东吴证券AI赋能投研暨AI SKILL发布与演示会

各位同事，大家晚上好，我是东吴精工的手机分析师于明明。今天会议的主题是我们的AS scale发布和现场演示。过去一年多大源模型在金融领域的探索非常之多。各位在不同的场合也可能看到过各种各样的尝试。我们团队也一直在思考，AI I怎样跟我们具体的投研相结合，才能不只是停留在辅助层面以及对话层面，而是真正嵌入到了我们日常的研究流程中。所以我们在整个团队做了一些尝试，尝试把AI I能力跟我们团队长期累积的这样一些量化模型因子库，主动研究素材。包括今天标签体系结合起来，做成一套能在投研工作中实际运行起来的一些scale工具。所以我们今天就借助周日这样晚上的一个宝贵的时间，把这些工作集中起来给大家做一个汇报和展示。我们今天的展示就主要覆盖三个模块，分别由我们三位同事进行展示。第一个模块是在量化研究，这个模块中包括像因子的生成，以及我们之前用神经网络去进行市场的这样一些预判，因子的这样的一些生成等等这样的一些能力。第二部分是聚焦于主动投研领域，包括一些金融的一些深度的研究，包括一些多角色的一些投研讨论，这种形成的这样的一些观点的一些sk那。第三个方面是今天的智能研究，我们成立了一个叫方贷。这个skill主要覆盖像基金的一些画像，相似之金的一些匹配。包括我们团队长期积累的像基金的一些标签体系，甚至还可以做一些策略的回测等等研究场景。一句话概括起来，我们今天从模型因子到基金经理的画像，再到投学会的讨论，再到基金的一些检索和回测。我们把a sk呢怎么嵌入到这个工金融的投研工作流中？给大家完整的展示一遍。下面就是请我们第一位同事周金明给大家演示AI量化研究板块，我们的一些skill。各位投资者，大家晚上好，是东吴经购的电话分析周明。我们今天给各位投资者分享的是我们在量话领域做的三个skill。 主要分为两个细分的领域，一个的话就是咱们的量化选股。 我们传统的在在没有大源模型之前，我们更多的是人工的方式去开发因子。 现在我们的大元模型之后，我们更多的是再用大圆模型的方式，结合人工判断，然后去帮助我们做个一开发。 在没有agent之前，我们更多的是调用这种大元模型的API接口，然后在Python代码的层面然后去辅助这样的一个编写。 不过先留一之后，我们也是把我们这套方法给它打包沉淀的一个skill。 可以很方便的，不完全不用在Python的界面中，完全可以在咱们比较这种大模自带语言熟悉的这种界面中，就可以比较顺流畅的完成一个因子的一个迭代和开发。 包括除了量化层面的因之外，其实是如果我们有一些主动的一些idea，其实也是通可以通过资源的方式去让我们的AI，让我们大约模型去帮我们做一个实现的。 我们这个报告，我们这个skill，其实是来源于我们深度学习系列的报告，自学系列的报告。 我们是当时是在前期纯粹用大元模型去生成的基础上，我们去尝试让大圆模型去用AIcoding，就是直接写代码的形式去给他去生成因子。 那么除了生成因子之外，我们也会尝试让他不断去总结沉淀一些可复用的一些工具函数。我们目前这个skill的一思路就是我们不在卖方研究的过程中，我们不仅去分享这个路演这个报告，包括我们去或者说分享我们这种源码，我们更加便捷的一个方式。 可能说我们把它作为一个skill，给客户做一个共享，做在一个更加低代码的一个平台上，我们可以做到互联互通这样一个程度。 这个skill我们可以以这个code的界面给大家来做一个展示。 那看到我们现在打开的就是我们的codex界面。 那因为这个skill比较大，那因为它初始化起来可能需要3到10分钟左右，所以我们这里就对于这个sk我们就不会重新重零做个演示了。 我们可以直接浏览一下我们在这个skill使用过程中，它的一个使用的一个步骤。 如果其实skill的话，它本质上就是一个文件夹，文件夹里面是一堆文件和一些点PY然那我们把这个文件夹给到之后，我们完全可以让我们的agent，不论是dex还是cloud，或者说work party，可以让他去做安装。 