證券研究報(bào)告|

2025年2月19日AI賦能資產(chǎn)配置DeepSeek對(duì)國(guó)信多元資配框架的優(yōu)化摘要?

項(xiàng)目概述：本項(xiàng)目聚焦原有5個(gè)短期資產(chǎn)配置模型“等權(quán)重”配置的局限性，接入DeepSeek實(shí)現(xiàn)“打分指示的股債強(qiáng)弱”指數(shù)的智能迭代優(yōu)化，提升資產(chǎn)配置的前瞻性與決策有效性?

優(yōu)化過(guò)程：一是讓DeepSeek進(jìn)行靜態(tài)學(xué)習(xí)，投喂短期模型邏輯以及底稿等核心信息，訓(xùn)練DeepSeek；二是讓DeepSeek進(jìn)行動(dòng)態(tài)糾偏，挖掘歷史數(shù)據(jù)中“先驗(yàn)權(quán)重”與“真實(shí)走勢(shì)”的差異，迭代優(yōu)化；三是讓DeepSeek進(jìn)行推理應(yīng)用，基于宏觀指標(biāo)預(yù)測(cè)值完成2025年全年的指數(shù)外推?

優(yōu)化結(jié)果：等權(quán)重平均組合五個(gè)短期模型結(jié)果，降維后勝率38.52%

；AI賦能權(quán)重優(yōu)化（DeepSeek-V3），勝率提升至60.61%，實(shí)現(xiàn)顯著優(yōu)化?

風(fēng)險(xiǎn)提示：模型過(guò)擬合風(fēng)險(xiǎn)；數(shù)據(jù)口徑調(diào)整風(fēng)險(xiǎn)；AI推理的不穩(wěn)健性圖1：打分指示的股債強(qiáng)弱（DeepSeek-V3接入前）?圖2：打分指示的股債強(qiáng)弱（DeepSeek-V3接入后）??資料：Wind，DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理資料：Wind，DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理國(guó)信周期框架：統(tǒng)籌短、中、長(zhǎng)，多維視角指引資配?圖3:周期劃分示意圖圖4：短周期示意圖?

短周期?

判定核心：基于美林時(shí)鐘、周期疊加、貨幣信用、信貸庫(kù)存、政策組合等框架，結(jié)合綜合通脹指標(biāo)，研判近月股債強(qiáng)弱?

應(yīng)用價(jià)值：對(duì)短期股票盈利與估值提供指引，捕捉交易機(jī)會(huì)，把握市場(chǎng)短期波動(dòng)節(jié)奏?

中周期?

判定核心：關(guān)注“資產(chǎn)價(jià)格”向“內(nèi)在價(jià)值”回歸的路徑，分析經(jīng)濟(jì)周期、企業(yè)盈利趨勢(shì)等因素??資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所整理資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所整理?圖5：中周期示意圖圖6：長(zhǎng)周期示意圖?

應(yīng)用價(jià)值：指引3-5年維度的資產(chǎn)配置決策，優(yōu)化股債配置結(jié)構(gòu)，平衡成長(zhǎng)性與價(jià)值回歸?

長(zhǎng)周期：科技驅(qū)動(dòng)的結(jié)構(gòu)性變遷?

判定核心：科技革命驅(qū)動(dòng)的40-60年的超長(zhǎng)期經(jīng)濟(jì)周期?

應(yīng)用價(jià)值：提供大類(lèi)資產(chǎn)配置的宏觀視角，捕捉科技創(chuàng)新和產(chǎn)業(yè)變革帶來(lái)的長(zhǎng)期投資機(jī)遇???資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所整理資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所整理短周期：大類(lèi)資產(chǎn)配置框架的加法（統(tǒng)籌）和減法（降維）?????美林時(shí)鐘框架（工業(yè)增加值+PPI）：經(jīng)濟(jì)增長(zhǎng)周期和通貨膨脹周期貨幣信用框架（貨幣政策目標(biāo)+信用脈沖）：關(guān)注的兩大因素為貨幣周期和信用周期財(cái)政貨幣框架（貨幣政策力度指數(shù)+財(cái)政政策力度指數(shù)）：關(guān)注的兩大因素為貨幣政策周期和財(cái)政政策周期信貸庫(kù)存框架（票據(jù)余額增速+貸款余額增速）：類(lèi)比實(shí)體庫(kù)存周期從金融角度來(lái)刻畫(huà)庫(kù)存周期的波動(dòng)產(chǎn)能庫(kù)存嵌套框架（PMI+產(chǎn)成品存貨+產(chǎn)能利用率）：關(guān)注庫(kù)存周期和產(chǎn)能周期兩類(lèi)周期性指標(biāo)圖7:周期降維的思路框架資料：?國(guó)信證券經(jīng)濟(jì)研究所繪制短周期框架匯總圖8:短周期框架最新指引資料：?Wind，國(guó)信證券經(jīng)濟(jì)研究所整理短周期：大類(lèi)資產(chǎn)配置框架的加法（統(tǒng)籌）和減法（降維）?作為經(jīng)濟(jì)周期的兩大指標(biāo)——綜合景氣指標(biāo)和綜合通脹指標(biāo)，兩者對(duì)股票價(jià)格的指引映射到兩個(gè)不同的維度——盈利和估值。當(dāng)基本面（綜合景氣指標(biāo)）上行時(shí)，經(jīng)濟(jì)上行的背后往往是企業(yè)盈利的改善，對(duì)應(yīng)股價(jià)上行；當(dāng)價(jià)格（綜合通脹指標(biāo)）下行時(shí)，往往預(yù)示著貨幣政策的寬松，利率下行，這會(huì)改善股票的估值，對(duì)應(yīng)股價(jià)上行。從價(jià)值投資的角度，我們往往更為關(guān)注盈利，其代表了企業(yè)的業(yè)績(jī)、長(zhǎng)期競(jìng)爭(zhēng)力?研究發(fā)現(xiàn)，綜合景氣指標(biāo)對(duì)行業(yè)盈利增速有領(lǐng)先性，表現(xiàn)為領(lǐng)先正相關(guān)，這與經(jīng)濟(jì)周期的理論相一致；綜合通脹指標(biāo)對(duì)行業(yè)盈利的提示不及綜合領(lǐng)先指標(biāo)，分行業(yè)來(lái)看有如下結(jié)論：?綜合景氣指標(biāo)對(duì)周期、成長(zhǎng)、紅利、大盤(pán)等風(fēng)格板塊和建筑、建材等行業(yè)板塊具有較強(qiáng)的領(lǐng)先正相關(guān)；對(duì)穩(wěn)定、小盤(pán)等風(fēng)格板塊和金融、銀行、電子、通信等行業(yè)板塊的領(lǐng)先正相關(guān)性較弱；對(duì)電力設(shè)備、公共事業(yè)等板塊具有領(lǐng)先負(fù)相關(guān)性?綜合通脹指標(biāo)對(duì)有色、消費(fèi)等行業(yè)板塊具有較強(qiáng)的領(lǐng)先正相關(guān)；對(duì)電力設(shè)備、機(jī)械等行業(yè)板塊的領(lǐng)先正相關(guān)性較弱；對(duì)紅利、低估值等風(fēng)格板塊和通信、電子、銀行、醫(yī)藥等行業(yè)板塊具有領(lǐng)先負(fù)相關(guān)性圖9:經(jīng)濟(jì)周期劃分時(shí)段所處階段震蕩階段起點(diǎn)2023/7/312014/7/312011/7/312021/11/302020/1/312015/1/312020/11/302017/8/312013/7/312009/12/312018/9/302015/12/312012/9/30階段終點(diǎn)2024/5/312015/1/312012/9/302023/7/312020/11/302015/12/312021/11/302018/9/302014/7/312011/7/312020/1/312017/8/312013/7/31表現(xiàn)牛市熊市震蕩牛市熊市震蕩牛市熊市震蕩牛市熊市震蕩股票51%39%10%43%35%22%43%38%20%47%47%7%債券44%39%17%39%41%20%43%43%14%60%33%7%商品49%39%12%39%33%28%38%34%29%30%37%33%復(fù)蘇過(guò)熱滯漲震蕩復(fù)蘇滯漲過(guò)熱資料：Wind,?國(guó)信證券經(jīng)濟(jì)研究所整理各周期下的風(fēng)格/行業(yè)表現(xiàn)?

