本报告基于DeepSeek-V3大语言模型,创新性地从行业和风格两个维度提取基金经理言行观点,通过结合临近季度的持仓数据,量化判断基金经理的言行一致性。研究涵盖2019Q4至2024Q3的主动权益基金,结果显示言行一致基金组合波动更低,风险特征更优,提示言行一致性能够反映基金经理投资风格的稳定性与可信度。报告还展示了具体行业和风格言行一致的判别流程与应用场景,为基金池筛选和风险管理提供新工具与视角
| 行业概念 | 2023Q1持仓 | 2023Q2持仓 | 持仓变化 |
|---|---|---|---|
| 银行 | 22.39% | 22.68% | +0.29% |
| 消费 | - | 0 | - |
| 电力设备及新能源 | 0 | 0 | 0 |
| 风格 | 2022Q1持仓 | 2022Q2持仓 | 持仓变化 |
|---|---|---|---|
| 价值 | 28.59% | 23.72% | -4.87% |
| 成长 | 4.75% | 5.26% | +0.51% |
| 均衡 | 26.68% | 30.09% | +3.41% |
报告标题: 《如何用DeepSeek精准识别言行一致的基金经理?》
发布时间: 2025年3月14日
发布机构: 国金证券股份有限公司
分析师: 高智威(执业编号S1130522110003)、赵妍(执业编号S1130523060001)
联系方式: 电子邮件及微信二维码提供
报告主题: 利用DeepSeek-V3国产大语言模型分析基金经理言行一致性的技术与应用,涵盖基金经理行业和风格观点的提取、持仓验证及言行一致性判别,最终构建言行一致基金经理的筛选体系。
核心论点概述:
报告详细介绍了DeepSeek-V3大模型的发布及其独特技术优势,提出通过大语言模型精准提取基金经理季度报告与调研纪要中的“看好/不看好”行业和风格观点;结合基金持仓数据判别基金经理言行是否一致;分析言行一致性的市场意义及应用场景;最终展示言行一致基金组合表现稳健、风险更低的优势,体现了AI技术在投研领域的深度赋能。,1,11]
报告以DeepSeek-V3模型为技术基础介绍开篇。该模型采用混合专家(Mixture-of-Experts, MoE)架构和多头潜在注意力(MLA)机制,结合无辅助损失策略,突破了负载均衡及稳定性难题,能够高效处理海量数据,提升训练和推理效率。模型预训练规模达到14.8万亿token,训练成本低(仅2.788M H800 GPU小时),且开源,性价比极高。
性能方面,DeepSeek-V3在多个权威基准测试(MMLU-Pro, MATH 500, AIME2024, Codeforces等)表现优异,准确率达75.9%,在高级数学推理和代码生成领域超过部分竞品,接近闭源模型水平。模型API在价格与性能比方面也处于行业领先位置。
图表1(架构图)清晰展示了MoE模块和MLA细节;图表2(性能对比柱状图)直观体现DeepSeek-V3相较于其他模型的优势;图表3展示性价比优势区间,说明模型在成本与能力上的优越性。,2,3]
报告第二章讨论基金经理言行一致性的研究背景。基金经理的言行一致性对投资者理解投资逻辑及信任基金经理至关重要。近年来市场风格快速轮动,基金经理频繁调整策略导致言行不一致现象增多,使得FOF等投资主体研究复杂。传统线性回归方法难以精准判断,因多重共线性影响较大。
本报告提出结合DeepSeek-V3大模型自动提取基金经理对行业和风格的看法,再通过实际持仓数据验证言行一致性,提供了创新且高效的方法解决长期难题。
此章节阐述言行一致从行业层面的具体判定方法:
该逻辑与行业持仓结合,既定量又定性,消除了传统文本挖掘在多样化表达上的障碍,有效提升了分析精度。,5,6]
风格维度的分析包含7大类(大盘、小盘、成长、价值、均衡、红利、微盘)。报告对风格定义予以细致说明(参见图表14),并依据具备风格信息的文本内容用DeepSeek-V3提取看好/不看好的风格。提取规则(图表10、11)与行业维度相似,特别强调类似低估值即价值风格、高股息即红利风格等多样表达。
言行一致的判定存在针对市值/估值与红利/微盘两类风格不同算法:
图表15流程图提供判别细节,保障判定科学公平。示例数据(图表12、13)再次验证模型提取准确性,证明文本解析对持仓验证映射的高度符合度。,7,8]
通过具体案例深入演示方法应用:
案例细节展现了模型自动提取观点及持仓数据比对的整体流程,并揭示现实中的言行差异现象,具备高度实际应用价值。,9]
报告采用2020年初至2024Q3的季报,选取普通股票型及偏股混合型基金筛选,清除含港股、基金经理变更频繁及文本量少的样本,总体样本规模由300余增长至近1500只(图表20、21),提高了结论的代表性和稳定性。
