“逐鹿”Alpha专题报告（十五）：基于领域知识生成的基本面因子挖掘框架
本报告提出基于领域知识结合遗传规划和枚举法的基本面因子挖掘框架，通过进化算法快速生成因子领域知识，批量构造并筛选有效基本面和估值因子。利用2010-2019年样本数据，针对沪深市场因子IC及相关性进行检验，获得多组表现优异的多空因子组合，展现良好的收益特征和风险控制能力，为股票量化因子挖掘提供系统思路与实践路径 [page::0][page::2][page::3][page::6][page::20].
金融研报AI分析
各板块业绩预告历史上偏离实际值有多大？“基本面量化”系列思考之六
本报告重点分析了不同板块业绩预告披露细则差异及其历史准确性，发现创业板业绩预告披露率最高且相对准确，但普遍有约2%的增速高估；结合创业板分行业增速变化，TMT及医药等行业表现较好；进一步通过中信一级行业聚类归类为7大板块，并跟踪各板块及重点行业基本面趋势和业绩预测，指导投资判断[page::0][page::4][page::5][page::6][page::7][page::9][page::12][page::13]
中国处于普林格周期第六阶段，黄金国债超配——资产因子与股债配置策略 2 月
本报告通过构建宏观因子、全球资产因子及基于改进普林格周期的资产配置模型，结合国内外债券久期择时策略和A股上市公司业绩跟踪，实现跨资产与多因子协同配置。当前中国经济处于普林格周期第六阶段，建议超配黄金和国债。中债久期择时策略表现优于基准，美债策略建议切换现金持有。股市方面，三大指数业绩超预期回落，建议精选受益于中国经济内生增长的结构性个股。风险平价策略及普林格周期轮动策略均展现稳健收益与较低回撤特征。[page::0][page::3][page::6][page::10][page::11][page::12][page::15][page::17]
看好下游消费和TMT行业的相对收益基本面量化模型跟踪 2023年6月
本报告基于剩余收益模型和自下而上的分析师预期，结合三大经济周期判断A股盈利趋势，预测2023年二季度万得全A和非金融ROE分别为7.95%和7.06%，行业配置聚焦食品饮料、传媒、计算机和国防军工四个高景气度行业，结合拥挤度及机构调研数据支持当前行业轮动配置建议，强调量化模型可能失效风险 [page::1][page::5][page::10][page::12][page::23][page::32]
中国经济企稳信号明确，警惕海外风险——资产因子与股债配置策略 8 月
本报告通过构建跨市场宏观因子体系，结合资产风险平价策略与普林格周期配置，分析中国经济企稳信号与海外风险态势。报告指出当前中国经济处于普林格周期阶段二，建议配置股票，债市方面建议三季度切换至长久期进攻组合。上市公司业绩虽整体超预期偏弱，但结构性机会显现，改进版普林格周期战术资产轮动策略过去7年年化收益近20%，表现稳健 [page::0][page::3][page::10][page::11][page::12][page::17]。
配对交易 2013 第 21 期.统计
本报告总结了2013年第21期配对交易操作情况，详列买入和卖出股票及ETF的价格变动，计算理论收益为1.881%，产品累计收益达到约15.55%，体现配对交易策略的持续盈利能力[page::0][page::1]。
量化基本面深度专题：如何提前预测商誉减值大拐点？
本报告系统分析了创业板商誉减值的构成与来源，结合外延并购与业绩承诺完成情况，建模预测2018-2020年商誉减值走势，测算结果显示2018年商誉减值略增至135亿，2019年后逐年下降，提示商誉减值风险逐步释放，为投资者识别并购相关风险提供量化工具[page::0][page::3][page::11][page::14]。
基金自购行为量化分析量化择时第5期
本报告系统量化分析了基金自购行为的演变及其对基金净值的影响。自2013年以来，基金管理人自购次数和参与公司数持续增长，自购行为多集中于市场调整期。主动权益型基金自购次数居首，自购公告后主动权益型和ETF基金净值短期内均显著反弹，固收+及纯债基金表现稳定硬朗。此外，基金自购在注入市场流动性、提振投资者信心和引导价值投资方面具有积极作用，显示基金管理人对市场的乐观预期，有望推动A股市场逐步修复 [page::1][page::2][page::6][page::11][page::12][page::7][page::4]。
如何解读陆股通资金？—基于陆股通数据的择时与选股模型
本报告系统分析陆股通资金的持仓特点与动态行为，通过二阶矩视角创新构建择时模型，实现资金异动的稳健识别，提升择时收益和风险控制能力。同时，基于“净流入占比”构建量化选股因子，成功应用于沪深300增强组合，实现显著超额收益和高信息比率。报告结合多个量化回测案例与图表，验证模型有效性，为外资行为研究与量化投资策略提供理论及实操参考[page::0][page::4][page::7][page::15][page::17]
中信建投一致预期因子体系搭建：——因子深度研究系列
本报告基于分析师预期数据，发掘影响分析师预测偏度的关键因素（如市值、行业、财务指标、换手率等），提出基于残差偏度加权的分析师预期因子构建方法，并辅以业绩预告和快报信息提升预测准确性。实证测试显示，中信建投算法构建的一致预期因子在年化收益、夏普比率及最大回撤等指标上优于朝阳永续算法，因子有效性经过多元回归验证，覆盖度和时效性分析也印证数据质量。[page::0][page::8][page::13][page::23][page::27]
因子深度研究系列：市值因子择时
