金融工程行業(yè)深度研究：LLMRouter_GRU，“輿情分診臺”賦能AI量價因子.pdf

金融工程行業(yè)深度研究：LLMRouter_GRU，“輿情分診臺”賦能AI量價因子。

人工智能 94：大模型情緒路由賦能 AI 量價，300 指增表現(xiàn)優(yōu)異

本研究提出 LLMRouter-GRU 神經(jīng)網(wǎng)絡(luò)，將大語言模型（LLM）對新聞輿情 的情感分析能力引入 AI 量價模型，構(gòu)建“輿情分診臺”。該結(jié)構(gòu)通過對原 有神經(jīng)網(wǎng)絡(luò)進(jìn)行輕量級改造，基于市場情緒動態(tài)選擇稀疏專家路由，實(shí)現(xiàn)了 “情緒分域，量價建模”。實(shí)證表明，該模型能有效融合另類輿情信息與量 價數(shù)據(jù)，提升指數(shù)增強(qiáng)組合表現(xiàn)。在回測區(qū)間 2022-12-30 至 2025-06-30 內(nèi)，輿情覆蓋度高的 300 增強(qiáng)年化超額提升達(dá) 3.0pct，信息比率與最大回撤 也有明顯改善。

LLM-News 輿情因子：風(fēng)格特征清晰，Alpha 屬性不強(qiáng)

新聞輿情是市場反饋?zhàn)铎`敏的另類數(shù)據(jù)源。本研究基于 GLM-4-9B、 Qwen2-7B、InternLM2-7B 三組大模型構(gòu)建 LLM-News 輿情因子，通過高 效提示詞設(shè)計(jì)完成海量新聞情感標(biāo)注。實(shí)驗(yàn)顯示，該因子雖 Alpha 屬性不強(qiáng)， 但呈現(xiàn)清晰的風(fēng)格特征。后續(xù)，我們將利用其清晰可辨的風(fēng)格特征進(jìn)行專家 分域。此外，該因子在大市值股票池覆蓋度更高，將為后續(xù)的大市值指增策 略提供更為明顯的增量信息。

LLMRouter-GRU：“情緒分域，量價建模”

傳統(tǒng) MoE-GRU 依賴內(nèi)生路由，由于決策依據(jù)與量價信息同源，因此相較于 外生路由，其 Alpha 增厚的空間可能有限。本研究借鑒 LLMoE 思想，將預(yù) 訓(xùn)練 LLM 作為“智能分診臺”，使用輿情因子替代內(nèi)生路由器。網(wǎng)絡(luò)的關(guān) 鍵創(chuàng)新在于采用稀疏路由（Sparse Router）方案，通過情緒三分位離散化， 僅激活單一專注該情緒風(fēng)格的 GRU 專家。相比稠密路由，此設(shè)計(jì)可顯著降 低計(jì)算成本并避免過擬合風(fēng)險，且僅需對原有專家網(wǎng)絡(luò)進(jìn)行輕量化改造。

“輿情分診臺”策略可提升指數(shù)增強(qiáng)組合表現(xiàn)

LLMRouter-Sparse-GRU 相比于傳統(tǒng) AI 量價模型在五類指數(shù)增強(qiáng)場景均取 得提升。在回測區(qū)間 2022-12-30 至 2025-06-30 內(nèi)，相較于傳統(tǒng) GRU，在 300 增強(qiáng)與 500 增強(qiáng)場景下，模型年化超額收益分別提升 3.0pct 與 2.2pct， 最大回撤同步改善；紅利增強(qiáng)和成長增強(qiáng)則分別提升 2.1pct 和 3.7pct；在 1000 增強(qiáng)提升稍遜，僅提升 0.9pct。該策略在 GRUa、GRUb 兩類基座模 型上均驗(yàn)證有效，且稀疏路由顯著優(yōu)于稠密路由及簡單特征拼接方案。