机器学习系列数据治理专题（六）丨2023.8.16

中信证券研究部

张若海
数据科技首席
分析师
S1010516090001

伍家豪

数据科技分析师

S1010522090002

核心观点

基于大模型的情感识别与自动化标注能力，面向全A行业与个股跟踪，我们构建了DATALET/数据堆叠产品，实现了文本数据、价量数据在同一时间序列条件下，统一指标化与投资指向化创新。在低/高频场景，基于海量文本与行业基本面指标，可提供定制化的配置策略与数据产品。从投资回测角度来看，基于情绪类指标构建的行业轮动与垂直个股配置策略超额收益显著，有效性强。

上市公司持续扩容叠加板块轮动加速推动数据产品创新性需求。注册制试点启动以来，A股上市公司数量增至5000余家，同时板块轮动持续加速。为在此背景下把握住投资机遇，投研时对数据库产品的信息维度丰富化及自动化标注能力的要求日益增长。另外由于如研报、政策等文本化数据数量呈现爆发性增长，对此类文本化数据的结构化需求也与日俱增。

DATALET实现文本数据指标化及指标标签投资指向化双重创新。为迎合市场投研需求，我们结合大模型对数据库的指标及标签维度进行了充分延展，实现了文本数据、价量数据在同一时间序列条件下，统一指标化与投资指向化创新，构建了DATALET数据产品。DATALET不仅挖掘了指标中蕴含的投资指向，同时高精度，面向三级行业/个股，扩充了投研视角。

大模型涌现能力助力自动化标注，提升指标投资指向性。基于大模型循环Prompt所提供的涌现能力，我们实现了指标标签体系的自动化扩容。DATALET中数据共有14个标签，其中包含7个投研辅助类标签及7个投资指向性标签。标签体系中涉及了指标对应产业链环节、指标对相应环节下游成本影响程度打分等多维投资指向性创新标签。

文本数据指标化，扩充投研视角。随着信息化的发展，很多影响市场的信息最先以研究报告、政策等文本形式进行传播，其中蕴含了增量AIpha。考虑数据安全和可及性，我们选择百度文心ERNIE3.0Tiny预训练模型并下载；使用雪球和Wind有情感标注的金融舆情文本微调模型；将微调后的模型在无标注的财经新闻、分析师研报摘要以及公司公告上提取信息并预测情感。在垂直场景，我们利用预训练大模型将文本类数据进行指标化，在形成情绪打分的同时将其对标到行业或个股，从而构建情绪类指标。情绪类指标体系中涉及研报热度、政策推进力度及电话会议情绪等多重指标。

指标投资有效性探索：情绪类指标具有较强的投资指导性。基于情绪类指标，我们结合其经济意义构建相应的投资策略。基于政策推进力度指标，我们构建了行业轮动策略，对每月政策得分TOP3行业进行等权配置，其年化超额收益率可以达到9%。另外基于研报情绪指标，我们构建了行业维度的择时策略及单一行业内的选股策略。在行业维度的择时策略中钢铁、消费者服务及基础化工等周期性行业超额收益领先，均超过20%。另外基于研报热度构建的锂电行业TOP3定期选股策略较中信锂电池行业指数年化超额收益率达20%。

风险因素：底层数据产品可持续性不及预期；底层数据准确性不及预期；投资机构数字化不及预期；大模型技术发展与应用不及预期；科技领域与数据确权监管趋严。

每日免费获取报告 □

每日微信群内分享7+最新重磅报告；

每日分享当日华尔街日报、金融时报；

√ 行研报告均为公开版，权利归原作者所有，起点财经仅分发做内部学习。

围绕市场需求，DATALET释放数据应用潜能，
上市公司持续扩容，数据广度及精度要求提升. .4
板块轮动加速，自动化标注能力提升投研效率. ..4
大模型扩宽指标维度，实现文本数据结构化及高频追踪 ..5
DATALET实现文本数据指标化及指标标签投资指向化双重创新. ..6
涌现能力助力自动化标注，挖掘指标投资指向. ..7
循环具象Prompt设计助力标注能力自动化及专业化 ..7
创新及丰富指标逻辑体系，实现投资指向性标注， ..7
大模型赋能文本数据指标化，扩充投研观测视角. ..9
通过自动化文本数据指标化，洞察市场情绪变化 ..9
融合研报、电话会议及政策，构建多维情绪指标体系 .10
情绪类指标构建示例：研报情绪指标与政策推进力度指标 ..10
聚焦指标特性，探索指标投资有效性.. ...12
政策推进力度指标：可及时把握行业轮动变化. ..12
研报热度指标：在行业及个股维度均可较好判断股价走势 .….14
风险因素... ..16

插图目录

图1：个股报告及上市公司数量， 4
图2：公司研究报告数量.. .6
图3：DATALET型数据库结构示意图 .6
图4：标签构建流程， .7
图5：下游成本影响程度打分标签构建流程， .8
图6：文本信息影响市场示意图. ..9
图7：情绪类指标分类 .10
图8：上市公司研报情绪指标构建示意图 .11
图9：2022年7月以来每月行业研报指标.. .11
图10：2022年7月以来每月行业政策情绪指标 .12
图11：政策情绪参数设置和各参数下策略收益情况 ..13
图12：政策情绪策略净值曲线 .. 13
图13：基于研报情绪构建的行业择时策略超额收益情况 ..14
图14：锂电行业研报情绪选股结果回测， ..16

表格目录

表1：A股行业轮动情况. 5
表2：投研辅助类指标标签示例. 8
表3：投资指向性指标标签示例. 8
表4：2022年1月至2023年6月期间锂电行业研报情绪选股结果 .15

围绕市场需求，DATALET释放数据应用潜能

上市公司持续扩容，数据广度及精度要求提升

A股持续扩容，数据广度及信息维度要求大幅提升。A股传统数据库覆盖宽度有限，导致数据的数量持续提升。注册制试点启动以来，A股上市公司数量明显增多，由3500余家已增至当前的5000多家。当前A股市场已全面推行注册制，注册制从之前试点的创业板和科创板拓展到沪深主板，企业上市门槛降低，审核流程简化，同时新股发行的条件被进一步放宽，大量不同类型的企业尤其是成长型、创新型企业预计将会持续加速上市。在当前A股上市公司数量持续增加的背景下，而市场上个股报告覆盖的个股数量尚未突破3000家，2017年之后随着新股发行速度的提升，覆盖率大幅下降并稳定在60%左右。所以在投研时有时更需要利用数据做出相应投资决策，这对数据的覆盖面及信息维度的要求大幅提升，高覆盖度标签精细化数据可以帮助我们快速检索到所需数据，并且根据投资维度标签做出投资决策。

