AI赋能资产配置：DeepSeek对国信多元资配框架的优化

投资策略·宏观固收 证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001 证券分析师：邵兴宇010-88005483shaoxingyu@guosen.com.cnS0980523070001 证券分析师：董德志021-60933158dongdz@guosen.com.cnS0980513100001 联系人：郭兰滨010-88005497guolanbin@guosen.com.cn Ø项目概述：本项目聚焦原有5个短期资产配置模型“等权重”配置的局限性，接入DeepSeek实现“打分指示的股债强弱”指数的智能迭代优化，提升资产配置的前瞻性与决策有效性 Ø优化过程：一是让DeepSeek进行静态学习，投喂短期模型逻辑以及底稿等核心信息，训练DeepSeek；二是让DeepSeek进行动态纠偏，挖掘历史数据中“先验权重”与“真实走势”的差异，迭代优化；三是让DeepSeek进行推理应用，基于宏观指标预测值完成2025年全年的指数外推 Ø优化结果：等权重平均组合五个短期模型结果，降维后胜率38.52%；AI赋能权重优化（DeepSeek-V3），胜率提升至60.61%，实现显著优化 Ø风险提示：模型过拟合风险；数据口径调整风险；AI推理的不稳健性 国信周期框架：统筹短、中、长，多维视角指引资配 Ø短周期 Ø判定核心：基于美林时钟、周期叠加、货币信用、信贷库存、政策组合等框架，结合综合通胀指标，研判近月股债强弱Ø应用价值：对短期股票盈利与估值提供指引，捕捉交易机会，把握市场短期波动节奏 Ø中周期 Ø判定核心：关注“资产价格”向“内在价值”回归的路径，分析经济周期、企业盈利趋势等因素Ø应用价值：指引3-5年维度的资产配置决策，优化股债配置结构，平衡成长性与价值回归 资料来源：Wind，国信证券经济研究所整理 资料来源：Wind，国信证券经济研究所整理 Ø长周期：科技驱动的结构性变迁 Ø判定核心：科技革命驱动的40-60年的超长期经济周期Ø应用价值：提供大类资产配置的宏观视角，捕捉科技创新和产业变革带来的长期投资机遇 资料来源：Wind，国信证券经济研究所整理 资料来源：Wind，国信证券经济研究所整理 短周期：大类资产配置框架的加法（统筹）和减法（降维） Ø美林时钟框架（工业增加值+PPI）：经济增长周期和通货膨胀周期Ø货币信用框架（货币政策目标+信用脉冲）：关注的两大因素为货币周期和信用周期Ø财政货币框架（货币政策力度指数+财政政策力度指数）：关注的两大因素为货币政策周期和财政政策周期Ø信贷库存框架（票据余额增速+贷款余额增速）：类比实体库存周期从金融角度来刻画库存周期的波动Ø产能库存嵌套框架（PMI+产成品存货+产能利用率）：关注库存周期和产能周期两类周期性指标 资料来源：国信证券经济研究所绘制 短周期框架汇总 短周期：大类资产配置框架的加法（统筹）和减法（降维） Ø作为经济周期的两大指标——综合景气指标和综合通胀指标，两者对股票价格的指引映射到两个不同的维度——盈利和估值。当基本面（综合景气指标）上行时，经济上行的背后往往是企业盈利的改善，对应股价上行；当价格（综合通胀指标）下行时，往往预示着货币政策的宽松，利率下行，这会改善股票的估值，对应股价上行。