本报告创新性提出基于大语言模型(LLM)情绪路由的LLMRouter-GRU神经网络,通过“舆情分诊台”将新闻舆情情绪因子引入AI量价模型,实现“情绪分域,量价建模”,在沪深市场多类指数增强策略中显著提升回测表现。采用稀疏路由机制,激活情绪专属GRU专家,年化超额收益提升最高达3.0个百分点,且显著改善最大回撤与信息比率,展示了另类数据与量价因子融合的高效路径。
| 网络结构 | 专家数量 | 路由机制 | 专家输入 | 舆情使用方式 |
|---|---|---|---|---|
| 纯量价输入 | 1 | 无 | 量价 | 无 |
| 量价+舆情特征输入 | 1 | 无 | 量价+舆情 | 将舆情直接作为输入特征 |
| LLMRouter-Dense | 2 | 稠密路由 | 仅量价 | 舆情因子用于连续权重分配 |
| LLMRouter-Sparse (推荐) | 3 | 稀疏路由(Top-1) | 仅量价 | 舆情因子情绪离散,激活单专家 |
核心论点: 本研究提出了一种名为LLMRouter-GRU的神经网络架构,利用预训练大语言模型(LLM)对股票新闻舆情进行情绪分类,替代传统内生路由机制,形成基于情绪的“舆情分诊台”,将市场情绪划分为不同风格区域(情绪分域),进而进行量价数据建模。实证上,该方法显著提升了沪深主流指数增强组合的超额收益和风险调整指标,特别是在沪深300与中证500增强组合上年化超额收益提升分别达到3.0pct与2.2pct,且最大回撤有所下降,表明整体表现稳健优异,1,2,16]。
报告介绍了混合专家模型“分诊系统”的核心思想——将复杂模型拆分为多个专注不同数据模式的小专家神经网络,通过路由器动态分配计算资源。传统的内生路由器基于量价自身信息计算分配路径,难以捕捉市场情绪等非结构化信息,令Alpha增厚空间受限。
基于此,Liu(2025)提出了LLMoE,将预训练LLM作为外生路由器,利用LLM对非结构化数据(新闻、调研、舆情等)的情绪理解能力为路由依据,实现“情绪分域”以提升策略表现。本文在此基础上,针对实际股票池进行端到端设计改进,提出了“舆情分诊台”,6,7]。
网络由两部分组成:
情绪分域层(LLMRouter): 利用三款基座大模型(GLM-4-9B、Qwen2-7B、InternLM2-7B),对股票新闻舆情进行情绪判别(乐观/悲观/中性),形成多模态舆情因子。该因子作为外生路由器的输入,替代传统内生路由,识别非结构化文本中的隐含语义。
多专家特征提取层(GRU Experts): 基于GRU神经网络的多组专家模块,每个专家专注于不同情绪风格分域,只有被路由激活的专家参与预测,实现“情绪分域,量价建模”。
两种稠密和稀疏路由实现:
稠密路由(Dense):所有GRU专家参与,舆情因子作为连续权重分配。
稀疏路由(Sparse,推荐):通过舆情因子三分位离散化,单个样本仅激活对应情绪的单一专家,降低计算成本、防止过拟合。
以上设计改进了传统AI量价模型的分域能力,实现了舆情与量价的高效融合,2,6,7,8]。
数据基于大智慧财汇新闻舆情数据,跨度2017年至2025年6月,包含新闻基本信息、正文与关联机构。
舆情数据来源多,覆盖度广,新闻量在财报季(年报、中报、三季报)显著上升,体现市场信息发布密度变化。
LLM舆情因子构建采用“方案二”:逐条新闻情绪判断,聚合形成每日滚动舆情因子。相比“方案一”(多模态整体推理),方案二推理成本低,易实现规模化落地。
使用三款中大型中文预训练模型分别进行新闻情绪二分类。提示词设计严谨,四部分构成以保证输出为明确乐观/悲观分类,无模糊类别。
多模型加权平均生成最终舆情因子,保证结果稳定性和鲁棒性,3,4].
