核心观点 - 报告汇总投资者对DeepSeek赋能资产配置的关注并解答，关注AI赋能资产配置技术细节，分析政策信号量化、数据处理方法、AI投研应用及金融市场落地方案 [1] - AI可量化政策信号强弱及对市场影响，数据投喂应遵循因果一致性原则，数据处理能整合多维度信息，结合本地知识库和结构化Prompt设计可确保AI赋能可靠性，现阶段AI与投研结合有局限，未来将在多领域优化应用 [1][2][3] 分组1：DeepSeek交互准备——语料制作与数据优化 - 可结合宏观、市场行为和政策信号等丰富高维数据优化资产配置，提升AI对市场的理解和预测能力 [11] - 资产配置中部分资产走势不收敛，AI难以通过历史学习指导当下决策，可引入动量因子、结合市场预测数据应对 [12][14][15] - 借助RAG构建知识库可解决AI知识库构建内容选择有偏的问题，其包括检索、增强、生成三个步骤 [16][18] - AI擅长政策文本分析从定性到定量的转化，能精准识别措辞变化、情绪倾向等并进行评分赋值，与市场实际反应吻合 [19][20] - 投喂底稿包含自身研究范式与逻辑，结论可能与市场主流观点有差异，可采取结合自身研究逻辑和市场主流数据的平衡策略 [24] 分组2：DeepSeek交互实践——指令设计与接口调用 - 构建Prompt常见方法有RTF、TAG、BAG等，项目使用R - T - F模式，包括角色、任务、格式三部分 [25] - 与AI交互有网页端直接提问和API服务调用两种方式，窗口提问适合即时查询和小规模交互，API方式适合系统化数据分析任务 [28][29] - AI能以文本互动方式提供思考逻辑，风险贡献、回溯周期调整结果数字含义是上调或下调百分比，关键在于Prompt设计确保可解释性 [32][33] 分组3：DeepSeek训练与学习——模型优化与应用实践 - 历史数据学习阶段未使用未来数据，通过编程和Prompt引导确保AI基于历史数据推理 [34] - 逐期喂入数据迭代优化优于全样本学习，具备时序一致性、市场适应性等优势 [35][36] - AI计算结果可验证，取决于计算逻辑透明度、输入数据一致性和Prompt设计，在复杂任务中还取决于项目设计和数据输入 [37][38] - XGBoost可提供权重调整方向，胜率较未调整情况有所提升，但不如DeepSeek，其结果依赖超参数配置 [39] - AI计算结果可能因大模型随机性存在差异，可采取重复抽样验证和优化Prompt设计的方式解决 [45] - 长周期主动配置弱于被动配置，AI有望在中周期实现主动策略超额，能结合道与术，但难以取代主动基金经理，在行业维度有效性较弱 [46][47][48] 分组4：DeepSeek未来展望——客户研究支持与落地 - AI在投研工作不同领域有不同应用层级，初级应用AI含量可达100%，中级约60%，高级约40% [49][50] - 基金经理和研究员与IT部门沟通可围绕核心需求和技术落地展开，核心需求要传达数据结构等，技术落地要关注合规性和数据安全 [55] - 国外资管机构有技术先发等优势推动AI大模型应用，国内资管机构在DeepSeek加持下也有大量AI投研应用，DeepSeek有降低成本等优势 [56][58]