技术分析框架下的利率择时和久期轮动策略
本报告基于45个仅使用收盘价的经典技术指标，对利率数据进行技术分析择时，优化技术指标参数以提升择时效果，筛选出11个最有效指标应用于中债国债指数，采用多维度信号众数方法构建多空择时策略，显著优于买入持有策略。结合这些指标，设计了久期轮动策略，在样本外表现优异，风险和收益保持较好平衡，具有实际投资应用价值 [page::0][page::1][page::2][page::3][page::4][page::5]。
金融研报AI分析
【广发金融工程】精选量化研究系列之八：深度学习框架下高频数据因子挖掘
本报告基于高频价量数据，采用深度学习模型提取日频化因子特征，并通过截面回归进行特征组合选股测试。实证显示，深度学习因子及其组合具备较高的IC值，特征组合模型在中证500及中证1000成分股中均取得显著超额收益，年化超额收益率分别达到26.0%和42.4%，夏普比率分别为2.99和3.37，验证了深度学习在高频因子挖掘中的有效性与优势[page::0][page::4][page::9][page::13][page::14][page::16]
【广发金融工程】精选量化研究系列之二 高频价量数据的因子化方法
本报告基于日内高频价量数据，从价格相关、价量相关、盘前信息和特定时段采样四个角度构建46个因子。通过因子IC和多空收益测试，筛选出12个表现优异的高频选股因子，涵盖已实现偏度、成交量占比、价量相关性等，显示较好的多空超额能力，但大多数因子正Alpha收益较弱，扣除交易成本后超额收益明显降低。报告还探讨不同因子平滑方法的效果，为高频因子构建与选股策略提供参考，强调策略模型面临市场变化风险 [page::0][page::1][page::28][page::29]
【广发金融工程】精选量化研究系列之九：景气视角下的行业轮动策略
本报告基于行业景气视角，构建了涵盖宏观环境、行业景气度与产业链微观指标的综合景气预测模型，选取申万27个一级行业，通过领先驱动指标筛选和多元线性回归，形成行业综合景气度。策略基于景气度变化实行行业轮动，月度调仓，超配得分最高的5个行业，历时2007年至2021年回测，策略表现稳健，年化超额收益9.02%，回撤降低且全年多为正超额收益，9月最新推荐超配：有色金属、商业贸易、电气设备、银行、机械设备 [page::0][page::15][page::17]
【广发金融工程】精选量化研究系列之七：基于统计语言模型（SLM）的择时交易研究
本报告基于统计语言模型（SLM）构建股市择时交易策略，通过对历史涨跌符号序列的条件概率计算，实现未来涨跌预测。策略以6阶模型为最优，结合1%的日内止损机制，样本内（2005-2009）与样本外（2010-2013）均表现出显著超额收益，2010年以来累计收益达571.26%，最大回撤-24.29%，风险收益比优良。策略自2014年起跟踪超过七年，表现持续稳健，验证了SLM在量化择时中的有效性。[page::0][page::1][page::2]
【广发金融工程】精选量化研究系列之十 基于宏观指标趋势的资产配置策略
本报告基于宏观指标的历史趋势变化，利用均线判断单个宏观指标趋势并统计其对大类资产未来一个月收益率的显著影响，筛选出在不同趋势下资产收益显著分化的品种，进而动态调整资产配置权重。研究发现，以PMI3月均线为例，上行趋势对应未来上证指数正收益，下行则为负收益。通过构建固定比例加趋势调整的资产组合，显著提升组合收益和风险调整水平，2021年8月组合收益达0.90%，年化收益率13.42%，远超基准组合。最新宏观指标趋势显示权益资产面临偏多利空因素，债券和工业品或进入震荡调整期，黄金短期亦偏空。研究为基于宏观趋势的动态资产配置提供量化实证支持 [page::0][page::1][page::2][page::3][page::4]。
【广发金融工程】精选量化研究系列之十四：基于个股极值比例的行业轮动策略
