金工深度研究：大模型概念与宏观热点选股.pdf

金工深度研究：大模型概念与宏观热点选股。

人工智能 102：基于多智能体的概念与宏观热点选股策略

本文在前期大模型应用研究的基础上，基于 Gangtise 知识库与 LangGraph 框架构建了两套多智能体系统，即概念选股智能体与宏观热点智能体。不同 于传统的关键词检索，本框架通过研究计划制定、产业链深度拆解、风险反 证及证据仲裁等环节，实现了对复杂投资逻辑的自动化演绎。回测（回测区 间 20221230 至 20260213）结果显示，基于大模型自动提取的月度概念及 宏观热点策略表现较优，其中月度概念选股策略年化超额收益率为 38.23%， 月度宏观热点选股策略年化超额收益率达 15.51%，显著优于沪深 300。

概念选股智能体：概念映射与产业链深度拆解

传统的概念选股往往受限于人工覆盖面不足或逻辑碎片化。本文构建的概念 选股智能体由五个核心节点构成：研究计划（planner）负责界定边界，产 业链拆分（chain_analyzer）将概念映射至 4-8 个关键环节，并行展开 （node_expander）对各环节执行深度 RAG 检索并生成候选股，证据评审 （ evidence_reviewer ） 进 行 一 致性 与相 关性 检验， 最 后由 组合 构建 （portfolio_builder）生成最终建议。以“人形机器人”测试为例，智能体能 精准识别从上游核心零部件（如精密减速器、空心杯电机）到下游应用场景 及测试认证的全产业链标的。

宏观热点智能体：多维度逻辑推演与证据仲裁机制

面对宏观事件对 A 股的复杂映射，本文设计的宏观热点智能体引入了相对 严密的逻辑校验机制。该系统不仅包含宏观解读与行业映射，且额外增设了 风险反证（risk_refuter）与证据仲裁（evidence_judge）节点。通过模拟不 同观点的碰撞，智能体可从形如“外部逻辑、内部逻辑、市场逻辑、配置逻 辑”四个维度深度解析热点事件对 A 股的影响，并筛选出具备逻辑支撑的 成分股，尽可能避免单一逻辑下的认知偏差。

策略构建与回测：月度概念与宏观热点选股策略

本文进一步利用大模型对每月的市场环境进行最佳概念与最佳宏观热点提 取，构建了自动化选股策略。在 20221230 至 20260213 的回测区间内， 月度概念选股策略通过大模型捕捉当月最强逻辑概念，策略年化收益率为 45.06%，相对沪深 300 指数的年化超额收益率为 38.23%，信息比率为 1.33，展现了较强的题材捕捉能力。月度宏观热点选股策略侧重于宏观叙事 驱动的个股筛选，策略年化收益率为 22.60%，相比沪深 300 指数的年化超 额收益率为 15.51%，相对基准月胜率 65.79%。测试结果表明，多智能体 协作架构不仅能提升概念选股与宏观热点选股的投研效率，其产出的投资组 合在收益率、超额稳定性及相对基准胜率上均具备较为显著的实战价值。