20260410-华泰证券-华泰_金工_大模型概念与宏观热点选股_31页_5mb

华泰 | 金工：大模型概念与宏观热点选股策略总结

核心内容

本文由华泰证券金融工程团队发布，提出基于多智能体系统的大模型在概念选股与宏观热点选股中的应用。通过构建两个智能体系统——概念选股智能体与宏观热点选股智能体，实现对复杂投资逻辑的自动化演绎，提高投研效率与投资决策的稳定性。

主要观点

• 概念与宏观事件是重要的定价线索，但研究难点在于信息结构复杂，需系统化分析。
• 多智能体框架能够将研究任务拆解为多个子任务，通过并行分析与交互评审形成更稳健的结论。
• 大模型在信息提取与逻辑归纳方面具有优势，但需结合多智能体系统实现全面性与可控性。
• 概念选股策略通过产业链拆解与多维度分析，识别核心与卫星标的，提升题材捕捉能力。
• 宏观热点选股策略则通过多角色并行分析，构建逻辑链条，实现从宏观到行业再到个股的结构化映射。
• 策略效果显著，月度概念选股策略年化超额收益率达 38.23%，月度宏观热点选股策略年化超额收益率达 15.51%，均优于沪深300指数。

关键信息

概念选股智能体

• 结构：包含五个核心节点，分别是 研究计划（planner）、产业链拆分（chain_analyzer）、并行展开（node_expander）、证据评审（evidence_reviewer） 和 概念股筛选（portfolio_builder）。
• 功能：通过RAG知识库提取信息，完成概念从形成到落地的系统研究过程。
• 测试案例：以“人形机器人”为例，将概念拆解为6个环节，涵盖上游、中游、下游等，推荐了多只相关股票，如 绿的谐波、三花智控、科大讯飞 等。

宏观热点选股智能体

• 结构：包含 研究计划（planner）、宏观解读（macro）、行业映射（sector）、候选股筛选（stock）、风险反证（risk）、证据仲裁（evidencejudge） 和 组合构建（portfolio_builder）。
• 功能：从宏观事件出发，构建多维逻辑链条，对同一逻辑进行独立验证，降低认知偏差。
• 测试案例：以“美联储主席变动”为例，输出4条投资逻辑，包括 外部逻辑、内部逻辑、市场逻辑 和 配置逻辑，推荐了如 贵州茅台、宁德时代、招商银行 等股票。

策略构建与回测

• 回测区间：2022年12月30日至2026年2月13日。
• 策略表现：
  • 月度概念选股策略：年化收益率 45.06%，年化超额收益率 38.23%，信息比率 1.33。
  • 月度宏观热点选股策略：年化收益率 22.60%，年化超额收益率 15.51%，相对基准月胜率 65.79%。
• 策略设定：均为月度提取与调仓，采用等权配置方式。

详细架构与流程

概念选股智能体架构

宏观热点选股智能体架构

总结

本文通过构建多智能体系统，提升了概念与宏观热点选股的系统性和稳定性。智能体框架结合大模型与RAG知识库，实现了对复杂信息的自动化处理与分析，从而为投资决策提供了更强的逻辑支持与数据依据。测试结果表明，该策略在回测期间表现优异，具备较强的实战价值与可操作性。