安装之后我们就可以在背景的里面可以对它作为借要用。 大家看到如果以codex为例，我们就可以新开一个对话框，那我们输入这个美元符号，就 可以看到，加载一下，那就我们就可以看到东吴精工选股以及在skill这样一个skill。如果当当加载出来之后，我们可以看到，我们可以直接左键把这个sk输入进去。就是我们可以选用这个，然后把它左键回输入进去之后，我们的skill就可以开始进行一个初始化。那么在它的第一步过程中，它会询问我们是否有工作目录。它的工作目录就是我们之后因此迭代这个skill，它会往里面去写一些它开发好的一些因子。包括我们也会把一些我们拥有的数据放到这个文件夹里面。一般情况下的话，我们可以给他我们电脑里面的一个初始空的一个文件夹目录，现在我们这里就这里给他的是一个Python d盘部分东无fac这么一个空的文件夹目录。那么当他给他这个目录之后，他会找询问我们有没有相关的数据。因为我们本质是开发量化因子，量化因子开发它是任何都是依赖于数据的那所以说我们可以这里可以把我们需要的数据就放到他指定的这个data及文件夹下面。如果说我们想开发的是低频量价，我们就可以把日航金给到他。那如果我们想开发的是一致预期因子，那就可以把一致预期因子给到他。如果我想我们想开发的是高评价价，我们就可以把一分钟或者逐笔的数据给到他。因为如果不论我们想开发什么样的因子，我们就只需要把对应的数据放到这个文件夹下面就好了。那我们放完之后，我们可以用文字告诉方式告诉已经放到对他这个文件下面。那么agent的话就会用它本身的一个能力去浏览，我们放到这个文件下面的一个数据到底什么样一个格式，它有什么样一个字段，每个字段什么样的含义。他会常期做一个理解。如果他不理解的话，他跟我们做一个二次确认。如果他理解了，我们就可以进行下一步。在下一步的过程中，他会我们会会跟我们确认，我们去做因子评测的一个开始时间和结束时间，然后包括我们更倾向于用pe尔3S还是I去做一个计算。其次的话就是在我们他会询我们在算IC的时候，我们那个收益率口径是多少。比如说我个人喜欢研究未来5日IC的时候，我们喜欢用T加一到T加6的v up，作为我们的评测的一个口径。当然我们也可以用T加1到T加6的open，或者说T加0到T加5的close都是可以的。 我们可以通过自然语言的方式告诉AI I我们在测算IC的时候，我们的一个评价口径是多少，然后我们在刚出来之后，AI就可以跟我们做一个二次确认。 他说是不是以7日因子信号为T加一买入，T加一卖出呢？然后我们说是的，对，那么最后一步的话，我们他会再次最后跟我们确认有没有一些参考因则点PY作为一个热启动。 因为根据我们之前的研究经验来看，我们发现AI I一些参考样例，让他在参考样例的基础上去做一个因子的生成，那是比没有参考样例的时候写的因子的一个效率要更快一些，然后效果更好一些的。 所以说我们这里的话一个可能比较优的方式是我们把我们已经有的一些优秀的因子的代码直接放到我们指定的reference文件下面。 当然我们也可以不放表现的方式，是直接回答没有就可以跳过这一步。 之后的话，AI就会检查我们所有的数据，然后包括我们确定我们这个收益率口径，对代码做对它底层代码做个修改。 但是我们人是不需要参与代码修改步骤的。 这一次做完之后，我们就可以让AI I去开始生成我们的第一个因子了。 你可以看到我们输开始两个字之后，AI I就开发出来这个FF001么个因子。 然后并且在的对话界面中，它会列出它分年度的PICICIR以及它也会然那他也会可以看到在下面列出，我们直接点击这个键就可以看到AI所开发的这个因子的一个源码，很便捷的看到他开发的一个因子源码。 然后同时我们也会把这个IC的一个走势图S走势图也可以放到这里。 我们这个skill除了去写因子的码之外，就像我们之前说的那样，他在写因子过程中，他也会把他觉得一些比较有用的一些可复用的一些因子特征工程函数，给它沉淀到我们指定的一个叫做kit这个点文件下。 