华泰 | 金工：大模型概念与宏观热点选股|华泰|智能体|算法|金工：大模型概念与宏观热点选股

来源：市场资讯

（来源：华泰睿思）

概念题材与宏观事件长期是股票市场中重要的定价线索，其研究难点或并不在于信息稀缺，而在于信息结构的复杂性。本文在前期大模型应用研究的基础上，基于Gangtise知识库与LangGraph框架构建了两套多智能体系统，即概念选股智能体与宏观热点智能体，概念选股智能体系统刻画概念从形成到落地的研究过程，宏观热点智能体引入多角色并行分析与反证机制，探索宏观逻辑向行业与个股映射的结构化路径。通过回测（回测区间20221230至20260213）验证智能体选股效果，结果显示，基于大模型自动提取的月度概念及宏观热点策略表现较优，其中月度概念选股策略年化超额收益率为38.23%，月度宏观热点选股策略年化超额收益率达15.51%，显著优于沪深300基准。

核心观点

人工智能102：基于多智能体的概念与宏观热点选股策略

本文在前期大模型应用研究的基础上，基于Gangtise知识库与LangGraph框架构建了两套多智能体系统，即概念选股智能体与宏观热点智能体。不同于传统的关键词检索，本框架通过研究计划制定、产业链深度拆解、风险反证及证据仲裁等环节，实现了对复杂投资逻辑的自动化演绎。回测（回测区间20221230至20260213）结果显示，基于大模型自动提取的月度概念及宏观热点策略表现较优，其中月度概念选股策略年化超额收益率为38.23%，月度宏观热点选股策略年化超额收益率达15.51%，显著优于沪深300。

概念选股智能体：概念映射与产业链深度拆解

传统的概念选股往往受限于人工覆盖面不足或逻辑碎片化。本文构建的概念选股智能体由五个核心节点构成：研究计划（planner）负责界定边界，产业链拆分（chain_analyzer）将概念映射至4-8个关键环节，并行展开（node_expander）对各环节执行深度RAG检索并生成候选股，证据评审（evidence_reviewer）进行一致性与相关性检验，最后由组合构建（portfolio_builder）生成最终建议。以“人形机器人”测试为例，智能体能精准识别从上游核心零部件（如精密减速器、空心杯电机）到下游应用场景及测试认证的全产业链标的。

宏观热点智能体：多维度逻辑推演与证据仲裁机制

面对宏观事件对A股的复杂映射，本文设计的宏观热点智能体引入了相对严密的逻辑校验机制。该系统不仅包含宏观解读与行业映射，且额外增设了风险反证（risk_refuter）与证据仲裁（evidence_judge）节点。通过模拟不同观点的碰撞，智能体可从形如“外部逻辑、内部逻辑、市场逻辑、配置逻辑”四个维度深度解析热点事件对A股的影响，并筛选出具备逻辑支撑的成分股，尽可能避免单一逻辑下的认知偏差。

策略构建与回测：月度概念与宏观热点选股策略

本文进一步利用大模型对每月的市场环境进行最佳概念与最佳宏观热点提取，构建了自动化选股策略。在20221230至20260213的回测区间内，月度概念选股策略通过大模型捕捉当月最强逻辑概念，策略年化收益率为45.06%，相对沪深300指数的年化超额收益率为38.23%，信息比率为1.33，展现了较强的题材捕捉能力。月度宏观热点选股策略侧重于宏观叙事驱动的个股筛选，策略年化收益率为22.60%，年化超额收益率为15.51%，相对基准月胜率65.79%。测试结果表明，多智能体协作架构不仅能提升概念选股与宏观热点选股的投研效率，其产出的投资组合在收益率、超额稳定性及相对基准胜率上均具备较为显著的实战价值。

