本文基于模拟数据与真实市场数据实证比较了样本协方差、稀疏矩阵、因子模型（POET）及压缩算法四类协方差矩阵估计方法的表现。结果表明，当资产维度与样本长度比例($p/n$)较小时，样本协方差已较为精准；$p/n$介于0.1-1时，复杂估计方法改善明显，且改善随比值上升增强；$p/n>1$时样本协方差退化，高阶方法如因子模型和压缩估计适用性更广。稀疏矩阵假设过强，真实应用中仅在$p/n$较大时对样本协方差有一定改善。POET方法因提取主成分有效降维，适合行业及股票配置。压缩算法表现稳健，在大类资产、行业及股票均有提升，适用范围最广，且不同结构的压缩目标适合不同资产类型。多项实证指标（特征值分布、Frobenius与Sigma范数距离、偏差统计量、最低波动组合与目标波动组合样本外表现）系统验证上述结论，为实务中协方差估计和投资组合构建提供指引。[pidx::0][pidx::3][pidx::16][pidx::20][pidx::23][pidx::25][pidx::29]
本报告系统构建并实证了基于业绩数据和分析师一致预期的行业景气度指标，构成复合景气度指标，成功实现行业轮动策略，年化超额收益达8.10%，并与宏观经济周期和流动性周期高度相关。20219年最新模型建议配置农林牧渔、食品饮料、非银行金融、综合、机械等行业，行业配置分布均匀，收益稳定优异。[pidx::0][pidx::29][pidx::25][pidx::27]
本报告基于经济周期与流动性周期视角，通过主成分分析合成关键宏观指标，构建大类资产及细分资产的投资时钟，揭示周期视角下的资产轮动规律。实证显示，经济周期与流动性周期的交错涨跌驱动股、债、商品的轮动，结合风险预算模型形成定量资产配置体系。趋势外推法优于相位判断法，加入黄金资产能显著提升组合风险调整收益率，验证了经济及流动性周期指标融合对资产配置的有效性。[pidx::0][pidx::6][pidx::19][pidx::30][pidx::38][pidx::41]
本报告深入研究了“华泰周期轮动”基金组合的改进方案，重点从基金备选池调整、风险预算优化算法升级及引入目标波动控制三方面展开。通过采用CCD算法提升了风险预算优化效率及全局收敛性，并引入目标波动约束，实现组合整体波动稳定控制。实证显示，改进版基金组合在7.5%目标波动下，年化收益率提升至12.39%，夏普比率达2.19，最大回撤降至6.61%，月度胜率高达78.24%，展现出更为稳健的风险收益特征。[pidx::0][pidx::7][pidx::14][pidx::19]
本报告基于华泰金工的周期系列研究，以大宗商品CRB综合现货指数为实体经济代表，采用傅里叶变换和MUSIC算法提取行业波动的21个月、42个月、100个月三大周期信号。通过构建周期三因子定价模型，定量刻画库兹涅茨、朱格拉、基钦周期视角下的行业轮动规律，实证显示周期三因子模型能够精准拟合行业涨跌走势，识别板块的相位和幅度分化，实现行业配置，年化收益率达31.33%，夏普比率0.92，信息比率1.11，回测区间2005年3月至2018年1月。报告系统说明了三大周期对行业风格和市场估值的驱动作用，最新周期位置表明短期市场在上升期二阶段，推荐关注周期风格中的大金融和周期上游板块，上半年后期可关注消费板块防守价值。[pidx::0][pidx::5][pidx::8][pidx::10][pidx::12][pidx::18][pidx::20][pidx::27][pidx::30][pidx::32][pidx::33][pidx::40][pidx::44][pidx::46][pidx::54][pidx::56][pidx::59][pidx::63][pidx::64][pidx::65][pidx::67][pidx::68]
本报告实证了一种基于通用回归预测模型，利用各行业当期收益率对下期收益率回归，挖掘行业间的交叉预测关系，构建行业轮动策略。通过主成分回归方法克服多重共线性，策略训练窗口长且主成分多时，表现更稳健。多空对冲组合年化收益率达到28.68%，夏普比率1.51，显著优于纯多头和基准，且策略收益主要来源于alpha，非风险因子暴露。板块动力图清晰展示不同时期行业领先及防御关系，为行业配置提供数据支持与风格切换判断依据。[pidx::0][pidx::4][pidx::9][pidx::10][pidx::15][pidx::19][pidx::21][pidx::23][pidx::29]
本报告创新采用条件生成对抗网络（cGAN）重构资产风险定义，通过训练条件生成器与判别器，预测未来20个交易日资产收益率的协方差矩阵，并应用于量化资产配置。实证中，cGAN对沪深300、中债国债指数和黄金资产组合优化表现优于传统风险平价模型，夏普比率由1.41提升至1.62，Calmar比率由0.60提升至1.19，且具备较强鲁棒性（见图1对应回测表现）。生成序列在自相关性、非正态性、波动率聚集等指标上较好复现真实序列特征，验证了深度神经网络对非线性风险成分的捕捉能力，展现了传统方法难以达到的风险管理优势。[pidx::0][pidx::7][pidx::16][pidx::18][pidx::25]
本报告系统介绍了深度卷积GAN(DCGAN)及其改进模型W-DCGAN在多资产金融时间序列生成中的应用。实证表明，基于网络结构改进的DCGAN虽有效提升特征提取能力，但生成质量不尽理想。结合Wasserstein距离损失的W-DCGAN模型在多资产收益率序列的单资产和多资产评价指标（如自相关性、盈亏不对称性、Hurst指数及滚动相关系数等）上均显著优于DCGAN，并稍优于WGAN，较好地复现了真实金融序列的典型化事实。报告还详细阐述了三种模型的网络结构、训练算法及生成效果对比，验证W-DCGAN融合网络结构与损失函数改进的有效性[pidx::0,pidx::4,pidx::15,pidx::18,pidx::26].
