华泰|金工:大模型概念与宏观热点选股

多智能体概念选股

  股票市场充斥着不同类型的概念或题材，如近期较火的人形机器人、商业航天等。透过概念/题材观察股票市场，尽管可以类比于行业划分，但概念却存在着边界不明确、概念间成分股或有重叠等等的特点。概念投资是一个更加重视逻辑的过程，而概念又往往层出不穷，概念投资往往表现出快速轮动的特征。

  在这种背景下，大模型擅于梳理海量信息、拥有一定逻辑，可能是较为适合的概念捕捉工具。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）与概念股筛选（portfolio_builder）五个部分构成。

  值得强调的是，这里研究计划、产业链拆分等智能体，及下文宏观热点选股智能体均接入Gangtise知识库的RAG功能，该知识库包含研究报告、公司公告、产业公众号等公开信息，借助这些信息，智能体完成特定任务的信息依据将更加充分可靠，进而提升结果的可靠性。

  研究计划（planner）阶段形成结构化信息集合，用于限定后续分析的关注范围。此阶段输出任务边界设定，重点在于明确研究边界。

  产业链拆分（chain_analyzer）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，各产业链环节并入并行分析阶段，对应节点独立检索信息并生成股票候选清单。

  并行展开的结果在进入组合层之前，需经过统一的证据评审（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。

  概念股筛选（portfolio_builder）阶段基于去重后的股票集合，从各环节推荐股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。

  我们将user_query设置为“人形机器人”进行测试。概念选股智能体将该概念划分为6个环节，分别为：上游核心零部件与材料，中游整机制造与系统集成，下游应用场景解决方案，软件、算法与AI平台，测试、认证与标准制定，销售、服务与生态运营。智能体具体梳理内容如下。

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：

  上游核心零部件与材料：该环节是人形机器人产业的基础与价值核心，直接决定了机器人的性能、成本与量产可行性。主要涵盖精密减速器、伺服电机、控制器（三大核心零部件）、高精度传感器、轻量化材料（如碳纤维、特种合金）以及高端芯片等。其作用是将下游的系统设计与整机集成需求，转化为具体的、高性能的物理执行单元和感知单元。当前全球市场规模约百亿级人民币，但随特斯拉Optimus、Figure等产品迭代及潜在量产计划推动，未来5-10年有望进入高速成长期，增长逻辑在于：1）技术突破驱动单机价值量提升；2）规模化降本带动渗透率提升；3）国产化替代机遇。该环节技术壁垒高，毛利率相对丰厚，是产业链中率先兑现业绩和具备长期卡位优势的领域。

  中游整机制造与系统集成：该环节位于人形机器人产业链中游，是技术整合与工程化落地能力的核心体现。其作用是将上游的精密零部件整合、组装、调试，最终形成具备特定功能与形态的机器人本体，为下游应用场景提供定制化的解决方案。其价值在于对多学科交叉技术的系统集成能力，是决定产品性能、可靠性及成本的关键。当前处于从实验室样机、特定场景试点向规模化商业应用过渡的导入期。增长逻辑明确：1）特斯拉Optimus等标杆产品的示范效应持续催化产业进程；2）劳动力成本上升及高危场景替代催生刚性需求；3）AI大模型技术进步显著提升机器人的感知、决策与交互能力，拓宽应用边界；4）政策层面（如中国制造2025、机器人+等）给予强力支持。该环节具有高成长性与高弹性特征，但同时也面临技术路线尚未统一、良品率爬坡与商业化验证等挑战。

  下游应用场景解决方案：负责将机器人本体与特定行业需求结合，提供整体服务。其核心作用在于打通技术产品与商业价值的‘最后一公里’，是人形机器人能否实现规模化落地和创造营收的关键。当前市场规模仍处早期爆发阶段，但增长逻辑清晰：1）技术成熟驱动：随着运动控制、AI交互、成本控制等关键技术突破，机器人本体性能提升、价格下降，为多场景应用奠定基础；2）场景需求明确：在工业制造（精密装配、柔性产线）、特种作业（应急救援、高危巡检）、商业服务（导览、物流配送）、家庭陪伴等领域的降本增效或替代人力需求迫切；3）政策与资本助推：全球主要经济体将人形机器人视为战略产业，配套政策与资本持续加码。企业壁垒在于对垂直行业的深度理解与快速迭代的服务生态。

