本文提出将大语言模型(LLM)应用于基本面量化,聚焦Alpha挖掘与非结构化文本信息提取两大场景,并通过LLM对MD&A等文本的深层理解来提升成长趋势选股策略的有效性与稳定性。实际回测显示,原成长趋势选股策略自2021年以来年化收益率为19.7%,在引入LLM文本评分后,AI增强版本的年化收益率提升显著,2021-2026的累计回报与YTD表现均超越基准,2026年初始阶段更显示出对行业需求、坦诚度等维度的增益效应,且LLM评分的稳定性在明确表述的文本上较好,但对隐含信息的判断存在不确定性,需要持续验证 。
一、元数据与概览(概览性梳理,建立分析框架)
标题与主体:本文标题为“中金:AI如何帮助选股?”,由中金点睛系列刊载,核心议题是将大语言模型(LLM)和人工智能技术应用于基本面量化投研,聚焦选股中的信息获取、认知提取与策略改进 。图文并茂地展示了从结构化数据到非结构化文本的应用路径,以及将AI应用于成长趋势选股的升级版框架。来源:中金公司研究部(资料出处在文中多处提及) 。
作者与机构、日期:文章作者列出为古翔、周萧潇、刘均伟等,发布机构是中金公司研究体系的中金点睛栏目,日期落在2026年6月2日(07:33),主题聚焦“AI在基本面量化投研中的应用”与“成长趋势选股策略的改进” 。
核心论点与目标信息:核心观点是:1) 基本面数据的低频高密度特征使得AI在Alpha挖掘与非结构化文本处理方面具备独特价值;2) 大语言模型提升了对财报文本(尤其MD&A等非结构化信息)的理解能力,使得从情绪打分向“基本面认知提取”升级,能更准确地把握行业需求、公司治理、成长逻辑等要素;3) 基于LLM的文本分析,结合成长策略的改进版本(从“好公司、好价格”到“好赛道、好公司、好价格”)已经在历史样本中显示出显著收益提升;4) 文章还给出风险提示、方法论框架和若干图表来支撑结论。核心信息在文中多处被强调,如“LLM财报文本评分稳定性”“LLM解析财报对成长策略定位的优势”等论点都在文中明确提出,并以回测数据支撑部分收益提升 。
二、逐节深度解读(逐章拆解,逐点解读论证逻辑、数据与假设)-------------
三、图表深度解读(逐图逐表解释,结合文本推断其含义与局限)
为确保对每一张关键图表的解读与溯源一致,以下逐条描述图表要点、数据含义及其在文本中的支撑作用,并附上相应溯源标注与图像引用。
图表1:AI赋能投资的三条核心路径
描述:展示“Alpha挖掘、非结构化信息处理、交易策略优化”三条核心路径在AI赋能投资中的地位与关系,中心是“AI赋能投资”三角框架。解读:强调AI在不同环节的协同作用与闭环机制,形成“信号发现—信息理解—决策执行”的整体投资流程。溯源:图像直接支撑文本中的三要素框架,帮助读者理解AI赋能的系统性路径。
图像:
图表2:不同数据结构决定不同AI应用范式 描述:对比高频数据与基本面数据在更新频率、样本数量、结构化程度等维度的差异,以及结构化与非结构化信息在建模中的不同作用。解读:强调数据结构对模型复杂度、目标与稳健性要求的影响,支撑“基本面数据需要稳健性优先于复杂度”的设计原则。溯源:图表2直接用于说明数据结构的分野。图像:
图表3:基本面数据结构 描述:将基本面数据分为“结构化财务数据”和“非结构化基本面信息”两大类,列出各自包含的要素。解读:强调非结构化信息(行业格局、竞争力、管理层等)在长期盈利质量中的重要性,为LLM文本分析提供了明确的目标信息集合。溯源:图表3清晰呈现基本面数据的双重结构。图像:
图表4:从基本面信息到投资信号 描述:展示“基本面信息”如何转化为“AI因子”并输出投资信号的链路。解读:强调AI在提取有用信息、构建因子信号方面的作用,尤其是将文本信息转化为量化信号的机制。溯源:图表4帮助解释文本信息向投资信号的转化路径。图像:
图表5:上市公司财务报告解析 描述:MD&A文本及报告附注在财务报告结构中的位置,以及对经营情况、行业环境、风险因素和治理结构等的覆盖。溯源:图表5强调MD&A在文本分析中的核心地位。图像:
