本文通过对三个推文和历史股票价格数据集的多模态股票走势预测，对 ChatGPT 的能力进行了广泛的零样本分析，在预测股票走势方面表现不佳，这一发现提出了更多关于情感分析和历史股票数据的未来研究问题与工作方向

Apr, 2023

本文研究使用 ChatGPT 等大型语言模型进行情感分析，以预测股票市场回报的潜力，发现 ChatGPT 对股票市场预测的准确率高于传统情感分析方法，建议将高级语言模型纳入投资决策过程中，以提高量化交易策略的性能。

Apr, 2023

本研究提出了一种新的框架，利用 ChatGPT 进行文本分类等特定任务，同时提高其解释性。该框架通过知识图谱抽取任务从原始数据中提取精细和结构化的知识，并将其转化为图形，进而用于训练可解释的线性分类器进行预测。实验结果表明，与直接使用 ChatGPT 相比，我们的方法可以显著提高性能，并提供比以前文本分类方法更透明的决策过程。

May, 2023

本文探讨了生成式 AI 模型（如 ChatGPT）在投资组合选择方面的潜在用途。结合 ChatGPT 和先进的量化优化技术，通过融合 AI 生成的股票选择优势和量化优化模型，观察到更稳健和有利的投资结果，为未来更有效可靠的投资决策提供了混合方法。

Aug, 2023

使用大型语言模型 ChatGPT 3.5 进行金融情感分析，特别关注外汇市场，通过零样本提示方法的探究，比起金融文本情感分析模型 FinBERT，ChatGPT 表现出了大约 35% 的情感分类性能提升以及 36% 更高的与市场回报的相关性，强调了提示工程在零样本上下文中的重要性，突显了 ChatGPT 在金融应用中显著提升情感分析的潜力，并分享所使用的数据集以促进该领域的进一步研究与发展。

Aug, 2023

提出了一个名为 GCNET 的新框架，用于将股票之间的关系建模为影响网络，并使用一组基于历史数据的预测模型来推断子集的股票节点的合理初始标签，在部分标记的图上应用图卷积网络算法来预测每个股票在图中的下一个价格方向的变化，通过对纳斯达克指数中的一组股票的实验证明 GCNET 显着提高了准确性和 MCC 度量方面的性能。

Feb, 2022

本研究介绍了一种基于 ChatGPT 的对话式自动化机器学习 (AutoML) 框架作为 “个人数据科学家”，通过多个语言模型实例构建了自然界面，展示了对话式数据科学的新概念，同时也突出了 ChatGPT 的潜在缺陷和改进机会。

May, 2023

ChatGPT 的生成、解释和检测虚假新闻的能力进行了全面的探索，证明了其在生成高质量虚假新闻样本、解释虚假新闻特点和检测虚假新闻方面表现良好，但仍有改进的空间，并进一步研究了提升其检测能力的潜在额外信息。

Oct, 2023

本研究分析了 ChatGPT 在不同对话问答语料库中生成的回答，并使用 BERT 相似度得分进行比较，以获取自然语言推理（NLI）标签。该研究还确定了 ChatGPT 提供错误答案的情况，提供了有关该模型可能存在错误的领域的见解。通过评估分数，比较 GPT-3 和 GPT-4 的整体性能。

Apr, 2023

这篇研究论文探讨了自然语言处理领域中基于 Transformer 的语言模型，如 BERT 和 ChatGPT，在解决词义变化的时间问题方面的能力，对比了它们在两种 Word-in-Context 任务的历时扩展中（TempoWiC 和 HistoWiC）的表现，分析了 ChatGPT 相对于 BERT 的潜力，结果显示 ChatGPT 在研究词义变化方面表现较差。

Jan, 2024