AI賦能資產(chǎn)配置：從算力平權(quán)到投研平權(quán)-國信證券

核心觀點DeepSeek

的彎道超車是國產(chǎn)人工智能以更高性價比實現(xiàn)算力平權(quán)的里程標(biāo)

志，人工智能正以前所未有的速度和廣度滲透金融領(lǐng)域，有望實現(xiàn)投研平權(quán)。尤其在投資研究、資產(chǎn)配置及交易執(zhí)行層面展現(xiàn)出變革潛力。借鑒探索

流高效處理爆炸性信息的理念，AI

能夠整合海量、多維數(shù)據(jù)，貫穿從低

頻宏觀配置到高頻微觀交易的多元策略場景，如同構(gòu)建復(fù)雜的邏輯圖

譜，為金融決策提供新的分析視角與決策支持。AI在金融實戰(zhàn)中也面臨著反應(yīng)速度、預(yù)測精確度與模型泛化能力之間的固

有挑戰(zhàn)——即所謂的“不可能三角”。這預(yù)示著其深度應(yīng)用仍需克服關(guān)鍵

障礙，方能充分釋放其在提升投資效率與風(fēng)險管理上的核心價值。通過

在傳統(tǒng)的主被動資產(chǎn)配置

、大盤擇時行業(yè)和風(fēng)格輪動策略中

，嵌入DeepSeek

來賦能投研，實現(xiàn)提振增效、金融與科技共振：1）底層架構(gòu)：

股票、債券、商品等大類資產(chǎn)的擇時和配比。賦能主被動投資、宏觀數(shù)

據(jù)預(yù)測。2）A

股策略應(yīng)用：宏觀大勢和中觀行業(yè)板塊輪動比較。賦能大

盤擇時與行業(yè)輪動。3）情緒感知和落地：語義檢索和學(xué)習(xí)、ESG

信息網(wǎng)格。賦能政策學(xué)習(xí)與

ESG

實踐。AI在投研中的定位更適合坐在“副駕駛”中減少情緒化交易等人為錯誤，

或是“輔助駕駛”提高投研效率。在投研實踐中，AI展現(xiàn)出強(qiáng)大的潛力，尤其體現(xiàn)在提升數(shù)據(jù)處理效率和優(yōu)化策略執(zhí)行上。但整體來看，AI難以完全替

代人類在理解復(fù)雜市場博弈、評估管理層等非標(biāo)準(zhǔn)化信息、以及進(jìn)行基于長

期商業(yè)洞察和經(jīng)驗的主觀判斷上的核心作用。因此，當(dāng)前

AI在資產(chǎn)配置中

更多扮演著“增強(qiáng)型工具”的角色，通過人機(jī)協(xié)同提升效率與廣度，但在關(guān)

鍵決策和風(fēng)險把控上仍需借助人類的智慧與經(jīng)驗。在投研運用中，不同大模型擁有不同的擅長領(lǐng)域，需要借助

MCP

等實現(xiàn)兼容

并舉、協(xié)同發(fā)力。在處理文本（如新聞點評）時，對關(guān)鍵點的把握存在顯著

差異。在圖像識別方面，AI能識別股指圖表的基本信息（如走勢、點位），

且在信息不足時傾向于依賴網(wǎng)絡(luò)信息給出相似結(jié)論。為有效利用AI，可以從

其機(jī)制與缺陷（如上下文長度限制）出發(fā)，通過：1）“適時總結(jié)”或搭建

“個人知識庫”增強(qiáng)記憶力；2）善用工作流規(guī)范化

AI輸出，結(jié)合知識庫與

網(wǎng)絡(luò)信息；3）利用MCP

等協(xié)議加強(qiáng)

AI與外部工具、數(shù)據(jù)的協(xié)同能力，以更好地服務(wù)于投研工作?？偟膩砜?，人工智能正通過多樣化的應(yīng)用形態(tài)滲透到金融領(lǐng)域的各個環(huán)節(jié)之

中，其核心作用體現(xiàn)在提升效率、拓展分析維度和優(yōu)化決策流程上。但其目

前仍難以完全取代人類的關(guān)鍵判斷和風(fēng)險承擔(dān)，其投資決策嚴(yán)格依賴于人為

投喂的投研框架、數(shù)據(jù)和文本語料，在應(yīng)對復(fù)雜、非結(jié)構(gòu)化信息時表現(xiàn)較弱，

目前只能扮演著強(qiáng)大的輔助工具而非完全獨立的決策者角色。在國產(chǎn)大模型實現(xiàn)自主可控、算力平權(quán)基礎(chǔ)上，成體系的框架持續(xù)積累迭代，并通過人工智能加速器成倍放大，打破機(jī)構(gòu)機(jī)構(gòu)與投資者間信息和技術(shù)壁壘，助力投研平權(quán)的加速推進(jìn)。風(fēng)險提示：AI模型局限與數(shù)據(jù)依賴風(fēng)險；技術(shù)應(yīng)用效果差異風(fēng)險；市場與技術(shù)迭代風(fēng)險。AI賦能資產(chǎn)配置（十一）從算力平權(quán)到投研平權(quán)資料來源：萬得、國信證券經(jīng)濟(jì)研究所整理相關(guān)研究報告

《策略數(shù)據(jù)說-美股“盈利預(yù)喜”拆解》——2025-04-05《價格全方位多維跟蹤體系（2025

年第三期）-有色引領(lǐng)上游價

格回暖》——2025-04-03《ESG

月度觀察（2025

年第3

期）-綠證市場邁入高質(zhì)量發(fā)展階

段》——2025-04-03《資金跟蹤與市場結(jié)構(gòu)周觀察(第五十九期)-交投分散趨勢延

續(xù)》——2025-04-01《AI賦能資產(chǎn)配置（十）-善用

DeepSeek

重現(xiàn)經(jīng)典投資策略》

—

—2025-04-01S0980521030001基礎(chǔ)數(shù)據(jù)

中小板/月漲跌幅(%)

6453.32/-2.41創(chuàng)業(yè)板/月漲跌幅(%)

2065.40/-5.97AH

股價差指數(shù)

133.54A

股總/流通市值

(萬億元)

79.49/73.21市場走勢

證券分析師：王angkai8@聯(lián)系人：郭蘭uo

lanbin@guos請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容策略研究

·策略專題內(nèi)容目錄理論與實戰(zhàn)：AI

全方位賦能宏觀、中觀和微觀的投研實踐

............................4AI

賦能資產(chǎn)配置系列回顧

...............................................................4AI+模型：在高維參數(shù)基礎(chǔ)上實現(xiàn)進(jìn)一步迭代優(yōu)化

...........................................

6AI難以完全取代傳統(tǒng)投研范式：為什么

DeepSeek

時代，資深研究員的分析框架積累更為重要

....7DeepSeek

是提質(zhì)增效的“輔助駕駛”工具，助力更加高效完成投研工作

.......................8部署和應(yīng)用：AI

賦能對沖基金、量化交易的落地實施

...............................10AI+對沖基金：構(gòu)建投研智能體輔助配置決策

..............................................

10AI+量化交易：人工智能優(yōu)化投資決策中的主觀性

..........................................

13AI

能力特化：關(guān)注針對金融領(lǐng)域微調(diào)的專屬大模型

........................................15AI+投研落地：AI

在實戰(zhàn)中戰(zhàn)勝基準(zhǔn)

.....................................................16評測與結(jié)論

...................................................................

17縮短

AI

與投研的距離：探索

AI

工具的能力邊界

...........................................

17如何在金融投研中用好

AI：一些使用技巧的拋磚引玉

......................................20結(jié)論：從算力平權(quán)到投研平權(quán)

...........................................................21風(fēng)險提示

.....................................................................

23請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

2證券研究報告圖表目錄圖

1：國產(chǎn)大模型彎道超車：從性價比到質(zhì)價比的全方位梯隊

....................................

4圖2：

類比全球資配加主動投資：讓渡一定回報、大幅降風(fēng)險

....................................