正文

01导读

概念题材与宏观事件长期是股票市场中重要的定价线索，其研究难点并不在于信息稀缺，而在于信息结构的复杂性。一方面，概念与宏观叙事往往跨行业、跨时间展开，逻辑链条并非线性；另一方面，不同信息源之间存在表述差异甚至相互冲突，单一路径的推演容易放大主观偏见。在此背景下，如何在保证逻辑完整性的同时，提高研究过程的系统性与稳定性，是概念与宏观选股面临的核心问题。

前期大模型投研应用更多聚焦于信息提取与单模型推理，大模型在文本理解与逻辑归纳方面已展现出明显优势，但在复杂投研任务中，单一模型仍难以兼顾全面性与可控性。而基于多智能体（Multi-Agent）框架，这一问题或将得到新的解决思路，我们可以通过将研究任务拆解为多个功能明确、相互制衡的子智能体，使不同逻辑路径得以并行展开，并在交互与评审中形成相对稳健的结论。

基于上述思路，本文构建多智能体概念选股与多智能体宏观热点选股框架。一方面，围绕概念投资场景，设计产业链拆解、逻辑验证与个股筛选等协同智能体，系统刻画概念从形成到落地的研究过程；另一方面，在宏观事件驱动场景下，引入多角色并行分析与反证机制，探索宏观逻辑向行业与个股映射的结构化路径。进一步地，本文将上述框架落地为可执行的月度选股策略，并通过回测检验其有效性。

02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，例如我们在《人工智能88：Deepseek+投研：大模型应用集锦》（20250227）中对概念股捕捉智能体的实现。在本节中，我们将对这一应用进行更为深入的优化与重构。

概念选股智能体架构

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依赖于Gangtise的知识库（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）阶段通过RAG外部知识检索，对概念来源、产业背景与历史演绎进行归纳，并形成结构化信息集合，用于限定后续分析的关注范围。此阶段输出并不直接指向个股，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，各产业链环节进入并行分析阶段，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。

概念选股测试

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，是技术集成与产品实现的核心枢纽。其主要作用是将上游的精密零部件（如伺服电机、减速器、传感器、控制器等）进行系统性整合、组装、调试，最终形成具备特定功能与形态的完整机器人产品，并可能向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技术的融合能力、产品定义与工程化落地能力，是决定产品性能、可靠性及成本的关键。当前市场规模正处于从实验室样机、特定场景试点向规模化商业应用过渡的早期阶段，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）老龄化、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）的持续支持。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完全统一、成本高昂、量产爬坡与商业化验证等挑战。

下游应用场景解决方案

人形机器人下游应用场景解决方案环节，位于产业链终端，直接面向B端/G端客户，负责将机器人本体与特定行业需求结合，提供定制化的软硬件集成、部署、运维及整体服务。其核心作用在于打通技术产品与商业价值的‘最后一公里’，是决定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前夜，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涌入，加速场景验证和商业化进程。该环节企业壁垒在于对垂直行业的深度理解、解决方案的工程化能力、客户渠道资源以及快速迭代的服务生态。

软件、算法与AI平台

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

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。

03多智能体宏观热点选股

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。

在实践中，宏观热点投资可能存在两类难点：其一，宏观信息来源分散且更新频繁，市场预期与实际数据之间存在偏差；其二，宏观变量向行业与个股的传导路径复杂，往往伴随时滞与分化。因此，宏观热点捕捉不仅需要快速的信息整合能力，还需要对不同逻辑路径进行并行验证与反证。

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。

宏观热点选股智能体架构

与概念选股以产业链拆解为主线不同，宏观热点选股的核心在于逻辑链条的构建与验证。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。

其中，macro与sector负责构建“自上而下”的逻辑链条，stock负责落实到可交易标的，risk则提供反向约束，避免过度拟合单一叙事。各模块之间既相互独立，又通过证据仲裁机制进行统一校准，从而提高整体决策的稳健性。

