如果要问今年最受瞩目的科技进步是什么，相信大多数人都会投票给，这款由公司发布的应用程序具有划时代的意义，在全球引发了人工智能热潮。 使用大量数据进行训练，可以从复杂的多维关系网络中得出结论，这是人脑无法做到的。可以写诗、作曲、画画，并根据用户提示完成一些高难度问题的回答。
的出现对于金融业也是一个爆炸性的创新，特别是在量化投资领域，对于私募基金投资经理、量化基金公司、或者券商量化投资部门来说，如何利用这种大模型来帮助投资决策，是一个非常值得深入研究的方向。
目前有一些私募基金公司在招聘启事中，交易员岗位都不要求金融、经济等专业，或者是有银行、券商等从业背景，而是重点关注算法工程师、数据科学家等人才，试图通过让机器人完全控制投资过程——从数据分析和预测，到决策和执行，采用高频量化交易策略获取盈利。
在部分方面对于金融量化投资可以提供帮助：
一、数据获取和处理。量化投资的基础就是需要获取大量的金融数据，投资经理往往需要耗费大量精力在数据获取上，但是通过可以快速地获取金融市场数据，例如股票价格、指数数据、外汇波动等。我们可以询问它有关特定股票或市场或货币对的历史数据，然后使用编程语言（如或R）对数据进行处理和分析。
二、财经类学科概念解释。可以回答金融学、经济学、会计学等不同财经类学科中的基础概念，如经济学原理、投资组合理论、期权定价模型、风险管理模型、会计科目等。所以就算投资经理并不是金融科班出身也没问题，可以通过学习这些金融概念知识，理解这些概念的核心原理和应用场景。
三、技术指标学习。通过向提问可以获得关于不同技术指标含义的问题，解释不同指标的意义和用途。比如我们可以询问它一些常见技术指标（例如摆动指标、超买超卖指标、成交量指标、反趋向指标、量价指标、能量指标、强弱指标、趋向指标、压力支撑指标以及图标指标）的问题，并了解每个指标下具体包含哪些子分类，以及如何使用它们来分析市场和制定交易策略。
四、辅助构建投资策略代码。向发送构建量化策略命令，让返回策略代码，例如发送一个“写一份根据Fama-三因素模型中规模因子选股策略代码”的指令获取代码。一般而言代码的逻辑关系和结构基本上没有问题，但需要结合最新的数据和本地系统进行调试，以提高精度和效果，使用测试数据对训练好的模型进行评估，并对其精度、召回率、F1值等指标进行评估。例如在用编程工具写代码过程中，可以安装自动填写代码的插件，如果要实现某个函数功能，可以在命令行中输入要求，把这段代码写出来，可以极大的提高效率。
但是对于金融量化投资，主要是基础代码编程效率上的提升，并非投资策略的研发替代，就编写代码这一基础工作量来说，相当于一名专业高级程序员。但仅靠大语言模型并不能理解代码背后的意图，也无法在股票市场完成一个精确的投资。只有在对策略和模型有清晰认知的前提下，才能借助提高工作效率。
