AI赋能资产配置：从算力平权到投研平权.docx

证券研究报告请务必阅读正文之后的免责声明及其项下所有内容

证券研究报告

请务必阅读正文之后的免责声明及其项下所有内容

内容目录

TOC\o1-2\h\z\u理论与实战：AI全方位赋能宏观、中观和微观的投研实践 4

AI赋能资产配置系列回顾 4

AI+模型：在高维参数基础上实现进一步迭代优化 6

AI难以完全取代传统投研范式：为什么DeepSeek时代，资深研究员的分析框架积累更为重要 7

DeepSeek是提质增效的“辅助驾驶”工具，助力更加高效完成投研工作 8

部署和应用：AI赋能对冲基金、量化交易的落地实施 10

AI+对冲基金：构建投研智能体辅助配置决策 10

AI+量化交易：人工智能优化投资决策中的主观性 13

AI能力特化：关注针对金融领域微调的专属大模型 15

AI+投研落地：AI在实战中战胜基准 16

评测与结论 17

缩短AI与投研的距离：探索AI工具的能力边界 17

如何在金融投研中用好AI：一些使用技巧的抛砖引玉 20

结论：从算力平权到投研平权 21

风险提示 23

证券研究报告请务必阅读正文之后的免责声明及其项下所有内容

证券研究报告

请务必阅读正文之后的免责声明及其项下所有内容

图表目录

图1：国产大模型弯道超车：从性价比到质价比的全方位梯队 4

图2：类比全球资配加主动投资：让渡一定回报、大幅降风险 4

图3：AI发展与回报率 6

图4：DeepSeek+资产配置体系 6

图1：股债强弱打分指标胜率展示 7

图2：实际股债强弱vsDeepSeek调整 7

图3：实际股债强弱vsXgboost调整 7

图4：实际股债强弱vs等权重扩散指数（未调整） 7

图5：高频数据相关性及领先性的一个计算框架 8

图6：高频数据近期和长期相关性的一个筛选框架 8

图7：前瞻指标的编制——最优领先期拟合 8

图8：高频数据对广谱利率的动态测算过程详解 8

图9：全球领先指标的构建脉络 9

图10：前瞻指标的编制——最优领先期拟合 9

图11：高频数据和宏观数据间领先相关性观测矩阵 9

图12：传统前瞻指标计算界面具有一定复杂性 10

图13：AI数据终端-OpenBB 11

图14：AIHedgeFund案例参考 12

图15：A股投资智能体案例 13

图16：Qlib整体架构概览 14

图17：QBot界面分析 15

图18：Fin-R1的总体工作流程 16

图19：Fin-R1在金融领域评分已达主流模型水平 16

图20：MinotaurCapital推出以AI为招牌的产品 17

图21：上传分时图（4.2日10：09分） 19

图22：上传蜡烛图（4.2日10：09分） 19

图23：QBot界面分析 19

图24：DeepSeek模型上下文长度 20

图25：个人知识库搭建示意图 20

图26：知识库检索的基本原理 21

图27：MCP协议示意图 21

理论与实战：AI全方位赋能宏观、中观和微观的投研实践

AI赋能资产配置系列回顾

DeepSeek模型的弯道超车，是国产大模型算力平权的标志性事件。于DeepSeek-R1而言，在数学能力、工程类代码场景不输于OpenAIO1的情况下，在算法场景、百科知识维度下与O1差距不断缩小。如果我们用质价比逻辑解释，DeepSeekR1追求大模型领域的消费者剩余最大化。B端质价比提升的叙事逻辑。不同于泛消费领域C端“质价比”从供给层面驱动企业内卷品质，销售费用率短期内延续高位并阻碍净利率提升，国产大模型B端质价比提升驱动下游应用爆发式增长,同时反哺B端收入并提升C端利润率。类比于海外资产配置中同样隐藏的“质价比”，质的维度是风险、价的维度是回报，“资配质价比”即为风险收益或持有体验。传统股债基础上加入主动股基，让渡一定的回报、大幅降风险，实现“资配质价比”提升。随着算力平权时代的到来，我们也关注投研平权的加速落地。

图1：国产大模型弯道超车：从性价比到质价比的全方位梯队 图2：类比全球资配加主动投资：让渡一定回报、大幅降风险

DeepSeek，JPMorgan，U.S.GlobalInvestors，

万得，

证券研究报告

证券研究报告

DeepSeek通过AI技术深度赋能资产配置全流程，在国信多元资产配置框架基础上实现系统性优化（《AI赋能资产配置（一）——DeepSeek对国信多元资配框架的优化》）：一方面聚焦AI对传统策略的革新，基于“风险再平价”逻辑重构资产组合风险分散机