金融研报AI分析

启航新征程·国泰海通2026年度策略会

本报告为国泰海通证券2026年度策略会议精彩花絮，主要回顾了策略会的主要活动与主题交流，未包含具体量化投资策略或行业深度分析内容，突出展示了会议现场氛围和研究团队交流互动，为投资者了解公司年度策略会议动态提供参考[paget::0][page::1][page::4]

From Patterns to Predictions: A Shapelet-Based Framework for Directional Forecasting in Noisy Financial Markets

本论文提出一种结合选择性不变多变量模式聚类（SIMPC）和形状基分类网络（JISC-Net）的两阶段框架，用于从噪声金融时间序列中提取可解释的重复模式并进行方向性预测。通过动态时间规整（DTW）技术克服振幅缩放及时间扭曲问题，在比特币及三只标普500股票上的实测结果表明该方法在多个指标中领先传统深度学习和量化模型，显著提升预测准确度和交易表现，同时提升模型透明度，支持人机交互决策分析 [page::0][page::2][page::6][page::7][page::8]。

【东吴金工指数择时月报】基于技术指标的指数仓位调整月报202511

本报告基于量价技术指标信号构建了27个指标的单信号与多信号仓位调整策略，通过信号合成和滚动搜索方法实现指数仓位动态调整。所构建策略在沪深300、中证500、中证1000等宽基指数和多个行业指数上回测，滚动稳健策略年化超额收益率高达3.99%，滚动追涨策略适合风险偏好较高投资者。10月策略在沪深300和中证1000指数均实现正超额收益，稳健体现了技术指标多信号组合的有效性，为指数择时提供了量化支持 [page::0][page::1][page::3][page::6]。

【东吴金工行业轮动月报】从微观出发的五维行业轮动月度跟踪202511

本报告基于东吴金工特色多因子体系，构建了包含波动率、估值、成交量、情绪、动量五维的行业轮动模型，通过多空对冲策略在申万一级行业中取得年化收益21.41%，信息比率1.98，最大回撤13.30%。重点推荐2025年11月持仓行业为农林牧渔、基础化工、医药生物、交通运输和社会服务。情绪因子近期表现突出，模型稳定性和盈利能力均表现良好，具有较高月度胜率与超额收益能力。风险提示涵盖市场变化、单因子波动及数据误差[page::0][page::1][page::3][page::4]。

东吴金工风格轮动月报：从微观出发的风格轮动月度跟踪202511

报告基于东吴金工多因子体系，构建包含640个微观特征的风格择时+打分模型，利用随机森林方法实现风格轮动。回测区间2017年至2025年10月底，策略年化收益16.18%，信息比率0.80，最大回撤仅8.53%。最新风格方向锁定价值、大市值、动量、低波动因子，10月相对基准超额收益1.57%。模型有效捕捉风格变化，适合股票市场风格轮动布局 [page::0][page::1][page::3]

Forecasting Stock Prices from the Limit Order Book using Convolutional Neural Networks

本论文提出利用卷积神经网络（CNN）基于高频限价订单簿数据预测股票中间价走势，包含针对价格和成交量的智能归一化方法。基于芬兰纳斯达克5只股票的450万订单数据训练，CNN较传统支持向量机和多层感知器表现更优，能有效捕捉市场微观结构信息，实现短期价格方向分类 [page::0][page::2][page::4]。

Multi-Agent Design: Optimizing Agents with Better Prompts and Topologies

本文针对多智能体系统(MAS)设计难题，提出了Multi-Agent System Search (Mass)框架，通过交替优化单体代理层面的提示(prompt)以及整体工作流的拓扑结构，有效提升系统性能。实验跨多个复杂任务验证了Mass显著优于现有人工设计和自动设计方法，揭示出提示优化在MAS设计中的关键作用和拓扑设计的影响因素，提出实用设计原则推动未来MAS的高效构建[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10].

Pre-training Time Series Models with Stock Data Customization

本文针对股票数据的独特属性，提出三种定制化预训练任务（股票编码分类、行业分类及移动平均预测），结合两层Transformer架构的SSPT模型，显著提升股票选择的投资收益率和夏普率。通过五大市场多时间段实证验证方法的稳健性，并通过模拟数据分析解释预训练背后的统计特征提取机制，为金融时间序列模型预训练提供新思路及应用指导[page::0][page::1][page::6][page::7][page::8]。

LLM Knows Geometry Better than Algebra: Numerical Understanding of LLM-Based Agents in A Trading Arena

本文提出一种名为Agent Trading Arena的零和虚拟交易游戏，用于检验大型语言模型（LLMs）在动态复杂金融数值环境中的推理能力。实验证明，LLMs在处理纯文本数值数据时表现欠佳，偏向局部细节与代数推理，而在视觉化数值数据（如K线图）上表现显著提升，体现了几何推理优势。结合反思模块，进一步增强模型综合分析复杂数据的能力。基于纳斯达克股票数据的验证表明，视觉数据输入显著改善了LLM的投资表现，展示其在实际金融场景中应用潜力与局限性 [page::0][page::1][page::3][page::4][page::5][page::7]。