图1：个股报告及上市公司数量

资料来源：朝阳永续，中信证券研究部

板块轮动加速，自动化标注能力提升投研效率

A股板块轮动加速。通过对2022年7月至2023年7月期间30个行业（按照中信证券一级行业分类计算)月度收益率进行排名，各月与前一个月收益率相关性全部低于0.45,其中共8个月出现负相关性，行业指数收益率排名变化明显。以消费者服务行业为例，该行业3次位居收益率前五名，同时5次位居收益率后五名；另外，电力设备及新能源行业4次位居收益率前十名，同时6次位居收益率后十名。

表1：A股行业轮动情况

2022-72022-82022-92022-102022-112022-122023-12023-22023-32023-42023-52023-622023-7
煤炭	23	1 1		28	22	30	17	9	20	15	25	6	20
房地产	22 7		2	29	1	29	25	26	28	19	21	17	2
银行	25	14	3	25	9	9	23	29	10	5	10	20	6
农林牧渔	4	9	26	22	24	7	24	18	12	21	29	8	12
建筑	13	18 13		11	8	28	16	：	5	2	28	21	10
综合	5	8	27	8	12	25	26	10	29	29	5	25	18
交通运输	20	5	5	15	18	10	28	23	9	9	19	28	11
商贸零售	24	12	20	14	4	4	29	17	6	14	20	19	8
综合金融	11	11	29	7	15	11	20	5	22	18	8	22	4
有色金属	12	25	19	16	20	23	1	28	18	11	27	14	14
纺织服装	10	15	10	19	14	8	22	3	24	13	11	7	15
石油石化	15	2	7	23	13	22	12	11	7	4	22	15	16
钢铁	9	27	14	12	16	26	13	7	30	16	16	18	7
建材	28	28	17	26	2	15	10	21	26	23	24	12	3
非银行金融	26	3	16	17	6	12	7	27	15	3	18	24	1
医药	27	19	11	3	23	13	15	20	16	10	13	30	23
基础化工	16	24	21	21	21	20	8	22	25	28	17	11	19
电力及公用事业	3	13	12	18	17	21	27	12	13	8	1	26	22
消费者服务	30	21	4	24	3	2	30	25	14	30	30	29	9
通信	6	17	22	4	26	17	6	1	3	7	4	3	30
轻工制造	21	10	15	20	11	6	21	2	27	22	12	10	17
传媒	19	4	30	10	7	3	18	6	1	1	15	27	29
计算机	14	23	23	1	29	14	2	4	2	27	3	16	28
电力设备及新能源	7	29	25	9	28	16	4	30	21	20	14	5	24
机械	，	26	18	5	25	24	5	13	19	17	7	4	26
家电	17	20	9	27	10	5	11	14	8	6	23	1	21
食品饮料	29	6	6	30	5	1	19	16	11	25	26	13	5
汽车	2	30	24	13	19	27	3	24	23	26	6	2	13
国防军工	8	22	8	2	30	19	14	15	17 12		9	9	27
电子	18	16	28	6	27	18	9	19	4 24		2	23	25

资料来源：wind，中信证券研究部

自动化数据标签提升投研效率，高效追踪热门板块。传统数据产品的标签体系多为人工构建，虽然在准确性及专业性上存在一定优势，但是由于人工标注的时间成本及人力成本较高，导致其更新频率较低。利用大模型进行自动化标注可以高频的对指标体系进行更新，并且由于其低成本的复用性，可以实现数据的高效覆盖。所以大模型赋予的自动化标注能力可以使我们紧跟板块轮动，把握其中蕴含的投资机遇。

大模型扩宽指标维度，实现文本数据结构化及高频追踪

大模型可以赋能海量政策与研究报告等文本内容实现及时跟踪分析。数字化发展推动大量数据产生并得以应用于丰富的投研场景中。金融行业中常见的数据包括基本面数据、财务数据、宏观经济数据等结构化数据，以及包含政策、研究报告、新闻、公司公告信息等非结构化数据。随着互联网应用的普及，非结构化数据呈现出爆发性增长，成为当前金融市场日趋重要的数据资产。以分析师研报为例，分析师研报数量在近年来一直呈现增长态势，海量以文本形式存在的非结构化数据中蕴含丰富的投资信息。大模型对政策与研报实现“T+0”级别追踪，可帮助投资者关注政策带来的“利好"或者“利空”、分析师专家视角对行业或个股未来发展预期的判断、公司业绩公告对企业未来发展经营的影响等。

图2：公司研究报告数量

资料来源：朝阳永续，中信证券研究部

DATALET实现文本数据指标化及指标标签投资指向化双重创新

DATALET型数据库实现了文本数据指标化及指标标签投资指向化两大创新。整体来看DATALET型数据产品的创新可分为两个维度，一是在指标维度的创新，二是在标签维度的创新。从指标维度创新来看，我们在基础的基本面供需维度指标的基础上，利用大模型将文本类的非结构化数据进行了结构化处理，构建了情绪类指标，其中包含了研报情绪、政策推进力度等可以从侧面反映行业景气情况。从指标标签维度创新来看，我们在市面上数据产品所包含的指标标签基础上基于大模型的Prompt循环提问涌现能力对指标进行了自动化标注，其中涉及的创新标签内容包含指标对应产业链环节、指标对相应环节下游成本影响程度打分等多个维度指标。

图3：DATALET型数据库结构示意图

资料来源：中信证券研究部

一涌现能力助力自动化标注，挖掘指标投资指向

循环具象Prompt设计助力标注能力自动化及专业化

Prompt Engineering 赋能指标信息维度扩容。围绕 Prompt Engineering(提问工程)展开设计，能够引导大模型生成我们希望得到的结果。Prompt 是指为大型语言模型提供的一段文本或代码片段，以帮助模型更好地理解和完成特定任务。Prompt可以被视为一种引导或提示，可以激发模型的创造性、提高其输出质量、降低误差率等。在机器学习和自然语言处理领域，Prompt 通常是一些文本描述或关键词，其作用在于引导预训练语言模型根据给定的输入序列生成合适的输出序列，其作用在于有效指示预训练模型生成与给定任务相关的文本内容。为了将大模型应用于复杂投研场景，Prompt Engineering 的核心在于交互中问题和需求的具象描述以及问答逻辑的结构化建立。

结合行业特性，实现专业化Prompt循环提问。为实现指标的全自动化标注，利用大模型进行Prompt时，我们需要利用循环提问的方式实现标注时的逐步专业化。整体Prompt流程可以分为三步：第一步通过Prompt确认指标所属行业分类；第二步是在确定指标所属行业后，结合所要标注的内容，利用Prompt对第三步提问的定语来进行确认，此处已经充分利用了大模型的涌现能力，如所标注内容为指标所处产业链环节时，在第二步Prompt时需确定相应行业产业链所涉及的环节包含哪些；第三步Prompt中，需要结合第二步所确定的定语，来对Prompt的内容进行限定，达到专业化效果，从而获取专业化标签。

