AI赋能资产配置（四）：DeepSeek在大盘择时与行业轮动中的应用

总量策略·资产配置 证券分析师：董德志021-60933158dongdz@guosen.com.cnS0980513100001 证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001 证券分析师：陈凯畅021-60375429chengkaichang@guosen.com.cnS0980523090002 核心观点 DeepSeek从宏观、中观、微观层面全链路赋能策略研究。宏观层面，DeepSeek能够在宏观经济周期预测、市场投资风格预测中起到一定的赋能作用，在识别领先指标、信号捕捉、拐点识别、情绪识别、量价验证等维度进行预测和监测；中观层面，DeepSeek应用的核心场景包括竞争格局实时监控、行业轮动策略优化；微观层面则主要聚焦于上市公司财务异常检测、另类数据资产定价、交易面动态解析等。本文从大盘择时和行业轮动两个维度对DeepSeek赋能传统策略研究进行分析与实践。 大盘择时层面，DeepSeek动态赋权多因子择时能够起到较好的效果。我们采用宏观、资金、情绪、技术、海外五个维度10余个指标构建权益市场打分模型，基准模型通过对五维因子简单加总得出择时观点，通过引入DeepSeek实现动态因子赋权和自适应窗口调整，实现对原有择时策略的优化。从结果上看，DeepSeek优化后的动态赋权模型显著优于基准，在测试集上实现了1.04的夏普比率，同时融入DeepSeek的各类策略在最大回撤控制上相较基准策略有所提升。 行业轮动层面，DeepSeek对基于景气度、拥挤度、趋势的“三标尺模型”起到了一定的增强作用。DeepSeek在行业轮动策略上能够通过攻破刚性阈值陷阱、破解因子割裂来解决“三标尺模型”的局限，从结果上看，2020-2024年，DeepSeek赋能后行业轮动策略在最大回撤控制上相较等权指数优化幅度达到41%。2025年一季度，DeepSeek赋能后的轮动模型，在温和上涨的市场环境中进一步放大了赚钱效应，风险收益比同样优于行业等权策略。 AI赋能策略研究的最优路径：AI+RAG+Agent技术体系。1）动态知识更新：RAG持续注入实时数据（如2025年行业等权指数），避免传统LLM策略的“时间衰减”问题；2）风险控制强化：Agent通过预设规则（如最大回撤阈值）自动终止高风险操作，结合RAG的拥挤度指标实现多维风控；3）执行效率提升：Agent自动化完成策略验证全流程，较人工操作效率大幅提升。 风险提示：模型过拟合风险，DeepSeek的训练依赖于投喂的框架语料与底稿数据，多维框架下存在过拟合风险；数据口径调整风险，宏观指标统计口径的调整可能带来AI配置结论的改变；AI推理的不稳健性，AI模型的输出结论具备一定随机性，多次生成可能产生不同的结果 目录 大盘择时：DeepSeek动态赋权多因子择时02结论05AI赋能策略研究未来路径：AI+RAG+Agent04行业轮动：DeepSeek强化三标尺行业轮动03 DeepSeek全面赋能策略研究 图：从宏观到微观，DeepSeek赋能投研全链路 宏观维度：全球经济与市场环境分析 中观维度：赛道选择与行业竞争格局研究 微观维度：资产定价与公司价值挖掘 场景1：宏观经济周期预测 场景1：竞争格局实时监控 场景1：上市公司财务异常检测 •1.产业趋势前瞻：技术图谱构建：抓取学术论文、专利、创投领域的技术关键词构建技术图谱，推导细分环节的产能/库存/价格传导网络。判断技术突破对传统产业价值链的重构机会。 •2.企业关系网络：解析供应链/客户/专利引用数据构建竞争矩阵。•3.突发扰动分析：通过工商变更、环保处罚等事件捕捉行业洗牌信号。•4.定价权变迁：量化市场份额变动与毛利率波动的非线性关系。 •通过整合各国GDP、CPI、失业率、利率政策等数据，预测经济周期转向点。 •1.非标数据对齐：同步财报附注、电话会议纪要与管理层持股变动。•2.交叉验证模型：训练AI识别应计利润异常与现金流背离信号（琼斯模型扩展）。•3.关联漏洞扫描：匹配客户集中度突变与预付账款周转率异常。 •1.数据挖掘：抓取全球央行、IMF、世界银行等权威机构的发布数据。•2.信号提取：训练AI模型识别领先指标（如PMI、长短期国债利差）。•3.推演验证：链式追溯历史经济拐点与指标关联性，验证模型准确性。•4.政策风险映射：结合各国选举周期、地缘事件预判政策干预方向。 认知套利：在信息过载时代实现「数据→Insight→Action」的端到端压缩 策略DNA库：存储可复用的盈利模式片段（如“通胀恐慌期能化板块攻守转换逻辑链”） 场景2：另类数据资产定价 •1.多模态数据融合：例如合并门店摄像头客流统计与APP下载量分析消费复苏弹性。•2.舆情衰减建模：量化社交媒体情绪指数半衰期对股价波动的滞后影响。 场景2：行业轮动、动量策略优化、择时 场景2：市场投资风格动态监测 •捕捉行业超额收益窗口期，规避动量崩溃风险 •识别价值/成长、大盘/小盘、周期/防御等风格切换信号。•1.因子解析：收集历史风格指数和因子收益率数据。•2.资金信号捕捉：监测ETF资金流向、主动型基金持仓变化。•3.市场情绪映射：直接接入推理模型分析财经媒体关键词主题、情感与热度。•4.量价验证：通过行业Beta系数离散度、板块相关系数矩阵突变捕捉风格转换前兆。 场景3：交易面动态解析 •1.多维动量扫描：计算行业指数的12个月滚动超额收益、RSI强弱指标、北向资金加持强度。•2.景气度交叉验证：整合行业PMI新订单、分析师盈利修正比率、大宗商品基差结构。•3.拥挤度预警：通过公募基金超配比例、期权隐含波动率斜率识别交易过热行业。•4.事件驱动校准：预判财报季、行业政策发布时间节点对动量因子的扰动。•5.多指标择时：利用推理模型对波动率、流动性、行为金融的结构性及非结构性数据挖掘择时信号 •1.流动性黑洞预警：监测限价订单簿厚度变化、大宗交易折价率异常波动。构建做市商库存峰值预测模型（结合ETF申购赎回数据）。•2.市场微观结构洞察：解析冰山订单残留模式识别机构建仓痕迹。通过Tick级数据重建主力资金攻击路径（量价协同性分析）。优化大宗交易算法的时间切片策略（匹配交易所撮合引擎特性）。 深度逻辑推理 •政策锚点分析•跨市场风格溢出•全球行业联动•碳中和路径推演•知识图谱普纠偏 高维及非结构性数据挖掘 由“数浪”引入：大模型处理金融时序数据仍有优化空间 ➢案例：要求DeepSeek根据波浪理论，对上证指数（30分钟行情）进行浪潮研判。 资料来源：万得，ima，DeepSeek，国信证券经济研究所整理 资料来源：万得，ima，DeepSeek，国信证券经济研究所整理 ➢基于对当前技术架构与应用场景的分析，DeepSeek在金融时序数据处理领域存在显著局限性。如基于波浪理论的数浪案例，DeepSeek在趋势转折点识别中存在边界条件敏感性不足的问题，尤其在处理市场周期拐点时易产生伪信号。该现象源于模型对历史数据中高频噪声与低频趋势的耦合机制解析不足，导致对价格波动区间的阈值判定存在系统性偏差。 ➢从技术能力维度看，DeepSeek的核心优势集中于非结构化文本语义解析领域，其基于Transformer的预训练架构在跨模态特征提取方面表现优异。然而在处理细粒度长周期金融时序数据时，模型对数据平稳性检验、异方差性处理等关键环节缺乏稳健性保障，易出现参数漂移和过拟合现象。 ➢针对大模型赋能量化策略研究的实践路径，改进方向应聚焦于构建模块化分析框架，通过引入动态注意力机制实现特征贡献度可视化，同时建立端到端的策略逻辑验证体系。 大盘择时：五维择时框架下DeepSeek对因子的动态赋权 ➢1）原有的A股五维择时模型综合采用了宏观、资金、情绪、技术、海外5个维度10多个指标来对权益市场进行打分，每个指标得分处于[-1,1]之间，通过对五维因子简单加总，得出择时观点，得分在0到-1区间时，发出空仓信号，得分为正数时，发出建仓信号，以此来达到择时效果。