大模型赋能智能投研新时代，金融机构应用深入推进 [page::1][page::2][page::3]

• 开源大模型Qwen的广泛应用为金融行业智能投研赋能提供了安全、个性化的底层架构；

- 模型成本降低10倍，推动批量化处理和高并发推理，强化智能投研决策生成能力；

• AgenticAI形态使大模型具备自主感知与多步骤任务执行能力，助力智能投顾和交易等领域。

经济环境与市场风格配置分析——弱复苏背景下结构分化 [page::5][page::6][page::7]

• 国内经济处于弱复苏低通胀阶段，预计权益市场震荡回调后逐步上行；

- 政策导向行业如新能源汽车、综合金融等表现较好，地产等顺周期板块承压；

• 成长风格与小盘股具备配置机会，价值板块在震荡期具防御优势。

公募新规影响基金行为与FOF投资逻辑 [page::10][page::11][page::12]

| 最优配置方案 | 三年滚动超额收益率是否可能低于-10% | 年化超额收益率 | 年度胜率 |
|----------------------|----------------------------------|--------------|---------|
| 消费+1高占比行业 | 否 | -2.41% | 2/6 |
| 消费+2高占比行业 | 否 | 2.84% | 4/6 |
| 消费+3高占比行业 | 否 | 3.03% | 4/6 |
| 消费+4高占比行业 | 否 | 4.08% | 5/6 |
| 消费+5高占比行业 | 否 | 3.73% | 5/6 |

• 公募新规促使基金经理减少基准偏离、加强分散化投资，降低负超风险但导致超额收益下降；

- 基金绩效考核与管理费挂钩，提升基准的选择合理性与基金言行一致性。

指数增强基金与ETF轮动展现稳健超额收益能力 [page::13][page::14]

• 指数增强型基金因严格控制跟踪误差和信息比率优势，获得持续正超额收益；

- 采用基于AI预测的个股Beta信息构建ETF轮动策略，年化超额收益11.86%，信息比率0.68；

• ETF管理规模持续扩大，需深入评价ETF标的以提升投资配置效果。

极端行情下因子策略的表现及应对 [page::15][page::16]

• 指数增强产品在极端市场波动期间表现不佳，超额收益有所回撤；

- 高频因子表现分化，价格区间与遗憾规避因子在异常行情中具防御优势；

• LLM（大语言模型）驱动的因子挖掘方案，结合强化学习和机器学习策略显著提升全A多头超额收益。

量化因子创新与机器学习应用 [page::16][page::17]

• 利用大模型文本解析进行投资概念提取与个股相关性度量，显著优化组合结构；

- 多智能体策略和强化学习alpha生成框架提升因子构建效率和收益表现；

• 机器学习方法（GBDT、神经网络等）在因子挖掘和选股策略中持续发挥重要作用；

- AI智能化选基与行业轮动策略结合，推动指数增强型产品性能进一步提升。

2025金融工程中期策略报告详尽分析

《AI投研破晓，指增迎来新篇章》
国金证券金融工程组 | 2025年6月26日发布

---

一、元数据与概览

• 报告标题：《AI投研破晓，指增迎来新篇章 | 金融工程2025中期投资策略》

- 作者及机构：国金证券金融工程团队，核心分析师包括高智威、赵妍、许坤圣等，设有专门联系人胡正阳、聂博洋及陶杨。

• 发布时间：2025年6月26日

- 主题范围：报告主要聚焦人工智能技术（尤其大规模语言模型LLM）赋能金融投研场景、经济弱复苏大环境下市场风格和行业机会的配置、公募基金新规对投资行为的影响，以及因子策略在极端行情下的表现与应对。

• 核心论点：

- 大模型的开源趋势与降本增效推动智能投研模式进入新时代；金融机构将广泛采用开源本地化模型。
- 弱复苏宏观经济下，结构性行情特征明显，政策引导型行业具备配置价值。
- 公募基金新规将显著影响主动权益基金的投资行为，指数增强基金价值提升。
- 极端行情下因子策略失效风险需重视，人工智能与强化学习等新型技术模型提供新希望。

整体报告展现了对AI深度融入投研过程的乐观看法及基于宏观、行业、策略多层面的投资框架构建思路。[page::0,1,5,13,15]

---

二、逐节深度解读

1. 大模型应用端新时代与智能投研演化

• 核心内容：开源大模型的兴起（如阿里通义千问Qwen系列），及其安全性和个性化优势促使金融机构全面本地部署成为趋势。

- 技术细节：报告指出大模型通过蒸馏、算法优化和算力提升，成本每年下降10倍，推动批量化文本分析成为可能。AgenticAI（多智能体、多轮迭代协作）形式被认为是最理想的应用形态并且正在普及。