舆情因子尽管“Alpha”弱,但展现明显清晰的风格特征,具备分层和分域的天然优势。
舆情数据正负样本分布不严格平衡,乐观超过悲观,但大模型的分类并未大幅偏向一方,随机性可控,封堵了推理过程中随机噪声的影响。
舆情覆盖度和乐观比例明显随市值增大而提升,沪深300等大盘股舆情更丰富、正面,利于其指数增强策略获取更多舆情增量。
舆情因子三款模型相关性较高(相关系数均在0.75以上),反映主流模型间对信息提取的高度一致性,6].
设计八组实验:4种网络结构(纯量价、量价&舆情输入、LLMRouter-Dense、LLMRouter-Sparse)×2种GRU基座(GRUa含复杂注意力,GRUb简约稳健),全覆盖实测双模型的通用性。
重点设计舆情特征作为MoE的路由依据,仅在路由层使用舆情因子,不直接输入专家网络。
输入特征包括30日OLCHV量价序列及除基座一、四外不同时间宽度的舆情因子;输出为未来10日个股收益。
功能期望:通过舆情因子引导模型激活最适应当下市场情绪风格的专家,提高策略的风险调整收益。
采用因子IC相关指标为损失函数,保障因子预测与实测表现指标高度挂钩,9].
综合表现
LLMRouter-Sparse(稀疏路由)策略优于稠密结构且显著优于简单拼接舆情特征输入模型,体现出情绪分域设计的模型效率和泛化能力。
简单将舆情因子作为常规输入对提升作用有限,甚至存局限,说明分域建模至关重要。
分层回测曲线
指标提升细节
沪深300增强:年化超额收益提升3.0pct(基座a 7.5%,基座b 9.5%),夏普比率最大回撤均改善,表现最为突出。
中证500增强:年化超额收益提升2.2pct左右,风险调整指标同步提升。
中证红利增强:提升2.1pct至3.8pct不等。
国证成长增强:提升较大,最高达3.7pct,信息比率大幅提升(0.40至0.78)。
中证1000增强:舆情覆盖度较低,收益提升较小(0.9pct左右),但无劣于传统模型。
图表直观观测
多张累计超额收益与最大回撤曲线清晰显示,LLMRouter-Sparse策略无论基座模型均可带来明显稳健超额收益,且减少极端回撤风险。
数据表格显示,稀疏路由的年化收益率、信息比率、最大回撤及Calmar比率均明显优于其它方案,2,6,8,9,10,11,12,13,14,15].
由于所用LLM基座训练截止日最晚为2024年6月底,回测区间含2022-2025年数据确保未溢出未来信息。
实验颜值结果中,大模型发布前后的策略提升幅度相差不大,说明回测没有引入未来信息,模型的有效性与稳健性可被信赖,16].
图表1(LLMoE示意):展现LLM路由如何基于新闻舆情分配信号,分别激活“乐观专家”和“悲观专家”,进而影响交易策略形成,强调信息驱动的专家激活机制。
图表2(混合专家路由四个阶段对比方案):清晰对比了从普通GRU到加内生MoE、LLMoE密集路由、推荐稀疏路由的演变,突出后期设计轻量、稀疏且情绪分域的优势。
图表4(每日舆情数量走势图):数据波动明显,财报季节舆情数量激增,指示舆情因子对市场信息具有高度敏感度,是合适的外生情绪指标输入。
图表5(舆情因子构建方案示意):方案一综合量价与舆情整体推理复杂且推理成本高,方案二逐条推理后聚合策略成本低效,实际采用方案二满足计算及效率的折中需求。
图表6(三模型舆情因子合成示意):加权平均多模型结果形成最终舆情因子,确保因子平稳性和稳健性。
图表7和8(大模型情绪分类分布和股票池差异):呈现不同模型对正负比例分类和不同股票市值群组舆情覆盖差异,支撑模型在不同股票池的适用性。
图表9-12(舆情因子性能与相关性统计):累计IC曲线与多因子回测显示舆情因子虽Alpha较弱但风格特征明显,三基座模型因子相关度高,支持后续稀疏分域建模方案。
