大样本股价形态库中 建构A 股绝对收益王 者组合
本报告介绍了波段形态识别模型（WPRM），通过价格Z字波浪裁剪及相似性测度构建股票形态样本库，结合历史概率进行选股和动态跟踪止损，实证显示2011-2013年中证800多空组合胜率超52%，年化收益达23.89%，最大回撤仅4.14%，验证了该模型在A股绝对收益选股上的有效性 [page::0][page::26]
金融研报AI分析
无模型隐含波动率的度量方法 研究
本报告系统介绍了基于BS期权定价模型与无模型隐含波动率的理论和度量方法，指出无模型隐含波动率通过波动率方差互换及期权价格组合，能够更准确综合不同执行价期权的波动率预期信息，且通过Dirac Delta函数理论实现了对期权组合的数学拆解，为波动率的无模型提取提供有效工具 [page::0][page::4][page::6][page::8][page::9][page::10].
金融工程：风险阶段释放—A股量化择时研究报告
本报告基于广发证券发展研究中心的量化择时模型GFTD和LLT，详细分析A股主要指数及行业估值、市场情绪和宏观因子影响，结合近月市场表现、ETF资金流向和北向资金动向，判断当前权益市场进入调整周期，信用下行与通胀顶点阶段对资产配置提出债券优先、精选景气盈利细分行业的策略建议，同时提示模型风险及日历效应对市场走势的影响 [page::0][page::3][page::5][page::9][page::13][page::17][page::19]
基于涨跌停溢出效应的因子研究
本报告基于投资者有限注意力理论和涨跌停溢出效应，构建APL beta因子，实证验证该因子在A股市场中的选股能力。结果显示，APL beta因子具有稳定的负Rank IC和较高的IC胜率，尤其在中证1000小盘股中表现更佳。叠加反转效应和凸显效应后，选股能力显著增强，年化收益率最高达23%，信息比率超2。因子表现独立于常规风格因子，具有较强稳健性和实际投资价值[page::0][page::7][page::8][page::15][page::18][page::19]
金融工程：成交下降 磨底时间 A 股量化择时研究报告
本报告基于2023年7月初A股市场数据，深度分析市场结构表现、估值水平、情绪指标、交易活跃度及北向资金动态，重点评估量化择时模型GFTD和LLT的最新信号，揭示市场存在底部筑底和择时机会，风险溢价处于历史高位附近，市场整体估值仍在底部，基金仓位及ETF资金流动表现积极，尽管面临短期波动压力，底部向上的趋势有望确认 [page::0][page::3][page::5][page::14][page::21]
行业轮动策略跟踪报告——5月三策略获超额收益，6月推荐食品饮料银行
报告跟踪分析了基于行业轮动的四大量化策略，包括相似性匹配、羊群效应、因子极值和宏观事件驱动策略。5月这些策略均实现超额收益，表现最优的相似性匹配策略自2008年以来累计超额收益达131.4%。基于历史数据和当前信号，报告重点推荐6月配置食品饮料、银行等消费金融行业板块，结合流动性和价量因子的行业情绪指标，策略显著捕捉行业轮动机会，辅助投资决策 [page::0][page::4][page::6][page::14][page::17][page::25][page::30]
如何挖掘景气向上，持续增长企业——最新基本面量化策略跟踪
报告基于盈利成长两大核心变量构建量化选股策略，通过等权重及市值加权组合测算显示年化超额收益分别达到18.54%和15.31%，组合平均持股55只，偏重医药生物、化工等行业，表现优异且波动率适中，为持续增长企业挖掘提供有效量化工具 [page::0][page::3][page::10]。
基于网络新闻热度的择时策略——互联网大数据挖掘系列专题之（一）
报告基于互联网大数据文本挖掘构建A股新闻热度指标NQ，通过新闻量变化捕捉市场情绪，利用布林通道生成择时信号，实现沪深300及行业指数量化择时。实证结果显示，策略自2011年以来年化收益超37%，胜率53%，最大回撤约20%，对机械设备、建筑材料等行业表现尤为突出，为投资策略提供新型非结构化信息的量化工具[page::0][page::11][page::12][page::13][page::15][page::16]
趋势策略的深度学习增强
本报告探讨了利用深度学习中的循环神经网络（RNN）及长短期记忆网络（LSTM）对股指期货趋势策略的增强方法。通过对沪深300指数期货分钟级行情数据进行特征提取与模型训练，实现开盘后早盘行情对全天趋势盈利概率的预测。实证显示，基于LSTM的RNN模型在样本外达到59.1%的预测准确率，策略年化收益达18.47%，最大回撤-8.63%。策略通过盈利概率信号过滤，减少低效交易信号，提高交易效率，具有较好的样本外表现和稳健性。[page::0][page::5][page::29][page::30][page::31][page::36]
两策略获超额收益，关注建筑建装等——行业轮动策略报告
本报告总结了2019年7月基于多因子和行为金融构建的行业轮动策略，包括相似性匹配策略、羊群效应策略、因子极值策略及宏观事件驱动策略，分别在不同行业配置中持续获得超额收益，重点推荐关注建筑材料、建筑装饰、电子、有色金属等。结合资金流向及策略信号，电子行业触发创新低比例信号，房地产相关行业和消费板块呈现资金青睐趋势，宏观事件与产业链数据共同支撑行业轮动投资思路，为投资者捕捉超额收益提供有效量化工具与行业布局建议 [page::0][page::4][page::11][page::17][page::23][page::29]
A 股与 H 股配 对交易研究
