大模型投研下一站：策略创新与生态重构

2025年06月27日 09:48 发言人1 00:00各位投资者大家好，欢迎大家参与中金公司粮食夺势栏目第四期分享。 发言人1 00:05本期的主题为大模型投研下一站策略创新与生态重构。 发言人1 00:10我是本期主持人高思雨。 今天栏目的主讲人是中金公司量化GSG量化策略研究负责人周潇潇老师，中金公司量化及ES这议分析师谷翔老师和中金公司量化及SG分析师郑文才老师。 发言人1 00:27首先有请周娇娇老师为大家介绍大模型主动投研应用及市场影响，有请周老师。 发言人1 00:37好的，谢谢主持人。 发言人1 00:39接下来跟大家先来聊一聊主动投研的大模型的应用手册。 发言人1 00:45同时我也会跟大家来分享一下，大模型的发展可能对资本市场或者说对股票市场带来哪些方面的影响。 发言人1 00:57所以说我可能会重点的从这两各方面跟大家进行第一部分的分享。 发言人1 01:05我们今天的分享也是分成了这边的，一共有五个章节。 发言人1 01:09第一个大的方面就是大模型可能从信息的获取处理，从深度分析挖掘，从策略生成的验证这三个方面能为我们主动的投研。 发言人1 01:25 也就是说基本面投资的包括基金理，包括我们的行业研究员、分析师，我们的日常工作能带来哪些方面的效率的提升和策略层面的开发的一些新的一些功能的提功能的一些提升我们从这些方面先跟大家进行一些分享。 发言人1 01:49接下来最后一个部分也是大家比较关心的一些问题。 发言人1 01:54就是随着大模型相关的这些AI的应用的发展，市场未可能会出现哪些变化？ 发言人1 02:01可能对我们的投资或者说决策方面会产生什么样的一些影响，我们也跟大家来做一些讨论。 发言人1 02:10第一块我们有做一些背景上的梳理，相信这块大家也都已经比较熟悉了。 发言人1 02:16因为随着dc的一个出现，大家越来越更多的关注到大模型在在资管领域方面的应用。 发言人1 02:29其实海外我们知道像HHBT这些模型，它们的出现也是早于desk。 发言人1 02:34所以说其实我们已经关注到全球的很多我的领先的一些资管机构。 发言人1 02:41包括minstand，包括const这些头部的海外的这些资管机构，他们在大模型的一些应用方面，其实已经做到了一个比较全面的应用了。 发言人1 02:57我们这边简单的梳理了一下，能够获取的信息的自动化的处理，情绪的分析和信号的挖掘。 发言人1 03:03包括主题投资，也包括我们更熟悉的小量化策略的一些应用。 发言人1 03:09其实各个流程上，投研的流程中的各个环节里面，大模型很多的都已经被应用了，被覆盖到了。 发言人1 03:18所以我们也很自然的会考虑其实在我们日常的这种拓研究生工作中大模型它其实也是有很多的可以进一步的去开发和挖掘的这个应用的潜力的。 发言人1 03:35这一页其实做了一个简单的一个总结，就是在我们的一个尝试下来的一个总结下来经验，就怎样去更好的用到大模型，怎样让大模型来更好的为我们的日常工作提效。 发言人1 03:53 然后其实去更精准的向AI或者向大模型提问的这个能力是很重要的。 发言人1 04:03或者说叫做这个plange nerrin。 发言人1 04:06我们这边大概总结了一下，分成四个步骤。 发言人1 04:10第一个是为他定义他的角色，第二个是为他定义它的任务，第三个是定义它的目标，第四个是它的具体的操作层面的一些要求。 发言人1 04:22包括比如说数据的格式，信息的来源，上下文的一些背景，还有一些约束和限制等等。 发言人1 04:34这边我不具体展开，因为我们后面会给大家展示很多具体的例子。 发言人1 04:39很多具体的我们的这些prom都是按照这些格式，或者说按照这样的一个一些整体的一个结构来去设计的。 