  软件、算法与AI平台：是人形机器人产业链的“大脑”与“灵魂”，是决定机器人智能化水平、任务执行能力和商业化落地的核心环节。其作用主要包括：1）环境感知与理解：通过计算机视觉、多模态传感器融合等算法，让机器人识别和理解周围环境；2）决策与规划：基于强化学习、模仿学习等AI技术，生成运动轨迹和任务执行策略；3）控制与执行：将高层指令转化为底层关节电机的精确控制信号；4）人机交互：实现自然语言对话、情感识别等交互能力。该环节市场规模随机器人出货量增长而呈指数级放大，增长逻辑在于：AI大模型（尤其是具身智能和多模态模型）的技术突破大幅提升了机器人的通用能力，软件价值占比在整机成本中持续提升，是产业链中技术壁垒最高、附加值最大的部分之一。

  测试、认证与标准制定：是人形机器人产业链中至关重要的支撑与保障环节，位于研发、制造与应用落地的交汇点。其核心作用在于：1）质量与安全闸门：通过功能、性能、可靠性及安全（如人机交互安全）测试，确保产品达标，是产品商业化放量的前置条件；2）技术规范与互联互通基础：标准制定（涉及机械、电气、通信、AI算法、伦理等）能降低产业链协作成本，加速技术迭代与生态形成；3）合规与市场准入关键：国内外认证（如CE、UL、中国机器人CR认证）是产品进入全球市场的通行证。随着人形机器人从实验室走向工厂、商用及家庭场景，测试需求将从研发端向量产端快速渗透，认证与标准的重要性将急剧提升。该环节市场规模随整机放量呈指数增长，且具备高壁垒（技术、资质、公信力）和强粘性，增长逻辑清晰。

  销售、服务与生态运营：该环节是人形机器人产业链的价值实现与放大终端，处于产业链下游。其核心作用是将硬件产品转化为商业价值，并通过持续的运营服务构建用户粘性和生态壁垒。具体包括：1）产品销售与渠道管理：负责将人形机器人（包括To B的工业/商用机器人和To C的陪伴/服务机器人）推向终端客户，涉及直销、代理、线上线下融合等多元化渠道建设。2）售后运维与服务：提供设备的安装、调试、维护、维修、软件升级等全生命周期服务，是保障产品稳定运行、提升客户满意度并创造持续性收入的关键。3）生态平台运营与内容开发：构建基于机器人硬件的应用商店、技能平台、数据服务平台，吸引第三方开发者，丰富机器人功能与应用场景，形成“硬件+软件+服务”的闭环生态。

  市场规模及增长逻辑：当前该环节市场规模与机器人出货量强相关，尚处早期但增长潜力巨大。增长逻辑在于：1）渗透率提升的直接驱动：随着人形机器人技术进步与成本下降，在工业、商业服务、家庭陪伴等场景的渗透加速，将直接带动销售与服务收入。2）服务收入占比提升：商业模式正从“一次性硬件销售”向“硬件+持续服务订阅”转变，高毛利、可持续的服务与软件收入占比将逐步提高，提升整体价值链。3）生态价值变现：随着应用生态的成熟，平台抽成、数据服务、广告等将成为新的盈利增长点。该环节的利润率通常高于中游制造，且具备更强的客户粘性和品牌溢价能力，但短期业绩受制于上游产品成熟度与放量进度。

宏观热点智能体：多维度逻辑排演与证据仲裁机制

  股票市场中，宏观变量往往以“事件”或“预期差”的形式驱动资产定价，例如利率周期变化、财政政策加码、地缘冲突、汇率波动等。这类信息具有跨行业、跨资产传导的特征，其影响路径并不沿单一产业链展开，而是通过“宏观—行业—公司”的多层映射逐级扩散。与概念/题材投资相比，宏观驱动下的投资更强调逻辑链条的完整性与因果关系的严谨性，同时对信息时效性与一致性要求更高。

  在此背景下，多智能体框架天然适合处理宏观热点选股问题。一方面，大模型能够对宏观信息进行抽象与归纳，形成结构化假设；另一方面，通过多个功能性worker并行展开，可以分别从宏观解读、行业映射、个股筛选及风险反证等维度对同一逻辑进行独立验证，从而降低单一路径推理的偏差。在本节中，我们在概念选股智能体的基础上，构建面向宏观事件驱动的多智能体选股框架。