图4：标签构建流程

Prompt实现指标行业分类

聚焦单一行业，结合标注目标字段特性，Prompt实现第三层提问定语确认

结合定语限定，Prompt实现专业化标注

资料来源：中信证券研究部

创新及丰富指标逻辑体系，实现投资指向性标注

我们在传统数据库产品上利用大模型进行了指标逻辑的丰富及创新，标签类型主要可以分为两类：第一类是投研辅助型指标，第二类是投资指向性指标。

在投研辅助型指标中，主要涉及了指标更新频率、指标状态、指标维护人、指标所处地区、指标对应行业及指标在相应行业中所处位置。在传统数据库中，大部分仅仅包含了此类投资辅助型标签，并且在指标维度上不及DATALET数据库丰富。另外由于各个数据源指标格式存在差异，为保证最终数据库中指标数据格式的统一，我们在对其进行融合时对不同来源指标进行了指标字段的标准化处理。

表2：投研辅助类指标标签示例

标签类型	标签名称	字段内容举例
投研辅助类标签	指标名称	产量：锂离子电池：当期同比：月
	指标维护人	研究员A
	指标单位	千安时
	指标更新状态	1 (在更新)
	指标更新频率	月
	指标口径	当期值
	指标数据来源	聚源EDB

资料来源：中信证券研究部

在投资指向性指标中，我们结合大模型涌现能力在指标标签维度上进行投资指导性的创新。在此类标签中，我们利用大模型的循环Prompt所提供的强涌现能力，给指标标注上了对应行业、对应产业链环节、对应产业链环节（细分）、指标对相应产业链环节下游成本影响、指标对相应产业链环节下游成本影响程度打分、指标对行业景气度影响程度打分等多维度标签。

表3：投资指向性指标标签示例

标签类型	标签名称	标签内容举例
投资指向性指标	指标名称	价格：磷酸铁锂：当期值：月
	对应行业	锂电池行业
	对应产业链环节	中游组成部件或半成品
	对应产业链环节 (细分)	电池正极材料生产
	指标对相应下游环节成本影响 (正负向)	正向
	指标对相应环节下游成本影响程度打分	70
	对相应行业景气度影响程度打分	70

资料来源：中信证券研究部

以指标对相应产业链环节下游成本影响程度打分此标签为例，在此标签构建过程中，我们首先需要利用Prompt对指标所属行业进行区分，之后需要确认指标所对应的产业链环节及影响该环节下游成本变化的主要因素，最后结合第二部所提问的内容，作为定语来进行Prompt，最终得到指标对相应产业链环节下游成本影响程度打分标签。

图5：下游成本影响程度打分标签构建流程

资料来源：中信证券研究部

大模型赋能文本数据指标化，扩充投研观测视角

通过自动化文本数据指标化，洞察市场情绪变化

大模型自动化生成全新文本数据标签标注，助力文本数据量化应用于中观配置、产业政策强度分析、企业公告情绪分析。金融市场大量文本数据通常富含与投研相关的各类信息，当前大量非结构化文本数据以非指标的形式存在，例如部分基金公司研究人员在投研过程中会将公司公告进行整理并提取其中的文本信息，形成覆盖个股公司公告的文本数据集。存储形式多样以及信息密度低等特点使得当前文本数据无法直接应用于投研场景，需要通过各类技术手段结合应用场景从文本数据中挖掘投研可用的因子。针对政策与公司业绩公告等文本数据构建面向行业投资机会以及公司经营影响的标准化数据标注，大模型能够根据给定的政策自动给出影响的投资行业，并将该政策赋予相对应投资行业标签标注；能够根据公司公告自动判断对公司经营的正向/负向影响，并将该公司公告进行情绪标注等。借助行业标签的辅助与情感分类模型，能够对每条政策与公告的多维信息进行统计，量化全市场政策在时序上的情绪变化，通过对大量政策文本进行统计分析可以从全市场视角更加全面感知政策对行业投资的影响。对于特定主题，统计分析政策来源与主题内二级概念的提及强度，可以对主题相关的产业政策结构有更加清晰和量化的分析。借助公告等文本的情感分类，可实现对公告情绪的间接量化，构建情绪底层数据。

海量金融文本蕴含增量AIpha。随着信息化的发展，很多影响市场的信息最先以文本的方式进行传播，大量的金融新闻中都包含有对上市公司经营状况的正面或负面描述。对于股票定价来说，金融文本可能蕴含有传统投资数据之外的增量信息。本文尝试对财经新闻、分析师研报和公司公告文本库开展分析。

图6：文本信息影响市场示意图

资料来源：中信证券研究部

融合研报、电话会议及政策，构建多维情绪指标体系

在传统基本面指标的基础上，我们利用高频另类数据实现了对市场情绪的侧面刻画。其中我们引入了能反映专业情绪视角的研报热度指标及电话会议情绪指标，另外还包含可以反映政府对行业支持力度的政策推进力度指标。此类指标我们均可以做到日频更新，相较于传统基本面数据具有更高的时效性。

图7：情绪类指标分类

资料来源：中信证券研究部

情绪类指标构建示例：研报情绪指标与政策推进力度指标

研报情绪指标构建流程

研报情绪指标为例，我们认为分析师研报可以在一定程度上反映在专家视角下对个股在当前发展阶段下的情绪判断，并且通过汇总行业内个股情绪可以得到整个行业的情绪值。在构建流程中，我们首先获得大模型对相关研报文本中每个句子的情感判断后，采用线性衰减加权方法构建个股情绪指标，之后聚集个股得到行业情绪指标，具体步骤如下：

1）首先，对于每个入库日t，使用微调后的大模型预测分析师研报的情感得分，每个文本的情感得分区间为[-1,1];

2）通过等权求和方式，计算上市公司每日t情感得分 scoret。其中，scoret最大值为1，说明当日所有研究对象都是正面情绪。如果scoret为-1，则都是负面情绪；

3）构建研报情绪指标，计算上市公司过去n天的情感得分，通过线性衰减加权求和方式得到 (越靠近当日得分权重越大);

4）构建行业情绪指标，采用同样的行业关注度计算方式得到行业情绪指标。

图8：上市公司研报情绪指标构建示意图

资料来源：中信证券研究部

家电、通信及食品饮料行业情绪处于领先位置。在个股研报情绪打分的基础上，我们同样构建了行业级别的研报情绪打分指标。在构建行业打分时，我们以个股打分为基础，并以个股的市值在行业内的占比作为相应权重，构建了行业研报情绪指标。在2022年7月至2023年6月期间，家电、通信及食品饮料行业情绪处于领先位置。

