AI赋能资产配置（十八）：LLM助力资产配置与投资融合

核心观点 策略研究·策略专题 核心结论：①LLM重塑资产配置的信息基础。传统量化策略主要依赖结构化数值数据，对舆情、政策、财报等非结构化信息的吸收不足，而LLM通过强大的文本理解与逻辑推理能力，将这些信息转化为结构化因子，显著提升投研响应速度与前瞻性。②真正的落地不依赖单一模型性能，依赖“LLM+实时数据+优化器”的协作机制。通过模型分工，LLM负责认知与推理，外部API与RAG提供实时信息支撑，数值优化器完成配权计算，形成可执行、可解释的投资Agent。③当前LLM在舆情信号提取、财报解析、投资推理和Agent构建等多个环节已具备可操作路径，具备增强传统资产配置体系的现实基础。④未来随着强化学习与多智能体架构的发展，LLM将从“辅助工具”走向“核心推理与交互中枢”，资产配置将从静态决策向智能化、动态演进转变，重塑买方投研与策略执行逻辑。 证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001 基础数据 中小板/月涨跌幅(%)8253.14/0.92创业板/月涨跌幅(%)3229.58/2.48AH股价差指数119.43A股总/流通市值(万亿元)96.97/89.08 信息优势重构，信号维度显著拓展。LLM使得舆情、财报、政策文本等软信息可以被高效提取、量化并嵌入配置模型。FinBERT、FinGPT、BloombergGPT、PloutosGPT等模型在情绪识别、文本解析与投资推理上已经展现出明确优势。非结构化信息的系统化利用，增强了市场预期感知能力，使策略具备更高的灵敏度与前瞻性。 资料来源：Wind、国信证券经济研究所整理 落地路径明确，技术栈可复制。通过模块化设计，LLM与API、RAG、数值优化器形成分工协作：在信息端，LLM负责文本理解与逻辑推理；在数据端，外接API与RAG提供实时行情、财报与宏观变量；在决策端，优化器完成资产配权与约束求解。这种结构既提升了策略的稳定性与可解释性，也具备较强的可扩展性，适用于多资产配置。 相关研究报告 《估值周观察(10月第3期)-全球普涨，A股成长反弹》——2025-10-26《策略观点-积跬步，行稳致远》——2025-10-21《估值周观察(10月第2期)-价值抗跌，成长承压》——2025-10-20《ESG热点周聚焦（10月第2期）-工信部启动2025年度绿色工厂推荐工作》——2025-10-12《估值周观察(10月第1期)-市场高低切，周期品领涨》——2025-10-12 从信号提取到Agent执行，形成全链条能力。案例一与案例二展示了LLM在舆情与财报场景下的定量因子提取与配置应用；案例三则构建了完整的Agent，实现从信息收集、信号提取，到优化配置与执行输出的闭环落地，为机构投资提供可操作范式。 智能化资产配置加速演进，应用边界持续拓展。展望未来，LLM与强化学习、Auto-Agent、多智能体系统及个性化投研平台的深度结合，将推动资产配置从工具化向系统化、从线性流程向智能演进过渡，成为买方机构构建信息优势与策略护城河的核心技术路径。 风险提示：结论受模型存在不确定性、数据质量、市场环境影响，本文不构成任何投资建议。 内容目录 一、信息优势再造：LLM重塑投研链条.............................................4二、从文本到配置：LLM嵌入投资流程.............................................4三、案例分析：从信号识别到投资Agent...........................................6四、结论与展望...............................................................10风险提示.....................................................................11 图表目录 图1：不同LLM金融变体的功能特性与应用场景................................................5图2：LLM在不同投资流程环节发挥的功能.....................................................6图3：用LLM捕捉舆情信号增强配置前瞻性的流程图............................................7图4：用LLM解析财报信号驱动收益预测与配置优化的流程图....................................8图5：投资Agent的全流程落地.............................................................10 一、信息优势再造：LLM重塑投研链条 传统金融建模长期依赖于结构化数值数据，如股票价格、收益率和宏观经济指标等。这类数据确实能够刻画市场的部分状态，但它们始终只反映了市场的一面。金融市场的另一个核心特征是信息的非结构化特性。无论是新闻报道、分析师研报、财报电话会议记录，还是社交媒体舆情，这些文本信息往往包含着市场预期、情绪变化与关键的定性洞察，是传统数值数据难以直接捕捉的。这一部分信息过去往往依赖人工研读与经验判断，在时效性与客观性上存在天然局限。 大语言模型（LargeLanguageModels,LLM）的出现，为这一局面提供了全新的解法。得益于其在自然语言理解、信息提取和逻辑推理上的强大能力，LLM能够高效地处理海量非结构化文本，将原本模糊、分散的舆情、政策、行业信号转化为结构化的量化因子，直接嵌入投研和资产配置流程中。这意味着投资者在应对复杂市场时，信息处理和响应的速度与深度均能得到显著提升。 