华泰| 金工:大模型概念与宏观热点选股

概念选股智能体：概念映射与产业链深度拆解

  在保证逻辑完整性的同时，提高研究过程的系统性与稳定性，是概念与宏观选股面临的核心问题。

  前期大模型投研应用更多聚焦于信息提取与单模型推理，大模型在文本理解与逻辑归纳方面已展现出明显优势，但在复杂投研任务中，单一模型仍难以兼顾全面性与可控性。而基于多智能体（Multi-Agent）框架，这一问题或将得到新的解决思路，我们可以通过将研究任务拆解为多个功能明确、相互制衡的子智能体，使不同逻辑路径得以并行展开，并在交互与评审中形成相对稳健的结论。

  一方面，围绕概念投资场景，设计产业链拆解、逻辑验证与个股筛选等协同智能体，系统刻画概念从形成到落地的研究过程；另一方面，在宏观事件驱动场景下，引入多角色并行分析与反证机制，探索宏观逻辑向行业与个股映射的结构化路径。进一步地，本文将上述框架落地为可执行的月度选股策略，并通过回测检验其有效性。

多智能体概念选股

  我们基于LangGraph框架实现概念选股智能体，整体结构主要由研究计划（planner）、产业链拆分（chain_analyzer）、并行展开（多个node_expander）、证据评审（evidence_reviewer）和组合构建（portfolio_builder）五个核心节点构成。

研究计划（planner）

  研究计划阶段通过RAG外部知识检索，对概念来源、产业背景与历史演绎进行归纳，并形成结构化信息集合，用于限定后续分析的关注范围。此阶段输出并不直接指向个股，重点在于明确研究边界。

产业链拆分（chain_analyzer）

  产业链拆分阶段将概念映射至若干关键环节，通常覆盖上游关键资源或技术节点、中游制造与系统集成、下游应用与需求端。此后，各产业链环节进入并行分析阶段，对应节点独立检索信息并生成股票候选清单。

并行展开（node_expander）

  每个产业链环节由独立的智能体执行深度RAG检索，结合Gangtise知识库中的研究报告、公司公告、产业公众号等公开信息，生成该环节的候选股票列表。

证据评审（evidence_reviewer）

  评审主要是对已有输出进行一致性与相关性检验，重点检验各环节分析的深度和准确性、产业链覆盖的完整度（是否有遗漏的关键环节）、股票推荐的合理性和一致性、是否存在重复推荐或逻辑矛盾。

组合构建（portfolio_builder）

  基于去重后的股票集合，从各环节推荐投票中筛选出最终组合，给出明确的触发条件和失效条件，并撰写一份完整的研究报告。

人形机器人案例：六环节拆解

  以“人形机器人”测试为例，智能体将其拆解为6个环节：

1. 上游核心零部件与材料：涵盖精密减速器、伺服电机、控制器、高精度传感器、轻量化材料及高端芯片等。技术壁垒高，毛利率丰厚，是率先兑现业绩的领域。
2. 中游整机制造与系统集成：整合上游零部件，形成完整机器人产品。具备高成长性与高弹性，但面临技术路线未统一、成本高等挑战。
3. 下游应用场景解决方案：面向B端/G端客户，提供定制化软硬件集成与服务，打通“最后一公里”。需求明确，政策与资本助推加速商业化。
4. 软件、算法与AI平台：作为“大脑”与“灵魂”，决定智能化水平。AI大模型突破提升通用能力，软件价值占比持续上升。
5. 测试、认证与标准制定：质量与安全闸门，技术规范基础，市场准入关键。随量产推进，重要性急剧提升。
6. 销售、服务与生态运营：商业模式向“硬件+服务订阅”转变，服务与生态变现潜力大，利润率高于制造环节。

以下斜体内容均为AI梳理资料后生成，不构成任何研究观点。

宏观热点智能体：多角色并行与反证机制

  宏观事件如利率周期变化、财政政策加码、地缘冲突、汇率波动等，具有跨行业、跨资产传导特征，影响路径通过“宏观—行业—公司”多层映射扩散。与概念投资相比，宏观驱动更强调逻辑链条完整性与因果关系严谨性。

  实践中存在两类难点：一是宏观信息来源分散、更新频繁，预期与实际数据存在偏差；二是宏观变量与行业个股的映射关系非线性且动态变化。

宏观热点选股智能体架构

  系统包含四个核心模块：macro（宏观解读）、sector（行业映射）、stock（个股筛选）、risk_refuter（风险反证），并通过evidence_judge（证据仲裁）进行统一校准。

  Planner首先对宏观事件归类，提出若干可执行的投资逻辑（如“利率下行—成长股估值扩张”）。随后各worker并行分析，形成逻辑子组合，最终汇总构建统一股票池。

四维逻辑解析

外部逻辑

  美联储主席换届（沃什）可能推行“缩表与降息并行”，短期扰动市场，长期趋向鸽派，利好中美利差收窄与人民币汇率，吸引外资回流。

内部逻辑

  人民币在外部美元走弱和内部经济稳健支撑下，预计进入温和升值通道。国内货币政策宽松、财政积极，居民财富向金融资产再配置，内外流动性共振构成A股上行核心驱动力。

市场逻辑

  短期受贵金属波动、美元反弹及春节前资金面收紧影响，市场或震荡调整，但空间有限。春节后资金面回暖、政策与产业催化有望驱动春季行情，成长（科技）与中小盘风格占优。

以下斜体内容均为AI梳理资料后生成，不构成任何研究观点。

策略回测与绩效表现

  本文构建了月度概念选股策略与月度宏观热点选股策略两条相对独立但结构一致的策略线。两类策略均以自然月为单位，调仓频率为月度，组合采用等权配置。

月度概念/宏观热点提取

  系统以自然月切分研究区间，严格限定信息时间戳不晚于当月末，避免未来信息泄露。每月形成一个包含概念与宏观事件的统一投资依据集合。

  概念提取要求具备可映射产业链的细分属性（如“设备更新”“算力升级”“涨价链”），避免宽泛行业标签；宏观事件则侧重当月发生、对A股有明确影响路径的政策或经济数据。

组合构建流程

  对于概念策略，每月先由大模型筛选最具主线特征的概念，再调用概念选股智能体独立分析，最终聚合为月度组合（至多30只股票）。对于宏观策略，每月选择1个最佳宏观热点，提取至多20只股票。

回测结果（2022-12-30 至 2026-02-13）

策略类型	年化收益率	年化超额收益率（vs 沪深300）	信息比率	相对基准月胜率
月度概念选股策略	45.06%	38.23%	1.33	—
月度宏观热点选股策略	22.60%	15.51%	1.30	65.79%

  测试结果表明，多智能体协作架构不仅能提升概念选股与宏观热点选股的投研效率，其产出的投资组合在收益率、超额稳定性及相对基准胜率上均具备较为显著的实战价值。相较概念策略，宏观热点策略对单一题材轮动依赖度较低，在不同市场环境下表现出更强的稳定性。