行業(yè)歷史表現(xiàn)

-

震蕩配金融、復(fù)蘇看周期????震蕩期表現(xiàn)最好的三個(gè)行業(yè)為：非銀行金融(41.6%)、建筑(22.9%)、電力及公用事業(yè)(15.9%)復(fù)蘇期表現(xiàn)最好的三個(gè)行業(yè)為：消費(fèi)者服務(wù)(44.4%)、食品飲料(17.9%)、電力設(shè)備及新能源(15.5%)過(guò)熱期表現(xiàn)最好的三個(gè)行業(yè)為：電子(24.3%)、傳媒(22.0%)、家電(20.7%)滯漲期表現(xiàn)最好的三個(gè)行業(yè)為：電力設(shè)備及新能源(22.3%)、(14.0%)、有色金屬(12.3%)圖10:四階段下的行業(yè)表現(xiàn)（超額收益）電力設(shè)備及新能源消費(fèi)者服務(wù)石油石化煤炭有色金屬

電力及公用事業(yè)鋼鐵基礎(chǔ)化工建筑建材輕工制造機(jī)械汽車(chē)商貿(mào)零售震蕩復(fù)蘇過(guò)熱滯漲-8.5-14.4-6.64.24.8-8.4-15.00.4-7.4-5.915.9-8.90.05.3-18.7-12.43.7-10.011.8-4.99.722.9-6.2-5.4-7.3-18.68.9-14.914.93.7-3.39.6-16.415.51.7-4.96.4-11.614.03.5-5.4-1.1-7.144.4-9.15.5-11.812.30.9-7.76.2-0.614.0-12.9-3.0-5.70.9-2.522.38.1家電-0.46.7紡織服裝-2.8醫(yī)藥-14.47.6食品飲料-15.717.9農(nóng)林牧漁-6.0銀行9.7非銀行金融41.6房地產(chǎn)4.1交通運(yùn)輸15.7電子-18.14.2通信-10.414.612.4-7.1計(jì)算機(jī)0.4傳媒-3.70.8綜合-1.2-1.70.7綜合金融-26.6-26.5-4.6震蕩復(fù)蘇過(guò)熱滯漲10.410.8-10.58.8-16.32.0-0.414.110.18.420.7-1.1-12.2-1.310.63.74.6-0.8-0.10.0-9.924.39.022.0-12.110.8-0.5-3.8-12.4-12.3-5.1-0.2-11.6巨潮大盤(pán)巨潮中盤(pán)-6.3巨潮小盤(pán)中證紅利周期消費(fèi)-10.910.83.2金融穩(wěn)定21.4-7.7-5.4-5.5成長(zhǎng)低估值11.1-14.20.5高估值-14.5-0.3震蕩5.4-9.90.1-9.81.26.6-4.4-2.7-3.1-4.73.519.2-10.83.7-10.37.5復(fù)蘇過(guò)熱滯漲-7.20.5-0.63.1-7.83.59.03.9-4.8-1.52.6-8.66.2-6.7-1.7資料：Wind，?國(guó)信證券經(jīng)濟(jì)研究所整理基于短周期的大類(lèi)資產(chǎn)和風(fēng)格配置規(guī)律圖圖11:四象限下股債配置和風(fēng)格/行業(yè)規(guī)律資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所繪制中周期：聚焦資產(chǎn)比價(jià)?