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。

宏观热点选股智能体的核心特色在于引入多类worker并行执行，从不同维度对同一宏观逻辑进行拆解与验证。

宏观解读macro worker聚焦宏观层面的核心判断，包括事件本质、驱动变量与未来演化路径。其输出通常以若干假设（hypotheses）形式呈现，并给出对应风险。这一模块本质上是对宏观叙事的抽象与结构化表达，为后续分析提供“因”的部分。

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 worker从反向视角出发，构建逻辑失效的条件与潜在回撤风险。该模块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。通过证据仲裁，系统能够对多路径推理结果进行加权整合，从而输出整体置信度，并筛选出最具投资价值的逻辑。

在完成证据整合后，系统进入最终的组合构建阶段。该阶段的核心任务在于将多个宏观逻辑转化为可执行的投资组合，并明确对应的交易条件。首先，系统基于不同策略逻辑分别进行选股，并形成若干逻辑子组合；随后，对所有候选股票进行去重与整合，构建统一股票池。

宏观热点选股测试

对于宏观热点选股智能体，我们以“美联储主席变动下应该如何投资A股”作为user_query，增加“风险偏好中等，持有1-3个月”作为额外的user_prompt。智能体最终输出4条投资逻辑，包括外部逻辑、内部逻辑、市场逻辑、配置逻辑。具体内容如下。

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：

外部逻辑

美联储主席换届（沃什）可能推行“缩表与降息并行”，短期扰动市场宽松预期，但中长期趋向鸽派，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

国内经济稳健运行，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（预计2026年5月）将强化市场对美联储趋于鸽派、进一步降息的预期，推动美元走弱，中美利差温和收窄，为全球资本流向非美市场（包括A股）创造有利外部条件。2）人民币汇率在外部美元走弱和内部经济稳健、出口结汇等因素支撑下，预计进入有管理的温和升值通道。人民币升值将提升人民币资产吸引力，吸引外资流入，并提振市场风险偏好和整体估值。3）国内宏观环境提供坚实基础：货币政策维持适度宽松，财政政策积极；居民财富在存款利率下行和房地产调整背景下，正加速向金融资产（尤其是股市）再配置；公募、险资等内资增量资金持续入市，为A股提供充裕的流动性支撑。综合来看，外部流动性预期改善与内部流动性充裕形成共振，构成A股上行的核心驱动力。用户风险偏好中等且持有期1-3个月，适合聚焦受益于流动性宽松和人民币升值的板块，同时兼顾基本面的稳健性。

市场逻辑

短期受外部情绪冲击（如贵金属波动、美元反弹）及春节前季节性资金面收紧影响，市场可能震荡调整。但调整空间有限，春节后资金面回暖、政策与产业催化有望驱动春季行情，风格上成长（科技）与中小盘可能占优。

该逻辑成立的原因在于：1）美联储主席变动（提名沃什）引发市场对全球流动性政策的短期重估，导致美元反弹、贵金属波动，对A股（尤其前期涨幅较大的有色等周期板块）构成短期情绪冲击和调整压力。2）但根据资料分析，此事件不影响中长期逻辑：特朗普政府旨在宽松，新主席沃什的“降息+缩表”主张中，降息更易推行，缩表难以实施，因此海外流动性宽松预期（降息）在一季度仍有望维持，对风险资产偏多。3）结合A股自身节奏：春节前受季节性资金面收紧、部分获利盘了结影响，市场可能震荡调整，但空间有限。春节后资金面回暖、国内政策（如两会前产业政策）与产业（如AI、半导体）催化有望驱动春季行情延续。4）风格上，流动性环境、产业趋势及政策支持均有利于成长（科技）与中小盘风格。用户风险偏好中等且持有1-3个月，适合在短期调整中布局节后行情。

配置逻辑

采取“哑铃型”策略，进攻端关注前期调整充分的科技成长（AI、半导体、通信等），防守端关注高股息或基本面扎实的核心资产（如部分消费、金融）。需规避受外部流动性冲击较大的周期品（如有色），并密切关注美国经济数据、国内政策落地及市场量价信号。

