AI赋能资产配置(十八)：LLM助力资产配置与投资融合

请务必阅读正文之后的免责声明及其项下所有内容AI 赋能资产配置（十八）LLM 助力资产配置与投资融合核心观点策略研究·策略专题证券分析师：王开021-60933132wangkai8@guosen.com.cnS0980521030001基础数据中小板/月涨跌幅(%)8253.14/0.92创业板/月涨跌幅(%)3229.58/2.48AH 股价差指数119.43A 股总/流通市值 (万亿元)96.97/89.08市场走势资料来源：Wind、国信证券经济研究所整理相关研究报告《估值周观察(10 月第 3 期) - 全球普涨，A 股成长反弹》 ——2025-10-26《策略观点-积跬步，行稳致远》 ——2025-10-21《估值周观察(10 月第 2 期)-价值抗跌，成长承压》 ——2025-10-20《ESG 热点周聚焦（10 月第 2 期）- 工信部启动 2025 年度绿色工厂推荐工作》 ——2025-10-12《估值周观察(10 月第 1 期) - 市场高低切，周期品领涨》 ——2025-10-12核心结论：①LLM 重塑资产配置的信息基础。传统量化策略主要依赖结构化数值数据，对舆情、政策、财报等非结构化信息的吸收不足，而 LLM 通过强大的文本理解与逻辑推理能力，将这些信息转化为结构化因子，显著提升投研响应速度与前瞻性。②真正的落地不依赖单一模型性能，依赖“LLM+实时数据+优化器”的协作机制。通过模型分工，LLM 负责认知与推理，外部 API与 RAG 提供实时信息支撑，数值优化器完成配权计算，形成可执行、可解释的投资 Agent。③当前 LLM 在舆情信号提取、财报解析、投资推理和 Agent构建等多个环节已具备可操作路径，具备增强传统资产配置体系的现实基础。④未来随着强化学习与多智能体架构的发展，LLM 将从“辅助工具”走向“核心推理与交互中枢”，资产配置将从静态决策向智能化、动态演进转变，重塑买方投研与策略执行逻辑。信息优势重构，信号维度显著拓展。LLM 使得舆情、财报、政策文本等软信息可以被高效提取、量化并嵌入配置模型。FinBERT、FinGPT、BloombergGPT、PloutosGPT 等模型在情绪识别、文本解析与投资推理上已经展现出明确优势。非结构化信息的系统化利用，增强了市场预期感知能力，使策略具备更高的灵敏度与前瞻性。落地路径明确，技术栈可复制。通过模块化设计，LLM 与 API、RAG、数值优化器形成分工协作：在信息端，LLM 负责文本理解与逻辑推理；在数据端，外接 API 与 RAG 提供实时行情、财报与宏观变量；在决策端，优化器完成资产配权与约束求解。这种结构既提升了策略的稳定性与可解释性，也具备较强的可扩展性，适用于多资产配置。从信号提取到 Agent 执行，形成全链条能力。案例一与案例二展示了 LLM 在舆情与财报场景下的定量因子提取与配置应用；案例三则构建了完整的Agent，实现从信息收集、信号提取，到优化配置与执行输出的闭环落地，为机构投资提供可操作范式。智能化资产配置加速演进，应用边界持续拓展。展望未来，LLM 与强化学习、Auto-Agent、多智能体系统及个性化投研平台的深度结合，将推动资产配置从工具化向系统化、从线性流程向智能演进过渡，成为买方机构构建信息优势与策略护城河的核心技术路径。风险提示：结论受模型存在不确定性、数据质量、市场环境影响，本文不构成任何投资建议。请务必阅读正文之后的免责声明及其项下所有内容证券研究报告2内容目录一、信息优势再造：LLM 重塑投研链条 .............................................4二、从文本到配置：LLM 嵌入投资流程 .............................................4三、案例分析：从信号识别到投资 Agent ...........................................6四、结论与展望 ............................................................... 10风险提示 ..................................................................... 11请务必阅读正文之后的免责声明及其项下所有内容证券研究报告3图表目录图1： 不同 LLM 金融变体的功能特性与应用场景 ................................................ 5图2： LLM 在不同投资流程环节发挥的功能 .....................................................6图3： 用 LLM 捕捉舆情信号增强配置前瞻性的流程图 ............................................ 7图4： 用 LLM 解析财报信号驱动收益预测与配置优化的流程图 .................................... 8图5： 投资 Agent 的全流程落地 ............................................................. 10请务必阅读正文之后的免责声明及其项下所有内容证券研究报告4一、信息优势再造：LLM 重塑投研链条传统金融建模长期依赖于结构化数值数据，如股票价格、收益率和宏观经济指标等。这类数据确实能够刻画市场的部分状态，但它们始终只反映了市场的一面。金融市场的另一个核心特征是信息的非结构化特性。无论是新闻报道、分析师研报、财报电话会议记录，还是社交媒体舆情，这些文本信息往往包含着市场预期、情绪变化与关键的定性洞察，是传统数值数据难以直接捕捉的。这一部分信息过去往往依赖人工研读与经验判断，在时效性与客观性上存在天然局限。大语言模型（Large Language Models,LLM）的出现，为这一局面提供了全新的解法。得益于其在自然语言理解、信息提取和逻辑推理上的强大能力，LLM 能够高效地处理海量非结构化文本，将原本模糊、分散的舆情、政策、行业信号转化为结构化的量化因子，直接嵌入投研和资产配置流程中。这意味着投资者在应对复杂市场时，信息处理和响应的速度与深度均能得到显著提升。在实际投资工作中，从信息收集、信号提取，到收益预测、组合配置和风险管理，几乎每一个环节都可以嵌入 LLM 模块。例如，FinBERT 与 FinGPT 可以识别新闻与财报中的情绪信号；BloombergGPT 具备强大的金融文本理解和结构化信息抽取能力；PloutosGPT 能够结合文本与结构化数据生成投资推理与配置建议；而 LLaMA与 FinLlama 则适用于私有化部署，用于搭建面向投研团队的智能体（Agent）决策系统。通过这些模型的组合，投资流程在信息敏感性、决策解释性以及配置灵活性方面都得到了显著强化。然而，LLM 并非万能，它在投资领域的价值更多体现在对传统投研体系的“增强”而非“替代”。一方面，它拓宽了信号输入维度，让投研体系能够系统性吸