从价值投资的角度，我们往往更为关注盈利，其代表了企业的业绩、长期竞争力Ø研究发现，综合景气指标对行业盈利增速有领先性，表现为领先正相关，这与经济周期的理论相一致；综合通胀指标对行业盈利的提示不及综合领先指标，分行业来看 有如下结论： Ø综合景气指标对周期、成长、红利、大盘等风格板块和建筑、建材等行业板块具有较强的领先正相关；对稳定、小盘等风格板块和金融、银行、电子、通信等行业板块的领先正相关性较弱；对电力设备、公共事业等板块具有领先负相关性 Ø综合通胀指标对有色、消费等行业板块具有较强的领先正相关；对电力设备、机械等行业板块的领先正相关性较弱；对红利、低估值等风格板块和通信、电子、银行、医药等行业板块具有领先负相关性 各周期下的风格/行业表现 Ø行业历史表现-震荡配金融、复苏看周期 Ø震荡期表现最好的三个行业为：非银行金融(41.6%)、建筑(22.9%)、电力及公用事业(15.9%)Ø复苏期表现最好的三个行业为：消费者服务(44.4%)、食品饮料(17.9%)、电力设备及新能源(15.5%)Ø过热期表现最好的三个行业为：电子(24.3%)、传媒(22.0%)、家电(20.7%)Ø滞涨期表现最好的三个行业为：电力设备及新能源(22.3%)、国防军工(14.0%)、有色金属(12.3%) 基于短周期的大类资产和风格配置规律图 资料来源：Wind，国信证券经济研究所绘制 中周期：聚焦资产比价 Ø中周期框架下的资产配置以均值回归为核心思想。均值回归认为，资产价格在长期会围绕其内在价值波动，即使短期内出现偏离，最终也会回归到长期平均水平。这种规律在金融市场中普遍存在，是资产配置的重要依据Ø中周期框架强调在中期维度（3-5年）进行资产配置。与短期波动不同，中期维度的资产价格比价关系更稳定，均值回归规律也更为明显。通过压缩观察窗口，投资者可以更好地捕捉资产价格的阶段性偏离，并据此调整配置策略 资料来源：Wind，国信证券经济研究所整理 目录 现有资产配置框架及其改进空间01 DeepSeek优化资配模型的嵌入逻辑 02 DeepSeek优化资配模型的具体过程03 未来改进方向04 现有资产配置框架及其改进空间 Ø现有资产配置框架：大浪淘沙选出的体系 •美林时钟：基于经济增长与通胀周期，划分复苏、过热、滞涨、震荡四阶段，指示各阶段股债强弱格局•货币+信用：关注货币与信用周期组合，分析流动性与融资节奏对股债市场的影响•财政货币组合：通过财政与货币政策的搭配，刻画政策驱动下的资产价格变化•信贷库存：以信贷增速与票据贴现为“金融库存”，反映信贷周期中的股债配置机会•库存产能周期嵌套：结合库存周期与产能周期，动态捕捉供需变动对股债市场的双向影响 Ø改进空间：采用固定等权重配置，未根据历史信息调整五个模型的权重。忽视了不同时期各短周期框架对市场预测贡献度的差异 资配体系的对立与统一 2020年以来经济主要矛盾切换和资产配置体系优化 以国信证券在2016年首创的中国版“美林时钟”——“货币+信用”风火轮为例，2020年以来传统的照顾体系在资产配置中逐步更迭：2021年核心矛盾是海外地缘影响下的企业增收不增利，锚定利润增速指标；2022年核心矛盾是融资数据剥离掉短期票据和贷款的冲量，回归企业中长期信贷对利润的持续支撑；2023年关注点在于剥离国央企贷款因素，找到衡量居民信心的家庭部门中长贷款增速，流动性焦点从国内变迁到海外；2024年关注财政脉冲发力对实体信心的修复 资料来源：Wind,国信证券经济研究所整理 目录 现有资产配置框架及其改进空间01 DeepSeek优化资配模型的嵌入逻辑02 DeepSeek优化资配模型的具体过程03 未来改进方向04 05 DeepSeek优化资配模型的嵌入逻辑 目录 现有资产配置框架及其改进空间01 DeepSeek优化资配模型的嵌入逻辑02 DeepSeek优化资配模型的具体过程03 未来改进方向04 05 DeepSeek优化资配模型的具体过程-技术路线图 DeepSeek优化资配模型的具体过程-输入阶段 Ø输入阶段 •数据输入：①读取底稿中的股债打分及其背后的周期与宏观经济指标，建立数据库并输入DeepSeek，旨在帮助其从数据获取信息；②生成初始权重，基于XGBoost等模型指引DeepSeek明确正确的权重调整方向。