中周期框架下的資產(chǎn)配置以均值回歸為核心思想。均值回歸認(rèn)為，資產(chǎn)價(jià)格在長(zhǎng)期會(huì)圍繞其內(nèi)在價(jià)值波動(dòng)，即使短期內(nèi)出現(xiàn)偏離，最終也會(huì)回歸到長(zhǎng)期平均水平。這種規(guī)律在金融市場(chǎng)中普遍存在，是資產(chǎn)配置的重要依據(jù)?

中周期框架強(qiáng)調(diào)在中期維度（3-5年）進(jìn)行資產(chǎn)配置。與短期波動(dòng)不同，中期維度的資產(chǎn)價(jià)格比價(jià)關(guān)系更穩(wěn)定，均值回歸規(guī)律也更為明顯。通過(guò)壓縮觀察窗口，投資者可以更好地捕捉資產(chǎn)價(jià)格的階段性偏離，并據(jù)此調(diào)整配置策略圖12:中周期配置思路資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所整理長(zhǎng)周期下的康波視角圖13：康波周期的劃分與宏觀變量圖14：康波周期與技術(shù)創(chuàng)新周期資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所繪制資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所繪制目錄現(xiàn)有資產(chǎn)配置框架及其改進(jìn)空間DeepSeek優(yōu)化資配模型的嵌入邏輯DeepSeek優(yōu)化資配模型的具體過(guò)程未來(lái)改進(jìn)方向01020304風(fēng)險(xiǎn)提示05現(xiàn)有資產(chǎn)配置框架及其改進(jìn)空間?

現(xiàn)有資產(chǎn)配置框架：大浪淘沙選出的體系?????美林時(shí)鐘：基于經(jīng)濟(jì)增長(zhǎng)與通脹周期，劃分復(fù)蘇、過(guò)熱、滯漲、震蕩四階段，指示各階段股債強(qiáng)弱格局貨幣+信用：關(guān)注貨幣與信用周期組合，分析流動(dòng)性與融資節(jié)奏對(duì)股債市場(chǎng)的影響財(cái)政貨幣組合：通過(guò)財(cái)政與貨幣政策的搭配，刻畫(huà)政策驅(qū)動(dòng)下的資產(chǎn)價(jià)格變化信貸庫(kù)存：以信貸增速與票據(jù)貼現(xiàn)為“金融庫(kù)存”，反映信貸周期中的股債配置機(jī)會(huì)庫(kù)存產(chǎn)能周期嵌套：結(jié)合庫(kù)存周期與產(chǎn)能周期，動(dòng)態(tài)捕捉供需變動(dòng)對(duì)股債市場(chǎng)的雙向影響?

改進(jìn)空間：采用固定等權(quán)重配置，未根據(jù)歷史信息調(diào)整五個(gè)模型的權(quán)重。忽視了不同時(shí)期各短周期框架對(duì)市場(chǎng)預(yù)測(cè)貢獻(xiàn)度的差異?圖15：現(xiàn)有資產(chǎn)配置框架概覽與應(yīng)用方式：國(guó)信研究資產(chǎn)配置體系工具箱圖16：打分指示股債強(qiáng)弱指標(biāo)生成邏輯圖（降維過(guò)程等權(quán)重）???資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所繪制資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所繪制資配體系的對(duì)立與統(tǒng)一圖17：資產(chǎn)配置體系的對(duì)立與統(tǒng)一：如何解決核心問(wèn)題堵點(diǎn)大浪淘沙選出的體系工具箱怎么選取應(yīng)用特點(diǎn)存在問(wèn)題典型案例應(yīng)用？分散每個(gè)模型不確定性的風(fēng)險(xiǎn)，單一降維重點(diǎn)邏輯不突出，

類(lèi)似擴(kuò)散指數(shù)的算法，每容易合成謬誤。是

個(gè)指標(biāo)等權(quán)貢獻(xiàn)，避免單擴(kuò)散指數(shù)（等權(quán)重）美林時(shí)鐘無(wú)奈解而非最優(yōu)解一因子影響偏離，不篡歷史數(shù)據(jù)，道術(shù)皆無(wú)庫(kù)存產(chǎn)能周期嵌套2021年疫后經(jīng)濟(jì)爬坡，國(guó)內(nèi)外的貨幣政策的兩端均在穩(wěn)增長(zhǎng)和抗通脹間單邊倒向前者，因此選擇產(chǎn)出缺口模型替代美林時(shí)鐘，有道無(wú)術(shù)選擇最為契合當(dāng)前政策和經(jīng)濟(jì)語(yǔ)境的模型事中或事后驗(yàn)證，結(jié)果導(dǎo)向之嫌資配框架刪繁就簡(jiǎn)（單一模型）貨幣+信用信貸庫(kù)存中間過(guò)程黑箱化，

