大模型赋能二级市场投研系列电话会议日程总览 [page::1][page::2][page::3]

• 列出多场会议主题，涵盖大模型自动生成报告（Deepseek框架）、LLM因子挖掘（MMR、RAG、自反馈机制）、智能投研系统搭建等

- 会议涵盖学术和应用场景，时间从2025年8月至9月，涉及投研自动化、基金经理识别、舆情情绪增强策略等多个热点主题

• 汇聚国金金融工程团队核心成员，展示团队内部创新研究和实用策略分享安排

重点分享内容方向 [page::1][page::4]

• LLM因子挖掘技术探讨，结合MMR、RAG技术实现模型因子的高效挖掘与应用

- DeepSeek大模型在周报月报自动生成的应用框架及智能化投研工作流可视化

• 基于结构化数据的本地智能投研系统构建，包括原理与应用分场

- 利用FinGPT等模型对金融论坛舆情及另类情绪因子进行精准识别与应用

• 智能化基金经理调研报告生成与标签体系构建，实现选基效率提升

会议参与信息与组织介绍 [page::1][page::4]

• 会议均为线上电话会议，配有专属参会密码，方便专业参与者在线交流学习

- 由国金证券金融工程团队组织，拥有丰富的量化投研与大模型技术结合经验

• 难以获得量化策略具体模型构建和回测数据，侧重于技术和流程介绍，非标准量化策略报告

报告分析：国金证券《大模型重构二级市场投研系列电话会议》研究报告

---

1. 元数据与概览

• 报告标题：《大模型重构二级市场投研系列电话会议》

- 发布机构：国金证券金融工程团队，量化智投

• 发布日期：2025年8月16日

- 报告类型：系列会议议程及大模型技术在投研应用的应用介绍

• 主题内容：围绕“如何利用大模型技术重构二级市场投研流程”，包括大模型赋能投研的具体应用框架、因子挖掘、投研自动化、智能投基等多个专题。

- 核心论点：大模型（如Deepseek、LLM等）正成为金融投研领域技术创新的核心驱动力，通过智能化手段实现投研效率的大幅提升、选股策略的优化和投研自动化，推动二级市场研究和投资方法论的深刻变革。

• 目标受众：金融从业人员，量化投研团队，投资策略开发者，以及对人工智能在金融行业应用感兴趣的专业人士。

总体来看，本报告以一系列线上电话会议及分享活动的形式，系统呈现国金证券金融工程团队对于“大模型赋能投研”思路和技术路线的最新实践与探索，体现了机构对AI大模型在金融投研领域深度应用的决心和方法论推进。[page::0], [page::1]

---

2. 逐节深度解读

2.1 报告结构及内容分布

报告以会议议程为主线，分为多个系列主题，如“大模型赋能投研之十”、“Alpha掘金系列之十七”、“智能化选基系列”等，涵盖了从大模型因子挖掘、自动生成投研报告、智能化选股、投基策略提升，到海外投资大师智能体的构建等多方面内容。各主题由国金证券金融工程团队不同研究员主讲，体现团队跨领域协作与技术积累。

---

2.2 会议及主题详细解析

• 大模型赋能投研之十：基于Deepseek大模型的周报月报全自动生成框架

主讲人赵妍介绍如何应用Deepseek大模型架构，实现投研报告周期性自动生成，有效提升研究员写作效率和报告质量的一致性。此框架基于大模型强大的自然语言处理能力，结合金融领域专有知识，通过数据采集、信息提炼、自动写作到报告输出的一体化流程，缩短周期，降低人力成本。

• Alpha掘金系列十七：即插即用LLM因子挖掘：MMR、RAG与自反馈机制

陶杨讲解最新大模型因子挖掘方法，结合多模态检索(例如MMR-最大边缘相关性)、基于知识检索增强生成(RAG)、以及模型自反馈机制，提出一种灵活且效果优异的因子发掘流程，透过大模型提高因子挖掘的准确性和稳定性。

• 大模型赋能投研之十二：基于MCP模块构建弹性大模型研报复现框架

许坤圣重点阐述MCP模块设计，旨在建立一种弹性、可复现的大模型研报生成框架，既支持标准报告的批量生产又能灵活定制个性化内容，从而解决大规模智能投研场景下的效率与精度平衡问题。

• Alpha掘金系列其他主题例如“基于概念文本相似度聚类的组合优化方案”、“基于BERT-TextCNN的舆情增强策略”等，则呈现了团队在深化大模型与机器学习混合策略，特别是利用文本挖掘和情绪分析进行投资组合的优化和风险管理方面的最新成果。
• 智能化选基系列则聚焦基金经理行为与能力的识别、基金评价报告自动撰写以及标签体系构建，展现了金融工程团队如何利用大模型进行基金经理的言行一致性分析和基金产品的智能评价，推动量化投基智能化或半自动化。[page::1], [page::2], [page::3], [page::4]

