金工深度研究，LLMRouter-GRU：“舆情分诊台”赋能AI量价因子

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 金工 LLMRouter-GRU:“舆情分诊台”赋能 AI 量价因子 华泰研究 林晓明 研究员 SAC No. S0570516010001 SFC No. BPY421 linxiaoming@htsc.com +(86) 755 8208 0134 何康，PhD 研究员 SAC No. S0570520080004 SFC No. BRB318 hekang@htsc.com +(86) 21 2897 2202 徐特，PhD 研究员 SAC No. S0570523050005 xute@htsc.com +(86) 10 6321 1166 孙浩然，PhD 联系人 SAC No. S0570124070018 sunhaoran@htsc.com +(86) 21 2897 2201 LLMRouter-GRU 网络结构示意 资料来源：华泰研究 LLMRouter-GRU 300 增强超额收益 注：全区间均为 GRU 样本外。虚线左侧为 LLM 样本内，右侧为 LLM 样本外。可见虚线两侧，LLMRouter-GRU的超额提升幅度无明显差别。 资料来源：Wind，大智慧财汇，智谱 AI，Qwen，Intern-AI，华泰研究 2025 年 7 月 17 日│中国内地 深度研究 人工智能 94：大模型情绪路由赋能 AI 量价，300 指增表现优异 本研究提出 LLMRouter-GRU 神经网络，将大语言模型（LLM）对新闻舆情的情感分析能力引入 AI 量价模型，构建“舆情分诊台”。该结构通过对原有神经网络进行轻量级改造，基于市场情绪动态选择稀疏专家路由，实现了“情绪分域，量价建模”。实证表明，该模型能有效融合另类舆情信息与量价数据，提升指数增强组合表现。在回测区间 2022-12-30 至 2025-06-30内，舆情覆盖度高的 300 增强年化超额提升达 3.0pct，信息比率与最大回撤也有明显改善。 LLM-News 舆情因子：风格特征清晰，Alpha 属性不强 新闻舆情是市场反馈最灵敏的另类数据源。本研究基于 GLM-4-9B、Qwen2-7B、InternLM2-7B 三组大模型构建 LLM-News 舆情因子，通过高效提示词设计完成海量新闻情感标注。实验显示，该因子虽 Alpha 属性不强，但呈现清晰的风格特征。后续，我们将利用其清晰可辨的风格特征进行专家分域。此外，该因子在大市值股票池覆盖度更高，将为后续的大市值指增策略提供更为明显的增量信息。 LLMRouter-GRU：“情绪分域，量价建模” 传统 MoE-GRU 依赖内生路由，由于决策依据与量价信息同源，因此相较于外生路由，其 Alpha 增厚的空间可能有限。本研究借鉴 LLMoE 思想，将预训练 LLM 作为“智能分诊台”，使用舆情因子替代内生路由器。网络的关键创新在于采用稀疏路由（Sparse Router）方案，通过情绪三分位离散化，仅激活单一专注该情绪风格的 GRU 专家。相比稠密路由，此设计可显著降低计算成本并避免过拟合风险，且仅需对原有专家网络进行轻量化改造。 “舆情分诊台”策略可提升指数增强组合表现 LLMRouter-Sparse-GRU 相比于传统 AI 量价模型在五类指数增强场景均取得提升。在回测区间 2022-12-30 至 2025-06-30 内，相较于传统 GRU，在300 增强与 500 增强场景下，模型年化超额收益分别提升 3.0pct 与 2.2pct，最大回撤同步改善；红利增强和成长增强则分别提升 2.1pct 和 3.7pct；在1000 增强提升稍逊，仅提升 0.9pct。该策略在 GRUa、GRUb 两类基座模型上均验证有效，且稀疏路由显著优于稠密路由及简单特征拼接方案。 风险提示：大模型基于海量数据训练而成。人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。神经网络存在一定的过拟合风险。本文所采用的 GLM-4-9B、Qwen2-7B、InternLM2-7B 大模型训练截止日最晚为2024 年 6 月底，因此样本外回测时间稍短。本报告不涉及标的推荐。 -20%-16%-12%-8%-4%0%(0.07)0.000.070.140.210.282022-122023-032023-062023-092023-122024-032024-062024-092024-122025-032025-06纯量价GRU-超额最大回撤（右轴）LLMRouter-GRU-超额最大回撤（右轴）纯量价GRU-累计超额LLMRouter-GRU-累计超额000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 2 金工研究 正文目录 导读 .............................................................................................................................................................................. 4 因子构建：LLM-News 舆情因子 .................................................................................................................................. 6 数据来源................................................................................................................................................................ 6 大模型推理 ............................................................................................................................................................ 7 方案比选 ............................................................................................