深度学习算法掘金 ALPHA 因子
本报告基于深度学习构建股价预测模型，利用高频市场数据训练深度神经网络预测中证800股票短期涨跌，构造Alpha因子并设计多因子交易策略。实证显示，深度学习因子在选股和收益率上优于传统因子，100只股票组合回测年化收益超过15%，且对冲策略显著降低回撤，具有较强的市场适用性和稳定性[page::0][page::4][page::16][page::20][page::25]。
金融研报AI分析
金融工程：成交活跃，ETF 大幅流入 A 股量化择时研究报告
本报告基于2024年9月30日至10月11日数据，深入分析A股市场结构表现、行业涨跌、估值水平及市场情绪指标。科创50指数涨幅达21.47%，ETF资金流入达2423亿元，融资余额五日内增长2126.2亿元，显示成交活跃。风险溢价虽下降但仍处合理区间，市场估值整体偏低，宽松货币周期延续。细分行业中电子、计算机表现优异，煤炭等受挫。宏观因子与市场走势紧密关联，基金仓位整体维持高位，ETF细分主题资金流向差异显著。量化择时模型具有一定预测能力，但模型风险和结构性变化需关注[page::0][page::3][page::5][page::10][page::14][page::20]。
基于网络舆情的 指数轮动策略 研究——互联网大数据挖掘系列专题之（十二）
本报告基于互联网非传统金融数据中的舆情搜索指数，研究了大小盘指数间舆情变化率与收益率的正相关关系，构建了基于舆情变化率的指数轮动策略。主要对上证50-中证500和沪深300-中证500两组指数对进行轮动实证，结果显示舆情指数领先行情表现，策略年化收益率分别达到29.35%和15.84%，信息比率分别为1.80和1.48，表现优于传统动量策略，有效抓住大小盘风格切换带来的机会。[page::0][page::11][page::13][page::15][page::17]
基于卷积神经网络的股价走势AI 识别与分类
本报告提出基于卷积神经网络（CNN）对标准化价量数据图表进行建模，预测未来股价走势，克服传统时序模型识别形态的不足。构建了I20R20、I20R5因子，覆盖全市场及多个子板块，实证回测显示因子具有显著分档收益和超额年化收益，证明图表化价量数据的形态特征对股价预测有较强作用。该策略具有潜在失效风险，需关注市场环境变化 [page::0][page::5][page::12][page::16][page::20][page::36]。
量化视角下的 FOF 组合构建——不同投资目标下的组合策略及业绩跟踪
本报告以量化视角系统构建FOF组合，结合战略资产配置模型与战术动态调整，针对不同投资目标设计FOF组合1至4号。通过多维度因子构建主动型权益和纯债基金组合，以及场内被动型权益基金组合，实现组合风险收益的精细化管理。回测显示各组合均较好实现预期目标且产生积极超额收益，为FOF构建提供实用参考 [page::0][page::10][page::90]。
岁末年初的事件 驱动投资机会
本报告系统梳理了岁末年初五类事件驱动投资机会，包括指数成分股调整效应、年报披露时间大幅提前、长期不出公告、分析师调研以及发布更正补充公告。各类事件的平均超额收益及其历史表现详细量化，提供明确的投资时间窗口和策略收益表现，为事件驱动策略提供量化依据和实证支持[page::0][page::3][page::6][page::7][page::8][page::9]。
继续关注盈利风格，关注成长风格或切换 ——A 股量化风格报告
报告基于Wind数据回顾2019年11月A股量化风格，盈利风格依然有效且资金流向支持，中小盘和创业板资金流入，成长风格失效加剧，价值风格有复苏迹象。钢铁、建材行业盈利及价值风格尤为显著。量化风格日历效应显示四季度盈利与价值风格延续惯性。基于资金流和宏观事件，推荐重点配置高ROA、低容量比风格及绩优蓝筹趋势策略，策略自2017年起年化超额收益达11.4%[page::0][page::3][page::4][page::9][page::16][page::19][page::20]
