模型开源逐步成为主流趋势。
阿里通义千问(Qwen)已成为当前全球最大的开源模型族群，其衍生模型数量达9万多个，标志着Qwen在开源AI领域的主导定位;
DeepSeek-R1模型参数开源，成为可本地化部署的最强模型。
开源模型的优势:安全性与个性化。
本地部署大模型可确保内部信息无外传风险，天然适配金融机构数据隐私性要求;
开源模型更易于进行微调等个性化调整，可满足机构内部应用的特定需求;
整体而言，开源模型更符合金融机构内部应用的要求是解决大模型应用落地“最后一公里”的关键。
Agentic Al是大模型应用的理想形态，其特征在于能够通过自主感知、推理、规划与行动，独立完成多步骤复杂任务。
AgenticAl内部由多个智能体或工作流等不同组件构成，共同协作实现复杂功能;单个智能体包括工具、记忆与规划等模块，并可与知识库相连接，可进行多轮迭代思考;整体效果还取决于大模型的工具选择能力、推理能力与长上下文能力。
当前出现了许多工具能帮助用户搭建属于自己的Agentic A应用，辅助实现智能投研，譬如Dify、Coze、FastGPT与RAGFlow等。
Dify兼具专业性与便捷性，同时拥有丰富的工具库与高模型兼容性，官方文档与教程完善，是我们最推荐的Agent搭建产品Coze更偏向于内容生成，可选的工具范围较窄，不适用于专业投研应用的需求;
FastGPT、n8n同样能实现专业化功能，但缺少构建Agent的功能，同时学习曲线较陡峭，达到熟练掌握的难度更高;此外，RAGFlow也能实现AI工作流的效果，但更专精于知识库的搭建，可与Dify配合使用。以上工具可帮助用户实现定制化的投研需求，解决应用痛点。
大模型投研应用的形式难以进一步发展，其关键痛点在于:
回答准确度需要提高。RAG是投研应用的核心组件，应用的回答准确度不高原因在于RAG召回精准度存在问题。RAG也需要根据不同知识库进行针对性设计，存在一定技术壁垒。内部数据的安全性问题。投研领域普遍关注内部数据的安全性问题，内部信息无法外传，也因此大量内部研报或资料无法得到充分利用。
功能定制化程度低。当前绝大多数大模型产品不支持用户进行自定义功能的设计，距离一步到位生成贴合用户需求的结果还差“最后一公里”。
解决以上问题的关键方向:
知识库优化: RAG技术的优化主要涉及文本识别与分段、索引机制、检索算法设计与Embedding模型微调等内容，可提升检索精准度;高质量检索结果也能进一步控制大模型的幻觉问题。目前有RAGFlow等产品可帮助搭建高质量知识库。
本地化应用部署:在模型本地化部署的基础之上，还需要在本地环境中构建数据库、工具等基础的应用模块，以确保全流程信息的私有化。本地化应用将主要依赖开源的AI应用设计软件来实现，如Difv等。本地化部署也有助于实现更定制化的投研功能，推动AI应用与投研需求的深度融合。
用中采制造业PMI和PPI同比加工业增加值同比的区间高低点划分经济回落期和经济增长期。
经济处于弱复苏低通胀阶段。
美国经济下半年回归放缓概率较大(联邦基金利率2025隐含2次降息)，且美股目前估值过高。
若伴随美国经济回落，国内外需的放缓，国内权益市场或被带动短期震荡回落。但利空落地后，市场会恢复延续经济复苏路线震荡上行。
地产投资回升幅度较小，对大盘支撑偏弱，顺周期板块承压，小盘占优，可预期下半年情况延续;若地产投资超预期回升，经济大幅回暖，大盘占优。
4月份以来股指贴水加大，资金套保情绪高涨，价值板块开始占优。在阶段性风险落地前，大盘价值板块占优。
而后由于流动性充足，下半年高弹性成长行情可期。
成长风格内部优选有产业政策引导的行业板块。
《公募新规》中将公募基金管理费、基金经理业绩考核与基金相对业绩比较基准超额收益挂钩。新规规定:对符合一定持有期要求的投资者，根据其持有期间产品业绩表现确定具体适用管理费率水平。基金的行业偏离不仅影响其收益潜力，也直接关系到其风险水平。随着行业偏离度的增加，基金大幅跑输基准的概率通常也会随之上升。
美国市场历史上曾出现过多次的风格漂移案例，随着投资者的呼吁和监管部门的处罚，自2009年起，美国股票型基金在维持投资风格稳定性方面的表现持续提升。从不同观察周期来看，股票型基金保持既定风格的比例整体呈现上升趋势，特别是在2015年后提升幅度更为明显。
史组《公募新规》的要求下，即便是专注单一赛道的基金经理，也需通过分散配置来平衡收益与风不再像过去那样重仓押注某一行业。测算显示，若希望在全年维持较高的超额收益胜率，且在任意滚动三年区间内避免出现负超额收益，仅依靠单一赛道难以实现，分散配置成为提升长期胜率和控制回撤的有效路径。
以消费板块为例，选择中证800指数为基准，在三年滚动超额不低于-10%的约束下，年化超额收益率和年度胜率均随着配置行业数目的增加而增显著上升，3个行业及以上年化超额收益可达3%以上，年度胜率可以超过60%。
我们对普通股票型、偏股混合型、灵活配置型、平衡混合型基金的历史数据进行了测算，分别按照原有费率、首批产品浮动费率计算规则计算了投资者持有2年需要承担的管理费情况。假设条件:我们按照基金复权单位净值及增长率数据，在此基础上计算固定的管理费/浮动的管理费，我们按滚动持有2年进行计算。测算结果显示，在市场上行的年份比如2019-2021年的时间区间内，浮动管理费的方案下，持有两年的总管理费率水平超过了原固定管理费率的结果，多数基金都达到了1.5%档位。而在市场整体下行的年份，比如2021年-2024年，多数基金是在0.6%的档位，总管理费率明显下降。
在《公募新规》背景下，对于配置宽基类产品的投资者来说，指数增强型基金严格控制跟踪误差、高信息比率的特点使其配置价值进一步显现。我们统计了以沪深300为基准的普通股票和指数增强型基金的年化超额中位数表现，虽然在部分年份沪深300指增基金表现不及主动产品，但每年均能够获得正超额收益率。此外，指数增强型基金的超额收益和信息比率整体优于普通股票型基金，在控制同样跟踪误差的情况下，指增基金获得超额收益率的能力更强。
近年来，基金产品超额收益普遍下滑，市场Alpha获取难度显著提升。主流宽基指数增强产品(沪深300、中证500和中证1000)超额收益均呈现下降趋势。
我们定义了24年以来市场出现异常波动的三个时间段，并观察市场上所有指增产品在这三个区间的超额中位数表现。
这三个时间区间中，超额中位数表现均比较一般，多为回撤状态，因此我们需要在风格因子的选择与新因子的研究上继续投入。
总体来看，小市值因子、分析师因子与成长因子超额表现较好，建议持续配置。
异常下跌行情，推荐配置价值因子和质量因子提供防御能力。异常上涨行情，推荐小市值和反转因子在极端上涨行情中展现出强劲的beta属性。
在以沪深300指数为基准的回测中，采用概念聚类的策略表现优于传统行业分类方法，尤其在提升信息比率和降低跟踪误差方面更具优势;其中tSNE(64)-Agglo(30,manhattan)策路的年化超额收益和信息比率最高。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