• 应用案例：表列兴证全球基金、兴业基金、中信证券、摩根大通等机构在交易、智能投顾、客户服务等多领域应用大模型，极大提升效率和决策水平。

- 痛点：目前投研AI产品多聚焦信息处理，缺乏定制化和长链复杂问题解决能力，回答准确率和内部数据安全是主要瓶颈。通过优化RAG技术和本地化部署可逐步解决。

• 投研框架：基于主动投研赋能（辅助信息获取、报告撰写）与投资决策生成（因子挖掘、策略构建）的双轮驱动，AI将实现主动投资与量化投资的融合。

- 图表解析：
- 图1显示Qwen模型后训练构架，体现开源模型强大的迭代能力和本地部署优势。
- 图2成本趋势表明新模型成本指数级下降，为广泛部署创造条件。
- 图4列出了多家金融机构的大模型应用场景及具体智能产品，突出行业落地。
- 图6和图8展示全方位智能投研体系及投资决策生成框架，逻辑清晰地表达AI如何辅助科研和投资决策的全过程。
- 图7显示完全自动化定制报告撰写的流程设计，体现技术在产品层面的实践。

总结：大模型不仅是技术升级，更是金融投研方法论和工作流程的根本变革，为解决Alpha困境提供了技术支撑和思路路径。[page::1,2,3,4]

---

2. 经济弱复苏下风格及行业配置策略

• 宏观经济特征：图9~10表明制造业PMI和PPI增速反映2025年国内经济处于弱复苏、低通胀阶段。

- 权益市场趋势：下半年市场过程波动，先震荡回落后震荡上行，主要受美国经济放缓及美股估值回调影响。图11~13展示联邦基金利率隐含降息概率、美股估值及股指期货基差率，体现市场短期压力与后续修复预期。

• 行业表现分化：地产等顺周期板块承压，政策引导型汽车、医药、传媒表现较好（图14）。商品房成交表现显示地产回暖缓慢（图15）。

- 大模型分析政策文本，提炼行业周期：奠基期、扩张期、提质增效期。以新能源行业周期为例（图17）。

• 新兴行业周期定位（图18）和表现（图19）显示不同产业阶段配合政策与市场表现动态。

- 风格配置机会：
- 小盘成长板块后续可期，地产投资回升动力有限，成长优选政策指导行业（图20、21）。
- 微盘股近期表现良好，参与配置但注意阶段性超买风险（图22-25），短期中期风险信号未触发。
- 阶段性震荡回调时，推荐大盘价值及红利防守（图26-28），PPI-CPI剪刀差因子表现突出。

• 行业因子表现（图29-35）展现盈利、质量、调研活动因子强势，分析师预期因子相对逊色。机构调研因子能较好捕捉阶段行情。

总结：当前经济处于弱复苏区间，结构性行情显著，投资策略建议灵活配置成长、小盘及政策支持行业，同时结合宏观及市场阶段调整风格，[page::5,6,7,8,9]

---

3. 公募新规对基金投资行为与FOF逻辑重塑

• 新规核心影响：

- 基金管理费与基金经理绩效挂钩，业绩基准选择更重要。
- 减少风格漂移，提高风格稳定性（图38、39，美国经验显示风格一致基金比例持续上升）。
- 基金经理被动减少单行业集中押注，分散配置成为长胜关键（图40表明消费板块中三行业以上配置可显著提升超额概率和年化收益）。

• FOF投资影响：

- 浮动管理费制降低市场下行阶段FOF成本（图41、42）。
- 更精准的业绩基准提升基金筛选与归因有效性（图43-45），大语言模型等技术应用提升对基金经理言行一致性的自动化分析能力（图46-47）。

• 超额收益趋势：大幅减小基准偏离有利于风险控制，但可能导致超额收益下降（图48），指数增强基金因其稳定的跟踪误差与信息比率优势成为优选（图49、50）。

- Beta选择的策略价值：人工智能驱动的ETF轮动策略获得显著超额收益（图51、52），ETF评价体系多维度，需科学构建（图53、54）。

• 指增产品收益递减：近年来沪深300、中证500、中证1000指增产品超额收益显著回落，提示Alpha获取难度加大（图55-57）。

总结：公募新规下基金行业风格稳定性加强，指数增强基金价值上升，FOF成本结构优化。积极应用人工智能技术进行Beta选择和基金筛选成为未来趋势。[page::10,11,12,13,14]

---

4. 极端行情下因子策略失效与应对措施

• 极端行情表现：选取2024年以来三个极端时间段（流动性危机、政策驱动牛市、关税冲击），指增产品普遍出现超额收益下降甚至回撤（图58、59）；显示风格因子表现明显分化（图60、61）。

