稳定币产业链与领涨股

发言人1 00:00发言人2 00:12发言人3 00:53个提升。发言人3 01:50发言人3 02:45个关注。发言人3 03:31 况。根据我们这个模型的处理结果来看，稳定币的上游主要是可以区分为像块链技术、加密算法、智能合约储备、资产监管，还有支付网关这样的一些产业链的节点。发言人3 04:07就是相当于是稳定币它所赖以需要的这样的一些上层上游的一些这种技术，或者说它的一些政策在其中比较重要的上游节点，就包括像像这个区块链技术，它还是有一个进一步的一个上游的结构。那其中就包括了像分布式存储技术，智能合约平台等等。其中，尽管框架它的上游也则包括了像美债以及内在资产，加密资产监管法案，环境支付系统等等。这个就是我们通过模型它去进行逐层递推得到的一个上游的一个整体的一个结构。其实这次出现边际变化就在于我们监管框架的这个部分。以上节点也是囊括了人民币的一个全部的上游的一个环节。发言人3 04:53那么往这个稳定币产业链的下游来看，它的应用端主要是包括了像零售支付、迭代借贷、加密货币资产交易，然后还有包括像RWA代币化，也就是现实的世界资产的一个代币化，以及普惠金融这样的一些应用方法方向。那其中像这个迭代借贷，它是模型认为是比较重要的一个应用领域。那他的这方面，主要还是包括了像跨境贸易支付，区块链融资这样的一些细分的应用场景，然后像加密货币交易这一块，也是包括了供应链金融平台，数字资产托管等等的这种细分的应用的领域。模型认为像零售支付、迭代借贷，还有包括加密货币这样的三个方向，是重要性比较高的一个具体的一个下游应用点。像这个WA在壁画重要性是属于中等的一个水平。发言人3 05:49以上是模型推理出来的一个产业链图谱的一个结果，具体这个图谱的话，我们也是可以观察，就是要通过观察我们的这个报告来去得到更加详细的一个结构。那标的方面的话，我们也是有梳理出和稳定币概念有关的一个股票名单。因为不光是我们是不光检索和这个稳定币直接相关的股票的名单，同时也会去检索和这个稳定币上下游结构，就是通过我们刚刚处理的一个产业链图谱，从其中每一个节点相关的股票，我们都是可以实现它的一个全方位的一个梳理，覆盖它的一个全产业链的一个情况。发言人3 06:27这次我们梳理出来的概念股，总共是达到了66只从行业分布上来看，稳定币概念股的话目前还是比较集中的，就是有现成的这种驱动运送的那主要还是来自于计算机行业，数量是达到了37只，其中包括像京北方、四方精创、桥梁科技这样的一些个股。当然也有部分个概念股，是来自于，电子通信这样的一些行业，比方说像恒宝股份。那还有包括像综合金融这样的一些行业的。他们这个跟，数量，是分别在12只、五只和3只，当然还有部分股根源股，它就是来自于像机械电芯、军工这样的一些行业，他们也是有部分个股是涉及到这个稳定币概念的那当然更加完善的这个标记列表，也可以参考我们推出的这个推广系列的报告。那里面是会展示所有的股票以及他们相对应的这个节点的一个情况。发言人3 07:25在以上的这股票池基础之上，我们进一步去叠加了这个量价的一些特征，去对这个股票池进行进一步的一个筛选。我们这边筛选的方法，其实是去构造了一个灵长因子以及尖峰右偏的一个因子。联想因子的话其实就是通过它的流动性以及它的这个动量的这样的一些指标，对我们的组合去做一个筛选。在这样的一个筛选池中，我们进一步去判断具有这种尖峰右偏特征的一些股票。它可能会带来一个更加在就在行情出现了这样的一个情况下，它可能会成为其中的这个领涨股，这会有这样的一个特征。我们这次针 对于这个稳定币概念得到临床股组合，是包括了中科金、财大智慧、金证股份、恒宝股份、星环科技这样的五只股票周。发言人3 08:29我。发言人3 08:40对于这个稳定币。处理的一个方法论的一个情况，我们模型核心的这个目的是让。我们我们模型的核心的这个目的，就是让大禹模型能全自动梳理产业链，并且推荐相关标的。同时它的这个逻辑是要和传统的十分接近的这样的一个效果。那么像传统的行业研究员的话，他在接触到一个新的概念之后，也是需要去阅读大量的资料来学习知识。并且基于一定的逻辑推理能力，从中逐层梳理出这样的一个供需关系，这样的一个产业的一个关系。我们就是希望模型能够去模仿人类的这种思路，来实现产量图谱的一个梳理。发言人3 09:28这样的话一方面是能够缓解大模型它的一个幻觉现象，得到更加正确的一些内容。同时也是能够给他提供最新的一些知识，这样的话才能够让大模型去梳理。比方说像稳定币这样的更加贴合当前市场行情环境的这样的一些概念，能够得到当贴近于当前市场的一个结果。