金工深度研究：LLM赋能资产配置，基于新闻数据的AI宏观因子构建与应用.pdf

金工深度研究：LLM赋能资产配置，基于新闻数据的AI宏观因子构建与应用。

人工智能 96：新闻 AI 宏观因子赋能资产配置

本研究是“LLM 赋能资产配置”系列的开篇，利用大语言模型（LLM）基于 新闻数据构建出了有效的 AI 宏观因子，并验证了其在资产配置中的应用价 值。与结构化数据相比，文本信息具有如下优点：多维、丰富；及时、高频。 因子刻画的核心难点在于如何从非结构化文本中有效提炼语义信息，这也是 本研究的重点。实证结果表明，所构建的 AI 经济增长因子和 AI 地缘政治与 国际关系因子能实现对经济的敏锐追踪，对资产价格走势的解释力度也明显 优于传统低高频指标。AI 中国增长因子能对国内股债资产进行有效择时， AI 地缘政治与国际关系因子能对黄金进行有效择时。

基于文本信息构建 AI 宏观因子：核心在于宏观信息的提炼质量

AI 宏观因子的有效性高度依赖于宏观信息的提炼质量。为此，本研究提出 了一套从大规模新闻文本中提炼有效宏观信息的框架。该框架强调“任务解 耦”和“减轻幻觉”原则，即将宏观分析拆解为多个子任务，并依据任务特 点针对性选配语言模型，以充分发挥 LLM 的强大语义理解能力。同时引入 提示工程和大小模型协同等策略，以减轻幻觉问题。提示工程可以减少 LLM “自由发挥”的空间，将其引导至期望的输出格式和逻辑上。大小模型协同 指结合 LLM 与人工标注高质量数据集样本，然后训练轻量化模型进行知识 蒸馏，用训练好的模型进行大规模批注，确保结果稳定性和可复现性。

数据预处理：提炼新闻中的宏观信息

新闻数据相比结构化数据，涵盖了更丰富的宏观叙事，但噪音问题严重，需 要进行深度清洗。本研究设计了如下预处理流程：(1)宏观新闻粗筛：基于 LLM 标注数据并对 Bert 模型进行微调，构建高精度宏观新闻分类器，从原 始语料中筛选出宏观相关新闻；(2)事件切割与去重：将单条新闻拆解为多 个独立子事件，以模拟人类分析思维并为后续研究提供更清晰和更具结构化 的数据。每个子事件均标注国别/地区及时间性质标签，以支持地域分类和 时间指向性分析。最后基于语义相似度对事件进行去重。

因子构建：量化宏观新闻中的有效信息

宏观新闻分析的核心在于区分“事实”与“观点”，后者是增量信息。我们 会对宏观事件进行相关性、情感方向和影响强度这三个维度的标注。选取 2014 年 8 月至 2020 年 12 月作为样本内，使用 Prompt 优化后的 LLM 对宏 观事件进行初步标注，然后人工复核，兼顾 LLM 的广度与人类的深度，最 终形成的高质量标注语料用于微调 Bert 模型。从微调效果看，经济增长和 地缘政治与国际关系维度的模型评估指标整体优异，可以用于样本外标注。

因子应用：AI 宏观因子可以灵敏反应宏观边际变化并指导资产配置

我们构建了日频的 AI 中国/美国经济增长因子和 AI 地缘政治与国际关系因 子，涵盖短周期/长周期、现实/预期多维度，可敏锐捕捉经济边际变化。以 AI 中国经济增长因子为例，该因子在 2024 年“9·24”刺激政策出台后迅 速回升，在 2025 年 3 月下旬关税风波时快速回落，可有效应用于国内股债 择时。模型自今年 1 月 12 日开始看多股票，看空债券。AI 地缘政治与国际 关系因子能够对黄金进行有效择时，模型最新一期仓位调整发生于 2025 年 8 月 24 日，黄金仓位由 2025 年 5 月 25 日的 25%上调至 75%。