每期按照模型來(lái)形成幾個(gè)重將宏觀數(shù)據(jù)變成重點(diǎn)成分/因子，過(guò)往強(qiáng)相關(guān)性動(dòng)態(tài)演繹模型處理（主成分、因子）因子≈盲盒產(chǎn)生過(guò)擬合問(wèn)題要因子，賦予權(quán)重得分，擬合優(yōu)度高，宏觀邏輯不清，有術(shù)無(wú)道政策組合歷史數(shù)據(jù)動(dòng)態(tài)學(xué)習(xí)、樣本完善、豐富擴(kuò)容，選擇當(dāng)前最適用模型并匹配權(quán)重，并非“上帝搖骰子”在分析師構(gòu)造的宏觀原理基礎(chǔ)上，動(dòng)用大模型運(yùn)算方法學(xué)習(xí)優(yōu)化，道術(shù)兼?zhèn)淙斯ぶ悄埽―eepSeek接入）資料：國(guó)信證券經(jīng)濟(jì)研究所繪制2020年以來(lái)經(jīng)濟(jì)主要矛盾切換和資產(chǎn)配置體系優(yōu)化以國(guó)信證券在2016年首創(chuàng)的中國(guó)版“美林時(shí)鐘”——“貨幣+信用”風(fēng)火輪為例，2020年以來(lái)傳統(tǒng)的照顧體系在資產(chǎn)配置中逐步更迭：2021年核心矛盾是海外地緣影響下的企業(yè)增收不增利，錨定利潤(rùn)增速指標(biāo)；2022年核心矛盾是融資數(shù)據(jù)剝離掉短期票據(jù)和貸款的沖量，回歸企業(yè)中長(zhǎng)期信貸對(duì)利潤(rùn)的持續(xù)支撐；2023年關(guān)注點(diǎn)在于剝離國(guó)央企貸款因素，找到衡量居民信心的家庭部門(mén)中長(zhǎng)貸款增速，流動(dòng)性焦點(diǎn)從國(guó)內(nèi)變遷到海外；2024年關(guān)注財(cái)政脈沖發(fā)力對(duì)實(shí)體信心的修復(fù)圖18：2020年以來(lái)大類(lèi)資產(chǎn)配置模型的選擇和變遷歷程資料：Wind,?國(guó)信證券經(jīng)濟(jì)研究所整理目錄現(xiàn)有資產(chǎn)配置框架及其改進(jìn)空間DeepSeek優(yōu)化資配模型的嵌入邏輯DeepSeek優(yōu)化資配模型的具體過(guò)程未來(lái)改進(jìn)方向0102030405風(fēng)險(xiǎn)提示DeepSeek優(yōu)化資配模型的嵌入邏輯圖19:DeepSeek的優(yōu)化邏輯問(wèn)題?

原有模型采用固定等權(quán)重配置，未根據(jù)歷史信息調(diào)整五個(gè)模型的權(quán)重，稀釋了過(guò)往數(shù)據(jù)中特定模型主導(dǎo)市場(chǎng)預(yù)測(cè)的特征，簡(jiǎn)單加總信號(hào)對(duì)沖了模型的解釋力?

應(yīng)用DeepSeek的優(yōu)勢(shì)DS的優(yōu)勢(shì)???深度推理判斷：DeepSeek-R1大模型具備強(qiáng)大的推理和復(fù)雜決策能力，提升配置策略的智能化水平高維數(shù)據(jù)挖掘：可在龐雜的高維數(shù)據(jù)中提煉關(guān)聯(lián)性，而非依賴(lài)傳統(tǒng)數(shù)學(xué)模型，打破線性約束，避免黑箱動(dòng)態(tài)自我修正：持續(xù)基于歷史與現(xiàn)實(shí)的差距進(jìn)行修正迭代，優(yōu)化權(quán)重配置，提升未來(lái)預(yù)測(cè)的精準(zhǔn)性第三步第一步第二步基于Xgboost等算法確定每個(gè)基礎(chǔ)模型的權(quán)重變化歷史回溯，挖掘先驗(yàn)權(quán)重對(duì)未來(lái)的解釋程，以及與實(shí)際變化的差異基于權(quán)重構(gòu)建指數(shù)給定周期或宏觀指標(biāo)DS嵌入邏輯原有模型輸出結(jié)果這一過(guò)程實(shí)質(zhì)上是在探索“權(quán)重優(yōu)化路徑”，以便為AI提供學(xué)習(xí)依據(jù)，指導(dǎo)其在未來(lái)動(dòng)態(tài)調(diào)整權(quán)重的規(guī)律這一過(guò)程是AI的學(xué)習(xí)過(guò)程，讓AI基于底稿中的歷史數(shù)據(jù)進(jìn)行“靜態(tài)學(xué)習(xí)”，并挖掘先驗(yàn)權(quán)重與實(shí)際變化之間的差異進(jìn)行“動(dòng)態(tài)糾偏”這一過(guò)程是AI迭代學(xué)習(xí)成果的應(yīng)用，使AI基于當(dāng)前（或預(yù)測(cè)）的周期和宏觀經(jīng)濟(jì)指標(biāo)，輸出預(yù)測(cè)結(jié)果資料：?國(guó)信證券經(jīng)濟(jì)研究所繪制目錄現(xiàn)有資產(chǎn)配置框架及其改進(jìn)空間DeepSeek優(yōu)化資配模型的嵌入邏輯DeepSeek優(yōu)化資配模型的具體過(guò)程未來(lái)改進(jìn)方向01020304風(fēng)險(xiǎn)提示05DeepSeek優(yōu)化資配模型的具體過(guò)程-技術(shù)路線圖圖20:DeepSeek的優(yōu)化路徑輸入階段訓(xùn)練階段應(yīng)用階段在python中調(diào)用DeepSeek接口（可選V3、R1等）自然語(yǔ)言宏觀經(jīng)濟(jì)指標(biāo)（預(yù)測(cè)值）短期模型框架

輸入給AI：短期框初始化長(zhǎng)文本架的底層邏輯、如何指示配股配債投入語(yǔ)料進(jìn)化衍生懂資配框架的DeepSeekDeepSeek輸入給AI：“周期-宏觀指標(biāo)-打分指數(shù)”映射關(guān)系迭代輸入prompt輸出“權(quán)重”資配模型權(quán)重及打分結(jié)果數(shù)據(jù)底稿初始權(quán)重?cái)?shù)據(jù)輸入給AI：更優(yōu)權(quán)重的確定方法Prompt指令：①學(xué)習(xí)底稿數(shù)據(jù)和短期框架，挖掘背后深層信息（靜態(tài)學(xué)習(xí)）基于Xgboost模型等②比較基于“先驗(yàn)權(quán)重”生成的打分指數(shù)與真實(shí)股債強(qiáng)弱的偏差，并結(jié)合歷史與近期數(shù)據(jù)進(jìn)行校正（動(dòng)態(tài)糾偏）資料：DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理DeepSeek優(yōu)化資配模型的具體過(guò)程-輸入階段?

輸入階段?

自然語(yǔ)言輸入：制作語(yǔ)料，將五個(gè)短期框架的底層邏輯以自然語(yǔ)言文本形式輸入DeepSeek，旨在幫助其理解策略框架與周期特征?

