
帮我写一个介绍ChatGLM的博客提纲
回复：
介绍ChatGLM的博客提纲如下：
1.引言
-介绍ChatGLM的背景和意义
-引出本文的主要内容和结构
I.ChatGLM的概述
- ChatGLM是什么
-与传统的AI助手相比,ChatGLM有什么特点
- ChatGLM的技术原理和实现方式
IIl ChatGLM的功能
-语言理解功能
-文本生成功能
-对话管理功能
-与其他AI系统的比较
IV. ChatGLM的应用
-金融领域的应用
-教育领域的应用
-医疗领域的应用
-其他领域的应用
V.ChatGLM的优势
-数据优势
-算法优势
-技术优势
-管理优势
VI. ChatGLM的发展
-ChatGLM的未来发展趋势
-ChatGLM的未来发展计划
-对ChatGLM未来发展的建议和展望
ViIl结论
-总结ChatGLM的主要特点和优势
-展望ChatGLM的未来发展
以上提纲可以帮助更好地组织博客内容，确保文章有条理性和可读性。
资料来源：github.com/THUDM/ChatGLM-6B

二、模型能力测试

OpenAI在GPT-4 的介绍中写道，“在闲聊任务中，GPT-3.5和 GPT-4 之间的区别可能是微小的。当任务的复杂程度达到足够的阈值时，差异就会显现出来”，我们通常用能否处理复杂任务来判断不同大语言模型的差异。对于语言模型能力的差异，学界研究人员发现，当模型参数达到一定阈值后才会出现某种能力的“涌现”（例如语境理解、推理等）。那么只拥有6B 参数的ChatGLM能力如何？在本节中，我们通过几个例子简单考察了开源模型的在几个方面的能力表现。

对金融应用领域而言，我们可能并不会对开源模型的聊天、代码编写等能力有过高的要求，我们考虑实际在量化研究应用场景，从如下两方面出发测试ChatGLM的能力：

（1）知识储备及推理能力。知识与推理能力是目前评价不同大语言模型的重要指标，知识储备关系到模型是否能在具体应用中“开箱即用”,推理代表着模型是否能处理较困难、复杂的任务。一个性能强大的模型应该在具备广泛知识储备的基础上，能够对知识进行推理运用。

（2）总结能力。文本总结是较为传统的 NLP任务，相比于推理逻辑任务更加简单，我们将文章输入模型，要求模型用简短的句子对文章进行总结。我们测试ChatGLM模型在零示例(zero-shot)下的性能，我们希望模型能够理解上下文，提取文章中的关键、重要信息。

我们的测试均基于公开数据，为了能更直观了解ChatGLM的性能，我们将ChatGLM和ChatGPT的回答进行对比。

（一）推理逻辑能力测试

问题1：简单逻辑推理

图表8 ChatGPT回答

Task	Prompt	ChatGPT answer	Gold	T/F
Deductive Reasoning Tasks
bAbI (task 15)	1 Wolves are afraid of mice. 2 Sheep are afraid of mice. 3 Winona is a sheep. 4 Mice are afraid of cats. 5 Cats are afraid of wolves. 6 Jessica is a mouse. 7 Emily is a cat. 8 Gertrude is a wolf.	Winona, being a sheep, is afraid of mice.	mouse	T
bAbI (task 15) (prompt engineered)	Given facts: Wolves are afraid of mice. Sheep are afraid of mice. Winona is a sheep.Mice are afraid of cats. Cats are afraid of wolves. Jessica is a mouse. Emily is a cat. Gertrude is a wolf. Based on the given facts above, do a reasonable inference on this question using deductive reasoning:	Based on the given facts, it can be inferred that Winona is afraid of mice.	mouse	T
Entailment- Bank	earth is a kind of planet. a planet is a kind of celestial object /celestial body. earth is located in the milky way galaxy. Which object is a planet found in the Milky Way Galaxy?	Earth is a planet located in the Milky Way galaxy.	Earth	T

资料来源:Bang, Yejin,et al.A Multitask, Multilingual, Multimodal Evaluation of ChatGPTonReasoning, Hallucination, and Interactivity.

