量化研究系列报告之二十三：让情绪“有结构”：大模型如何挖掘研报新价值

金融工程 专题报告 让情绪“有结构”：大模型如何挖掘研报新价值 ——量化研究系列报告之二十三 报告日期：2025-08-11 主要观点： 分析师：骆昱杉 执业证书号：S0010522110001邮箱：luoyushan@hazq.com 分析师：严佳炜 执业证书号：S0010520070001邮箱：yanjw@hazq.com 相关报告 1.《临界相变：探寻传统因子中的非线性基因——量化研究系列报告之二十二》2025-06-13 2.《ETF资金流透视：被动化浪潮下行业与个股的演进——量化研究系列报告之二十一》2024-12-25 3.《上市板块差异性视角下的选股策略优化与实战指南——量化研究系列报告之二十》2024-12-23 4.《破解Alpha投资困境：因子择时方案再探索》——量化研究系列报告之十九》2024-09-17 5.《企业利润分配策略：短期股东回报与长期价值创造的平衡》——量化研究系列报告之十八》2024-08-14 6.《另辟蹊径：发掘分析师因子中的另类alpha——量化研究系列报告之十七》2024-06-13 本篇报告依托DeepSeek大模型，将情感分析从研报标题拓展至摘要层面，结合摘要结构解析与多维量化方法，并基于结构化情绪信号实现对研报摘要价值的重构。 基于DeepSeek大模型的研报摘要结构化情感分析 本文依托DeepSeek大模型，将情感分析从研报标题拓展至摘 要，实现从黑箱评分向结构化、可解释评分的转变。通过拆解摘要结构 （业务发展—战略布局、技术创新、渗透率、经营效率；财务表现—盈 利质量、稳健性、业绩对比；其他因素—股东行为、政策影响、市场驱动），引入类别识别、情绪倾向、出现顺序及字数占比四维量化分析。 结构化情绪视角下研报摘要价值的多维洞察 从实证结果看，分类识别显著提升了研报分析的颗粒度，能多维度揭示企业真实价值。其中，利好情绪的“密度”指标对超额收益预测有效，尤其“业绩超预期”密度、“盈利改善”密度表现突出，相关选股策略显著跑赢市场。情绪信息的“出现顺序”与“篇幅占比”反映强调方式，利 好越早出现或篇幅越大，定价能力越强，战略、创新及政策类信号尤为明显，但基本面信号得效力较弱。 研报摘要因子的构建与多维绩效评估 综合情绪类别、篇幅占比与情绪密度等维度，构建四类研报评分因子（简单加权、篇幅加权、类别重要性加权、篇幅&类别重要性加权），并引入集中度调整与非线性权重进行优化。实证结果显示，研报评分在报告发布后20日、40日具有显著的收益解释力，体现出较强的事件驱动特征。 将四类因子等权合成个股综合评分因子𝒔𝒄𝒐𝒓𝒆_𝒓𝒆𝒑𝒐𝒓𝒕_𝒍𝒍𝒎，其整 体表现稳健，�分组收益结构严格单调，具备一定选股与收益预测能力，且与传统因子相关性较低。𝑠𝑐𝑜𝑟𝑒_𝑟𝑒𝑝𝑜𝑟𝑡_𝑙𝑙�的多头年化收益为12.8%、相对中证800的年化超额13.5%，自2020年以来年胜率为 100%，今年截至5月底的月胜率为100%，超额10.4%；年度超额最大回撤控制良好，相对等权组合均控制在4%以内。 风险提示 量化模型基于历史数据，过去的回测业绩不代表未来；量化模型本身存在失效的风险。 敬请参阅末页重要声明及评级说明证券研究报告 正文目录 1大模型迭代下的文本探索之路5 2研报内容的框架拆解与多维信息挖掘6 2.1研报摘要内容的结构化解读6 2.1.1业务发展：战略优化与核心能力提升7 2.1.2财务表现：盈利质量、稳健性与业绩超预期分析8 2.1.3其他因素：股东行为、政策影响与市场驱动分析9 2.2摘要信息处理与多维度量化分析9 2.3模型选择与场景规则化训练10 2.3.1模型选择与部署调用10 2.3.2任务规则化：为大模型在投资领域“降噪”增效11 2.3.3模型调用实践：本地与云端的高效对接14 