综合质量 4 /5
新颖性 4 /5
可复现性 4 /5
分类
AI·机器学习基本面 财务(低频) A股 知识图谱·RAG
广发金工详述了DeepSeek本地化部署流程，并结合微软开源GraphRAG框架与DeepSeek-R1模型，在金融研报数据上构建金融知识图谱，实现投研实体关系的有效梳理。
关键结论
测试表明，GraphRAG生成的社区报告和实体关系表能准确无误地呈现研报关键信息，适合后续投研筛选处理工作。
核心要点
- 使用Ollama框架快速本地部署DeepSeek模型并给出显存估算公式M=((P*4)/(32/Q))*1.2
- 介绍GraphRAG流程及检索模式，克服传统RAG无法全局关联实体与复杂推理的缺点
- 基于微软开源GraphRAG与DeepSeek-R1，将金融研报转化为知识图谱，有效梳理公司并购关系与投资逻辑
核心内容
本文主要介绍了如何使用Ollama在本地部署DeepSeek大模型，以及如何使用微软开源的GraphRAG框架结合大模型从金融研报中提取实体、构建知识图谱并生成社区摘要，解决传统RAG难以处理全局关系和复杂推理的问题。
经济逻辑
投研文本数据中蕴含丰富的实体关联（公司、产品、人物等），通过GraphRAG将其结构化为知识图谱，降低信息检索遗漏，提升投研决策的信息完备度与准确性。
超额收益逻辑
无直接的超额收益量化逻辑，但通过提升投研信息检索的全面性和准确性（特别是产业链上下游、公司并购关系等复杂实体网络），辅助投资决策，间接提升研究转化效率。
构造细节 [config]
数据输入
: (不定期)
组合方式
使用 DeepSeek-R1 作为 LLM 进行实体关系提取与生成，结合微软 GraphRAG 框架与 Leiden 算法进行层次聚类
绩效
无量化回测。报告主要介绍DeepSeek本地部署方法及基于微软开源GraphRAG与DeepSeek-R1结合构建金融知识图谱的实践，测试表明模型在梳理公司关系和投资逻辑方面回答质量较高。
收益归因
缺口: 未涉及收益归因分析
稳健性
子样本稳定性: 高度依赖大语言模型自身的提取能力及文本质量
风格偏差: 对长逻辑链和复杂关联文本提取效果较好，简单事件提取无显著偏向
系统稳定性受限于大模型上下文窗口限制和文本语料质量，若文本本身具有误导性或遗漏，会直接影响图谱准确性。
数据依赖
所需数据: 金融研报文本、DeepSeek模型权重
可复现性: easy
可通过pip install graphrag及Ollama部署DeepSeek快速复现，文本数据无特殊数据源要求，常规公开研报即可。
相关研究
Langchain RAG — GraphRAG是对传统RAG的扩展，解决了RAG基于文本块检索无法处理全局与复杂实体关系的缺陷。
DB-GPT (蚂蚁) — 类似架构，均通过LLM提取三元组写入图库，并利用子图遍历生成答案，本文为微软版GraphRAG在金融场景的实践。
新颖性评估 [新组合]
将最新开源的DeepSeek-R1模型与微软GraphRAG框架结合，并落地于金融二级市场投研（研报梳理）场景，属于前沿工具的早期实践应用组合。
不足与缺陷
- 无量化回测，缺乏基于知识图谱构建的具体量化选股策略与收益验证
- 大模型提取实体和关系存在幻觉风险，图谱准确性难以量化评估
- 构建知识图谱（尤其是全局索引）的Token成本依然较高，增量更新机制在金融高频数据下的效果未验证
可复用元素
- 大模型本地化部署的显存估算公式
- GraphRAG的完整构建Pipeline和部署命令（如ollama、graphrag init等）
- 金融实体关系分类（机构、产品、人物、行业及对应关系）
- GraphRAG的工作流程及相比传统RAG的优势点剖析
启发
- 知识图谱能有效捕捉投研实体间的复杂网络，可用于产业链传导分析或事件驱动策略的股票溢出标的寻找
- 利用GraphRAG的图聚类算法可以将股票按业务实际关联（而非简单行业分类）进行动态聚类，构建新型关联因子
- 增量索引机制可用于财报季高频更新企业关联关系，捕捉基本面边际变化
改进方向
利用GraphRAG提取的实体关系网络，结合K线波动率/收益率相关性，构建事件驱动型因子（如'供应链网络中心度因子'）
基于: GraphRAG实体和关系提取 预期收益: 将非结构化文本知识图谱转化为可量化的关联度因子，预测供应链核心/节点公司的收益表现，提供全新Alpha源
复现计划
1. 硬件准备：依据公式M=((P*4)/(32/Q))*1.2准备足够显存的GPU。 2. 环境部署：安装Ollama并运行 `ollama run deepseek-r1:14b`；安装Python库 `pip install graphrag`。 3. 项目初始化：创建 `./ragtest/input` 目录，运行 `graphrag init --root ./ragtest`，修改 `settings.yaml` 中的 API Key 和 Base URL 指向本地Ollama端口。 4. 数据准备：准备几篇个股或行业研报txt放入input目录。 5. 构建图谱：运行 `graphrag index --root ./ragtest` 自动进行切分、实体提取和社区聚类。 6. 测试验证：使用 `graphrag query` 进行局部或全局搜索，测试公司并购关系、产业链上下游等投研问题的回答情况。
实体
DeepSeek-R1 [model]DeepSeek-V3 [model]GraphRAG [method]RAG [method]Langchain [model]Ollama [model]Leiden算法 [method]DB-GPT [model]FR2KG [dataset]知识图谱 [concept]
LOCAL SIMILARITY
相似报告
【方正金工】OpenClaw赋能金融投研：17个高效应用案例详解——AI Agent赋能金融投研应用系列之三
方法：知识图谱·RAG · 研究类型：AI·机器学习、基本面 · 频率：财务(低频) · 资产：A股
对比详情 【方正金工】自进化AI智能体Hermes Agent：核心机制解析与金融投研深度应用——AI Agent赋能金融投研应用系列之五
方法：知识图谱·RAG · 研究类型：AI·机器学习、基本面 · 频率：财务(低频) · 资产：A股
对比详情