AI赋能资产配置：乘风DeepSeek理解货币政策取向.pptx

资料来源：Wind主题 y2024q4vsy2024q3 y2024q3vsy2024q2 y2024q2vsy2024q1总体 货币政策更加宽松，由基调 “稳健调控”转向“适度宽松、加大调控力度”货币政策更加宽松，强调“强化逆周期调节、提振信心”货币政策相对持平，均强调“稳健灵活、巩固回升”政策 更加宽松，提出“充实工 变化不大，继续强调工具 变化不大，仅在实施细节工具 具箱”，延续“国债买卖”箱及流动性管理 上有所调整降准 更加宽松，明确提及“择 变化不大，未直接提及降 变化不大，仍以“流动性降息 机降准降息” 准降息 合理充裕”为主利率管理更加宽松，强化政策利率引导，推动融资和信贷成本下降变化不大，延续市场化利 变化不大，强调政策利率率机制改革 引导和融资成本稳定外汇市场变化不大，继续强调“稳定市场预期、防范超调风险”变化不大，延续“保持汇 变化不大，强调“深化汇率稳定、防范预期一致性”率市场化改革”图1：货币政策语义——定性分析结果（展示部分结果） 图2：货币政策语义——定量分析（AI半自动）结果资料来源：Wind摘要本报告探讨了AI在政策语义分析中的优势，基于定性与定量分析方法，研究其在货币政策解读中的具体应用及效果：定性分析方面，AI通过预训练学习，能够精准提取政策基调、工具运用、利率管理、外汇市场等关键信息，并基于语境理解自动判断政策取向（如“收紧”或“宽松”）。AI的赋能增强了分析的前瞻性和精准度，AI学习迭代的货币政策力度指数，指向2025第一季度货币政策仍倾向于“宽松”。定量分析方面，本报告提出了“AI全自动”“AI半自动”“AI辅助人工”的定量分析方案。其中半自动方案利用AI学习历史数据与政策语调的关系，从政策文本中提取情绪信息，量化货币政策力度指数。AI预计2025Q1货币政策力度指数同比为，较2024Q4有所收敛但仍处高位，政策整体倾向“宽松”。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。

政策文本的结构化解读01政策语义：AI定性判断02展望与结论04目录风险提示05政策语义：AI定量分析03

图3：AI优化政策语义分析方法的思路资料来源：Wind货币政策文本语义分析的关键要点传统分析方法定性定量AI对分析方法的优化思路通过投喂语料训练，Deepseek/ChatGPT整理归纳原始文本，定性判断“收紧/宽松”基于传统NLP，实现关键词、情感分析（BERT、TF-IDF、LDA主题建模）国信货币政策力度指数：基于扩散指数逻辑，经算法优化，将10组价格与数量数据标准化处理后加AI直接基于文本拟生成，或通过投喂语料训练。Deepseek判断文本语调Deepseek学习历史数据与语调关系Deepseek根据语调给出定量结果权凭借强大的语境理解和数据学习能力，能精准解析政策文本的语义取向，还能量化政策力度变化提升分析的前瞻性和准确性AI在政策语义分析上具有天然优势，尤其是在处理大规模文本、归纳总结信息、以及结合上下文理解政策取向中定性分析：传统NLP方法在政策文本分析上存在语境理解不足、情感判断模糊、主题建模难以量化政策倾向等局限。相比之下，DeepSeek等大模型凭借上下文理解能力和财经语料微调优势，可更精准地归纳政策立场，并通过语义匹配给出定性判断定量分析：优化传统定量模型：AI基于政策文本的语义分析，提升传统“货币政策力度指数”的前瞻性和解释力基于政策文本给出定量推断：AI通过历史数据训练，建立政策语义与实际政策力度之间的映射关系，使得政策文本不仅能定性判断方向，还能量化影响程度。根据当前政策文本的措辞变化，自动匹配历史相似情境，并结合已学习的量化关系，分析当下或未来政策力度指数的变动方向和幅度资料来源：Wind图4：AI解读政策文本语义的优势AI的优势背后原理深度语言理解与政策 DeepSeek采用大规模预训练语言模型（LLM），定 信号捕捉(训练成本低) 具备自然语言理解（NLP）和上下文推理能力，性 历史关联分析与政策 能够精准识别政策措辞变化、政策导向微调、历史相似政策的影响脉络挖掘(理解能力强)DeepSeek通过NLP语义解析和规则学习，自高效文本解析与结构 动提取政策文本中的关键变量，并建立标准化评定 化处理 分体系，使政策信号具备可量化、可追溯的特征。量 同时，结合情感分析、关键词权重计算（TF-IDF）语义量化建模，提高 等方法，将政策力度转化为数值指标，减少人工政策分析的客观性 判断偏差，提高分析的客观性和一致性。

图5：政策文本结构化解读——以2024年第3、4季度“货币政策委员会季度例会”为例资料来源：Wind，中国人民银行准备工作：政