金融工程：量化风格——货币宽松趋势延续，继续关注成长风格
本报告回顾2020年7月A股市场量化风格表现，成长风格优于价值，小盘优于大盘，资金流向表明融资与北上资金持续流入。基于宏观经济复苏与货币宽松背景，成长风格有望延续。报告结合日历效应、风格分化度、资金流及估值指标，提出短期警惕价值风格修复机会，但成长趋势未变。推荐关注高成长、低成交量风格组合，并展示绩优蓝筹风格趋势策略的稳健表现 [page::0][page::3][page::9][page::11][page::19]。
金融工程：风险溢价补偿上升 A 股量化择时研究报告
报告综合量化择时模型、市场估值、行业表现及市场情绪等多维度数据分析A股市场，指出权益资产相对无风险资产的风险溢价处于较高水平，估值处于历史中低位，基金仓位略有提升，同时量化择时模型显示部分指数短期偏空，综合判断市场或维持震荡向上趋势 [page::0][page::5][page::21]。
基于多期限的选股策略研究
本文基于非对称信息市场模型，构建结合动量与反转效应的多期限均线选股因子，并进一步提出延迟性更低的LLT趋势因子以提升选股表现。实证涵盖2009-2017年，使用全市场及中证500等多标的，结果显示LLT因子策略信息比率与收益均优于传统均线策略，能稳定捕捉股票收益特征，支持多空对冲构建组合以降低风险[page::3][page::8][page::24][page::30][page::32][page::38][page::43]。
宏观视角下的风格轮动探讨 ——多因子 Alpha 系列报告之（三十五）
本报告基于宏观因子与风格因子的关系，构建宏观事件驱动与宏观趋势匹配两大风格轮动策略，并整合成综合策略，以捕获A股风格轮动的历史规律。宏观事件驱动策略回测显示累计超额收益346.59%，胜率66.44%；宏观趋势匹配策略最大回撤显著较小，综合策略进一步提升稳定性和收益，2018年4月最新推荐具体风格因子配置，有效指导风格轮动投资 [page::0][page::3][page::14][page::23][page::25][page::26]
双重相似性匹配 量化选股SMIP 策略 ——相似性匹配量化模型研究之三
本报告提出并实证了“SMIP”双重相似性匹配量化选股策略。该策略通过第一重匹配市场环境找到历史相似时期，再进行第二重匹配选出与该时期牛股特征相似的当前股票，构建组合。回测覆盖2011年1月至2012年10月，结果显示该模型在不同组合规模下均获得显著超额收益，且可有效增强沪深300和中证800指数收益，风险调整后表现稳健，为指数增强提供新思路 [page::0][page::8][page::9][page::10][page::11][page::12]。
金融工程：哪些指数的长期收益率逼近高峰时段（二）
本报告基于Wind数据，系统梳理了指数类基金产品及其跟踪指数的发展情况，重点分析了指数的超卖指标（K值）及其对应的长期持有收益。数据显示，2022年4月底约65%的指数处于超卖区域，宽基指数、主题指数和行业指数分别有较高比例处于该区域。长期持有处于超卖区域的指数，尤其是K值小于20时，3年年化收益平均值可达18.3%，其中核心宽基指数如沪深300等表现突出，行业主题多集中于医药及消费。指数类基金产品规模增长迅速，竞争格局围绕细分行业展开，正逐渐提供丰富的配置选择，且产品丰富度已接近主动权益基金。超卖指标在周期性判断中适用性较强，但作为调仓选基因子仍需优化调整 [page::0][page::3][page::10][page::12][page::16]
金融工程：量化风格—风险偏好下降，价值风格继续修复
本报告系统回顾了2020年11月中国A股市场的量化风格表现，结合历史风格季节性特征和资金流向，指出风险偏好下降推动绩优蓝筹价值风格修复。报告基于Wind数据，揭示估值、资金流和宏观事件对风格演变的影响，并回测了沪深300绩优蓝筹风格趋势策略，显示稳健的超额收益和信息比。[page::0][page::3][page::8][page::16]
