AI辅助投研案例分析报告：大模型赋能、政策指标构建.pdf

权

益

量

化

研

究

2025年04月07日大模型赋能情绪、政策指标构建

量

化——AI辅助投研深度案例系列之二

策

略

⚫发挥大模型的优势：探索情绪、政策变量的构建。对于生成式AI，其优势在于更强的文

字理解能力、学习能力，有望帮助我们在传统量化较难处理的情绪、政策方向判断上提供

一定的帮助。本文中，我们将主要采用腾讯元宝搭载的DeepSeek-R1大模型对这一方向

证

券进行探索，利用大模型的上下文学习、常识推理能力，从互联网公开信息，例如新闻、政

研策等，对A股市场或特定板块的“情绪”进行推理，观察大模型构建的情绪观点相比于

究传统量化情绪指标、政策打分变量的优势与短板。

报

告

⚫利用Prompt工程得到大模型“分析师”的A股情绪观点。通过在Prompt中明确任务

说明、上下文、问题、输出格式，我们可以训练大模型对不同文本反映的市场情绪进行判

断。经过重复多次的测试，我们认为DeepSeek-R1具备稳定的结构输出，且逻辑自洽。

我们将大模型历史的情绪多空观点作为（0,1）变量与我们基于价量、资金流、期权指标

共同构建得到的情绪结构指标合成综合情绪指标，虽然两者提示观点存在一定分歧，但大

模型的情绪判断结果的加入不会损失原策略的超额收益，并且有一定程度的收益加成。

⚫大模型如何应用于行业景气研究：以光伏行业为例。除了全市场宽指标的构建，我们进一

步尝试第二个场景：单行业景气指标的构建。此前我们曾尝试使用词频方式刻画景气度，

此次我们尝试将挑选关键“利好”、“利空”词语的任务交给大模型，并构建刻画景气度

的定量指标。2024年以前，由于训练样本较大、资料丰富，景气度指标整体效果较

好，但2024年开始平台搜索结果有限、模型结果波动较低；大模型结果指标对光伏行业

择时的效果整体优于原光伏政策景气度指标。

⚫大模型应用平台在专业领域下的“信息茧房”困境：虽然大模型在文本分析与情感判断领

域展现出了显著的优势，但其仍然存在信息有限、可能引用非权威信息、为迎合用户

偏好而产生较多“幻觉”等问题，需要用户通过进一步调整Prompt、接入专业信息资料

等方式来改进。

⚫总结与展望：无论是针对全市场的新闻，还是针对特定行业的政策，大模型能够较好地辅

助判断文字情绪以及政策是否“利好”，说明其文字理解能力突出，但仍然普遍存在信息

有限的问题，需要通过搭建特定知识库来改善。另外，精确的数量化指标输出也存在

可验证性偏弱的问题，分档打分可能是目前稳定性更强的使用方式。

⚫风险提示：本文结果均为腾讯元宝DeepSeek-R1模型结果，本文仅对大模型应用进行探

讨，不对报告中大