2025年量化分析报告：如何利用DeepSeek辅助投研工作

一、研究背景

随着人工智能技术的成熟与完善，大语言模型（（LLM）逐渐被应用于各行各业。相较于传 统的机器学习或者深度学习模型，大语言模型基于大规模数据和 Transformer 架构进行 训练，能够处理更为复杂的语言任务。以今年春节爆火的 DeepSeek 为例，它不仅可以 深刻理解提问者的需求，也可以通过复杂的深度思考模式，补充、完善提问中的细节， 针对特定问题给出解决方案。 对于投研流程，大模型似乎能够给予大量帮助：一方面，投研者需要阅读大量学术文献、 研报、新闻等材料，而大模型在文本搜集整理、信息提取、归纳解读等方面的能力非常 强大；另一方面，根据文献获得灵感后，投研者经常需要基于历史数据进行实证检验， 而大模型对常用编程语言的支持非常完备，在完整描述测试需求后，可以生成相关代码 供我们使用；此外，DeepSeek 最新推出的深度思考模式，也可以通过联网搜集相关文 献，对现有策略提出独特新颖的改进思路，辅助我们进一步完善投研策略。因此，妥善 利用大模型，能够帮助我们大幅提升投研效率，减少在文献搜集整理、代码编写等冗杂 工作中耗费的时间。

为了展示大模型在投研中的辅助应用，本报告以一个具体的议题为例，与 DeepSeek 进 行交互。议题选定为“哪些指数适合做择时”，以此为出发点，对 DeepSeek 进行提问， 根据其回答，构建相关的检验方法、筛选出适合做择时的指数；紧接着，以其中某个适 合做择时的指数为例，要求 DeepSeek 对其设计简单的择时策略、并编写策略构建及回 测代码；更进一步，根据测试结果，询问 DeepSeek 是否有改进方案，根据 DeepSeek 提 供的思路，对基础策略进行增强；最终，要求 DeepSeek 根据上述投研过程，帮助我们 整理并输出一份对本次研究的概述。

二、如何判断指数是否适合择时——DeepSeek 在文献整理 及代码编写中的应用

2.1 检验方法探索

使用 DeepSeek 辅助投研工作时，提问的方式非常重要。在进行“哪些指数适合做择时” 的研究中，起初我们直接使用了“哪些指数适合做择时”进行提问，DeepSeek 通过联网 搜索获得了部分网络上现有的择时策略及近期观点，这一结果显然与我们的初衷不符。

造成上述问题的原因在于，我们的提问方式不合理。直接使用“哪些指数适合做择时” 进行提问，大模型无法确切理解需求，而是抓取了其中的关键词“指数”、“择时”，然后 在现有文献中进行搜索，整理了比较容易找到的答案，即“关于指数的择时策略”，变相 回答了我们的问题。 对于“哪些指数适合做择时”的议题，我们其实是希望找到一些具有统计学意义的检验 方法，对指数是否适合做择时进行检验。因此，我们更换了提问的方式，询问 DeepSeek “适合做择时策略的指数都有哪些特点”，在此问题的引导下，DeepSeek 给出的答案颇 具指导意义。根据 DeepSeek 给我们的启发，将可能的检验方法整理如下：

（1）指数是否具有较高的波动率； （2）指数成分股的相似程度是否较高：若相似度较高，意味着成分股更容易同涨同跌， 导致指数更易产生极端行情、具有较高的波动率； （3）指数是否具有均值回复特性：统计学上表明，具有均值回复特性的金融时间序列， 更容易对其未来数据进行预测； （4）从结果出发，设计一个简单的择时策略，观测指数是否具有较好的择时效果：若测 试结果表明，指数的某个择时策略表现优异，则直接有力地证明了该指数适合进行择时。

2.2 均值回复特性检验

以“是否具有均值回复特性”的检验为例，我们进一步询问 DeepSeek：有哪些方法可以 衡量指数具有均值回复特性？同时为了限定使用的数据来源，我们在提问时附加上“拥 有指数价格数据”这一条件。DeepSeek 的回答为我们提供了几种检验均值回复特性的方 法：ADF 检验、赫斯特统计检验、一阶滞后自相关性检验等。

