深度报告-2025-08-11-华安证券-量化研究系列报告之二十三_让情绪_有结构_大模型如何挖掘研报新价值页_39页_1mb

量化研究系列报告之二十三：让情绪“有结构”——大模型如何挖掘研报新价值

核心内容概述

本报告基于DeepSeek大模型，提出了一种从研报摘要中挖掘结构化情绪信息的新方法，以提升对研报价值的量化分析能力。通过将情感分析从标题扩展至摘要，结合结构化解读、多维量化分析与模型优化，实现了从“黑箱评分”到“可解释结构化评分”的转变。研究发现，结构化情绪信号可有效重构研报摘要价值，为投资决策提供新的视角。

主要观点

• DeepSeek大模型被用于研报摘要的结构化情感分析，实现对情绪信号的四维量化（类别识别、情绪倾向、出现顺序、字数占比）。
• 利好情绪的“密度”对超额收益预测具有显著作用，尤其在“业绩超预期”和“盈利改善”类别中表现突出。
• 情绪信息的“出现顺序”和“篇幅占比”可反映分析师对信息的强调方式，其对定价能力的影响显著。
• 构建的研报评分因子 score_report_illum 在报告发布后20日、40日表现出较强的收益解释力，其年化收益为 12.8%，相对中证800的年化超额收益为 13.5%，自2020年以来胜率 100%，且与传统因子相关性较低。

研报摘要结构化分析

2.1 研报摘要内容的结构化解读

研报摘要通常包含以下四部分：

1. 事件/总结：总结公司核心经营结果，包括财务数据、重大事件等。
2. 点评：分析师对事件的详细分析，涵盖经营性指标、毛利率、净利率、流动性、销售渠道、研发进展、战略布局等。
3. 盈利预测/投资建议：分析师对未来的盈利预测与估值判断。
4. 风险提示：分析师对公司可能面临的风险因素进行说明。

2.1.1 业务发展类

• 战略布局：企业跨周期、跨业务/地域的重大资源配置行动（如并购、产业链整合、海外建厂等）。
• 技术创新：研发投入显著增加、技术突破、商业模式重构。
• 渗透率提升：通过渠道优化、产品创新、服务升级推动市场份额或客户消费提升。
• 经营效率提升：通过成本管控、周转率提升、费用优化等提升运营效率。

2.1.2 财务表现类

• 盈利改善：毛利率、营收、扣非净利润等核心盈利指标持续提升。
• 财务稳健性提升：资本结构优化、债务控制、现金流改善等，以降低系统性风险。
• 业绩对比预期与同业：公司业绩是否优于市场预期或行业平均水平，涉及“超预期”“超预测”等关键词。

2.1.3 其他因素类

• 股东行为：股份回购、大股东增减持、股息政策调整等。
• 政策驱动：政策对公司的财务或需求产生可量化影响。
• 市场驱动：反映市场资金行为、赛道热度、景气度等。

情绪分析与量化指标

2.2 摘要信息处理与多维度量化分析

• 类别识别：从预定义的10类中识别摘要内容类别。
• 情绪倾向：1代表正面利好，-1代表负面利空，0代表中性。
• 出现顺序：记录各类别在摘要中的首次出现位置，反映信息优先级。
• 字数占比：计算每个类别在摘要中的字数占比，反映信息重要性。

模型选择与调用实践

2.3 模型选择与场景规则化训练

• 模型选择：测试了DeepSeek-R1-32B、DeepSeek-R1-671B、DeepSeek-V3-671B等版本，其中DeepSeek-V3-671B在格式符合率与稳定性方面表现最佳。
• 本地部署：使用DeepSeek-R1-32B进行本地调用，适合轻量级任务。
• 云端调用：使用火山引擎API调用DeepSeek-R1-671B和DeepSeek-V3-671B，支持批量处理，提高效率。

研报摘要因子构建与绩效评估

5.1 报告维度的综合评分算法

• 构建四类评分因子：简单加权、篇幅占比加权、类别重要性加权、篇幅&类别重要性加权。
• 引入集中度调整与非线性权重优化，提升评分的可靠性与解释力。

5.2 个股层面的评分指标构建

• 个股评分因子 score_report_illum 表现稳健，五分组收益结构严格单调。
• 其年化收益为 12.8%，相对中证800的年化超额收益为 13.5%，胜率 100%。
• 超额净值曲线显示其风险控制良好，与等权组合相比，最大回撤控制在 4% 以内。

风险提示

• 量化模型基于历史数据，过去的回测业绩不代表未来表现。
• 模型存在失效风险，需持续监控与优化。

图表目录摘要

• 图表1：ChatGPT与DeepSeek模型对比。
• 图表2：分析师撰写的公司研报的典型框架。
• 图表3：研报摘要业绩部分的典型结构。
• 图表4：不同尺寸的DeepSeek-R1版本介绍。
• 图表5：测试模型的部署方式和调用费用。
• 图表6：研报摘要的利好点分类定义与情绪评分规则。
• 图表7：系统提示。
• 图表8-11：模型调用示例与优化调整。
• 图表12-13：分类7的分词与复查逻辑。
• 图表14-16：典型应用场景示例（沙里淘金、去伪存真、拨云见日）。
• 图表17-21：分年度有效研报数量、类别分布、情绪分布等。
• 图表22-39：各类因子的回归结果与表现。
• 图表40-42：指数衰减加权、评分因子及逻辑。

总结

本报告通过DeepSeek大模型对研报摘要进行结构化情感分析，揭示了情绪信息对投资决策的潜在价值。通过多维量化分析，构建了 score_report_illum 等评分因子，实现了对研报摘要价值的重构与挖掘。研究结果表明，结构化情绪信号在收益预测和选股策略中具有显著作用，尤其是“业绩超预期”和“盈利改善”类别。同时，通过模型选择与规则化训练，提高了分析的准确性和效率，为量化投资提供了新的工具与思路。