數(shù)據(jù)輸入：①讀取底稿中的股債打分及其背后的周期與宏觀經(jīng)濟(jì)指標(biāo)，建立數(shù)據(jù)庫(kù)并輸入DeepSeek，旨在幫助其從數(shù)據(jù)獲取信息；②生成初始權(quán)重，基于XGBoost等模型指引DeepSeek明確正確的權(quán)重調(diào)整方向。（技術(shù)細(xì)節(jié)：以實(shí)際股債強(qiáng)弱為因變量，基于五個(gè)短期框架擬合其解釋力度生成初始權(quán)重，6個(gè)月窗口用于捕捉短期波動(dòng)）?圖21：自然語(yǔ)言語(yǔ)料的制作與輸入圖22：初始權(quán)重的確定與輸入??資料：DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理資料：Wind，DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理DeepSeek優(yōu)化資配模型的具體過(guò)程-訓(xùn)練階段?

訓(xùn)練階段?

DeepSeek接入：通過(guò)API將DeepSeek接入Python環(huán)境，實(shí)現(xiàn)變量和數(shù)據(jù)框的AI加工與動(dòng)態(tài)輸出。采用硅基流動(dòng)基于

昇騰云的DeepSeekR1&V3推理服務(wù)，確保穩(wěn)定高效的模型訓(xùn)練與推理調(diào)用?

指令的輸入：①輸入不同時(shí)間段的宏觀變量和五大短期模型最優(yōu)權(quán)重，助力AI掌握模型邏輯與數(shù)據(jù)映射（靜態(tài)學(xué)習(xí)）；②輸入實(shí)際股債強(qiáng)弱與“先驗(yàn)權(quán)重”的偏差，要求AI結(jié)合真實(shí)數(shù)據(jù)迭代調(diào)整權(quán)重（動(dòng)態(tài)糾偏）?

權(quán)重的迭代輸出：①DeepSeek動(dòng)態(tài)優(yōu)化，調(diào)整權(quán)重以貼合歷史經(jīng)驗(yàn)（基于歷史）；②挖掘先驗(yàn)權(quán)重解釋真實(shí)股債強(qiáng)弱的偏差，實(shí)現(xiàn)自我糾正機(jī)制，提升資產(chǎn)配置的前瞻性和勝率（面向未來(lái)）?圖23：DeepSeek的接入表1：指令的設(shè)計(jì)與輸入指令類(lèi)型Prompt設(shè)計(jì)指令作用描述指定時(shí)間段的美林周期、貨幣信用周期、財(cái)政貨幣周期等宏觀變量及關(guān)鍵指標(biāo)，提供五個(gè)短期模型的最優(yōu)權(quán)重幫助DeepSeek理解短期框架的底層邏輯與歷史數(shù)據(jù)映射關(guān)系。靜態(tài)學(xué)習(xí)動(dòng)態(tài)糾偏指出實(shí)際股債強(qiáng)度與“先驗(yàn)權(quán)重”偏差，要求基于實(shí)際數(shù)據(jù)和歷史映射調(diào)整五個(gè)模型權(quán)重，輸出list格式結(jié)果實(shí)現(xiàn)基于最新市場(chǎng)數(shù)據(jù)的實(shí)時(shí)調(diào)整，提升權(quán)重優(yōu)化的準(zhǔn)確性。?資料：DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所繪制?

資料：DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理DeepSeek優(yōu)化資配模型的具體過(guò)程-應(yīng)用階段?

應(yīng)用階段???宏觀經(jīng)濟(jì)指標(biāo)的預(yù)測(cè)：我們整合了市場(chǎng)有一致預(yù)期的宏觀指標(biāo)（如工業(yè)增加值同比、PMI等），并自主推算了缺乏一致預(yù)期的關(guān)鍵變量（如產(chǎn)成品存貨、票據(jù)余額等）“打分指示股債強(qiáng)弱”指標(biāo)的外推：

DeepSeek已明確不同宏觀指標(biāo)下的最優(yōu)權(quán)重配置，以更好地解釋真實(shí)股債強(qiáng)弱?；诖耍覀儗㈩A(yù)測(cè)好的宏觀指標(biāo)輸入DeepSeek，即可獲取優(yōu)化后的權(quán)重，并據(jù)此對(duì)五個(gè)短期框架進(jìn)行降維，生成AI調(diào)整后的最終配置結(jié)果呈現(xiàn)：①勝率顯著提升。若“打分指示的股債強(qiáng)弱”與“實(shí)際股債強(qiáng)弱”同向變動(dòng)，則判定為勝，反之為敗。DeepSeek接入后，勝率提升至60.61%，而等權(quán)降維的打分指數(shù)勝率不足40%。②

2025年全年股債強(qiáng)弱預(yù)測(cè)：預(yù)計(jì)2025年第一季度股債強(qiáng)弱進(jìn)一步上升，進(jìn)入復(fù)蘇周期（指數(shù)<0，方向上升）③靜態(tài)學(xué)習(xí)：還挖掘了周期與權(quán)重的關(guān)系（見(jiàn)表2）④