所以说精准的向AI提供的能力，或者说promengineer的能力，我们觉得也是在这个大模型的时代，去去更好的利用大模型来为我们的工作提效的一个很重要的一个能力。 发言人1 05:07那么具体的在服用流程中应用大模型第一个方面就是我们发现去利用它来去帮助我们提升信息获取和处理的效率。 或者说成从我们之前的大海捞针到精准筛选这一个步骤，其实大模型能够提供很好的一个辅助的作用。 发言人1 05:28因为的确现在的市场上的这个信息的数量是海量的信息的。 发言人1 05:34这样就是爆炸级别的这样的一个增长的这样的一个情况。 发言人1 05:39大模型其实它还是在这方面能够给我们起到很好的一个辅助，能帮助我们很快的去处理海量的这样的信息。 发言人1 05:47 而且它还是能够比较相对比较精确的提炼这些海量的文本里面的，比如说情绪，还有一些关键的一些事件这些信息的那那怎么样去让他来更精准的提炼，更准确的提点，减少他的比如说幻觉，这些其实是在pm的设计中是比较关键的，我们需要去注意到的一些地方。 发言人1 06:12我这边我们觉得举个例子，我这边展示一个可能大家会比较关注的。 发言人1 06:18例如说这边我们有一个就上市公司业绩电话会纪要的分析的这样的一个况。 这个其实也是作为比如说一个主动的分析师，一个经营经理，大家日常工作中非常经常会遇到的这样的一个处理的这样的一个情况。 发言人1 06:39比如说到了业绩期了，上市公司一些董秘他们会开这个业绩的电话会跟这个投资者来交流公司当前最新的一些运营的情况。 发言人1 06:50通过这个电话会，其实会传递出很多的信息。 发言人1 06:55这个电话会一旦开完了，其实电话会的录音录新转成的文本，这些信息就已经出现在市场上。 发言人1 07:05如果我们能快别人一步的去从这些信息中提取出这个公司相关的一些核心的，就是电话会传递出来的一些核心的一些方向。 发言人1 07:15比如说管理层是否在这次电话会里面，提出了一些之前的相关的这些，比如说行业的分析师并没有覆盖到的一些情况。 发言人1 07:27他是否在这一次的电话会中有一些异于寻常的一些措辞，他是否有去回避某一些问题。 发言人1 07:34这些其实都是一些很关键的信息。 如果我们能跨越别人一步，在比如说在其他的人还还没有还没有捕捉到这些信息的时候，就通过大模型能把这些东西给捕捉出来。 发言人1 07:49 其实这个其实对于经济来讲，对于行业的分析师来讲，都是非常的有价值的那这也是我们在跟大家交流时候，大家会觉得非常的有价值的的点。 发言人1 08:00我们这边展示的一个pro on就是通过这个pron设计的。 发言人1 08:04这个pron就是可以能够尝试用大模型来去去捕捉一个比如说我们这边提问的，包括让大模型来去分析关键信号与观察点。 这里面有一个语气与信心，就是管理层在讨论不同的业务或转让未来的时候，它的措辞是偏乐观的，是偏中性的还是偏谨慎的，他的信心和程度如何？ 发言人1 08:28 另外还有异常的信号，也就是说他在交流的过程中是否存在的一些异于寻常的表述，然后他有没有去反复的强调过一些观点，或者说他有没有去特地的回避一些问东西，那这些有可能会暗示着什么东西？ 发言人1 08:46 另外比如说在QNA的这个环节里面，我们也让他去评估管理层对一些关键和敏感的问题的回答的清晰度、坦诚度和具体性。 发言人1 08:56有没有去回避或者是模糊处理的问题。 发言人1 08:58这些其实都是大模型还不比较擅长去处理的一些情绪和情感和语气方面的一些问题。 发言人1 09:09所以这个我们觉得是就是大模型在辅助我们日常投研工作中，能够起到的一个比较比较比较比较有效的这样的一个方面。 这边是举了一个具体的例子，这一页展示的是它的一个一个大模型返回的一个结果能看到比如说在第四点和第五点里面的QNA的环节和关键性，还有观察点上，它还是返回了一些比较有价值的点的。 