图9：2022年7月以来每月行业研报指标（已剔除综合、综合金融）

中信一级行业	2022/7	2022/8	2022/9	2022/10	2022/11	2022/12	2023/1	2023/2	2023/3	2023/4	2023/5	2023/6
传媒	0.53	0.44	0.52	0.42	0.56	0.97	0.36	0.59	0.81	0.63	0.70	0.95
电力及公用事业	0.90	0.74	0.84	0.61	0.63	0.99	0.67	0.55	0.84	0.77	0.68	0.95
电力设备及新能源	0.96	0.86	0.87	0.86	0.89	0.97	0.93	0.84	0.94	0.79	0.85	0.96
电子	0.93	0.70	0.83	0.69	0.68	0.84	0.70	0.65	0.77	0.62	0.62	0.90
房地产	0.64	10.52	0.56	0.46	0.63	0.80	0.49	0.79	0.54	0.47	0.66	0.92
纺织服装	0.86	0.66	0.79	0.66	0.61	0.95	0.72	0.83	0.86	0.63	0.58	0.80
非银行金融	0.88	0.44	0.51	0.43	0.75	0.82	0.84	0.68	0.48	0.71	0.86	0.98
钢铁	0.71	0.43	0.75	0.53	0.87	0.99	1.00	1.00	0.52	0.67	0.55	1.00
国防军工	0.96	0.79	0.81	0.74	0.86	0.99	0.93	0.91	0.81	0.73	0.76	0.89
机械	0.94	o77	072	0.80	0.77	0.97	0.91	0.87	0.93	0.77	0.80	0.95
基础化工	0.89	0.81	0.86	0.66	0.78	0.96	0.85	0.81	0.75	0.65	0.63	0.89
计算机	0.89	0.66	0.61	0.66	0.76	0.99	0.70	0.80	0.84	0.69	0.77	0.97
	0.92	0.90	0.90	0.90	0.89	1.00	0.92	0.96	0.84	0.78	0.90	0.85
	079	0.39	0.42	0.40	0.62	0.97	0.50	0.34	0.55	0.51	0.46	0.63
建筑	0.93	0.84	0.85	0.80	0.90	0.86	0.95	0.98	0.83	0.80	0.93	0.99
交通运输	0.60	0.54	0.54	0.64	0.69	0.95	0.56	0.88	0.67	0.66	0.65	0.88
煤炭	0.98	0.95	0.99	0.66	0.76	0.95	0.68	0.97	0.69	0.55	0.73	0.68
农林牧渔	0.67	0.54	0.74	0.68	0.86	0.88	0.94	0.80	0.85	0.69	0.68	1.00
	0.94	0.83	0.83	0.88	0.88	0.90	0.90	0.81	0.88	0.79	0.87	0.99
轻工制造	0.97	0.62	0.70	0.60	0.71	0.98	0.79	0.84	0.79	0.61	072	0.94
商贸零售	0.76	0.47	0.59	0.53	10.56	0.99	0.80	0.84	0.79	0.58	0.70	0.93
石油石化	0.99	0.84	0.89	0.57	0.71	1.00	0.75	0.24	0.84	0.77	071	0.89
食品饮料	0.95	0.90	0.94	0.88	0.89	0.98	0.97	0.95	0.96	0.92	0.90	0.97
通信	0.99	0.94	0.95	0.85	0.92	0.89	0.95	0.98	0.93	0.92	0.93	0.99
消费者服务	0.68	0.59	0.67	0.63	0.64	0.97	0.82	0.47	073	0.53	0.59	0.96
医药	0.95	0.74	0.82	0.76	0.84	0.99	0.91	0.90	0.88	0.79	0.83	0.95
银行	0.98	0.85	0.80	0.84	0.80	0.99	0.80	0.92	0.64	0.43	073	0.99
有色金属	0.98	0.83	0.99	0.61	0.60	0.89	0.96	0.91	0.76	0.65	071	0.89

资料来源：wind，朝阳永续，中信证券研究部

政策推进力度指标构建流程

政策文本投资导向较差，需对政策所涉及行业及强度进行指标量化。政策推进是行业发展的重要推手，但由于政策文本具有概括性高，涉及范围广的特征，形式和内容都导致了其原始数据距离投资有效性具备一定的距离。所以我们构建了多个量化指标，将政策体系和文本中包含的信息进行刻画，从而尽可能实现政策文本指标化。我们在指标计算中为了排除人为主观的先验判断，我们以中共中央、国务院、部分国家部委发布的相关政策为原始数据，关联财经新闻中对政策的提及和解读，自动化量化出每个政策相关新闻对公司或主题的正负情绪，同时因为一些政策的影响的延后性和持续性，我们根据时间序列长度对政策做了衰减，以保证可以准确地量化出政策对行业的影响程度。为了刻画政策情绪的时效性，行业i政策情绪计算如下：

从近年各行业政策得分情况来看，政策推进力度在行业间差异较大，且在行业内部从时间序列角度来看，政策力度也存在较强波动性。从行业间对比结果来看，汽车行业政策推进力度较强，其在2023年2月及7月均获得较高得分，且仅有2023年3月政策得分出现负值。

