AI赋能资产配置(十八)：LLM助力资产配置与投资融合-251029-国信证券.pdfVIP

AI赋能资产配置（十八）

LLM助力资产配置与投资融合

核心观点策略研究·策略专题

核心结论：①LLM重塑资产配置的信息基础。传统量化策略主要依赖结构化证券分析师：王开

数值数据，对舆情、政策、财报等非结构化信息的吸收不足，而LLM通过强021

wangkai8@

大的文本理解与逻辑推理能力，将这些信息转化为结构化因子，显著提升投S0980521030001

研响应速度与前瞻性。②真正的落地不依赖单一模型性能，依赖“LLM+实时基础数据

数据+优化器”的协作机制。通过模型分工，LLM负责认知与推理，外部API中小板/月涨跌幅(%)8253.14/0.92

与RAG提供实时信息支撑，数值优化器完成配权计算，形成可执行、可解释创业板/月涨跌幅(%)3229.58/2.48

AH股价差指数119.43

的投资Agent。③当前LLM在舆情信号提取、财报解析、投资推理和AgentA股总/流通市值(万亿元)96.97/89.08

构建等多个环节已具备可操作路径，具备增强传统资产配置体系的现实基市场走势

础。④未来随着强化学习与多智能体架构的发展，LLM将从“辅助工具”走

向“核心推理与交互中枢”，资产配置将从静态决策向智能化、动态演进转

变，重塑买方投研与策略执行逻辑。

信息优势重构，信号维度显著拓展。LLM使得舆情、财报、政策文本等软信

息可以被高效提取、量化并嵌入配置模型。FinBERT、FinGPT、BloombergGPT、

PloutosGPT等模型在情绪识别、文本解析与投资推理上已经展现出明确优

势。非结构化信息的系统化利用，增强了市场预期感知能力，使策略具备更

高的灵敏度与前瞻性。

资料来源：Wind、国信证券经济研究所整理

落地路径明确，技术栈可复制。通过模块化设计，LLM与API、RAG、数值优相关研究报告

化器形成分工协作：在信息端，LLM负责文本理解与逻辑推理；在数据端，《估值周观察(10月第3期)-全球普涨，A股成长反弹》——

2025-10-26

外接API与RAG提供实时行情、财报与宏观变量；在决策端，优化器完成资《策略观点-积跬步，行稳致远》——2025-10-21

产配权与约束求解。这种结构既提升了策略的稳定性与可解释性，也具备较《估值周观察(10月第2期)-价值抗跌，成长承压》——

2025-10-20

强的可扩展性，适用于多资产配置。《ESG热点周聚焦（10月第2期）-工信部启动2025年度绿色

工厂推荐工作》——2025-10-12

《估值周观察(10月第1期)-市场高低切，周期品领涨》——

从信号提取到Agent执行，形成全链条能力。案例一与案例二展示了LLM在2025-10-12

舆情与财报场景下的定量因子提取与配置应用；案例三则构建了完整的

Agent，实现从信息收集、信号提取，到优化配置与执行输出的闭环落地，

为机构投资提供可操作范式。

智能化资产配置加速演进，应用边界持续拓展。展望未来，LLM与强化学习、

Auto-Agent、多智能体系统及个性化投研平台的深度结合，将