IIGF观点

当前位置: 网站首页 > 研究成果 > IIGF观点 > 正文

IIGF观点 | 牟毅、刘炳材等：大语言模型辅助构建新型电力系统指数的方法论探索

发布时间：2026-07-14

在全球能源转型与绿色金融深度交汇的背景下，如何精准界定新兴产业的边界、将政策语义转化为可操作的金融分类，已成为指数编制领域面临的核心挑战。新型电力系统作为中国“双碳”目标的关键支撑，其产业边界由政策文本动态界定，涉及发电、输配、消费、储能和数字化等多个交叉领域，传统的关键词匹配和人工判断方法在面对如此复杂的分类需求时，效率和精度均显不足。近年来，大语言模型（Large Language Model, LLM）技术的快速发展为这一难题提供了新的解决思路。本文以新型电力系统股票指数的构建为案例，探讨一种基于复合AI系统的动态知识注入方法论，分析其技术架构与应用效果，并讨论该方法对金融产品设计的更广泛启示。

一、核心挑战：政策语义与企业分类之间的鸿沟

构建新型电力系统指数的核心环节在于企业分类，即判断一家上市公司的业务是否属于新型电力系统产业范畴，以及它具体归属于“源—网—荷—储—智”五大维度中的哪一个或哪几个。对于传统行业指数而言，企业分类往往可以依据成熟的行业分类代码直接完成，分类标准相对稳定，操作上较为简明。然而，新型电力系统作为一个政策驱动型的跨领域概念，其分类任务面临本质上不同的方法论困境。

首先，新型电力系统的产业边界是由政策文本动态定义的。与钢铁、汽车等在市场实践中自然形成的传统行业不同，新型电力系统是由一系列政策文件、指导目录和技术标准所共同界定的概念框架。这些政策文本通常具有复杂的层级嵌套结构，例如国家发展改革委发布的绿色产业指导目录便包含“领域—类别—子类别”三级分类，每一级下附带详细的准入条件和排除约束，部分条件之间还存在“且”“或”等逻辑组合关系。将这种高度结构化的政策语义完整地转化为可计算的分类逻辑，远非简单的文本检索所能实现。

其次，企业经营活动的文本描述与政策分类体系之间存在显著的语义鸿沟。企业年报中的主营业务描述往往使用商业化的表达方式，与政策文本中的技术术语和行政表述在措辞习惯与概念粒度上均有差异。例如，一家从事“分布式光储一体化解决方案”的企业，其业务实际横跨“源”（光伏发电）和“储”（储能系统）两个维度，但在传统行业分类体系中，可能仅被归入“光伏设备”这一单一类别。类似地，“虚拟电厂”领域的企业可能同时涉及“荷”侧负荷聚合和“智”侧数据调度，在现有行业分类中却找不到对应的独立条目。这种语义层面的错位，使得依赖人工判断或简单关键词匹配的分类方法难以保证一致性和全面性。

第三，政策文本的频繁更新给分类体系的维护带来持续压力。新型电力系统领域的政策密集出台、快速迭代，产业边界随政策导向不断演变。每一次重大政策调整，无论是新增技术路径的认定，还是准入门槛的修订，都可能导致分类标准的变化。如果依赖人工重新梳理和更新分类规则，不仅成本高昂，响应速度也难以满足指数定期调仓的时效要求。这一挑战在“十五五”时期能源政策加速推进的背景下将更加突出。

以上三重挑战共同构成了传统分类方法的能力瓶颈。正是在这一背景下，将大语言模型的语义理解能力与结构化知识表示相结合的技术路径，展现出了独特的应用价值。

二、动态知识注入管线：一种复合AI系统方法

针对上述挑战，中财大绿金院研究团队提出了一种名为“动态知识注入管线”（Dynamic Knowledge Injection Pipeline, DKIP）的方法论框架。DKIP的核心理念在于将分类任务分解为两个相互衔接的阶段：首先将非结构化的政策文本转化为结构化的可计算知识，然后在这一知识结构的严格约束下利用大语言模型对企业进行精准分类。这种“先建知识、后做推理”的架构设计，旨在同时发挥LLM的语义理解优势和结构化知识库的精确约束能力，从而在灵活性与精度之间取得平衡。