本报告提出通过个股因子值的创新高低比例（极值比例）来刻画行业投资者情绪，进而构建行业轮动策略。因子极值比例能够有效反映投资者对行业的关注度，策略在2008年至2015年间实现累计超额收益225.41%，最大回撤仅4.26%，配置机械设备、计算机、医药生物等高情绪行业表现较优。报告系统筛选因子、滚动确定阈值并优化行业选择，量化实证表明该方法具有显著超额收益和较高稳定性 [page::0][page::2][page::6][page::7][page::11]
【广发金融工程】精选量化研究系列之十五 基于因子的主动股票型基金优选策略
本报告围绕主动股票型基金的优选开展研究，构建并筛选了80个基金因子，最终选择近1年索提诺比率、风格剔除后超额收益稳定性和合并规模三因子构建基金优选策略。多期回测显示该因子模型组合在不同年份均取得明显超额收益，且构建的增强组合在中证800、创业板指及偏股混合型基金指数上均实现持续超额收益，验证了因子选基策略的有效性与稳定性，为基金优选提供了科学依据。[page::0][page::1][page::2][page::3][page::4][page::5]
【广发金融工程】精选量化研究系列之四 基于宏观因子事件的资产配置策略
本文基于四类宏观因子事件定义，筛选出具有较高历史参考意义的有效因子事件，结合历史数据统计与资产收益预测，提出基于宏观因子事件的资产配置组合。实证显示，该策略自2008年底以来实现年化收益14.78%，显著优于固定比例基准组合，同时识别了PMI、社融存量同比等指标对债券、工业品和黄金资产的不同影响，为大类资产配置提供量化依据与投资建议。[page::0][page::1][page::2][page::3][page::4][page::5]
【广发金融工程】精选量化研究系列之一：基于时域分形的相似性匹配日内低频交易策略（SMT）
本报告基于“历史可以重复”的假设，研发并实证了相似性匹配交易（SMT）策略。通过寻找历史相似走势片段预测短线股指期货趋势，结合分形与混沌理论验证收益率序列具有重复性，SMT策略在低频交易中取得较好风险收益表现，加入动态止损进一步提升策略稳定性和收益表现。报告还展示了十年样本外跟踪结果及详细回测交易数据，验证了策略的长期有效性和可操作性，为程序化交易及ETF低频交易提供量化支持 [page::0][page::1][page::2]。
考虑拥挤度的细分行业动量策略：重构量化行业轮动框架（技术篇）
本报告重构行业轮动量化框架，聚焦动量策略与拥挤度策略的复合应用。通过对申万二级行业基于动量因子筛选涨幅靠前行业，结合拥挤度因子剔除短期交易过热行业，显著提升行业轮动策略表现。策略回测区间为2010年至2021年，复合策略实现约29%的年化超额收益，显著跑赢行业等权基准，体现拥挤度因子在风险控制中的重要作用 [page::0][page::1][page::7][page::14]。
【广发金融工程】日内价量数据因子化研究 高频数据因子研究系列八
本报告基于信息不对称理论，提出并系统构建了DPIN因子体系，利用高频价量数据刻画股票日内信息优势交易概率特征。DPIN因子通过多维度行为、时间和统计特征衡量日内知情交易概率，结合全市场周度因子分档回测，凸显因子选股有效性，尤其DPIN_SMALL_PM_MEAN因子表现卓越，年化收益率达23.4%，信息比率高达1.31，显示高频价量数据因子在挖掘Alpha方面潜力显著，为量化选股添重要新维度 [page::0][page::6][page::8][page::13][page::16]。
【广发金融工程】如何挖掘景气向上，持续增长企业：基本面量化策略
本报告基于盈利与成长两大核心变量构建基本面量化选股策略，实证回测从2009年到2021年，等权重组合年化收益率达30.32%，显著超越同期中证800和偏股混合基金指数。组合采用ROE、销售毛利率和现金回报率等指标筛选，行业覆盖医药生物、化工、电子等，持仓稳定，换手率适中，风险控制有效，最大回撤低于50%。策略稳定展现出持续超额收益能力，适合长期战略配置参考[page::0][page::1][page::2][page::3][page::4][page::5][page::6].