4圖3：

AI

發(fā)展與回報率

......................................................................6圖4：

DeepSeek+資產(chǎn)配置體系

...............................................................

6圖

1：

股債強(qiáng)弱打分指標(biāo)勝率展示

............................................................

7圖2：

實際股債強(qiáng)弱

vs

DeepSeek

調(diào)整

........................................................

7圖3：

實際股債強(qiáng)弱

vs

Xgboost

調(diào)整

.........................................................

7圖4：

實際股債強(qiáng)弱

vs

等權(quán)重擴(kuò)散指數(shù)（未調(diào)整）

.............................................

7圖5：

高頻數(shù)據(jù)相關(guān)性及領(lǐng)先性的一個計算框架

................................................

8圖6：

高頻數(shù)據(jù)近期和長期相關(guān)性的一個篩選框架

..............................................

8圖7：

前瞻指標(biāo)的編制——最優(yōu)領(lǐng)先期擬合

....................................................

8圖8：

高頻數(shù)據(jù)對廣譜利率的動態(tài)測算過程詳解

................................................

8圖9：

全球領(lǐng)先指標(biāo)的構(gòu)建脈絡(luò)

..............................................................

9圖

10：

前瞻指標(biāo)的編制——最優(yōu)領(lǐng)先期擬合

...................................................

9圖

11：

高頻數(shù)據(jù)和宏觀數(shù)據(jù)間領(lǐng)先相關(guān)性觀測矩陣

.............................................

9圖

12：

傳統(tǒng)前瞻指標(biāo)計算界面具有一定復(fù)雜性

................................................10圖

13：

AI

數(shù)據(jù)終端-OpenBB

.................................................................

11圖

14：

AI

Hedge

Fund

案例參考

.............................................................

12圖

15：

A

股投資智能體案例

.................................................................

13圖

16：

Q

lib

整體架構(gòu)概覽

..................................................................

14圖

17：

QBot

界面分析

......................................................................

15圖

18：

Fin-R1

的總體工作流程

..............................................................

16圖

19：

Fin-R1

在金融領(lǐng)域評分已達(dá)主流模型水平

..............................................

16圖20：

Minotaur

Capital

推出以

AI

為招牌的產(chǎn)品

.............................................

17圖21：

上傳分時圖（4.2日

10

：09

分）

......................................................

19圖22：

上傳蠟燭圖（4.2日

10

：09

分）

......................................................

19圖23：

QBot

界面分析

......................................................................

19圖24：

DeepSeek

模型上下文長度

............................................................20圖25：

個人知識庫搭建示意圖

..............................................................

20圖26：

知識庫檢索的基本原理

..............................................................

21圖27：

MCP

協(xié)議示意圖

.....................................................................21請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

3證券研究報告DeepSeek

通過AI

技術(shù)深度賦能資產(chǎn)配置全流程，在國信多元資產(chǎn)配置框架基礎(chǔ)

上實現(xiàn)系統(tǒng)性優(yōu)化（《AI賦能資產(chǎn)配置（一）——DeepSeek

對國信多元資配框

架的優(yōu)化》）：一方面聚焦AI對傳統(tǒng)策略的革新，基于“風(fēng)險再平價”邏輯重構(gòu)

資產(chǎn)組合風(fēng)險分散機(jī)制（《AI

賦能資產(chǎn)配置（三）——DeepSeek

與風(fēng)險“再平

價”》），結(jié)合大盤擇時與行業(yè)輪動模型動態(tài)捕捉市場拐點（《AI賦能資產(chǎn)配置

（四）——DeepSeek

在大盤擇時與行業(yè)輪動中的應(yīng)用》），并通過

DeepSeek

語

義分析技術(shù)解析貨幣政策文本，精準(zhǔn)預(yù)判政策取向（《AI賦能資產(chǎn)配置（七）—

—乘風(fēng)

DeepSeek

理解貨幣政策取向》

）；另一方面重塑

ESG

投資范式（《AI

賦

能資產(chǎn)配置（二）——AI

重塑

ESG

投資范式》），將

AI驅(qū)動的

ESG

因子動態(tài)嵌

入資產(chǎn)配置框架，構(gòu)建兼顧收益與可持續(xù)性的“有效前沿”（《AI賦能資產(chǎn)配置

（九）——DeepSeek

打造

ESG

有效前沿》

），并推出《AI

賦能資產(chǎn)配置（五）——AI+ESG

投研實踐工具書》為策略落地提供方法論支持。同時，以“實戰(zhàn)解答”

形式，重點分析了

DeepSeek

賦能政策信號量化、數(shù)據(jù)處理方法、AI投研應(yīng)用及

其在金融市場中的具體落地方案（《AI賦能資產(chǎn)配置（八）——DeepSeek

在資

產(chǎn)配置中實戰(zhàn)解答》），其成果在海內(nèi)外資管機(jī)構(gòu)的大模型應(yīng)用探索中展現(xiàn)顯著

優(yōu)勢（《AI賦能資產(chǎn)配置（六）——海內(nèi)外資管機(jī)構(gòu)AI大模型應(yīng)用探索》），理論與實戰(zhàn)：

AI

全方位賦能宏觀

、

中觀和微

觀的投研實踐AI

賦能資產(chǎn)配置系列回顧DeepSeek

模型的彎道超車，是國產(chǎn)大模型算力平權(quán)的標(biāo)志性事件。于

DeepSeek-R1

而言，在數(shù)學(xué)能力、工程類代碼場景不輸于

OpenAIO1

的情況下，在算法場景、百

科知識維度下與O1差距不斷縮小。如果我們用質(zhì)價比邏輯解釋，DeepSeekR1追

求大模型領(lǐng)域的消費者剩余最大化。B

端質(zhì)價比提升的敘事邏輯。不同于泛消費

領(lǐng)域

C

端“質(zhì)價比”從供給層面驅(qū)動企業(yè)內(nèi)卷品質(zhì)，銷售費用率短期內(nèi)延續(xù)高位

并阻礙凈利率提升，國產(chǎn)大模型

B

端質(zhì)價比提升驅(qū)動下游應(yīng)用爆發(fā)式增長,同時反

哺

B

端收入并提升

C

端利潤率。類比于海外資產(chǎn)配置中同樣隱藏的“質(zhì)價比”

，

質(zhì)的維度是風(fēng)險、價的維度是回報，“資配質(zhì)價比”即為風(fēng)險收益或持有體驗。

傳統(tǒng)股債基礎(chǔ)上加入主動股基，讓渡一定的回報、大幅降風(fēng)險，實現(xiàn)“資配質(zhì)價

比”提升。隨著算力平權(quán)時代的到來，我們也關(guān)注投研平權(quán)的加速落地。請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

4資料來源：DeepSeek，JPMorgan，U.S.

GlobalInvestors，國信證券

經(jīng)濟(jì)研究所整理圖1：國產(chǎn)大模型彎道超車：從性價比到質(zhì)價比的全方位梯隊圖2：類比全球資配加主動投資：讓渡一定回報、大幅降風(fēng)險資料來源：萬得，國信證券經(jīng)濟(jì)研究所整理證券研究報告形成從理論構(gòu)建到全球多市場定量落地的閉環(huán)體系。在《AI賦能資產(chǎn)配置（十）

善用

DeepSeek

重現(xiàn)經(jīng)典投資策略》中，我們應(yīng)用

DeepSeek

展開投資范式的跨時

空對話。通過在傳統(tǒng)的主被動資產(chǎn)配置、大盤擇時行業(yè)和風(fēng)格輪動策略中，嵌入DeepSeek

來賦能投研，實現(xiàn)提振增效、金融與科技共振：1.底層架構(gòu)：股票、債券、商品等大類資產(chǎn)的擇時和配比1）自上而下的主動投資框架中，給

DeepSeek輸入國信總量團(tuán)隊多年積累的資產(chǎn)

配置框架，聯(lián)網(wǎng)輸入相關(guān)數(shù)據(jù)，通過靜態(tài)樣本學(xué)習(xí)和動態(tài)實戰(zhàn)糾偏來評判當(dāng)前和