在实际投资工作中，从信息收集、信号提取，到收益预测、组合配置和风险管理，几乎每一个环节都可以嵌入LLM模块。例如，FinBERT与FinGPT可以识别新闻与财报中的情绪信号；BloombergGPT具备强大的金融文本理解和结构化信息抽取能力；PloutosGPT能够结合文本与结构化数据生成投资推理与配置建议；而LLaMA与FinLlama则适用于私有化部署，用于搭建面向投研团队的智能体（Agent）决策系统。通过这些模型的组合，投资流程在信息敏感性、决策解释性以及配置灵活性方面都得到了显著强化。 然而，LLM并非万能，它在投资领域的价值更多体现在对传统投研体系的“增强”而非“替代”。一方面，它拓宽了信号输入维度，让投研体系能够系统性吸收非结构化信息；另一方面，它提升了信息响应的速度，使得配置决策更灵敏、更接近市场真实动态；更重要的是，它能输出具有可解释性的投资推理与策略说明，有助于投资委员会决策与合规留痕。 与此同时，LLM并非万能工具，也需要关注其短板。LLM的知识存在时间滞后，难以直接处理高频高维的金融数据，输出存在不确定性与幻觉风险。如果不加约束地将其用于资产配置，可能反而带来较大偏差与投资风险。因此，一个现实且可落地的方向是让LLM与传统量化体系形成优势互补：让LLM负责认知与逻辑推理，而实时数据的获取与高阶数值计算则交由专业的数据接口与优化工具。本文正是基于这一思路，结合前沿研究与应用实践，构建一条“LLM+实时API+RAG+数值优化器”的资产配置流程，并通过典型应用场景进行说明，为机构投资者提供具备可执行性的技术路径与方法论框架。 二、从文本到配置：LLM嵌入投资流程 LLM在金融领域的应用已经形成了两大类主流方向：其一是面向文本信息处理的模型，如FinBERT、FinGPT、BloombergGPT等，专注于情绪识别、信息抽取与舆情信号量化；其二是面向推理与决策支持的模型，如PloutosGPT、InvestLM、LLaMA系列，擅长投资逻辑生成、情景推演和配置建议。这两类模型共同构成了从“读懂信息”到“形成投资结论”的完整链路，使得投资机构能够更系统地吸收、解释并利用外部信息优势。 在投研工作流中，LLM的典型嵌入环节包括舆情分析、财报解析、收益预测、配置建议与压力测试。FinBERT、FinGPT和FLANG主要处理新闻与社交媒体舆情，通过高精度情绪识别形成情绪因子；BloombergGPT和Mengzi-BERT-fin则更适合 解析公告、财报与研报，提取基本面与行业信号；PloutosGPT和InvestLM通过结合结构化数据与专家视角，进行投资推理和情景模拟；而LLaMA与FinLlama则能在私有环境下搭建多智能体决策系统，将这些信息模块有机整合，构成完整的投研-配置链条。 但要真正落地到投资实务中，仅依赖LLM并不足够。LLM存在三个结构性局限。首先，它基于训练语料形成的认知容易带来幻觉与不稳定性，对同一问题多次提问可能得出不同结果，在投资场景中风险极高。其次，通用LLM无法主动获取实时信息，知识存在时间滞后，在财报、行情、政策事件快速变化的环境中容易脱节。最后，LLM虽然擅长推理，但在数值优化领域远不如专业求解器稳定和高效，尤其在多资产协方差估计、权重优化与约束求解等环节。 因此，一个更现实的应用路径，是通过“模块化分工”让LLM与量化方法互补。首先，在认知与幻觉层面，通过提示工程与多次调用统计形成稳定的资产池，以减少模型输出的随机性与偏差。其次，在实时性层面，借助外接API与RAG（检索增强生成）将财报、行情与宏观变量等实时结构化信息注入模型上下文，实现信息的动态更新。最后，在高阶计算层面，将配权与优化交给专业的数值优化器，如Markowitz均值–方差优化或Black–Litterman框架，并结合权重约束与行业分散度，实现位于有效前沿的最优组合。 在这一逻辑下，LLM不再承担“全能型”的任务，而是专注于其真正擅长的部分——逻辑推理、信息融合和策略生成。实时数据与优化计算则交由专业工具完成。这种分工不仅能够避免让LLM误入不擅长的高阶计算环节，也提升了整个投资流程的稳健性、透明度与可解释性。 最终，通过这一思路，可以形成一个具有实际操作性的“投资Agent”：LLM负责理解投资者目标与约束并生成结构化任务描述；外部数据层通过API与RAG检索最新市场信息，为推理提供事实基础；数值优化器完成配权计算；LLM最终输出投资说明与风险提示。这一流程既保留了LLM的推理与认知优势，又确保了实时性与精度，成为面向买方机构的可落地资产配置技术路径。 三、案例分析：从信号识别到投资Agent 本节通过三个具有代表性的场景，展示LLM在资产配置与投资决策中的应用方式。前两个案例分别侧重于单一场景的LLM应用：舆情信号与财报信号如何转化为资产配置中的定量因子，提升策略的灵敏度与前瞻性。而第三个案例则超越单点，构建了一个完整的投资Agent流程，强调LLM与外接实时数据源和数值优化器的协同落地，展示了从信息→信号→优化→执行的全链条投资应用。 （一）舆情信号增强配置前瞻性 在实际投资中，市场情绪往往领先于价格变化。财经新闻、公司公告和社交媒体舆情构成了投资者预期与风险偏好的核心来源。然而，传统资产配置策略主要依赖历史收益率、协方差和基本面指标，难以吸收并量化这些“软信息”。随着LLM的 发 展 ， 投 资 者 可 以 将 舆 情 信 号 转 化 为 结 构 化 的“情 绪 因 子”， 嵌 入Black-Litterman或均值-方差优化（MVO）等资产配置框架中，实现更灵敏、更前瞻的动态配置策略。 这一策略的核心流程包括三个步骤。第一步，通过LLM从财经文本和舆情流中提取市场情绪信号。舆情数据来源于主流新闻媒体（如彭博、路透、CNBC、财新、华尔街见闻）、社交媒体（Twitter、Stocktwits、Reddit、微博）以及公司公告与财报标题。FinBERT（BERT金融变体）用于英文舆情的高精度分类；F