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可有效量化政策信号强弱及其对市场的影响，通过NLP技术提取政策关键词、分析情感倾向等，建立标准化信号量化体系 [1] 一、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，AI结合结构化与非结构化数据，引入市场情绪等因素可捕捉更多信号、优化资配结果 [21] - 资产配置中部分资产存在不收敛特性，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 [24][28][29] - 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，RAG包括检索、增强、生成三个步骤，能辅助AI生成更准确丰富的文本内容 [29][34] - AI在政策文本分析中擅长从定性到定量转化，可精准识别措辞变化等进行定性分析，对政策表达评分赋值并结合历史数据回测进行定量分析 [35][36] - 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，但不一定影响AI输出结果准确性，可采取结合自身研究逻辑和市场主流数据的平衡策略 [41] 二、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，包括定义角色、明确任务、要求特定格式输出 [42] - 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，研究选择API调用模式 [47][48] - 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AI按设定逻辑优化并保持可解释性 [56][59] 三、DeepSeek训练与学习：模型优化与应用实践 - 资产配置模型训练严格遵循时间因果逻辑，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仅基于历史数据推理 [60] - 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，在股债资产配置等场景优势更明显 [63][66] - 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，在标准化和复杂金融任务中都能与人工或传统代码计算对比 [66][67] - XGBoost可提供先验的权重调整方向，优化效果胜率有所提升，但不如DeepSeek，其结果依赖人为设定的超参数 [68] - 大模型生成内容有随机性，可采取重复抽样验证和优化Prompt设计的方式解决多次运行结果差异问题 [76] - 长周期主动配置弱于被动配置，AI发挥优势有望在中长周期实现主动策略超额收益，可结合道与术，但难以取代主动基金经理，在行业维度有效性较弱 [77][80][81] 四、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%，能提升投研效率 [82][83] - 基金经理和研究员与IT部门沟通围绕核心需求和技术落地，核心需求要传达数据结构等，技术落地关注合规性和数据安全 [88] - 国外资管机构依托技术、基建和数据优势加速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有成本、安全和开源优势 [89][98]