请务必阅读正文之后的免责声明及其项下所有内容证券研究报告
请务必阅读正文之后的免责声明及其项下所有内容
证券研究报告
内容目录
TOC\o1-1\h\z\u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证券研究报告
请务必阅读正文之后的免责声明及其项下所有内容
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
证券研究报告
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：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？
资料来源：
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。
请务必阅读正文之后的免责声明及其项下所有内容关于过拟合问题，本项目中过拟合相对可控。一方面，从数据维度来看，本项目仅涵盖五大宏观框架及其核心指标，特征数量有限，远低于常见动辄50+变量的高维模型，降低了过拟合风险；另一方面，生成式大模型并非依赖传统意义上的数据拟合，而是通过推理机制进行逻辑演绎与模式归纳，模拟人类认知过程，从
请务必阅读正文之后的免责声明及其项下所有内容
证券研究报告历史中主动挖掘潜在因果关系与结构特征，因此不必过度担心过拟合问题。
证券研究报告
总体而言，相比传统机器学习模型，大模型推断结果附带清晰的逻辑链条，用户既可基于信任应用，也可在怀疑中验证筛选，这在一定程度上缓解了“黑箱问题”，提升了决策过程的透明度和灵活性。在当下的AI语境中，或许更应关注AI幻象问题，而非过拟合问题。
问题3：从宏观信号到组合构建中，短周期模型得出的“打分指示”如何转化为具体的战术配置权重（股债比例调整）？
将短周期模型的“打分指示”转化为战术配置权重，核心是通过风险资产暴露系数实现动态股债比例调整。综合打分区间（-1至1）被划分为若干风险等级，例如得分小于或等于-0.5时，定义为极端风险环境，此时股票仓位压缩至20以下，债券及现金类资产占比提升至80以上，以规避市场剧烈波动。当得分处于-0.5
至0区间时，策略进入防御状态，股票仓位控制在30-50，并配置高等级信用
债对冲潜在风险；得分大于0时启动进攻型配置，其中0至0.5对应50-70股票仓位，0.5以上则进一步提升至70-90，债券部分仅保留利率债作为安全边际。
转化过程中需同步分析各维度因子（如宏观、资金、情绪）对当前打分的贡献度，形成“核心驱动因子矩阵”。例如，若宏观因子（如通胀领先指标）权重骤升，则针对性增加周期股配置比例；若情绪因子（如市场热度得分）超过阈值（如0.8），则动态调高债券对冲比例以抑制过热风险。这种分层逻辑既