未來適用于哪種資產(chǎn)配置模型，AI

學(xué)習(xí)挖掘出和一段時間內(nèi)宏觀政策環(huán)境、市場

情緒走勢最為貼近的模型賦予最高的評判權(quán)重。2）在宏觀數(shù)據(jù)預(yù)測方面，將國信總量分析師對宏觀經(jīng)濟(jì)數(shù)據(jù)的預(yù)測體系通過自然

語言形式輸入

DeepSeek，通過學(xué)習(xí)和迭代來外推未來

6-12

個月的宏觀經(jīng)濟(jì)數(shù)據(jù)

走勢，確保準(zhǔn)確度的基礎(chǔ)上，效率也大幅提升；3）被動投資角度，對當(dāng)前熱議的風(fēng)險平價模型進(jìn)改良優(yōu)化，其一是給

DeepSeek喂入歷史的宏觀經(jīng)濟(jì)、資本市場等指標(biāo)，結(jié)合聯(lián)網(wǎng)檢索獲取分析師對市場最新觀

點，在確保風(fēng)險貢獻(xiàn)大致相同前提下，對當(dāng)前經(jīng)濟(jì)周期進(jìn)行精準(zhǔn)定位并浮動相應(yīng)

資產(chǎn)權(quán)重，以風(fēng)險預(yù)算思路構(gòu)建

Smart

β策略。其二是

DeepSeek

通過動態(tài)調(diào)整

學(xué)習(xí)周期找到歷史上相似的時段進(jìn)行映射和推演，來選擇最佳的回測時間窗口對

當(dāng)前提供借鑒。其三，在綁定相同指數(shù)的

ETF

中讓

DeepSeek

結(jié)合溢價率、成交活

躍度等指標(biāo)進(jìn)行學(xué)習(xí)篩選優(yōu)中選優(yōu)、增厚投資

α。2.A

股策略應(yīng)用：宏觀大勢和中觀行業(yè)板塊輪動比較4）A

股大盤擇時方面，通過宏觀、

資金、情緒、技術(shù)、海外五個維度

10

余

個指標(biāo)構(gòu)建

A

股市場打分模型，通過引入

DeepSeek

學(xué)習(xí)來給每一類模型和因子賦

權(quán)，優(yōu)化擇時策略并進(jìn)一步提升模擬組合的夏普比率、控制最大回撤。5）A

股行業(yè)輪動方面，DeepSeek

對基于景氣度、擁擠度、趨勢的“三標(biāo)尺”起

到增強(qiáng)效果，在溫和復(fù)蘇的市場環(huán)境中可以放大賺錢效應(yīng)、提高風(fēng)險收益比。3.情緒感知和落地：語義檢索和學(xué)習(xí)、ESG

信息網(wǎng)格6）在政策深度學(xué)習(xí)理解維度，通過

DeepSeek

深入切入貨幣政策相關(guān)表述，對當(dāng)

前及未來一段時間貨幣政策是放松還是收緊進(jìn)行感知迭代，將定性的詞匯轉(zhuǎn)為定

量的、可持續(xù)跟蹤的力度指數(shù)，在左側(cè)拐點進(jìn)行前瞻提示。7）ESG+AI

維度緊密融合，通過

ESG+AI

的工具案例，分析了

AI

在

ESG

跨國、跨

語言、物聯(lián)網(wǎng)高頻數(shù)據(jù)感知的比較優(yōu)勢；同時結(jié)合

ESG

領(lǐng)域的AI實踐，以

DeepSeek為工具將

A

股上市公司

E/S/G

三重因子結(jié)合縱向（自上而下，大數(shù)據(jù)聯(lián)網(wǎng)來根據(jù)

公眾關(guān)注度動態(tài)賦分）乘橫向（自下而上，按篇幅、結(jié)構(gòu)、順序來給特定上市各

公司對

E/S/G

的各項關(guān)注來打分）進(jìn)行優(yōu)化處理提高

β

,

并且結(jié)合模型實時檢索

的輿情信息對漂綠風(fēng)險公司進(jìn)行甄別剔除，提高投資組合

α。請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

5證券研究報告在資產(chǎn)配置領(lǐng)域，人工智能（AI）的核心能力集中體現(xiàn)于高效數(shù)據(jù)處理與策略優(yōu)

化

：DeepSeek

可快速解析海量結(jié)構(gòu)化與非結(jié)構(gòu)化數(shù)據(jù)（如財報、高頻交易信號、

政策文本等），挖掘市場波動規(guī)律及資產(chǎn)間隱含關(guān)聯(lián)性，輔助構(gòu)建量化模型并優(yōu)

化風(fēng)險平價權(quán)重；其策略回測能力可模擬多場景下的組合表現(xiàn)，動態(tài)調(diào)整跨資產(chǎn)

配比以控制回撤。然而，AI

的局限性同樣顯著：其一，模型高度依賴歷史數(shù)據(jù)，

對突發(fā)性“黑天鵝”事件（如地緣沖突、流動性危機(jī)）缺乏預(yù)判能力，極端市場

環(huán)境下策略可能失效；其二，AI模型的“黑箱”特征導(dǎo)致決策邏輯可解釋性不足，

存在過度擬合風(fēng)險，需人工校驗底層假設(shè)合理性；其三，在主動投研的核心領(lǐng)域，

如管理層能力評估、商業(yè)模式護(hù)城河識別、非標(biāo)準(zhǔn)化調(diào)研信息整合等，AI難以替

代人類分析師對商業(yè)本質(zhì)的洞察力與經(jīng)驗沉淀，尤其對政策與市場博弈、長期價

值與短期熱點平衡等復(fù)雜矛盾的權(quán)衡仍需依賴主觀判斷。當(dāng)前AI更多定位于“增強(qiáng)型工具”角色——其為投資決策提供數(shù)據(jù)驅(qū)動的靈感啟

發(fā)和策略驗證支持，但在最終決策環(huán)節(jié)需與傳統(tǒng)框架及分析師經(jīng)驗深度融合，形

成“AI提效+人工校準(zhǔn)”的協(xié)同模式?？傮w而言，AI

是資產(chǎn)配置的“算力加速器”

而非“邏輯重構(gòu)者”，擅長拓展認(rèn)知邊界卻無法替代人類對不確定性的駕馭能力，

這一特性決定了人機(jī)協(xié)同將是未來較長時間內(nèi)行業(yè)進(jìn)化的主流路徑。未來，AI將

在市場深度洞察、大型專項研究等領(lǐng)域進(jìn)一步優(yōu)化應(yīng)用。通過不斷改進(jìn)

Prompt設(shè)計、調(diào)整知識庫投喂方式、優(yōu)化微調(diào)機(jī)制，AI

可更精準(zhǔn)地適應(yīng)金融市場環(huán)境，并在人機(jī)協(xié)同模式下實現(xiàn)研究效率提升。AI+模型：

在高維參數(shù)基礎(chǔ)上實現(xiàn)進(jìn)一步迭代優(yōu)化在國信總量團(tuán)隊《AI賦能資產(chǎn)配置（一）——DeepSeek

對國信多元資配框架的

優(yōu)化》的報告中，體現(xiàn)了等權(quán)配置和

AI+XGBoost

算法的差異，結(jié)果表明AI+XGBoost能夠提升我們在模型整合中的勝率。我們進(jìn)一步補(bǔ)充展示了XGBoost

的勝率。結(jié)

果表明，XGBoost

的勝率相較于未調(diào)整的基準(zhǔn)情況有所提升（47.19%→51.69%），

證明了其在優(yōu)化權(quán)重調(diào)整方向上的有效性。然而，與DeepSeek

調(diào)整后的結(jié)果相

比（51.69%→56.18%），XGBoost

的勝率仍存在一定的差距，表明DeepSeek

在權(quán)

