AI輔助投研深度案例系列之二：大模型賦能情緒、政策指標(biāo)構(gòu)建.pdf

AI輔助投研深度案例系列之二：大模型賦能情緒、政策指標(biāo)構(gòu)建。發(fā)揮大模型的優(yōu)勢(shì)：探索情緒、政策變量的構(gòu)建。對(duì)于生成式 AI，其優(yōu)勢(shì)在于更強(qiáng)的文 字理解能力、學(xué)習(xí)能力，有望幫助我們?cè)趥鹘y(tǒng)量化較難處理的情緒、政策方向判斷上提供 一定的幫助。本文中，我們將主要采用騰訊元寶搭載的 DeepSeek-R1 大模型對(duì)這一方向 進(jìn)行探索，利用大模型的上下文學(xué)習(xí)、常識(shí)推理能力，從互聯(lián)網(wǎng)公開(kāi)信息，例如新聞、政 策等，對(duì) A 股市場(chǎng)或特定板塊的“情緒”進(jìn)行推理，觀察大模型構(gòu)建的情緒觀點(diǎn)相比于 傳統(tǒng)量化情緒指標(biāo)、政策打分變量的優(yōu)勢(shì)與短板。

利用 Prompt 工程得到大模型“分析師”的 A 股情緒觀點(diǎn)。通過(guò)在 Prompt 中明確任務(wù) 說(shuō)明、上下文、問(wèn)題、輸出格式，我們可以訓(xùn)練大模型對(duì)不同文本反映的市場(chǎng)情緒進(jìn)行判 斷。經(jīng)過(guò)重復(fù)多次的測(cè)試，我們認(rèn)為 DeepSeek-R1 具備穩(wěn)定的結(jié)構(gòu)輸出，且邏輯自洽。 我們將大模型歷史的情緒多空觀點(diǎn)作為（0,1）變量與我們基于價(jià)量、資金流、期權(quán)指標(biāo) 共同構(gòu)建得到的情緒結(jié)構(gòu)指標(biāo)合成綜合情緒指標(biāo)，雖然兩者提示觀點(diǎn)存在一定分歧，但大 模型的情緒判斷結(jié)果的加入不會(huì)損失原策略的超額收益，并且有一定程度的收益加成。

大模型如何應(yīng)用于行業(yè)景氣研究：以光伏行業(yè)為例。除了全市場(chǎng)寬指標(biāo)的構(gòu)建，我們進(jìn)一 步嘗試第二個(gè)場(chǎng)景：?jiǎn)涡袠I(yè)景氣指標(biāo)的構(gòu)建。此前我們?cè)鴩L試使用詞頻方式刻畫(huà)景氣度， 此次我們嘗試將挑選關(guān)鍵“利好”、“利空”詞語(yǔ)的任務(wù)交給大模型，并構(gòu)建刻畫(huà)景氣度 的定量指標(biāo)。2024 年以前，由于訓(xùn)練樣本較大、資料來(lái)源豐富，景氣度指標(biāo)整體效果較 好，但 2024 年開(kāi)始平臺(tái)搜索結(jié)果有限、模型結(jié)果波動(dòng)較低；大模型結(jié)果指標(biāo)對(duì)光伏行業(yè) 擇時(shí)的效果整體優(yōu)于原光伏政策景氣度指標(biāo)。

大模型應(yīng)用平臺(tái)在專業(yè)領(lǐng)域下的“信息繭房”困境：雖然大模型在文本分析與情感判斷領(lǐng) 域展現(xiàn)出了顯著的優(yōu)勢(shì)，但其仍然存在信息來(lái)源有限、可能引用非權(quán)威信息、為迎合用戶 偏好而產(chǎn)生較多“幻覺(jué)”等問(wèn)題，需要用戶通過(guò)進(jìn)一步調(diào)整 Prompt、接入專業(yè)信息資料 等方式來(lái)改進(jìn)。

總結(jié)與展望：無(wú)論是針對(duì)全市場(chǎng)的新聞，還是針對(duì)特定行業(yè)的政策，大模型能夠較好地輔 助判斷文字情緒以及政策是否“利好”，說(shuō)明其文字理解能力突出，但仍然普遍存在信息 來(lái)源有限的問(wèn)題，需要通過(guò)搭建特定知識(shí)庫(kù)來(lái)改善。另外，精確的數(shù)量化指標(biāo)輸出也存在 可驗(yàn)證性偏弱的問(wèn)題，分檔打分可能是目前穩(wěn)定性更強(qiáng)的使用方式。