针对基本面量化研究中行业覆盖存在明显边界的痛点，利用大模型API接口构建基于Prompt Engineering的投研循环问答机制，能够自动化建立三层行业数据指标跟踪体系。其中，通过观察指标的逻辑性与指标数据可获得性，周期行业景气跟踪框架与指标质量表现优异，成长风格行业逻辑构建相对完善。基于自动化的交互能够在较短时间内实现中信证券二级109个行业的全覆盖，有效拓宽基本面量化行业数据覆盖边界。未来金融垂直大模型将全新定义金融科技赋能场景，行业基本面量化研究与数据研究生产力全面提升。
　　▍大模型迭代遵循“摩尔定律”，轻量级开源大模型已实现高频迭代。大模型加速进入应用时代，超大量样本训练能够带来大语言模型智能涌现。五年间，LLM的参数量规模从亿级达到万亿级，参数量每年成倍增长的规律有望成为“LLM时代的摩尔定律”。国内外开源轻量级LLM持续不断问世，从LLaMA到Alpaca之间间隔1个月，再到Dolly 2.0与StableLM仅相隔1周，未来短周期的轻量级开源LLM迭代有望成为新趋势，LLM的垂直赋能与低成本可及性，加速金融垂直应用爆发。
　　▍涌现能力助力数据应用创新——聚焦基本面量化覆盖扩容。自2020年起，A股市场的主流量化研究团队在行业基本面量化研究中共覆盖41个行业（按照中信证券二级行业分类计算），全行业占比仅为37.6%。受限于人员规模等因素，传统人为构建方式无法实现行业全覆盖和持续的逻辑与指标体系跟踪。基于ChatGPT可构建市场宏观需求、中观供需关系、微观产品价量逻辑与指标体系，助力实现全行业的景气跟踪与指标更新。其中，通过观察指标的逻辑性与指标数据可获得性，周期行业景气跟踪框架与指标质量表现优异（指标可得性超80%），成长风格行业逻辑构建相对完善（指标可得性超40%），基本面量化跟踪全行业覆盖成为可能。
　　▍涌现能力助力数据应用创新——聚焦文本分析与金融数据应用标注。政策、公告等非结构化文本数据蕴含丰富信息，用大模型对文本数据进行标注，可以深度挖掘文本数据助力量化应用探索。考虑在线模型的数据安全隐患，我们利用金融语料库微调训练ChatGLM模型，实现数据标注、文本摘要等垂类场景的大模型本地化部署。
　　▍ Prompt Engineering赋能体系构建，自动化助力涌现能力赋能。利用大模型生成行业数据指标跟踪体系需要基于Prompt Engineering设计与大模型的交互问答逻辑。考虑API接口当前算力与稳定性，以代码实际运行情况我们估算目前面向单个行业的指标数据生成时间成本预期为60分钟左右，理论情况下能够以10天左右的时间实现面向中信二级109个行业的全面覆盖，有效扩容基本面量化研究中行业数据覆盖边界。
　　▍风险因素：AI核心技术发展不及预期风险；科技领域政策监督收紧风险；信息安全风险；行业竞争加剧风险；全球云计算市场发展不及预期风险。
　　▍投资应用——模型部署+训练服务成为新需求，行业数据研究迎来GameChanger。基于大模型的涌现能力，行业基本面量化研究的全行业覆盖，持续数据指标逻辑创新研究将迎来Game Changer。基于国内信息安全的要求与算力约束，本地“大模型”的部署需求明确。因此围绕金融数据具体应用创新与本地模型优化落地等方面或将成为全新投研服务需求。