重優(yōu)化上的表現(xiàn)更為優(yōu)越。需要注意的是，此過程實際上是有調(diào)整空間，XGBoost

結(jié)果依賴人為設(shè)定的超參

數(shù)，例如樹的數(shù)量、最大深度、學(xué)習(xí)率等。這些參數(shù)的選擇會直接影響模型的最

終表現(xiàn)，不同的參數(shù)組合可能會帶來不同的勝率表現(xiàn)，未來可以進(jìn)一步探索更優(yōu)

的超參數(shù)配置。請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

6資料來源：DeepSeek、萬得，國信證券經(jīng)濟(jì)研究所整理資料來源：DeepSeek、萬得，國信證券經(jīng)濟(jì)研究所整理圖4：DeepSeek+資產(chǎn)配置體系圖3：AI

發(fā)展與回報率證券研究報告AI

難以完全取代傳統(tǒng)投研范式：為什么

DeepSeek

時代

，資深研

究員的分析框架積累更為重要2018

年，我們在研究高頻數(shù)據(jù)與廣譜利率的相關(guān)性及領(lǐng)先性時，選取的日度、周

度和旬度產(chǎn)業(yè)數(shù)據(jù)總計約500

條，而同一時期市場上平行的量化方向研究數(shù)據(jù)體

量遠(yuǎn)超主觀多頭研究，其模型精度也更為優(yōu)越。在宏觀總量分析的應(yīng)用場景中，

經(jīng)驗判斷尤為關(guān)鍵——需要剔除那些僅具統(tǒng)計相關(guān)性但缺乏經(jīng)濟(jì)邏輯的偽相關(guān)關(guān)

系。以工業(yè)增加值預(yù)測為例，這一核心經(jīng)濟(jì)指標(biāo)因數(shù)據(jù)波動性高、季節(jié)性調(diào)整后

缺乏有效錨點而難以預(yù)測，特別是在六大電廠發(fā)電耗煤數(shù)據(jù)停更后，跟蹤工作一

度陷入"盲盒困境"。相關(guān)性分析中曾出現(xiàn)成都中藥材價格指數(shù)與之高度相關(guān)的異

?，F(xiàn)象，但從區(qū)域?qū)θ珖?、部分對整體、數(shù)量對價格的三重邏輯錯配來看，這顯

然是統(tǒng)計巧合。此類偽相關(guān)僅靠量化工具難以甄別，必須結(jié)合宏觀邏輯進(jìn)行"去偽

存真"。在實際工作的市場溝通和觀點匯報時需要引入具體的、可證偽的邏輯，單純的量

化方法可能存在"黑箱"問題，這也是需要定性觀點和經(jīng)驗支撐來輔助規(guī)避的問題。

例如主成分分析雖能解釋大部分方差，但難以賦予主成分明確的經(jīng)濟(jì)學(xué)含義，這

在路演匯報時會造成解釋障礙。2018

年構(gòu)建的體系即便通過嚴(yán)格樣本內(nèi)測試，到

2021

年樣本外推時仍面臨指標(biāo)停更、定價范式從需求側(cè)轉(zhuǎn)向供給側(cè)等結(jié)構(gòu)性變

化，導(dǎo)致跟蹤偏差擴(kuò)大。這要求研究框架必須持續(xù)迭代更新，而

DeepSeek

的出現(xiàn)請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

7圖4：實際股債強(qiáng)弱vs

等權(quán)重擴(kuò)散指數(shù)（未調(diào)整）資料來源：DeepSeek、萬得，國信證券經(jīng)濟(jì)研究所整理資料來源：DeepSeek、萬得，國信證券經(jīng)濟(jì)研究所整理資料來源：DeepSeek、萬得，國信證券經(jīng)濟(jì)研究所整理資料來源：DeepSeek、萬得，國信證券經(jīng)濟(jì)研究所整理圖2：實際股債強(qiáng)弱

vsDeepSeek

調(diào)整圖3：實際股債強(qiáng)弱

vsXgboost

調(diào)整圖1：股債強(qiáng)弱打分指標(biāo)勝率展示證券研究報告DeepSeek

是提質(zhì)增效的“

輔助駕駛

”工具

，助力更加高效完成投

研工作另一個案例是在

2019

年，我們尋找全球股票市場的領(lǐng)先指標(biāo)，通過構(gòu)造全球經(jīng)濟(jì)

景氣度指數(shù)，來提取高頻指標(biāo)對經(jīng)濟(jì)景氣的指示方向。從落地化的制作時間來看，

我們大致花了數(shù)月時間，通過將這套思路溝通交流，在

python

逐一編寫代碼落地，

最后調(diào)用萬得API接口來實現(xiàn)實時更新，每次等底層宏觀和產(chǎn)業(yè)、金融類指標(biāo)發(fā)

布后，不到半小時即可自動化更新出前瞻指數(shù)。而遇到底層指標(biāo)停更或者代碼出現(xiàn)迭代進(jìn)化，又要花費半日時間來檢查校對、仔細(xì)改編等，在

python

底層代碼上

進(jìn)行修改。DeepSeek

橫空出世后，我們通過和負(fù)責(zé)技術(shù)同事溝通協(xié)作，在十個以內(nèi)工作日即

完成了AI賦能主動大類資產(chǎn)配置體系、靜態(tài)優(yōu)化和動態(tài)糾偏修改權(quán)重的內(nèi)容。如

果要修改內(nèi)容或者過程，即可通過

DeepSeek

中的交互式對話來實現(xiàn)，減小黑箱化，

避免了在

python

終端來頻繁修改復(fù)雜代碼的問題。從自上而下賦能資產(chǎn)配置來看，五位宏觀分析師搭建的大類資產(chǎn)配置體系（至少請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

8資料來源:萬得，國信證券經(jīng)濟(jì)研究所整理資料來源:萬得，國信證券經(jīng)濟(jì)研究所整理恰好實現(xiàn)了量化工具與宏觀邏輯的有機(jī)融合。圖6：高頻數(shù)據(jù)近期和長期相關(guān)性的一個篩選框架圖5：高頻數(shù)據(jù)相關(guān)性及領(lǐng)先性的一個計算框架圖8：高頻數(shù)據(jù)對廣譜利率的動態(tài)測算過程詳解圖7：前瞻指標(biāo)的編制——最優(yōu)領(lǐng)先期擬合資料來源:萬得，國信證券經(jīng)濟(jì)研究所整理資料來源:萬得，國信證券經(jīng)濟(jì)研究所整理證券研究報告用兩周來搭建和長期路演獲得思路反饋來糾偏調(diào)整）并給出宏觀數(shù)據(jù)預(yù)測（至少

半個工作日），一位策略分析師進(jìn)行統(tǒng)合綜效并給出結(jié)論（大致一個工作日），DeepSeek

V3

僅使用

15000

個

token、耗費

2

個小時就可以計算完備，在優(yōu)化自然

文本、讓

DeepSeek

更好理解和導(dǎo)出后，這個時間還有進(jìn)一步縮短的可能。圖9：全球領(lǐng)先指標(biāo)的構(gòu)建脈絡(luò)請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

9圖11：高頻數(shù)據(jù)和宏觀數(shù)據(jù)間領(lǐng)先相關(guān)性觀測矩陣資料來源：萬得，國信證券經(jīng)濟(jì)研究所整理圖10：前瞻指標(biāo)的編制——最優(yōu)領(lǐng)先期擬合資料來源:萬得，國信證券經(jīng)濟(jì)研究所整理資料來源:萬得，國信證券經(jīng)濟(jì)研究所整理證券研究報告資料來源：萬得，國信證券經(jīng)濟(jì)研究所整理部署和應(yīng)用：

AI

賦能對沖基金

、量化交易的

落地實施AI+對沖基金：

構(gòu)建投研智能體輔助配置決策在構(gòu)建AI投研智能體的版圖中，現(xiàn)有AI

應(yīng)用實例為投資者提供了全棧式方案。

投資者可以借鑒

OpenBB

來搭建數(shù)據(jù)和基礎(chǔ)分析平臺，參考AI

Hedge

Fund

類項目

的設(shè)

計思

路

和

AI

模型

應(yīng)

