赋权体系能够捕捉因子间的协 同效应，在宏观因子与市场情绪的耦合分析中展现独特价值，有效应对市场 突变场景。 AI 能将大盘择时与行业轮动相结合，提升策略解释力与前瞻性。多因子择时 输出的大盘风险暴露系数作为行业轮动的“顶层约束”，同时行业轮动结果 反哺择时因子，例如，让三标尺中的指标与多因子择时中的宏观因子形成交 叉验证，考虑大盘对行业影响的同时，修正宏观数据滞后问题。 在财务风险识别领域，AI 重优化模型的路径”具体是如何操作的？ 基于 XGBoost 的权重优化模型路径主要用于从历史数据中挖掘各因子对市场趋势 的影响规律，并将其转化为初始权重基准。该过程首先通过 XGBoost 对历史股债 市场数据（如宏观经济指标、资金流向等）进行特征重要性分析，量化各因子对" 股债强弱走势"的解释能力，筛选出具有长期稳定性的高价值因子；然后将这些因 子重要性结果作为训练样本输入 DeepSeek 模型，使其学习因子与市场状态的关联 月开始，数据频率为月度。首先是分析师底稿数据从该时间开始较为完备，这保 证了样本数据的一致性和可用性；其次，近 10 年的跨度基本覆盖了完整的宏观经 济周期，使数据具有较强的代表性，有助于模型充分学习宏观经济在不同时期的 变化规律和特征。 关于过拟合问题，本项目中过拟合相对可控。一方面，从数据维度来看，本项目 仅涵盖五大宏观框架及其核心指标，特征数量有限，远低于常见动辄 50+变量的 高维模型，降低了过拟合风险；另一方面，生成式大模型并非依赖传统意义上的

021-60933158 dongdz@guosen.co m.cn S0980513100001 联系人：郭兰滨 010-88005497 guo lanbin@guosen.com.cn 投资策略 · 宏观固收 摘要 项目概述：本项目聚焦原有 5 个短期资产配置模型“等权重”配置的局限性，接入 DeepSeek 实现“打分指示的 股 债强弱”指数的智能迭代优化，提升资产配置的前瞻性与决策有效性 进行静态学习，投喂短期模型逻辑以及底稿等核心信息，训练 DeepSeek ； 二是让 DeepSeek 进行动态纠偏，挖掘历史数据中“先验权重”与“真实走势”的差异，迭代优化； 三是让 DeepSeek 进行推理应用，基于宏观指标预测值完成 2025 年全年的指数外推 优化结果：等权重平均组合五个短期模型结果，降维后胜率 38.52% ； AI 赋能权重优化（ DeepSeek-V3 ） ，胜 率提升至 年维度的资产配 置决策，优化股债配置结构，平衡成 长 性与价值回归 长周期：科技驱动的结构性变迁 判定核心：科技革命驱动的 40-60 年 的超长期经济周期 应用价值：提供大类资产配置的宏观 视角，捕捉科技创新和产业变革带来 的 长期投资机遇 请务必阅读正文之后的免责声明及其项下所有内容 国信周期框架：统筹短、中、长，多维视角指引资配 美林时钟框架（工业增加值 +PPI

智能技术，实时分析市场动态，为投资者提供更加精准和及时的资 产配置建议。 DeepSeek 的应用主要体现在以下几个方面： 1. 数据整合与分析：DeepSeek 能够整合来自不同来源的金融数 据，包括市场行情、公司财报、宏观经济指标等，通过深度学 习模型对这些数据进行全面分析，揭示潜在的投资机会和风 险。 2. 实时监控与预警：DeepSeek 具备实时监控市场变化的能力， 一旦发现异常波动或潜在风险，会立即向投资者发出预警，帮 具，旨在通过深度学习和自然语言处理技术，为资产配置规划提供 精准的数据支持和决策建议。其核心优势在于能够处理海量复杂数 据，快速识别市场趋势和风险因素，从而优化投资组合的配置效 率。DeepSeek 系统通过集成多源数据，包括宏观经济指标、行业 动态、市场情绪以及历史交易数据，构建了一个全面的数据分析平 台。其独特之处在于能够实时更新数据，并结合机器学习算法不断 优化模型，以提高预测的准确性。 在实际应用中，DeepSeek 为资产配置提供更为精准和实时的决策支持。在金融市场 中，DeepSeek 技术的应用背景主要体现在以下几个方面： 首先，金融数据的爆炸式增长使得传统分析方法难以应对。全 球金融市场的交易数据、宏观经济指标、行业动态等信息量巨大， 且数据来源多样化。DeepSeek 技术能够通过自动化的数据处理和 特征提取，从海量数据中挖掘出有价值的信息，帮助投资者更全面 地理解市场动态。 其次，金融

