本报告构建了一个统一优化框架，将最小方差组合、等风险贡献组合、最大分散度组合和等权组合纳入同一模型，通过调节参数实现模型间转换与混合。基于该框架，设计了动态基于市场状态转换的Smart Beta策略，回测显示动态模型在收益（年化约10%）和风险控制（最大回撤约17%、波动率约6.3%）方面优于传统风险模型和等权组合，充分兼顾了波动率降低和分散度的权衡，为大类资产配置提供了有效路径 [page::0][page::7][page::14][page::17]
本报告基于深交所互动易平台的高频披露股东户数数据，分析股东户数变化因子在选股中的信息价值。研究发现，低频股东户数变化因子具备较强的选股能力，纳入互动易高频股东数据合成的因子能显著提升策略绩效，年化收益率超过22%，夏普比率达到0.74。不同股票池高频因子的增益效果存在差异，其中深证成指相关股票池超额收益最高，达到10%以上，显示高频股东数据弥补低频滞后不足，有助于提升多因子选股收益表现[page::0][page::3][page::5][page::9][page::11][page::12]。
本报告基于日内分时数据及遗传规划算法，挖掘具有价格反转特征的多因子量价Alpha因子，通过构建短周期量价复合因子，实现中证500指数的量价增强策略，2013年以来在扣除交易费率和换手率限制下年化超额收益达41.4%，信息比率6.8，显示出强稳健的短期Alpha预测能力与投资价值[page::0][page::3][page::16][page::17][page::19]
本文基于Google Trends公开数据，研究了金融相关关键词的搜索量变化与道琼斯工业平均指数（DJIA）价格变动的关系，发现投资者在市场大幅波动前会增加相关信息收集。通过构建基于谷歌搜索量变化的量化交易策略，结果显示该策略在2004-2011年期间累计收益达到326%，显著优于买入持有和随机策略，尤其在美国用户数据中的表现更佳，验证了谷歌趋势作为股市“早期预警信号”的有效性[page::0][page::2][page::4][page::5][page::6]。
本报告基于高频数据改进了知情交易指标，通过计算每日知情交易条件概率区分知情买入与卖出。实证显示，并购公告日及盈利公告日前后存在显著的知情交易现象，公告前的知情买入减弱公告收益反应，公告后的知情交易对未来收益和投标撤回、竞价等结果具有预测能力，强化了基于PIN模型的知情交易识别效果，并揭示了公告后公共信息分析驱动的知情交易存在[page::0][page::3][page::4][page::8][page::9][page::10][page::12][page::13][page::15][page::16][page::19][page::20][page::21]
本报告系统分析了基于股票量价数据构建的周频AlphaNet选股模型的业绩归因、风险模型构建及组合优化实证。研究发现该模型自2011年以来具有显著alpha收益，但2015年后风格因子暴露增加，需采用更加精细的多因子风险控制策略。通过调整因子收益和特异性收益的协方差矩阵，构建了适配周频调仓的风险模型，验证了其比月频模型更稳定准确。实证测试了三类优化方案，涵盖风险模型应用、风格因子约束和行业偏配，展示了风险收益权衡和策略稳健性，为量价选股的实务操作提供了重要参考。[page::0][page::3][page::5][page::6][page::9][page::13][page::19]
本报告系统阐述了量化配置框架的构建，区分战略配置和战术配置两个层次，重点围绕收益、波动、相关性三个核心变量及其外生环境、内生结构、趋势动量三个角度的预测方法，构建完整的量化配置框架。战略配置应用展示了基于动量策略和风险中枢控制的资产选择方法，以及相关性估计误差降低技术，并通过全球资产配置案例验证了量化战略配置的优越性，有效提升组合长期收益与风险调整表现 [page::0][page::1][page::2][page::5][page::6][page::13][page::14][page::15]
本报告基于分析师预期数据，采用滚动构建的线性模型与提升树模型，提取数据中的非线性alpha信息。在保证预测值与盈利类及市值类因子低相关性的前提下，两种模型均表现出有效的股票收益预测能力。提升树模型对中小市值股票表现更优，线性模型适于大市值股票，二者组合的等权模型显著提升收益和夏普率，且增量收益部分稳定且与基础策略相关性低 [page::0][page::5][page::7][page::11][page::23][page::26][page::30][page::33]
本报告系统研究股指期货与期权合成现货的对冲方案，重点分析年化贴水比例对对冲成本的影响，股指期货远月合约优于近月合约，提前换仓优于持有至到期；期权对冲成本较低且效果更优，且近月合约持有至到期表现最佳，为投资者提供了多维度对冲策略优化建议 [page::0][page::3][page::4][page::5][page::17]。
本报告系统地分析了传统 alpha 模型面临的挑战，提出基于神经网络多元因子单元与正交弱因子转换器相结合的日频 alpha 模型框架。通过构建300个低相关弱因子及因子加权方法，解决了因子拥挤和 IC 与组合收益不一致性问题。实证显示模型在中证500增强策略中，尽管高频调仓效益逐渐下降，仍在低换手条件下保持约20%的费后超额收益，且在中小市值标的表现更佳，说明低频日频策略更稳健 [page::0][page::2][page::4][page::5][page::9][page::10][page::11][page::12][page::16]
本文提出改进随机森林模型，通过指定优先分裂因子提升机器学习模型的灵活性，结合价值、成长和财务质量三类因子构建中证800选股组合，实证展示模型在2011-2021年区间的有效表现，为SmartBeta策略设计提供思路 [page::0][page::3][page::8]