图10：2022年7月以来每月行业政策情绪指标（已剔除综合、综合金融）

行业 2	022/7	2022/8	2022/9 2	022/102	022/112	022/122	023/1	2023/2		2023/3	2023/4	2023/52	023/6
传媒	-0.2	-0.8	-1.8	-0.4	0.21	00	-0.8	14		-0.1	0.5	-1.4	0.0
电力及公用事业	41	2.2	-0.4	-0.9	1.2	17	0.7	0.1		-0.2	-1.1	2.7	-2.3
电力设备及新能源	42	2.4	1.3	0.3	-2.4	-0.2	0.6	1.0		-0.6	0.5	-0.7	-33
电子	-0.6	13	0.3	-1.5	-33	0.1	0.6	1.9		-0.4	0.4	-0.7	-0.4
	-0.5	0.7	-1.4	-1.1	0.5	0.9	0.2	-2.4		-1.3	-1.1	-0.6	-0.1
纺织服装	0.3	0.9	0.2	-0.8	-1.0	-0.2	00	0.8		-0.6	-0.9	-0.5	-0.1
非银行金融	0.0	-1.6	-0.3	-0.1	-1.3	0.5	-0.4	0.1		-1.1	-0.2	-0.8	-0.2
	0.0	-1.2	-0.21	-0.8	-5.0	-6.6	-2.1	-5.1		-1.9	-1.0l	-1.0	-5.0
国防军工	0.2	1.0	0.2	00	-2.1	00	0.8	2.4		05	0.9	-0.6	-0.1
	3.7	1.6	0.9	-1.0l	-1.3	-1.6	0.5	1.6		-0.5	-0.2	-0.8	-2.2
	4.3	1.8	0.4	-0.7	-0.9	0.2	0.5	0.9		-0.4	0.5	-1.8	0.8
	42	12.3	-0.3	-0.1	-1.0	-0.6	00	1.3		01	06	-1.0l	-1.5
	0.2	1.2	-0.6	-0.1	0.8	-0.6	0.7	1.81		04	0.9	-0.6	-0.1
	01	0.5	0.1	-0.8	-5.0	-3.b	-0.6	-2.0		-1.2	0.0	0.4	-4.7
	1.5	11	-1.4	-0.3	0.7	-0.6	0.7	-2.7		-0.1	0.4	-1.1	0.6
交通运输	1.3	11	1.0	02	0.6	0.9	-1.3	1.2		-0.7	-0.9	0.6	0.1
	-01	1.6	0.3	0.1	-0.8	14	11	-1.4		-1.1	14	3.5	0.7
农林牧渔	02	0.0	0.0	-0.8	-1.0	0.6	-0.1	4.6		-0.4	1.5	0.3	17
	1.4	1.1	1.01	0.2	1.7	2.0	1.41	3.2		-0.2	0.8	0.7	3.3
轻工制造	0.1	-08	-02	0.0	-0.8	-1.0	0.6	-0.7		-0.1	0.0	14	1.1
商贸零售	02	0.8	0.2	00	-0.8	-0.4	-0.7	0.1		-0.8	0.9	-0.6	-4.9
石油石化	02	-0.8	-1.0l	-1.0l	-3.0	-1.4	-0.3	-0.5		-0.1	-1.6	-1.9	-0.4
食品饮料	0.2	-0.4	-0.1	-08	-0.2	0.8	-0.6	-0.8		0.4	-0.7	-0.1	0.8
通信	02	15	1	02	-1.6	-0.3	02	17		-02	0.7	-0.8	-0.2
消费者服务	0.2	0.9	0.2	0.0	-12	2.6	-03	2.3		-11	0.6	0.4	0.9
医药	-0.5	0.5	-0.7	-07	-1.0l	-0.5	-0.11	1.5		-04	-11	-34	-13
银行	1.6	-1.3	-0.3	01	3.6	0.7	09	0.2		-08	-10l	-1.3	-1.1
有色金属	-0.6	0.7	0.1	0.0	0.0	-0.4	-0.1	-0.5	-	0.1	-0.8	-10	-5.0

资料来源：wind，朝阳永续，中信证券研究部

聚焦指标特性，探索指标投资有效性

政策推进力度指标：可及时把握行业轮动变化

政策情绪在短期平滑和长期平滑后均能获得较客观的超额收益。政策情绪指标需要设置的参数有：平滑参数以及行业配置数量。其中平滑参数用于刻画行业政策情绪的延续性，参数越大，历史景气度影响越大；每次调仓时我们会分别选取景气度打分排名靠前的1、3、5、10 或15个行业进行配置。结果来看，政策情绪在短期平滑和长期平滑均能获得较客观的超额收益，对应短期主题和长期配置两个思路。从我们对当前市场回测的结果看，根据1-2月内的政策情绪进行行业选择回测收益更高。

图11：政策情绪参数设置和各参数下策略收益情况

行业配置数量平滑参数	1	3	5	10	15		平均收益率	每月IC平均值
0	24.10%	57.31%	36.23%	10.46%	11.66%		27.95%
0.05	14.84%	70.56%	51.18%	20.77%	14.94%		34.46%	3.39%
0.1	34.76%	65.09%	57.00%	22.21%	14.03%		38.62%	3.45%
0.15	62.61%	73.66%	51.26%	20.96%	13.73%		44.44%	3.48%
0.2	62.61%	61.33%	43.88%	19.90%	13.98%		40.34%	3.49%
0.25	78.50%	55.35%	38.68%	18.76%	12.63%		40.79%	3.49%
0.3	108.45%	44.08%	41.74%	22.54%	11.79%		45.72%	3.47%
0.35	87.66%	46.84%	43.01%	21.29%	11.82%		42.12%	3.44%
0.4	87.88%	43.73%	38.63%	20.33%	11.56%		40.43%	3.38%
0.45	130.92%	34.36%	35.84%	19.57%	13.00%		46.74%	3.30%
0.5	148.41%	28.06%	21.32%	14.20%	12.07%		44.81%	3.20%
0.55	150.16%	28.14%	18.39%	17.41%	11.15%		45.05%	3.08%
0.6	175.96%	31.82%	11.46%	14.89%	10.24%		48.87%	2.94%
0.65	131.61%	10.14%	15.61%	15.58%	12.11%		37.01%	2.80%
0.7	77.09%	17.08%	23.81%	16.38%	9.10%		28.69%	2.70%
0.75	51.70%	35.48%	29.29%	24.01%	10.96%		30.29%	2.65%
0.8	20.77%	34.57%	27.56%	24.77%	10.13%		23.56%	2.68%
0.85	-10.85%	15.30%	28.62%	24.71%	13.16%		14.19%	2.77%
0.9	1.08%	11.85%	27.44%	14.78%	16.70%		14.37%	2.89%
0.95	9.78%	10.14%	10.35%	23.86%	12.48%		13.32%	2.93%
平均收益率	72.40%	38.7474%	32.57%	19.37%		12.36%	35.09%

资料来源：中国政府网，各部委官网，wind，中信证券研究部测算注：统计期间为2008年1月1日-2022年10月31日

基于政策指标的行业轮动策略可以获取较高超额收益。在基于政策推进力度指标进行行业配置时，我们将政策情绪策略的平滑参数设置为零，每月月末选中得分前三名的三个中信一级行业，并在下个月初对这三个行业进行等权配置，回测区间为2018-01至2023-6，不考虑手续费。结果显示，政策情绪策略在2020 年之前难以获取超额收益，随后获取超额收益能力逐渐增强，主要因为是随着2020年之后市场对政策关注度提升，策略超额收益也开始逐渐增强；回测区间内，策略相对中信证券一级行业等权组合，年化超额收益率8.87%，最大回撤为-17.62%。

图12：政策情绪策略净值曲线

资料来源：中国政府网、各部委官网，wind，中信证券研究部测算注：超额净值相对于行业等权组合

研报热度指标：在行业及个股维度均可较好判断股价走势

研报情绪在行业级别可较好反映市场对各行业的情绪判断，对未来下一个月的股价走势有一定预判作用。基于行业研报情绪得分我们针对中信一级行业构建了行业择时策略。构建方式如下：