我们选取 ADF 检验、一阶滞后自相关性检验，判断指数是否适合做择时。敲定了检验方 案后，我们要求 DeepSeek 根据现有数据格式，生成进行统计检验时需要的收益率等数 据，再根据对应数据类型生成 ADF 检验、一阶滞后自相关检验的相关代码。 我们发现，在要求 DeepSeek 提供代码时，提示工程（prompt）对代码的生成结果有重 要影响。在对 DeepSeek 进行提问时，我们需要详细描述现有的数据格式、希望计算的 数据内容、以及输出结果的格式或内容，才能帮助 DeepSeek 更好地理解我们的需求。 比如要求 DeepSeek 生成一阶滞后自相关性检验的代码时，提问词的设计如下： 我希望指数具有一定的自相关性，意味着历史行情容易重现，更容易对未来收益进行预 测。因此，我现在想要使用计算好的收益率，计算指数收益率在滞后一阶下的自相关性。 要求输入： 1、 计算好的收益率 dataframe（行索引为指数代码，列索引为日期） 2、 计算收益率时用的时间区间 3、 置信区间（默认为 90%） 要求返回： 1、 dataframe 形式的各指数一阶滞后自相关系数、置信区间、显著程度（（行索引为指数 代码）。

2、 画出每个指数的自相关系数图，并将 90%的置信区间标出来

请给出实现这些功能的 python 代码。

不同指数在不同收益率区间窗口下的滞后一阶自相关性差异较大。 我们可以得到以下结论： （1）时间区间为 20 个交易日时，上证指数滞后一阶自相关系数的负向排名最靠前；但 当时间区间为 120 个交易日时，上证指数的滞后一阶自相关系数为正； （2）时间区间为 60 个交易日时，本文研究的 8 个指数均呈现较强的负向自相关性； （3）时间区间为 120 个交易日时，国证 2000 指数滞后一阶自相关系数的负向排名最靠 前；且在不同收益率区间窗口下，国证 2000 都具备一定的负向自相关性。 类似地，我们也要求 DeepSeek 生成了 ADF 检验的代码，调试、修改后，对指数进行了 平稳性检验。

ADF 检验的结果，可以发现： （1）在收益率区间窗口较短的情况下，所有指数的 ADF 检验 p 值都非常显著，说明这 些指数的短周期收益率序列都具有平稳性的特点； （2）当收益率区间窗口为 60 个交易日时，深证成指、创业板指、国证 2000、中证 500 指数的 ADF 检验 p 值较为显著（小于 0.01），表明这四个指数的平稳性较强。

2.3 简单择时策略的效果检验

本小节内容，我们利用 DeepSeek 设计一个简单的择时策略，观测指数是否具有较好的 择时效果，直接从结果出发、评判指数是否适合进行择时。若样本内的测试结果显示， 指数的择时策略表现优异，则也能在一定程度上说明该指数适合进行择时。

DeepSeek 给出的 MACD 策略构建方法如下：

1、参数设置

MACD 策略中，金叉和死叉分别涉及短均线、长均线、信号线三个参数。取短均线参数 为 6、8、12、20，长均线参数为 26、50、100，信号线参数为 9、12、20，遍历上述参 数取值。

2、信号生成原理

金叉（做多信号）：当 DIF 线从下方上穿 DEA 线时，形成金叉，为买入信号，接下来全 仓持有指数、直至产生卖出信号； 死叉（做空信号）：当 DIF 线从上方下穿 DEA 线时，形成死叉，为卖出信号，平仓，接 下来空仓、直至产生新的买入信号。

然而，只使用夏普比率评判策略效果并不合理，择时策略的信号胜率、交易次数、最大 回撤等也是重要的评判指标。因此，我们可以继续向 DeepSeek 提问，要求对每个指数 每组参数下的择时效果设计综合打分方案，并取每个指数得分前 N%的择时策略、计算 得分均值作为指数的最终打分，输出所有指数的打分排序结果。

