AI赋能资产配置（八）：DeepSeek在资产配置中的实战解答

核心观点 策略研究·策略深度 本报告汇总了近期交流中，投资者对DeepSeek赋能资产配置的具体关注，并进行了详细的回答。总的来说，本文关注AI赋能资产配置的技术细节，重点分析了政策信号量化、数据处理方法、AI投研应用及其在金融市场中的具体落地方案。 证券分析师：董德志021-60933158dongdz@guosen.com.cnS0980513100001 证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001联系人：郭兰滨010-88005497guolanbin@guosen.com.cn AI可以有效量化政策信号强弱及其对市场的影响。AI在文本信号解析方面展现了强大的文本理解与量化能力。通过NLP技术，AI可以提取政策关键词、分析情感倾向、识别历史相似性，并构建学习解读指数。例如，通过DeepSeek深入学习体会货币政策表述中措辞变化。通过AI逐期文本对比分析结合市场反应回测，可建立标准化的信号量化体系。 基础数据 中小板/月涨跌幅(%)6847.32/3.41创业板/月涨跌幅(%)2228.64/2.11AH股价差指数128.51A股总/流通市值(万亿元)82.54/75.90 在AI数据投喂中，应遵循因果一致性原则，避免回测纳入未来信息。在资产配置模型训练过程中，严格遵循因果一致性原则，确保数据时间逻辑合理，避免未来信息泄露。研究可采用逐期迭代学习方式，使AI能够适应市场环境变化，提高策略的稳健性和可解释性。相比全样本学习，逐期投喂数据能更好地动态优化短周期策略，提升市场适应性。 在数据处理方面，AI的优势在于对大规模多维度信息的有效整合。除了宏观变量，还可引入流动性、市场情绪、估值等综合指标，增强AI对市场行为的理解。但过度引入高维数据可能导致信息权重偏移，因此需精准选取关键变量，以提升策略解释力与前瞻性。 资料来源：Wind、国信证券经济研究所整理 结合本地知识库，AI+RAG能够有效实现已有配置框架的落地。当前AI在知识库构建方面存在数据选择偏差问题，可借鉴RAG（检索增强生成）方法，通过检索-增强-生成流程提升AI的信息提取与分析能力。例如，AI在基金分析时，可先检索基金历史表现、市场环境等关键信息，再结合模型生成分析结果，提高解读精准度。 相关研究报告 《价值投资新范式(七)-风格投资复合视角——重构与迁移》——2025-02-25《2025年A股市场春季展望——科技浪潮引领资产价值重估》——2025-02-20《“新质生产力”系列专题（九）-并购重组赋能新质生产力》——2025-02-15《2025年价值投资新范式(六)-国央企突围》——2025-01-18《策略实操系列（二十三）——A股总股东回报的来源解析》——2024-12-31 结构化Prompt设计与实时逻辑输出，确保AI赋能的可靠性。为了确保AI计算的可靠性，本研究采用结构化Prompt设计，明确计算逻辑，并结合代码方式进行交互，以实现可追溯性和结果可复现性。此外，在策略构建过程中，AI结合宏观预测调整权重，使资产配置更具稳健性。 现阶段，AI与投研的结合应用仍有局限性。未来，AI将在市场深度洞察、大型专项研究等领域进一步优化应用。通过不断改进Prompt设计、调整知识库投喂方式、优化微调机制，AI可更精准地适应金融市场环境，并在人机协同模式下实现研究效率提升。 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。 内容目录 问题1：是否可以结合更加丰富高维的数据来优化资产配置，例如结合宏观、市场行为和政策信号，提升AI对市场的理解和预测能力？.......................................................4问题2：如何应对投喂数据“非收敛性”带来的的挑战？....................................4问题3：如何优化投资/基金研究知识库构建？AI在长文本检索的效果如何提升？...............5问题4：AI是否更擅长政策文本分析，从定性解读到定量建模？.............................6问题5：投喂底稿时是否包含自身的研究范式与逻辑？其结论是否可能与市场主流观点存在差异？这是否会影响AI输出结果的准确性？.......................................................7 问题1：具体prompt构建方式...........................................................7问题2：AI代码提问和窗口提问的区别，具体实现逻辑......................................8问题3：运用AI时，能否以文本互动的方式提供思考逻辑（每一步）；在AI对风险贡献、回溯周期的调整结果中，具体数字代表的含义，实践中如何引导AI给出该数字...........................9 三、DeepSeek训练与学习：模型优化与应用实践...................................10 问题1：历史数据学习期间是否就用了未来数据...........................................10问题2：在投喂语料时，逐期喂入数据进行迭代优化，是否优于全样本学习？.................10问题3：AI计算结果的可验证性：是否可以通过算法输出与自主代码计算进行对比验证？.......11问题4：XGboost模型的作用是什么？优化效果如何？......................................11问题5：AI计算的稳定性与可解释性：为何多次运行结果可能存在差异？