  整体流程可概括为：识别宏观事件→构建投资逻辑→行业映射→个股筛选→风险反证→组合生成。

  在实现层面，我们基于LangGraph框架设计宏观热点选股智能体，将原有的单链路推理扩展为多worker并行结构。系统以planner为入口，根据用户问题自动识别任务类型，并生成分析计划；随后通过run_worker节点并行调用多个功能型worker，分别完成宏观解读、行业映射、候选股筛选与风险反证；最后通过证据仲裁与组合构建模块完成统一决策输出。

  研究计划（planner）阶段，planner首先通过RAG检索宏观背景信息，对事件进行初步归类，并输出任务拆解与参与的worker类型。同时，planner需要提出若干可执行的投资逻辑（strategy_logics），作为后续各worker分析的统一输入。这些逻辑通常对应不同的传导路径，例如“利率下行—成长股估值扩张”“财政发力—基建链需求回升”等。

  行业映射（sector worker）负责将宏观逻辑映射至行业与风格层面，即从“因”推导“果”。这一过程需要明确受益与受损方向，并解释其传导机制。例如，利率下行可能利好高估值成长板块，而大宗商品上涨则可能利好资源类行业。

  候选股筛选（stock worker）在给定投资逻辑下，结合RAG检索与行业信息，筛选具体A股标的，并根据确定性与弹性进行分层（core、satellite、hedge）。与概念选股不同，该阶段不再依赖产业链位置，而是围绕宏观逻辑—行业—公司的映射关系进行筛选。

  风险反证（risk_refuter）的作用在于对主逻辑形成约束，避免因单一信息源或短期数据而产生过度乐观的判断。

  通过并行执行上述worker，系统能够同时获得支持与反对某一投资逻辑的多维信息，从而为后续的证据整合提供基础。

  在证据仲裁（evidence_judge）阶段，通过对各类信息进行量化评分：一是证据强度（strength），衡量逻辑本身的合理性与支持证据的充分程度；二是时效性（freshness），评估信息是否反映最新宏观环境；三是共识度（consensus），判断不同worker之间是否达成一致；四是可执行性（actionability），衡量该逻辑是否可以转化为具体投资行为。

  此外，模块还会识别不同worker之间的冲突点，例如宏观与行业判断不一致、或风险反证与主逻辑矛盾等。这些冲突信息将作为组合构建阶段的重要参考。

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：

  外部逻辑：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A股。该逻辑成立基于以下分析：新任美联储主席沃什主张“降息与缩表并行”，市场初期将其解读为“鹰派”，导致全球资产波动。但深入分析表明，其政策面临多重约束（政治、经济、金融），实际路径可能“降息在前，缩表在后”，且降息立场相对鸽派。这将在中长期导致：1）中美利差收窄，缓解人民币汇率压力；2）提升中国货币政策自主空间；3）吸引外资（北向资金）回流人民币资产。结合用户1-3个月的中等风险偏好持有期，应聚焦于短期受益于流动性改善和外资回流的板块，同时兼顾中长期产业趋势。

  内部逻辑：经济基本面稳健运行，货币政策适度宽松，居民财富向金融资产再配置（存款搬家），公募、险资等内资增量资金持续，为A股提供流动性支撑。该逻辑成立的核心在于：1）美联储主席换届虽带来短期冲击（如贵金属波动、美元反弹）及春节前季节性资金面收紧影响，但调整空间有限；2）春节后资金面回暖、政策与产业催化有望驱动春季行情延续；3）风格上成长（科技）与中小盘可能占优。

配置逻辑

  主攻端关注前期调整充分的科技成长（AI、半导体、通信等），基本面扎实的核心资产（如部分消费、金融）。需规避受外部冲击明显的品种（如有色），并密切关注美国经济数据、国内政策落地及市场情绪变化。

策略构建与回测：月度概念与宏观热点选股策略

  为验证上述智能体在概念与宏观热点选股中的效果，我们将其落地为可回测的月度投资策略。

  基于这一目标，本文构建了月度概念选股策略与月度宏观热点选股策略，二者独立但结构一致。两类策略相关设定总体一致：调仓频率为月度，组合构建方式为等权配置。

  策略的基础是构建月度投资依据集合，用于刻画每个月市场关注的核心宏观热点。这里我们继续采用大模型与Gangtise RAG接口结合的方式，对信息进行系统化提炼，并形成结构化输入，供后续多智能体选股模块调用。