如果之后他开发的过程中，他觉得有些逻辑可以做一个复用，他就会import这个Turkey，然后把一些可复用的逻辑给他import进来，我们可以开放一个子之后，我们可以让它继续做一个开发。 继做一个开发可以看到它就在之前的第一个in子基础上，它得到了一个更好的因子。 它的IR包括26年的IR3都是有一个进一步提升的那同样我们也是可以通过单击它这个源码的方式，看到它整体的一个因子的一个计算逻辑。 那这是其中一个用法。 那其那就是它这个用法就是说我们可以不指定任何方向，完全让AI自由主动的去发挥。 他想找什么样的一些量量选股因子。 那那第二个也才第二个方式就是说可能我们有一些逻辑，或者我你作为一个比如说偏主观的基金经理或者投资者，有没有可能说我想找些特定类型的股票，但是我可能本身没有写Pyon代码的能力，但是我其实是有这样的一些日评数据的，那其实也可以让我们这个sk帮助我们做为开发。 比如说我们可以告诉用大元模资源的方式告诉AI说我想写一个因子，它能够去捕捉一些处于缩量涨或者说放量下跌状态的股票，或者说它在这是它的多头端。 那么它的空它在空头端，我希望去规避一些放量涨，就说缩量跌的一些股票。 相当于说我们把这样特定的一些逻辑给到这个大元模型。 大源模型去根据我们逻辑的一个要求，帮我们去实现Python代码，这也是可以的那可以看到大圆模型就根据我们的那个逻辑实现了这样的一个Python代码。 同样我们也是可以通过这个节电单机的方式看看它的一个数据，它的一个处理的逻辑。 虽然说IC相对来说不是特别高，就是2.8%左右。 但是IR还是挺不错的，能够达到0.6的ICR。 这就是我们所展的第一个skill。 这个skill的一个这个skill的一个这个skill的一个主要的用途就是我们可以去做一个因子因子量化因子的一个迭代开发，它不仅可以去做主观无方向的一个开发，也可以在一些我们给他一些指定的方向，他去做一个定向的一个开发。 都是ok的。 这样的话我们完全可以通过自然原的方式去给大家做一个交互，这是因子的维度。 我们另外两个维度就是择时的维度。 第一个我们分享的第一个择skill的话，我们把它命名为K线时空镜像skill。 它的个应用场景。 这样的比如说我们对于某个股票，比如上证综指，或者说创业板指。 比如说我们发现最近60个K线是呈现一个逐渐震荡走低，然后持续摸底这么状态。 有时候我们可能会思考说，有没有可能历史上有一段区间的K线是和当前这段K线是比较像的呢？我就希我们就希望参考说，这历史上这段比较像的K线，它之他在这他在之后是什么样的一个走势，到底是继续下跌，还是上涨？还是说持续震荡呢？那我们这个skill就是为了解答这个问题，可以看到我们这个有用用法也很简单。 我们直接在我们的text x界面里面去import我们或者导入我们这样一个sk然后之后的话在后面跟上我们的代码，我们这里给需要输入的是万德代码，那我们输入00001点sh H那其实就对应上终止的万代码了。 我们输完之后，我们直接回车就可以看到，我们这个skill就可以开始运行起来了。 那我们这个skill，它底层接入的是万app I的数据。 因为我们毕竟涉及到K线，我们这个K线数据是需要从某个方式去获取的那我们这个设计的时候是设计的是接入的是one app I如果有的投资者没有one api的话，我们比如说也可以尝试把它改成其他数据。 比如说我们可以改成这个的数据也是可以的。 因为skill是开源的，那sk开源的情况下，我们就完全可以让您自己的agent对我们的skill去做一个比较个性化的一个定制，这也是完全ok的。 对，稍等可以看到在进运行的40秒之后，我们这个图就已经做一个导出了。 我们主要的成果就是这样的一个图，我们可以把它放大一点。 大家可以看到正式截止到20202 2026年7月31号的这个一K线图。 那么我们可以看到