（技术细节：以实际股债强弱为因变量，基于五个短期框架拟合其解释力度生成初始权重，6个月窗口用于捕捉短期波动） 资料来源：DeepSeek，国信证券经济研究所整理 资料来源：Wind，DeepSeek，国信证券经济研究所整理 DeepSeek优化资配模型的具体过程-训练阶段 Ø训练阶段 •DeepSeek接入：通过API将DeepSeek接入Python环境，实现变量和数据框的AI加工与动态输出。采用硅基流动基于华为昇腾云的DeepSeek R1 & V3推理服务，确保稳定高效的模型训练与推理调用•指令的输入：①输入不同时间段的宏观变量和五大短期模型最优权重，助力AI掌握模型逻辑与数据映射（静态学习）；②输入实际股债强弱与“先验权重”的偏差，要求AI结合真实数据迭代调整权重（动态纠偏）•权重的迭代输出：①DeepSeek动态优化，调整权重以贴合历史经验（基于历史）；②挖掘先验权重解释真实股债强弱的偏差，实现自我纠正机制，提升资产配置的前瞻性和胜率（面向未来） DeepSeek优化资配模型的具体过程-应用阶段 Ø应用阶段 •宏观经济指标的预测：我们整合了市场有一致预期的宏观指标（如工业增加值同比、PMI等），并自主推算了缺乏一致预期的关键变量（如产成品存货、票据余额等）•“打分指示股债强弱”指标的外推：DeepSeek已明确不同宏观指标下的最优权重配置，以更好地解释真实股债强弱。基于此，我们将预测好的宏观指标输入DeepSeek，即可获取优化后的权重，并据此对五个短期框架进行降维，生成AI调整后的最终配置•结果呈现：①胜率显著提升。若“打分指示的股债强弱”与“实际股债强弱”同向变动，则判定为胜，反之为败。DeepSeek接入后，胜率提升至60.61%，而等权降维的打分指数胜率不足40%。②2025年全年股债强弱预测：预计2025年第一季度股债强弱进一步上升，进入复苏周期（指数<0，方向上升）③静态学习：还挖掘了周期与权重的关系（见表2）④DeepSeek基于“打分指示的股债强弱”与国证价值、国证成长的关系，研判2025年各月走势图24：打分指示的股债强弱（DeepSeek调整后）图25：DeepSeek生成的五大短期框架权重表2：静态学习观察结果 资料来源：Wind，国信证券经济研究所整理 资料来源：Wind，国信证券经济研究所整理 结合机器学习的经济周期综合划分和每个分类框架的贡献 Ø基于AI学习的经济周期划分中，各分类框架实现了动态的权重调整。Ø一方面，股债强弱指标在更合理可控的范围内波动，周期贡献在不同时段内依历史迭代而变化Ø另一方面，动态指示各周期下的股债打分，精准定位当前周期定位下的核心变量 资料来源：Wind,国信证券经济研究所整理 基于综合景气指标的周期划分：AI学习后版本周期连续性更优 资料来源：Wind,国信证券经济研究所整理 基于AI学习体系的经济周期划分 Ø与传统经济周期框架相对比： ØAI学习后的指标体系对经济周期的变化更灵敏，对经济在震荡/复苏期内的反复跃迁有更精准的识别（2022-2024） Ø周期轮动更符合经济运行的客观规律，周期长度更符合客观认知：一轮“震荡-复苏-过热-滞涨”周期在3-5年，单周期长度在1年左右 资料来源：Wind,国信证券经济研究所整理 资料来源：Wind,国信证券经济研究所整理 AI+资配框架下，组合净值表现继续优化 Ø不同股票风格间存在重叠，我们根据中信风格、大中小盘、估值等将不同股票风格分别和债券放在一起，根据历史周期指示的股票风格/债券胜率进行配置，具体方法为：Ø用牛市概率-熊市概率代表资产打分，只保留打分为正的股票风格/债券，根据分数大小计算配置比例（债券比例≥80%） ØAI资配框架下，组合风险收益表现继续优化，年化收益率上升0.27%，夏普比上升1.08倍 目录 现有资产配置框架及其改进空间01DeepSeek优化资配模型的嵌入逻辑02DeepSeek优化资配模型的具体过程03未来改进方向04风险提示05 未来改进方向 Ø大模型的选择：目前接入的为DeepSeek-V3模型，尚未使用推理能力更强的DeepSeek-R1。接入