光大资产配置开学季AI投研20第一节：工具选型与单点突破

一、AI投研工具选型与单点突破的核心要点

1. 选错AI模型比不会用更危险，需先拆任务再选适配模型，而非选最厉害的模型。
2. 投研五大场景（选股择时、政策解读、技术分析、ESG分析）的AI应用各有方法，需结合场景特性选择模型与输入方式，且必须搭配人工校验。
3. AI落地需构建闭环策略，核心是合适模型、可靠数据、执行工具、人工校验四个环节协同，缺一不可。

二、分场景应用要点

1. 选股场景：需给AI明确任务书（身份、颗粒度、时间范围等），用其缩小候选池，核心看缩小效率，后续需人工复核业务纯度与估值合理性，不可直接依赖AI推荐标的。
2. 择时场景：AI核心是判断市场阶段（复苏、过热等）并给出对应指标权重，而非预测涨跌，可通过历史数据测试市场阶段划分与指标归因，形成动态调整策略。
3. 政策解读场景：采用三步走方法，先提取关键维度表述，再对比措辞变化，最后将表述映射为强度等级（1-5档），定性转定量观测。
4. 技术分析场景：结构化文字数据比图片更可靠，同一模型不同输入方式差异甚至大于模型间差异，纯文字输入准确率、耗时、可解释性表现最优。
5. ESG分析场景：不同模型各有专长，如deepseek擅长搭框架、豆包擅长找短板，需组合使用，最终必须人工追溯披露口径。

三、策略落地与测试结果

1. 测试了两组资产配置策略，AI介入后对原有策略有贡献，如等权策略年化收益提升至18%以上，最大回撤控制在8-9个点；风险评价策略回撤降至3个点左右，月度胜率达三分之二。
2. AI增强收益的核心是切中策略核心诉求，如Black-Litterman模型中AI优化资产预期收益判断，风险评价模型中AI优化协方差估计窗口，底层策略质量是关键。

四、风险与关注

1. AI存在信息幻觉、同频异答、输出随机性风险，受模型版本、提示词、数据口径等影响，需重点观测校验。
2. 策略回测基于历史数据与特定假设，存在数据修订、交易成本低估等问题，现实交易场景更复杂，本次演示案例不作为投资推荐依据。

五、后续导航建议

1. 明确任务类型、时间范围、数据口径、输出责任，再确定输入格式、工具调用与检验方法，形成完整工作流，而非依赖单次问答。
2. AI是投研效率杠杆，支点是底层策略认知与人类判断力，研究员需保留人工校验的护城河，高自然输出需提高人工参与度与原文追溯性。