比如说异常信号这一块有有提到管理可能有回避的一个问题，那这个地方可能就隐含了一些利润承压的一些风险。 发言人1 09:45这就提示说投资者你可能要去关注一下这方面的风险。 发言人1 09:50 那对于分析师来讲可能也是具有一定的参考价值，这是第一个方面。 发言人1 09:56第二个方面，就是大模型，我们觉得它也是能够能帮助我们去做更深度的分析和挖掘。 发言人1 10:03这一点其实我们觉得就是可能从我们量化策略分析的角度上来讲。 发言人1 10:09我们之前在写大模型系列的一的时候也已经用到了，就是我们用deepy去做了基于新闻的量化的海轮动。 发言人1 10:20其实也是用到了大模型去去识别新闻里面的情感。 新闻里面的情感的一些识别，其实在大模型出现之前，我们可能更多的是用文聊pn用brd一些简单的这种自然元数据的模型。 发言人1 10:36当模型它在这方面的能力的确是强于原先的这些简单的自然元术语模型的，所以这块它的确会有更好的一个对于我们的另类的或者是文本的这块的信号的一个提取的能力。 发言人1 10:58所以这块的确是他的一个能力。 发言人1 11:01这边我们展示了一些tom那为什么还是这样去展示呢？ 发言人1 11:04其实是想说说，比如说我们作为一个日常的主动的投研的这样的一个流程的工作中，我们假设我们不去用一些底层的数据库，用API的这样的方式去调用。 发言人1 11:19我们就用一些比如说腾讯它的IMA或者是腾讯元宝，或者是DPC官网自己自带的这些这种方式去去处理的话，其实也可以一定程度的上去。 发言人1 11:34让大模型来去做到一些情绪上面的一些分析。 发言人1 11:39就比如说通过这个pron，我们可以让模型来识别比亚迪过去一段时间的些新闻。 发言人1 11:46 包括新闻相关里面继续说相关的主题主题相关的情绪的一些正负面，它也是可以做到一些提取和分析的，效果还可以。 但虽然不是特别的量化，但是作为一个主动投研的一个辅助来讲，它也是能提供一定的信息的含量。 发言人1 12:07那么这一块第二块想跟大家分享的就是它在辅助组合的分析和多位风险识别这块也是大家关注度比较高的一个能力。 因为通常情况下，比如说我作为一个组合管理基金经理，我在管理我自己所持仓的一个股票组合的风险的时候。 发言人1 12:28 一般情况下我们会比较量化的去用一些brand的这种这种风险的规律模型来去看我的组合的风险是归因为比如说是个股的贡献，还是行业的贡献，还是板块的贡献。 发言人1 12:45 那有了大模型以后，比如说我可以每天收盘以后，让大模型通过左边这个pro，让他直接去通过全市场的新闻来分析一下我所持仓的这些股票在过去一段时间的所有的相关的事件。 这里面除了个股的相关事件以外的话，还可以让他去提取产业链上下游相关的，包括供应链的这种相关的这些事件。 发言人1 13:11 以及这些事件里面的风险点点，包括潜在的一些积极的信号、消极的信号，情绪许可有些差这些内容方面的分析。 发言人1 13:21 所以他在辅助我们进行这些更实时的、更及时的组合的多维的风险识别这一块，也是能够提供一些新的这个维度的这样的一些观察的。 第三个方面是接下来的一个分享中，会有古香老师跟大家可能更具体的展开。 发言人1 13:47 就是大模型在策略层面，比如说个股的投影层面，在因子的挖掘这一块，他其实也能提供一些比较有意思的ID，这个我就不再展开了哈那我这边想再说到一点，就是他其实能帮助我们好去做到一些策略回测层面的一些辅助，从自然语言到量化的验证。 发言人1 14:13或者换句话上来讲，假设我们是一个之前对于于这个代码方面不是特别熟悉的。 发言人1 14:20比如说主创的经营经理或者研究员。 发言人1 14:22那么有了大模型以后，我可以很简单的用我的日常的语言来描述我的这个投资策略。 发言人1 14:30比如说左边我们举了一个沪深300价值多量的策略，很自然语言描述的一个方法