本报告提出基于滚动经济回撤(REDD)的动态资产配置策略REDD-COPS，通过对风险资产进行动态调仓实现投资组合的回撤控制与收益最大化。研究使用标准普尔500指数、美国长期国债指数及大宗商品指数作为风险资产，结合无风险资产，在多周期回测中显示REDD-COPS显著优于传统资产配置组合，尤其在控制最大回撤和提升风险调整收益方面效果突出。回撤控制机制通过动态调整资产权重，有效应对市场波动，适合长周期投资管理场景[page::0][page::6][page::14][page::16][page::17]。
本文基于经典资产定价理论，构建了个股 alpha 与行业 beta 耦合模型，动态权衡个股内生特性与行业暴露，以实现双驱动选股策略。通过构建盈利、估值、技术面三维个股评价模型(alpha)和资金面、情绪面行业评价模型(beta)，结合个股相对行业弹性调整权重，实现个股综合评分。回测结果显示，双驱策略2022年11月优选50等权组合年化收益31.0%，超额收益显著，夏普比率达1.06，风险更低且换手适中，权重优化进一步提升策略表现。[page::0][page::16][page::27][page::29][page::34]
本报告基于标准普尔1500美股样本，构建了一个直接现金流模板，创新性地拆分经营、融资、税收及非经营现金流，发现直接现金流计量方法明显优于间接现金流法和传统利润指标在预测股票收益率的表现。通过Fama-MacBeth和Fama-French三因子及五因子模型的回归稳健性检验，确认现金流指标的多空组合收益显著为正，信息比率较高，且税收和资本支出提供增量预测信息。行业中性测试和不同持有期分析均支持结论，表明现金流类指标对估值和投资决策更具指导意义 [page::0][page::3][page::6][page::9][page::11][page::13][page::15][page::17][page::18]
本文研究了美国ETF资金流动的三个驱动部分：需求驱动、套利驱动和预期外流量，发现预期外流量能显著预测第二天ETF收益，并与次日新闻相关，说明知情交易者通过一级市场申购赎回ETF份额进行套利获利；构建的基于预期外流量的策略也展现出显著的超额收益与正阿尔法，风险调整后表现优异，国内ETF市场信息研究仍不足，值得关注[page::0][page::3][page::8][page::11][page::12][page::13].
报告区分了两组宏观经济变量：五个宏观经济风险因子与四个宏观经济状态变量，前者为风险的主要来源，后者为预期回报的长期驱动。研究表明，均衡配置宏观风险因子可实现一定分散，但经济环境差时回撤较大；而宏观经济状态变量组合则展现更强的上行潜力和风险回报表现，策略基于因子风险平价方法构建并结合MS-VAR进行动态调整，有效提升组合稳定性和风险调整收益[page::0][page::20][page::18].
本报告通过对美国股市1963-2019年数据实证发现，股票成交量与错误定价呈现放大效应：在被低估股票中，成交量与预期收益正相关；在被高估股票中，二者呈反向关系，错误定价主要集中于高成交量股票。同时，成交量放大效应稳健于多种错误定价指标和控制变量，且持续时间可达两年，表明成交量和错误定价结合能够更有效识别投资机会。[page::0][page::3][page::5][page::9][page::18]
本报告基于“Betting against noisy beta”研究，聚焦债券基金与股票基金资金流动引入的定价噪音对高贝塔股票的影响，发现市场情绪高涨时，个人投资者资金流入风险资产导致高贝塔股票被高估，随后产生显著反转。设计的基于资金流信号的动态BAB策略显著优于市场因子和静态BAB策略，风险调整后alpha表现优异，验证定价噪音对BAB因子收益的重要影响，为量化多因子策略提供新视角和实证支持 [page::0][page::3][page::8][page::9][page::10][page::11]
本文提出将传统市场贝塔分解为四个半贝塔，揭示出与负市场收益相关的两种半贝塔（βN和βM-）显著预测未来收益且具有风险溢价，而与正市场收益相关的半贝塔不具显著定价能力。基于高频日内数据的实证研究显示，日度半贝塔具有更强的预测能力。多空半贝塔策略的年化超额收益达8.17%，夏普比率0.92，显著优于传统贝塔和下行贝塔策略。考虑交易成本和部分调仓策略后，半贝塔策略依旧表现稳健，统计和经济意义显著，强调半贝塔在风险定价和量化选股中的潜力。[page::0][page::5][page::8][page::13][page::15][page::19]
本报告提出深度动量网络（DMN），结合深度神经网络和传统时间序列动量策略波动率缩放框架，直接输出交易头寸。通过对88份连续期货合约1990-2015年数据回测，LSTM架构下基于夏普比率优化的模型展现出最佳风险调整后表现，显著优于传统动量基准和其他机器学习模型。引入换手率正则化有效应对高交易成本环境，显示该模型适合流动性较强资产交易，为时间序列动量策略创新提供新路径 [page::0][page::3][page::5][page::8][page::10][page::11][page::12][page::13][page::15][page::16][page::18]
报告基于市场情绪、估值盈利、资金面、风格、日历效应及公募基金持仓多维度分析，指出2021年一季度A股将呈宽幅震荡态势，顺周期板块或有结构性行情。情绪指标及换手率处历史低位，市场风险预警指数显示风险可控；大盘及创业板估值高但盈利稳步回升，中小成长估值中游。短期看好低估值反弹，长期偏好成长、低波动、低换手风格，小市值表现承压。资金面北向资金震荡，两融余额增速放缓，IPO加速增加短期压力。公募基金抱团弱化，中游制造受青睐，医药降温。A股存在明显日历效应，建议11月关注中小盘成长，12月关注大盘蓝筹，一季度春节行情明显 [page::0][page::4][page::22].
