本报告基于行为金融学中的羊群效应及领先滞后效应，构建并验证了基于股票相似度的量化因子。通过财务和市场特征五大维度刻画股票之间的相关性，采用欧几里得距离及相关性衡量方法，设计SIM、RSIM及SIM_corr因子。SIM_corr因子在月频和周频的全市场回测中，表现出较高的IC值、胜率及优异的收益风险指标，其中周频多空年化收益达47%，夏普比率3.24，且行业市值中性化处理后效果更佳。同时，拆分不同数值方向收益序列的相关系数显示信息量稳定。因子在不同股票池（沪深300、中证500、中证1000）中表现差异明显，中证1000池多头组区分度最高。研究提示相似度因子具有良好选股区分能力，为股票多因子模型提供新思路[page::0][page::8][page::11][page::16]。
本报告围绕上市公司股份回购选股策略展开，系统分析了回购公司的市场分布特征、基本面及事件驱动的收益表现，揭示了回购进度、回购目的、资金来源及回购量等对股价超额收益的影响，并基于回购事件构建了基础回购组合、事件筛选组合和回购精选组合。精选组合通过叠加基本面及量价因子筛选，实现了2019年以来相对中证500年化超额收益18.9%，显著优于基础组合与事件筛选组合，展现优秀的风险调整收益能力[page::0][page::1][page::21]。
本报告基于广发证券开发的多模态、多尺度股价预测模型，以深度卷积神经网络和时序模型融合价量数据图表、高频因子及不同频率时序数据，结合回归和分类损失端到端训练，实现了显著提升的股价预测能力。2020年至2024年样本外测试显示，模型在全市场及主要指数中均取得8%-10%区间的RankIC均值和较高胜率，构建多头组合后超额年化收益率最高达12.97%，且与传统Barra风格因子相关性较低，具备较强的独立性和稳定性[page::0][page::2][page::3][page::20]。
本报告提出了一种基于Visibility Graph与卷积神经网络（CNN）结合的创新股价预测模型。该模型利用可见性图对股票20日和60日的价量数据进行低维特征提取，再通过轻量化CNN进行未来股价走势建模，实现对未来20个交易日的涨跌预测。实证回测结果显示，模型在全市场及多个细分板块表现稳健，多头年化收益率超越基准中证全指，均呈现显著的分档收益与稳定的RankIC，表明其具备较强的选股能力和泛化性能。[page::0][page::3][page::4][page::7][page::14]
本报告针对当前市场中年化收益4%+的绝对收益产品强烈需求，基于公募基金可投资标的，梳理了具备绝对收益属性的几类资产组合与策略，包括长久期利率债、可转债、红利低波以及市场中性量化对冲，分析了其收益风险特征及相关性，并构建了等权及估值轮动的资产配置组合。采用多策略配置显著分散风险，提高风险调整后收益，同时对可转债估值、网下打新收益、红利PE等估值指标进行动态调仓，大幅改善组合绩效。风险提示涵盖产品审批创新风险及策略估值回撤风险[page::0][page::1][page::3][page::8][page::14][page::16][page::17]
本报告基于卷积神经网络构建深度学习因子，通过识别标准化价量图表形态实现对未来股价的预测，进一步映射至ETF轮动投资。实证显示该因子在2020年以来多空年化收益20.4%，IC均值6.9%，因子表现稳定。固定持仓组合中，持有5只ETF年化收益约16%，且在流动性和费用调整后的回测中表现依然稳健，凸显深度学习因子对ETF轮动选股的潜在价值与应用前景[page::0][page::9][page::10][page::14][page::15]。
本报告基于海量Level 2逐笔订单数据，创新构建22个长短单因子，通过成交完成时间区分订单为长单和短单，并利用订单维度解耦方法提炼有效因子组合。精选长短单因子组合在2021-2023年多市场板块测试中表现优异，展示了较高的RankIC、年化收益率及夏普比率，显著优于基准指数，体现了基于高频订单数据挖掘的量化因子优势，为A股量化策略提供新的视角和工具[page::0][page::2][page::8][page::14]。
本报告基于深交所Level 2逐笔订单数据，构建15个集合竞价相关因子，重点分析了不同竞价时段买卖单成交比例和撤单比例因子的选股性能。通过对深证A指成分股2019年至2024年期间的回测显示，部分集合竞价因子具备稳定的选股能力，取得显著的超额收益，且该因子体系与大小单及Barra风格因子相关性较低，具备独立有效性[page::0][page::4][page::6][page::7][page::17]。
本报告通过构建主动型权益基金及被动型权益基金的多维度选基因子和指数因子，分别进行定量打分和筛选，结合二者优势构建宽基指数增强组合。利用优化模型控制风格及板块偏离，实现组合因子得分最大化。实证基于沪深300、中证500、中证800、中证1000指数的回测结果显示，该增强组合在回测期间均获得了显著超额收益，展现出较为稳健的量化选基能力及组合构建优势，为权益基金投资提供有效的主动与被动结合策略思路 [page::0][page::6][page::11][page::15][page::24][page::17][page::19][page::21][page::22][page::23][page::24].