2）简单的因子加总方式造成静态性缺陷、窗口选择困境和线性假设局限。 大盘择时：五维择时框架下DeepSeek对因子的动态赋权 动态赋权机制： ➢理论依据： 因子有效性衰减函数 ➢实现方式： 通过IC衰减加权与风险预算约束 资料来源：国信证券经济研究所整理 窗口动态优化 ➢理论基础：最优窗口长度与市场有效信息半衰期正相关。 ➢实现方式： ➢其中ො𝜎𝑡为波动率调整系数 行业轮动：DeepSeek赋能趋势+景气+拥挤度三标尺行业轮动策略 ➢行业景气度、行业趋势和行业拥挤度作为衡量行业轮动的三个标尺，从不同的维度评判行业的投资价值。引入DeepSeek动态平衡三者关系，将三“标尺”有机结合，形成综合的增强策略。 ➢传统的三标尺行业轮动策略基于对三标尺的筛选组合，基于相对固定的自然思维链，如：1）保守型策略（高景气+低拥挤）筛选趋势强且拥挤度低的行业（如交通运输、煤炭）；2）进取型策略（高景气+强趋势）：选择景气度与趋势双高的行业（如新能源、半导体）3）对冲型策略：多空组合：做多高景气/趋势行业，做空低景气/高拥挤行业。 景气度与动量： 资料来源：国信证券经济研究所整理 资料来源：国信证券经济研究所整理 行业轮动：DeepSeek赋能动量+景气+拥挤度三标尺行业轮动策略 因子僵硬组合：忽略交叉效应的蝴蝶效应 刚性阈值陷阱：忽视市场状态的连续演变 •固定分位数阈值（如前30%定义"高景气"）无法适应市场风格切换•未考虑极端值非线性效应（如趋势从95%→96%分位时的风险边际递增） •简单因子叠加未考虑二阶导数关系（如高景气可能容忍更高拥挤度）•未建模因子传导链（政策→景气度→趋势→拥挤度的3-6个月滞后效应） •生成二阶交互特征•注意力门控：𝛼=𝜎(𝑊q[景气度]𝑇𝑊𝑘[动量∣∣拥挤度])•当动量与拥挤度反向运动时，自动降低拥挤度权重 •状态空间模型参数•观测矩阵动态调整 目录 研究框架01大盘择时：DeepSeek动态赋权多因子择时02结论05AI赋能策略研究未来路径：AI+RAG+Agent04行业轮动：DeepSeek强化三标尺行业轮动03 大盘择时：引入AI构造高频宏观因子 ➢通常我们采用CPI和PPI来分别衡量消费端和生产端的通货膨胀程度，由国家统计局每月发布，存在一定程度的时滞，为了更及时地反应通货膨胀指标，我们利用高频价格数据构建领先通胀指数，当通胀处于上行期时，对股市整体利好，发出看多信号。 ➢引入CPI和PPI的领先数据，使用DeepSeek对这些领先因子进行动态构建以合成通胀领先因子。 大盘择时：单因子择时效果不佳 大盘择时：AI动态赋权后 ➢在详细的Prompt指导下，DeepSeek思维链过程呈现：1）市场周期划分，2）因子绩效归因，3）动态权重配置，4）权重变化逻辑阐述，四个步骤依次进行。 大盘择时：AI动态赋权后的择时模型 ➢将数据集按时间序列划分为三个阶段：预训练集（2014-2019年）、训练集（2020-2024年）和测试集（2024年及以后）。其中，预训练集与训练集均包含标准化后的多因子特征及沪深300指数日频价格数据，预训练集另包含因子构建时的中间数据，用于DeepSeek模型的参数训练。 ➢测试集仅保留标准化因子特征，剔除标的指数价格信息。这种时序划分方法通过物理隔离样本区间，一定程度上规避了模型训练过程中潜在的前瞻性偏差，确保数据分布的时序完整性。 大盘择时：弱引导下DeepSeek的策略自建能力有待提升 ➢AI优选因子择时：在测试DeepSeek在高自由度下的策略构建能力时，简单要求DeepSeek根据历史数据选出所提供的因子中最优的因子以用于未来的择时模型，DeepSeek给出答案：信用因子（45%）、PMI因子（35%）、中美利差因子（20%）。