ChatGPT金融应用探索(二):异常数据分析
上一篇 我们尝试用GPT-4读了一些金融数据,并且尝试让它给出结论。数据本身虽然读的不怎么样,但结论和语言组织都做得很不错。 当然了,那只是一个很简单的任务,今天我们试试提高一点难度。
我们首先让ChatGPT读一下圣路易斯联储网站(FRED)的数据,FRED网站的结构化做得很好,这次ChatGPT读起来一点问题都没有,
![](/assets/img/chatgpt-reads-fred-rate-1.png)
![](/assets/img/fredgraph-fed-funds-effective-rate-6-10-2023.png)
虽然数据读得很好,但ChatGPT似乎有点偷懒了,只读了今年下半年的数据。我们让它多读点,
![](/assets/img/chatgpt-reads-fred-rate-2.png)
![](/assets/img/fredgraph-fed-funds-effective-rate-2021-2023.png)
2021年以来的数据展现了非常明显和急剧的利率抬升趋势。当然我们的目标不在于此,毕竟一个曲线图谁都能读。 现在我们给ChatGPT看另一组数据:非金融企业的净利息和杂项支出。
![](/assets/img/chatgpt-reads-non-financial-interests.png)
![](/assets/img/fredgraph-non-financial-interests-2021-2023.png)
利率持续抬升,但是企业的利息支出却在持续下降。ChatGPT能不能捕捉到这一反常现象,并给出可能的解释呢?
![](/assets/img/chatgpt-factors-high-rate-low-interests-1.png)
ChatGPT显然能够看到这里面的反常现象,但是在尝试解释原因的时候就显得有点业余了,或是诉诸于类似”broader economic trends“这样的空话。 我们看看能不能进一步push它给出更多可能的原因,
![](/assets/img/chatgpt-factors-high-rate-low-interests-2.png)
应该说,ChatGPT这一轮解释还是命中了一些点子。特别是第一条提到了企业之前锁定的低利率,后续提到了种种因素导致企业借贷需求的降低。 这两项叠加极有可能是造成利率和利息支出背离的原因。那么ChatGPT能够给出相关的数据支持吗?
![](/assets/img/chatgpt-factors-high-rate-low-interests-3.png)
ChatGPT表示它不能直接获取这些信息(情有可原),但确实给出了一些有价值的线索。
应该说,GPT-4的这一轮表现还是不错的。它能够准确读取数据,找到其中的矛盾,并在有限的提示下给出合理的推断。 这几点形成了一个自动化工具所需的基本元素。 不过这个场景还是太简单了,现实中我们每天面对的数据要多得多,GPT能不能帮助我们从海量数据中挖掘出关键信息呢? 我希望后面的实验能够进一步回答这个问题。
Enjoy Reading This Article?
Here are some more articles you might like to read next: