金融工程高智威丨ETF投资宝典之一：热点概念相关ETF的自动匹配与对比

被动投资时代需要更方便的指数检索方式

2021年以来，跟踪行业、主题类指数的被动指数基金迎来了爆发式的发行。除了产品数量的急剧增加，同行业类别行业指数更是层出不穷，增加了被动指数产品的筛选难度。传统的指数筛选方式，可以通过关键词搜索指数名称、计算成分股行业占比的方法完成，但由于关键词难以穷举、行业概念可能较为抽象、行业概念与常见行业分类难以一一对应的问题，进行目标行业概念指数的检索仍然较为繁琐。借助大语言模型的逻辑推理能力，可以为我们提供更为便捷的指数检索方式。

大语言模型在筛选行业概念指数中的应用

为了便于搜寻目标概念的指数及对应的被动指数基金产品，我们利用大语言模型，结合指数要素（名称及编制方式）、指数成分股信息、个股主营业务描述信息进行综合判断，输入目标概念名称即可自动获取概念指数清单及指数概念含量，为投资者提供投资参考。

首先，我们利用指数的名称及编制方式，让大语言模型对市场中的众多股票指数进行判别，初步筛选概念指数池。然后，我们根据初选指数池的成分股，结合定期报告中对上市公司主营业务的介绍，对成分股逐一进行概念股的判别。最终根据各指数中概念股的占比，筛选出行业概念占比最高的指数。

这种筛选方法不需要通过固定的行业关键词进行判断，可以自行定义概念股筛选标准，能够调用大语言模型的API接口及python编程，实现指数的自动化筛选，提高投研生产力。

部分热门行业概念被动指数比较

基于上述方法，我们筛选出新兴消费、芯片、苹果产业链、创新药、新能源车、光伏等行业概念指数，这些行业概念均能够搜索出较多的同类指数，我们从指数编制方式、指数成分股构成、历史业绩表现、挂钩的被动指数基金产品情况对各行业概念指数进行对比分析。