（一）第一阶段：可计算知识图谱的构建

DKIP的基础环节是将政策分类文件中的层级结构和逻辑关系转化为一个可计算的知识图谱（Knowledge Graph），这一过程涉及三个关键技术步骤。

其一是层级感知的上下文提取。政策分类文件通常具有嵌套的树形结构，传统的文本处理方法在将长文档切分为文本块时，容易丢失上下层级之间的语义关联。DKIP采用了一种“层级状态追踪”算法来解决这一问题：在提取底层分类条目（即叶节点）时，系统维护一个全局指针，自动追踪并继承该条目的所有上级节点信息，确保每一条提取结果都是语义自洽、上下文完备的。这一设计有效避免了标准文本分块流程中常见的语义碎片化问题，使得后续的知识表示更加准确。

其二是逻辑分解与排除约束映射。仅仅将政策文本向量化不足以支撑严格的合规判定，还需要将其中的准入条件解析为可执行的逻辑规则。DKIP将复杂的准入标准分解为若干“条件组”，每个条件组标记明确的逻辑运算符（“且”“或”“单一条件”），使系统能够处理多条件组合的判定需求。与此同时，政策脚注中的排除性约束被单独提取并建模为显式的“一票否决”机制，而非作为普通文本属性嵌入。这种分离式建模确保了排除约束在推理过程中的刚性执行。

其三是图数据库的确定性实例化。经过提取和逻辑分解的结构化数据被实例化为图数据库（Neo4j）中的节点和边，形成一个有向无环图（Directed Acyclic Graph, DAG）。与向量数据库基于概率相似度的检索方式不同，图结构通过严格的拓扑约束确保所有推理路径都必须沿着预定义的层级关系展开。这意味着系统不可能输出一个不存在于分类标准中的类别编码，从而在结构层面杜绝了大语言模型常见的“幻觉”（hallucination）问题对分类结果的干扰。

值得强调的是，上述知识图谱构建过程本身也是由LLM驱动的自动化流程。当新的政策文件发布时，系统只需输入PDF文档，层级状态追踪算法即可自动将新的分类节点链接到已有的图谱结构中，无需人工干预。这一特性使得DKIP能够以较低的维护成本适应政策的频繁更新，在分类标准动态演变的环境中保持系统的时效性。

（二）第二阶段：图增强的智能推理

在知识图谱构建完成后，DKIP进入第二阶段，即利用AI Agent在图谱约束下对目标企业进行分类推理。

这一阶段首先对企业文本进行噪声过滤与信息提取。企业年报和ESG报告通常篇幅冗长，包含大量与分类无关的信息，如综合财务指标分析、管理层展望等。DKIP通过一个基于LLM的预处理模块，从原始文本中定向提取与主营业务活动和收入结构直接相关的段落，过滤无关内容，生成简洁聚焦的查询输入，提高后续推理的信噪比。

随后，AI Agent在知识图谱中执行图遍历（Graph Traversal），沿着分类层级逐级定位候选节点。这一机制与传统的向量相似度搜索存在本质区别。向量搜索基于嵌入空间中的距离度量进行匹配，语义捕捉能力较强，但容易检索到语义相近却在分类层级上不正确的结果。例如，在对一家电池制造企业进行分类时，向量搜索可能因“电池”一词在嵌入空间中的语义邻近性，将消费电子领域的电池产品与新型电力系统中储能电池的分类混淆。二者在语义表征上距离较近，但在产业功能和政策归属上却截然不同。再如，一家同时从事光伏逆变器和工业变频器生产的企业，向量搜索可能因“功率变换”这一共同语义特征，将两类产品混为一谈，而忽视了前者属于“源”维度、后者则不在新型电力系统框架之内这一关键区别。相比之下，图遍历严格遵循分类标准的拓扑结构，Agent只能在图中已有的节点间移动和选择，每一步推理都锚定于明确的上下级关系和逻辑约束，分类精度因此得到保障。

在定位到候选分类节点后，Agent进入逻辑验证环节。系统从图谱中检索该节点关联的条件组和排除约束，逐一比对企业业务描述是否满足准入条件、是否触发排除规则。验证完成后，系统输出双重结果：一是精确的分类编码和标准化类别名称；二是一份推理报告，详细说明分类依据和验证过程。这种“分类结果加推理过程”的双输出机制，赋予系统较高的可解释性和可审计性，使每一个分类决策都具备可追溯的证据链，这对于受监管约束的金融产品而言至关重要。