言行一致性分布显示:多数基金经理对看好的行业和风格有明确表达,而针对不看好的表达较少(图表22、23)。占比解析(图表24、25)指出多基金处于“言行一致”或“无法判断”,部分基金存在“部分一致”或“言行不一致”局面。
2021年及2024年言行不一致占比上升,反映市场风格迅速切换(风格切换加速导致的调整加仓频繁,如2024年小微盘流动性危机导致风格快速反转),市场动态因素被基金经理行为所映射(图表26)。
言行一致度反映基金经理策略稳定性和灵活度,配合基金持仓数据可辅助建立更具信任感的投资组合。报告提出两种稳定/不稳定组合判定方式,结合当前数据结果展示了言行一致组合波动率显著较低,拥有更优的风险收益特征(图表27、28),这对于基金筛选及风险控制具备指导意义。,11,12]
总结部分强调:
风险提示明确列出:
图表1:DeepSeek-V3架构图,透明展示了其结合Transformer堆叠层、混合专家(MoE)模块及多头潜在注意力(MLA)机制的内部运行逻辑,是技术核心的可视化体现,提高理解复杂技术细节的便利性。
图表2:基准测试表现柱状对比,DeepSeek-V3以明显领先优势表现于MATH 500(90.2%准确率),在多种语言理解及推理任务中均优于自家旧版本及部分知名开源模型,证明其研发实力和应用范围广泛。
图表3:性价比散点图,DeepSeek-V3价格极低且性能优越,占据性能-成本左上角理想区域,代表技术自主可控、经济合理,具备大规模应用潜力。
图表4 & 9:基金经理言行一致判别流程,结构清晰划分观点提取、持仓解析和一致性判别三个步骤,逻辑严谨,有助于标准化量化分析流程。,6]
图表5 & 6:提取看好和不看好行业规则的决策树,细节刻画基金经理语言识别规则,兼顾宽泛和具体表述,解决行业匹配准确性问题。,5]
图表7 & 8:基金经理看好/不看好行业提取实例,真实文本与提取结果对照,验证文本解析能力和实际应用的契合度。
图表10 & 11:风格提取规则,同样采用树形逻辑,针对风格表达中的多样化语言进行归类判断,保证数据提取规范一致。,7]
图表12 & 13:风格提取示例,进一步印证模型对风格维度判断的精准执行,提升研究的说服力。
图表14:风格指数及定义表,详细列出风格指数对应的构建方法及代码(如万得大盘/小盘风格、中证红利等),为风格持仓匹配提供标准依据,保证分析的专业性和可追溯性。
图表15:风格言行一致判断流程图,结合不同风格特性设计判定逻辑,体现对风格维度特殊性的深刻理解。
图表16-19:纪要基金经理A、B言行一致实例的行业和风格观点及持仓数据,真实案例有效支持方法论,展现自动化提取与持仓动态验证的结合应用。,9]
图表20 & 21:基金筛选条件与历史基金数量变化,说明研究样本逐年扩大及数据覆盖度,着重保证结论的统计代表性。
图表22 & 23:行业和风格言行一致与不一致基金数量时间序列,展示基金经理行为的动态分布及趋势,关键揭示市场风格切换对基金策略调整的影响。
图表24 & 25:行业和风格言行判断比例饼图,具体显示“言行一致”、“部分一致”、“言行不一致”和“无法判断”四类基金的比例分布,为策略筛选提供数据支撑。
图表26:言行不一致基金占比年度统计柱状图,突出2021年风格热点急转及2024年风格切换加速,引导对市场动态适应能力的思考。
图表27 & 28:基金组合超额净值对比,分别用2和4个季度数据构建的全一致与全不一致基金组合表现对比,显示言行一致组合波动率更低、风险更小,体现了投资稳定性优势。
报告本身无关于公司或基金本体估值的财务指标或传统估值方法讨论,但其对基金组合的表现从Alpha收益和波动率角度进行了风险收益分析。重点在:
报告警示多项风险点:
这些风险提示充分体现了AI辅助分析的局限与要求,提醒应用者需谨慎采纳数据。,12]
综合来看,报告方法科学,但使用时需结合市场实际和多角度风险控制辅以判断。,12]
本报告通过利用国产领先的DeepSeek-V3大语言模型,创新性提出并实现了基金经理言行一致性的自动化判别体系。具体包括:
最终,报告体现了人工智能技术在主动投资领域的深远价值,展现了自动化文本解析与持仓验证融合的创新实践,既为基金经理行为评价提供了量化方法,也为投资者基金筛选和风险管理提供了科学工具。
本报告《如何用DeepSeek精准识别言行一致的基金经理?》通过深度技术结合基金投资实务,打造了基于国产大语言模型的言行一致性分析体系,彰显了AI在助力财富管理与量化投研领域的强大潜力。丰富的图表和实证数据提供了直观有力的佐证,报告内容详实、结构严谨且面向应用,成为智能化基金经理评价研究的重要参考资料。其结论有助于投资者甄别稳健的基金经理,降低组合风险,提升投资决策质量。
(全文字数:约2300字)
如何用DeepSeek精准识别言行一致的基金经理?.pdf