2025 年初以来，AI 产业链催化不断，大模型在技术突破、产业应用、生态演进方面进展喜人。AI 在投研中应用广泛，不论是基于量价数据的趋势预测或择时买点，还是基于文本数据的舆情监测，抑或是进行财务报表与实际经营行为的弥合并识别上市企业报表质量，都从“术”的层面持续赋能投资交易与研究。

国信证券经济研究所策略分析师陈凯畅和国信证券经济研究所策略首席分析师王开共同在《北大金融评论》发文表示，伴随大模型技术持续加速渗透至投研各个领域，AI 大模型、检索增强生成、智能体三者有机结合的模式有望进一步赋能策略研究。

本文完整版刊登于《北大金融评论》第25期。

2025 年初以来，AI 产业链催化不断，大模型在技术突破、产业应用、生态演进方面进展喜人。从技术突破层面看，不论是DeepSeek还是引入Transformer+RNN 混合架构的GPT-5，在长文本理解能力和复杂情形下的推理能力方面均有较大突破，国内大厂大模型推理延迟大幅缩短，伴随数据、算力、算法协同发展螺旋迭代，模型知识密度持续提升。产业应用层面看，综合成熟度更高的代码生成、参数调优等方面持续精进，在成熟度相对较低的工业智能化方向更稳定准确，分布式质检、医疗与消费场景深化、室内空间设计生成等垂域应用爆发式落地，AI 从实验室大步向前迈入“千行百业”。生态演进方面，国产大模型蓬勃发展下的开源生态逐步完善，模型能力强化与垂域场景应用产业分工进一步明晰，垂域模型鲁棒性进一步提升。

大势研判：AI 助力识别市场主要矛盾

AI 大模型助力策略研究大势研判的思路，更多是从对当前策略研究框架化繁为简的需求出发。大势研判既需要关注短、中长期的经济周期，也需要跟踪企业盈利、流动性、风险偏好等市场层面的要素，且不同时间区间内的主导变量大不相同。以A 股为例，千禧年后的第一个十年里，企业盈利有增量、ROE 拾级而上，主导变量来自分子端；伴随经济增长中枢下台阶，2013—2015 年牛市期间的主导变量来到分母端；2016—2018 年的慢牛期间，主导变量由分子、分母端共同贡献，盈利层面完成对风格因子的估值修正，分母端风险偏好权重亦有所上升；2022—2024 年上半年期间，分子端被过度计价，而“9·24”之后的行情快速驱动主导因子转向流动性。在经济转型的窗口，抓住特定时间段的主导变量以及市场对这些主导变量的预期差，能够帮助策略研究员快速提升研判的效率，AI 大模型在大势研判中的应用场景则可以聚焦在因子构建与动态赋权两个维度。

因子构建层面，以通胀因子为例，由于国家统计局每月发布的CPI、PPI 数据存在一定程度的时滞，我们在研究实践过程中尝试基于果蔬、猪肉等产品的平均批发价，以及生产端螺纹钢、动力煤、布油等商品期货结算价，通过向大模型输入标准化数据，计算各分项对当前通胀的潜在贡献权重，可以实现动态构建“通胀领先因子”。

动态赋权维度，行之有效的方式是基于原有的多维度择时框架，优化因子加总方式造成的静态性缺陷、窗口选择困境与线性假设局限。我们可以从一个包含了宏观、资金、情绪、技术等多维核心指标的基本择时框架出发，向大模型投喂过去10—20 年的数据样本，引导其通过推理机制进行逻辑演绎与模式归纳，从历史中主动挖掘潜在因果关系与特征，并基于各核心指标的最新数据，要求AI 大模型分配各维度乃至各因子权重，并最终计算择时信号。相比传统机器学习模型，大模型推断结果附带较为清晰的逻辑链条，一定程度上缓解了“黑箱问题”，伴随AI 幻象逐步可控，动态赋权的可行性将逐步提升。