AI大模型在投资研究中应用及未来趋势.pdf

AI大模型在投资研究中应用及未来趋势。近期 DeepSeek 系列开源大模型凭借低成本高性能的优势，引发全球关注。 随着大模型训练和推理成本的快速下降，在投研场景下运用大模型技术对关 键步骤进行赋能的可行性也在不断提升。当前，如何将大模型深度融入投研 工作以提高投资决策的效率和质量仍然处在探索期。本文将梳理大模型的发 展路径、关键技术和面向金融领域的应用案例以供参考。

随着模型能力的不断提升以及模型训练成本的不断降低，AI 大模型的应用范 围正在不断扩大。

Deepseek R1 模型在性能和价格上的优势使其成为日常工作的最佳选择之 一。R1 蒸馏系列模型可以在本地较低的硬件条件下进行部署并满足简单的 日常工作，14B 参数以下的蒸馏模型可能存在明显的指令理解问题，建议部 署 14B 以上的模型。

通用大模型在金融场景下的表现可能并不能达到预期，因此需要面向金融领 域的大模型。金融大模型可以通过重新在大规模金融语料训练得到，也可以 通过在通用大模型的基础上利用 LoRA 等高效的微调技术进一步微调得到。

预训练的大模型存在知识局限性且存在幻觉，思维链（CoT）和检索增强技 术是大模型获取新知识，提高逻辑推理能力并减轻幻觉的关键。

AI Agent 是基于大模型的 AI 应用主要方式之一。多 Agent 系统通常能够比 单 Agent 系统体现出更多的智能。

在主动投研场景下，大模型可以模拟人的角色提供投研决策支持。例如，研 究表明基于不同分工角色的多智能体系统通过相互协同产生投资决策的框架 展现出优秀的绩效表现。

在量化投研场景下，大模型可以帮助量化研究提高因子挖掘效率。例如，以 LLM 为核心的人机交互的因子系统可以快速将量化研究员的想法转化为因 子并评估其表现。