From Logit to Market Trend

核心主题：From Logit to Market Trend

DUI 提供的核心服务是使用大语言模型技术来理解市场。我们所有的产品都围绕这一主题展开，都基于大语言模型的能力延伸到应用。

我们使用的大语言模型是超对称技术公司独立研发的基座模型 BigBang-Proton。它不是简单的文本分类器或情感分析工具，而是具备深度语义理解能力的预训练语言模型。DUI 将 BigBang-Proton 应用于金融市场的海量文本——公告、财报、政策、新闻与社交媒体讨论——从中提取模型对市场的结构化认知，并量化为可计算、可回溯、可对比的指数体系。

传统指数告诉你"市场发生了什么"，DUI 告诉你"市场在想什么、怎么想"——并且是从模型内部推理过程中直接提取的原始信号。

BigBang-Proton 大模型

超对称技术公司独立研发了能融合学习理解大规模文本和大量数值的基座语言大模型 BigBang-Proton，包含三项底层机制的革命性技术创新：

核心概念：Logit

Transformer 与 Logit 的基本概念

现代大语言模型（如 BigBang-Proton）的核心架构是 Transformer。当模型阅读一段文本并准备输出下一个词（token）时，它会为词典（vocabulary）中的每一个候选词计算一个分数。这个分数经过 softmax 归一化后成为概率分布，而归一化之前的原始分数就是 Logit。

Logit 是一个向量，其维度等于模型词典的大小。它编码了模型对"下一个应该出现什么词"的完整判断，而不仅仅是模型最终选中的那个词。从数学上看，每个 token 的 logit 由隐藏状态向量与 token 嵌入向量的点积加上偏置项得到：

其中 h 是模型最后一层的隐藏状态，W_j 是第 j 个 token 的输出嵌入，b_j 是偏置项。

Logit 生成流程

下图展示了一段文本如何经过模型转化为 Logit 向量的过程：

在 DUI 的实践中，我们使用概率分布的对数值 log probabilities。对"涨"、"跌"、"中性"三个 token 分别读取其在 softmax 后的 log_prob，这相当于读取模型"大脑"内部的神经活动，而非仅仅记录它"说出口"的话。

为什么 Logit 比直接答案更好

在构建面向金融市场的指数时，从 Logit 提取大语言模型推理的信息，比使用模型输出的直接答案效果更好。原因在于：

• 信息含量更大：模型的直接答案只是一个词或一句话，而 Logit 的数值包含了词典中其他所有 token 的信息。它反映了模型在多种可能性之间的权衡与取舍。
• 避免生成偏差：模型为了生成通顺、安全的文本，往往会收敛到"最可能"的常规表达，这会抹杀掉许多细微但有价值的市场信号。Logit 保留了这些被生成过程过滤掉的信息。
• 连续可量化：Logit 是实数向量，可以进行数学运算、聚合和时序比较。而文本输出是离散的，难以直接用于指数计算。

我们使用的一个重要量是 net_logit = log_prob(涨) - log_prob(跌)，即"涨"与"跌"两个 token 的 log_prob 之差。这个差值在 softmax 分母中恰好抵消，因此不受词典中其他十万个 token 的影响，具有严格的跨文本可比性：

输入数据

DUI 的核心能力建立在全景信息覆盖之上。我们的输入数据远比普通情绪指数全面和基础，覆盖全市场约 6000 只 A 股股票的以下历史和实时文本信息：

• 上市公司公告与财报：定期报告、临时公告、业绩预告等官方披露信息
• 宏观经济数据与政策文件：货币政策、财政政策、监管规则、行业指导意见
• 政治动态与产业新闻：行业研报、产业链变动、国际局势对市场的影响
• 市场运行与行业基本面信息：交易制度变化、市场情绪相关的事件报道
• 社交媒体讨论：股吧、雪球等投资社区的讨论帖

这些信息中的很大一部分并无明显的情感色彩，而是客观的基本面数据。它们所驱动的市场波动可能有短期效应，也可能有中长期效应。例如，财报所披露的基本面数据既会在披露期引发市场情绪波动，也会对企业估值产生长期影响；政策和宏观经济数据对市场的影响同时具有短期、中期和长期效应。

超对称技术公司正在进一步整合天气数据、湖泊水质数据、区域用电数据、物流数据等记录经济运行和物理世界变化的数据，以全面完整的覆盖度复构政治和经济所处的物理空间，进而复构经济和金融市场的全貌。这些数据和方法所形成的大模型市场认知，与短期的投资者心理波动有质的区别。

