主观投资框架验证与个股决策Agent

寻找复杂轮动市场下的核心定价逻辑 在当前的A股市场环境下，行业轮动速度显著加快，把握一个行业特质性的投资选股逻辑已经成为获取结构性超额收益的关键。然而，传统的投研模式正面临着“覆盖广度”与“响应速度”的双重挑战：一方面，个人分析师的精力有限，难以实时、深度覆盖数百只个股及快速涌现的新兴赛道；另一方面，传统的量化多因子模型难以真正理解非结构化研报文本背后复杂的“因果推演逻辑”。为此，本报告通过引入大模型思维链（CoT）技术，试图实现自动化提取并时序跟踪行业分析师的投研逻辑，动态捕捉行业定价最核心的逻辑，为投资决策提供差异化的逻辑补充，以此深度赋能主动权益投资。 工作流设计：投资思维链的动态提取与验证 本报告构建了一套端到端的投资思维链动态生成与优选机制。通过大模型从海量研报中分组自动化提取、合并、更新“核心驱动要素传导路径投资结论”的完整逻辑链条，随后创新性地引入滚动单链回测机制，对提取的逻辑进行历史数据的定量测试，动态验证每一条逻辑在当前市场环境下的有效性，剔除失效逻辑，保留在当前市场环境下具备显著定价能力的“优质思维链组”。 优质CoT联合选股策略 考虑到研报信息通常较为滞后的特点，仅依据时点研报信息作为个股分析依据时效性较弱。因此在选股策略上，我们进一步加入了实时新闻信息，每条思维链会对每个截面上每只个股的汇总信息进行符合程度的判断，进而形成持仓决定、生成测试结果。基于思维链滚动测试结果，我们主要参考信息比率表现筛选优质思维链，由每个测试单位筛选出的TOP1/3优质思维链在下个测试单位各自选出满足符合条件的个股，构建了优质CoT联合投票策略与加权选股策略。回测数据显示（2021-2026），多思维链联合投票策略相较于分析师等权基准实现了17.16%的年化超额收益，信息比率达0.48，显著优于无CoT框架的基准模型及行业基准指数。加权策略通过引入信息比率赋权，进一步提升了策略在市场下行区间的风险控制能力,信息比达0.51。 投研框架与个股智能助理 在上述测试机制的基础上，我们将碎片化的分析逻辑脱水重构，生成了一套逻辑连贯、具有阅读侧重点的行业投研框架总结。此外，我们进一步开发了个股投研顾问Agent，它能够根据最新信息，输出“看涨/中性/看跌”的诊断判断及核心分析理由，直接辅助主动投资者的日常个股决策。 风险提示 1、以上结果通过申万一级行业分类医药生物历史数据统计、建模和测算完成，若历史数据产生环境发生变化，可能出现模型失效风险; 2、策略依据一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出现亏损； 3、大模型输出的结果具有一定的随机性和幻觉风险，仅供参考。 内容目录 一、大模型Agent重塑主动投研体系...............................................................41.1赋能主动权益：动态捕捉行业核心逻辑.....................................................41.2增强量化策略效能：向细分特殊化Beta方向演进............................................41.3推理类模型已成主流，COT成为提升输出质量的核心.........................................5二、主观投资框架提取工作流.....................................................................52.1工作流设计及主观投资思维链提取.........................................................62.2主观投资思维链验证.....................................................................92.3优质主观投资CoT联合选股策略..........................................................102.3.1多投资专家联合投票策略..............................................................112.3.2主观投资CoT加权选股策略............................................................13三、行业投资框架构建与个股投资顾问Agent......................................................143.1行业投资框架梳理与精选................................................................143.2个股投资顾问Agent....................................................................15四、总结与展望................................................................................16风险提示......................................................................................17 图表目录 