---

3. 图表深度解读

报告中提供了两张关键配图：

• 图1：团队成员合影（图片文件 images/df5d81a563ccc55d662ef4e921e9b37ee168db661e188a65107ae81737141d0f.jpg?page=1）

该图展示了国金证券金融工程高智威团队的核心研究成员，涵盖包括项目发起人、主要讲师在内的8位专业研究员，彰显了团队雄厚的金融工程和数据科学背景。这突出体现了当前大模型项目的跨技术与业务协作属性，为项目的广泛深入提供人才保障。

• 图2：会议二维码（图片文件 images/b525174d2c839d1aacbc003b79194e1064090912c0ea97ef71194d97602f5bbf.jpg?page=4）

二维码旨在方便参会人员扫码快速参与线上电话会议，体现报告在线互动办会的便捷性和数字化筹备水平。

图表虽为辅助性质，但对会议流程和团队展示起到了直观且必要的支撑作用，突显本系列电话会议的系统化和专业化运营。[page::1], [page::4]

---

4. 估值分析

此报告本质为会议议程及研究团队项目介绍，因此并未涉及具体的财务估值方法、目标价、现金流折现分析或可比公司估值法等典型估值内容。

不过，报告背后隐含的价值创造逻辑可视为：
通过大模型技术赋能，能够显著提升证券研究与量化投研的效率和效果，从而有潜在提升基金与资产管理整体投资收益率的价值驱动。这种间接“估值”核心体现在研发与应用相结合的技术投资回报上。

---

5. 风险因素评估

报告中未明确披露具体风险章节，但依据内容特点，潜在风险因素可推测如下：

• 大模型应用的准确性与稳健性风险：大模型依赖训练数据和算法设计，若模型过度拟合或出现偏差，可能导致投资因子挖掘或策略生成错误。
• 数据质量与合规风险：金融数据涉及隐私和合规要求，数据处理不当或规则变化可能影响模型表现。
• 技术实施与维护风险：大模型系统建设复杂，需跨部门协作，且持续维护成本较高，技术迭代压力大。
• 市场变化风险：市场环境快速变化，历史数据和模型训练结果不一定适应未来市场动态。

虽然报告没有给出缓解策略，但从团队的模块化框架设计（如MCP模块弹性架构）和自反馈机制可以看出，团队已建立一定的技术风险控制和模型稳定性保障机制。[page::1], [page::2]

---

6. 批判性视角与细微差别

• 会议议程性质限制了深度技术细节披露

该报告更多是一次系统介绍和宣传，缺少对大模型具体实现细节、核心算法验证和效果对比的深入技术披露，难以从中独立评估其模型技术的实际表现。

• 缺乏定量效果数据及案例研究

议程列表展示了多项技术应用，但没有披露具体的投资回报数据或风控指标的提升效果，这使得技术价值更多依赖于定性描述，投资者应留意后续实践成果数据支持。

• 风险评估未成体系

报告中未专门阐述大模型技术或市场策略面可能遇到的风险与不确定性，呈现较积极的单向视角。对风险防范与负面案例的分析不足将影响用户对全部解决方案的全面理解。

• 市场和技术同步推进的协调挑战未提及

在快速迭代的大模型技术与金融市场动态之间如何协调，确保模型及时更新和策略有效性，是该项目后续需要着重解决的问题，当前报告未见相关说明。

---

7. 结论性综合

报告以系列电话会议形式全面展示了国金证券金融工程团队探索并实际应用大模型技术赋能二级市场投研的最新进展和技术体系。通过多场专题分享，报告清晰勾勒出大模型在自动因子挖掘、投研报告自动化、智能选基、情绪因子挖掘、投研工作流可视化等多个关键业务环节的深度融合路径，展现了金融量化投研领域技术创新的前沿动态与实践样本。

从图文资料看，团队具备跨学科融合能力与系统化技术建设基础，已形成较为完整的技术赋能框架。尽管缺乏具体量化效果示范和系统风险管控细节披露，整体思路明确且针对性强，反映出大模型应用为证券投研流程带来的潜在巨大效率提升和策略优化的价值。

该报告所体现的观点与实践，表明国金证券积极拥抱AI大模型革命，期待通过智能化投研实现更精准高效的二级市场投资决策支持。这不仅是金融行业技术升级的重要里程碑，同时也对市场参与者在投研方法论更新上提供了参考与启示。

---

图片引用：

• 大模型赋能投研系列团队合影

• 会议二维码

---

# 综上，报告全面介绍了国金证券大模型智能投研项目的系列会议安排及关键应用主题，虽然缺少估值和风险细节数据，仍为理解大模型与二级市场投研结合提供了系统化、多维度的观察视角和方法论框架。该系列会议尚在持续进行，后续发布的技术细节和应用案例值得持续关注。[page::0], [page::1], [page::2], [page::3], [page::4]

报告