用

方

法，

并

結(jié)

合自身

專

注

的

市

場

（如

A_Share_

investment_Agent

側(cè)重于

A

股市場）進(jìn)行定制化開發(fā)。本小節(jié)將深度解

讀這些開源項目的原理和優(yōu)缺點，賦能資配決策。OpenBB

是一個強(qiáng)大的開源投資研究生態(tài)系統(tǒng)，更側(cè)重于提供全面的數(shù)據(jù)獲取和基

礎(chǔ)分析能力。OpenBB（前身為

Gamestonk

Terminal）的核心優(yōu)勢在于其廣泛的數(shù)

據(jù)整合能力，能從眾多來源聚合股票、期權(quán)、加密貨幣、宏觀經(jīng)濟(jì)等各類金融數(shù)

據(jù)，極大地降低了數(shù)據(jù)收集的門檻。同時，它內(nèi)置了豐富的分析工具，支持技術(shù)

分析

、基本面分析

、量化研究乃至投資組合優(yōu)化

，并能通過其命令行界面

（Terminal）或

Python

SDK

進(jìn)行交互式探索與可視化，為用戶搭建了一個靈活的

研究工作臺。盡管功能強(qiáng)大，OpenBB

本身并非一個直接提供交易決策的AI

智能體，而是作為

一個基礎(chǔ)平臺。它的運作原理主要是通過API集成連接數(shù)據(jù)源，并提供模塊化的

分析功能供用戶調(diào)用。其優(yōu)點顯而易見：開源免費、數(shù)據(jù)覆蓋廣、社區(qū)活躍以及

高度的可擴(kuò)展性，允許用戶集成自定義模型，包括復(fù)雜的AI算法。然而，其缺點請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

10圖12：傳統(tǒng)前瞻指標(biāo)計算界面具有一定復(fù)雜性證券研究報告資料來源：G

ithub，G

itdiagram，國信證券經(jīng)濟(jì)研究所整理AI

Hedge

Fund

旨在展示一個更為完整的、由人工智能驅(qū)動的交易策略流程。它

們的核心目標(biāo)是演示如何應(yīng)用AI技術(shù)（例如強(qiáng)化學(xué)習(xí)或深度學(xué)習(xí)模型）來分析金

融數(shù)據(jù)、識別模式，并據(jù)此生成交易信號或進(jìn)行資產(chǎn)配置。該項目體現(xiàn)了構(gòu)建“智能體”（Agent）的核心思想，即系統(tǒng)能夠基于數(shù)據(jù)學(xué)習(xí)并自主地做出決策，覆蓋

從數(shù)據(jù)處理、模型訓(xùn)練、策略回測到模擬交易的整個鏈條。AI

Hedge

Fund

提供了命令行的解決方案。投資者可以自主選擇個券，并以該項

目自帶的“AI

智能體”提供資配建議，建議可以細(xì)化到方向（看多/空、中性）、

交易數(shù)量（xx

手）、AI提供的配置理由，以及配置組合的總體操作建議。從構(gòu)建

原理看，該項目內(nèi)置了價值分析、基本面分析、技術(shù)分析、情緒分析等四個模塊，

自主提取數(shù)據(jù)分析，直接展示結(jié)果，省略了投資者搜集、加工、整理信息的繁瑣工作。在于非技術(shù)用戶可能面臨一定的學(xué)習(xí)曲線，數(shù)據(jù)質(zhì)量依賴于第三方API，并且它

不直接輸出投資策略，需要使用者在其基礎(chǔ)上進(jìn)行二次開發(fā)，構(gòu)建具體的AI決策

邏輯。圖13：AI

數(shù)據(jù)終端-OpenBB請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

11證券研究報告資料來源：G

ithub，G

itdiagram，國信證券經(jīng)濟(jì)研究所整理A_Share_

investment_Agent

代表了那些專注于特定市場的投研智能體應(yīng)用。顧

名思義，該項目聚焦于中國A

股市場，其功能設(shè)計緊密圍繞

A

股的特點展開。它

通過集成

A

股市場的數(shù)據(jù)源，并包含針對

A

股特有因子、市場情緒（基于中文文

本分析）

、事件驅(qū)動因素或政策影響的分析模塊，為

A

股投資者生成具體的投資

建議或標(biāo)的評級。該項目結(jié)合了A

股市場的獨特規(guī)則、數(shù)據(jù)特性和投資邏輯，是基于AI

Hedge

Fund

的二次開發(fā)。其優(yōu)點在于極強(qiáng)的市場針對性，能夠利用本地化數(shù)據(jù)和視角提供更

貼合實際需求的分析，具有較強(qiáng)的實用導(dǎo)向，但對封閉數(shù)據(jù)接口的依賴限制了投

資者的選擇。最重要的是，如同所有投資策略一樣，其有效性仍需持續(xù)的市場檢驗，并對模型失效和市場環(huán)境劇變保持警惕。請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

12圖14：AIHedge

Fund

案例參考證券研究報告資料來源：G

ithub，G

itdiagram，國信證券經(jīng)濟(jì)研究所整理AI+量化交易：

人工智能優(yōu)化投資決策中的主觀性量化交易長期以來致力于通過模型和數(shù)據(jù)驅(qū)動決策，以克服人類投資中的情緒化

和非理性偏差。然而，即使在量化體系中，策略的構(gòu)建、參數(shù)的選擇、模型的調(diào)

整以及對未預(yù)期市場事件的反應(yīng)，仍然可能摻雜研究人員或基金經(jīng)理的主觀判斷和認(rèn)知局限，尤其是在關(guān)鍵的“相機(jī)抉擇”（即依賴經(jīng)驗和判斷進(jìn)行時機(jī)把握與

標(biāo)的選擇）時刻。近年來，以大語言模型（LLM）為代表的人工智能技術(shù)展現(xiàn)出強(qiáng)

大的信息處理、模式識別和邏輯推理能力，為進(jìn)一步優(yōu)化量化交易流程、減少不必要的主觀性干擾提供了新的可能性。本部分將探討大模型如何在量化交易的關(guān)鍵環(huán)節(jié)（如擇時選股、風(fēng)險控制、策略迭代）中發(fā)揮作用，并介紹相關(guān)的開源工具與框架。在實踐AI

驅(qū)動的量化交易時，合適的工具和框架至關(guān)重要。QMT（QuantitativeMarket

Trading）

通常指代一類特定的量化交易系統(tǒng)或平臺，集成了行情、交易、

賬戶管理和策略回測等功能，

旨在為用戶提供一個便捷的量化交易執(zhí)行環(huán)境。它

可能側(cè)重于特定的策略類型（如動量）或提供標(biāo)準(zhǔn)化的接口供策略開發(fā)。Q

lib則

是一個由微軟亞洲研究院開發(fā)的、專注于AI量化投資的開源平臺。它提供了一個

統(tǒng)一的框架，涵蓋了數(shù)據(jù)處理、模型訓(xùn)練、回測評估等全流程，并內(nèi)置了多種先

進(jìn)的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，特別適合進(jìn)行復(fù)雜的AI量化策略研究和驗證。而

Qbot這類名稱通常指向自動化交易機(jī)器人或框架，其核心功能是根據(jù)預(yù)設(shè)策略或

AI模型的信號，自動執(zhí)行買賣訂單，強(qiáng)調(diào)交易執(zhí)行的自動化和效率。這些工具和

平臺為量化研究者和交易員提供了不同層面的支持，從策略研發(fā)到實盤執(zhí)行。Q

lib

是由微軟亞洲研究院開源的一個專為人工智能設(shè)計的量化投資平臺，其核

心概念是提供一個覆蓋從數(shù)據(jù)處理、特征工程、AI模型訓(xùn)練、策略回測到結(jié)果分

析全流程的統(tǒng)一框架。它的主要功能包括高效的數(shù)據(jù)管理、豐富的內(nèi)置AI模型庫（涵蓋經(jīng)典機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法）

