ChatGPT插件生态及分类概览 [page::4][page::5]

• OpenAI ChatGPT Plus用户现已可通过网络浏览和插件接口获取最新信息及执行任务。

- 插件数量迅速增长，涵盖学习办公、金融商业、生活娱乐等多个领域。

• 办公及学习类插件如Wolfram极大补充ChatGPT的数学计算与知识查询能力。

- 插件分类数据详见图表，办公学习类插件占比最高，金融商业类插件具备投资分析功能。

主要投资相关插件功能及对比 [page::9][page::10][page::15][page::16]

| 插件名称 | 核心功能 | 覆盖资产类型 | 特色说明 |
|-------------|----------------------------------------|------------------------------|--------------------------|
| PortfolioPilot | 组合评估、个性化投资建议、宏观经济信息 | 股票、ETF、加密货币、债券、基金 | 功能最全面，支持组合自动改进和宏观洞察 |
| Boolio Invest | 基于量化因子方法的全球股票价值分析 | 股票（支持A股） | 提供股票基础信息及多因子评分，但不支持组合分析 |
| PortfoliosLab | 历史表现、风险指标、夏普比率、最大回撤等数据分析 | 股票、ETF、基金、加密货币 | 主要聚焦单一资产历史数据 |

• PortfolioPilot具备更强的组合投资支持与自动优化功能，在多方面优于Boolio和PortfoliosLab。

- 各插件均具有数据实时性和功能更新的特点，适用于不同用户需求。

重点插件PortfolioPilot组合评估案例解析 [page::10][page::11]

• 输入投资组合包含股票、加密货币和现金等资产，系统输出各资产权重、预期收益及风险指标。

- 组合总价值约29.5万美元，预期年化收益6.24%，风险等级为中等偏激进。

• 详细报告包括行业分布、国家分布及持有证券多样化情况。

- 系统指出组合风险点及信用风险较低表现，给出具体投资组合优化建议。

Noteable插件辅助复杂策略开发 [page::16][page::17][page::19]

• Noteable插件支持交互式Jupyter笔记本创建、编辑和运行，降低投资者建模难度。

- 实现数据下载、可视化EDA分析，如纳斯达克指数价格及回报率分布分析。

• 具备自动安装依赖、代码错误修正能力，提升策略开发体验。

LSTM模型构建及沪深300择时策略回测 [page::19][page::20][page::21]

• 利用沪深300指数历史数据，用LSTM模型预测未来12个月指数走势。

- 数据预处理包括归一化、样本划分、特征工程。

• 面对依赖库缺失和模型训练中错误，系统能自动尝试修正并完成训练。

- 模型输出预测值与真实值近似，对策略回测提供支持。

财务造假预测模型训练及性能评估 [page::22]

• 采用决策树模型基于A股多年财务指标构建造假预测。

- 特征包含审计意见、盈利能力指标、资产结构等，样本通过匹配法进行筛选。

• 模型准确率达到95.5%，但精确率及召回率较低，提示样本不平衡问题。

- 建议通过重采样、调整阈值等手段优化模型性能。

专题报告详尽分析：ChatGPT投资相关插件测试及策略开发

---

1. 元数据与概览

• 报告标题：《ChatGPT投资相关插件测试及策略开发 ChatGPT应用探讨系列之四》

- 作者：曹春晓（登记编号S1220522030005）

• 发布机构：方正证券研究所

- 发布日期：2023年6月中旬左右

• 主题：分析OpenAI于2023年5月13日推出的ChatGPT Plus网络浏览及插件功能，重点测试和评述对办公及投资研究有帮助的多个第三方插件，并以Noteable插件示范复杂投资策略的开发。

报告核心论点

• ChatGPT全新的Plus版功能结合网络浏览与第三方插件，为用户尤其是投资研究人员带来了数据获取与分析方法的丰富变革。

- 报告选取、测试了多款办公及投资研究相关插件，深入探讨其功能发挥与适用范围，指出其中功能最完善的PortfolioPilot插件，以及可以直接在聊天界面运行代码的Noteable插件。

• 以Noteable插件为例，展示了如何在聊天环境中实现数据下载、可视化、机器学习模型构建与财务造假预测验证，有望极大提升投研效率。

- 对于插件功能或数据潜在的缺陷和风险也做了风险提示，例如模型迭代风险、数据错误风险和未来功能变更风险。

本报告兼具介绍性和技术应用示范性，对投资者如何利用AI工具改进研究工作提供了具体且前沿的参考。[page::0,4]

