LLM在个股投研的应用 - 核心观点：大语言模型（LLM）技术可构建智能化个股复盘框架和基本面因子生成框架，提升投研效率[1][7] - 应用场景：主观逻辑因子化和个股复盘是LLM在个股投研中较好的应用方向[1] - 优势：LLM处理非结构化数据能力较强，可提炼关键信息并给出定量化结论[7] 基于LLM的基本面因子挖掘框架 - 关键点：Prompt设计是引导因子创造方向的核心，明确选股逻辑方向可提高生成高IC因子概率[2][16] - 成果：LLM挖掘的因子IC_IR可达0.78，如链税研协同效能因子（TRI_RDEFF）[3][20] - 优势：生成因子可理解性强，可运用创新算子优化原有因子，如盈利现金双因子（EPCF）[20][22] LLM因子挖掘效果分析 - 质量类prompt生成因子IC均值较高，如盈利能力稳定且财务风险低的上市公司因子[17] - 创新性prompt生成因子与已有因子相关性低，如HR_ASSET_RESO因子相关性低于30%[20] - 问题：部分因子逻辑与计算过程匹配度较低，如EIM_1因子[19] 基于LLM的个股复盘体系 - 方法：运用RAG方法构建每日复盘体系，处理公告、研报等非结构化数据[4][27] - 优势：与现有数据库无缝衔接，提炼信息真实性好，逻辑自洽性较好[4][47] - 效果：贵州茅台案例显示模型复盘观点对长期股价表现有一定预测能力[30][35] 个股复盘实证结果 - 长期综合评分变化与未来20-60日股价表现弱相关，相关系数达0.274[37] - 多头择时策略可改善最大回撤，把握主升浪机会，年化收益率提升[38][47] - 问题：信息提炼深度有限，需在prompt中明确核心影响因素[32][34] 技术限制与优化方向 - 限制：响应速度不足、上下文长度限制、结果随机性[8] - 优化：筛选高质量研报作为输入，针对特定个股定制prompt[34] - 应用范围：建议在核心股票池范围内构建LLM因子[10]