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，金融市

框架的底层逻辑、 如何指示配股配债 输入给 AI ：“周 期 - 宏观指标 - 打 分指数”映射关系 输入给 AI ：更优 权重的确定方法 短期模型框架 长文本 数据底稿 初始权重 宏观经济指标 （预测值） 资配模型权重 及打分结果 请务必阅读正文之后的免责声明及其项下所有内容 输入阶段 训练阶段 • 自然语言输入：制作语料，将五个短期框架的底层逻辑以自然语言文本形式输入 DeepSeek ，旨在帮助其理解策略框架与周期特征 • 数据输入：①读取底稿中的股债打分及其背后的周期与宏观经济指标，建立数据库并输入 DeepSeek ，旨在帮助其从数据获取信息； ② 生成初始权重，基于 XGBoost 等模型指引 DeepSeek 明确正确的权重调整方向。（技术细节：以实际股债强弱为因变量， 我纠正机制，提升资产配置的前瞻性和胜率（面向未来） 请务必阅读正文之后的免责声明及其项下所有内容 表 资 DeepSeek 优化资配模型的具体过程 - 应用阶段 应用阶段 • 宏观经济指标的预测：我们整合了市场有一致预期的宏观指标（如工业增加值同比、 PMI 等），并自主推算了缺乏一致预期的关键变量（如产成 品存货、票据余额等） • “ 打分指示股债强弱”指标的外推：

作为一个集成了深度学习、自然 语言处理和大数据分析技术的智能平台，能够有效应对上述挑战。 通过其强大的算法模型，DeepSeek 能够实时处理海量市场数据， 包括历史价格、新闻舆情、社交媒体动态以及宏观经济指标等多源 信息，从而生成更为精准的市场洞察。这种数据驱动的分析方式不 仅能够识别传统方法难以捕捉的市场模式，还能迅速调整策略以适 应不断变化的市场环境。 具体而言，DeepSeek 在股票量化交易中的必要性体现在以下 险管 理。首先，DeepSeek 将通过机器学习算法对海量历史数据进行深 度挖掘，识别出潜在的交易模式和趋势，为交易策略的制定提供数 据支持。其次，DeepSeek 将实时监控市场动态，结合宏观经济指 标、行业新闻和公司公告等多维度信息，辅助交易系统做出更加精 准的买卖决策。此外，DeepSeek 还将引入自然语言处理技术，自 动解析和分析市场情绪，帮助交易者更好地把握市场情绪波动对股 技术，优化股票量化交易策 略，提升交易效率和收益率。项目范围涵盖从数据采集、模型构建 到策略执行的全流程，具体包括以下几个方面： 首先，数据采集部分将涵盖多源数据的整合，包括但不限于历 史股价、成交量、财务数据、宏观经济指标以及社交媒体情绪数 据。DeepSeek 将用于自动化和智能化数据的清洗、去噪和特征提 取，确保输入数据的质量和准确性。 其次，模型构建部分将利用 DeepSeek 的深度学习算法，设计

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。 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 将作为模型训练

通过复 杂的算法模型预测客户的违约概率。这种预测不仅更加精准，而且 能够实时更新，帮助银行在贷前、贷中和贷后各个阶段做出更合理 的决策。 其次，针对市场风险管理，DeepSeek 可以结合宏观经济数 据、市场行情和银行自身的交易数据，进行多层次的风险评估。通 过建立动态的风险模型，银行可以及时识别市场波动带来的潜在风 险，并采取相应的对冲策略，减少市场不确定性对资产负债表的影 响。 型经过大量历史数据的训练，能够识别出潜在的高风险客户，并预 测其违约概率。此外，平台还支持实时更新和动态调整，确保评估 结果的时效性和准确性。 为了进一步提高评估的可靠性，DeepSeek 还引入了外部数据 源，如宏观经济指标、行业发展趋势和市场竞争状况等。这些外部 因素与客户的内部数据相结合，有助于银行更全面地理解客户的信 用风险。 在实际操作中，DeepSeek 平台提供了一系列灵活的工具和界 面，供银 应的应对措施。具体而言，DeepSeek 的市场风险预测方案可以从 以下几个关键方面展开： 首先，系统通过实时监测全球金融市场数据，包括股票、债 券、外汇、大宗商品等资产的价格波动、流动性变化以及宏观经济 指标。这些数据经过清洗和预处理后，输入到深度学习模型中，用 于识别市场趋势和异常波动。模型能够捕捉到非线性和复杂的市场 关系，从而提供更准确的预测结果。 其次，DeepSeek 利用时间序列分析和蒙特卡洛模拟技术，对

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 根据 wind 一致预期 ，预计公司 2023-2025 年归母净利润分别为 1.74 、 2.51 、 3.53 亿元 ，对应 PE 分别 48 、 33 、 23 倍。 风险提示：宏观经济大幅下滑风险 、市场竞争加剧风险 、下游需求不及预期风险 、竞争对手技术突破风险 、生产安全环保风险。 图表：盈利预测表（ WIND 一致预期，更新于 20230417 ） 营业收入（百万元） 维持基础化工行业“推荐” 评级。 u 风险提示： 重点关注公司业绩不及预期。 具体标的的经营受到多方面因素影响，需关注业绩不及预期的风险。 宏观经济大幅下滑。 AI 相关的基础化工细分行业也会收到宏观经济的影响， 需要关注宏观经济下滑带来的风险。 项目进展不达预期风险。 相关公司新建项目受多方面因素影响， 存在进度不及预期的风险。 行业政策大幅变动风险。 化工行业的环保、

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 数 等硬性指标，当市场波动突破阈值时，自动执行阶梯式减仓或行业轮换。其次持 续监测因子信息系数和胜率，实时监测因子失效信号，自动降低其权重并检索替 代指标。2）多模态数据接入与动态处理：除实时整合宏观经济指标、资金流数据 等，嵌入特有的事件驱动推理模块，通过 RAG 模块检索外部知识库，将政策文件、 行业研报等非结构化数据转化为可量化的风险信号。3）历史情景回溯与强化学习 提升策略适应性：定期调用

交流与合作平台， 为金融业尤其是银行业的稳定创新发展建言献策，助力金融强国建设。 蚂蚁集团研究院 蚂蚁集团研究院是蚂蚁集团的专业研究部门，从事宏观经济、监管政策、公司战略和学 术理论研究，覆盖数字科技、数字金融、ESG、数据与平台治理、宏观经济等研究领域。通过 开展客观、扎实和深入的研究工作，为公司战略决策提供支持，为政府部门公共政策提供参 考和研究服务，并通过研究开放平台的搭建，为国内外学术研究和政策研究提供数据、案例

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

景下，政策持续落地推进工程数字化设计，AI 有望解决设计行业多痛点， 赋能设计提质增效，建议重视率先布局 AI 设计、抢占市场先机的设计龙 头：【华建集团】、【华设集团】、【设计总院】、【华阳国际】、【苏交科】。 ⚫ 风险提示：宏观经济下行风险、在手订单落地不及预期、省外业务开拓不 及预期、项目进度不及预期 ＃title＃ AI 赋能建筑设计，行业困局突围在望 ＃createTime1＃ 2023 ROE 12.56% 12.50% 14.69% 15.01% 7.62% 6.12% 7.25% 0.61% 资料来源：Wind，兴业证券经济与金融研究院整理 风险提示：宏观经济下行风险、AI+设计发展不及预期、基建投资不及预期、应收 账款坏账风险 请务必阅读正文之后的信息披露和重要声明