综合质量 4 /5
新颖性 4 /5
可复现性 4 /5
分类
基本面AI·机器学习另类数据 财务(低频)日频 A股指数增强 知识图谱·RAG组合优化
利用大语言模型从研报与公告中自动提取投资概念,经Embedding向量化聚合为股票向量,降维聚类后替换传统行业分类用于指数增强组合优化,显著提升信息比率。
关键结论
概念聚类在沪深300增强策略中IR=1.838 vs 中信一级行业IR=1.474,提升约24.7%;大市值股票优势更明显。
核心要点
- 投资概念比传统行业分类更能解释个股涨跌共性,尤其对业务多元化的大市值股票
- 使用思维链技术让大模型从4个维度(主营业务/产品产出/技术工艺/政策事件)提取概念,同步生成名称、含义解释和提取原因以降低幻觉
- 概念文本(名称+含义+原因)经xiaobu-embedding-v2向量化为1792维向量,股票向量由所属概念向量简单求和后单位化得到
- tSNE降维+Agglomerative层次凝聚聚类整体效果最优,聚类结果替换传统行业分类用于组合优化
- 沪深300增强策略中概念聚类暴露约束IR达1.838,显著优于中信一级行业约束的1.474
核心内容
报告提出以投资概念作为股票相似性代理变量的方法。核心假设是高相似性股票在股价涨跌上更同步。通过大语言模型自动从研报摘要和公司公告中提取投资概念(含名称、含义解释、提取原因),用Embedding模型将概念文本向量化,再聚合为股票向量,经tSNE降维与Agglomerative聚类后得到股票聚类分类,替代传统行业分类用于指数增强组合优化的风险约束,实现超额净值提升。
经济逻辑
传统行业分类以主营业务为依据,在上市公司业务多元化背景下解释力下降。投资概念覆盖主营/产品/技术/政策/事件等多维度,能捕捉行业无法刻画的共性因素(如谷子经济概念跨传媒与商贸零售)。概念信息来源于非结构化文本(研报/公告),与结构化数据形成信息增量。概念标签具有持续性且可解释性强,个股与概念多对多关系便于刻画复杂关联。高相似性股票在资金溢出效应下出现联动涨跌,控制概念聚类暴露能更有效约束组合跟踪误差。
超额收益逻辑
超额收益来源: (1)概念聚类比行业分类更精准刻画股票相似性,控制概念聚类暴露能更有效降低跟踪误差; (2)概念信息来自非结构化文本,提供传统结构化数据之外的增量信息; (3)大市值股票业务多元、概念丰富,概念聚类优势更明显,在沪深300上效果最优; (4)概念标签持续性较强,避免量价相似性方法的滞后问题。本质上是通过更细粒度、更贴合投资逻辑的风险约束,使组合优化器在允许的跟踪误差范围内更充分地获取alpha。
构造细节 [model]
模型架构
整体为流水线架构而非单一神经网络。关键模块: (1)大语言模型(具体型号未披露)负责概念提取与清洗,采用思维链(CoT)技术,Prompt要求从4个维度提取并生成名称/含义/原因三要素; (2)xiaobu-embedding-v2文本嵌入模型将概念文本编码为1792维向量,预训练已做单位归一化; (3)股票向量=所属概念向量均值(等权求和后单位化),借鉴NLP中句向量=词向量均值的思路; (4)tSNE非线性降维; (5)Agglomerative层次凝聚聚类自底向上合并
输入
研报摘要文本(清洗后)公司公告经营相关章节文本(清洗后)概念提取Prompt模板(含4维度要求+三要素输出格式)
输出
股票概念聚类分组标签(替代传统行业分类),用于组合优化的行业暴露约束
训练
无显式训练过程。大语言模型与Embedding模型均为预训练模型直接推理使用。概念提取通过Prompt工程(思维链+多轮清洗验证)实现,无需微调。聚类为无监督方法,无训练阶段。
数据输入
: (不定期(研报发布时)): (季报/年报): (文本生成时)
