AI辅助投研深度案例系列之二：大模型赋能情绪、政策指标构建-申万宏源.docxVIP

权益量化研究

权益量化研究

量化策略2025年04月07

量化策略

2025年04月07日

——AI辅助投研深度案例系列之二

l

l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传统量化情绪指标、政策打分变量的优势与短板。

l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。

l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、资料来源丰富，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。

l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，但其仍然存在信息来源有限、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。

l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来源有限的问题，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。

l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，不对报告中大模型应用的来源内容准确性真实性负责。模型根据历史数据构建，历史表现不代表未来，市场环境发生重大变化时可能失效。

请务必仔细阅读正文之后的各项信息披露与声明证券研究报告

请务必仔细阅读正文之后的各项信息披露与声明

证券研究报告

请务必仔细阅读正文之后的各项信息披露与声明第2页共29页简单金融成就梦想

量化策略

目录

1.发挥大模型的优势：探索情绪、政策变量的构建 5

2.如何利用Prompt工程得到大模型“分析师”的A股情绪

观点 5

2.1大模型交互第一步——Prompt设计 6

2.1.1任务说明 7

2.1.2上下文 7

2.1.3任务的补充信息 9

2.1.4输出格式 9

2.2模型结果及运用 9

2.2.1对比基于文本的大模型结果和基于价量数据的模型结果 14

2.3大模型应用平台在专业领域下的“信息茧房”困境 16

3．大模型如何应用于行业景气研究：以光伏行业为例 19

3.1基于热词词频计算的光伏政策景气度 19

3.2大模型基于行业资讯文本的景气度结果 21

3.3大模型光伏景气度结果 25

4．总结与展望 27

5.风险提示 28

请务必仔细阅读正文之后的各项信息披露与声明第3页共29页简单金融成就梦想

量化策略

图表目录

图1：“预训练-微调-预测”范式与“预训练-提示预测”范式对比 6

图2：大模型对2025年1月的A股市场