AI大模型在投資研究中應用及未來趨勢.pdf

AI大模型在投資研究中應用及未來趨勢。

近期 DeepSeek 系列開源大模型憑借低成本高性能的優勢，引發全球關注。 隨著大模型訓練和推理成本的快速下降，在投研場景下運用大模型技術對關 鍵步驟進行賦能的可行性也在不斷提升。當前，如何將大模型深度融入投研 工作以提高投資決策的效率和質量仍然處在探索期。本文將梳理大模型的發 展路徑、關鍵技術和面向金融領域的應用案例以供參考。

隨著模型能力的不斷提升以及模型訓練成本的不斷降低，AI 大模型的應用范 圍正在不斷擴大。

Deepseek R1 模型在性能和價格上的優勢使其成為日常工作的最佳選擇之 一。R1 蒸餾系列模型可以在本地較低的硬件條件下進行部署并滿足簡單的 日常工作，14B 參數以下的蒸餾模型可能存在明顯的指令理解問題，建議部 署 14B 以上的模型。

通用大模型在金融場景下的表現可能并不能達到預期，因此需要面向金融領 域的大模型。金融大模型可以通過重新在大規模金融語料訓練得到，也可以 通過在通用大模型的基礎上利用 LoRA 等高效的微調技術進一步微調得到。

預訓練的大模型存在知識局限性且存在幻覺，思維鏈（CoT）和檢索增強技 術是大模型獲取新知識，提高邏輯推理能力并減輕幻覺的關鍵。

AI Agent 是基于大模型的 AI 應用主要方式之一。多 Agent 系統通常能夠比 單 Agent 系統體現出更多的智能。

在主動投研場景下，大模型可以模擬人的角色提供投研決策支持。例如，研 究表明基于不同分工角色的多智能體系統通過相互協同產生投資決策的框架 展現出優秀的績效表現。

在量化投研場景下，大模型可以幫助量化研究提高因子挖掘效率。例如，以 LLM 為核心的人機交互的因子系統可以快速將量化研究員的想法轉化為因 子并評估其表現。