本报告以人工智能在医疗场景中的应用为主体，结合广西的地方特色，通过动脉网·蛋壳研究院的调研及分析，分别从： 经济要素、人口结构因素、疾病谱要素及供给要素四个宏观维度洞察广西的医疗发展现状，并提出需要重点关注的四大变化 及由此衍生出的六大机遇与挑战。在宏观层面，我们将会提出发展建议；在微观层面，我们将会重点聚焦人工智能的四大落 地场景。 我们将凭借对于医疗人工智能领域的敏锐洞察，我们提出相对应的医疗 过我们对于现状的洞察及建议，能够帮助广西壮族自治区在医疗人工智能领域带来建设性的发展规划，帮助医疗人工智能产 品在广西实现真正落地。 研究目的： 广西医疗产业现状洞察：从“变化”开始，重点关注四大宏观维度 从“变化”开始，四大驱动因素引发广西未来医疗产业变革。经济要素——引发的医疗消费能力变化；人口结构要素——引发的医疗受 众人群结构变化；疾病谱要素——引发的医疗刚性需求变化；供给要素——引发的医疗服务能力变化。 人口结构要素--引发的医疗受众人群结构变化 1 经济要素--引发的医疗消费属性变化 疾病谱要素--引发的医疗刚性需求变化 供给要素--引发的医疗服务能力变化 广西医疗产业 现状洞察-- 四大宏观维度 2 3 4 经济要素--引发的医疗消费属性变化：居民医疗消费属性偏向“优质医疗”，政府医疗负担加剧 2015年~2017年的数据显示，广西居民医疗消费能力提升，属性已经偏向于获得：高

Deepseek 等顶尖 AI 工具有望通过以下方案突破瓶颈： 1.跨尺度建模误差控制：微观层面，从每个原子之间相互作用力的计算误差；到介观层面， 微小的孔洞结构或者材料密度变化对材料强度带来影响；再到宏观层面，在实验室小试成功， 但是规模化生产却完全失败，此类风险与跨尺度误差累积紧密相关。目前的最新研究显示， 类似 Deepseek 这类 AI 工具可以在粗糙尺度、中间尺度以及全原子尺度建模，在耗时和精准 化工新材料研发面临“多尺度复杂性”与“实验验证滞后”两大痛点： 多尺度复杂性：材料的特性往往源于跨多个尺度的相互作用——从电子在量子层面 的行为到我们在宏观层面观察到的性质（例如强度、电导率）。准确建模这些相互作 用在计算上十分困难。材料在宏观层面所表现出的特性（如在应力下的弯曲程度）是 其微观结构（原子排列、键合方式），甚至更细致的亚微观特征（电子分布）共同作 用的涌现性质。要正确捕捉各个 Pyzer-Knapp 等，国联民生证券研究所 1.1 跨尺度建模误差控制 在微观层面，原子间相互作用力的计算存在误差；介观层面，材料中细微的孔洞结构 变化或材料密度改变，均会对材料强度产生显著影响；宏观层面，实验室小规模试验 成功但大规模生产失败的风险，与跨尺度误差的累积紧密相关。 当前工业应用中，大多采用现象学建模。该建模方式主要基于对现象的直接观察与描 请务必阅读报告末页的重要声明

的需求，开放包容的文化将主导这个时期的技 术走向。 技术变革进入到中后阶段，集群协作型的文化 与技术阶段更适宜，将会释放出技术变革的最 后潜能。 构建保险行业的技术发展趋势参考系（宏观） 通过分析科技周期和文化适应度，可以分析出目前保险行业处于怎样的发展期，从而面向宏观视 角制定出更加明智的策略。 目前，构建的保险行业参考系，需关注六大方向。一是市场行业动态，聚焦保险公司市场表现及 行业发展；二是法律法规，金融行业 创新者 2.5% 突破阶段 关键阶段 自我推动阶 段 从众阶段 Page 8 现在，从AI技术的发展视角，更深入地探讨这些科技新趋势对保险行业的影响，以及对未来保险 行业的展望。 科技宏观大周期底层，先进技术通过组合创新与模式变革来进行扩散 采用 主导 技术 新模式 变革 以早期采用者为重点，适应和支持企业战略和管理革新的措施 导入 技术创新改变社会 美国传播学者埃弗雷特·罗杰斯（Everett 自己的群体里与其他人 进行紧密的互动分享等。但是随着更加谨慎的早期大众逐渐开始接受新技术，一个基数更大、 但是需求更加多元化的消费者群体便会形成。 在深入探究构建保险行业的技术发展趋势参考系（宏观）视角之后，需要将视野收紧到更为中观 的角度来进行进一步的分析。中观周期是指行业和产业受到技术发展影响的周期。人工智能的爆 发是因为前期在算力、算法和数据等方面进行了长时间的铺垫，这些条件现在逐步成熟，人工智

