“薪火”量化分析系列研究（四）：如何利用DeepSeek辅助投研工作

研究背景

随着人工智能技术的发展，大语言模型在投研领域的应用潜力逐渐显现。本报告以“哪些指数适合做择时”为例，探索大模型在投研流程中的辅助作用。

DeepSeek在文献整理及代码编写中的应用

针对“适合做择时策略的指数都有哪些特点”这一问题，DeepSeek通过联网搜索寻找海量文献，并整理输出几大要点：

• 指数是否具有较高的波动率
• 指数成分股的相似程度是否较高
• 指数是否具有均值回复特性
• 从结果出发，设计一个简单的择时策略，观测指数是否具有较好的择时效果

在DeepSeek的帮助下，我们设计了一阶滞后自相关性检验、ADF检验、简单择时策略效果检验，并引导DeepSeek生成对应的Python代码，对几个宽基指数进行了实证研究。

检验结果：

• 一阶滞后自相关性检验：国证2000指数在不同收益率区间窗口下都具备一定的负向自相关性。
• ADF检验：深证成指、创业板指、国证2000、中证500指数的平稳性较强。
• MACD金叉死叉择时策略：上证指数、国证2000指数的策略表现得分相对较高。

结论： 综合考虑各个维度的检验结果，在本文研究的8个指数中，国证2000指数更为适合做择时。

DeepSeek深度思考助力完善投研策略

以国证2000指数为例，DeepSeek深度思考助力完善择时策略：

• 基础版MACD金叉死叉策略：年化收益为4.70%，年化波动为15.71%，最大回撤为28.13%。
• 增强版择时策略：叠加多维度信号验证、动态仓位管理等改进方案，年化收益提升至5.33%，年化波动降低至12.57%，最大回撤大幅下降至15.95%。

DeepSeek辅助文字撰写工作

将本次研究的文字和图表输入DeepSeek，根据指令可以生成相应的研究概述，详细描述了研究方法、实证研究结果、策略优化方案，并展示了各类策略的绩效指标，甚至提供了对未来研究方向的思路。

DeepSeek在投研流程中的优势与挑战

优势：

• 资料搜集和信息处理效率的提升
• 文案撰写、代码编写辅助加速投研流程
• 深度思考助力策略优化

挑战：

• 模型“幻觉”问题
• 需要人为干预
• 本地部署需要较大规模的算力与基础设施成本