AI大模型在投资研究中应用及未来趋势.pdf

量化专题报告

正文目录

一、大语言模型的发展回顾4

1.1.大语言模型的技术发展路线4

1.2.能力提升和训练成本降低加速AI应用普及5

二、大语言模型在金融领域中的应用8

2.1.大语言模型的官方API调用与本地部署8

2.2.大模型在投研场景中的应用11

2.2.1.面向金融领域的大模型12

2.2.2.思维链与检索增强15

2.2.3.基于LLM的AIAgent系统21

三、投研场景下的AIAgent应用案例22

案例1：金融文本情感分析22

案例2：基于LLM的多智能体投资决策框架24

案例3：基于人机交互的因子挖掘框架26

四、展望28

图表目录

图1：语言模型技术演进图4

图2：主流大模型基准得分走势6

图3：主流大模型能力象限6

图4：2024年最值得关注的中文大模型全景图6

图5：MMLU测试超过特定得分的最便宜模型价格7

图6：LMSys测试中不同模型成本曲线7

图7：当前不同大模型输出质量指数vs价格（美元/百万token）7

图8：OpenAI主要模型与国内主要大模型能力圈对比9

图9：OpenAI主要模型与国内主要大模型价格对比9

图10：deepseek-r1:1.5b模型的文言文翻译输出结果11

图11：deepseek-r1:32b模型的文言文翻译输出结果11

图12：人类与AI协同的主流方式12

图13：国内外部分大模型在SuperCLUE金融行业基准投研应用测试中的表现13

2

量化专题报告

图14：BloombergGPT在公开金融领域基准测试中的表现13

图15：BloombergGPT在私有金融基准测试中的表现13

图16：FinGPT整体框架14

图17：LoRA方法的原理14

图18：FinGPT在公开金融数据集上的表现及微调模型的成本15

图19：FewShotCoT和ZeroShotCoT对比16

图20：大模型的错误案例一以及自动思维链17

图21：大模型的错误案例二以及自动思维链17

图22：一个简单的RAG增强检索生成的流程17

图23：RAG技术和其他模型优化技术的对比（提示工程、微调）18

图24：RAT技术能够显著提升大模型各方面的表现19

图25：利用DeepSeekR1结合思维链和本地知识库RAG的基本面量化策略设计20

图26：以LLM为核心的AIAgent结构组成21

图27：不同角色的AIMulti-Agent协同合作的两种场景22

图28：基于大模型的情感分析的提示词模板23

图29：在沪深300成分股内基于不同LLM构建的新闻情感分类构建的策略净值24

图30：不同情感因子构建的策略的绩效表现24

图31：AIAgents多智能体投资决策框架25

图32：AIAgents多智能体投资决策框架在苹果股票上的交易策略回测统计26

图33：AIAgents多智能体投资决策框架在苹果股票上的交易策略累计净值26

图34：基于人机交互的自动化量化投研框架27

表1：语言模型的发展阶