本报告提出RSAP-DFM，一种基于连续状态的动态因子模型，通过双重状态转换和对抗学习后验因子构建，显著提升了股票收益预测的准确性和模型鲁棒性。模型采用多头注意力机制自动提取连续宏观经济信息并映射股票收益，实证显示其在中国A股市场优于多种先进基线模型，并带来更佳的投资多空策略回报和风险调整收益[page::0][page::11][page::15][page::16]。
本报告提出基于深度强化学习的投资组合管理框架，结合对比学习和奖励平滑技术提升智能体在面对不确定资产价格走势时的泛化和稳健性。通过在美国股市和加密货币市场实证，模型相较传统和其他DL方法表现出更高的投资组合价值与夏普比率，尤其在下跌市场中平滑奖励发挥正则化作用，有效减少过拟合和波动风险。消融研究及与TS2VEC的比较进一步验证了对比学习与奖励平滑的协同效益 [page::0][page::4][page::12][page::14]。
本报告研究动量价差比率（MSR）指标对动量因子表现的预测能力。实证发现MSR在股票层面显著负向预测传统动量、行业动量和残差动量，控制Fama-French因子后仍显著，表明动量效应部分源于行为偏差。1994年后长期动量表现减弱，MSR依然具备预测能力，反映投资者对部分套利机会利用的不充分性，为动量因子择时提供新方法 [page::0][page::4][page::9][page::12][page::17]
本文提出通过资产集群性和相对价值指标识别拥挤交易引发的泡沫阶段，实现对板块轮动与因子择时的策略优化。研究表明，集群性高且相对价值未被高估的板块或因子组合处于泡沫累积期，表现优异；相反，被高估的集群性高组，则表现较差。基于此构建的投资组合在美国及其他主要股票市场均实现显著超额收益，因子择时策略年化超额收益达到6.3%，显著优于静态因子组合。核心方法及回测结果详见关键图表，验证了指标在实务中的有效性[page::0][page::3][page::8][page::10][page::11][page::12]。
本报告研究了美国权益主动基金的交易频率和主动份额对基金业绩的影响，发现高主动份额且持仓时长长的“耐心”基金能平均每年获得约2%的超额Alpha，而高主动但频繁交易的基金绩效显著较差。采用五因子和七因子模型验证，持仓时长和主动份额共同决定基金的超额收益。结果表明，耐心且高度主动的基金经理通过投资于高质量、低贝塔、价值型且被其他投资者回避的股票实现业绩超越基准，强调主动管理中“耐心”策略的重要性 [page::0][page::3][page::6][page::7][page::10][page::12]。
本报告基于高频分钟成交额数据，构建尾盘20分钟成交额占比因子APL_20，通过强中性化处理并结合指数加权移动平均法，展现出年化23.1%的超额收益率与显著的预测能力。尾盘成交额占比因子在沪深300及中证500指数内均表现良好，同时结合分钟成交额自相关性因子加强空头排雷，进一步提升收益表现，揭示日内成交额分布中的有效Alpha信号，为高频量化选股提供新路径 [page::0][page::6][page::8][page::11][page::13][page::21][page::22]
本报告基于盈利和估值视角，结合经济、通胀、利率三维度构建了涵盖大类板块的轮动策略框架，提出“华安投资时钟”，通过盈利敏感性和估值择时信号的融合，确立板块驱动属性判断机制，实现稳定的行业轮动收益。回测显示，融合策略自2009年以来年化超额收益达12.29%，月度超额胜率65.97%，进一步改进后年化超额收益提升至15.14%，表现优异，证明行业轮动在A股结构性行情中具备确定性投资机会 [page::0][page::6][page::16][page::21][page::23][page::26][page::27]
本报告基于行为金融理论，研究分析师反应不足指标APU及其与动量策略的关系。APU通过两步回归方法构建，能显著预测股票横截面收益且不能被传统动量因子解释。此外，作者构建了反应不足因子GMB，显著优于传统动量因子，提升了对收益预测的解释力，验证了基本面投资者反应不足驱动动量效应的假设[page::0][page::3][page::5][page::6][page::14][page::16][page::17]
本报告提出基于谱残差因子分布预测的投资组合优化策略，利用PCA快速提取对市场因子对冲后残差信息，结合两种结构设计的神经网络进行残差分布预测，并依据分布构建最优零投资组合。实证基于美日市场回测显示该方法显著提升夏普比率与累计收益，同时谱残差计算效率大幅优于因子分析方法，验证了该深度学习架构在捕捉金融归纳偏差和投资组合风险调整收益上的有效性 [page::0][page::3][page::6][page::8][page::11][page::12][page::14]。
本报告提出基于未分配利润变动、ROE与杠杆率的企业现金分红模型，构建高频“理论分红”估计方法，形成TD/M量化因子。该因子在全A及不同指数领域均展现较强预测能力，且分域模型对生命周期和行业特征的区分进一步增强了因子的稳定性和有效性。指增策略在多个指数中获得稳健的超额收益，成功兼顾了短期股东回报与企业长期价值创造 [page::0][page::7][page::10][page::15][page::18][page::23][page::29][page::30]