；智能设备管理系统： 容知日新（机械） 。 投资建议： AI 赋能化工产业，助力化工行业转型升级。 综合考虑 AI 对化工行业的赋能和带动效应， 维持基础化工行业“推荐” 评级。 风险提示：重点关注公司业绩不及预期；宏观经济大幅下滑；项目进展不达预期风险；行业政策大幅变动风险；行业竞争加剧风险。 请务必阅读报告附注中的风险提示和免责声明 4 目录 AI 提升研发效率 AI 优化化工设计和建设 ，不仅能够促进化工设计严谨性和系统操作精准程度的提升 ，还有利于科学合理地进行系统流程的计算 与分 析 ，可在一定程度上推动化工行业的发展进步。 分子模拟作为一个重要的理论研究手段 ，可以在微观分子世界与宏观可观测量之间搭建桥梁 ，从而为人们在分子水平上理解物质的结构和动 力学 性质提供工具 ，其在化学化工 、生物医药 、能源 、材料等多个领域都有广泛的应用 。近几十年来国际学术界和工业界已发展出很多具有 ，通过现场设备实现数据采集；第二层为数据处理层 ，将底层采集到的数据进行加工 、存储 、转换；第三层 为应 用层 ，包括工艺管理系统 、设备管理系统 、人员管理系统等；顶层为企业运营相关系统 ，针对企业运营 、供应链 、人力资源等进行宏观 调配。 人工智能、工业互联网、工业大数据是实现智能制造的使能技术、工具和手段。运用人工智能、大数据、 云计算这些新的智能化技术 ，可以 帮助 制造企业在替换一些低认知密集型劳动的同时 ，也

人 口 信 息 法 人 信 息 宏 观 经 济 建 筑 物 基 础 地 形 电 子 地 图 地 理 实 体 影 像 数 据 人口基础信息库建设方案 法人单位基础信息库建设方案 宏观经济数据库建设方案 基础建筑物数据库标准 政 务 专 题 政 务 公 共 信 息 元 数 据 资 源 目 录 公 交 数 据 管 线 数 据 街 道 专 题 … 专题数据建库标准 智慧化的决策指挥 社会治理，公众互动的开放式创新 个人 社会 公众 组织专干 人员 设备视频 传感 媒体网站论 坛 处理部 门： 接收问题 处理反馈 各级领导： 移动办公 决策指挥 宏观态势 云 联动 工作站：乡镇 村 社区 企业 指挥监督中心  政 府 与 市 民 零 距 离 接 触 的 桥 梁  政 府 服 务 市 民 的 窗 口  政 策 感

可以判断借款人是否具备持续的市场竞争力。例如，如果借款人在 行业中占据较大份额且拥有较强的品牌影响力，其还款能力通常更 为可靠；反之，若市场集中度较低，且借款人市场份额较小，则需 要进一步评估其未来增长潜力。 此外，宏观经济环境的变化也会对行业与市场分析产生重要影 响。例如，经济增长放缓可能导致市场需求收缩，从而影响借款人 的销售收入；而政策法规的调整也可能对行业格局产生深远影响， 如环保政策的趋严可能对高污染行业的企业形成冲击。 选择与工程是 至关重要的一环，直接影响模型的性能和预测准确性。首先，原始 数据的采集将涵盖客户的个人信息、财务信息、信用历史、行为数 据以及宏观经济指标等多个维度。这些数据来源包括但不限于银行 的交易记录、征信报告、社交媒体行为数据以及公开的宏观经济数 据。原始数据通常包含大量噪声和冗余信息，因此需要进行数据清 洗与预处理，包括缺失值处理、异常值检测与处理、数据归一化或 标准化等步骤。 客户年龄分段 财务信息 月收入 归一化 客户的月收入标准化处理 信用历史 信用评分 直接使用 客户的信用评分 行为数据 还款准时率 计算过去 12 个月的准时 还款比例 客户的还款行为表现 宏观经济 GDP 增长率 直接使用 客户所在地区的 GDP 增长率 最后，通过特征重要性评估和交叉验证，进一步优化特征集， 确保所选特征能够显著提升模型性能。特征选择与工程的最终输出 将作为模型训

统包含数据层、算法层、交易层三大模块，形成从市场信号识别到 订单执行的闭环。 数据层负责处理多源异构金融数据，包括：  结构化数据：交易所高频行情（1 分钟级 Tick 数据）、基本面 指标（PE、ROE 等）、宏观数据（CPI、利率等）  非结构化数据：财经新闻文本、社交媒体舆情、卫星遥感图像  替代数据：信用卡消费流、物流信息、搜索引擎热度 算法层采用混合建模框架，不同市场状态适用不同模型： 市场状态 3. 跨源比对：当多个数据源差异超过阈值时触发人工复核，差异 阈值设置示例如下： 数据类型 允许差异阈值 股票价格 最新成交价±0.3% 财务报表科目 关键指标（如 ROE） ±5% 宏观经济数据 同比数据±1 个百分点 存储架构采用混合云部署，热数据（最近 3 年）存放于 SSD 云 存储，冷数据归档至对象存储，并通过以下技术实现高效检索：  时间序列数据库（如 InfluxDB）存储行情数据，支持毫秒级 MACD、RSI、布林带等指 标的离散化编码  统计特征提取：滚动窗口计算波动率、偏度、峰度等统计量  市场微观结构特征：订单簿不平衡度、买卖价差弹性系数  事件驱动特征：新闻情绪指数、宏观经济数据偏离度 模型架构选择 根据交易频率差异采用不同建模方案： 交易频率 推荐模型架构 输入数据周期 更新频率 高频交易 卷积神经网络+LSTM 混合架 构 tick 级数据 每分钟 日内交易