AI赋能资产配置：DeepSeek资产配置进阶实践的20个核心问答.pdfVIP

证券研究报告

内容目录

模型训练与权重优化4

实战部署与系统架构7

AI+RAG+Agent体系与风险控制9

方法对比与改进11

风险提示14

请务必阅读正文之后的免责声明及其项下所有内容2

证券研究报告

图表目录

图1：Boosting集成学习方法示意4

图2：多因子择时、“三标尺”行业轮动相结合8

图3：RAG生成式AI应用架构11

图4：DeepSeek动态赋权与经典模型对比12

请务必阅读正文之后的免责声明及其项下所有内容3

证券研究报告

模型训练与权重优化

问题1：报告中提到用XGBoost确定初始权重，能否简述基于XGBoost的“权

重优化模型的路径”具体是如何操作的？

基于XGBoost的权重优化模型路径主要用于从历史数据中挖掘各因子对市场趋势

的影响规律，并将其转化为初始权重基准。该过程首先通过XGBoost对历史股债

市场数据（如宏观经济指标、资金流向等）进行特征重要性分析，量化各因子对

股债强弱走势的解释能力，筛选出具有长期稳定性的高价值因子；然后将这些因

子重要性结果作为训练样本输入DeepSeek模型，使其学习因子与市场状态的关联

模式；最后结合当前市场环境，AI基于历史规律生成初始权重框架，再通过动态

赋权机制进行实时调整。这种方法的优势在于既保留了传统模型的逻辑可解释性，

又能通过AI动态适应市场变化，同时避免了直接训练大模型带来的复杂性和资源

消耗。

整个流程体现了历史规律挖掘-规律映射学习-实时预测应用的技术路径，通过

XGBoost的先验分析为AI模型提供可靠的初始基准，再结合DeepSeek的推理能

力实现权重的动态优化，在保证模型稳定性的同时提升对市场变化的适应能力。

这种分阶段的设计既考虑了历史经验的传承，又充分发挥了AI在实时决策中的优

势。

图1：Boosting集成学习方法示意

资料来源：Wind，国信证券经济研究所整理

问题2：DeepSeek训练所用的数据样本量（时间跨度，如3年/5年/更长）大概

是多少？多大的训练样本或特定的训练方式可能导致过度拟合？是否有相关经

验？

关于数据样本量的问题，本项目训练DeepSeek所使用的数据样本从2015年9

月开始，数据频率为月度。首先是分析师底稿数据从该时间开始较为完备，这保

证了样本数据的一致性和可用性；其次，近10年的跨度基本覆盖了完整的宏观经

济周期，使数据具有较强的代表性，有助于模型充分学习宏观经济在不同时期的

变化规律和特征。

关于过拟合问题，本项目中过拟合相对可控。一方面，从数据维度来