本报告围绕A股与H股两地市场的配对交易机会展开，基于资产定价理论分析两地股价比的波动机制，设计配对交易策略以捕捉价差异常回归过程。实证结果显示，在2006年至2012年区间内该策略累计收益率达78.06%，年化收益率约10%，胜率53%，最大回撤18.65%。参数优化后，周期为60日时胜率提升至77%，最大回撤降至6.06%。交易费用对策略表现影响明显，降成本有助提升表现。策略在A+H股市场有效，风险来源包括市场估值结构性变动和汇率风险 [page::0][page::11][page::12][page::16][page::17]
BSM 及其改进 版期权定价模型
报告系统介绍Black-Scholes-Merton (BSM) 模型及其两种改进模型：Practitioner Black-Scholes (PBS) 模型和Gram-Charlier (G-C) 模型。BSM模型经典但假设隐含波动率为常数，现实市场隐含波动率呈现行权价和期限依赖性，PBS通过确定性波动率函数(DVF)建模隐含波动率，拟合效果优于BSM。G-C模型将收益率的偏度和峰度引入定价，考虑高阶矩对极端价格变动的影响，修正了BS定价误差。实证结果显示PBS模型隐含波动率拟合更平滑，G-C模型价格差异在显著的偏度和峰度水平下最大可达0.015以上，强调高阶波动性特征的重要性 [page::0][page::8][page::10][page::12][page::13][page::19]
价量模式匹配股 指期货交易策略
本报告基于多变量动态时间规整算法，提出价量匹配股指期货日间交易策略。通过在历史行情中寻找与当前行情最相似的价量序列片段，利用相似片段的后续走势预测未来价格变动，构建基于成交量与价格同步匹配的交易信号。实证结果显示，自2011年以来策略累计收益229.9%，样本外年化收益35.5%，最大回撤-12.8%，表现优于单纯价格匹配策略。混合多参数的投票决策系统进一步提升了策略稳健性和风险控制能力，为期货量化交易提供有效模型参考[page::0][page::3][page::7][page::12][page::20][page::21]。
深度学习算法掘金 ALPHA 因子
本报告基于深度学习构建股价预测模型，利用高频市场数据训练深度神经网络预测中证800股票短期涨跌，构造Alpha因子并设计多因子交易策略。实证显示，深度学习因子在选股和收益率上优于传统因子，100只股票组合回测年化收益超过15%，且对冲策略显著降低回撤，具有较强的市场适用性和稳定性[page::0][page::4][page::16][page::20][page::25]。
金融工程：成交活跃，ETF 大幅流入 A 股量化择时研究报告
本报告基于2024年9月30日至10月11日数据，深入分析A股市场结构表现、行业涨跌、估值水平及市场情绪指标。科创50指数涨幅达21.47%，ETF资金流入达2423亿元，融资余额五日内增长2126.2亿元，显示成交活跃。风险溢价虽下降但仍处合理区间，市场估值整体偏低，宽松货币周期延续。细分行业中电子、计算机表现优异，煤炭等受挫。宏观因子与市场走势紧密关联，基金仓位整体维持高位，ETF细分主题资金流向差异显著。量化择时模型具有一定预测能力，但模型风险和结构性变化需关注[page::0][page::3][page::5][page::10][page::14][page::20]。
基于网络舆情的 指数轮动策略 研究——互联网大数据挖掘系列专题之（十二）
本报告基于互联网非传统金融数据中的舆情搜索指数，研究了大小盘指数间舆情变化率与收益率的正相关关系，构建了基于舆情变化率的指数轮动策略。主要对上证50-中证500和沪深300-中证500两组指数对进行轮动实证，结果显示舆情指数领先行情表现，策略年化收益率分别达到29.35%和15.84%，信息比率分别为1.80和1.48，表现优于传统动量策略，有效抓住大小盘风格切换带来的机会。[page::0][page::11][page::13][page::15][page::17]
基于卷积神经网络的股价走势AI 识别与分类
本报告提出基于卷积神经网络（CNN）对标准化价量数据图表进行建模，预测未来股价走势，克服传统时序模型识别形态的不足。构建了I20R20、I20R5因子，覆盖全市场及多个子板块，实证回测显示因子具有显著分档收益和超额年化收益，证明图表化价量数据的形态特征对股价预测有较强作用。该策略具有潜在失效风险，需关注市场环境变化 [page::0][page::5][page::12][page::16][page::20][page::36]。
量化视角下的 FOF 组合构建——不同投资目标下的组合策略及业绩跟踪
本报告以量化视角系统构建FOF组合，结合战略资产配置模型与战术动态调整，针对不同投资目标设计FOF组合1至4号。通过多维度因子构建主动型权益和纯债基金组合，以及场内被动型权益基金组合，实现组合风险收益的精细化管理。回测显示各组合均较好实现预期目标且产生积极超额收益，为FOF构建提供实用参考 [page::0][page::10][page::90]。
岁末年初的事件 驱动投资机会
本报告系统梳理了岁末年初五类事件驱动投资机会，包括指数成分股调整效应、年报披露时间大幅提前、长期不出公告、分析师调研以及发布更正补充公告。各类事件的平均超额收益及其历史表现详细量化，提供明确的投资时间窗口和策略收益表现，为事件驱动策略提供量化依据和实证支持[page::0][page::3][page::6][page::7][page::8][page::9]。
继续关注盈利风格，关注成长风格或切换 ——A 股量化风格报告
报告基于Wind数据回顾2019年11月A股量化风格，盈利风格依然有效且资金流向支持，中小盘和创业板资金流入，成长风格失效加剧，价值风格有复苏迹象。钢铁、建材行业盈利及价值风格尤为显著。量化风格日历效应显示四季度盈利与价值风格延续惯性。基于资金流和宏观事件，推荐重点配置高ROA、低容量比风格及绩优蓝筹趋势策略，策略自2017年起年化超额收益达11.4%[page::0][page::3][page::4][page::9][page::16][page::19][page::20]
