研究背景：随着人工智能技术的快速发展，大语言模型（如DeepSeek等）在投研领域的应用潜力逐渐显现。本篇报告以一个具体的议题“哪些指数适合做择时”为例，与DeepSeek进行交互，探索大模型在投研流程中的辅助作用。
　　DeepSeek在文献整理及代码编写中的应用：针对“适合做择时策略的指数都有哪些特点”这一问题，DeepSeek通过联网搜索寻找海量文献，并整理输出几大要点。在DeepSeek的帮助下，我们设计了一阶滞后自相关性检验、ADF检验、简单择时策略效果检验，并引导DeepSeek生成对应的Python代码，对几个宽基指数进行了实证研究。
　　DeepSeek深度思考助力完善投研策略：以比较适合做择时的国证2000指数为例，我们要求DeepSeek对其设计简单的择时策略，并引导其提供改进思路，对现有策略进行增强。DeepSeek通过深度思考，在原有策略的基础上，叠加了多维度信号验证、动态仓位管理等改进方案，显著提升了策略的各项绩效指标。由此可见，DeepSeek可以凭借其强大的深度思考能力，在投研策略的生成、迭代中提供助力，大幅提升我们开发、完善投研策略的效率。
　　DeepSeek辅助文字撰写工作：将本次研究的文字与图表输入DeepSeek，要求其生成相应的研究概述。DeepSeek根据本次研究内容，撰写了一份研究报告总结，详细描述了研究过程中的研究方法、实证研究结果、策略优化方案，并展示了各类策略的绩效指标，甚至提供了对未来研究的思路，体现了其在辅助文字撰写工作中的强大功能。
　　DeepSeek在投研流程中的优势与挑战：在本次探索中，我们发现DeepSeek在投研中具有以下优势：加快资料搜集与信息处理的速度、提升文案撰写及代码编写的效率、深度思考助力策略优化等。但同时，DeepSeek在投研中的应用也面临多重挑战，比如：模型“幻觉”问题亟待解决、编写代码的过程仍需较多人为干预、本地部署需要较大规模的成本投入等。
　　风险提示：研究结果基于历史统计与量化模型，存在历史规律与量化模型失效的风险；部分研究内容由DeepSeek生成，存在DeepSeek大模型准确性的风险