华泰金工 | LLM 文本选股组合超额持续反弹|业绩比较基准|华泰金工|选股

来源：市场资讯

（来源：华泰证券金融工程）

文本LLM-FADT组合9月超额收益持续反弹

在前期BERT-FADT基础上，我们借助大模型（LLM）补充标题新解、行情催化剂、“言外之意”、潜在风险、收益指引等额外解读，构建LLM-FADT文本选股策略。截至2026年9月11日，文本LLM-FADT组合9月相对中证500超额收益4.7%，2026年超额收益-5.6%，近一周超额收益继续反弹。自2017年初回测以来年化收益率26.01%，相对中证500超额年化收益23.38%，组合夏普比率1.01，信息比率1.77。

全频段因子TOP组超额收益持续扩大

截至2026年9月11日，全频段融合因子今年以来TOP层相对全A等权基准的超额收益为8.53%，自2017年初回测以来TOP层年化超额收益率28.28%，5日RankIC均值11.3%。基于全频段因子构建的AI中证1000增强组合本周超额收益为-0.39%，今年以来超额收益为2.72%，自2017年初回测以来相对中证1000年化超额收益率为20.28%，年化跟踪误差为6.56%，信息比率为3.09，超额收益最大回撤为17.16%，超额收益Calmar比率为1.18。

AI行业轮动模型：未来一周推荐石油石化、钢铁等行业

AI行业轮动模型使用全频段量价融合因子对32个一级行业打分并构建周频调仓策略，每周选取5个行业等权配置。截至2026年9月11日，模型2017年初回测以来年化收益率为27.25%，相对等权基准年化超额收益率为21.17%，今年以来绝对收益24.09%，超额收益28.78%。模型未来一周将持有石油石化、钢铁、非银行金融、房地产、纺织服装5个行业。

AI主题、概念指数轮动：未来一周推荐国证油气、中药精选等指数

AI主题指数轮动模型使用全频段量价融合因子对133个主题指数打分并构建周频调仓策略，每周选取10个主题指数等权配置。截至2026年9月11日，模型2018年初回测以来年化收益率为14.97%，相对等权基准年化超额收益率为9.49%，今年以来绝对收益-0.87%，超额收益3.15%，模型未来一周推荐持有国证油气、中证中药、上海国企、300非银、CS物流等指数。AI概念指数轮动模型未来一周推荐持有中药精选、医药商业精选、办公用品、房地产精选、仿制药等指数。

截至2026年9月11日，全频段融合因子今年以来TOP层相对全A等权基准的超额收益为8.53%，自2017年初回测以来TOP层年化超额收益率28.28%，5日RankIC均值11.3%。

华泰金工中证1000增强组合构建方法如下：

1.因子：全频段融合因子。

截至2026年9月11日，基于全频段因子构建的AI中证1000增强组合本周超额收益为-0.39%，今年以来超额收益为2.72%，自2017年初回测以来相对中证1000年化超额收益率为20.28%，年化跟踪误差为6.56%，信息比率为3.09，超额收益最大回撤为17.16%，超额收益Calmar比率为1.18。

在前期研究《人工智能92：LLM-FADT：大模型增强文本选股》（2025-06-10）中，我们考虑到原始分析师研报虽然通常以精确有效的信息传达为核心目标，然而受限于篇幅、语言组织等方面，对于读者而言，研报中或多或少蕴含着需要额外梳理的信息。我们对研报标题及摘要提出多个问题，例如“标题是否聚焦核心信息，是否需要重构”，“内容是否着重凸显行情催化剂”，“原文内容之外隐含哪些信息”，“有无潜在风险尚无明确表达或遗漏”，“对于股票未来收益指引如何”，要求大模型逐一发表见解，以体现大模型对文本的“博观”解读。

LLM-FADT构建流程与前期报告《人工智能63：再探文本FADT选股》（20221028）基本一致。不同之处在于，输入给微调版FinBERT的研报文本包括6类：原始文本、标题新解、行情催化剂、“言外之意”、潜在风险、收益指引，后5个部分即为大模型对原始文本进行额外解读的视角。FinBERT将以上文本逐一转化为文本特征向量，由此一来，后续的XGBoost模型训练时将获得更为丰富的文本信息输入。

截至2026年9月11日，文本LLM-FADT组合9月相对中证500超额收益4.7%，2026年超额收益-5.6%，近一周超额收益继续反弹。自2017年初回测以来年化收益率26.01%，相对中证500超额年化收益23.38%，组合夏普比率1.01，信息比率1.77。

相比于仅依赖原始文本的BERT-FADT，LLM-FADT策略总体更为稳定，超额回撤相对较小。自2024年10月以来，LLM-FADT策略超额总体跑赢BERT-FADT，近期LLM-FADT与BERT-FADT差异略有收窄。

AI行业轮动模型表现跟踪

华泰金工使用深度学习模型对全频段量价数据进行信息提取，得到具有不错选股效果的因子（参见2023年12月8日发布的报告《基于全频段量价特征的选股模型》）。进一步使用行业成分股的量价因子得分对每个行业打分，选择得分最高的5个行业等权配置，构建自下而上的行业轮动策略。AI行业轮动模型能够利用AI模型的特征提取能力，充分挖掘多频段量价数据中的规律，与自上而下策略形成互补。