宏观因子到资产价格传导路径的定量研究
报告基于美林投资时钟理论，结合宏观与中观因子构建资产收益预测模型，定量预测股票、债券、商品三类大类资产收益并制定配置策略。通过因子领先期和公布滞后期分类，采用高频因子对非高频因子进行再预测，提升模型准确性。回测显示，单资产及多资产组合策略均显著优于基准，能够有效避开重要下跌周期且收益稳定。此外，报告系统分析了宏观因子对资产价格的传导路径，分别详述“复苏阶段对应股票”、“过热阶段对应商品”及“滞胀到衰退阶段对应债券”的传导机制，为量化资产配置提供理论和实证支持[page::0][page::3][page::6][page::17][page::20]。
金融工程：A股量化风格——资金流向趋同，小盘反转增强
本报告基于历史数据和多维度量化分析，揭示了2020年3月A股市场风格切换趋势。资金流显示小盘股反转风格持续增强，价值风格逐步复苏，盈利成长风格失效。日历效应和分化度指标均支持小盘反转与价值风格占优。结合资金流向、估值水平及宏观事件预测，推荐投资者关注小盘反转和价值风格组合。同时，报告回顾绩优蓝筹趋势策略，显示该策略具备稳定超额收益和较好风险控制能力 [page::0][page::3][page::9][page::11][page::14][page::20][page::21]
风险中性的深度学习选股策略
本报告提出了一种基于深度学习的风险中性选股策略，通过构建行业和市值中性化的机器学习模型，剥离风险因子影响，提升选股的独立alpha能力。模型以156个因子和28个行业哑变量为输入，采用5层深度神经网络结构对股票涨跌进行三分类预测。风险中性模型在2011年至2018年回测期间实现了年化收益率21.95%、最大回撤-5.03%、信息比2.92，显著优于普通深度学习模型的表现，并且大幅降低了因子与市值的相关性，实现了策略表现的有效多样化[page::0][page::3][page::11][page::19][page::25][page::31]。
继续推荐商品趋势策略——2018年CTA产品与策略展望
报告分析了2017年国内CTA产品整体表现平淡，2018年发行数量及规模预计难以提升。股指期货流动性不足，短线策略难以执行，中长期趋势跟踪策略待波动率提升。大宗商品作为CTA主战场，2017年波动率较低但价格偏高，2018年预期波动率上升，有助趋势交易，并辅以跨品种套利分散风险。国债期货流动性较弱，长期趋势跟踪仍具价值，跨品种套利可分散风险。整体判断CTA仍为绝对收益可行方案[page::0][page::4][page::7][page::9][page::11][page::13][page::15][page::17][page::20][page::24][page::27][page::31]
CTA 发展历程与中国机会
本报告系统回顾了CTA基金的发展历程及其逆周期收益特征，重点分析了美国及亚洲市场（日本、台湾）CTA基金的发展背景和业绩，借鉴Man集团旗下三大基金AHL、GLG和多管理基金的成功经验，提出构建符合中国国情的CTA基金模式，建议适时推出商品期货基金以对冲经济放缓与通胀风险，并强调风险管理和专业团队建设的重要性 [page::0][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::11][page::13]。
金融工程 ——基于宏观超预期事件的行业配置策略
本报告基于宏观经济指标的预期差，定义宏观超、低预期事件，构建事件驱动型行业轮动策略，利用宏观超预期对行业指数的短期影响，通过组合多个事件实现稳健超额收益。策略取得21.67%的年化收益率，夏普比率0.94，显著领先行业等权基准，验证了宏观预期差对行业配置的有效指导作用，为量化行业优选提供创新思路 [page::0][page::10][page::20][page::24]
