量化模型与构建方式 1. 模型名称：DeepSeek-V3-671B - 模型构建思路：依托DeepSeek大模型实现研报摘要的结构化情感分析，从黑箱评分转向可解释的评分体系，通过拆解摘要结构（业务发展、财务表现、其他因素）引入四维量化分析（类别识别、情绪倾向、出现顺序、字数占比）[4][5] - 模型具体构建过程： 1. 输入处理：清洗研报摘要文本，剔除盈利预测和风险提示部分[22] 2. 分类规则：预定义10类研报要素（如战略布局、技术创新等），要求模型严格遵循类别、情绪（1/-1/0）、出现顺序、字数占比四要素输出JSON格式结果[45][46] 3. 权重分配：跨类别文本按优先级拆分（公司行为>外部因素>财务表现），字数占比计算公式为： $\text{字数占比} = \frac{\text{类别字数}}{\text{摘要总字数}}$ [47] 4. 批量调用：支持15条摘要批量处理，输入格式为system提示+user摘要内容[65] - 模型评价：输出格式符合率100%，结果稳定性优于R1版本，支持高效批量任务[63][65] 2. 模型名称：研报情绪密度策略模型 - 模型构建思路：基于情绪密度（利好字数占比）构建选股策略，重点捕捉"业绩超预期"和"盈利改善"等有效信号[5][6] - 模型具体构建过程： 1. 信号提取：计算每篇研报中各类别的利好密度（如盈利改善密度=正面情绪字数/总字数）[5] 2. 组合构建：按月频或不定期调仓，选取利好密度最高的股票构建多头组合[26][27] 3. 非线性优化：引入指数衰减加权调整近期研报权重[40] --- 量化因子与构建方式 1. 因子名称：简单加权评分因子（score_sum） - 构建思路：对研报中所有利好类别进行等权加总[6] - 具体构建过程： 1. 单篇研报评分公式： $\text{score\_sum} = \sum_{i=1}^{n} (\text{情绪值}_i \times \text{字数占比}_i)$ 2. 个股评分=近期所有相关研报评分的均值[35] 2. 因子名称：篇幅加权评分因子（score_by_len） - 构建思路：按类别字数占比加权情绪值，反映信息篇幅权重[6] - 具体构建过程： $\text{score\_by\_len} = \sum_{i=1}^{n} \left( \text{情绪值}_i \times \frac{\text{类别字数}_i}{\sum \text{类别字数}} \right)$ [36] 3. 因子名称：类别重要性加权因子（score_by_cat） - 构建思路：根据类别对股价的解释力（通过历史CAR回归确定）分配权重[37] - 具体构建过程： 1. 计算每类情绪对20日累计超额收益（CAR）的回归系数[38] 2. 权重公式： $w_i = \frac{|\beta_i|}{\sum |\beta|}$ 3. 加权评分： $\text{score\_by\_cat} = \sum_{i=1}^{n} (w_i \times \text{情绪值}_i)$ 4. 因子名称：复合因子（score_report_llm） - 构建思路：等权合成上述四类因子，兼顾多样性与稳定性[6] - 具体构建过程： $\text{score\_report\_llm} = \frac{1}{4} (\text{score\_sum} + \text{score\_by\_len} + \text{score\_by\_cat} + \text{score\_by\_LenCat})$ --- 模型回测效果 1. 复合因子（score_report_llm）： - 年化收益12.8%，相对中证800超额13.5%[6] - 月胜率100%（2025年1-5月），最大回撤<4%[6] - 五分位收益单调性显著[47] 2. 情绪密度策略： - 盈利改善密度组合年化超额18.7%（月频调仓）[26] - 业绩超预期密度组合年化超额21.3%（不定期调仓）[29] --- 因子回测效果 1. score_sum因子： - IC均值0.082，IR 1.52[35] - 多头组合年化超额9.4%[43] 2. score_by_len因子： - IC均值0.096，IR 1.78[36] - 多头组合年化超额11.2%[44] 3. score_by_cat因子： - IC均值0.105，IR 1.91[38] - 多头组合年化超额12.0%[45] 4. score_by_LenCat因子： - IC均值0.112，IR 2.03[39] - 多头组合年化超额13.1%[46] （注：所有测试窗口均为报告发布后20-40日，基准为中证800）[6][35]