本文基于随机森林模型，改进机器学习模型的灵活性，引入优先分裂因子机制，使投资者可指定关键风格因子（价值、成长、质量）优先参与模型决策。通过对中证800成分股的回测，证明该方法显著提升了对应风格因子的特征重要性和选股效果，增强模型的可控性和解释性，提供构建结合机器学习的SmartBeta策略新思路（图12、图18、图24所示回测净值均显示显著超越基准）[pidx::0][pidx::3][pidx::10][pidx::14]
本报告将生成对抗网络WGAN从单资产序列扩展至多资产序列生成，设计多资产典型化事实评价指标，结合相同类型和不同类型资产实证，验证WGAN生成序列在模拟单资产特性及多资产协变关系上的优势，且在多项指标上优于Bootstrap和MGARCH模型，体现更接近真实序列的统计特性和协同效应，为多资产时间序列模拟与金融市场风险管理提供新工具。[pidx::0][pidx::4][pidx::14][pidx::28]
本报告基于Wind金融新闻数据提取情感标签，构建新闻舆情因子，实证显示因子在沪深300表现最佳，TOP组合年化收益17.79%。利用前沿的BERT模型对金融新闻进行情感分类，测试样本外准确率高达98.26%。模型可解释性工具LIT揭示文本中关键字对预测结果的贡献，帮助解读BERT学习机制，促进另类数据在量化投资中的应用[pidx::0,pidx::4,pidx::9,pidx::17,pidx::22]
本报告系统介绍了相对生成对抗网络（RGAN）理论及其在金融时间序列生成中的应用。通过将传统GAN的绝对判别器转变为相对判别器，RGAN克服了生成器无法影响真样本判定的缺陷，有效提升了训练稳定性和模拟数据的真实性。报告实证显示，RGAN及其改进算法RaGAN在上证综指日频及标普500月频收益率序列生成中，尤其在长时程相关（Hurst指数）等关键指标上明显优于原始GAN，且能更准确反映真实市场特征。
本文深入研究了生成对抗网络（GAN）的一种重要变体Wasserstein GAN (WGAN)在金融时间序列生成中的应用，通过引入Wasserstein距离替代传统JS散度，有效解决了GAN训练不同步、收敛性差及模式崩溃等问题。结合上证综指日频和标普500月频收益率序列的实证分析，WGAN不仅显著提升了生成序列的真实性（如长时程相关性的Hurst指数改善明显），同时增强了多样性（基于动态时间规整DTW指标），特别是标普500月频数据上的表现更为突出，展现了WGAN在金融时序模拟领域的潜力和优势。[pidx::0][pidx::4][pidx::13][pidx::19][pidx::29]
本文基于华泰金工之前的AlphaNet-v1模型，分别从网络结构和特征两个角度提出了AlphaNet-v2和AlphaNet-v3两代模型改进方案。通过扩充比率类特征、引入LSTM/GRU层，有效提升了模型在全A股、中证800及中证500股票池上的选股表现。实验结果显示，AlphaNet-v2相比AlphaNet-v1在RankIC、ICIR及回测年化超额收益率均有显著提升，AlphaNet-v3在中证500成分股中进一步小幅超越AlphaNet-v2。报告还对比了AlphaNet和“遗传规划+随机森林”模型的优缺点，为人工智能选股模型的应用和发展提供了有力参考。[pidx::0][pidx::4][pidx::12][pidx::21]
本报告系统介绍了无监督学习中的两大核心方法流形学习与聚类算法，结合具体案例演示了这些方法在高维数据降维、股票产业聚类和因子投资风险溢价估计中的应用，图表1、3、11和20分别展示了无监督学习分类、具体降维案例、聚类效果及PCA三步法估计因子溢价的关键结论，深入挖掘金融数据内在结构与潜在因子特征，为智能投资提供方法论支持。[pidx::0,1,5,13,26]
本文设计了全新的端到端选股因子挖掘神经网络AlphaNet，结合遗传规划思想，自定义特征提取层及批标准化，实现在个股量价数据中挖掘增量信息。基于全A股量价数据，AlphaNet-v1合成因子在10天调仓周期RankIC均值达9.54%，年化超额收益率12.42%；5天调仓周期RankIC均值8.19%，年化超额收益率11.36%，表现显著优于传统因子，且通过SHAP模型解释工具验证因子特征重要性[pidx::0][pidx::6][pidx::13][pidx::16][pidx::21]
本报告系统介绍生成对抗网络（GAN）及其在量化投资领域的应用，重点训练不同市场和时间频率的股指收益率序列，利用六项金融特征指标综合评价。结果表明GAN生成的序列在自相关性、厚尾分布、波动率聚集、杠杆效应、粗细波动率相关与盈亏不对称性等指标上较Bootstrap和GARCH模型更好地复刻真实市场特征，体现其生成数据质量优异。此外报告通过双均线择时策略参数选择案例，展示GAN在检验量化策略回测过拟合上的潜力，启示GAN可成为量化投资数据模拟和风险评估的新工具[pidx::0,pidx::14,pidx::15,pidx::16,pidx::18,pidx::20,pidx::23]
本报告系统探讨了在人工智能选股模型中采用另类标签（信息比率与Calmar比率）相较于传统收益率标签的优势，结合全A股及指数成分股的多训练期长度测试表明，另类标签在超额收益、信息比率和Calmar比率表现更优，且通过多模型集成能进一步提升选股稳定性和收益表现，因子重要性分析揭示因子权重差异，提供量化选股模型优化路径。[pidx::0][pidx::6][pidx::11][pidx::32]