图表14(稠密与稀疏路由对比):示意稠密路由多专家全激活对比稀疏路由单专家激活的结构差异及计算效率与风险权衡。
图表18-35(各因子分层回测、分类回测表现及累计超额收益曲线):全方位展示八组实验策略的收益、夏普、最大回撤、超额收益与换手率等核心指标,结果反复印证LLMRouter-Sparse设计的稳健超额收益及风险控制能力。
图表36(大模型发布前后回测对比):对比不同阶段年化超额收益,确认无未来函数泄露。
报告中不涉及传统公司估值分析。其核心为量化选股模型与因子构建、算法架构创新及对应回测表现分析,故此部分不适用。
大模型训练数据与市场规律潜在失效:大模型训练基于海量历史数据,市场规律未来可能发生变化导致模型泛化失效。
神经网络过拟合风险:尤其内生路由与稠密路由可能导致模型过拟合。本文稀疏路由设计即为针对这一风险的缓解策略,显著降低计算负担及过拟合风险。
舆情数据杂质和噪声风险:新闻舆情多碎片化、低信息密度,可能含噪依赖清洗技术,本文当前未做大规模预处理,后续实盘需进一步清洗提炼。
回测区间有限,样本外验证尚浅:模型基座训练截止2024年6月,回测时间有限,市场极端情况少样本限制模型稳定性。
策略不构成投资建议、相关风险声明:报告明确警示模型结果不可作为买卖直接推荐,重视客户自身投资判断,17].
Alpha属性有限与风格属性增强:报告多次指出舆情因子Alpha属性不强,更多是风格因子,说明该因子更多是辅助模型分域提升而非独立Alpha因子,这点既是优势也限制了独立预测预测力。
模型复杂度与泛化权衡:稠密路由下降收益明显,意味着参数过多可能过拟合,但稀疏路由虽有效降低计算和风险,但对路由正确性的依赖更高,实际部署要求高鲁棒性。
新闻舆情种类局限:仅选取新闻舆情,未包含其他非结构化数据如调研、社交数据,未来可扩展以完善因子信息。
新闻推理方案选型:当前采用逐条推理低成本方案,虽实用但潜在信息利用不及整体多模态方案。
样本外期相对短,未来绩效有不确定性:虽然模型已考虑风险,但长期稳健性和抗黑天鹅能力仍需跟踪。
报告中大量指标数据图表,展现完整性能评估,结构严谨清晰,较少主观色彩,但依赖回测数据无法完全反映实盘,策略采纳尚需谨慎。
本报告创新性提出LLMRouter-GRU“舆情分诊台”神经网络,突破传统AI量价模型对非结构化舆情信息融合限制,核心在于利用大语言模型作为预训练外生路由器,基于新闻舆情情绪对量价预测专家进行稀疏激活,实现“情绪分域,量价建模”的策略升级。通过严谨数据准备、有效提示词设计和三大模型加权融合构建出稳健的低成本舆情因子,实验多维度验证了其有效提升指数增强策略收益及风险调整表现的能力,尤其在沪深300、500及成长和红利增强策略中的年化超额收益提升均显著(最高达3.7pct),且最大回撤和夏普比率均有改善,显示技术实用性和创新优势。
稀疏路由相比稠密路由提供了更优的计算效率和更强的抗过拟合能力,同时避免直接将情绪参数简单融入模型而无效的陷阱,强调路由机制设计的重要性。模型在基座多样化测试中保持强健性能,支持其在实际量化投资中的适用潜力。舆情覆盖差异对模型提升边际影响明显,表明在大盘股及高舆情覆盖领域优势更突出。回测时间跨越大模型发布前后,增加了模型未来验证的信心。
报告最后也坦诚当前模型仍面临一定市场规律变动及舆情噪声风险,提示客户谨慎使用,非投资建议。整体而言,本研究展示了利用大语言模型处理非结构化舆情信息赋能多因子量价模型的前沿方法,对量化选股模型应用AI技术具有重要参考价值。
华泰金工 LLMRouter-GRU:“舆情分诊台”赋能AI量价因子.pdf