Editorial for the special issue on financial econometrics in the age of the digital economy

本文作为《计量经济学杂志》金融计量经济学特刊的编辑导言，综述了数字经济时代金融计量经济学的最新进展，涵盖因子模型、风险测度、波动率建模、资产定价、信息聚合及多维时间序列建模等多个前沿课题。报告强调数字化技术对金融市场结构的深刻影响及金融计量经济学工具在应对大数据、风险监控和高频交易中的核心作用，为后续论文的研究提供框架和动向指引 [page::0][page::1][page::2]。

Using principal component analysis to estimate a high dimensional factor model with high-frequency data

本文提出基于主成分分析（PCA）和双重渐近理论的新型估计方法，用于高频数据下高维因子模型中的因子数量及大规模协方差矩阵的估计。实证显示美股大规模资产的协方差矩阵可用低秩因子结构加稀疏残差矩阵良好刻画，PCA估计器在无监督情况下优于样本协方差估计器，并具备结构解释力和投资组合优化实用价值。[page::0][page::1][page::3][page::5][page::7][page::9]

Generalized aggregation of misspecified models: With an application to asset pricing

本文提出了一种基于广义熵的模型聚合方法，有效应对多个错误指定的资产定价模型的不确定性。方法通过最小化Hellinger距离构建加权聚合随机贴现因子（SDF），在理论上保证了风险界限，并在实证中显著提升了资产定价模型的拟合表现，聚合结果对基准模型选择具有鲁棒性 [page::0][page::2][page::6][page::10][page::14]。

Econometric analysis of multivariate realised QML: Estimation of the covariation of equity prices under asynchronous trading

本文提出了一种多变量实现的拟最大似然（QML）估计方法，用于处理因市场微观结构噪声和非同步交易引起的股价协方差估计难题。利用Kalman滤波与EM算法优化似然函数，新估计量保证正定性、利用全部异步数据且具有一致性和渐近混合正态分布。因子模型版本支持高维资产，且两种估计均达到有效收敛速率。蒙特卡洛模拟与实证研究均显示该方法在估计精度及大尺度资产组合分析中具有优势，尤其在非均衡数据情形下表现突出 [page::0][page::1][page::4][page::6][page::8][page::9][page::11][page::14][page::15]

Asset returns in deep learning methods: An empirical analysis on SSE 50 and CSI 300

本文使用2012至2017年沪深50与沪深300指数的日收益率数据，比较了线性回归、弹性网络（ENet）、主成分回归（PCR）与具有不同隐藏层数的深度神经网络（NN）模型的预测表现。实证发现，深度学习模型并非总优于传统线性模型，且最深的神经网络往往表现欠佳。针对沪深50，单隐层NN1模型在测试集上的预测能力最优，而针对沪深300，双隐层NN2表现最佳。通过结合岭回归正则化与早停技术，有效缓解了过拟合问题。研究强调了适合网络结构和训练策略的重要性，为金融资产收益预测的深度学习应用提供了实证依据。[page::0][page::1][page::6][page::10][page::18][page::19][page::20]

(Machine) learning parameter regions

本文将参数区域的随机采样描述问题构造成监督机器学习问题，利用误分类误差和统计学习理论的VC维度等工具，明确了参数区域学习的可行性条件和样本复杂度界限。引入学习最紧包络区间的松弛定义，限定采样分布以获取工整可用的采样量建议。应用于SVAR模型，定量说明了所需抽样数量的理论上下界及其实用性，帮助宏观计量学中的非全识别模型构造置信区间和后验密度集的有效数值近似 [page::0][page::1][page::2][page::3][page::4][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16]

The application of improved physics-informed neural network (IPINN) method in finance

本论文提出了改进的物理信息神经网络（IPINN）方法，通过引入局部自适应激活函数，提升了传统PINN在求解金融偏微分方程中的性能。IPINN方法成功应用于Ivancevic期权定价模型与黑-舒尔斯模型，获得了金融中的流氓波和孤子解及欧式期权的数值解。数值实验表明，IPINN收敛速度更快，精度更高，且学习效果优于传统PINN方法，为金融PDE求解提供了有效工具[page::0][page::1][page::3][page::4][page::11]。

Kolmogorov–Arnold Finance-Informed Neural Network in Option Pricing

本论文提出KAFIN框架，将Kolmogorov-Arnold表征理论整合进Finance-Informed Neural Networks（FINNs），以优化欧式期权定价中的神经网络建模。通过基于Black–Scholes PDE的金融约束损失函数，KAFIN在生成的金融规则数据上进行训练。实验证明，KAFIN在定价准确性、残差误差及收敛速度上均显著优于四种主流FINN基线方法，表明其在捕捉复杂金融动态及保证训练稳定性方面具有优势[page::0][page::9][page::14][page::18][page::23][page::25]。