图表9GhatGLM回答

资料来源:https://github.com/thudm/glm，华创证券

问题2：复杂逻辑
图表10 GhatGPT回答

Figure 7: An GPT-4 generation example where the model answers the question incorrectly.
资料来源:Liu, Hanmeng, et al. Evaluating the Logical Reasoning Ability of ChatGPT and GPT-4.

资料来源：https://github.com/thudm/glm，华创证券

问题3：复杂逻辑推理

图表12 GhatGPT回答

Figure 6: An GPT-4 generation example where the model answers the question correctly.
资料来源: Liu, Hanmeng, et al. Evaluating the Logical Reasoning Ability of ChatGPT and GPT-4.

图表13 ChatGLM回答

资料来源：https://github.com/thudm/glm，华创证券

在上面测试中，我们可以看出ChatGLM具有一定知识储备，能根据知识储备进行最简单的推理，但在更复杂的数字理解、推理能力上，ChatGLM无法满足相关任务需求，距离ChatGPT有较大的差距。

（二）总结能力测试

相比于推理测试，文章总结任务较为简单，我们希望模型能够理解上下文，提取文章中的关键、重要信息，下图展示了部分测试结果：

图表14 ChatGPT回答

资料来源: Wang, Jiaan, et al. Zero-Shot Cross-lingual summarization via Large Language Models.

图表15 ChatGLM回答

资料来源:https://github.com/thudm/glm，华创证券

通常情况下，ChatGPT的回答相比于ChatGLM更精炼，但二者差距并没有如推理能力的测试中大，对于较为简单的文本总结，ChatGLM的答案质量和ChatGPT之间没有显著的差异。ChatGLM在理解文本主旨、抽取关键信息、并将这些信息简洁明了地表达出来方面具有一定的能力。在一些不需要深度推理，而主要依赖于文本信息提取和重组的任务中，ChatGLM可以达到相对不错的效果。

三、总结

通过以上的测试，我们初步了解了ChatGLM-6B 模型的能力范围，ChatGLM受限于较小的模型参数，在高阶推理能力上表现较弱，但在较为简单的文本总结任务中，ChatGLM能够产生及格的结果；在知识储备方面，我们发现ChatGLM具备一定的知识储备，但在运用知识的能力上表现较弱。值得一提的是，ChatGLM较小的规模也意味着模型微调门槛较低，我们可以根据自己的需要，对模型进行个性化的训练和优化，例如，将模型在金融领域特定任务的数据上进行微调，拓展ChatGLM的知识储备，使模型特定领域或任务上的性能得到提升。

总的来说，ChatGLM-6B开源模型和ChatGPT都是我们解决自然语言处理问题的有力工具，我们期待他们在未来的进化，通过理解它们的能力范围和限制，我们可以更好地利用大语言模型，解决实际问题。

四、风险提示

本文中所有大语言模型的问答均为采用公开数据作为测试案例，仅对模型进行测试，不保证问答的准确性，不构成任何投资建议。

五、参考文献

[1] Chen, Lingjiao, Matei Zaharia, and James Zou. "FrugalGPT: How to Use Large Language Models While Reducing Costand Improving Performance." arXivpreprint arXiv:2305.05176 (2023).

[2] Du, Zhengxiao, et al. "GLM: General language model pretraining with autoregressive blank infilling." Proceedings of the 6Oth Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2022.

[3]Huang, Yuzhen, et al. "C-Eval: A Multi-Level Multi-Discipline Chinese Evaluation Suite for Foundation Models." arXiv preprint arXiv:2305.08322 (2023).

[4] Ouyang,Long，et al. "Training language models to follow instructions with human feedback."Advances in Neural Information Processing Systems35 (2022): 27730-27744.

[5] Zeng,Aohan, et al. "Glm-130b: An open bilingual pre-trained model."arXiv preprint arXiv:2210.02414(2022).