3基于DEEPSEEK的分类任务实践与企业价值洞察15 3.1DEEPSEEK在研报分类任务的实践15 3.2文本分类准确性的复查与调整17 3.3细分类别助力从细节洞察企业真实价值19 4结构化情绪视角下的研报摘要价值重构20 4.1研报分类与情绪分析全景20 4.2利好密度驱动下的收益预测与策略应用21 4.2.1短期利好驱动强，超预期与盈利改善信息更具价值22 4.2.2从报告到个股：分类利好密度可有效预测未来收益23 4.2.3构建基于情绪利好密度构建主动选股策略24 4.3研报信息结构是否影响未来走势？26 4.3.1顺序：类别信息靠前意味着更强定价效应？26 4.3.2篇幅：重点说明vs轻描淡写的信号效应28 5研报摘要综合因子的构建与评估28 5.1报告维度的综合评分算法28 5.1.1简单加权及集中度调整28 5.1.2篇幅占比加权29 5.1.3类别重要性加权30 5.1.4篇幅占比&类别重要性加权32 5.2个股层面的评分指标构建33 6总结37 风险提示：38 图表目录 图表1CHATGPT与DEEPSEEK模型对比5 图表2分析师撰写的公司研报的典型框架6 图表3研报摘要业绩部分的典型结构7 图表4不同尺寸的DEEPSEEK-R1版本介绍、参数量、特点、使用场景和硬件配置11 图表5测试模型的部署方式和调用费用11 图表6研报摘要的利好点分类定义与情绪评分规则12 图表7系统提示13 图表8DEEPSEEK-R1-32B模型调用的输入输出示例：输出格式不符合规则，不是JSON格式16 图表9DEEPSEEK-R1-671B模型调用的输入输出示例：输出格式符合规则16 图表10DEEPSEEK-V3-671B模型调用的输入输出示例：输出结果与R1-671B相似17 图表11DEEPSEEK-V3-671B模型基本符合本研究任务17 图表12分类7（业绩对比预期与同业）的分词逻辑18 图表13分类7（业绩对比预期与同业）的复查逻辑18 图表14“沙里淘金”举例19 图表15“去伪存真”举例20 图表16“拨云见日”举例20 图表17分年度有效研报数量20 图表18研报涉及类别数统计20 图表19区间内，涉及各类别的报告数量与占比21 图表20分年度，各分类数量占报告数的情况21 图表21各年度的情绪分布（%)21 图表22各分类的情绪分布（%)21 图表23各类别，不同情绪的报告对应的未来CAR情况22 图表24个股维度：各分类利好密度回归结果23 图表25个股维度：各分类利好密度回归结果（行业因素）23 图表26盈利改善密度组合的分年度收益情况（月频调仓）25 图表27盈利改善密度组合的分年度收益情况（不定期调仓）25 图表28盈利改善密度组合的超额净值曲线25 图表29业绩超预期密度组合的分年度收益情况（月频调仓）26 图表30业绩超预期密度组合的分年度收益情况（不定期调仓）26 图表31出现顺序与CAR的回归结果（情绪值为+1）27 图表32出现顺序与CAR的回归结果（情绪值为-1）27 图表33篇幅占比与CAR的回归结果（情绪值为+1）28 图表34篇幅占比与CAR的回归结果（情绪值为-1）28 图表35𝒔𝒄𝒐𝒓𝒆_𝒔𝒖�和𝒔𝒄𝒐𝒓𝒆_𝒎𝒆𝒂𝒏_𝒉𝒉�与CAR的回归结果29 图表36𝒔𝒄𝒐𝒓𝒆_𝒃𝒚_𝒍𝒆�与CAR的回归结果30 图表37类别重要性权重的计算方案31 图表38𝒔𝒄𝒐𝒓𝒆_𝒃𝒚_𝒄𝒂�与CAR的回归结果32 图表39𝒔𝒄𝒐𝒓𝒆_𝒃𝒚_𝑳𝒆𝒏𝑪𝒂�与CAR的回归结果33 图表40指数衰减加权的权重计算举例33 图表41指数衰减加权的权重示意图33 图表42个股评分因子及逻辑34 图表43𝒔𝒄𝒐𝒓𝒆_𝒎𝒆𝒂�因子表现34 图表44𝒔𝒄𝒐𝒓𝒆_𝒃𝒚_𝒍𝒆�因子表现35 图表45𝐬𝒄𝒐𝒓𝒆_𝒃𝒚_𝒄𝒂�因子表现35 