AI 赋能资产配置 DeepSeek 对国信多元资配框架的优化 证券研究报告 | 2025 年 2 月 19 日 请务必阅读正文之后的免责声明及其项下所有内容 证券分析师：邵兴宇 010-88005483 shaoxingyu@guosen.com .cn S0980523070001 证券分析师：王开 021-60933132 wangkai8@guosen.co m.cn S0980521030001 债强弱”指数的智能迭代优化，提升资产配置的前瞻性与决策有效性 优化过程：一是让 DeepSeek 进行静态学习，投喂短期模型逻辑以及底稿等核心信息，训练 DeepSeek ； 二是让 DeepSeek 进行动态纠偏，挖掘历史数据中“先验权重”与“真实走势”的差异，迭代优化； 三是让 DeepSeek 进行推理应用，基于宏观指标预测值完成 2025 年全年的指数外推 优化结果：等权重平均组合五个短期模型结果，降维后胜率 优化结果：等权重平均组合五个短期模型结果，降维后胜率 38.52% ； AI 赋能权重优化（ DeepSeek-V3 ） ，胜 率提升至 60.61% ，实现显著优化 风险提示：模型过拟合风险；数据口径调整风险； AI 推理的不稳健性 图 1 ：打分指示的股债强弱（ DeepSeek-V3 接入前）

4.2.2 数据集扩充策略.........................................................................47 5. 模型训练与优化..........................................................................................48 5.1 预训练模型选择 2.2 多任务学习.................................................................................60 5.3 模型优化.............................................................................................62 5.3 方案生成..................................................................................102 8.1.2 方案优化..................................................................................104 8.2 施工图智能生成.

鲲鹏原生开发的机遇和挑战 01 02 鲲鹏原生开发的核心技术理念 03 03 鲲鹏原生开发能力介绍 05 3.1 代码开发阶段 06 3.1.1 代码开发 06 3.1.2 代码优化 28 3.1.3 编译 30 3.1.4 调试 32 3.1.5 调优 37 3.2 流水线阶段 61 3.2.1 门禁检查 61 3.2.2 编译构建 66 3.2.3 鲲鹏开发套件 DevKit+ 鲲鹏应用使能套件 BoostKit， 实现 1 套代码 +1 条流水线构建多平台版本，效率更高、性能更优。 图 2-1 核心技术理念 代 码 开 发 阶 段 代码开发 代码优化 编译 调试 调优 • 场景化 SDK • 启发式编程 • BoostKit 应用使能 • 鲲鹏亲和分析 • 毕昇编译器 • 毕昇 JDK • GCC for openEuler • 鲲鹏调试器 亲和分析 • 编码规范检查 • 毕昇编译器 • 毕昇 JDK • GCC for openEuler • 自动反馈优化 • 测试框架 • 测试工具 • 测试样例 • 病毒扫描 鲲鹏兼容 & 亲和， 性能 5%↑ CFGO/LTO/ 自动向量化 / 指 令流水优化，性能 10% ↑ 应用编译调试， 性能 5%~10% ↑ 多样性算力测试套件， 效率 20% ↑ 病毒扫描， 效率

2 乘客流量预测.............................................................................29 2.2.3 运营调度优化.............................................................................31 2.3 技术需求.......... ...................................58 3.3 运营优化.............................................................................................60 3.3.1 调度优化算法............................................ .................................61 3.3.2 资源分配优化.............................................................................64 3.3.3 应急响应策略..........................................................

预测模型.....................................................................................56 4.4.2 优化算法.....................................................................................57 4.4.3 决策建议 实时监测与预警：通过部署传感器网络，DeepSeek 能够实时采 集水文、气象等数据，并结合历史数据进行智能分析，实现对洪 水、干旱等灾害的精准预警。 - 优化水资源调度：DeepSeek 可以 根据多源数据（如降雨量、水库水位、用水需求等）构建动态模 型，优化水资源的分配和调度，确保水资源的合理利用。 - 基础设 施健康诊断：通过对大坝、渠道等水利基础设施的结构数据进行深 度学习，DeepSeek 此外，DeepSeek 的应用还可以通过可视化工具（如 mermaid 图表）展示数据分析的全过程，为决策者提供更直观的 支持。例如，以下 mermaid 流程图展示了一个典型的水资源调度 优化过程： 通过上述应用，DeepSeek 不仅提升了水利工程的智能化水 平，还为水资源的可持续利用提供了强有力的技术支持。这种技术 的引入，不仅是水利工程领域的一次重大突破，也为全球水资源的 科学管理指明了方向。

.....................................................................................45 3.4 实现生产过程优化..............................................................................47 4. 数据收集与管理....... 5.3.2 模型评估指标.............................................................................94 5.4 模型优化.............................................................................................98 5.4 AI 在钢铁生产中的具体应用....................................................................105 6.1 生产过程监控与优化........................................................................106 6.1.1 过程控制模型..........

.37 4.3 资产组合优化............................................................................................................................................................39 4.3.1 多目标优化算法............ .....................................................................................70 5.4.2 操作流程优化................................................................................................... .........................................................................................85 6.5 持续优化与维护................................................................................................

数字化转型背景与必要性 • 银行数字化转型现状与痛点分析 • 大模型驱动的企业架构建模方法论 • 技术架构设计与模型融合方案 • 数据治理与知识图谱构建 • 智能业务场景应用规划 • 大模型训练与优化策略 目录 CONTENTS • 风险控制与合规管理 • 实施路径与阶段目标 • 标杆案例与同业实践 • 预期效益与 ROI 分析 • 组织能力与人才建设 • 未来演进与持续创新 01 大模型技术为金融业带来前 所未有的变革机遇，通过提 升数据处理能力、优化决策 流程和创新服务模式，助力 银行实现数字化转型。 大模型能够快速分析海量数据，识别潜在风险，提升 银行风险管理的精准性和效率。 辅助风险管理 通过大模型技术，银行可以更高效地评估客户信用状况， 缩短信贷审批周期，提升客户体验。 优化信贷审批 大模型为银行提供智能化的业务解决方案，支持个性 化产品设计和精准营销，增强市场竞争力。 提升业务敏捷性，使银行能够快速响应市场变化和客户需求，增强竞争力。 促进业技融合 • 企业架构建模帮助银行梳理和整合各项业务能力，形成全面的能力地图，为数字化转型提供 清晰的方向和路径。 • 支持资源优化配置，提升运营效率，降低转型成本。 构建全能力地图 02 银行数字化转型现状与痛 点分析 传统银行系统多采用集中式架构，模块化程度低，导致系统灵活性不足，难以快速响应市场需 求和业务变化。

.......................................................................................59 7.2 用户体验优化................................................................................................... ....................................................................................100 12.3 问题处理与优化................................................................................................... .................................................................................136 1. AI 智能体在业务流程优化中的显著效果..................................................................136 2. 客户体验大幅提升............

前端功能实现......................................................................................71 7.4 前端性能优化......................................................................................73 8. 后端开发.. 后端功能实现......................................................................................78 8.3 后端性能优化......................................................................................80 8.4 安全性设计 .........................................................................................90 9.3 算法优化.............................................................................................92 9.4