1）样本空间：中信一级行业的行业指数；

2）回测区间：2019年1月1日至2023年6月31日；

3）月度调仓：每个月最后一个交易日计算行业情绪得分，并在当月得分高于历史一年该行业得分 50%分位数时在下一个月选择买入该行业相应指数，反之则买入宽基指数。暂时不考虑换手费用。

除食品饮料行业外，根据研报情绪构建的中信一级行业择时投资策略均可获取正向超额收益，且部分周期类行业对研报情绪更为敏感。围绕30个中信一级行业（综合金融除外)我们构建了择时策略。其中超额收益排行前三位的行业均为周期类行业，分别为钢铁、消费者服务及基础化工行业，其相较于相应行业指数年化超额收益分别为28%、21%及20%。研报情绪在行业级别可较好反映市场对各行业的情绪判断，对未来下一个月的股价走势有一定预判作用。

图13：基于研报情绪构建的行业择时策略超额收益情况

资料来源：wind，朝阳永续，中信证券研究部测算

在单一行业内构建研报情绪指标同样具有较强择股能力。我们也利用研报情绪在行业内部进行了投资有效性回测。我们构建了定期选股策略，具体做法为固定调仓时间，并以调仓频率计算过去一段时间内的情感指标对股票进行排序，持有情感最好的几支股票，构建方式如下：

1）样本空间：全A股中剔除 ST、PT股票以及每个截面期下一交易日停牌的股票；

2）回测区间：2020年1月1日至2023年6月31日；

3）月度调仓：每个月最后一个交易日计算个股情绪得分并进行排名，构建 top 3个股组合，并在下一交易内等权买入组合内个股，暂时不考虑换手费用。

以资金长期关注的锂电行业为例，从锂电行业选股结果来看，在2020年1月至2021年 12月期间，选股结果以高市值及中小市值公司混合为主，其中选股结果中不乏如宁德时代及国轩高科等锂电产业龙头公司，但是自2022年1月起，选股结果转为中小市值公司。

表4：2022年1月至2023年6月期间锂电行业研报情绪选股结果

月份	TOP1	TOP2	TOP3
2022-01	当升科技	先导智能	中伟股份
2022-02	长虹能源	容百科技	科达利
2022-03	长虹能源	科达利	贝特瑞
2022-04	胜华新材	振华新材	恩捷股份
2022-05	星源材质	德方纳米	贝特瑞
2022-06	长虹能源	当升科技	先导智能
2022-07	先导智能	中伟股份	胜华新材
2022-08	新宙邦	诺德股份	星源材质
2022-09	璞泰来	电科芯片	鹏辉能源
2022-10	贝特瑞	星源材质	长远锂科
2022-11	天能股份	鹏辉能源	孚能科技
2022-12	华盛锂电	赢合科技	天能股份
2023-01	科达利	蔚蓝锂芯	当升科技
2023-02	蔚蓝锂芯	长远锂科	当升科技
2023-03	国轩高科	孚能科技	天能股份
2023-04	蔚蓝锂芯	先导智能	鹏辉能源
2023-05	鹏辉能源	先导智能
2023-06	天能股份	宁德时代	天华新能尚太科技

资料来源：wind，朝阳永续，中信证券研究部

锂电研报情绪T0P3组合年化超额收益达19.5%。2020年1月至2023年6月期间，锂电研报情绪TOP3组合相较于中信锂电池行业指数年化超额收益达19.5%,胜率达58%。回溯选股结果，获取较高超额收益的原因系在多个月份可以筛选出涨幅远超市场平均水平的公司，如在2021年11月筛选出了鹏辉科技，其当月涨幅达104%，远高于锂电产业链公司平均水平。

图14：锂电行业研报情绪选股结果回测

资料来源：wind，朝阳永续，中信证券研究部测算

风险因素

底层数据产品可持续性不及预期；底层数据准确性不及预期；投资机构数字化不及预期；大模型技术发展与应用不及预期；科技领域与数据确权监管趋严。

改善

机器学习系列—一数据治理专题（五）一数据资产沉淀与科技赋能创新，助力数据科技实现价值重估 (2023-05-31)

股权投资专题一股权市场专精特新企业画像与价值挖掘（PPT) (2023-05-31)

中小微主题量化研究系列一上市公司股东增持行为分析及选股策略（PPT） (2023-05-30)

算法决策系列：主题热点投资聚焦20230529一关注GPU、数字资产、跨境电商、新能源、中药相关主题 (2023-05-29)

算法决策系列：主题热点投资聚焦20230521一关注充电桩、海上风电、集成电路、工控信息安全、显示面板相关主题 (2023-05-22)

基本面量化系列之消费基础设施一拥抱新消费，盘活旧资产 (2023-05-18)

算法决策系列：主题热点投资聚焦20230515一关注固态硬盘、汽车芯片、酒店、生态农业、医疗改革、锑相关主题（PPT) (2023-05-15)

机器学习系列—一数据治理专题（四）一基于蒸馏大模型的金融文本信息挖掘应用探索(2023-05-09)

算法决策系列：主题热点投资聚焦20230509一关注光模块、IPTV、超级电容、钠离子电池、大消费相关主题 (2023-05-09)

基本面量化中观配置系列（2023-05）一把握稳增长确定性与周期产业布局机会，关注中特估主题交集 (2023-05-05)

机构持仓分析之主动偏股型基金全景透视(2023Q1)- -规模提升盈利修复，急速转向TMT (2023-04-28)

基本面量化系列之线下消费一境内长途游出行旺盛，关注长假消费热点催化(2023-04-27)

机器学习系列—一数据治理专题（三）一Game Changer-大模型赋能金融数据研究创新(2023-04-27)

算法决策系列：主题热点投资聚焦20230424一关注钠离子电池、大消费、眼科医疗、煤制烯烃、贵金属相关主题 (2023-04-24)

算法决策系列：主题热点投资聚焦20230409一关注OLED、数字能源、半导体材料、白酒、快递相关主题 (2023-04-10)

算法决策系列：主题热点投资聚焦一算法决策系列：主题热点投资聚焦20230402一关注光刻胶、海工装备、中药、猪产业、智能电网相关主题 (2023-04-03)

基本面量化中观配置系列（2023-04）一短期震荡不改新兴科技与稳增长两大主线，业绩期或重回景气逻辑，关注低估值机会 (2023-03-31)

基本面量化系列：央企数据策略专题（一）一科学量化央企分析视角，动态跟踪多维数据策略 (2023-03-31)

基本面量化系列：房地产开发专题—阶梯状复苏，优质住房回暖幅度较高 (2023-03-30)

算法决策系列：主题热点投资聚焦20230327一关注互联网、光刻胶、融合通信、IDC、免税店相关主题 (2023-03-27)