DeepSeek 给出的综合打分方案为：对于某一个择时策略，该策略的综合得分=0.4*夏普 比率-0.2*最大回撤+0.2*信号胜率-0.1*年化波动+0.1*交易次数。对于每个指数，遍历 MACD 金叉死叉策略的参数取值，可以构造多个择时策略，某个指数的最终得分即为该 指数所有策略中、综合打分最靠前 N%策略打分的平均值。

2.4 小结

至此，本文就“哪些指数适合做择时”这个议题，与 DeepSeek 进行了交互，主要展现 了其在文献搜索整理、代码编写中对投研的辅助作用。在 DeepSeek 的帮助下，我们设 计了一阶滞后自相关性检验、ADF 检验、简单择时策略效果检验，并引导 DeepSeek 生 成对应的 Python 代码，对几个宽基指数进行了实证判断。 本节内容的检验结果如下： （1）一阶滞后自相关性检验的结果表明，在不同收益率区间窗口下，国证 2000 都具备 一定的负向自相关性； （2）ADF 检验表明，深证成指、创业板指、国证 2000、中证 500 指数的平稳性较强； （3）根据 MACD 金叉死叉择时策略的回测结果，上证指数、国证 2000 指数的策略表现 得分相对较高。 因此，综合考虑各个维度的检验结果，在本文研究的 8 个指数中，国证 2000 指数更为 适合做择时。

三、如何对现有策略进行改进——DeepSeek 深度思考助力 完善投研策略

上一节经过统计学检验和 MACD 金叉死叉择时策略的评判，我们已经发现国证 2000 指 数比较适合做择时。但传统的 MACD 择时策略效果并不理想，本节内容将以国证 2000 指数为例，尝试借助 DeepSeek 深度思考，在原有 MACD 择时策略的基础上进行增强。

DeepSeek 给出的代码中，默认参数为：MACD 快速移动平均线长度为 12 个交易日，慢 速移动平均线长度为 26 个交易日，信号线长度为 9 个交易日。策略的具体操作为： （1）当 DIF 线从下方上穿 DEA 线时，触发金叉、产生买入信号，接下来全仓持有指数、 直至产生卖出信号； （2）当 DIF 线从上方下穿 DEA 线时，触发死叉、产生卖出信号，平仓，接下来空仓、 直至产生新的买入信号。 以国证 2000 指数为标的，运行代码后，可以得到基础版择时策略的净值。MACD 金叉死叉信号具有一定的择时效果，2016 年以来择时策略可以明显跑赢基准 指数，策略的年化收益为 4.70%，年化波动为 15.71%，收益波动比为 0.30，最大回撤 为 28.13%。

接下来，基于上述基础版择时策略，我们通过以下提问，让 DeepSeek 为策略提供改进 思路： 请在原有择时策略的基础上，叠加一些增强买入信号触发的指标，使得策略表现得更好， 比如回撤变低，波动率变低，年化收益变高等。请给出你的方案，并提供 python 代码和 可视化结果。

DeepSeek 给出了“多种技术指标互相确认、并根据信号触发数量控制仓位”的改进方 案，在基础版择时策略的基础上，叠加其他技术指标对买入信号进行增强。具体指标及 操作方法如下：

1. 多维度开仓信号验证

除了 MACD 金叉以外，DeepSeek 还设计了 5 个技术指标对开仓信号进行判断： （1）RSI 超卖：计算 14 日 RSI，RSI<55 视为触发条件； （2）价格在趋势线上方：计算 30 日 EMA，当日收盘价大于 30 日 EMA 视为触发条 件； （3）动量加速：每个交易日计算过去 14 日涨跌幅，记为 ROC；若当日 ROC 大于过 去 5 日均值视为触发条件； （4）成交量突破阈值：计算当日成交量/过去 20 日成交量均值，大于 1.1 视为触发 条件；（5）当天收阳线：当日收盘价>开盘价视为触发条件。