美联储主席变动（如沃什被提名）引发市场对全球流动性政策预期的重新定价，短期可能带来波动和不确定性。在此背景下，采取“哑铃型”策略是合适的：一端配置前期调整充分、受益于国内产业趋势和全球科技周期的成长板块作为进攻端；另一端配置基本面扎实、现金流稳定或具备高股息属性的核心资产作为防守端，以平衡组合的弹性与稳定性，规避受外部流动性冲击较大的强周期品。用户风险偏好中等且持有期1-3个月，此策略兼顾了短期机会捕捉与风险控制。

04策略构建与回测

为验证上述智能体在概念与宏观热点选股中的效果，我们进一步将前述智能体框架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两条相对独立但结构一致的策略线。两类策略相关设定总体一致，概念和宏观热点提取频率均为月度，调仓频率为月度，组合构建方式为等权配置。

月度概念/宏观热点提取

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概念题材与宏观热点。这里我们继续采用大模型与Gangtise RAG接口结合的方式，对当月公开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的时间戳不晚于当月末，确保不存在未来信息泄露。每个月对应一个独立的月度窗口，其中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”“算力升级”“涨价链”等具备清晰催化逻辑的细分题材；若初步提取结果仍偏宽泛，则进一步触发概念细化流程，将其拆解为若干可直接用于选股的子概念。对于宏观热点提取，则重点保留当月发生、且对A股配置具有明确影响路径的事件，避免模糊或长期叙事型表述。

最终，每个月形成一个包含概念与宏观事件的统一投资依据集合，作为后续月度选股与组合构建的唯一信息来源。

月度概念选股策略

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。相关提示词如下。

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%。

如果基准指数为中证500，超额收益将有所降低，年化超额收益率31.41%，信息比率1.32，相对基准月胜率57.89%。

月度宏观热点选股策略

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。

对于同一月份内的多个宏观事件，系统分别运行完整的多智能体推理流程，并将不同事件、不同逻辑路径下得到的股票候选统一汇总。最终的月度宏观热点组合同样采用等权方式构建，并在下月首个交易日完成调仓。

对于月度宏观热点选股策略，我们每月选择1个最佳宏观热点，基于宏观热点选股智能体进行个股提取，每月至多选择20只股票，最终组合效果如下。对于沪深300基准指数，回测区间内，相比于概念选股组合，月度宏观热点选股组合较为稳健，总体稳健跑赢沪深300。从回测业绩上看，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，超额收益最大回撤14.99%，相对基准月胜率65.79%。整体来看，相较概念选股组合，宏观热点选股策略对单一题材轮动的依赖度较低，在不同市场环境下表现出更强的稳定性。

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%。

05总结与结论

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。

在具体实现上，本文分别构建了面向概念投资与宏观事件的两类多智能体框架。概念选股智能体以产业链与逻辑拆解为核心，通过对概念边界、关键环节与受益路径的分层刻画，协同完成概念界定、个股筛选与结果复核，适用于题材轮动频繁、成分股重叠度较高的市场环境；宏观热点选股智能体则以事件驱动为主线，从宏观解读、行业映射、个股响应与风险反证等多个视角并行分析宏观逻辑，缓解宏观变量传导路径不清晰、结论易受单一叙事主导的问题。两类智能体在研究对象与推演路径上有所区分，但均强调并行推理与交叉校验这一核心思想。

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表现出一定有效性。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。

参考文献

Qian, C., Xie, Z., Wang, Y., Liu, W., Zhu, K., Xia, H., ... & Sun, M. (2024). Scaling large language model-based multi-agent collaboration.arXiv preprint arXiv:2406.07155.

风险提示

大模型是海量数据训练获得的产物，输出准确性可能存在风险；不同大模型效果存在差异，需谨慎选择；非本地大模型处理敏感数据或有信息泄露风险；通过机器学习模型构建选股策略是历史经验的总结，存在失效的可能。人工智能模型可解释程度较低，使用须谨慎。