组合方式
概念聚类结果作为组合优化中的行业分类替代,控制聚类暴露约束;与风格因子约束共同使用
绩效
1.838
信息比率(概念聚类)
1.474
信息比率(中信一级行业)
基准: 沪深300/中证500/中证A500指数
回测期: 未明确
以沪深300增强策略为例，控制股票概念聚类的暴露使信息比率达到1.838，优于控制中信一级行业分类的1.474。tSNE降维搭配Agglomerative层次凝聚聚类算法效果最好，且在大市值股票上优势更明显。
收益归因
未进行因子归因，仅通过对比控制不同聚类暴露（概念聚类 vs 传统行业分类）的策略结果来证明其有效性。
缺口: 缺乏对超额收益来源的详细归因分析。
稳健性
子样本稳定性: 概念聚类在沪深300上优势最明显(IR=1.838),在中证500和中证A500上优势相对较弱。原因:一是大市值股票研报覆盖度高、概念提取更完整;二是大市值股票业务范围更广、涉及概念更多,单一行业分类信息损失更大,概念聚类增益更显著。说明方法对股票概念覆盖度有依赖。
风格偏差: 报告未进行显式风格归因分析。概念聚类可能隐含对大市值、高研报覆盖度股票的偏好。对中小市值股票因概念覆盖不足可能效果有限。
tSNE+Agglomerative在多组参数下普遍表现最优,方法选择具有一定鲁棒性。但效果对股票概念覆盖度有依赖,在大市值池中优势更明显,存在一定市值风格偏向。缺乏跨时间段稳定性的详细验证。
数据依赖
所需数据: 个股研报摘要文本(需持续收集覆盖全市场)、公司公告定期报告经营章节文本、大语言模型API、xiaobu-embedding-v2模型API、指数成分股权重数据、行情数据
可复现性: hard
复现难度较高。主要障碍: (1)大模型具体型号与Prompt模板未完整披露; (2)xiaobu-embedding-v2为内部模型,外部难以获取; (3)研报与公告的完整文本数据需自行采集清洗; (4)tSNE与Agglomerative的具体超参数(如聚类数、perplexity等)未披露; (5)回测区间与调仓频率未明确。整体流程逻辑清晰但细节参数缺失较多。
相关研究
传统行业分类(中信一级/GICS) — 被替代对象。以主营业务为分类依据,单一行业无法覆盖多元化业务,对个股涨跌解释力下降。
量价/基本面因子向量相似性 — 对比方法。基于因子特征构造股票向量衡量相似性,但量价特征有滞后性、事件驱动特征有时效性问题。概念方法信息来源更差异化、标签更持续。
第三方概念数据库(同花顺/Wind/东方财富概念指数) — 替代数据源。人工维护、更新滞后、包含低相关个股、历史数据缺失、无法区分相关性强弱。本文用大模型自动提取解决这些问题。
NLP中句向量=词向量均值 — 方法论借鉴。股票向量=概念向量均值,假设概念间为并列关系且数量不多时均值法合理。
新颖性评估 [新方法]
方法创新在于将大语言模型概念提取、Embedding向量化与组合优化全流程串联。核心新颖点: (1)用CoT思维链让大模型自动从研报/公告中提取投资概念(含名称+含义+原因三要素),解决传统概念数据库滞后与主观性问题; (2)将概念文本向量化聚合为股票向量,在同一向量空间表征股票与概念; (3)用概念聚类结果替换传统行业分类用于组合优化的风险约束。各单点技术(Embedding/tSNE/Agglomerative)非新创,但组合应用于组合优化场景有实际增益。
不足与缺陷
- 大模型具体型号与完整Prompt模板未披露,核心可复现性不足
- xiaobu-embedding-v2为内部模型,外部无法直接使用,1792维向量结果不可复现
- tSNE降维与Agglomerative聚类的关键超参数(聚类数、perplexity、距离度量、linkage方式)均未给出
