>> 國金證券-Beta獵手系列之十二：RAG-ChatGPT提前布局熱點概念領漲股-240816
| 上傳日期： |
2024/8/17 |
大?。?/td>
| 4551KB |
| 格式： |
pdf 共25頁 |
來源： |
國金證券 |
| 評級： |
-- |
作者： |
高智威 |
| 下載權限： |
無限制-登錄即可下載 |
|
|
本篇報告繼續(xù)探討大語言模型在熱點投資上的應用，是在《Beta獵手系列之七：追上投資熱點——基于LLM的產業(yè)鏈圖譜智能化生成》提出的“產業(yè)鏈Agent”模型的基礎上做了進一步拓展，進一步提升了產業(yè)鏈與概念股梳理效果，并增加了識別概念領漲股的功能，幫助投資者更準確地把握行情。
RAG: What, Why, How？
RAG是一種優(yōu)化大語言模型輸出質量的技術，通過在指定數據庫中檢索高相關信息來提升模型回答質量，適用于垂直領域知識增強、最新知識更新、擴展上下文長度等多種應用場景。通過“海底撈針”實驗我們證明，盡管大模型支持輸入更長上下文，但在處理較長文本時可能出現能力下降，這也是我們必須用RAG提煉信息，實現降本增效的原因。基于查詢的RAG是當前較主流的RAG框架：檢索出高相關文本后通過Prompt與查詢一起輸入大模型，提升回答的質量。我們可以從初始查詢、檢索器、生成器等方面對RAG框架進行優(yōu)化，其中檢索器是決定RAG效果的關鍵。檢索器包括檢索算法、Embedding模型以及向量數據庫的選擇等，能實現對檢索結果的質量以及大數據下檢索效率的提升，需要使用者根據應用的特征專門挑選檢索方式。
產業(yè)鏈與概念股梳理全流程升級
我們推出“產業(yè)鏈Agent”模型v2.0版本，全流程提升梳理結果質量。首先，我們搭建了涵蓋新聞、研報、公司公告等多個來源的知識庫，并針對產業(yè)鏈梳理與概念股梳理兩種不同的任務分別進行處理；考慮到中文金融文本的特性，我們選擇混合檢索的算法，并創(chuàng)新地提出了時間加權的概念，將信息的時效性納入考慮；此外，我們也實現對文本做進一步濃縮，以及判斷可能存在的概念股映射不準的問題，并最大化發(fā)揮不同大模型的優(yōu)勢。
產業(yè)鏈梳理結果上來看，提升檢索文本質量之后，我們能直接生成任意概念的產業(yè)鏈圖譜，也能給到更加完善的圖譜結果；概念股梳理結果更加準確，且我們給出的概念股組合等權指數與Wind人工梳理構造的指數走勢基本一致，表明我們給到的概念股范圍有較高準確度。
概念領漲股特征識別與領漲組合構造
模型梳理得到的概念股數量較多，我們試圖通過量價特征從中找出領漲股，幫助投資者更好把握熱點行情。我們以AI手機、人形機器人、合成生物學與低空經濟四個概念為例，通過復盤確認了各概念的行情啟動時間點。通過檢驗，我們發(fā)現動量因子與非流動性因子在熱點行情來臨時具有一定選股效果。我們將兩個因子做等權合成，同時疊加“尖峰右偏”特征做第二層篩選，并在市值大于50億的個股上做篩選，構造領漲組合。從回測結果上來看，領漲組合在概念啟動后的短期內相對概念指數以及Wind全A均有明顯的超額收益。
風險提示
大語言模型輸出結果具有一定隨機性的風險；模型迭代升級、新功能開發(fā)可能會導致結論不同的風險；人工智能模型得出的結論僅供參考，可能出現錯誤答案的風險
|
|
