量化模型与构建方式 1. 模型名称：DeepSeek-V3行业研报总结模型 模型构建思路：利用大模型的自然语言处理能力，对行业研报摘要进行智能总结，提炼核心观点和关键信息[7] 模型具体构建过程： - 从Wind数据库获取行业研报，筛选入库时间范围内的报告（如2025年3月10日至16日）[7] - 将同一一级行业的所有摘要合并，与标准化提示词拼接后输入模型[7] - 提示词要求总结不超过200字，需准确反映研报事实、观点和结论，避免风险提示和个人意见[8] - 模型输出结果按行业分类展示（如表1至表4）[9][10][11][12] 2. 模型名称：DeepSeek-V3行业景气度评分模型 模型构建思路：通过大模型量化分析行业研报中的景气度和超预期程度，解决传统行业评级离散化问题[15] 模型具体构建过程： - 构造标准化提示词，明确要求输出两个JSON格式结果： - 第一个JSON包含研报涉及的一级/二级行业名称[17] - 第二个JSON包含对应行业的景气度（1-10分）和超预期程度评分（1-10分）[17] - 定义评分标准： - 景气度：行业盈利水平及增长潜力[17] - 超预期程度：实际表现与市场预期的差异[17] - 模型输入为研报摘要与提示词拼接文本，输出结构化评分数据（如图2示例）[17] --- 量化因子与构建方式 1. 因子名称：行业景气度因子 因子构建思路：基于大模型对研报文本的解读，生成连续型行业景气度评分[15][17] 因子具体构建过程： - 从研报摘要提取行业名称（中信一级/二级分类）[17] - 通过提示词定义评分规则，要求模型输出1-10分的景气度数值[17] - 计算公式： $\text{行业景气度} = \frac{\sum_{i=1}^{n} \text{单篇研报评分}_i}{n}$ 其中$n$为覆盖该行业的研报数量[19] 2. 因子名称：行业超预期程度因子 因子构建思路：量化行业实际表现与市场预期的偏离程度[15][17] 因子具体构建过程： - 模型根据文本分析判断行业是否超预期，输出1-10分评分[17] - 计算行业均值： $\text{超预期程度} = \frac{\sum_{i=1}^{n} \text{单篇研报超预期评分}_i}{n}$ 同步计算周环比变化值[19] --- 模型的回测效果 1. DeepSeek-V3行业研报总结模型： - 覆盖751篇初始报告，经筛选后处理682篇有效样本[19] - 输出结果按中信二级行业分类展示（如石油石化、煤炭等）[9][10][11][12] 2. DeepSeek-V3行业景气度评分模型： - 生成标准化JSON格式输出，包含行业名称与评分[17] - 支持跨证券公司行业分类不一致问题的解决方案[15] --- 因子的回测效果 1. 行业景气度因子： - 航空航天行业景气度最高（9.13分），渔业最低（6.00分）[20][21] - 周变化显示通信设备行业景气度提升最显著（+0.72）[20] 2. 行业超预期程度因子： - 航空航天超预期程度8.13分，通信设备7.88分[20] - 互联网媒体行业超预期周变化最大（+0.61）[20] （注：表5和表6完整数据见文档[20][21]，包含44个中信二级行业的因子取值及周变化）