---

2. 逐节深度解读

2.1 引言

首次明确OpenAI在2023年5月13日向ChatGPT Plus用户发布了网络浏览与插件功能，解决了原本ChatGPT只能基于2021年前数据局限性。插件数量迅速增至385个，并启用模糊检索提升用户体验。

察觉到插件生态强调办公效率，以及金融/投资领域的广泛需求，本报告将聚焦投资研究应用插件与办公类插件。[page::0,4]

---

2.2 部分办公应用类插件介绍

(1) Wolfram插件

• 依托Wolfram Research公司，结合Mathematica、Wolfram Alpha等，支持符号与数值计算、自然语言知识检索及数据可视化。

- 测试示例展示其精确进行复杂积分、泰勒展开及天文距离计算，甚至可画出著名的“第二爱因斯坦曲线”图形，提升ChatGPT在数学和科学计算上的短板。

• 但报告也指出，面对超高复杂度数学题仍可能不准确，[图表3][图表4][图表5]。

(2) AskYourPDF与ChatWithPDF插件

• 均支持从网络公开PDF文档读取并交互提问。

- 以宁德时代2022年年报PDF为例，AskYourPDF插件准确提取关键财报数据（营业收入、净利润等）并提供合理解释；ChatWithPDF则出现数据混乱和错误。

• AskYourPDF还能对财报内容做深入分析，说明其文档处理和自然语言理解能力较强。[图表6][图表7][图表8]

(3) WebPilot插件

• 支持直接访问网页，提取最新科技与医学研究成果，组织成条理清晰的信息。

- 具备查询公开PDF文档、论文的能力，可用于快速论文总结和交互提问，辅助最新研究跟踪。

• 示例包括总结36氪上科技动态、柳叶刀医学研究论文，以及arXiv预印本论文的内容分析与问题交互。[图表9~12]

本章表明办公应用插件极大丰富ChatGPT数据获取与初步处理能力，尤其对投研有重要支持意义。[page::5~9]

---

2.3 金融市场相关插件测试对比

(1) PortfolioPilot插件

• 作为最早上线且功能最全面的组合管理AI插件，支持投资组合评估、个性化建议，宏观经济趋势查询等。

- 实例输入特定投资组合后，给出详细权重、预期收益与风险指标、市场Beta值，以及国家、行业、证券分布，综合得分和风险等级判定。

• 提供明确的投资组合优化建议，如增持高收益标的、买入保护性证券，说明采用Global Predictions公司的机器学习模型预测，模型整合宏观经济、市场与基本面数据。

- 附加ETF详细信息查询，覆盖价格、波动性、夏普比率及持仓机构曝光度等投资数据。[图表13~19]

(2) Boolio Invest插件

• 主打定量因子方法，实现全球股票价值分析，提供单只股票详细信息及多角度评分（Piotroski、Benjamin Graham等五大评级体系，BoolioScore综合评分）。

- 在宁德时代（300750）案例中，详述公司财务状况、成长能力、盈利能力及价格变动趋势，并给出价格目标及同行业可比标的。

• 尽管功能全面，缺少投资组合级处理功能，对评级和评分方法仅做概述，策略细节未披露，存在一定使用门槛。[图表20~22]

(3) PortfoliosLab插件

• 适用股票、ETF、基金及加密货币分析，重点提供历史业绩、波动率、风险指标、夏普比率等数据。

- 示例为Vanguard Total Stock Market ETF(VTI)与Vanguard S&P 500 ETF(VOO)，比较10年回报率、波动性、最大回撤、跟踪指数等关键指标。

• 并与其他两个插件功能做了详细对比，PortfolioPilot在投资组合评价、推荐及宏观洞察方面明显优越，Boolio支持股票价值分析但组合功能欠缺，PortfoliosLab则侧重历史表现分析。[图表23~26]

此外，提及其他如DAIZY、Polygon、SavvyTrader AI等投资相关插件追加，但未做深度测试。

该章节展示了当前投资研究生态中不同插件的功能定位及优势，强调组合管理综合性插件PortfolioPilot的领先地位。[page::9~16]

---

2.4 Noteable 插件：复杂投资策略开发

功能介绍

• Noteable插件允许用户在聊天交互界面中直接创建、编辑和运行Jupyter笔记本，集成Python、SQL及Markdown，可执行代码，支持项目和数据管理，极大便利了交互式数据分析和机器学习开发。

具体应用案例

1. 数据下载与可视化（EDA）

• 下载纳斯达克指数最近一年历史数据，绘制收盘价与30日移动平均线曲线，构建日收益率的分布直方图，从时间序列角度直观判断指数趋势及波动规律。[图表26~29]

