AI赋能资产配置：DeepSeek在大盘择时与行业轮动中的应用.pptx

核心观点;研究框架;;;;;;;研究框架;;;;;大盘择时：弱引导下DeepSeek的策略自建能力有待提升;研究框架;;;;资料来源：万得，DeepSeek，国信证券经济研究所整理;;;;研究框架;;研究框架;结论

大盘择时模型优化显著：

引入DeepSeek动态赋权后，五维择时策略在测试集（2024年及以后）夏普比率达1.04，较沪深300基准（0.71）提升46%，最大回撤压缩至12%；

对比单因子择时（年化夏普0.13，最大回撤24%）及AI自选因子策略（测试集夏普-0.38），AI动态赋权模型展现出更强的适应

性与抗过拟合能力。

行业轮动策略增强效果：

AI增强三标尺策略近8个季度胜率达63%，2020-2024年夏普比率较传统策略提升420%，最大回撤降低41%；

2025年一季度配置中，AI策略年化夏普比率进一步升至4.28，持续跑赢行业等权基准（夏普0.71）及未调整策略。

AI技术突破传统模型局限：

动态分位数机制与自适应核密度估计破解了传统阈值设定主观性问题；

通过多头潜在注意力机制与交互特征工程，解决因子割裂问题。

风险与改进方向：

弱引导下AI自建策略存在过拟合风险（如优选因子策略测试集夏普转负）；需强化模型对金融时序数据平稳性检验与异方差性处理能力，以降低周期拐点误判率

AI+RAG+Agent技术体系赋能未来策略研究路径：

RAG实现动态知识更新避免策略“时间衰减”；

Agent自动化执行策略验证，结合AI动态分析回撤阈值实现多维风控。;风险提示