【广发金融工程】深度学习框架下高频数据因子挖掘
本报告基于深度学习方法，结合高频价量数据构建日频因子，通过7层全连接神经网络提取高阶特征，结合回归模型筛选优质选股因子。样本外测试显示，所提取因子平均信息系数(IC)高达7.7%，基于因子组合构建的多头组合在中证500和中证1000成分股中的年化超额收益率分别达26.0%和42.4%，超额夏普比率分别为2.99和3.37，验证了深度学习在高频因子挖掘中的有效性和应用潜力。未来可探索卷积神经网络和循环神经网络等结构以进一步提升特征表达能力。[page::0][page::4][page::9][page::10][page::13][page::14][page::16]
【广发金融工程】信息不对称理论下的因子研究：高频数据因子研究系列六
本报告基于信息不对称理论，构建了高频价量数据因子VWPIN，量化衡量市场个股信息优势交易概率。通过全市场及多个指数范围的实证分析，VWPIN因子均表现出显著的选股能力，因子IC均值在0.033-0.064之间，正IC占比保持在60%以上，回测期间多头对冲策略年化收益率达19.07%，且与传统BARRA因子相关性较低，适合作为新的高频技术性选股因子。同时，因子具有较高换手率，对手续费较为敏感，需重点关注风险管理 [page::0][page::10][page::13][page::14][page::15][page::16][page::17][page::18][page::19].
Cross-Modal Temporal Fusion for Financial Market Forecasting
本报告提出了基于Transformer架构的跨模态时间融合模型CMTF，融合了历史价格、宏观经济指标和财经文本数据，利用张量表示和解释方法以提升金融市场预测的准确性和可解释性。实证结果显示，CMTF在股票涨跌方向预测中优于多种基线模型，特别是在召回率和F1值上显著提升，且自动训练策略加快了模型迭代与优化过程[page::0][page::1][page::4][page::5][page::7]。
Bridging Econometrics and AI: VaR Estimation via Reinforcement Learning and GARCH Models
本报告提出一种结合GARCH模型与深度强化学习的混合框架，实现了动态调整市场风险水平的VaR估计。实证验证显示，该方法在欧元区Stoxx 50指数数据上显著提升了VaR预测准确性，减少违反次数及资本需求，同时满足监管指标。通过视为不平衡分类问题的DDQN模型优化风险分类，增强了模型对极端事件的响应能力，凸显其在现代风险管理中的应用价值 [page::0][page::2][page::3][page::5][page::15][page::16][page::20][page::21][page::23]
Tokenizing Stock Prices for Enhanced Multi-Step Forecast and Prediction
本报告提出了Patched Channel Integration Encoder (PCIE)模型，通过创新的股票价格数据“分块令牌化”方法，融合绝对价格与价格变动通道，实现多步股票价格的预测与预测。该方法有效缓解了多步预测中的累计误差问题，并显著提升了模型在两个真实股票数据集上的均方误差和平均绝对误差表现，实现了当前最先进的多步股票价格预测与预测性能[page::0][page::4][page::9][page::12]。
SOME PDE RESULTS IN HESTON MODEL WITH APPLICATIONS
本报告系统研究了对数Heston模型相关偏微分方程的存在性与唯一性问题，突破Feller条件限制，证明了供应更广泛初始条件（包括不连续）的唯一粘性解存在性，并扩展经典解的正则性结果。针对金融衍生品定价中的PDE，报告还提出并验证了一种基于有限差分与树状方法的混合数值逼近方案，保证其收敛性，适用于Heston及相关模型，兼顾理论与计算实践 [page::0][page::1][page::3][page::12][page::20][page::22][page::27]
Predictive AI with External Knowledge Infusion for Stocks
本报告首次提出结合外部时序知识图谱信息，通过动态异质图神经网络与时序过程模型，提升股价预测的排名准确性。构建了涵盖宏观经济指标、企业事件和股票间复杂关联的时序知识图谱，并设计了TA-HKGE模型，实现对不同持有期内股票收益的有效排序，实验证明显著优于传统基于历史价格的模型 [page::0][page::1][page::3][page::4][page::6][page::9]。
