市场表现与收益回顾 - 2024年全年累计收益53.69%，2025年至4月27日累计收益7.79% [1] 本周仓位建议 - 主板建议低仓位 [3] - 中小市值板块建议低仓位 [3] - 风格判断建议均衡 [3] 市场走势分析 - 上周沪深300指数周涨幅0.38%，上证综指周涨幅0.56%，中证500指数周涨幅1.20% [4] - 市场维持窄幅震荡状态，资金期待重要会议方向指引 [4] - 技术面显示市场波动率进一步降低，需留意变盘风险 [4] - 个股活跃度虽有提升但总体仍处于谨慎状态 [4] 基本面分析 国内经济 - 央行MLF超额续作，但4月政治局会议未明确财政与货币刺激政策时间表 [4] - 中国外交部两次发声明确与美国贸易谈判尚未展开 [4] 美国经济 - 美国经济数据呈现高度分化：成屋销售低迷但新房销售重回高位，就业PMI弱势但失业人数平稳 [4] - 消费同比保持高增但消费者信心与投资者信心跌至过去4年新低 [4] - 推测数据分化的两个原因：关税战前突击消费或美国政府统计数据公允性下降 [4] 投资建议 - 主板择时观点建议在4月政治局会议后适度再降仓至低仓位 [4] - 中小市值板块建议跟随主板进一步降仓至低仓位 [5] - 短期动量模型建议关注石油石化行业 [5]

市场表现回顾 - 2024年全年累计收益53.69%，2025年至3月16日累计收益7.79% [1] - 上周沪深300指数涨幅1.59%，上证综指周涨幅1.39%，中证500指数周涨幅1.43% [4] - 市场如期上行创出本轮新高，上周五大涨催化因素为央行关于降准降息的最新强调表态 [4] 本周投资建议 - 主板建议中仓位，中小市值板块建议中仓位，风格判断为均衡 [3] - 短期动量（趋势）模型建议关注行业：无 [5] 基本面分析 - 中国经济温和企稳，2月货币供应数据喜忧参半：社融同比回升，M1同比回落，显示经济处于底部夯实状态 [4] - 需留意三月美国全球关税加征对中国外需的冲击，央行重提"年内择机降准降息"以对冲预期 [4] - 美国2月财政赤字维持高位，特朗普2.0时代企业税减免利好政策预期逐渐被现实扭转，美股美债走势反映定价退出现象 [4] 技术面分析 - 市场强势突破兑现但结构隐忧，板块轮动使突破实质作用待观察，不建议盲目加仓追涨 [4] 政策与市场预期 - 两会结束但政策窗口期未关闭，需警惕市场对降准降息高度亢奋时的博弈风险 [4] - 自1月翻多后首次建议A股适度控制仓位到中等，中小市值板块同步开启谨慎博弈策略 [4][5] 海外动态 - 俄乌停战谈判第二轮推进中，三方分歧不减反增，反映美国军事、政治全球影响力边际下滑 [4] - 美国政府缺钱问题即将显著冲击美国经济，重申美股重大回避 [4]

文章核心观点 - 文章从量化策略角度探讨大模型如何助力投资，测试大模型在行业轮动、风格轮动和市场择时三大任务中的表现，并讨论大模型在量化策略开发中存在的局限性 [1] 大模型助力投资 结合量化投资 - 大语言模型可帮助量化分析师高效实现代码构建，缩短策略开发周期；可通过检索论文网站帮助分析师快速查找研究、提炼观点或形成专家知识库；在策略开发层面，与新闻、研报这类另类数据结合能发挥更大作用 [3] 结合主动投资 - 非量化客户用好大语言模型关键在于明确其长处与局限性，当前大模型在金融领域应用空间大，但只能作为协助者，存在对数字准确度把握不足、知识库滞后、易出现知识幻觉等局限性 [3] 671b标准版DeepSeek - R1在行业轮动任务表现 模型亮点 - DeepSeek - R1基于MoE架构，通过大规模强化学习直接训练基座模型（V3）突破推理能力，在数学、代码、自然语言推理等任务上性能比肩OpenAI o1正式版，验证了强化学习在提升推理能力方面的可能性 [4][11] 测试结果 - 测试发现671b参数版的DS - R1在多项任务中优势明显，后续量化策略任务采用该版本测试；在行业轮动任务上表现更佳，2024年以来行业多头组合相对全行业等权收益率超额22.3%，效果稳定；大小盘轮动策略胜率54.33%，相对等权超额收益超12%；市场择时方面2024年以来超额约18%，稳定性稍弱 [5] 推荐持仓 - 截至2025年2月20日，DS - R1对2025年3月最新推荐持仓为传媒、计算机、电新、汽车、消费者服务、通信；大语言模型在行业配置任务上相对于选股和市场择时任务有独特优势，能更好发挥处理宏观中观信息和逻辑推理的优势 [6] 大模型结合新闻数据在量化策略任务的优势 模型创新点技术细节 - DeepSeek - V3在仅消耗Llama3 405B模型10%计算资源的条件下，实现相当运算效能，源于三项架构革新：多头潜在注意力机制、动态路由混合专家系统及多粒度令牌预测 [10] 使用DeepSeek构造量化模型的流程 - 调用方式有调用官方API、第三方平台API和本地部署三种；不同参数版本模型表现有差异，671b版在逻辑推理、常识问题及脑筋急转弯任务中表现更好，模型处理数字相关计算分析任务能力弱于文本类数据处理能力 [12][15] - 采用数库新闻数据作为提示词信息源，筛选新闻数据以降低数量并保证完整性和有效性；打磨提示词可提升输出质量、降低幻觉概率，还可借助辅助工具生成提示词；设置API接口参数，采用单轮对话方式调用API，对输出结果进行查验 [17][18][19] 回测效果展示 - 设计行业轮动、大小盘轮动和市场择时三个量化策略测试模型表现，行业轮动任务表现亮眼，样本外超额收益超22%，信息比率超1.8，多头组合超额收益回撤小、较稳定，24年10月后明显增长；持仓换手率偏低，为38.5%，多次看好电新、计算机等行业 [21][24][26] 大模型的局限性 幻觉 - 幻觉指模型生成内容无意义或不忠实于源内容，可能源于缺乏对事实的深刻理解，影响模型可靠性；主流AI模型在文本摘要任务中幻觉产生概率在0.7% - 3%之间，DeepSeek早期发布的V2.5幻觉产生概率为2.4%，与OpenAI - o1模型水平大致相同 [32] 随机性 - 大语言模型中temperature等参数控制输出随机程度，取值接近0输出更确定，接近1输出更随机；在行业轮动任务中，temperature = 0.6时，随机性对预测值有影响，但策略均能战胜等权基准；temperature取值干扰模型预测结果构建行业轮动策略的性能，但无直接相关性 [35] 上下文长度限制 - 大语言模型在长文本处理中存在系统性瓶颈，输入序列超过阈值时，对远端信息记忆和调用能力衰减，语义整合误差率非线性上升；DeepSeek - R1上下文长度为64k，限制了可接收新闻数量，影响推理效果 [37][38] 样本内数据泄露的可能性 - 大语言模型处理学术文献存在隐私泄露风险，在量化领域构建策略时，难以保证样本内不出现数据泄露问题，如出现“偷看”问题答案的情况，因此仅测试2024年以来策略表现 [39]