2. 动态仓位管理

根据步骤 1 中满足的条件数量、动态管理开仓仓位：触发 MACD 金叉进行开仓，初 始买入仓位设定为 20%，每额外触发一个信号增加 15%的仓位；若触发 MACD 死 叉，则全部平仓。

至此，我们展示了如何要求 DeepSeek 设计简单的择时策略，并引导其提供改进思路， 对现有策略进行增强。如本节内容所示，DeepSeek 可以凭借其强大的深度思考能力，在 投研策略的生成、迭代中提供助力，大幅提升我们开发、完善投研策略的效率。

四、整理研究内容并生成报告——DeepSeek 辅助文字撰写 工作

除了前文展示的在文献搜集、代码编写等方面的辅助应用，DeepSeek 还可以帮助我们快 速生成研究报告。

五、总结

本报告以一个具体的议题“哪些指数适合做择时”为例，与 DeepSeek 进行交互，展示 了大模型在投研中的辅助应用。首先，在 DeepSeek 的帮助下，我们构建了相关的检验 方法、筛选出适合做择时的指数。随后，以国证 2000 为例，要求 DeepSeek 对其设计简 单的择时策略，并编写策略构建及回测代码。更进一步，我们引导 DeepSeek 提供改进 方案，对基础策略进行增强。最后，要求 DeepSeek 根据上述投研过程，帮助我们整理 了一份对本次研究的总结报告。 在上述流程中，我们发现了几点 DeepSeek 在投研应用中具有的优势和面临的挑战，在 此做相关总结。

5.1 DeepSeek 在投研流程中展现的优势

资料搜集和信息处理效率的提升

DeepSeek 能够根据关键词、通过联网搜索快速搜集海量的文本数据，如新闻报道、券商 研报、社交媒体信息等，从中提取关键信息并汇总整理，相比人工查阅文献，大幅加快 了信息搜集的速度。

文案撰写、代码编写辅助加速投研流程

DeepSeek 可以承担投研流程中的很多重复性、事务性工作，如数据提取、编写代码、研 究报告的撰写等，借助 DeepSeek 可以帮助投研人员快速实现测试需求，并根据测试结 果生成相关报告，大大提升了投研效率。

深度思考助力策略优化

在本报告的第三节中，我们借助 DeepSeek 的深度思考和逻辑推演架构，实现了择时策 略的优化。在交互过程中，我们体会到 DeepSeek 已经可以熟练理解需求，并根据前置 所有提问、结合联网搜索结果，定制化地改进策略，其生成流程已非常接近人类的思考 过程。

5.2 DeepSeek 在投研流程中面临的挑战

模型“幻觉”问题

幻觉是大语言模型目前亟待解决的重要问题。在使用 DeepSeek 的过程中，我们发现它 容易出现幻觉，生成看似合理却无法应用于实际情境的非事实性内容。在投研流程中出 现幻觉，往往会导致模型给出错误的投资建议或风险评估结果。

需要人为干预

通用大语言模型使用过程中仍然需要进行人为干预。本文使用 DeepSeek 生成了大量统 计检验、择时回测的代码，其中部分代码首次生成时出现了 dataframe 行列索引倒置等 众多细节问题，且对于某些问题，将代码报错反馈给 DeepSeek 后，DeepSeek 需要经过 多次自行纠错，方可给出正确的结果。因此，对于代码编写经验较少的使用者，在利用 DeepSeek 生成代码时，仍会遇到许多棘手的问题。未来 AI Agent 上的研究突破，或许 可以尽可能地降低人工介入的频率。

本地部署需要较大规模的算力与基础设施成本

由于大语言模型参数较多、训练语料规模较大，即使 DeepSeek 在模型架构上有一定改 进，模型的微调、训练仍然需要庞大的算力开销，因此对于中小型机构，若要将适用于 公司内部业务的大模型部署于本地，需要一笔较大的成本。不过值得一提的是，本报告并未进行大模型的本地部署、或者通过 API 对 DeepSeek 进行调用，所有提问流程均通 过网页版 DeepSeek 进行实现，无任何额外开销。

编辑：火腿肠