大模型投研应用及市场影响
大模型在主动投研中的应用可以从信息获取处理、深度分析挖掘、策略生成验证三个方面提升效率并开发新功能。具体而言，大模型可以辅助分析师进行信息筛选、情绪分析、信号挖掘、主题投资和小量化策略应用等。
为了更好地利用大模型，需要具备精准提问的能力，即 Prom Engineer 能力。这包括为模型定义角色、任务、目标和操作要求等。
大模型在主动投研中的具体应用包括：
- 提升信息获取和处理效率：例如，利用大模型分析上市公司业绩电话会纪要，提取关键信息，识别管理层措辞变化和回避问题等。
- 深度分析和挖掘：例如，利用大模型进行新闻情绪分析，辅助组合的多维风险识别，以及挖掘基本面因子等。
- 策略生成验证：例如，利用大模型将日常语言描述的投资策略转化为代码，进行策略回测和优化。
大模型的发展对市场会产生多方面的影响，包括：
- 机构和个人投资者之间的信息差距缩小：大模型为个人投资者提供接近专业级别的分析能力，例如，利用大模型总结中央经济工作会议的主要内容，其内容与专业机构观点相似度较高。
- 信息传播效率提升：大模型的出现会使得各类投资观点的产生的速度提升，以及观点的一致性提升，从而加快信息传播速度和市场反应速度。
- 市场风格切换速度加快：市场反应速度的提升会导致风格切换速度加快，从而放大极端尾部波动的概率。
大模型赋能个股投研智能复盘与因子挖掘
大模型在个股投研中的应用主要包括个股智能复盘和因子挖掘两个方面。
个股智能复盘：
- 应用场景：利用大模型对上市公司公告、研究报告和调研记录进行分析，提取关键信息，判断信息超预期程度，并评估其对股价的短期和长期影响。
- 优势：大模型能够有效地提炼关键信息，并具有一定的真实性，其超预期判断和股价影响评估具有一定的参考价值。
- 局限性：大模型的深度有限，其判断主要基于文本情绪和文本表达的意思，缺乏对更深层次信息的考虑。
因子挖掘：
- 应用场景：利用大模型根据财报科目、算子明细和已有因子列表，构建基本面因子，帮助投资者将定性的选股思路转化为定量的选股指标。
- 方法：主要包括鼓励创新式和目标导向式两种 Prom 设计思路。
- 优势：大模型能够挖掘出具有经济学逻辑、逻辑支撑和新意的因子，且与人工挖掘的因子相关性较低，回测效果也较为不错。
大模型量化策略实践之行业轮动
应用模型： DeepSecRE
应用场景： 行业轮动模型
数据来源： 数库新闻数据
数据处理： 对新闻来源进行分级，筛选掉行业相关性较低的新闻，并仅提取每个月月末最后一周的新闻标题，以避免上下文限制和数据泄露问题。
模型构建： 将行业轮动任务分解为六个步骤，引导大模型从新闻标题中提取行业和新闻情绪，并输出行业得分和理由。
回测结果： 模型在样本内预测结果良好，超额收益率为22%，换手率较低，对科技创新行业较为看好。
模型局限性： 数据泄露、幻觉、上下文限制和随机性。
总结： 大模型在投研领域具有广泛的应用前景，能够提升效率、开发新功能，并对市场产生多方面影响。投资者需要关注大模型的局限性，并采取相应的措施进行缓解。
