寻找复杂轮动市场下的核心定价逻辑
　　在当前的A股市场环境下，行业轮动速度显著加快，把握一个行业特质性的投资选股逻辑已经成为获取结构性超额收益的关键。然而，传统的投研模式正面临着“覆盖广度”与“响应速度”的双重挑战：一方面，个人分析师的精力有限，难以实时、深度覆盖数百只个股及快速涌现的新兴赛道；另一方面，传统的量化多因子模型难以真正理解非结构化研报文本背后复杂的“因果推演逻辑”。为此，本报告通过引入大模型思维链（CoT）技术，试图实现自动化提取并时序跟踪行业分析师的投研逻辑，动态捕捉行业定价最核心的逻辑，为投资决策提供差异化的逻辑补充，以此深度赋能主动权益投资。
　　工作流设计：投资思维链的动态提取与验证
　　本报告构建了一套端到端的投资思维链动态生成与优选机制。通过大模型从海量研报中分组自动化提取、合并、更新“核心驱动要素？传导路径？投资结论”的完整逻辑链条，随后创新性地引入滚动单链回测机制，对提取的逻辑进行历史数据的定量测试，动态验证每一条逻辑在当前市场环境下的有效性，剔除失效逻辑，保留在当前市场环境下具备显著定价能力的“优质思维链组”。
　　优质CoT联合选股策略
　　考虑到研报信息通常较为滞后的特点，仅依据时点研报信息作为个股分析依据时效性较弱。因此在选股策略上，我们进一步加入了实时新闻信息，每条思维链会对每个截面上每只个股的汇总信息进行符合程度的判断，进而形成持仓决定、生成测试结果。基于思维链滚动测试结果，我们主要参考信息比率表现筛选优质思维链，由每个测试单位筛选出的TOP1/3优质思维链在下个测试单位各自选出满足符合条件的个股，构建了优质CoT联合投票策略与加权选股策略。回测数据显示（2021-2026），多思维链联合投票策略相较于分析师等权基准实现了17.16%的年化超额收益，信息比率达0.48，显著优于无CoT框架的基准模型及行业基准指数。加权策略通过引入信息比率赋权，进一步提升了策略在市场下行区间的风险控制能力,信息比达0.51。
　　投研框架与个股智能助理
　　在上述测试机制的基础上，我们将碎片化的分析逻辑脱水重构，生成了一套逻辑连贯、具有阅读侧重点的行业投研框架总结。此外，我们进一步开发了个股投研顾问Agent，它能够根据最新信息，输出“看涨/中性/看跌”的诊断判断及核心分析理由，直接辅助主动投资者的日常个股决策。
　　风险提示
　　1、以上结果通过申万一级行业分类医药生物历史数据统计、建模和测算完成，若历史数据产生环境发生变化，可能出现模型失效风险;
　　2、策略依据一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出现亏损；
　　3、大模型输出的结果具有一定的随机性和幻觉风险，仅供参考。