、標(biāo)準(zhǔn)化的模型訓(xùn)練與評估流程、高保真

度的回測引擎以及便捷的工作流管理。Q

lib

通過模塊化和標(biāo)準(zhǔn)化的設(shè)計，解構(gòu)量

化研究的各個環(huán)節(jié)，并利用優(yōu)化的數(shù)據(jù)存儲和計算庫提升效率，應(yīng)用先進(jìn)的AI

模型來捕捉金融市場中的復(fù)雜模式、輔助投資決策。在輸入方面，Q

lib主要接收結(jié)構(gòu)化的金融時間序列數(shù)據(jù)（如

K

線、基本面數(shù)據(jù)）

和定義實驗流程的配置文件。其輸出則十分豐富，包括但不限于：模型對未來資

產(chǎn)表現(xiàn)的預(yù)測得分、訓(xùn)練好的模型文件、包含IC、Rank

IC

等指標(biāo)的模型評估報請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

13圖15：A

股投資智能體案例證券研究報告資料來源：Github，國信證券經(jīng)濟(jì)研究所整理在

Q

lib

量化分析的基礎(chǔ)上，Qbot

提供了落地實盤交易的閉環(huán)流程。其定位是一

個

AI驅(qū)動的量化投資助手，

旨在利用大型語言模型（如GPT系列）的強(qiáng)大能力

來賦能和輔助量化投資的決策過程。它的主要功能是整合金融數(shù)據(jù)，結(jié)合定量分

析方法與大模型的自然語言理解、信息提取和生成能力，為用戶提供智能化的投

資分析、策略建議或市場解讀。該項目通過精心設(shè)計的提示（Prompts）引導(dǎo)大模

型處理金融數(shù)據(jù)、識別模式、生成投資邏輯或分析報告，試圖將傳統(tǒng)量化分析與

AI

的認(rèn)知能力相結(jié)合，探索更智能化的投研范式。該項目的輸入通常包括用戶的查詢指令或分析請求（以自然語言或特定格式輸入

給大模型）、配置參數(shù)（如API密鑰、關(guān)注的股票列表、分析的時間范圍等）以

及底層的市場數(shù)據(jù)（如股價、財務(wù)數(shù)據(jù)、新聞資訊等）

。其輸出則主要是由大模

型生成的分析結(jié)果或投資建議，形式可能是文本報告、關(guān)鍵信息摘要、特定股票

的評分或排序、甚至是初步的交易信號。需要注意的是，Qbot

的輸出更側(cè)重于提

供決策支持信息供人類參考和審核，而非直接用于全自動交易執(zhí)行。告，以及詳盡的回測結(jié)果，如包含凈值曲線、交易記錄、年化收益、夏普比率、

最大回撤等關(guān)鍵績效指標(biāo)的回測報告和各類分析圖表，為策略的有效性提供全面

的量化依據(jù)。圖16：Q

lib

整體架構(gòu)概覽請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

14證券研究報告資料來源：Github，國信證券經(jīng)濟(jì)研究所整理AI

能力特化：

關(guān)注針對金融領(lǐng)域微調(diào)的專屬大模型為了在有限的計算資源下，將模型能力集中于金融領(lǐng)域，上海財經(jīng)大學(xué)聯(lián)合財躍

星辰推出的首個金融領(lǐng)域

R1

類推理大模型

Fin-R1，該模型專為復(fù)雜金融任務(wù)設(shè)

計，具有輕量化參數(shù)（7B）與高性能的特點，能夠在個人計算機(jī)中部署運行。該模型通過知識蒸餾整合多個權(quán)威金融數(shù)據(jù)集（如

FinCorpus、Ant_Finance、FinQA

等），構(gòu)建了

60k

規(guī)模的金融推理數(shù)據(jù)集

Fin-R1-Data，涵蓋金融代碼、專

業(yè)知識、業(yè)務(wù)知識及多輪交互場景，在針對金融推理場景的高質(zhì)量思維鏈數(shù)據(jù)上采用SFT（監(jiān)督微調(diào)）和RL（強(qiáng)化學(xué)習(xí)）兩階段訓(xùn)練。在模型搭建過程中，團(tuán)隊

采用“三輪質(zhì)檢機(jī)制”，第一輪檢驗以規(guī)則匹配與Qwen2.5-72B-Instruct

驗證答

案準(zhǔn)確性，實現(xiàn)“零錯誤”

；第二輪檢驗校驗推理邏輯一致性及術(shù)語合規(guī)性；第

三輪檢驗為金融專家人工復(fù)核關(guān)鍵數(shù)據(jù)。在權(quán)威金融評測中，F(xiàn)in-R1

以

75.2

的

平均分位居第二，與參數(shù)量達(dá)671B

的行業(yè)標(biāo)桿

DeepSeek-R1差距僅

3

分，且顯著

超越同規(guī)模模型。該模型在消費級顯卡中也能以較高的效率部署運行，在金融領(lǐng)域中的應(yīng)用十分廣

闊。比如，銀行業(yè)的貸款利息計算、財富管理優(yōu)化；基金業(yè)的資產(chǎn)配置輔助、投

資決策支持；保險業(yè)的保單收益評估、市場趨勢預(yù)測；證券業(yè)的量化交易代碼生成、DCF

估值與期權(quán)定價等等。請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

15圖17：QBot

界面分析證券研究報告AI+投研落地：

AI

在實戰(zhàn)中戰(zhàn)勝基準(zhǔn)據(jù)新浪財經(jīng)，悉尼對沖基金

Minotaur

Capital

已在實踐中打造出完全由AI

管理

的產(chǎn)品，在成立前六個月以

13.7%的回報率跑贏明晟全球指數(shù)（6.7%）

。其聯(lián)合

創(chuàng)始人、前摩根大通分析師

Armina

Rosenberg

指出，AI

模型每天可消化

5000

篇

新聞，并自動生成潛力股票分析報告。該基金未雇傭任何人類投研人員，依賴AI篩選三年內(nèi)可能翻倍或十年內(nèi)漲十倍的股票，顯著降低了研究開支，成為"AI優(yōu)

先"投資策略的早期成功范例。資料來源:LiuZ,GuoX,LouF,

et

al.

Fin-R1:

A

Large

LanguageMode

l

for

Financial

Reasoning

through

Reinforcement

Learning[J].arXivpreprintarXiv:2503.16252,2025.，國信證

券經(jīng)濟(jì)研究所整理資料來源:Liu

Z,

Guo

X,LouF,

et

al.

Fin-R1:

A

Large

LanguageMode

l

for

Financial

Reasoning

through

Reinforcement

Learning[J].arXivpreprintarXiv:2503.16252,

2025.，國信證

券經(jīng)濟(jì)研究所整理請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

16圖19：Fin-R1在金融領(lǐng)域評分已達(dá)主流模型水平圖18：Fin-R1

的總體工作流程證券研究報告資料來源：MinotaurCap

ital，國信證券經(jīng)濟(jì)研究所整理橋水

CEO

尼爾·

巴迪在紐約舉行的彭博投資大會上表示，橋水于

2024

年推出的AI決策基金（規(guī)模

20

億美元）表現(xiàn)與人類管理策略相當(dāng)，并產(chǎn)生"獨特的阿爾法

"。尼爾·巴迪透露，該基金基于橋水十年自主研發(fā)的AI技術(shù)，未來將整合

OpenAI等第三方模型。巴迪強(qiáng)調(diào)，AI

正在改變招聘邏輯：企業(yè)更青睞能解決機(jī)器無法處

理問題（如哲學(xué)思考）的人才。這一轉(zhuǎn)型與橋水的戰(zhàn)略調(diào)整同步——限制傳統(tǒng)基

金規(guī)模，加碼AI

與亞洲市場，反映了行業(yè)從"分析能力"向"概念化能力"的范式轉(zhuǎn)

