> **来源：[研报客](https://pc.yanbaoke.cn)** # 中金：AI如何帮助选股？总结 ## 核心内容 中金公司研究报告探讨了AI在基本面量化投研中的应用，特别是大语言模型（LLM）在财务报告文本解析中的作用。通过将LLM引入选股策略，提升了对非结构化信息的理解和利用，从而增强了成长趋势选股策略的收益表现。 ## 主要观点 1. **基本面数据特征** - 基本面数据具有低频率、高密度的特征，通常按季度披露，信息滞后性强，但内容丰富，包含财务指标与非财务信息。 - 非财务信息如行业竞争格局、商业模式、管理层变动等，难以通过传统财务因子直接刻画，却是判断公司长期竞争力和盈利质量的关键。 2. **AI在基本面量化中的应用场景** - **Alpha挖掘**：利用机器学习方法提升盈利预测能力，如XGBoost模型，可挖掘非线性信息，提高基本面因子的Alpha表达能力。 - **非结构化信息处理**：大语言模型（LLM）提升了AI对金融文本的语义理解能力，从“文本情绪打分”升级为“基本面认知提取”，能更深入理解公司经营逻辑、行业竞争环境、战略方向等信息。 3. **成长趋势选股策略的改进** - 原成长趋势共振选股策略是“好公司、好价格”的二维筛选，年化收益率达19.7%，超额收益达18个百分点。 - LLM在MD&A部分的解析可帮助识别“好赛道”的公司，提升策略在行业分析和公司治理方面的判断能力。 - 新成长趋势策略在加入LLM评分后，年化收益率提升至31.7%，超额收益达29个百分点。 4. **LLM在财报文本解析中的应用** - LLM能够从财务报告中提取行业需求、产品渗透率、公司是否为龙头、未来行业发展判断、公司战略合理性、管理层坦诚度等信息。 - 对于明确表述的内容，LLM评分具有较高的稳定性，而对于未直接阐述的概念，评分结果可能存在不稳定性。 5. **LLM评分维度与策略表现** - 报告期行业需求评分对策略收益提升效果最为显著，年化收益率可达28.0%，超额收益达26.3个百分点。 - 管理层“坦诚度”评分、行业未来需求判断等维度也对策略表现有积极影响。 - 综合LLM评分后，策略的年化收益率提升至31.7%，信息比率提升至1.87，相对偏股混合型基金指数的超额收益显著。 ## 关键信息 ### 财报文本解析维度 - **行业需求**：判断行业需求是否明显上行，评分标准为5档。 - **产品渗透率**：判断产品渗透率是否明显上行。 - **公司是否为龙头**：评估公司在行业中的竞争地位。 - **未来行业需求判断**：管理层对未来行业需求的判断是否持续上行。 - **公司发展战略合理性评分**：评估战略方向是否聚焦、是否与行业发展匹配、是否可执行。 - **管理层坦诚度**：判断盈利归因分析是否全面，风险分析是否包含内外部因素，是否存在与战略矛盾。 ### 评分稳定性分析 - 对于明确表述的内容，如行业需求、未来需求判断、战略合理性，LLM评分结果较为稳定。 - 对于未直接阐述的概念，如产品渗透率，评分结果可能存在不稳定性。 ### 策略改进与收益表现 - **新成长趋势策略**：在原策略基础上，加入LLM财报文本评分筛选，优选行业需求明显上行的公司，剔除需求判断下行或管理层“坦诚度”低的公司。 - **收益提升**：新策略年化收益率达31.7%，超额收益达29个百分点。在2026年YTD阶段，新策略收益率达34.6%，显著高于原策略的22.7%。 - **风险控制**：通过LLM评分剔除尾部风险，提升策略的稳健性。 ## 风险提示 - 报告结果基于历史数据及大语言模型生成的观点，市场环境变化及大模型的不稳定性可能影响未来策略表现。 - 策略测试结果仅供参考，不构成对具体证券的投资建议。 ## 策略构建流程 1. **业绩加速增长基础池**：选取TTM归母净利润环比增速排名前三分之一的公司，且加速度指标排名前50%且加速度大于0。 2. **财报文本评分筛选**：在基础池内，根据LLM对最近一期财报的评分进行筛选，取评分为5分或排名前100名的股票。 3. **最终持仓**：在筛选后的样本池中，依据改进动量因子、CGVA因子、自由现金流增速因子、自由现金流估值因子等综合打分，取综合得分排名前30的股票。 ## 数据支持 - 策略测试周期为2021年1月1日至2026年4月30日，2026年5月25日为最新数据点。 - 信息比率、年化收益率、年化波动率、超额收益等关键指标均有所提升，表明AI增强的策略具有更强的收益风险比。 ## 总结 AI在基本面量化投研中的应用，尤其是LLM在财务报告文本解析中的运用，显著提升了成长趋势选股策略的收益表现。通过引入非结构化信息的分析，策略在“好赛道”维度的判断更加准确，有效识别了行业需求和公司治理等关键因素，增强了对优质成长公司的筛选能力。