图表6:MD&A信息解析 描述:将MD&A中的经营环境、行业趋势、竞争优势、风险提示等信息系统化,形成分析框架。解读:为后续对行业需求、管理层判断等维度评分提供依据。溯源:图表6提供MD&A信息解析的结构化视角。图像:
图表7:成长趋势选股策略实施过程 描述:描述成长趋势选股策略的实施流程、阶段与关键要素(如业绩加速增长、基石池、待选池、最终持仓等)。解读:揭示从“成长性条件筛选”到“最终持仓”的全过程,强调过程控制与样本稳定性。溯源:图表7为策略实施流程的实务性展示。图像:
图表8:菲利普·A·费雪成长股投资原则(15条) 描述:列出费雪关于成长股投资的关键原则,强调市场潜力、行业需求天花板、增长持续性等要素。解读:将经典投资理论与中金选股框架衔接,强调“好赛道”在成长股筛选中的核心地位。溯源:图表8引用费雪15条原则,作为对“好赛道”的理论支撑。图像:
图表9:LLM解析年度/半年度报告的核心问题 描述:聚焦由LLM回答的核心问题,如行业发展、市场需求、竞争格局、治理结构等。解读:为评估LLM文本理解能力的维度提供定性导向。溯源:图表9明确列示核心问题及信息点。图像:
图表10:LLM对各维度核心问题的评分标准 描述:给出对行业需求、产品渗透率、行业判断、信息可靠性等维度的5分制评分标准。解读:明确了评分的量化规则,帮助将非结构化信息转化为可比较的因子信号。溯源:图表10直接对应文本评分标准。图像:
图表11:Prompt分析公司战略规划维度 描述:将战略规划的可执行性、匹配度、风险等维度量化为评分,形成对公司战略的客观评估。解读:为LLM在策略层面的判断提供量化入口。图像:
图表12:对同一篇年度财务报告的10轮独立分析评分结果 描述:展示对同一份年报的多轮独立评分结果,评估稳定性与波动性。解读:支持对LLM输出稳定性的实证分析,但也暴露在未直接陈述的概念上评分的不稳定性。溯源:图表12在页9处呈现,图像路径在文中未给出明确的单独嵌入图像(以文本形式呈现评分结果)。
图表13:成长趋势共振选股策略回测净值 描述:展示成长策略的回测净值曲线,作为历史绩效的定量证据。解读:用于支撑“成长策略经过AI增强后的收益提升”的结论。溯源:图表13对应页10。图像:
图表14:成长策略与LLM财报文本解析观点结合的模型框架 描述:给出“成长策略+财报文本解析观点”的模型架构图,强调将LLM观点嵌入成长策略的框架内。解读:形成可执行的整合流程,明确各环节的接口与信息流。溯源:图表14在页11,图像路径给出。图像:
图表15:不同维度财报评分结合的新成长趋势模型的收益统计 描述:展示将不同维度评分结合后对策略收益的提升效果,显示行业需求信息对收益贡献较大。解读:证实“行业需求信息评分”对收益的增益最显著,支撑将行业层面的文本信号放在核心位置的策略设计。溯源:图表15来自页11的图像(同图14所示的复用)。图像:
图表16:AI增强的成长趋势策略回测净值 描述:展示AI增强策略在回测中的净值表现,与原策略进行对比。解读:证实AI增强在后期(尤其样本外阶段)对收益的贡献扩大,支持“文本评分在2026年的超额贡献增强”这一结论。溯源:页13的图片,图像路径给出。图像:
图表17:AI增强的成长趋势策略历年收益统计 描述:展示历年收益分布,进一步佐证AI增强策略的稳定性与持续性提升。解读:与图表16共同构成对策略长期表现的综合证据。溯源:页13中同一张复合图像覆盖图表16/17的区域。图像:
四、估值分析(文中是否存在直接的估值或目标价?)
五、风险因素评估(逐点列出文本识别的风险与缓解思路)
六、批判性视角与细微差别(客观评估潜在偏见与局限)
七、结论性综合(总结要点,强调洞见与建议)
溯源汇总(关键结论对应页码,便于后续溯源)
总体而言,该报告系统性地阐释了利用LLM对财报文本进行深度解析,并将其信号融入成长趋势选股框架的理论与实证基础。方法论清晰、数据完整、图表支撑充分,尽管面临模型稳定性与样本外鲁棒性等风险,但呈现出AI在基本面量化中的重要应用前景,以及在“好赛道、好公司、好价格”筛选逻辑上带来的实质性收益增益。若在未来进一步完善跨市场验证、提升文本评分的稳定性与可解释性,该框架有望成为实盘投资组合管理中的有价值组成部分。--
中金:AI如何帮助选股?.pdf