移。但值得注意的是，這些成功實踐的超額收益，是站在分析師長年累月框架的肩膀

上實現(xiàn)的。Minotaur

Capital

讓

AI

處理的新聞是有選擇性的，AI

擇股模型也根

植于公司的研究體系之內(nèi)；對沖機(jī)構(gòu)在研發(fā)AI技術(shù)時不可避免地會用到長期研究

的文本和數(shù)據(jù)，進(jìn)而從自身框架出發(fā)提供配置建議。正如國信總量團(tuán)隊在《AI賦

能資產(chǎn)配置（八）——DeepSeek

在資產(chǎn)配置中實戰(zhàn)解答》

中提到的，AI在投研

中更多地作為輔助性工作，幫助分析師減少工作量，對成熟分析師、投資框架的

替代性較低。評測與結(jié)論縮短

AI

與投研的距離：

探索

AI

工具的能力邊界為了在投研工作中更便捷的使用AI，本文根據(jù)日常使用場景進(jìn)行測試，結(jié)果表明，

不同大模型在文本處理上具有顯著差異，對關(guān)鍵論點的把握因大模型而異；在圖

片處理方面，大模型能讀出圖片中的股指走勢、點位等信息，但難以做到精準(zhǔn)識

別，在信息不足時大模型往往依賴于相似的網(wǎng)絡(luò)信息得出趨同結(jié)論。請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

17圖20：MinotaurCap

ital

推出以

AI

為招牌的產(chǎn)品證券研究報告文本處理方面，本文選取馬斯克卸任美國政府效率部的新聞文本，嘗試讓大模型

來試驗解讀。實測來看，僅有少數(shù)模型具備讀取鏈接的能力，所以本文直接投喂

文本語言以便實現(xiàn)橫向?qū)Ρ取榱梭w現(xiàn)大模型在多數(shù)工作場景下的泛化能力，本文盡可能少的提供指導(dǎo)/框架類語料，賦予大模型較高的自主分析權(quán)，藉此識別其

對金融領(lǐng)域的優(yōu)化程度，具體

Prompt

為1：#

點評這條新聞-

據(jù)報道，埃隆

·馬斯克計劃于

5

月底辭去美國政府效率部（DOGE）的職務(wù)。在

接受?？怂剐侣劜稍L時，

馬斯克表示，他有信心在離職前完成削減

1

萬億美元聯(lián)

邦赤字的目標(biāo)，并強(qiáng)調(diào)政府效率低下、存在大量浪費和欺詐，有信心在不影響關(guān)

鍵服務(wù)的情況下減少

15%的支出。此外，

馬斯克對國會成員財富異常豐厚的現(xiàn)象

表示質(zhì)疑。他指出，許多國會成員年薪僅

20

萬美元，卻擁有高達(dá)

2000

萬美元的

財產(chǎn)，質(zhì)疑他們?nèi)绾卧谟邢薜氖杖胂路e累如此巨額財富。特朗普回應(yīng)-

據(jù)美國《國會山報》報道，當(dāng)?shù)貢r間3

月

31

日，美國總統(tǒng)特朗普表示，他預(yù)計

美國政府效率部負(fù)責(zé)人馬斯克在完成聯(lián)邦政府改革工作后，

最終會回歸經(jīng)營自己

的公司。

據(jù)報道，當(dāng)天，特朗普在白宮簽署行政令時，被問及馬斯克的

130

天任

期即將結(jié)束一事。特朗普稱贊馬斯克，并表示馬斯克總有一天要回去經(jīng)營公司。

圖片來源：美國《國會山報》報道截圖

“我認(rèn)為他(馬斯克)很了不起，但他還要

管理一家大公司。他遲早會回去的，他想回去，

”特朗普說。

“但我會盡可能讓

他多留一段時間，他是個非常有才華的人。

”

特朗普還補(bǔ)充稱，他認(rèn)為馬斯克在

公共領(lǐng)域受到的待遇

“太糟糕了

”。

在回答有關(guān)政府效率部是否會繼續(xù)運營的問

題時，特朗普表示，政府效率部將

“在某一時刻終結(jié)

”，但未提供具體時間表。

對于圖像識別而言，本文選取了上證指數(shù)的日內(nèi)走勢

K

線和近期走勢蠟燭圖，將

其投喂給不同的大模型，投喂時間與圖表時間嚴(yán)格一致，確保不納入任何未來信

息。結(jié)果表明，對于信息較少的圖片（分時圖）

，大模型傾向于給出相對一致的

結(jié)論，原因在于其輸入信息中網(wǎng)絡(luò)資料的占比較大，而網(wǎng)絡(luò)資料在不同模型間具

有相似性；而對于輸入信息較多的圖片（蠟燭圖）而言，信息相對更多，大模型

則給出了差異化的輸出結(jié)果，不過對于漲跌方向的判斷仍然是高度一致的?？梢?/p>

預(yù)想的是，如果基于大模型更多的信息（如技術(shù)面指標(biāo)、需要關(guān)注的熱點方向、

個體的判斷）等，大模型的輸出差異性會更大，所以，投資者在實踐中需要反復(fù)

迭代來選擇適合自己的大模型工具。請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

181

新聞來源為中國新聞社

2025

年

4

月

1日外發(fā)報道《馬斯克將辭職？特朗普回應(yīng)》。證券研究報告文本生成行情預(yù)測（單日

，根據(jù)分時K線圖）行情預(yù)測（本月

，根據(jù)近期蠟燭圖）DeepSeek通義千問文心一言豆包智譜清言點評角度集中于政府效率部的合法性、以及目標(biāo)可達(dá)性與延續(xù)性。//點評角度集中于“馬斯克任職政府效率部”

新聞、以及政府效率部的職能與合法性。通過分析成交、板塊輪動和K線形態(tài)，結(jié)論為本日上漲0.5%-1%。根據(jù)宏觀環(huán)境（經(jīng)濟(jì)數(shù)據(jù)、政策）和技術(shù)分析（均線、趨勢線）

，認(rèn)為本月上證指數(shù)上漲3%-5%。點評角度集中于由“馬斯克辭職”事件透視美國政治生態(tài)建議密切關(guān)注3369-3372點壓力位突破情況及量能變化

，樂觀估計本日上漲0.5%-1%

，悲觀估計午后若未突破

100億手則沖高回落。根據(jù)宏觀面（內(nèi)外經(jīng)濟(jì)）、市場情緒（政

策、市場信息）和技術(shù)分析（支撐與壓

力位、

RSI）

，認(rèn)為本月上漲

1%-2%。點評角度集中于“馬斯克辭職”的原因和美根據(jù)網(wǎng)絡(luò)信息整理

，認(rèn)為今日漲幅在根據(jù)宏觀、業(yè)績、技術(shù)和機(jī)構(gòu)觀點

，認(rèn)國政治的底層邏輯。0.5%-1%之間。為本月上漲1%-3%。點評角度集中于對新聞的總結(jié)，認(rèn)為新聞?wù)雇ㄟ^成交和板塊輪動分析，認(rèn)為今日漲幅根據(jù)基本面、技術(shù)面（均線、成交、現(xiàn)了馬斯克對“政府改革”的期待和決心。在0.5%-1%之間。MACD）

，認(rèn)為本月上漲2%-5%。資料來源：萬得、DeepSeek、通義千問、文心一言、豆包、智譜清言，國信證券經(jīng)濟(jì)研究所整理請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

19資料來源:萬得，國信證券經(jīng)濟(jì)研究所整理注：此處僅作為案例梳理，

不構(gòu)成任何投資推薦的依據(jù)。資料來源:萬得，國信證券經(jīng)濟(jì)研究所整理注：此處僅作為案例梳理，不構(gòu)成任何投資推薦的依據(jù)。圖21：上傳分時圖（4.2日

10：09

分）圖22：上傳蠟燭圖（4.2日

10：09

分）圖23：QBot

界面分析證券研究報告如何在金融投研中用好

AI：

一些使用技巧的拋磚引玉首先，理解大模型的機(jī)制與缺陷，通過“適時總結(jié)上下文”或“搭建個人知識庫”

