AI赋能资产配置（三十六）：更高、更快、更强！AI技术分析进化论

核心观点 资产配置研究·资产配置专题 核心结论：①基于大模型的技术分析存在“精度”、“逻辑严密性”、“上下文处理”三大痛点，最佳的实践模式仍是“规则化提示词工程+大模型推理”，脏活累活交给代码。②用更加理性、更基于规则的方式进行提示词工程，我们将最近9个完整笔、3个线段和中枢信息，以及买卖点、是否背驰，格式化形成Markdown表格作为prompt输入。③当前技术分析引擎实现多级别自动识别笔、线段、中枢，支持多品种分析，对于前期超额严重跑输的上证50，大模型当前指向“站稳3040可分批建仓”；对于关注度较高的卫星与半导体设备，前者整体趋势未坏但当前向上笔力度弱于前期，后者处于日线级三买观察区长期看好。 证券分析师：陈凯畅证券分析师：王开021-60375429021-60933132chenkaichang@guosen.com.cnwangkai8@guosen.com.cnS0980523090002S0980521030001 基础数据 中小板/月涨跌幅(%)8725.73/5.58创业板/月涨跌幅(%)3342.60/3.04AH股价差指数118.91A股总/流通市值(万亿元)102.49/93.69 大模型技术分析痛点：精度、逻辑严密性、上下文推理 1）精度：大模型看K线图类似于人类“扫一眼”，它能捕捉大致趋势（上涨、下跌、震荡），但无法精确读取High/Low的具体数值；2）逻辑严密性：目前的LLM在处理复杂的空间拓扑结构（如缠论中的笔、线段的递归定义）时，很容易逻辑崩塌，面对需要跨级别分析的情况，若不对Prompt进行调整，往往难以保持跨周期逻辑一致性；3）上下文处理：OHLCV序列输入面临下文窗口限制和数字敏感性缺失的问题。 资料来源：Wind、国信证券经济研究所整理 提示词工程仍是“命门”：六类实例+四步走 相关研究报告 六类实例：对小级别方向、大级别趋势、中枢分类、连续中枢位置关系、买卖点、背驰，初始化交易实例并创建自然语言映射字典 《AI赋能资产配置（三十五）-用AI来“接管”投资时钟》——2026-01-26《策略周报-行情结束的信号出现了吗？》——2026-01-24《策略专题-长线稳定型外资加仓AH高景气板块——2025Q4股市外资季度动向跟踪》——2026-01-22《大类资产配置专题-穿越AI叙事的全天候组合》——2026-01-21《策略周报-活跃资金流入，长线资金流出——1月第2周立体投资策略周报》——2026-01-19 四步走：基础信息构建、笔数据格式化、线段数据格式化、中枢数据格式化 技术分析新引擎：更高、更快、更强 数据源、分析速度“更快”：数据源为实时行情，AH股、国内商品大多数情况下无时延。除数据源的实时性外，运行一次AI分析助手通常仅需15-20s。 访问兼容度“更高”：接入OpenRouter、硅基流动两大API服务商，模型更全、访问门槛更低，作为中间层规避地区封锁。 模型预期能力“更强”：伴随全球各地高性能模型迭代，更强的模型出现驱动AI分析助手的能力水涨船高。 分析案例与结果：上证50“三买”出现，半导体设备处于“三买观察区” 1）上证50：前期ETF流出压力较大的上证50，近2个交易日相对小微盘大幅跑赢，大模型分析指出当前日线级别三买信号已出现； 2）卫星ETF：短期波动较大，日线后续大概率形成“三买”后出现上涨笔，但小级别需留意“中枢扩展”带来的剧烈波动； 3）半导体设备ETF：日线处于三买观察区，维持长线看好。 风险提示：（1）AI逻辑刚性导致的误判风险；（2）技术成本与收益不匹配的风险；（3）大模型“共识偏见”风险；（4）AI幻象风险；（5）本文各类指数结果仅作为分析，不涉及投资推荐依据 内容目录 当前基于大模型的技术分析痛点..................................................4提示词工程仍是“大模型技术分析”的“命门”....................................5技术分析引擎：更高，更快，更强................................................8分析案例及AI观点：上证50“三买”出现，半导体设备处于“三买观察区”.........11风险提示.....................................................................14 图表目录 图1：大模型进行技术分析的核心痛点示意....................................................4图2：技术分析提示词工程完整路径..........................................................5图3：交易实例初始化......................................................................5图4：定义笔、线段、中枢部分..............................................................6图5：完整提示词封装示例..................................................................6图6：多级别自动识别及标注................................................................8图7：单品种多级别实时看盘标注............................................................9图8：多品种多级别实时看盘标注............................................................9图9：多品种多级别AI分析功能展示........................................................10图10：上证50 