注：考虑到ChatGPT在回答英语问题时的速度明显快于回答中文问题的速度，所有的问题都使用英文提问。 近日，QIML分享了一篇关于ChatGPT撰写量化书籍的文章，引起了强烈反响。

为此，QIML与ChatGPT进行了深度测试，来看看它到底适不适合干量化！

文章概况（包括14个核心内容）

关于数据

当问到是否有开源工具可以下载中国股票数据时，ChatGPT推荐了Tushare，并在后面给出了下载股票数据的实例代码。并温馨的提示，使用Tushare前需要申请相关的Token。

我们要求ChatGPT介绍相关适用于A股市场的策略回测框架，并指定了VNPY。ChatGPT给出的答案都是比较成熟且流行的开源回测框架。

接下来，使用vnpy实现了一个通道突破的趋势跟踪策略。可能是由于网络或者服务压力的原因，在生成比较长的答案的时候，ChatGPT经常会在回答到中途时停止生成答案。

如何用Backtrader实现配对交易策略。

如何使用风险模型进行组合优化，ChatGPT提到了常用的组合优化模型，其中也包括风险平价模型，并主动给出了使用cvxpy进行优化求解的实例代码。

当问到如何有效的评估因子时，ChatGPT竟然能够主动给出分组测试的代码：

给出另类数据在因子投资中的相关应用，回答中规中矩：

特别针对供应链数据在因子投资中的应用，ChatGPT的回答确实给了我们有用的参考。

怎么使用Pandas进行滚动回归计算？

如何使用机器学习进行市场冲击的预测？

使用Transformer进行股价短期预测的实例代码：

如何对两个变量的因果关系进行统计检验，ChatGPT不但给出了多种统计检验的理论，还给出了相关代码：

给出使用Optuna进行lightgbm超参数优化的代码：

以上所有的问题，ChatGPT都给予了QIML非常满意的答案。

ChatGPT虽然无法完成复杂的策略构建并直接生成稳健的量化策略，但可以极大的提高量化研究人员获取知识的效率。

在日常研究过程中，ChatGPT可以作为我们得力的助手！