AI赋能资产配置（十八）：LLM助力资产配置与投资融合.docxVIP

证券研究报告|2025年10月29日

AI

AI赋能资产配置（十八）

LLM助力资产配置与投资融合

核心观点

核心结论：①LLM重塑资产配置的信息基础。传统量化策略主要依赖结构化数值数据，对舆情、政策、财报等非结构化信息的吸收不足，而LLM通过强大的文本理解与逻辑推理能力，将这些信息转化为结构化因子，显著提升投研响应速度与前瞻性。②真正的落地不依赖单一模型性能，依赖“LLM+实时数据+优化器”的协作机制。通过模型分工，LLM负责认知与推理，外部API与RAG提供实时信息支撑，数值优化器完成配权计算，形成可执行、可解释的投资Agent。③当前LLM在舆情信号提取、财报解析、投资推理和Agent构建等多个环节已具备可操作路径，具备增强传统资产配置体系的现实基础。④未来随着强化学习与多智能体架构的发展，LLM将从“辅助工具”走向“核心推理与交互中枢”，资产配置将从静态决策向智能化、动态演进转变，重塑买方投研与策略执行逻辑。

信息优势重构，信号维度显著拓展。LLM使得舆情、财报、政策文本等软信息可以被高效提取、量化并嵌入配置模型。FinBERT、FinGPT、BloombergGPT、PloutosGPT等模型在情绪识别、文本解析与投资推理上已经展现出明确优势。非结构化信息的系统化利用，增强了市场预期感知能力，使策略具备更高的灵敏度与前瞻性。

落地路径明确，技术栈可复制。通过模块化设计，LLM与API、RAG、数值优化器形成分工协作：在信息端，LLM负责文本理解与逻辑推理；在数据端，外接API与RAG提供实时行情、财报与宏观变量；在决策端，优化器完成资产配权与约束求解。这种结构既提升了策略的稳定性与可解释性，也具备较强的可扩展性，适用于多资产配置。

从信号提取到Agent执行，形成全链条能力。案例一与案例二展示了LLM在舆情与财报场景下的定量因子提取与配置应用；案例三则构建了完整的

Agent，实现从信息收集、信号提取，到优化配置与执行输出的闭环落地，为机构投资提供可操作范式。

智能化资产配置加速演进，应用边界持续拓展。展望未来，LLM与强化学习、Auto-Agent、多智能体系统及个性化投研平台的深度结合，将推动资产配置从工具化向系统化、从线性流程向智能演进过渡，成为买方机构构建信息优势与策略护城河的核心技术路径。

风险提示：结论受模型存在不确定性、数据质量、市场环境影响，本文不构成任何投资建议。

策略研究·策略专题

基础数据

中小板/月涨跌幅(%)

创业板/月涨跌幅(%)

AH股价差指数

A股总/流通市值(万亿元)

8253.14/0.92

3229.58/2.48

119.43

96.97/89.08

市场走势

资料来源：Wind

相关研究报告

《估值周观察(10月第3期)-全球普涨，A股成长反弹》——2025-10-26

《策略观点-积跬步，行稳致远》——2025-10-21

《估值周观察(10月第2期)-价值抗跌，成长承压》——2025-10-20

《ESG热点周聚焦（10月第2期）-工信部启动2025年度绿色工厂推荐工作》——2025-10-12

《估值周观察(10月第1期)-市场高低切，周期品领涨》——2025-10-12

证券研究报告

2

内容目录

一、信息优势再造：LLM重塑投研链条 4

二、从文本到配置：LLM嵌入投资流程 4

三、案例分析：从信号识别到投资Agent 6

四、结论与展望 10

风险提示 11

3

图表目录

图1：不同LLM金融变体的功能特性与应用场景 5

图2：LLM在不同投资流程环节发挥的功能 6

图3：用LLM捕捉舆情信号增强配置前瞻性的流程图 7

图4：用LLM解析财报信号驱动收益预测与配置优化的流程图 8

图5：投资Agent的全流程落地 10

证券研究报告

4

一、信息优势再造：LLM重塑投研链条

传统金融建模长期依赖于结构化数值数据，如股票价格、收益率和宏观经济指标等。这类数据确实能够刻画市场的部分状态，但它们始终只反映了市场的一面。金融市场的另一个核心特征是信息的非结构化特性。无论是新闻报道、分析师研报、财报电话会议记录，还是社交媒体舆情，这些文本信息往往包含着市场预期、情绪变化与关键的定性洞察，是传统数值数据难以直接捕捉