30分钟线分析..............................................................11图11：上证50日线分析...................................................................11图12：卫星ETF30分钟线分析.............................................................12图13：卫星ETF日线分析..................................................................12图14：半导体设备ETF30分钟线分析.......................................................13图15：半导体设备ETF日线分析............................................................13 当前基于大模型的技术分析痛点 基于大模型或多模态模型直接进行技术分析(如识图、K线识别等)目前处于“看上去很美，落起地很难”的阶段，我们认为痛点主要集中在“精度”、“逻辑严密性”、“上下文处理”三个维度。 视觉精度的“模糊性”： 大模型看K线图类似于人类“扫一眼”，它能捕捉大致趋势（上涨、下跌、震荡），但无法精确读取High/Low的具体数值。例如，缠论中分型的判定需要严格比较三根K线的高低点，差0.01都不行。有效笔的判定则需要大模型读取相邻两个分型并确定两个分型中间仍有独立k线，大模型很难通过图像识别出这种微小的价格差异或是图形差异。 逻辑严密性： 技术分析（特别是裸k形态学）本质上是几何学，对于人类能够一眼识别出的“头肩顶底”，或是复合型的中枢结构，往往是在我们有很强的空间几何直觉的基础上，目前的LLM在处理复杂的空间拓扑结构（如缠论中的笔、线段的递归定义）时，很容易逻辑崩塌。此外，技术分析往往需要“跨级别”，周线的一笔可能对应日线的一个线段，在不对Prompt进行调整的情况下，大模型很难在长序列中保持跨周期的逻辑一致性。 上下文处理： 如果放弃“读图”，而是使用纯数值方式（OHLCV序列）输入，往往会面临上下文窗口限制和数字敏感性缺失的问题。上下文窗口限制：一根K线包含Open,High,Low,Close,Volume,Date等信息。如果要分析一年的日线（约250个交易日），甚至分钟线，Token消耗巨大。数字敏感性缺失：LLM本质是基于概率的“文字接力”，它们对数字的算术关系（比如计算MA5>MA10）不如简单的Python脚本准确。让大模型去“计算”包含关系的准确率，远低于传统工程思路中的“rule-based”方式。 资料来源：万得，Gemini,国信证券经济研究所绘制 提示词工程仍是“大模型技术分析”的“命门” 为了解决“Prompt+喂数据”或“Prompt+喂图”的痛点，需要用更加理性、更基于规则的方式进行提示词工程。首先初始化交易实例，并创建多个中文映射字典（包括方向、中枢类型、买卖点、是否背离)等。接下来定义主分析入口，基于严格的计算方式定义最近9条笔数据、3条线段数据并获取中枢信息。对笔、线段、中枢信息进行格式化后以Markdown形式存储。并基于两个辅助函数记录买卖点和背离信息。 资料来源：Minimax，国信证券经济研究所绘制 具体来看，这套提示词工程主要包括四个阶段： 1）基础信息构建。首先获取股票信息并计算数值精度，然后构建Prompt的Header部分，包含股票代码/名称、数据周期、当前时间和最新价格等关键信息。这些信息帮助大模型了解当前分析对象的基本上下文，为后续的深入分析奠定基础。 2）笔数据格式化。bis_count变量记录最新的9条笔记录（如果不足9条则取全部），并将每笔的起始时间、结束时间、方向、起始值、完成状态、买卖点和背驰信息格式化为Markdown表格。 3）线段数据格式化。xds_count记录线段，选取最新的3条线段记录进行格式化处理。线段是缠论中比笔更高一级的结构，它由至少三笔构成，代表了市场中级别更大的趋势方向。通过提供线段数据，大模型能够从更大的视角分析市场走势。4）中枢数据格式化。中枢是缠论分析的核心概念，它代表了价格波动的密集区域，是判断趋势和背驰的关键依据。该方法遍历所有类型的中枢（标准中枢、段内中枢、方向中枢、分类中枢），并对每个中枢输出其时间范围、方向、最高价、最低价、高点、低点和级别。特别值得注意的是，当存在两个连续中枢时，设置规则调用函数zss_is_qs()判断它们的位置关系（上涨趋势、下跌趋势或中枢扩展），这个判断对于预测未来走势具有重要意义。 资料来源：Pycharm，国信证券经济研究所整理 完成上述提示词工程后，系统提供两个大模型服务商，完善鲁棒性。在具体实现层面，首先检查OpenRouter配置，若有效配置则优先使用OpenRouter服务，否则检查SiliconFlow的配置，如果配置有效则使用SiliconFlow服务；如果两者都未配置，则返回配置错误提示。这种设计确保了系统的容错性，即使某个服务商出现故障或配置问题，这套引擎仍能尝试使用备用方案。 OpenRouter服务的实现通过官方的OpenAIPythonSDK完成，它兼容OpenAI的API接口规范，通过设置base_url为OpenRouter的端点来实现请求转发。 SiliconFlow直接使用requests库发送HTTP请求，默认使用模型DeepSeek-R1，请求参数经过调优，temperature设