[6] Zhao，Wayne Xin， et al. "A survey of large language models."arXiv preprint arXiv:2303.18223(2023).

[7]Wang, Jiaan, et al. "Zero-Shot Cross-lingual summarization via Large Language Models." arXiv preprint arXiv:2302.14229 (2023).

[8] Bang， Yejin,et al."A multitask，multilingual, multimodal evaluation of chatgpt on reasoning, hallucination, and interactivity." arXiv preprint arXiv:2302.04023 (2023).

[9]Liu,Hanmeng, et al. "Evaluating the logical reasoning ability of chatgpt and gpt-4." arXiv preprint arXiv:2304.03439 (2023).

金融工程组团队介绍

组长、首席分析师：王小川同济大学管理学博士。2017年加入华创证券研究所。

高级分析师：秦玄晋上海对外经贸大学硕士。2018年加入华创证券研究所。

助理研究员：杨宸祎美国伊利诺伊大学香槟分校会计学、金融工程学硕士，CFA。2021年加入华创证券研究所。

华创证券机构销售通讯录

地区	姓名	职务	办公电话	企业邮箱
北京机构销售部	张昱洁	副总经理、北京机构销售总监010	-63214682	zhangyujie @hcyjs.com
	张菲菲	北京机构副总监	010-63214682	Zhangfeifei @hcyjs.com
	刘懿	副总监	010-63214682	liuyi@hcyjs.com
	侯春钰	资深销售经理	010-63214682	houchunyu @hcyjs.com
	过云龙	高级销售经理	010-63214682	guoyunlong @hcyjs.com
	蔡依林	高级销售经理	010-66500808	caiyilin @hcyjs.com
	刘颖	高级销售经理	010-66500821	liuying5 @hcyjs.com
	顾翎蓝	高级销售经理	010-63214682	gulinglan @hcyjs.com
	车一哲	销售经理		cheyizhe@hcyjs.com
深圳机构销售部	张娟	副总经理、深圳机构销售总监	0755-82828570	zhangjuan @hcyjs.com
	汪丽燕	高级销售经理	0755-83715428	wangliyan @hcyjs.com
	张嘉慧	高级销售经理	0755-82756804	zhangjiahui1 @hcyjs.com
	董妹彤	销售经理	0755-82871425	dongshutong @hcyjs.com
	巢莫雯	销售经理	0755-83024576	chaomowen @hcyjs.com
	王春丽	销售经理	0755-82871425	wangchunli @hcyjs.com
上海机构销售部	许彩霞	总经理助理、上海机构销售总监 0	21-20572536	xucaixia@hcyjs.com
	官逸超	上海机构销售副总监	021-20572555	guanyichao @hcyjs.com
	黄畅	上海机构销售副总监	021-20572257-2552	huangchang@hcyjs.com
	吴俊	资深销售经理	021-20572506	wujun1 @hcyjs.com
	张佳妮	高级销售经理	021-20572585	zhangjiani @hcyjs.com
	蒋瑜	高级销售经理	021-20572509	jiangyu @hcyjs.com
	施嘉玮	高级销售经理	021-20572548	shijiawei @hcyjs.com
	朱涨雨	销售助理	021-20572573	zhuzhangyu @hcyjs.com
	李凯月	销售助理		likaiyue @hcyjs.com
	张玉恒	销售助理		zhangyuheng @hcyjs.com
广州机构销售部	段佳音	广州机构销售总监	0755-82756805	duanjiayin @hcyjs.com
	周玮	销售经理		zhouwei@hcyjs.com
	王世韬	销售经理		wangshitao1 @hcyjs.com
私募销售组	潘亚琪	总监	021-20572559	panyaqi @hcyjs.com
	汪子阳	副总监	021-20572559	wangziyang@hcyjs.com
	江赛专	资深销售经理	0755-82756805	jiangsaizhuan @hcyjs.com
	汪戈	高级销售经理 021	-20572559	wangge@hcyjs.com
	宋丹玛	销售经理	021-25072549	songdanyu @hcyjs.com