DeepSeek基于“打分指示的股債強(qiáng)弱”與國(guó)證價(jià)值、國(guó)證成長(zhǎng)的關(guān)系，研判2025年各月走勢(shì)?圖24：打分指示的股債強(qiáng)弱（DeepSeek調(diào)整后）圖25：DeepSeek生成的五大短期框架權(quán)重表2：靜態(tài)學(xué)習(xí)觀察結(jié)果資配框架權(quán)重分布與周期的關(guān)系權(quán)重在“復(fù)蘇”“過(guò)熱”階段較高，經(jīng)濟(jì)向好時(shí)影響顯著；在“震蕩”“滯漲”階段較低，影響減弱。美林周期權(quán)重在“寬貨幣”階段較高，反映貨幣寬松和信用變化對(duì)配置的主導(dǎo)作用；在“緊貨幣”階段較低。貨幣信用周期財(cái)政貨幣組合信貸庫(kù)存周期周期疊加框架權(quán)重整體偏低，僅在“雙寬”或“雙緊”政策組合下顯著上升，凸顯極端政策下的影響力。權(quán)重在“被動(dòng)補(bǔ)庫(kù)存”“主動(dòng)去庫(kù)存”階段較高，影響顯著；在其他庫(kù)存階段權(quán)重較低。權(quán)重在“產(chǎn)能下行”且“被動(dòng)補(bǔ)庫(kù)”“主動(dòng)去庫(kù)”階段較高，其他階段及“產(chǎn)能上行”階段較低。???資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所整理資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所整理資料：DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理圖26：DeepSeek基于股債強(qiáng)弱推演2025年國(guó)證價(jià)值與成長(zhǎng)指數(shù)走勢(shì)資料：Wind，國(guó)信證券經(jīng)濟(jì)研究所整理結(jié)合機(jī)器學(xué)習(xí)的經(jīng)濟(jì)周期綜合劃分和每個(gè)分類(lèi)框架的貢獻(xiàn)?

基于AI學(xué)習(xí)的經(jīng)濟(jì)周期劃分中，各分類(lèi)框架實(shí)現(xiàn)了動(dòng)態(tài)的權(quán)重調(diào)整。?

一方面，股債強(qiáng)弱指標(biāo)在更合理可控的范圍內(nèi)波動(dòng)，周期貢獻(xiàn)在不同時(shí)段內(nèi)依歷史迭代而變化?

另一方面，動(dòng)態(tài)指示各周期下的股債打分，精準(zhǔn)定位當(dāng)前周期定位下的核心變量圖27:結(jié)合AI學(xué)習(xí)體系打分得出的經(jīng)濟(jì)周期階段劃分美林時(shí)鐘?股票貨幣信用周期?股票財(cái)政貨幣周期?股票綜合打分?股票3過(guò)熱滯脹復(fù)蘇信貸庫(kù)存周期?股票產(chǎn)能庫(kù)存周期嵌套?股票震蕩22實(shí)際股債強(qiáng)弱（中證債基口徑）AI學(xué)習(xí)打分指示的股債強(qiáng)弱(前向滾動(dòng)5年，右)5331120-1-111-1-3-5-7-90美林時(shí)鐘?債券貨幣信用周期?債券財(cái)政貨幣周期?債券綜合打分?債券32信貸庫(kù)存周期?債券產(chǎn)能庫(kù)存周期嵌套?債券-1-2-3-410-1-22015/09

2016/10

2017/11

2018/12

2020/01

2021/02

2022/03

2023/04

2024/05

2025/062015/9/12017/1/12018/5/12019/9/12021/1/12022/5/12023/9/12025/1/1資料：Wind,?國(guó)信證券經(jīng)濟(jì)研究所整理基于綜合景氣指標(biāo)的周期劃分：AI學(xué)習(xí)后版本周期連續(xù)性更優(yōu)圖28:AI學(xué)習(xí)和綜合打分給出的經(jīng)濟(jì)周期及其差異：前者對(duì)經(jīng)濟(jì)周期的劃分更為平滑和連貫，噪聲相對(duì)更少10090807060504030201001009080706050403020100先前版本：綜合打分過(guò)熱先前版本：綜合打分震蕩先前版本：綜合打分滯脹先前版本：綜合打分復(fù)蘇改良版本：AI學(xué)習(xí)定位經(jīng)濟(jì)周期過(guò)熱改良版本：AI學(xué)習(xí)定位經(jīng)濟(jì)周期震蕩改良版本：AI學(xué)習(xí)定位經(jīng)濟(jì)周期滯脹改良版本：AI學(xué)習(xí)定位經(jīng)濟(jì)周期復(fù)蘇資料：Wind,?國(guó)信證券經(jīng)濟(jì)研究所整理基于AI學(xué)習(xí)體系的經(jīng)濟(jì)周期劃分?

與傳統(tǒng)經(jīng)濟(jì)周期框架相對(duì)比：?

AI學(xué)習(xí)后的指標(biāo)體系對(duì)經(jīng)濟(jì)周期的變化更靈敏，對(duì)經(jīng)濟(jì)在震蕩/復(fù)蘇期內(nèi)的反復(fù)躍遷有更精準(zhǔn)的識(shí)別（2022-2024）?

周期輪動(dòng)更符合經(jīng)濟(jì)運(yùn)行的客觀規(guī)律，周期長(zhǎng)度更符合客觀認(rèn)知：一輪“震蕩-復(fù)蘇-過(guò)熱-滯漲”周期在3-5年，單周期長(zhǎng)度在1年左右圖29:傳統(tǒng)指標(biāo)下的經(jīng)濟(jì)周期劃分圖30:AI學(xué)習(xí)體系指標(biāo)下的經(jīng)濟(jì)周期劃分資料：Wind,?國(guó)信證券經(jīng)濟(jì)研究所整理資料：Wind,?國(guó)信證券經(jīng)濟(jì)研究所整理AI+資配框架下，組合凈值表現(xiàn)繼續(xù)優(yōu)化?

不同股票風(fēng)格間存在重疊，我們根據(jù)中信風(fēng)格、大中小盤(pán)、估值等將不同股票風(fēng)格分別和債券放在一起，根據(jù)歷史周期指示的股票風(fēng)格/債券勝率進(jìn)行配置，具體方法為：?

用牛市概率-熊市概率代表資產(chǎn)打分，只保留打分為正的股票風(fēng)格/債券，根據(jù)分?jǐn)?shù)大小計(jì)算配置比例（債券比例≥80%）?