1. 机器学习择时模型构建

• 基于沪深300指数历史数据，设计并训练LSTM模型预测未来12个月指数表现。

- 详细步骤包括数据预处理、归一化、样本划分、模型构建、训练、调试及性能评估，修正代码依赖库错误到模型收敛。

• 最终模型预测结果与真实走势高度重合，显现LSTM模型的择时潜力。[图表30~35]

1. 财务造假预测模型训练

• 选取A股市场证监会及交易所公布的财务造假企业为正样本，同行业未造假企业为控制样本。

- 使用多个财务指标作为特征，构建决策树模型进行训练，完成数据预处理及独热编码等步骤。

• 模型预测测试集准确度高达95.5%，但精确率、召回率较低，指出数据不均衡问题，提出具体改进方向，如重采样、交叉验证等。[图表36~39]

Noteable插证明确实极大降低了投资量化研发门槛，是未来投研数字化的重要工具。[page::16~22]

---

2.5 风险提示

• 模型迭代可能不及预期，代码及文本生成可能存在错误。

- 插件提取数据质量和准确性存在风险。

• 未来模型和插件版本更新可能导致功能及使用体验发生变化，用户需对此保持警惕。[page::23]

---

3. 图表深度解读

• 图表1: 展示Plus用户如何通过模糊检索快速定位投资相关插件，如Boolio、PortfolioPilot、PortfoliosLab等，形象体现平台生态开发速度与多样选择。[page::4]

• 图表2: 插件上线数量与类型分布，办公学习（95个）、娱乐媒体游戏（60个）、金融商业（47个）居多，反映出工具重心与使用热点。[page::5]
• 图表3-5: Wolfram插件执行具体数学题目及画图演示，直观展现功能广度与精准度，对知识计算补足ChatGPT自身不足作用明显。[page::6~7]
• 图表6-8: AskYourPDF与ChatWithPDF插件在宁德时代财报解析上表现对比，前者精准提取并分析多项重磅财务数据，后者存在数据错乱，突出插件稳定性差异。[page::8]
• 图表9-12: WebPilot插件在最新科技趋势、医学论文、金融学术论文的检索总结中，实现多学科信息整合，可用于科研与投资信息抓取。[page::9]
• 图表13-19: PortfolioPilot插件全面解析投资组合结构、收益风险、资产类别及ETF具体参数，结合AI模型评估与优化建议，助力投资组合科学构建。[page::10~12]
• 图表20-22: Boolio Invest插件展示宁德时代详细股票信息与定量评分体系BoolioScore设计，定量评估结合财务成长能力体现其价值分析能力。[page::13~14]
• 图表23-25: PortfoliosLab提供VTI与VOO两大ETF历史表现及风险指标实例，同时三个投资插件关键功能对比，PortfolioPilot功能最全面突出。[page::15~16]
• 图表26-35: Noteable插件用于数据下载、EDA、模型代码自动生成、模型训练与预测全流程示范，具有极强的交互性和实用性，适合复杂量化投资策略研发。[page::17~21]
• 图表36-39: Noteable在财务造假预测建模展示了样本构建、特征处理、模型训练及性能评估，指出数据不均衡对指标的影响及后续改进方向，技术路线严谨具前瞻性。[page::22]
• 图表40-46: 附录详列了多达数百款插件，涵盖办公学习、金融商业、购物旅游、教育媒体及体育娱乐多领域，表明ChatGPT插件生态的多元化及广泛应用潜力。[page::24~30]

---

4. 估值分析

本报告并无具体企业估值部分，侧重于工具与技术层面的插件功能测评及实操展示。因此没有传统的DCF、市盈率或其他估值模型的应用分析。

不过，PortfolioPilot所用的Global Predictions模型基于复杂的机器学习方法，综合宏观经济、公司基本面和新闻情绪数据，对证券预期收益和风险进行预测，实质实现了动态“估值”与风险测算的功能。

Boolio则通过多因子定量评分模型（BoolioScore）提供股票价值评估，指标涵盖成长性、盈利能力、估值及市场表现，虽缺乏估值模型细节披露，但也构成一个以多条件评分为核心的量化估值分析框架。[page::11,13,14]