图表46𝒔𝒄𝒐𝒓𝒆_𝒃𝒚_𝑳𝒆𝒏𝑪𝒂�因子表现35 图表47基于研报摘要分类的合成因子的表现36 图表48𝒔𝒄𝒐𝒓𝒆_𝒓𝒆𝒑𝒐𝒓𝒕_𝒍𝒍�的分组年化超额（中证800）37 图表49𝒔𝒄𝒐𝒓𝒆_𝒓𝒆𝒑𝒐𝒓𝒕_𝒍𝒍�的分组超额净值（中证800）37 图表50𝒔𝒄𝒐𝒓𝒆_𝒓𝒆𝒑𝒐𝒓𝒕_𝒍𝒍�因子的多头分年度表现37 图表51𝒔𝒄𝒐𝒓𝒆_𝒓𝒆𝒑𝒐𝒓𝒕_𝒍𝒍�因子的相关性37 1大模型迭代下的文本探索之路 2022年11月，ChatGPT面世后，我们首次尝试将其应用于情感分析领域，通过分析卖方分析师对公司盈余公告点评标题中的情感态度，取得了初步成果，感受到了大型语言模型在文本分析中的强大潜力。ChatGPT不仅能够准确且连贯地进行评分，还能精准捕捉核心情感信息，表现明显优于传统模型如BERT（详见我们2023 年8月14日发布的专题报告《ChatGPT与研报文本情绪的碰撞——量化研究系列报告之十一》）。然而，受限于当时的技术水平与模型调用成本，我们的研究仅聚焦于标题情感分析，尚未延伸至研报摘要部分。 今年，DeepSeek模型的出现为我们提供了新的契机。该模型相比ChatGPT，参数规模更小、成本更低、操作更便捷，且依然保持了出色的性能表现，使得大规模自动化文本分析任务成为现实可能。 图表1ChatGPT与DeepSeek模型对比 资料来源：华安证券研究所整理 基于此，本研究尝试利用DeepSeek将文本分析拓展至卖方分析师研报的摘要部分。一方面，摘要承载了更丰富、全面的信息；另一方面，近年来分析师研报措辞普遍偏积极，特别是标题部分过于简略且不包含客观数据，单纯依赖文字情绪易导致偏差。 传统的诸多研究多聚焦于大模型对摘要进行综合评分，虽取得一定成果，但仍存在若干亟需探讨的问题：其一，评分过程“黑箱化”，模型直接输出总分，难以洞察评分细节；其二，情绪评分易受分析师个人写作风格影响，乐观型分析师偏好正面词汇，部分中立分析师则措辞平和，导致评分可能被局部情绪主导；其三，综合评分缺乏灵活性，通常仅反映分析师对公司整体状况的判断，难以洞察不同经营维度的细节。 因此，本文基于DeepSeek大模型，围绕卖方研报摘要展开系统研究，实现“黑 箱评分”向“可解释结构化”评分。我们从分析逻辑与方法论出发，结合模型选择与 训练过程，深入解析模型输出的情绪结构与信息维度，并探讨其在投资决策中的实际应用价值。 2研报内容的框架拆解与多维信息挖掘 在金融研究领域，研报是分析师与投资者进行信息交流的关键桥梁，而摘要浓缩了全文的核心内容。本章将介绍研报分类的整体框架，深入探讨从研报结构分析到情绪分类的全过程，同时详细介绍分类任务中的各类细节，包括业务发展、财务表现、外部因素等方面的分类定义。通过对研报结构的拆解与分类解读，探索其在投资决策中的应用价值和实用性。 2.1研报摘要内容的结构化解读 分析师撰写的公司报告的摘要通常遵循一个程序化的框架，主要包括以下四个部分： 事件：对核心经营结果的总结，涵盖财务预告、快报或正式报告中的关键财 务数据，以及公司的重要事件，如分红公告、股份回购简要和其他重大事件。 点评：分析师对上述“事件”的详细分析和观点，通常包括对公司整体业绩的评价、经营性指标的解读、毛利率和净利率的分析、流动性状况、销售渠道表现、研发进展以及战略布局等内容。此外，还可能涉及股东行为、政策环境、市场资金和热度等其他相关因素。 盈利预测：对公司的评级，以及未来三年的盈利预测、估值等前瞻性分析。 风险提示：对公司可能面临的风险因素进行说明和提示。 图表2分析师撰写的公司研报的典型框架 章节 内容 事件/总结 公司发布2023年年报，2023年实现营业收入2.46亿元，同比-6.47%；毛利率19.55%，同比下降5.77pct；归母净利润-1.85亿元，亏损同比+15.97%；扣非