金融工程行業深度研究：LLMRouter_GRU，“輿情分診臺”賦能AI量價因子.pdf

金融工程行業深度研究：LLMRouter_GRU，“輿情分診臺”賦能AI量價因子。

人工智能 94：大模型情緒路由賦能 AI 量價，300 指增表現優異

本研究提出 LLMRouter-GRU 神經網絡，將大語言模型（LLM）對新聞輿情 的情感分析能力引入 AI 量價模型，構建“輿情分診臺”。該結構通過對原 有神經網絡進行輕量級改造，基于市場情緒動態選擇稀疏專家路由，實現了 “情緒分域，量價建模”。實證表明，該模型能有效融合另類輿情信息與量 價數據，提升指數增強組合表現。在回測區間 2022-12-30 至 2025-06-30 內，輿情覆蓋度高的 300 增強年化超額提升達 3.0pct，信息比率與最大回撤 也有明顯改善。

LLM-News 輿情因子：風格特征清晰，Alpha 屬性不強

新聞輿情是市場反饋最靈敏的另類數據源。本研究基于 GLM-4-9B、 Qwen2-7B、InternLM2-7B 三組大模型構建 LLM-News 輿情因子，通過高 效提示詞設計完成海量新聞情感標注。實驗顯示，該因子雖 Alpha 屬性不強， 但呈現清晰的風格特征。后續，我們將利用其清晰可辨的風格特征進行專家 分域。此外，該因子在大市值股票池覆蓋度更高，將為后續的大市值指增策 略提供更為明顯的增量信息。

LLMRouter-GRU：“情緒分域，量價建模”

傳統 MoE-GRU 依賴內生路由，由于決策依據與量價信息同源，因此相較于 外生路由，其 Alpha 增厚的空間可能有限。本研究借鑒 LLMoE 思想，將預 訓練 LLM 作為“智能分診臺”，使用輿情因子替代內生路由器。網絡的關 鍵創新在于采用稀疏路由（Sparse Router）方案，通過情緒三分位離散化， 僅激活單一專注該情緒風格的 GRU 專家。相比稠密路由，此設計可顯著降 低計算成本并避免過擬合風險，且僅需對原有專家網絡進行輕量化改造。

“輿情分診臺”策略可提升指數增強組合表現

LLMRouter-Sparse-GRU 相比于傳統 AI 量價模型在五類指數增強場景均取 得提升。在回測區間 2022-12-30 至 2025-06-30 內，相較于傳統 GRU，在 300 增強與 500 增強場景下，模型年化超額收益分別提升 3.0pct 與 2.2pct， 最大回撤同步改善；紅利增強和成長增強則分別提升 2.1pct 和 3.7pct；在 1000 增強提升稍遜，僅提升 0.9pct。該策略在 GRUa、GRUb 兩類基座模 型上均驗證有效，且稀疏路由顯著優于稠密路由及簡單特征拼接方案。