文章核心总结与创新点一、主要内容本文聚焦生成式人工智能（GenAI）中的大型语言模型（LLMs）在共同基金投资组合优化中的应用，旨在解决传统投资组合优化方法在处理复杂数据、适应市场动态等方面的局限。研究选取了三款开源LLM（Microsoft Phi 2、Mistral 7B、Zypher 7B），构建了融合检索增强生成（RAG）管道与混合优化技术的框架，结合宏观经济指标与金融数据（如夏普比率），生成风险调整后的行业配置策略。通过合成数据集模拟真实共同基金场景，对三款模型的表现进行多维度评估（绝对收益、风险调整后收益、波动性等）。结果显示，Zypher 7B在收益最大化和风险调整表现上持续优于其他模型，Mistral 7B表现次之，而Microsoft Phi 2因参数规模较小等因素，在收益与风险平衡上存在明显局限。此外，研究还提出混合优化方法，通过调整投资组合暴露比例，实现激进收益最大化与保守风险最小化之间的灵活平衡，以适配不同投资者的风险偏好。二、创新点提出了基于检索增强生成管道的新型共同基金投资组合优化框架，首次将开源LLMs系统应用于行业层面的资产配置决策。构建了融合LLM生成建议与夏普比率等金融指标的混合优化方法，显著提升风险调整后收益。系统评估了三款主流开源LLM在金融优化任务中的表现，明确了各模型在语境推理、风险控制等方面的优劣，为金融领域LLM选型提供实证依据。实现了Microsoft Phi 2在CPU环境下的适配部署，验证了LLMs在资源受限场景中的应用可行性。