的方式延長大模型的記憶力。以

DeepSeek

為例，官方文檔公布的上下文長度為

64k

token，大約是

10

萬個中文字符，這表明了它在多輪問答中的最大記憶力，當(dāng)上下文超過64k

token

的限制時，AI就會喪失溝通交流的能力。為了解決這個

問題，一方面，可以讓AI在問答的過程中自動整理前文，去除無用信息，形成高

度凝練的要點以節(jié)約上下文空間；進(jìn)一步地，如果讓AI記錄每一次的交互行為，

形成層次合理、格式統(tǒng)一的文檔存儲，就可以讓它在回答問題時先行查閱存儲中

的相關(guān)內(nèi)容，再將相關(guān)內(nèi)容轉(zhuǎn)譯為問題的答案，這就是“個人知識庫”的搭建。

本質(zhì)上講

，個人知識庫并未真正延長大模型的記憶力

，而是增加了一個名為

“embedding”的前序步驟，該步驟會遍歷知識庫以提取和問題相關(guān)性最高的文本

片段，然后將問題和這些片段統(tǒng)一返回給大模型，在此基礎(chǔ)上，大模型就能在相

對較少的上下文中，找到最適合個體的定制化答案。其次，善用工作流和規(guī)范化程序，約束大模型的泛化能力，在執(zhí)行工作任務(wù)時對

其特定技能進(jìn)行強(qiáng)化。比如在騰訊推出的知識庫管理系統(tǒng)中，往往存在知識庫和

網(wǎng)絡(luò)信息無法同時獲取的限制，如果提問內(nèi)容無法在知識庫中解答，可能會直接

拒絕回答，這保證了資料的可溯源性，但也限制了用戶擴(kuò)充問答范圍的需求。這

一問題是知識庫體系的普遍問題，因為單一的知識庫體系限定了其知識獲取來源。

此時，以工作流的形式并行推進(jìn)大模型交互便可以解除這一限制，設(shè)想一下，如

果大模型在接收到問題時執(zhí)行兩個指令，一方面通過互聯(lián)網(wǎng)和已有知識解答，另

一方面通過知識庫檢索解答，然后將兩部分信息結(jié)合起來，總結(jié)作答，那么大模

型就能獲得更廣泛的信息來源。這種思路就是工作流：通過對大模型執(zhí)行步驟的

規(guī)劃，以及相關(guān)工具的合理運用，將大模型的輸出規(guī)范為需要的形式。請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

20資料來源:DeepSeek，國信證券經(jīng)濟(jì)研究所整理資料來源:Memo，國信證券經(jīng)濟(jì)研究所整理圖24：DeepSeek

模型上下文長度圖25：個人知識庫搭建示意圖證券研究報告資料來源：RAG，國信證券經(jīng)濟(jì)研究所整理加強(qiáng)

AI

的多系統(tǒng)協(xié)同能力

，MCP

提供了類“USB

”協(xié)議。MCP（Model

ContextProtocol）是

Anthropic在2024年底推出的開放協(xié)議，目的是讓大模型（LLM）

能直接、安全地訪問和操作各種數(shù)據(jù)源和工具，打破“數(shù)據(jù)孤島”限制。具體來

說，MCP為大模型調(diào)用外部工具和數(shù)據(jù)源提供統(tǒng)一標(biāo)準(zhǔn)，避免為不同工具寫特定

代碼，降低了開發(fā)復(fù)雜性和成本，實現(xiàn)了大模型與外部工具的類“USB”的連接。

原理上講,MCP

規(guī)范了大模型的輸出和外部工具的輸入，讓大模型在接收到自然語

言時能夠自動生成規(guī)范化輸出以調(diào)用外部工具，相當(dāng)于拓展了大模型的能力邊界，

提高了其執(zhí)行能力。資料來源：Goog

le，國信證券經(jīng)濟(jì)研究所整理結(jié)論：

從算力平權(quán)到投研平權(quán)人工智能正以前所未有的速度和廣度滲透金融領(lǐng)域，尤其在投資研究、資產(chǎn)配置

及交易執(zhí)行層面展現(xiàn)出變革潛力。借鑒探索流高效處理爆炸性信息的理念，AI

能

夠整合海量、多維數(shù)據(jù)，貫穿從低頻宏觀配置到高頻微觀交易的多元策略場景，

如同構(gòu)建復(fù)雜的邏輯圖譜，為金融決策提供新的分析視角與決策支持。然而，AI請務(wù)必閱讀正文之后的免責(zé)聲明及其項下所有內(nèi)容

21圖26：知識庫檢索的基本原理圖27：MCP

協(xié)議示意圖證券研究報告在金融實戰(zhàn)中也面臨著反應(yīng)速度、預(yù)測精確度與模型泛化能力之間的固有挑戰(zhàn)

——即所謂的“不可能三角”，這預(yù)示著其深度應(yīng)用仍需克服關(guān)鍵障礙，方能充

分釋放其在提升投資效率與風(fēng)險管理上的核心價值。人工智能在資產(chǎn)配置等投研方面展現(xiàn)出強(qiáng)大的潛力，尤其體現(xiàn)在提升數(shù)據(jù)處理效

率和優(yōu)化策略執(zhí)行上。DeepSeek

等AI

工具能夠深度整合并分析海量的宏觀經(jīng)濟(jì)

數(shù)據(jù)、市場信號、政策文本乃至

ESG

信息，輔助優(yōu)化傳統(tǒng)的風(fēng)險平價、大類資產(chǎn)

擇時、行業(yè)輪動等策略，通過量化賦權(quán)、動態(tài)調(diào)整和回測模擬，優(yōu)化配置策略表

現(xiàn)。但整體來看，AI難以完全替代人類在理解復(fù)雜市場博弈、評估管理層等非標(biāo)

準(zhǔn)化信息、以及進(jìn)行基于長期商業(yè)洞察和經(jīng)驗的主觀判斷上的核心作用。因此，

當(dāng)前AI在資產(chǎn)配置中更多扮演著“增強(qiáng)型工具”的角色，通過人機(jī)協(xié)同提升效率

與廣度，但在關(guān)鍵決策和風(fēng)險把控上仍需借助人類的智慧與經(jīng)驗。人工智能正通過多樣化的應(yīng)用形態(tài)滲透到金融領(lǐng)域的各個環(huán)節(jié)之中，其核心作用

體現(xiàn)在提升效率、拓展分析維度和優(yōu)化決策流程上。例如，開源平臺如

OpenBB能夠高效聚合多源金融數(shù)據(jù)并提供基礎(chǔ)分析工具，降低研究門檻；AI

Hedge

Fund、

A_Share_

investment_Agent

等項目則展示了構(gòu)建自動化投研智能體的潛力，能夠

結(jié)合多種分析模塊（價值、基本面、技術(shù)、情緒）生成具體的配置建議，甚至針

對特定市場（如

A

股）進(jìn)行定制化開發(fā)；而在量化交易領(lǐng)域，Q

lib

等框架利用先

進(jìn)

AI

算法賦能量化策略研發(fā)與回測，

旨在捕捉復(fù)雜模式并減少主觀偏差，Qbot等工具則嘗試?yán)么笳Z言模型提供智能化決策支持；在投研實戰(zhàn)中，MinotaurCapital、橋水等機(jī)構(gòu)已經(jīng)通過AI配置實現(xiàn)了跑贏市場基準(zhǔn)的超額收益。然而，

AI

在金融應(yīng)用的不足也同樣突出：其有效性高度依賴數(shù)據(jù)質(zhì)量和持續(xù)的市場驗

證，模型可能在市場劇變時失效；部分工具存在技術(shù)門檻，限制了非專業(yè)用戶的

直接應(yīng)用?？偟膩砜矗珹I

目前難以完全取代人類的關(guān)鍵判斷和風(fēng)險承擔(dān)，其投資

決策嚴(yán)格依賴于人為投喂的投研框架、數(shù)據(jù)和文本語料，在應(yīng)對復(fù)雜、非結(jié)構(gòu)化

信息時表現(xiàn)較弱，

目前只能扮演著強(qiáng)大的輔助工具而非完全獨立的決策者角色。

正如長期資本管理公司