重要提示：通过本订阅号发布的观点和信息仅供中信建投证券股份有限公司（下称“中信建投”）客户中符合《证券期货投资者适当性管理办法》规定的机构类专业投资者参考。因本订阅号暂时无法设置访问限制，若您并非中信建投客户中的机构类专业投资者，为控制投资风险，请您请取消关注，请勿订阅、接收或使用本订阅号中的任何信息。对由此给您造成的不便表示诚挚歉意，感谢您的理解与配合！

文｜姚紫薇 王超

在先前的报告中，我们曾探讨了利用大语言模型（LLM）进行市场与行业分析，并取得了令人满意的成果。

当时所采用的模型为DeepSeek-V2和Qwen-Max。由于当时缺乏专门的推理模型（reasoning model），因此需要人工构建思维链（Chain-of-Thought, CoT）或提示词（Bucket Prompts）以辅助分析。

随着DeepSeek-R1推理模型的问世，我们得以借助其内置的推理能力，更高效地整合和利用相关信息进行深度分析，从而生成更为精准的预测结果。

本文借助DeepSeek-R1模型，对新闻报道、研究报告以及技术指标等文本数据进行了系统分析，借助RAG以及自我反省（self-reflection）技术，以此构建了DeepSeek推荐行业策略。回测结果表明，DeepSeek-R1所推荐行业的投资组合展现出显著的超额收益。

数据：

为了全面对股票进行分析，本文采用了技术指标、新闻数据以及研究报告等多维度数据。其中技术指标来自万得数据库，新闻数据来自聚源数据库，研究报告来自东方财富网站公开的研报摘要信息。

DeepSeek-R1 ：

DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。

RAG：

RAG的主要优势在于其能够提高答案的准确性和相关性。通过引用外部知识库中的信息，RAG可以提供更准确的回答，增加用户信任。此外，RAG便于知识更新和引入特定领域知识，有效解决了知识更新的问题。RAG还可以根据特定领域进行定制，为特定领域提供知识支持。

本报告中所有数据结果是基于历史统计结果的展示，未来有可能发生风格切换导致因子失效的风险。模型运行存在一定的随机性，初始化随机数种子会对结果产生影响，单次运行结果可能会有一定偏差。历史数据的区间选择会对结果产生一定的影响。模型参数的不同会影响最终结果。模型对计算资源要求较高，运算量不足会导致结果存在一定的欠拟合风险。本文所有模型结果均来自历史数据，模型存在统计误差，不保证模型未来的有效性，对投资不构成任何建议。

姚紫薇：金融工程及基金研究首席分析师。上海财经大学管理学硕士，厦门大学统计学学士，在基金研究、资产配置、产品设计、财富管理等领域均有长期深入研究。曾担任招商证券基金评价业务负责人，多次获得“新财富”金融工程方向前三（团队核心成员）

王超：南京大学粒子物理博士，曾担任基金公司研究员，券商研究员，有丰富的研究和投资经验，2021年加入中信建投，主要负责量化多因子选股。

证券研究报告名称：《“逐鹿”Alpha专题报告（二十五）——DeepSeek+RAG行业轮动策略》

对外发布时间：2025年2月25日 

报告发布机构：中信建投证券股份有限公司 

本报告分析师：

姚紫薇 SAC 编号：S1440524040001

王超 SAC 编号：S1440522120002