本报告基于海量Level 2逐笔订单数据，结合订单大小与成交时长两个独立维度，构建240个订单因子，通过多维度解耦分析挖掘出优异表现的精选订单因子组合。2021-2023年回测显示，精选订单因子组合在全市场及多个板块均实现显著超额收益，Top-30组合年化收益率高达31.33%，夏普比率达1.86，显著优于基准指数表现。该系列研究为量化选股提供了有效的交易信号和策略基础。[page::0][page::5][page::14][page::22]
本报告聚焦美国红利ETF市场，系统梳理主要红利指数特征及其编制方案，结合A股分红实际数据，进行了海外红利指数逻辑在A股的回测。结果表明，红利质量和红利增长风格的海外红利选股逻辑在A股表现出差异化收益，尤其是基于WisdomTree U.S.Quality Dividend Growth Index策略的组合显著超过了传统股息率选股方案，展示出较好的超额收益潜力[page::0][page::1][page::8][page::9][page::13]。
本报告基于个股资金流数据，构建了指数资金流指标，筛选了6个周频有效指标，进而设计了指数轮动策略与ETF组合。回测结果显示该策略在多个频率和资产组合中均实现显著超额收益和稳健表现，为高频指数轮动及ETF配置策略提供了有力支持。[page::0][page::3][page::10][page::11][page::13][page::19]
报告聚焦基于行为金融学的处置效应与前景理论，提出资本利得突出量（CGO）因子，结合低频和高频价量数据，通过实证回测展示该因子的选股效能。低频因子表现稳定，多空年化收益约28%；高频因子表现更优，行业市值中性后多空年化收益达40%，夏普比率显著提升。因子内部时间回溯周期影响显著，分域检验显示低频因子在小盘股更有效，高频因子在沪深300表现更佳。此外，策略对换仓频率和交易费用敏感，提示实际应用风险。报告为量化投资者提供了从行为金融视角出发的多频率量化因子投资策略框架及其表现分析 [page::0][page::5][page::9][page::17][page::18][page::19]
本报告基于海量Level 2逐笔订单数据，提出多维度解耦的大小单因子构建方法，涵盖时间和订单双重维度的93个大小单占比因子。通过对2020-2023年A股市场的实证回测，精选大小单因子组合在全市场及多个板块均实现超过30%的年化多头收益率和高夏普比率，显著跑赢相关指数，反映了大小单因子在捕捉主力买卖行为及市场信息方面的有效性，为量化投资提供了新的因子挖掘思路和选股依据 [page::0][page::16][page::25]
本报告提出扩散因子模型，将潜在因子结构融入生成式扩散过程中，有效解决高维资产收益率和小样本数据环境下的模拟难题。通过时间变换正交投影分解得分函数，设计专门的神经网络架构，实现对高维金融数据的高效生成并提供非渐近误差界。数值和实证结果表明，该模型在子空间恢复与投资组合构建中表现优异，超越传统方法，有效缓解维度灾难，支持大规模资产的风险管理与最优投资策略制定 [page::0][page::3][page::4][page::16].
本报告研究了通过做空投资级企业债券（如LQD ETF）作为尾部风险对冲工具的有效性。采用信用风险、流动性和动量三大信号，通过典型相关分析（CCA）优化对冲时机和仓位，实证显示该动态对冲方法能显著降低下行风险，提升Sortino比率，适用于高承载、高主动风险债券基金如PIMIX，并考虑了交易成本和市场容量限制，实现了现实可操作的风险管理方案 [page::2][page::5][page::56][page::57]
本报告提出了基于联合可交换数组的保险组合系统性风险建模框架，扩展了经典集体风险模型以考虑交互作用。通过建立相关的中心极限定理，理论刻画了大量保险合同及长期时间跨度下的总损失分布，验证了模型在中等规模组合上的有效性。同时，数值模拟揭示了风险依赖结构对尾部损失分布的显著影响，为风险管理提供新的理论工具与实证支持 [page::0][page::1][page::8][page::14][page::20]。
本文提出了一种基于Ornstein-Uhlenbeck过程的汇率风险溢价均值回复模型，刻画汇率偏离无套期保值利率平价（UIP）的结构性行为。实证采用2010-2025年USD/KRW数据，发现风险溢价在多个预测期限内均表现出强均值回复特征，且模型在2周、1个月及中长期（6个月、1年）预测中均表现良好，仅3个月预测期存在明显低估波动的过渡期现象。研究表明，汇率偏离UIP主要源于结构化风险溢价而非随机噪声，模型为汇率动态预测提供新的可解释框架，未来研究可关注尾部风险校正和多阶段动力学 [page::0][page::1][page::2][page::5][page::6]
本报告系统阐述了基于资产动态及因果驱动的投资组合优化理论框架，提出了“Commonality Principle”作为组合最优因果驱动的必要且充分条件，利用感度空间实现因果驱动下的系统性和非系统性多元化的整合。报告深入探讨了从Reichenbach的因果原理到神经网络自动微分提取敏感度，并构建了适用于投资组合的灵敏度距离矩阵及层次聚类优化方法；同时，创新性引入了基于公因果流形及其切空间的风险管理框架，将灵敏度预测作为路径依赖的动力学系统，通过随机微分方程模拟未来多步灵敏度轨迹，进而实现动态、前瞻性的投资组合多样化优化。大量实证实验涵盖美欧市场、不同周期、不同资产配置，结果显示基于因果敏感度的Hierarchical Sensitivity Parity（HSP）方法显著优于传统最大夏普率和层次风险平价方法，实现了更稳健的风险调整收益率 [page::1][page::5][page::11][page::20][page::53][page::123].
本文对八种主流深度强化学习算法在期权动态对冲任务中的表现进行了系统比较，以根半二次损失(RSQP)为风险衡量指标，实验证明蒙特卡洛策略梯度（MCPG）与近端策略优化（PPO）表现最佳，且MCPG在有限计算预算下唯一显著优于经典Black-Scholes Delta对冲基线，且收敛速度最快，揭示了稀疏奖励环境下策略梯度法的优势及其实际应用潜力。[page::0][page::4][page::6]