- 因子表现总结：
- 小盘、市值因子、分析师因子表现较好，建议重点配置。
- 价值因子、质量因子在下跌行情体现防御作用，反转因子在上涨行情中表现突出。

• 高频因子分析：价格区间因子表现稳定且有效，斜率凸性和价量相关因子需动态调整，遗憾规避因子表现防御性强（图62、63）。

- 因子挖掘新范式：报告重点介绍基于大模型的因子挖掘流程（图64），示例展示多条LLM因子在极端行情中的优异表现（图65-67），验证了LLM在Alpha生成上的有效性。

• 机器学习方法：介绍传统梯度提升(GDBT)、神经网络(NN)等机器学习因子持续创造正收益（图68、69），但极端行情中亦存在脆弱性（图70）。

- 多智能体研报因子与强化学习应用：多智能体模式结合金融研报文本，辅助因子挖掘和股票价格预测（图71、72），强化学习用于Alpha因子生成及组合优化（图73）。

• 基于LLM的股票投资概念提取与优化：文本清洗、概念抽象及聚类，有效构建概念数据库，提升组合优化效果。概念聚类策略在沪深300回测中优于传统行业分类（图74-77）。

总结：极端行情对传统因子策略冲击显著，报告提出结合大语言模型、机器学习与强化学习方法强化Alpha挖掘，精准应对极端波动风险，为未来研究提供方向。[page::15,16,17]

---

5. 风险提示

报告针对政策、市场环境变化导致模型失效、国际政治摩擦带来的系统性风险、大模型生成结果的不确定性及随机性、模型迭代带来结论变动等多方面风险进行提示，强化读者风险意识。[page::18]

---

三、图表深度解读摘选

1. 图1（Qwen模型架构）：清晰展示了当前主流开源模型的训练架构与迭代模块，重点突出了模型降本提效的关键技术节点，直接支撑“开源模型本地化且可微调”的议题。[page::1]
2. 图2（大模型成本指数下降）：对比展示2022年后各版本同等能力下的LLM成本快速下降轨迹，趋势线明显呈指数级递减，强化了算法优化和硬件提升对成本驱动的作用核心论断。[page::2]
3. 图4（金融机构大模型应用案例）：涵盖多家顶尖机构与其自主模型，涵盖交易、投顾、客服等多业务场景，证明大模型已成为财富管理与投资决策的重要技术助推器。[page::2]
4. 图9-13（宏观经济与市场数据）：多维度数据佐证弱复苏环境，结合未来预期给出市场短期震荡与中长期偏向的轮廓，尤其图11联邦基金隐含降息概率高达近100%，表达预期政策放松态势。[page::5]
5. 图17（新能源行业政策周期与股价走势）：通过时间序列分阶段标注政策特征，对应股价走势的形态分析，体现出政策引导型行业多阶段成长性，明显指导投资阶段配置策略。[page::6]
6. 图38-40（基金偏离度与超额收益风险）：统计显示行业偏离度高基金回撤风险加大，新规背景下基金经理不得不寻求分散配置，年化超额收益和年度胜率随行业配置数增加明显提升。[page::11]
7. 图48-50（基金偏离度与指增基金表现）：基金偏离基准幅度与超额收益正相关性承压，中低跟踪误差的指数增强基金在多年度表现稳定，信息比率明显高于普通股票型基金，显示指数增强日益重要。[page::13]
8. 图58-63（极端行情因子收益分化）：极端行情对因子表现影响显著，小盘因子、价值因子在不同极端环境下呈现相反的防御或攻击属性，图63高频因子允许策略动态调整以规避风险与捕捉机会。[page::15]
9. 图65-67（LLM因子多头收益与统计指标）：各个LLM挖掘因子在不同极端行情下均展现出超额收益能力和较好统计显著性（IC值、t值、夏普比率等），体现了新技术驱动Alpha因子研发的巨大潜力。[page::16]
10. 图74-77（LLM概念提取与组合优化）：流程图详解投资概念提取与合成方法，基于概念聚类的组合优化策略优于传统行业分类，提升信息比率和超额收益稳定性，为行业轮动及组合构建提供新范式。[page::17]

---

四、估值分析

报告主要聚焦宏观与行业策略、投研智能化革新与因子策略，而未涉及传统公司估值模型。其“估值”逻辑主要通过如下内容体现：

• 大模型和AI赋能使多因子挖掘及智能投研工具性能大幅提升，间接提升对市场估值动态和行业价值判断的准确度。

- 行业周期与政策驱动型分析为行业配置与估值判断建立动态框架。

• 引入基金超额收益、信息比率等量化指标视角，对基金产品及ETF表现进行横向的相对估值判断。

因此，估值部分偏重策略资产配置与定量策略的表现估计，核心依托多因子及算法优化，而非传统DCF等基本面模型。[page::6,9,13]