AI資配框架下，組合風(fēng)險(xiǎn)收益表現(xiàn)繼續(xù)優(yōu)化，年化收益率上升0.27%，夏普比上升1.08倍圖31:傳統(tǒng)配置框架下的組合表現(xiàn)圖32:AI+配置框架下的組合表現(xiàn)中信風(fēng)格+債券+商品

大中小盤(pán)+債券+商品

高低估值+債券+商品

紅利+債券+商品

萬(wàn)得全A中信風(fēng)格+債券+商品

大中小盤(pán)+債券+商品

高低估值+債券+商品

紅利+債券+商品

萬(wàn)得全A年化收益率波動(dòng)率4.00%0.043.18%0.043.24%0.033.97%0.032.81%

年化收益率4.27%0.043.49%0.043.45%0.044.27%0.032.81%0.210.210.13波動(dòng)率夏普比夏普比0.940.900.931.191.030.930.981.330.13最大回撤-5%-6%-4%-4%-34%最大回撤-6%-5%-5%-3%-34%資料：Wind,?國(guó)信證券經(jīng)濟(jì)研究所整理資料：Wind,?國(guó)信證券經(jīng)濟(jì)研究所整理目錄現(xiàn)有資產(chǎn)配置框架及其改進(jìn)空間DeepSeek優(yōu)化資配模型的嵌入邏輯DeepSeek優(yōu)化資配模型的具體過(guò)程未來(lái)改進(jìn)方向01020304風(fēng)險(xiǎn)提示05未來(lái)改進(jìn)方向?

大模型的選擇：目前接入的為DeepSeek-V3模型，尚未使用推理能力更強(qiáng)的DeepSeek-R1。接入更高性能的大模型有望進(jìn)一步優(yōu)化當(dāng)前配置。（核心問(wèn)題：現(xiàn)階段采用硅基流動(dòng)基于昇騰云的DeepSeekR1&V3推理服務(wù)，受TPM限制（每分鐘Token數(shù)量不超過(guò)15000），導(dǎo)致AI輸出耗時(shí)較長(zhǎng)。未來(lái)通過(guò)本地部署大模型，或可在本地構(gòu)建知識(shí)庫(kù)以提升響應(yīng)速度和優(yōu)化能力）圖33：未來(lái)改進(jìn)方向語(yǔ)料的優(yōu)化大模型的選擇?

指令的優(yōu)化：

Prompt仍有優(yōu)化空間，可參考清華大學(xué)新聞與傳播學(xué)院新媒體研究中心元宇宙實(shí)驗(yàn)室團(tuán)隊(duì)提供的DeepSeek使用手冊(cè)，結(jié)合語(yǔ)用意圖分析（PIA）、主題聚焦（TFM）、細(xì)節(jié)增強(qiáng)（DES）等策略，進(jìn)一步優(yōu)化指令設(shè)計(jì)，使其更契合場(chǎng)景化資產(chǎn)配置需求輸入階段訓(xùn)練階段先驗(yàn)權(quán)重的確定指令的優(yōu)化應(yīng)用階段?

語(yǔ)料的優(yōu)化：當(dāng)前語(yǔ)料仍較為繁雜，后續(xù)可通過(guò)精簡(jiǎn)內(nèi)容、提煉核心信息，提升DeepSeek的處理效率和響應(yīng)速度宏觀數(shù)據(jù)的預(yù)測(cè)?

宏觀數(shù)據(jù)的推算：目前宏觀數(shù)據(jù)仍以人為推測(cè)為主，后續(xù)可考慮借助DeepSeek按相似邏輯進(jìn)行自動(dòng)推算，提升效率與準(zhǔn)確性?

技術(shù)細(xì)節(jié)問(wèn)題：當(dāng)前最優(yōu)權(quán)重的確定基于XGBoost，為DeepSeek提供了優(yōu)化權(quán)重的方向性指引。未來(lái)可探索其他方法，以生成對(duì)實(shí)際股債強(qiáng)弱擬合效果更優(yōu)的“先驗(yàn)權(quán)重”資料：國(guó)信證券經(jīng)濟(jì)研究所繪制Deepseek預(yù)測(cè)宏觀數(shù)據(jù)：以社融為例?圖34:社融預(yù)測(cè)邏輯圖35：DeepSeek基于“自主學(xué)習(xí)法”預(yù)測(cè)結(jié)果?

宏觀指標(biāo)預(yù)測(cè)的兩種方式：?

自主學(xué)習(xí)法：依賴(lài)DeepSeek歷史學(xué)習(xí)，通過(guò)投喂歷史數(shù)據(jù)，讓AI自主學(xué)習(xí)各個(gè)月的季節(jié)性節(jié)奏和長(zhǎng)期趨勢(shì)，獨(dú)立生成預(yù)測(cè)結(jié)果?

框架引導(dǎo)法：減少對(duì)DeepSeek的依賴(lài)，除了歷史數(shù)據(jù)，還輸入人工估算框架，引導(dǎo)AI按照人的思考方式進(jìn)行智能運(yùn)算，模仿人工估算過(guò)程?

圖35展示了自主學(xué)習(xí)法的預(yù)測(cè)結(jié)果：資料：國(guó)信證券經(jīng)濟(jì)研究所繪制?資料：Wind，DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理?

Wind機(jī)構(gòu)預(yù)期與真實(shí)情況擬合優(yōu)度?圖36：DeepSeek基于“框架引導(dǎo)法”預(yù)測(cè)結(jié)果圖37：DeepSeek基于“框架引導(dǎo)法”預(yù)測(cè)結(jié)果0.85?

DeepSeek預(yù)測(cè)與真實(shí)情況擬合優(yōu)度0.94，表現(xiàn)優(yōu)異，得益于其深度歷史學(xué)習(xí)能力，但穩(wěn)健性仍有提升空間?

圖36、37展示了框架引導(dǎo)法的預(yù)測(cè)結(jié)果：?