---

5. 风险因素评估

本报告识别的风险包括：

• 模型迭代风险：AI插件及模型设计更新频繁，若迭代速度跟不上用户期望，可能导致使用体验下降或预测效果不佳。

- 生成内容准确性风险：包括文本生成、代码生成错误，插件爬取或接口调用数据可能含误差，影响最终分析结果。

• 功能变更风险：插件或平台功能大幅更新或限制，可能影响已有工作流程和策略的稳定使用。

报告明确提示了这些潜在风险，但未细化具体的缓解策略，用户需通过持续监控和反馈积极应对。[page::0,23]

---

6. 批判性视角与细微差别

• 报告内容较为全面且客观，但在部分插件准确性评价中存在一定倾向性。例如，ChatWithPDF与AskYourPDF对比时未给出ChatWithPDF错误的具体技术原因，简单陈述“数据错误”，未详细检验其潜在的升级空间。
• 对PortfolioPilot的AI模型预测权威性和准确性披露有限，虽使用了广泛数据，但缺乏足够的透明度和验证细节，可能给投资者带来误判风险。
• Boolio评分体系虽详列设计条件，但缺少模型训练、样本选择及权重系数的说明，用户需谨慎使用，避免“黑箱”风险。
• Noteable虽然显著提升投研建模便捷性，但模型训练过程对用户操作要求高，且实际环境依赖库安装可能遇阻碍，技术门槛仍存。
• 报告多处表述以ChatGPT自动生成回复为主，部分截图中的答案存在格式不完整或语义断裂，需用户自行甄别和二次校验。

整体而言，报告展现了插件应用的巨大潜力但也提醒用户技术尚处于成长阶段，投资决策不宜完全依赖单一工具输出。[page::6,13,22]

---

7. 结论性综合

本专题报告系统梳理了ChatGPT在2023年升级网络浏览与插件功能后，对投资研究领域的支持价值与可操作性。核心结论包括：

• ChatGPT插件生态迅速发展，涵盖办公学习、金融市场、购物旅游、教育媒体等多领域，数量超过385个，且依托于模糊搜索功能方便用户快速检索相关插件。
• 办公插件中，Wolfram插件强力填补ChatGPT在数学计算及科学知识的短板，AskYourPDF等插件具备高效提取、解析PDF财报及文档的信息能力。WebPilot插件则可动态抓取网页和学术论文，强力支持信息获取与交互提问。
• 投资相关插件以PortfolioPilot、Boolio Invest和PortfoliosLab为代表。PortfolioPilot提供了最为全面的投资组合评估、优化建议及宏观经济洞察，是功能最丰富且最具应用价值的插件。Boolio Invest聚焦于股票的多因子评分体系，适合个股深入研究。PortfoliosLab擅长历史表现和风险指标的直观分析。
• 报告通过Noteable插件完整展示了开放的量化模型开发流程，包括数据下载、EDA分析、机器学习模型构建（LSTM择时模型）、财务造假预测模型训练和评估，实现了聊天交互环境下极高的研发效率，这对量化投资及风险管理技术具突破意义。
• 风险提示强调插件和模型的不稳定与误差风险，要求投资者合理期待并保持谨慎。
• 综合来看，报告基于实测和交互验证，客观评价了当前ChatGPT插件在投资领域中的应用价值和局限。作者未对具体证券进行买卖评级，但为投资者和机构提供了AI赋能投研的技术路径和工具选型重要参考。

综上，ChatGPT的投资插件生态迅猛发展，PortfolioPilot与Noteable等插件在投资组合管理和策略研发方面表现尤为突出，通过智能自动化和数据驱动的方式，有望提升投研效率和科学性，但用户需注意数据质量、模型透明度和技术门槛等风险因素。[page::0~31]

---

参考部分重要图表示例

• 图表1（插件模糊检索界面）

• 图表6（AskYourPDF插件准确提取宁德时代财报关键数据）

• 图表15 & 16（PortfolioPilot组合评估详细关键数据与改进建议）

（结合文本部分详见组合预计回报率、风险、风险调整收益、行业/国家分布及改进建议）

• 图表28 & 29（Noteable完成数据下载、编码及可视化）

• 图表33 & 35（Noteable完成LSTM模型训练与预测结果图）

• 图表36~39（Noteable在财务造假预测模型训练流程及评估）

---

总结：本报告系统全面地测试、对比和应用了ChatGPT平台下最新上线的投资相关插件，尤其突出PortfolioPilot在投资组合分析优化中的功能优势和Noteable在量化策略研发中的突破式贡献，彰显了AI深度整合投研关键流程的巨大潜力与未来方向，同时也提醒用户理性看待技术进步带来的风险和挑战，为投资者与机构提供了极具启发性的技术路线图和应用实践指南。[page::0~31]

报告