  在时间处理上，系统以自然月为单位切分研究区间，并严格限定所有信息不晚于当月末，确保不存在未来信息泄露。每个月对应一个独立的月度输入，包含若干条经过筛选与去重的概念与宏观事件。

  月度投资依据主要包含两类。一类是概念题材，侧重产业层面与主题投资，要求概念必须具备可映射产业链的细分属性，而非宽泛行业标签；另一类是宏观事件，侧重政策、经济数据与重要宏观变化，要求事件本身具备明确的可交易影响方向。

  对于概念提取，我们在提示词层面明确约束输出细粒度，优先提取例如“设备更新”“低空经济”等具体主题。

  在月度概念选股策略中，我们以当月提取的概念题材作为输入，调用前文中的概念选股智能体对每一个概念进行独立分析，并最终聚合为月度投资组合。

  具体而言，在每个月内，由于提取出的概念众多，我们依赖DeepSeek大模型首先从当月概念池中筛选出若干个最具主线特征的概念，进而节约token、降低噪音，下文的宏观热点选股策略同样如此。

  随后，对每一个概念分别运行概念选股智能体，进而完成以下过程：构建概念研究计划；拆解产业链关键环节；并行分析各环节的代表性A股公司；对候选股票进行一致性与相关性校验。不同概念、不同产业环节产生的股票候选在进入组合层前会被统一汇总，并进行去重处理。

  在组合构建阶段，本文不对单一概念或单一产业链进行额外主观加权，而是将所有通过筛选的股票纳入统一候选池，并按评分排序后选取特定数量（概念选股设定为每月至多30只股票）的股票构建组合。

  我们每月选择2个最佳概念，基于概念选股智能体进行个股提取，最终组合效果如下。对于沪深300基准指数，回测区间内，月度概念选股组合大幅跑赢沪深300，但策略净值及超额收益波动较大，概念股策略通常在流动性充裕的市场环境中表现好，例如2023年上半年与2024年9月至今两个区间策略表现强势。从回测业绩上看，策略年化收益率为45.06%，夏普比率1.21，年化超额收益率38.23%，信息比率1.33，相对基准月胜率57.89%。

  月度宏观热点选股策略与前文中的概念选股在时间与回测设置上保持一致，但在逻辑结构上更强调宏观传导链条的多路径验证。

  在每个月内，系统首先从月度投资依据中筛选出当月最具代表性的宏观事件，并将其作为输入，调用宏观热点多智能体进行分析。

  类似的，如果改变基准指数为中证500，超额收益相对降低，2025年8月后超额收益回撤较大，可能与中证500成分股内题材热点较为火爆有关，策略年化超额收益率7.93%，信息比率0.52，相对基准月胜率68.42%。

  本文围绕概念与宏观热点这一类结构复杂、逻辑多源的投研问题，尝试将多智能体框架引入选股研究之中。通过将研究流程拆解为若干功能明确的子智能体，并行完成信息梳理、逻辑推演与结果评审，本文构建了相对结构化的概念选股与宏观热点选股框架，降低了单一路径推理带来的不稳定性，使研究结论更多建立在多重证据与逻辑交叉验证之上。

  为了验证智能体选股有效性，我们构建了月度概念、月度宏观热点提取框架，进而形成相应的选股策略。从回测结果看，基于多智能体框架构建的月度概念选股与月度宏观热点选股组合在历史回测中均取得了相对较好的正向表现。具体看，月度概念选股策略年化收益率为45.06%，夏普比率1.21，年化超额收益率38.23%，信息比率1.33，相对基准月胜率57.89%。月度宏观热点选股策略年化收益率为22.60%，夏普比率1.04，年化超额收益率15.51%，信息比率1.30，相对基准月胜率65.79%。

  从策略层面看，基于多智能体框架构建的月度概念选股与宏观热点选股组合在历史回测中展现出一定有效性。相较于传统依赖人工经验或单模型输出的研究方式，本文框架在逻辑丰富程度、输出效率、稳健性方面或具有一定优势。

  需要指出的是，多智能体选股框架在提升研究完整性与稳健性的同时，也引入了更高的系统复杂度，其实现效果对智能体分工、交互规则与提示设计存在一定依赖；此外，相关结论仍基于历史样本与既有信息结构，对于突发性强、可类比样本有限的极端事件，其稳定性仍有待进一步检验。与此同时，本文主要聚焦选股层面的有效性，对组合层面的风险约束与动态优化探讨相对有限，相关信号在更复杂组合框架中的表现仍需后续研究加以验证。