DUI 的输入不是"情绪"，而是驱动市场运行的全景信息。大模型从这些信息中提取的是认知，而非简单的心理波动。

LMI 指数编制方法

LMI（Language Model Index）的编制基于以下六步流程：

编制流程

1. 数据采集：覆盖全市场约 6000 只 A 股股票的公告、财报、政策、新闻事件与社交媒体讨论。
2. 模型推理：将上述文本逐条输入 BigBang-Proton 大模型，提取模型输出层中"涨"、"跌"、"中性"三个 token 的 Logit 值。
3. 净认知信号提取：计算 net_logit = logit(涨) - logit(跌)，得到模型对该文本的看涨/看跌强度。同时使用 max_prob = softmax 三分类中的最大概率，衡量模型判断的确定性（纯度）。
4. 质量加权聚合：对全市场所有文本的 net_logit 进行加权平均，权重 = max_prob × post_number。高确定性且高讨论量的帖子获得更高权重。
5. 经验校准映射：由于 LLM 本身对中国 A 股存在系统性悲观先验（原始 net_logit 均值约 -0.288），我们不人为定义 500 = 中性，而是让历史数据决定刻度。统计历史全市场等权收益的实际上涨概率，建立 net_logit → empirical_prob_positive 的映射。
6. 指数合成：LMI = 10 × empirical_prob_positive，映射为 0–1000 的数值区间。

基本功能

校准后的 LMI 指数量化了大语言模型对市场的整体认知判断，映射为 0–1000 的数值区间。LMI 的设计定位是市场温度计（描述当前状态），不是交易预测器。

DUI1000 指数编制方法

DUI1000（Deep Understanding Index 1000）是基于大语言模型认知能力构建的市场指数体系。与传统指数基于市值选样不同，DUI1000 的成分股选择由大模型对市场的认知状态驱动，旨在反映"被大模型关注的市场"的价格走势与情绪温度。

编制流程

1. 成分股选择

每月最后一个交易日收盘后，取当日有情绪数据的所有股票，按 sentiment_up_prob（大模型判断的上涨概率）从大到小排序，选取前 1000 只作为下月成分股。这一选股规则使指数天然聚焦于大模型认知中最乐观的市场板块。

2. 权重计算

采用成交额代理市值加权：

选择成交额而非市值作为权重，是因为成交额比市值更能反映市场参与度和流动性，同时避免金融/能源等大盘股因市值过大而过度主导指数，与情绪数据的"市场活跃度"逻辑一致。

3. 除数修正与价格指数

基期首个有效交易日（2021-05-07），基值 = 1000：

月度换仓日（新月份第一个交易日），使用除数修正法确保换仓瞬间指数连续：

4. 个股 LMI 指数

DUI1000 同时输出个股 LMI 指数，量化大模型对成分股及全市场的整体认知判断：

• 成分股 LMI 指数：入选 1000 只热点股自身的认知状态，按成交额加权平均 sentiment_up_prob，映射为 0–1000
• 总体 LMI 指数（post_number 加权）：全市场有情绪数据股票的整体认知，不受成分股范围限制
• 总体 LMI 指数（成交额加权）：反映资金活跃板块的认知状态

指数定位

LMI 与其他指数的区别

与中证系列指数的区别

与普通文本情绪指数的区别

普通情绪指数主要采用关键词匹配和情感极性分类方法，分析社交媒体情感色彩，输出正/负/中性离散标签，追踪高频心理波动。LMI 指数则基于大语言模型深度语义理解，从公告、财报、政策、新闻等全景信息中提取 Logit 信号，输出连续数值反映认知强度与方向，捕捉中短期认知结构演化。

普通情绪指数衡量的是投资人由市场交易本身激发的恐慌、贪婪等心理波动，本质上是对"已经产生的情绪"进行事后追踪。LMI 读取并理解的是驱动市场运行的全景信息，捕捉的是市场中长期认知结构的演化，而非高频心理波动。

使用案例、判断框架、适用场景与局限

一、使用场景

1. 量化投资

将 LMI 指数作为单因子加入已有的多因子模型。LMI 信号源自大语言模型对全景文本的深度认知，与传统量价因子、基本面因子具有较低的相关性，可在多因子框架中提供独立的认知维度，提升组合的风险调整后收益。

2. 主动投资

以下判断框架与适用场景主要面向主动投资管理者：

主动投资适用场景

• 主题投资阶段识别与确认
• 市场顶/底的认知验证（非预测）
• 认知与价格背离的结构性机会观察
• 投资组合的认知择时与行业轮动参考

二、局限与需谨慎的场景

• 不适用于直接选股：LMI 是市场整体认知的量化，不能替代个股基本面研究。
• 不保证收益：任何技术指标、情绪指数或 AI 模型均无法准确预测市场走势，无法保证投资不受损失。
• 政策突发冲击初期：重大政策发布后的最初几小时，市场文本尚未充分形成，认知信号可能滞后。
• 极度低成交量市场：文本稀疏时，认知信号较弱，指数稳定性下降。