原创力文档- 1、本文档共27页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
核心观点;研究框架;;;;;;;研究框架;;;;;大盘择时：弱引导下DeepSeek的策略自建能力有待提升;研究框架;;;;资料来源：万得，DeepSeek，国信证券经济研究所整理;;;;研究框架;;研究框架;结论
大盘择时模型优化显著：
引入DeepSeek动态赋权后，五维择时策略在测试集（2024年及以后）夏普比率达1.04，较沪深300基准（0.71）提升46%，最大回撤压缩至12%；
对比单因子择时（年化夏普0.13，最大回撤24%）及AI自选因子策略（测试集夏普-0.38），AI动态赋权模型展现出更强的适应
性与抗过拟合能力。
行业轮动策略增强效果：
AI增强三标尺策略近8个季度胜率达63%，2020-2024年夏普比率较传统策略提升420%，最大回撤降低41%；
2025年一季度配置中，AI策略年化夏普比率进一步升至4.28，持续跑赢行业等权基准（夏普0.71）及未调整策略。
AI技术突破传统模型局限：
动态分位数机制与自适应核密度估计破解了传统阈值设定主观性问题；
通过多头潜在注意力机制与交互特征工程，解决因子割裂问题。
风险与改进方向：
弱引导下AI自建策略存在过拟合风险（如优选因子策略测试集夏普转负）；需强化模型对金融时序数据平稳性检验与异方差性处理能力，以降低周期拐点误判率
AI+RAG+Agent技术体系赋能未来策略研究路径：
RAG实现动态知识更新避免策略“时间衰减”；
Agent自动化执行策略验证，结合AI动态分析回撤阈值实现多维风控。;风险提示
文档评论（0）