综合质量 4 /5
新颖性 4 /5
可复现性 4 /5
分类
AI·机器学习另类数据基本面 财务(低频)日频 分析师情绪 A股 深度学习知识图谱·RAG
通过构建FinLLM，利用GLM4清洗多源异构文本数据，并结合COT、对比分析与反事实推理的三角验证体系及LoRA微调量价数据，实现高精度的中证800选股。
关键结论
StockGPT组合在中证800内选股2019年至今年化收益达18.8%；分层次提纯框架选股组合超额收益达12.56%。
核心要点
- 采用GLM4对研报、公告、调研记录等多源异构数据进行分层次提纯清洗
- 构建三角验证体系（COT+对比分析+反事实推理）克服LLM逻辑幻觉与乐观偏差
- 利用LoRA微调技术将OHLC量价时序特征注入FinLLM形成StockGPT
- 多源文本与量价协同模型在中证800内实现显著超额收益
核心内容
报告提出了一种基于金融大语言模型(FinLLM)的智能投研框架。针对传统模型无法处理非结构化文本及基础LLM存在逻辑幻觉的问题，框架首先利用智谱清言GLM4对分析师研报、公司公告、机构调研记录进行清洗提纯；其次引入社会学的三角验证体系，通过COT显性化推理链、对比分析横向纵向校验、反事实推理进行压力测试，形成逻辑闭环；最后采用LoRA微调技术，将OHLC时序特征注入FinLLM，构建文本与价格协同的StockGPT模型，提升模型对市场动态的感知能力。
经济逻辑
非结构化金融文本（研报、公告、调研）蕴含大量前瞻性信号与管理层意图，但传统TF-IDF等方法造成语义丢失，直接使用LLM又面临营销话术干扰和普遍乐观偏差（如大部分预测收益率在5%-10%）。通过提取“锂价下跌→成本改善→毛利率提升”这类强因果逻辑链，并辅以同行实证校验与反事实假设检验，可以有效过滤无效信息，还原业务逻辑本质。量价数据的引入则将基本面逻辑映射到市场交易动态中，弥补纯文本静态推理的不足。
超额收益逻辑
超额收益来源于对LLM“盲目乐观”偏差的修正与深度逻辑链的验证。基础LLM容易受研报营销话术影响给出普遍看好的预测，而三角验证体系通过对比同行数据（如证明无专利的成本优势易被供应链波动抵消）和反事实假设（如不建厂是否收益更高），能够逆转部分看似合理实则错误的推荐，从而筛出真正具有强因果支撑的标的，实现相对于基准的超额收益。
构造细节 [model]
模型架构
基础架构为FinLLM（基于海量金融文本预训练）。推理层外挂三角验证体系（COT引导显式推理路径，对比与反事实作为压力测试模块）。动态适应层采用LoRA适配器，将OHLC时序特征通过低秩矩阵注入主干网络，形成StockGPT。
输入
清洗提纯后的研报核心观点文本截取提炼后的公司公告文本结构化处理的调研记录Q&A文本日频OHLC量价特征序列
输出
个股收益率预测值/投资评级建议，附带逻辑链条与风险概率修正表
训练
1. 预训练阶段：使用海量研报、公告、调研等金融文本进行基座模型预训练；2. 文本处理阶段：使用GLM4及特定Prompt进行信息提纯；3. 推理阶段：基于Prompt引导的COT、对比、反事实推理；4. 微调阶段：采用LoRA技术，将OHLC时序特征融入FinLLM参数中。
数据输入
: (事件驱动/定期): (不定期): (事件驱动): (日频)
组合方式
通过LoRA（低秩适应）微调技术，将OHLC时序特征嵌入大模型，在保留预训练通用语义理解的同时捕捉市场动态，实现文本与价格数据的协同建模。
绩效
9.2%
基础LLM选股组合年化收益
7%
基础LLM选股组合超额收益
12.56%
分层次提纯框架选股超额收益
18.8%
StockGPT组合年化收益
基准: 中证800
回测期: 2019年至今
基于研报、公告、调研记录的多源异构文本数据，结合分层次数据提纯框架与三角验证体系构建FinLLM，在中证800内选股组合超额收益达12.56%；进一步通过LoRA微调将OHLC量价数据注入模型构建的StockGPT组合，2019年至今的年化收益达18.8%。
收益归因
文中提及StockGPT组合风格暴露偏向成长与流动性驱动，但未展开详细的风险归因分解。
缺口: 缺乏基于Barra等标准风险模型的详细因子归因与收益分解结果。
稳健性
子样本稳定性: 2019年至今表现稳定，年化收益达18.8%，经历了不同市场风格周期。