比方说我们在梳理稳定币这样的概念时候，我会先让大模型在我们自己构造的一个新闻以及研报的知识库里面去搜索和稳定性高相关的一些新闻。把这些信息梳理出来之后，让大模型去进行一个读取进行理解，并且从中去识别出和稳定币它的一个上游直接相关的这样的一些节点。发言人3 10:16其中我们也是会设计一套体验词的模板，让大模型能够去从这种供需的这种角度出发，来实现对上游和下游的理解，去对这个稳定币的上游板块去做一个整理。当它完善完成这样的一个整理之后，比方说他得到了它的上游会包含像这个加密算法，以及区块链技术这样的一些节点之后，我们再进一步的，去把它套用到前面这套流程里面，去对加密算法的上游再去做一次梳理。这样子不断的去往上游和下游两个方向地推，就可以得到完整的一个产业链图谱的一个结果。那这个是我们梳理产业链图谱的一个核心的一个思路。那当然得到错误之后，我们再去针对每个节点再去搜索它相关的一些新闻和研报。从中去识别出他提及的一些上市公司的这个名称，出现这某个公司的名称之后，我们就会认为它可能是和这个稳定币概念有关的，我们就会把它纳入到我们的概念股的一个范围里面来。所以说整体的这个自动通过量模型去梳理产业链，得到概念股的一个方法，其实就是类似的这样的一个思路。发言人3 11:27其中它的一个核心的难点，主要还是在于如何去对这个搜索相关新闻，去做搭建知识库这样的一些技术细节可能会有一个比较高的要求。因为在这个中文的金融文本领域，需要去针对这种文本信息做一些相对来说比较针对性的一个处理，才能够得到比较好的一个效果。比方说我们对这个新闻的文本，需要去做一定的去虫，做一些严按照应用格式去做一些切分，这样子才能够确保他得到的每段信息都是比较准确的。因为会存在很多这种行情复盘的新闻，包括像一些类似于一些这种，介绍故事的这样的一些新闻，他会有各种各样的情况存在。那么针对这种情况如何去做一个针对性的一个分解，这样是是在构造这个知识库的过程中可能需要去注意的一个点。发言人3 12:24 另外在我们去搜索相关新闻的时候，也需要去采用一些比较恰当的一个算法，比方说我们可以使用这种关键词匹配以及与意向的一个相似性匹配结合的一种方法，就是我们的混合检索来实现这种相关新闻的一个检索。因为单纯的去基于关键词做一些匹配的话，很可能还是会出现和我们这个呃就是如果再遇到一些一词多义，或者说一些专有名词在不同领域同时出现的一些情况。很有可能会导致他梳理的这个内容会出现一个领域上的偏差，那另外的话，如果我们单纯去基于语义信息来做一个匹配，那很有可能也会导致他在处理一些这种专有名词，尤其像一些新的这种概念词汇的时候，可能会也会也会有一些这种理解上的一个误差。比方说像这个豆包大模型这样的一个概念名称。那如果我们单纯去从语义层面去对这五个字去做理解，它有可能会识别到其中豆的这样的一个字的含义，然后从而去匹配到一些偏向于农业的这个新闻出现，这个也会有这样的一个问题。所以说我们最后是需要去采用混合检索，将视频以及语义的相似性去进行一个有机的结合。来得到一个更加贴合我们实际需求的一个解锁相关新闻的一个效果。这边其实是会需要我们去花费大量精力实现，怎么样去对这种智库以及检索去做一个打造。发言人3 13:58在这个之后我们这一套框架其实也是能够实现对这种结果做一些验证。比方说像类似于这种答投资者问这样的一些文本来源，里面可能会出现有上市公司，他们对我们他们声明和某个概念没有关系，或者说他们的声明他们并没有生产某个产品，也会有这样的情况出现。那这个时候其实我们就会也会让大模型再去对这种特殊情况做一次重复的验证。验证之后，我们就会去判断这个老大模型，去给到一个这种判断的一个结果。这样子的话来矫正我们梳理的得到的就概念股的一个准确性，其实我们也是有将这种梳理出来的产业链和概念股的结果，与人工处理结果去做一个匹配。发言人3 14:48那么在概念股层面的话，我们是将我们构造了这样的一个概念股市，构造了一个等权的一个概念指数。这个概念指数它其实走势是可以和类似于万德或者同花顺他们人工处理的这个结果保持一致的这样的一个效果。所以说从质量上来说，通过我们这样一套机制，是能够得到和人工处理比较接近的这样的一个概念股的一个效果。当前的话，其实我们也会再进一步的将这样的一个产品去推送成一个网页端的一个产品，可以是让大家再来及时的去进行一个使用。发言人3 15:25对以上的话就是我们这次关于产业链模型它的一个方法论介绍。同时也是包括了我们去结合这个美林币，它的一个针对性的一个分析的一个结果。以上的话就是我们这次电话会的一个主要内容，谢谢各位投资者的一个时间。发言人2 15:46感谢大家参加本次会议，会议到此结束，祝大家生活愉快，谢谢。