基本面量化系列：线下消费专题一透视区域经济发展核心要素，挖掘线下经济复苏获益赛道(2023-03-23)

基本面量化系列：线下消费专题一线下客流稳步回暖，关注新消费供需新格局(2023-02-17)

算法决策系列：主题热点投资聚焦20230320一关注数字政府、产业互联网、家电、机器视觉、超导相关主题 (2023-03-20)

算法决策系列：主题热点投资聚焦20230313一关注IDC、光模块、动漫、家纺、钨矿相关主题 (2023-03-13)

算法决策系列：主题热点投资聚焦20230306一关注云计算、信息消费、智能电网、贵金属、航运、动漫相关主题 (2023-03-06)

基本面量化系列：房地产开发专题一优质住房交易需求率先复苏 (2023-03-01)

基本面量化中观配置系列（2023-03）一成长与价值风格持续博弈，均衡配置下关注数字经济与周期机会 (2023-02-28)

算法决策系列：主题热点投资聚焦20230228一关注云计算、金融科技、免税店、航空、贵金属、有机硅相关主题 (2023-02-28)

机器学习系列：投资应用专题(二)一定位行业特征，挖掘 ESG 因子投资有效性(2023-02-20)

算法决策系列：主题热点投资聚焦20230220一关注半导体硅片、光刻胶、工业软件、锂电负极、特高压、纺织制造、航运相关主题 (2023-02-20)

分析师声明

主要负责撰写本研究报告全部或部分内容的分析师在此声明：(i）本研究报告所表述的任何观点均精准地反映了上述每位分析师个人对标的证券和发行人的看法；(ii）该分析师所得报酬的任何组成部分无论是在过去、现在及将来均不会直接或间接地与研究报告所表述的具体建议或观点相联系。

一般性声明

本研究报告由中信证券股份有限公司或其附属机构制作。中信证券股份有限公司及其全球的附属机构、分支机构及联营机构（仅就本研究报告免责条款而言，不含CLSA group of companies)，统称为“中信证券”。

本研究报告对于收件人而言属高度机密，只有收件人才能使用。本研究报告并非意图发送、发布给在当地法律或监管规则下不允许向其发送、发布该研究报告的人员。本研究报告仅为参考之用，在任何地区均不应被视为买卖任何证券、金融工具的要约或要约邀请。中信证券并不因收件人收到本报告而视其为中信证券的客户。本报告所包含的观点及建议并未考虑个别客户的特殊状况、目标或需要，不应被视为对特定客户关于特定证券或金融工具的建议或策略。对于本报告中提及的任何证券或金融工具，本报告的收件人须保持自身的独立判断并自行承担投资风险。

本报告所载资料的来源被认为是可靠的，但中信证券不保证其准确性或完整性。中信证券并不对使用本报告或其所包含的内容产生的任何直接或间接损失或与此有关的其他损失承担任何责任。本报告提及的任何证券或金融工具均可能含有重大的风险，可能不易变卖以及不适合所有投资者。本报告所提及的证券或金融工具的价格、价值及收益可跌可升。过往的业绩并不能代表未来的表现。

本报告所载的资料、观点及预测均反映了中信证券在最初发布该报告日期当日分析师的判断，可以在不发出通知的情况下做出更改，亦可因使用不同假设和标准、采用不同观点和分析方法而与中信证券其它业务部门、单位或附属机构在制作类似的其他材料时所给出的意见不同或者相反。中信证券并不承担提示本报告的收件人注意该等材料的责任。中信证券通过信息隔离墙控制中信证券内部一个或多个领域的信息向中信证券其他领域、单位、集团及其他附属机构的流动。负责撰写本报告的分析师的薪酬由研究部门管理层和中信证券高级管理层全权决定。分析师的薪酬不是基于中信证券投资银行收入而定，但是，分析师的薪酬可能与投行整体收入有关，其中包括投资银行、销售与交易业务。

若中信证券以外的金融机构发送本报告，则由该金融机构为此发送行为承担全部责任。该机构的客户应联系该机构以交易本报告中提及的证券或要求获悉更详细信息。本报告不构成中信证券向发送本报告金融机构之客户提供的投资建议，中信证券以及中信证券的各个高级职员、董事和员工亦不为（前述金融机构之客户）因使用本报告或报告载明的内容产生的直接或间接损失承担任何责任。

评级说明

投资建议的评级标准		评级	说明
报告中投资建议所涉及的评级分为股票评级和行业评级(另有说明的除外)。评级标准为报告发布日后6到12个月内的相对市场表现，也即：以报告发布日后的6到12个月内的公司股价（或行业指数）相对同期相关证券市场代表性指数的涨跌幅作为基准。其中：A 股市场以沪深 300指数为基准，新三板市场以三板成指(针对协议转让标的)或三板做市指数（针对做市转让标的）为基准；香港市场以摩根士丹利中国指数为基准；美国市场以纳斯达克综合指数或标普 500 指数为基准；韩国市场以科斯达克指数或韩国综合股价指数为基准。	股票评级	买入	相对同期相关证券市场代表性指数涨幅20%以上
		增持	相对同期相关证券市场代表性指数涨幅介于5%～20%之间
		持有	相对同期相关证券市场代表性指数涨幅介于-10%～5%之间
		卖出	相对同期相关证券市场代表性指数跌幅10%以上
	行业评级	强于大市	相对同期相关证券市场代表性指数涨幅10%以上
		中性	相对同期相关证券市场代表性指数涨幅介于-10%～10%之间
		弱于大市	相对同期相关证券市场代表性指数跌幅10%以上

特别声明

在法律许可的情况下，中信证券可能（1）与本研究报告所提到的公司建立或保持顾问、投资银行或证券服务关系，（2）参与或投资本报告所提到的公司的金融交易，及/或持有其证券或其衍生品或进行证券或其衍生品交易，因此，投资者应考虑到中信证券可能存在与本研究报告有潜在利益冲突的风险。本研究报告涉及具体公司的披露信息，请访问https://research.citicsinfo.com/disclosure。