这种问题该如何解决？.12问题6：AI对主动管理型产品赋能后，能否在中长期维度跑赢被动型产品？请客观评价AI在资产配置中的作用。.........................................................................12 四、DeepSeek未来展望：客户研究支持与落地.....................................13 问题1：AI能为研究员提供什么服务？...................................................13问题2：资管机构大规模部署AI设施，那么基金经理和研究员如何与IT部门之间形成有效的沟通？14问题3：海内/外资管机构AI投研的应用情况如何？.......................................14 风险提示.....................................................................17 图表目录 图1：DeepSeek实现央行货币政策委员会文本对比分析案例......................................4图2：DeepSeek实现央行货币政策委员会文本情感分析..........................................4图3：检索增强生成（RAG）原理.............................................................5图4：DeepSeek全自动打分（仅投喂政策文本）................................................6图5：DeepSeek半自动打分（投喂政策文本+分析师框架）.......................................6图6：常见Prompt的构建方式...............................................................8图7：DeepSeek页面端请求..................................................................9图8：DeepSeekAPI接口访问................................................................9图9：DeepSeekAPI参数含义................................................................9图10：避免未来数据污染的操作路径举例....................................................10图11：股债强弱打分指标胜率展示..........................................................12图12：实际股债强弱vs DeepSeek调整......................................................12图13：实际股债强弱vs Xgboost调整.......................................................12图14：实际股债强弱vs等权重扩散指数（未调整）...........................................12图15：AI赋能总量研究：“两维度”AI含量指标的构建.......................................14图16：Aladdin平台的主要功能.............................................................15图17：Spectrum平台及SpectrumGPT........................................................15图18：AI投研应用落地示范................................................................16 表1：资产价格走势“不收敛”带来的问题....................................................5表2：“窗口提问”和“API调用”方式的对比.................................................8表3：逐期投喂vs全样本投喂..............................................................11 一、DeepSeek交互准备：语料制作与数据优化 问 题1： 是否 可 以结 合 更加 丰 富 高维 的 数据 来 优化 资 产配 置 ，例如结合宏观、市场行为和政策信号，提升AI对市场的理解和预测能力？ 在资产配置优化过程中，除了传统的宏观变量，流动性、市场情绪、估值、政策信号等因素同样可能对市场表现产生关键影响。AI的核心价值在于将结构化（数字）与非结构化数据（自然语言）结合，优化市场判断逻辑，从而提升资产配置的前瞻性和有效性。 市场情绪、估值、政策文本等因素的引入可以帮助AI捕捉更多信号、优化资配结果。例如，AI可以对各类关文件进行文本解析和学习解读，提取政策关键词、情感倾向、信号强度，构建政策周期指数，并结合市场反应进行回测，从而提升对市场趋势的判断能力。 资料来源：DeepSeek、央行货币政策委员会、国信证券经济研究所整理 问题2：如何应对投喂数据“非收敛性”带来的的挑战？ 在资产配置中，一些资产（如黄金、部分国债）存在长期趋势性、不收敛的特性，即便使用大模型进