风格偏差: 风格暴露偏向成长与流动性驱动。
模型通过反事实推理和对比分析对结论进行压力测试，横向对比同行，纵向回溯历史，提升了时序稳定性和逻辑闭环，缓解了LLM静态推理导致的脱节问题，整体鲁棒性较强。
数据依赖
所需数据: 中证800成分股历史研报文本、巨潮资讯全量公告文本、交易所披露的调研问答记录、日频OHLC量价数据。
可复现性: hard
高度依赖非结构化金融文本的获取、清洗与存储，需要调用大模型API（如GLM4）进行大规模预处理，且需构建复杂的Prompt体系与LoRA微调算力，复现需较高的工程与资源门槛。
相关研究
思维链 — 引用Google Research 2022年提出的方法，原方法用于单文档推理，本研究扩展为跨文档因果链提取（如锂价下跌→成本改善→毛利率提升→目标价上调）。
反事实推理 — 基于Pearl (2009)因果理论及Ribeiro et al. (2020)模型解释方法，本研究将其引入金融结论的稳健性压力测试。
三角验证体系 — 社会学Denzin (1970)提出，本研究将其迁移至AI金融文本分析，解决数据异构性与逻辑断裂问题。
新颖性评估 [新组合]
将社会学三角验证体系、大模型COT推理、因果反事实测试与LoRA时序微调技术系统性整合为面向金融场景的统一框架，创新点在于将多源文本提纯、逻辑验证与动态适应形成闭环，而非单一算法创新。
不足与缺陷
- 回测细节缺失：未披露具体的调仓频率、交易成本设定及分组方式，可能导致回测收益存在一定高估
- 缺乏标准风险归因：仅简单提及风格偏向成长与流动性，未使用Barra等模型进行收益归因分解，难以区分Alpha与Beta收益
- 对比与反事实合并的简化损失细节：出于计算效率合并两者，可能削弱了反事实推理对极端情况的独立检验能力
- LLM幻觉控制依赖Prompt：三角验证的对比与反事实数据高度依赖外部检索或Prompt引导，若模型自身知识库不足，推理仍可能脱离实际
可复用元素
- 使用GLM4对冗长公告进行精准清洗与截取（年报特定段落截取法），极具落地实操价值
- 三角验证体系（特别是反事实压力测试）用于过滤大模型普遍存在的'看好'幻觉偏差
- LoRA低秩适应技术融合文本与时序量价特征，为量化多模态模型提供了一种轻量高效的实现路径
启发
- 通过反事实推理（“如果不做某事，结果如何”）约束大语言模型的乐观偏差，是提升金融NLP预测有效性的有效手段
- 将年报中与投资弱相关的段落（如高管信息、公司治理）截断，极大节约算力并提升信噪比
- 社会学研究方法与AI推理结合的跨学科视角，为解决金融强因果逻辑验证提供了新范式
改进方向
将基于Prompt的三角验证转化为结构化动态知识图谱与图神经网络(GNN)推理。不依赖LLM即时生成对比与反事实，而是预先构建行业图谱，在推理时通过图谱路径搜索直接进行对比和反事实检验，最后将图谱节点特征作为额外向量与文本特征在Transformer层融合。
基于: 文中的三角验证体系与跨文档因果链提取逻辑 预期收益: 大幅降低推理延迟与Token消耗，消除LLM在反事实生成中的随机性，提高逻辑对比的稳定性和可解释性，使模型更适合高频调仓场景。
复现计划
1. 数据准备：爬取/购买中证800成分股2014年至今的巨潮资讯公告、分析师研报及调研记录，获取对应日频OHLC数据。2. 文本预处理：部署GLM4模型，按研报Prompt清洗公告文本，对年报/半年报实施指定段落截取。3. 推理验证：编写COT、对比、反事实Prompt模板，对文本进行批量推理，生成带有逻辑链和风险修正的结构化特征。4. 多模态微调：搭建LLM基座模型，将文本特征与OHLC特征对齐，实施LoRA微调训练。5. 回测框架：在中证800内构建选股策略，设置合理月频调仓与0.15%双边交易成本，对比多空组合收益及Barra归因结果。
实体
FinLLM [model]StockGPT [model]三角验证体系 [concept]COT(思维链) [method]对比分析 [method]反事实推理 [method]LoRA微调 [method]研报文本 [dataset]公司公告文本 [dataset]机构调研记录 [dataset]叶尔乐 [person]
LOCAL SIMILARITY