法律主体声明

本研究报告在中华人民共和国（香港、澳门、台湾除外）由中信证券股份有限公司（受中国证券监督管理委员会监管，经营证券业务许可证编号：Z20374000）分发。本研究报告由下列机构代表中信证券在相应地区分发：在中国香港由CLSALimited（于中国香港注册成立的有限公司）分发；在中国台湾由CLSecurities Taiwan Co.,Ltd.分发；在澳大利亚由CLSAAustraliaPty Ltd.（商业编号：53139 992331/金融服务牌照编号：350159）分发；在美国由CLSA（CLSAAmericas,LLC 除外）分发；在新加坡由CLSA Singapore Pte Ltd.（公司注册编号：198703750W）分发；在欧洲经济区由 CLSA Europe BV分发；在英国由 CLSA（UK)分发；在印度由 CLSA India Private Limited 分发(地址:8/F,Dalamal House,Nariman Point,Mumbai400021;电话：+91-22-66505050;传真:+91-22-22840271;公司识别号:U67120MH1994PLC083118);在印度尼西亚由PTCLSASekuritas Indonesia分发；在日本由 CLSA Securities Japan Co.,Ltd.分发；在韩国由 CLSA Securities Korea Ltd.分发；在马来西亚由CLSA Securities Malaysia Sdn Bhd分发；在菲律宾由CLSAPhilippines Inc.（菲律宾证券交易所及证券投资者保护基金会员）分发；在泰国由CLSASecurities(Thailand)Limited分发。

针对不同司法管辖区的声明

中国大陆：根据中国证券监督管理委员会核发的经营证券业务许可，中信证券股份有限公司的经营范围包括证券投资咨询业务。

中国香港：本研究报告由CLSALimited分发。本研究报告在香港仅分发给专业投资者（《证券及期货条例》（香港法例第571章）及其下颁布的任何规则界定的),不得分发给零售投资者。就分析或报告引起的或与分析或报告有关的任何事宜,CLSA客户应联系CLSALimited 的罗鼎，电话:+852 26007233。

美国：本研究报告由中信证券制作。本研究报告在美国由CLSA（CLSAAmericas,LLC 除外）仅向符合美国《1934年证券交易法》下15a-6规则界定且CLSAAmericas,LLC提供服务的“主要美国机构投资者”分发。对身在美国的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所述任何观点的背书。任何从中信证券与CLSA获得本研究报告的接收者如果希望在美国交易本报告中提及的任何证券应当联系CLSAAmericas,LLC（在美国证券交易委员会注册的经纪交易商)，以及 CLSA 的附属公司。

新加坡：本研究报告在新加坡由CLSASingapore Pte Ltd.，仅向（新加坡《财务顾问规例》界定的）“机构投资者、认可投资者及专业投资者”分发。就分析或报告引起的或与分析或报告有关的任何事宜，新加坡的报告收件人应联系CLSASingaporePte Ltd,地址:80RafflesPlace,#18-01,UOBPlaza1,Singapore 048624，电话：+65 6416 7888。因您作为机构投资者、认可投资者或专业投资者的身份，就CLSA Singapore Pte Ltd.可能向您提供的任何财务顾问服务，CLSA Singapore Pte Ltd豁免遵守《财务顾问法》（第110章)、《财务顾问规例》以及其下的相关通知和指引（CLSA业务条款的新加坡附件中证券交易服务C部分所披露）的某些要求。MCI（P）085/11/2021。

加拿大：本研究报告由中信证券制作。对身在加拿大的任何人士发送本研究报告将不被视为对本报告中所评论的证券进行交易的建议或对本报告中所载任何观点的背书。

英国：本研究报告归属于营销文件，其不是按照旨在提升研究报告独立性的法律要件而撰写，亦不受任何禁止在投资研究报告发布前进行交易的限制。本研究报告在英国由CLSA（UK）分发，且针对由相应本地监管规定所界定的在投资方面具有专业经验的人士。涉及到的任何投资活动仅针对此类人士。若您不具备投资的专业经验，请勿依赖本研究报告。对于英国分析员编纂的研究资料，其由CLSA（UK）制作并发布。就英国的金融行业准则，该资料被制作并意图作为实质性研究资料。CLSA（UK）由（英国）金融行为管理局授权并接受其管理。

欧洲经济区：本研究报告由荷兰金融市场管理局授权并管理的CLSAEurope BV 分发。

澳大利亚：CLSAAustraliaPtyLtd（“CAPL”）(商业编号：53139992331/金融服务牌照编号：350159)受澳大利亚证券与投资委员会监管，且为澳大利亚证券交易所及CHI-X的市场参与主体。本研究报告在澳大利亚由CAPL仅向“批发客户”发布及分发。本研究报告未考虑收件人的具体投资目标、财务状况或特定需求。未经CAPL事先书面同意，本研究报告的收件人不得将其分发给任何第三方。本段所称的“批发客户”适用于《公司法（2001)》第761G条的规定。CAPL研究覆盖范围包括研究部门管理层不时认为与投资者相关的ASXAIIOrdinaries指数成分股、离岸市场上市证券、未上市发行人及投资产品。CAPL寻求覆盖各个行业中与其国内及国际投资者相关的公司。

印度：CLSAIndiaPrivateLimited，成立于1994年11月，为全球机构投资者、养老基金和企业提供股票经纪服务（印度证券交易委员会注册编号：INZ000001735）、研究服务（印度证券交易委员会注册编号：INH000001113）和商人银行服务（印度证券交易委员会注册编号：INM000010619)。CLSA及其关联方可能持有标的公司的债务。此外，CLSA及其关联方在过去12个月内可能已从标的公司收取了非投资银行服务和/或非证券相关服务的报酬。如需了解CLSA India“关联方”的更多详情，请联系 Compliance-India@clsa.com。

未经中信证券事先书面授权，任何人不得以任何目的复制、发送或销售本报告。

START YOUR FINANCE

起点财经，网罗天下报告

机器学习系列 数据治理专题（六）丨2023.8.16

中信证券研究部

核心观点

每日 免 费 获取 报告 □

目录

插图目录

表格目录

围绕市场需求，DATALET释放数据应用潜能

上市公司持续扩容，数据广度及精度要求提升

板块轮动加速，自动化标注能力提升投研效率

大模型扩宽指标维度，实现文本数据结构化及高频追踪

DATALET实现文本数据指标化及指标标签投资指向化双重创新

一 涌现能力助力自动化标注，挖掘指标投资指向

循环具象Prompt设计助力标注能力自动化及专业化

创新及丰富指标逻辑体系，实现投资指向性标注

大模型赋能文本数据指标化，扩充投研观测视角

融合研报、电话会议及政策，构建多维情绪指标体系

情绪类指标构建示例：研报情绪指标与政策推进力度指标

研报情绪指标构建流程

政策推进力度指标构建流程

聚焦指标特性，探索指标投资有效性

政策推进力度指标：可及时把握行业轮动变化

研报热度指标：在行业及个股维度均可较好判断股价走势

风险因素

相关研究

改善

分析师声明

一般性声明

评级说明

特别声明

法律主体声明

针对不同司法管辖区的声明

START YOUR FINANCE

机器学习系列数据治理专题（六）丨2023.8.16

每日免费获取报告 □

一涌现能力助力自动化标注，挖掘指标投资指向

机器学习系列_数据治理专题（六）：集聚投资有效性，构建DATALET数据资产-20230816-中信证券-21页