- 回测区间、调仓频率、交易成本设定未明确披露,难以评估实际可行性
- 股票向量采用等权求和,未考虑不同概念对个股影响权重差异,作者承认这是简化处理
- 缺乏对超额收益的详细归因分析,无法确认增益来自概念信息本身还是聚类粒度变化
- 概念提取质量依赖研报覆盖度,中小市值股票可能概念信息不足,存在市值偏差
- 未与基于基本面/量价因子的相似性方法进行直接对比,仅与传统行业分类对比
- tSNE为非线性降维且每次结果不完全可复现(依赖随机种子),可能影响聚类稳定性
- 缺乏概念数据库的时间序列一致性验证(同一股票概念是否随时间稳定)
可复用元素
- CoT思维链提取概念时同步生成名称+含义+原因三要素,降低幻觉的设计思路可迁移
- 概念文本(名称+含义+原因)合并后向量化的信息保留策略
- 股票向量=概念向量均值聚合的简洁构造方法
- tSNE+Agglomerative作为股票聚类方案的推荐组合
- 概念聚类替换行业分类用于组合优化的应用框架
- 谷子经济概念案例说明行业分类解释力下降的论证
启发
- 概念相似性可捕捉动量溢出效应,用于构建追涨/补涨选股策略
- 概念数据库可构建知识图谱网络,刻画多层概念间接关联
- 大模型提取非结构化文本信息融入量化框架的范式可推广至其他文本数据源
- 概念向量加权聚合时,可用概念出现的研报数量或研报情绪作为权重替代等权
改进方向
用TF-IDF或注意力权重对概念向量加权聚合替代等权求和,使重要概念在股票向量中占比更高
基于: 原文承认等权求和是简化处理,不同概念对个股影响程度有差异但权重难以量化 预期收益: 提升股票向量对个股真实相似性的刻画精度,预期改善聚类质量与组合优化IR
用概念共现频率或概念向量相似度构建概念关系图,再通过图神经网络(如GraphSAGE)生成股票节点嵌入,替代简单的向量求和
基于: 相似逻辑(基于概念关系衡量股票相似性)+不同构造(图结构建模多层概念间接关联) 预期收益: 捕捉概念间复杂关联与股票间间接相似性,对业务多元的大市值股票刻画更完整
将概念聚类与量价/基本面因子相似性进行集成,通过多视角相似度加权融合或联合聚类,而非仅用概念聚类替代行业分类
基于: 原文仅与传统行业分类对比,未与因子相似性方法集成验证 预期收益: 融合多维度相似性信息,互补概念相似性与量价/基本面相似性,提升组合优化的鲁棒性
复现计划
1)数据层:采集沪深300成分股的研报摘要与公告文本(可从Wind/同花顺获取),时间窗口至少覆盖3年;2)概念提取:选用GPT-4或Qwen等开源大模型,设计CoT Prompt从4个维度提取概念三要素(名称/含义/原因),进行去重与验证;3)向量化:用开源Embedding模型(如bge-large-zh或m3e)替代xiaobu-embedding-v2,将概念文本编码为向量;4)股票向量:等权求和概念向量后L2归一化;5)降维聚类:用tSNE(perplexity=30)降维至2-3维,Agglomerative聚类(linkage=ward)聚类数与中信一级行业数(约30)对齐;6)组合优化:构建沪深300增强策略,用概念聚类分组做行业暴露约束,对比中信一级行业约束的IR;7)注意控制回测区间一致,报告交易成本。关键难点在概念提取质量与Embedding模型差异可能影响绝对数值但方法论可验证。
实体
大语言模型 [model]xiaobu-embedding-v2 [model]投资概念 [concept]tSNE降维 [method]Agglomerative层次凝聚聚类 [method]组合优化 [method]高智威 [person]胡正阳 [person]研报与公告文本 [dataset]
LOCAL SIMILARITY