本报告基于深度学习框架，利用高频数据及其低频化衍生因子，构建并训练深层全连接神经网络模型提取高阶选股特征。通过逐期回归方法组合深度学习提取的因子，实现日频调仓选股。实证显示，深度学习因子总体具有较高的信息系数(IC)，且组合策略在中证500与中证1000指数成分股中均取得显著正超额收益，最高年化超额收益42.4%，夏普比率达3.37。模型实时性强，适应市场特征变化，证实高频因子挖掘的有效性与优势[page::0][page::3][page::7][page::14][page::17][page::19][page::20][page::21]。
本文基于Chen等（2017）提出的一种分组遗传算法（GGA），结合符号聚合近似（SAX）和扩展符号聚合近似（ESAX）技术，实现股价时间序列的降维和符号化处理，优化股票投资组合分组（GSP），提高组内股票价格的相似性与投资组合的收益率。通过构建含现金股利稳定性因子、组平衡度、单位平衡度和价格平衡度的多元适应度函数，对遗传算法的染色体进行进化操作，实验采用台湾证券交易所2012-2014年的数据，显示本文方法在序列相似性和组合收益上较已有方法表现更优，ROI最高可达16%-18% [page::0][page::8][page::18][page::24][page::25]。
本报告基于基金公司旗下主动型权益基金的重仓股构建投研平台持仓组合，定量刻画投研平台的投资模式（集中/分散）及投资能力（较强/较弱），分析投研平台对旗下单只基金的依赖度及独立投资能力，并构建相应基金组合以验证其业绩表现差异，为主动型权益基金的投资选择提供新视角和实证支持[page::3][page::5][page::13][page::22]
本报告基于高频盘口数据，构建逐档订单失衡率（SOIR）和中间价变化率（MPC）两大类共14个高频量价因子，通过高频至低频转换方法，发现高频因子在短期内与收益正相关，而低频状态下与收益呈现负相关，解释为散户追高杀跌及主力短时操纵效应。MPC5_neut因子表现最佳，年化多空收益高达30.63%，夏普比率2.88，体现高频数据在量化选股中的优异价值。多个因子在沪深300及中证500样本内均展现出稳定的十%以上年化多空收益，展示良好的市场适应性和选股能力[page::0][page::3][page::4][page::8][page::15][page::19]
本报告基于2019年末视角，结合4个虚拟主观观点，深入演示Black-Litterman（BL）模型在行业资产配置中的应用。通过构建观点矩阵P及观点收益率Q，计算无约束及有约束条件下的资产权重，分析观点变动及信心水平对组合权重的影响，验证BL模型权重偏离均衡权重的合理性和稳定性。报告强调观点收益率应相对于均衡收益率设定，并指出BL模型的稳健性及其在限制卖空条件下的应用表现。回测组合表现显示，存在误判观点时BL组合仍稳健且走势不失控。最终提示量化结论基于历史统计规律，历史变更可能致使模型失效，观点及权重仅为示范性质 [page::0][page::2][page::9][page::15]
本报告基于预训练中文BERT模型，结合Wind标注金融舆情文本进行微调，构建了分析师研报文本情感因子senti及其调整因子senti_adj。通过对2010至2020年A股研报摘要情感预测，采用线性衰减加权构造情感选股因子，实证测试表明senti_adj因子能显著体现研报增量信息。基于此因子构建的TOP80选股组合实现年化收益14.9%，2020年绝对收益达69.69%，展示了较强的选股能力和投资价值[page::0][page::3][page::7][page::9][page::15][page::18][page::19]
本报告系统研究了高频数据因子VPIN及其改进版VWPIN的构建与应用，重点探讨了因子预测周期从月频缩短至周频所带来的收益提升效果。报告显示，VPIN因子在A股市场中具备显著的选股能力，通过因子与传统风格因子的结合及空头剔除策略进一步提升组合收益。为克服VPIN计算的实践限制，提出VWPIN因子，并通过调节指数参数 ζ，实现高频订单流不平衡性到价格冲击的有效映射，显著降低计算复杂度且保持良好表现，年化收益和Sharpe比率均有提升，且回撤有所减小[page::0][page::4][page::5][page::6][page::10][page::11][page::16][page::20][page::28][page::30][page::33][page::40]
报告基于2021年一季度公募主动权益基金持仓数据和高频模型日度跟踪，揭示基金核心抱团池股票集中度依旧处于高位，机构增持金融地产、医疗保健及材料板块，同时通过信号改良后的抱团因子提升了因子胜率至67%，基金抱团仓位近期出现下滑但仍然维持在高位，提示核心资产存在调整压力，为投资者风控与配置背景提供重要参考 [page::0][page::2][page::3][page::8][page::9][page::10]
本文针对多资产金融时间序列生成任务，提出将深度卷积生成对抗网络（DCGAN）与Wasserstein GAN（WGAN）结合形成的W-DCGAN模型，充分利用DCGAN的全卷积网络结构和WGAN的损失函数改进生成性能。通过对标普500、上证综指和欧洲斯托克50的实证测试，采用9项单资产指标及5项多资产指标综合评价，结果表明，DCGAN模型生成效果不佳，而W-DCGAN模型有效复现多项真实序列的典型化统计特征，且整体生成质量略优于WGAN，体现了W-DCGAN在多资产序列生成中的潜力和优势，为多资产金融时间序列仿真提供了先进方法途径[page::0][page::4][page::15][page::19][page::26]。