本报告围绕市值因子择时展开，采用逐步回归法及精选宏观变量和市场指标（房地产开发投资、CPI、PPI、沪深300涨跌幅、中证500涨跌幅、波动率、收益区分度及12月效应）挖掘稳定解释变量。精选变量方法相比逐步回归明显提升市值因子年化收益率至27.70%，信息比率1.26，且最大回撤显著降低，胜率提升至69.88%。结果显示，结合宏观与市场因子择时能有效捕捉市值因子风格切换，增强因子收益和降低风险 [page::0][page::3][page::4][page::5][page::6][page::13][page::14]
重要指数成分调整事件效应回顾及 2022 年12 月调整名单预测
本报告系统回顾了2011年以来沪深300、中证500、上证180和上证50四大重要指数的定期成分调整事件效应，展示了纳入和剔除样本在调整日前后的超额收益表现及多空组合收益走势，结合最新的被动指数基金跟踪规模变化，预测了2022年12月重要指数的调整名单，为投资者提供事件驱动交易机会参考 [page::0][page::2][page::3][page::7][page::8][page::9][page::10]。
家电行业量化基本面择时策略研究
本报告系统分析家电行业基本面与盈利影响因素，构建基于销量、价格和成本的量化营业利润估算模型，开发多空量化择时策略，对白电、黑电、小家电和厨电四个子行业实证回测，白色家电年化收益率高达20.48%，展示出量化基本面择时的投资价值与盈利潜力 [page::0][page::8][page::33][page::34][page::35][page::46]
基于历史波动率和 VIX 指数的择时研究
本报告基于沪深 300 期权计算的历史波动率与 VIX 指数，研究了市场波动率对股票风格及行业因子未来收益的预测能力。结果显示，市场因子月度波动率与下期收益显著负相关，大部分风格因子收益与波动率负相关，同时行业间相关性分布均衡。VIX 指数与因子收益存在一定相关性，且以VIX与63日均线构建的市场风险状态划分，表明风险下行时市场因子表现优异，行业及风格因子收益表现分化，为量化择时提供了有效参考 [page::0][page::6][page::13][page::22]。
证券研究报告·量化深度FOF 投资量化策略 --基于机器学习
本文基于机器学习分类模型（包括逻辑回归、支持向量机、随机森林、集成分类器和人工神经网络）预测股票型和偏股型基金未来收益为正的概率，作为FOF基金组合的选股信号。研究结合了基金净值基特征、多维另类数据、CNE7因子暴露度和基金规模等72个特征变量。结果显示模型输出的预测概率与基金下季度收益率显著正相关，其中人工神经网络表现最佳，能学习到动量效应并实现一定超额收益。尽管如此，除人工神经网络外其它模型的超额收益不显著，动量策略仍具备较强竞争力。去除动量因子后，人工神经网络预测能力和超额收益大幅下降，进一步验证动量效应是基金投资的有效信号。后续研究建议通过特征降维和深度学习模型提升绩效 [page::0][page::3][page::11][page::24][page::31][page::34]
全球增长上行，普林格周期维持阶段六不变——资产因子与股债配置策略 10 月
本报告基于全球及国内宏观因子构建资产因子体系，评估全球增长反弹和国内金融条件宽松态势，结合改进版普林格周期模型确认经济处于阶段六，建议重点配置债券，警惕黄金调整风险。风险平价模型展现稳健收益，久期择时策略推荐长久期债券持仓，股票市场因业绩超预期因子低于历史均值，精选结构性机会。本报告为投资配置提供多维度量化指导，兼顾股债商品多资产平衡 [page::0][page::3][page::6][page::10][page::11][page::12][page::16][page::17]
“逐鹿”Alpha 专题报告 （十三）——基于openFE 的基本面因子挖掘框架
本报告介绍了基于openFE框架的基本面因子挖掘方法，通过对三大财务报表数据进行结构化排列组合，构建出约70万个合成因子，并采用两步筛选法选出表现优异的因子。实证显示动量、市值和行业因子最为重要，估值及成长因子表现较好，质量因子表现一般。基于精选因子构建的月频LGBM选股模型，在回测区间实现年化超额收益21%，夏普比率1.19，且策略在中证500和中证1000指数成分股中表现优异[page::0][page::3][page::6][page::8][page::11].
宏观因子行业轮动体系 主观与量化结合新尝试
报告系统地研究了基于普林格周期和宏观变量的两类行业轮动建模方法，分别采用经济周期占优行业配置和宏观变量回归（及分类）模型进行行业预期收益预测。普林格周期方法在2023年样本外实现了11.3%的超额收益，而基于宏观变量回归模型通过逐步回归筛选变量，构建行业超额收益率预期因子，多头年化超额达到14.11%；分类模型采用逻辑回归+L1惩罚实现变量选择，多头年化超额收益13.53%。参数敏感度分析确定了最佳模型参数，回测显示稳定收益和较好风险控制能力。两种建模体系均在A股市场验证，实现行业轮动与配置优化的有力支持 [page::0][page::3][page::4][page::7][page::9][page::19][page::20][page::24]
证券研究报告量化策略简评 SIR传染病模型
本报告围绕SIR传染病模型展开，介绍SI、SIS及SIR三类经典传染病模型，通过模型的微分方程描述了感染、康复及移除过程，并结合具体参数进行了疫情传播的模拟预测。实证部分指出传染人数将在21天峰值后下降，较好地展示了疫情传播趋势。报告还警示模型参数估计及过拟合风险，强调模型作为疫情预测的辅助工具的局限性[page::0][page::6][page::12][page::19][page::21]。
钢铁行业基本面量化择时策略 —行业基本面量化系列
本报告深入分析钢铁行业基本面和产业链结构，基于钢铁价格与利润价差构建量化择时策略，验证其对普钢和钢铁板块有效性，提出年化收益高于大盘表现的结论。重点指出钢价对行业ROE的高度相关性及下游房地产、基建投资对钢铁需求影响。[page::0][page::11][page::19][page::22][page::25]
