DeepSeek、QwQ-32B与Manus技术解析、投研场景与量化应用.pdfVIP

国际资本市场研报资讯+V:

金融工程|深度研究报告证券研究报告

2025/03/15

大语言模型在投研中的应用——

DeepSeek、QwQ-32B与Manus技术解析、投研

场景与量化应用

证券分析师：刘晓锋

分析师登记编号：S1190522090001

证券分析师：马自妍

分析师登记编号：S1190519070001

P2

目录

1.概述：AI赋能投研应用

2.模型技术架构

3.投研场景适配性分析

4.量化研究中的技术适配

5.本地部署

6.大语言模型在投研中的应用未来演进方向

请务必阅读正文之后的免责条款部分守正出奇宁静致远

国际资本市场研报资讯+V:

P3

1、概述：AI赋能投研应用

1.1概述

➢传统投研面临两大核心瓶颈：非结构化数据处理效率低下与量化模型信号维度单一。

•分析师花费大量时间处理财报、新闻、电话会议记录等文本数据，且人工提取关键指标存

在一定误差率。

•量化策略依赖结构化数据（如价格、财务指标），难以捕捉政策变化、市场情绪等文本隐

含信号。

➢DeepSeek、QwQ-32B与Manus等大语言模型先后发布，为投研场景带来新的技术支持。

•DeepSeek-R1：6710亿参数的混合专家（MoE）模型，专注深度推理与跨模态分析；

•QwQ-32B：阿里开源的320亿参数推理模型，以强化学习突破参数限制，性能比肩DeepSeek；

•Manus：Monica公司的多代理架构模型，通过任务分解与工具调用实现端到端流程自动化。

本报告将深入解析三者的技术差异，并结合投研与量化研究的核心需求，提出场景适配框架与

实施路径。

请务必阅读正文之后的免责条款部分守正出奇宁静致远

国际资本市场研报资讯+V:

P4

2、模型技术架构

2.1DeepSeek-R1架构设计创新

DeepSeek-R1采用稀疏混合专家（SparseMoE）架构，包含1个共享专家和256个领域专家，每次

推理仅激活6%参数（约370亿）其核心技术突破体现在：

➢双流编码器：文本流（处理自然语言）与代码流