DeepSeek在框架指引下，預(yù)測(cè)結(jié)果與真人預(yù)測(cè)基本一致，體現(xiàn)AI的確能夠像人一樣進(jìn)行思考，分解步驟并進(jìn)行預(yù)測(cè)工作???資料：Wind，DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理資料：Wind，DeepSeek，國(guó)信證券經(jīng)濟(jì)研究所整理DeepSeek全面賦能策略研究圖38：從宏觀到微觀，DeepSeek賦能投研全鏈路圖39：DeepSeek從研究工具到Alpha工廠宏觀維度：全球經(jīng)濟(jì)與市場(chǎng)環(huán)境分析中觀維度：賽道選擇與行業(yè)競(jìng)爭(zhēng)格局研究微觀維度：資產(chǎn)定價(jià)與公司價(jià)值挖掘場(chǎng)景1：宏觀經(jīng)濟(jì)周期預(yù)測(cè)場(chǎng)景1：競(jìng)爭(zhēng)格局實(shí)時(shí)監(jiān)控場(chǎng)景1：上市公司財(cái)務(wù)異常檢測(cè)?通過(guò)整合各國(guó)GDP、CPI、失業(yè)率、利率政策等數(shù)據(jù)，預(yù)測(cè)經(jīng)濟(jì)周期轉(zhuǎn)向點(diǎn)。?

1.產(chǎn)業(yè)趨勢(shì)前瞻：技術(shù)圖譜構(gòu)建：抓取學(xué)術(shù)論文、專(zhuān)利、創(chuàng)投領(lǐng)域的技術(shù)關(guān)鍵詞構(gòu)建技術(shù)圖譜，推導(dǎo)細(xì)分環(huán)節(jié)的產(chǎn)能/庫(kù)存/價(jià)格傳導(dǎo)網(wǎng)絡(luò)。判斷技術(shù)突破對(duì)傳統(tǒng)產(chǎn)業(yè)價(jià)值鏈的重構(gòu)機(jī)會(huì)。?

1.非標(biāo)數(shù)據(jù)對(duì)齊：同步財(cái)報(bào)附注、電話會(huì)議紀(jì)要與管理層持股變動(dòng)。?

1.數(shù)據(jù)挖掘：抓取全球央行、IMF、世界銀行等權(quán)威機(jī)構(gòu)的發(fā)布數(shù)據(jù)。?

2.交叉驗(yàn)證模型：訓(xùn)練AI識(shí)別應(yīng)計(jì)利潤(rùn)異常與現(xiàn)金流背離信號(hào)（瓊斯模型擴(kuò)展）。?

2.信號(hào)提?。河?xùn)練AI模型識(shí)別領(lǐng)先指標(biāo)（如PMI、長(zhǎng)短期國(guó)債利差）。?

3.關(guān)聯(lián)漏洞掃描：匹配客戶集中度突變與預(yù)付賬款周轉(zhuǎn)率異常。?

2.企業(yè)關(guān)系網(wǎng)絡(luò)：解析供應(yīng)鏈/客戶/專(zhuān)利引用數(shù)據(jù)構(gòu)建競(jìng)爭(zhēng)矩陣。?

3.推演驗(yàn)證：鏈?zhǔn)阶匪輾v史經(jīng)濟(jì)拐點(diǎn)與指標(biāo)關(guān)聯(lián)性，驗(yàn)證模型準(zhǔn)確性。?

3.突發(fā)擾動(dòng)分析：通過(guò)工商變更、環(huán)保處罰等事件捕捉行業(yè)洗牌信號(hào)。場(chǎng)景2：另類(lèi)數(shù)據(jù)資產(chǎn)定價(jià)?

4.政策風(fēng)險(xiǎn)映射：結(jié)合各國(guó)選舉周期、地緣事件預(yù)判政策干預(yù)方向。?

1.多模態(tài)數(shù)據(jù)融合：例如合并門(mén)店攝像頭客流統(tǒng)計(jì)與APP下載量分析消費(fèi)復(fù)蘇彈性。?

4.定價(jià)權(quán)變遷：量化市場(chǎng)份額變動(dòng)與毛利率波動(dòng)的非線性關(guān)系。?

2.輿情衰減建模：量化社交媒體情緒指數(shù)半衰期對(duì)股價(jià)波動(dòng)的滯后影響。場(chǎng)景2：行業(yè)輪動(dòng)、動(dòng)量策略優(yōu)化、擇時(shí)場(chǎng)景2：市場(chǎng)投資風(fēng)格動(dòng)態(tài)監(jiān)測(cè)?捕捉行業(yè)超額收益窗口期，規(guī)避動(dòng)量崩潰風(fēng)險(xiǎn)資料：國(guó)信證券經(jīng)濟(jì)研究所整理?識(shí)別價(jià)值/成長(zhǎng)、大盤(pán)/小盤(pán)、周期/防御等風(fēng)格切換信號(hào)。場(chǎng)景3：交易面動(dòng)態(tài)解析圖41：DeepSeek重要優(yōu)勢(shì)體現(xiàn)在拓展場(chǎng)景中?

1.多維動(dòng)量掃描：計(jì)算行業(yè)指數(shù)的12個(gè)月滾動(dòng)超額收益、RSI強(qiáng)弱指標(biāo)、北向資金加持強(qiáng)度。?

1.流動(dòng)性黑洞預(yù)警：監(jiān)測(cè)限價(jià)訂單簿厚度變化、大宗交易折價(jià)率異常波動(dòng)。構(gòu)建做市商庫(kù)存峰值預(yù)測(cè)模型（結(jié)合ETF申購(gòu)贖回?cái)?shù)據(jù)）。?

1.因子解析：收集歷史風(fēng)格指數(shù)和因子收益率數(shù)據(jù)。?

2.資金信號(hào)捕捉：監(jiān)測(cè)ETF資金流向、主動(dòng)型基金持倉(cāng)變化。?

2.景氣度交叉驗(yàn)證：整合行業(yè)PMI新訂單、分析師盈利修正比率、大宗商品基差結(jié)構(gòu)。?

2.市場(chǎng)微觀結(jié)構(gòu)洞察：解析冰山訂單殘留模式識(shí)別機(jī)構(gòu)建倉(cāng)痕跡。通過(guò)T