DeepSeek优化资配模型过程与未来改进方向分析

目前接入的为DeepSeek-V3模型，尚未使用推理能 力更强的DeepSeek-R1。接入更高性能的大模型有望进一步优化当 前配置。

1.DeepSeek优化资配模型的具体过程

输入阶段

自然语言输入：制作语料，将五个短期框架的底层逻辑以自然语言文本形式输入DeepSeek，旨在帮助其理解策略框架与周期特征。 数据输入：①读取底稿中的股债打分及其背后的周期与宏观经济指标，建立数据库并输入DeepSeek，旨在帮助其从数据获取信息；②生成初始权重，基于XGBoost等模型指引DeepSeek明确正确的权重调整方向。（技术细节：以实际股债强弱为因变量，基于五个短期框架拟合其解释力度生成初始权重，6个月窗口用于捕捉短期波动）

训练阶段

DeepSeek接入：通过API将DeepSeek接入Python环境，实现变量和数据框的AI加工与动态输出。采用硅基流动基于华为昇腾云的DeepSeek R1 & V3推理服务，确保稳定高效的模型训练与推理调用。指令的输入：①输入不同时间段的宏观变量和五大短期模型最优权重，助力AI掌握模型逻辑与数据映射（静态学习）；②输入实际股债强弱与“先验权重”的偏差，要求AI结合真实数据迭代调整权重（动态纠偏）。权重的迭代输出：①DeepSeek动态优化，调整权重以贴合历史经验（基于历史）；②挖掘先验权重解释真实股债强弱的偏差，实现自我纠正机制，提升资产配置的前瞻性和胜率（面向未来）。

应用阶段

宏观经济指标的预测：我们整合了市场有一致预期的宏观指标（如工业增加值同比、PMI等），并自主推算了缺乏一致预期的关键变量（如产成品存货、票据余额等） 。 “打分指示股债强弱”指标的外推： DeepSeek已明确不同宏观指标下的最优权重配置，以更好地解释真实股债强弱。基于此，我们将预测好的宏观指标输入DeepSeek，即可获取优化后的权重，并据此对五个短期框架进行降维，生成AI调整后的最终配置。结果呈现：①胜率显著提升。若“打分指示的股债强弱”与“实际股债强弱”同向变动，则判定为胜，反之为败。DeepSeek接入后，胜率提升至60.61%，而等权降维的打分指数胜率不足40%。② 2025年全年股债强弱预测：预计2025年第一季度股债强弱进一步上升，进入复苏周期（指数<0，方向上升）③静态学习：还挖掘了周期与权重的关系④ DeepSeek基于“打分指示的股债强弱”与国证价值、国证成长的关系，研判2025年各月走势。

2.未来改进方向

大模型的选择：目前接入的为DeepSeek-V3模型，尚未使用推理能 力更强的DeepSeek-R1。接入更高性能的大模型有望进一步优化当 前配置。（核心问题：现阶段采用硅基流动基于华为昇腾云的 DeepSeek R1 & V3推理服务，受TPM限制（每分钟Token数量不超过 15000），导致AI输出耗时较长。未来通过本地部署大模型，或可 在本地构建知识库以提升响应速度和优化能力） 。

指令的优化： Prompt仍有优化空间，可参考清华大学新闻与传播 学院新媒体研究中心元宇宙实验室团队提供的DeepSeek使用手册， 结合语用意图分析（PIA）、主题聚焦（TFM）、细节增强（DES） 等策略，进一步优化指令设计，使其更契合场景化资产配置需求 。语料的优化：当前语料仍较为繁杂，后续可通过精简内容、提炼核 心信息，提升DeepSeek的处理效率和响应速度 。 宏观数据的推算：目前宏观数据仍以人为推测为主，后续可考虑借 助DeepSeek按相似逻辑进行自动推算，提升效率与准确性。 技术细节问题：当前最优权重的确定基于XGBoost，为DeepSeek提 供了优化权重的方向性指引。未来可探索其他方法，以生成对实际 股债强弱拟合效果更优的“先验权重”。