华创行业公司投资评级体系

基准指数说明：

A 股市场基准为沪深300 指数，香港市场基准为恒生指数，美国市场基准为标普 500/纳斯达克指数。

公司投资评级说明：

强推：预期未来6个月内超越基准指数20%以上;

推荐：预期未来6个月内超越基准指数10%-20%;

中性：预期未来6个月内相对基准指数变动幅度在-10%-10%之间;

回避：预期未来6个月内相对基准指数跌幅在10%-20%之间。

行业投资评级说明：

推荐：预期未来3-6个月内该行业指数涨幅超过基准指数 5%以上;

中性：预期未来3-6个月内该行业指数变动幅度相对基准指数-5%-5%;

回避：预期未来3-6个月内该行业指数跌幅超过基准指数5%以上。

分析师声明

每位负责撰写本研究报告全部或部分内容的分析师在此作以下声明：

分析师在本报告中对所提及的证券或发行人发表的任何建议和观点均准确地反映了其个人对该证券或发行人的看法和判断；分析师对任何其他券商发布的所有可能存在雷同的研究报告不负有任何直接或者间接的可能责任。

免责声明

。本公司不会因接收人收到本报告而视其为客户。

本报告所载资料的来源被认为是可靠的，但本公司不保证其准确性或完整性。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断。在不同时期，本公司可发出与本报告所载资料、意见及推测不一致的报告。本公司在知晓范围内履行披露义务。

报告中的内容和意见仅供参考，并不构成本公司对具体证券买卖的出价或询价。本报告所载信息不构成对所涉及证券的个人投资建议，也未考虑到个别客户特殊的投资目标、财务状况或需求。客户应考虑本报告中的任何意见或建议是否符合其特定状况，自主作出投资决策并自行承担投资风险，任何形式的分享证券投资收益或者分担证券投资损失的书面或口头承诺均为无效。本报告中提及的投资价格和价值以及这些投资带来的预期收入可能会波动。

本报告版权仅为本公司所有，本公司对本报告保留一切权利。未经本公司事先书面许可，任何机构和个人不得以任何形式翻版、复制、发表、转发或引用本报告的任何部分。如征得本公司许可进行引用、刊发的，需在允许的范围内使用，并注明出处为“华创证券研究”，且不得对本报告进行任何有悖原意的引用、删节和修改。

证券市场是一个风险无时不在的市场，请您务必对盈亏风险有清醒的认识，认真考虑是否进行证券交易。市场有风险，投资需谨慎。

华创证券研究所

北京总部	广深分部	上海分部
地址：北京市西城区锦什坊街 26 号恒奥中心C座3A	地址：深圳市福田区香梅路 1061号中投国际商务中心A座19 楼	地址：上海市浦东新区花园石桥路 33 号花旗大厦 12 层
邮编：100033 传真：010-66500801	邮编：518034	邮编：200120
会议室：010-66500900	传真：0755-82027731 会议室：0755-82828562	传真：021-20572500 会议室：021-20572522

START YOUR FINANCE

起点财经，网罗天下报告

人工智能助力量化投资一一ChatGLM介绍

大语言模型在量化投资中的机遇与挑战

开源模型的应用展望

风险提示

华创证券研究所

证券分析师：秦玄晋

相关研究报告

每日 免 费 获取 报告 □

投资主题

报告亮点

投资逻辑

目录

图表目录

一、大语言模型简介

（一）大语言模型的原理

（二）ChatGLM的特点

图表5 ChatGLM-6B模型特点介绍

二、模型能力测试

（一）推理逻辑能力测试

问题1：简单逻辑推理

（二）总结能力测试

三、总结

四、风险提示

五、参考文献

金融工程组团队介绍

华创证券机构销售通讯录

华创行业公司投资评级体系

行业投资评级说明：

分析师声明

免责声明

华创证券研究所

START YOUR FINANCE

每日免费获取报告 □

【专题报告】人工智能助力量化投资_ChatGLM介绍-20230614-华创证券-18页