三、应用验证与方法论启示

中财大绿金院研究团队将DKIP方法应用于中国A股市场，以约六千家上市公司为初始样本，构建了一个覆盖“源—网—荷—储—智”五维的新型电力系统股票指数。为检验分类方法的有效性，研究同时基于中证行业分类、申万行业分类、国民经济行业分类等传统体系构建了同类指数，进行了系统性的对比回测。

回测结果验证了AI辅助分类方法的有效性。在六种不同的加权方案下，基于DKIP分类构建的指数在五年累计收益率上均显著优于基于传统行业分类体系的对标指数。这一结果表明，语义精度更高的分类方法能够更有效地识别新型电力系统的结构性增长机会，进而在投资组合中捕捉到传统分类方法所遗漏的价值。在风险维度上，该指数的年化波动率相对较高，这与新能源行业政策敏感度强、技术路径迭代快、市场情绪波动大的行业特征一致，也反映了新型电力系统作为快速成长领域固有的短期不确定性。值得关注的是，经风险调整后，该指数的夏普比率和索提诺比率在不同加权方案下均保持在中等稳健水平，且各方案之间的离散度较小。这表明分类方法本身具有较好的稳定性，不因加权策略的变化而出现剧烈波动，在承担适度风险的前提下能够获取合理的超额回报。

从方法论的角度来看，DKIP的意义不仅限于新型电力系统指数这一特定应用场景。其核心机制是将非结构化政策文本转化为可计算知识图谱，并在图谱约束下利用LLM进行精准分类，这种机制可迁移到任何以政策或法规文本为分类基准的金融场景。例如，在ESG合规审查中，企业活动是否符合欧盟可持续金融分类法（EU Taxonomy）的判定，同样面临政策文本复杂、判定标准多层嵌套的难题；在数字经济产业指数的编制中，“数字经济”的边界界定同样依赖政策文件且持续演变。DKIP的架构为这类场景提供了一个可复用的技术框架，具备较强的跨领域适用性。

此外，DKIP的双输出设计也回应了金融行业对AI应用透明度日益增长的需求。在传统的“黑箱”式机器学习模型中，分类决策的依据往往不透明，监管机构和投资者难以验证分类结果的合理性，这对于受监管约束的金融产品而言构成了合规风险。DKIP通过知识图谱的显式拓扑结构和逻辑验证过程的完整记录，使AI辅助的金融分类具备了审计友好性，为监管机构和投资者的信任建立提供了技术基础。在绿色金融标准趋于统一、信息披露要求日益严格的大趋势下，这种“可解释的AI”设计理念将越来越成为金融科技应用的基本要求。

需要指出的是，DKIP方法论仍有进一步优化的空间。在计算效率方面，基于Agent的多步推理流程相较于零样本直接推理会产生更高的计算延迟和token消耗。未来可通过量化低秩自适应（Quantized Low-Rank Adaptation, QLoRA）等技术对推理模型进行专业化微调，在保持精度的同时降低推理成本。在数据覆盖方面，当前的知识图谱主要基于静态政策文档构建，尚未纳入实时信息流，未来可探索将新闻舆情分析和市场信号接入知识图谱，进一步增强系统的动态响应能力。

总体来看，AI技术正在重塑金融产品设计的底层逻辑。从“人工判断加关键词匹配”到“知识图谱加大语言模型推理”，金融分类的精度、效率和可维护性都有望实现质的提升。本文所讨论的DKIP方法论，通过将LLM的语义理解能力锚定于结构化的知识图谱之上，在发挥AI灵活性的同时施加了“硬约束”，有效应对了大语言模型在高精度分类任务中的幻觉风险。一方面，这一框架为新型电力系统这一跨领域产业的金融量化表达提供了可行的技术路径；另一方面，其核心架构具有广泛的可迁移性，在ESG合规、绿色金融目录分类和其他政策驱动型金融产品领域均有潜在的应用空间。展望未来，随着模型推理效率的持续优化、知识图谱与实时数据源的深度融合，复合AI系统有望成为金融行业基础设施的重要组成部分，推动金融分类从“静态规则”向“动态智能”的全面升级。

相关文章：