---

五、风险因素评估

重点风险提示包括：

• 宏观政策和市场环境变化可能导致历史统计模型效用丧失。

- 国际政治冲突升级带来全市场系统性风波。

• 大语言模型随机性导致推理错误影响投资判断。

- 模型迭代升级和功能变更可能引发预测结果变动。

报告明确提出需充分关注上述风险，保持策略动态调整，以应对不可控环境变化。[page::18]

---

六、批判性视角与细微差别

• 该报告对大模型应用持明显积极预期，强调其降本增效和智能化投研的潜力，但对于技术在金融实际应用中的落地难度、过度依赖模型假设、数据质量依赖等风险提示较少。

- 报告大量使用过去数据与技术趋势预测未来，季节性和周期性波动可能对结论带来误导。

• 部分模型和因子的实盘抗风险能力尚不明朗，尤其是在极端行情中的脆弱性需更深入的实证支撑。

- 对公募基金新规影响的预测基于美国市场类比，虽然合理，但中美市场差异可能影响实际效果。

• 报告强调指数增强基金优势，但未详细描述可能的流动性风险及指数样本变动对策略的冲击。

总之，报告逻辑闭合，论据充分，建议读者结合自身实际需求谨慎应用，关注预测中的不确定性及模型局限。[综合]

---

七、结论性综合

本报告全面系统地阐述了大模型等人工智能技术在金融投研中的最新应用进展、经济弱复苏趋势下的投资配置策略、公募新规对基金投资行为的深远影响及因子策略在极端市场环境中的表现与优化方向。重点包括：

• AI赋能投研的革命性变革：开源大模型和AgenticAI技术突破，推动投研自动化、智能化，金融机构广泛落地大模型，赋能智能交易、投顾等多场景显著提升效率。报告的图表系统性展示了从模型架构（图1），到技术降本成本曲线（图2），再到行业应用案例（图4）及自动化报告生成（图7），体现AI助力金融领域的实际价值。[page::1,2,3,4]
• 宏观弱复苏下的风格与行业配置：经济数据和市场指标显示经济处于弱复苏，叠加政策引导，行业表现分化显著，小盘成长和政策驱动型板块具备较大机会。同时，宏调控与结构调整推动大盘价值在震荡时段发挥防御作用。运用大模型对政策文本进行产业周期分阶段分析，实现更加精准的行业周期追踪（图17-19）。[page::5,6,7,8,9]
• 公募新规重塑基金行业面貌：基金经理被动减少风格漂移，投资风格规范化与分散化配置是新常态。指数增强基金作为风险调整后的优选工具，其超额收益和信息比率稳定优于主动型基金。结合AI技术对基金经理行为的自动化分析，有望提升定性研究效率（图38-50）。[page::10,11,12,13,14]
• 极端行情中策略表现与创新路径：指增产品极端行情回撤风险突出，传统风格因子效力分化明显。报告提出结合大语言模型、机器学习及强化学习技术进行因子挖掘的新范式，实际数据证明其极端行情下因子表现优异（图65-70），用以对冲极端风险，提升Alpha挖掘效率与收益质量。概念提取与聚类进一步助力组合优化（图74-77）。[page::15,16,17]
• 风险管理：警示政策环境、市场环境变化带来的模型失效风险，大模型本身的不确定性及迭代风险。提醒投资者关注动态调整和风险防范。[page::18]

综上，报告形成了一个围绕AI技术赋能投研优化—宏观行业风格判断—基金投资行为新规适应—极端行情因子创新应对的整体投资策略框架，兼顾理论奋进与实操可行性。对于关注中国市场智能投资转型与宏观结构性机会的机构及投资者，具有高度参考价值。

---

总结与建议

• 报告结构严谨，内容丰富，图文并茂，对智能投研的最新技术和方法论进行了系统梳理。

- 经济与市场的分析紧凑贴合当前宏观环境，且结合政策文本的智能分析体现出深厚的技术积累。

• 公募新规引导的基金配置趋势分析深入，兼顾了定量与定性研究升级需求。

- 极端行情风险明确，强调AI和机器学习结合的创新投资策略，开拓Alpha新路径。

• 需关注报告对大模型技术的乐观预期与落地应用的挑战之间的差距，并注意模型依赖数据和算法带来的不确定性。

整体而言，报告从金融科技创新视角，对2025年中期投资策略提出了具有前瞻性和实操指导意义的分析框架与方法论，助力市场参与方把握智能化投研带来的投资机遇。

---

以上内容根据报告文本精确提取与解读，原文相关页码依据已标注，便于溯源和深度复核。

报告