图表1：申万一级行业间年度收益极差（%）.......................................................5图表2：推理类模型的使用量在一年内占比上升60%.................................................5图表3：整体工作流设计示意....................................................................6图表4：思维链处理器及滚动单链回测时间示意....................................................7图表5：2025H2生物医药行业所提取全部思维链展示................................................8图表6：2025H2 CoT组验证结果示例..............................................................9图表7：同一/相近思维链不同时间截面的驱动因素展示............................................10图表8：新产品相关的单一思维链的超额表现变化.................................................10图表9：优质CoT联合选股策略流程设计.........................................................10图表10：基于思维链的个股符合程度判断平均分布................................................11图表11：月度待选截面股票占行业总股票数比例..................................................11图表12：联合投票策略月度持仓数量............................................................12图表13：联合投票策略及基准净值..............................................................12图表14：联合投票策略分年度超额..............................................................12图表15：联合投票策略多基准超额指标..........................................................13图表16：加权选股策略及基准净值..............................................................13 图表17：加权选股策略多基准超额指标..........................................................13图表18：2025H2更新框架示例..................................................................14图表19：核心投研框架总结....................................................................15图表20：2024年与2025年两个时点对股票X的诊断结果...........................................16 一、大模型Agent重塑主动投研体系 1.1赋能主动权益：动态捕捉行业核心逻辑 近期OpenClaw的走红引发了主动投研领域的思考：如何驱动AI跨越简单的信息归纳，实现模拟人类专家的深度推理？其核心目标在于引导模型穿透表象数据，触达行业的底层逻辑与驱动因素，从而生成具备实战决策深度的投资洞见。 在此前的《大模型赋能投研之十三：基于海外投资大师智能体构建A股挖票框架》中，我们模拟已知的数位海外投资大师的投资逻辑，通过定量指标计算与大模型定性分析判断，生成股票投资诊断结果与交易信号，构造了全A市场下的选股Agent。而在当前的A股市场环境下，行业轮动速度显著加快，新兴概念与细分赛道层出不穷。尽管通用的研究范式仍具基础价值，但把握一个行业特质性的投资选股逻辑已经成为获取结构性超额收益的关键。 同时，在实际应用的过程中，传统的投研模式正面临着“覆盖广度”与“响应速度”的双重挑战。一方面，个人分析师的精力有限，难以对热点行业的数百只个股及快速涌现的新兴赛道（如卫星、脑机接口、AI应用等）进行实时、深度的逻辑覆盖；另一方面，传统的量化多因子模型虽然擅长处理结构化数据（如价量、财务指标），但在处理研报、纪要等非结构化文本时，往往局限于情感打分或关键词提取，难以真正理解文本背后复杂的“因果推演逻辑”。 这种“信息-逻辑”的缺口导致了一个核心矛盾：市场定价的核心矛盾往往隐藏在复杂的产 业 链 传 导 逻 辑 中 ， 而 传 统 的 量 化 手 段 难 以 捕 捉 这 种主 观逻 辑 链 条 。 尤 其 是 在DeepSeek-R1等推理类大模型出现之前，AI模型更倾向于“概率性生成”而非“逻辑性推理”，导致输出的投资建议往往缺乏严密的推导过程和纠错能力，难以直接应用于严肃的投资决策。 本篇，我们设计的投研框架提取流程有三个主要特点：1、对非结构化的文本数据做了仔细的时序处理，每个时点生成的投研框架仅包含过去数据，屏蔽未来信息；2、将大模型的提取及加工过程可视化，并且可以人为参与框架的定制，以达到加强框架有效性的目的。3、通过接入公开市场数据对框架有效性进行验证，动态捕捉行业核心逻辑。因此，我们在实现Agent自动化提取并时序跟踪行业分析师的投研逻辑的同时，通过设计投资逻辑单链回测机制，动态捕捉行业定价最核心的逻辑，试图启发投资人捕捉市场未被覆盖的alpha机会，也为投资决策提供差异化的逻辑补充，以此赋能主动权益。 1.2增强量化策略效能：向细分特殊化Beta方向演进 投研思维链的自动化提取与转化是大模型对量化策略的深度赋能。它不仅极大地丰富了量化库的维度——