事件驱动策略的因子化特征
本报告通过事件异常收益的定义与统计，分类了多种事件属性，并构建基于持续性阿尔法事件的多事件驱动组合策略。实证显示该策略在过去六年内收益稳健优异，且结合多因子模型构建最优中性组合后，收益显著提升，信息比率大幅提高，充分展示了事件驱动策略的因子化特征及其投资价值 [page::0][page::7][page::11][page::14]。
金融研报AI分析
量化视角挖掘化工产业链的alpha收益 | 量化专题报告
本报告从量化视角系统拆解化工产业链，提炼核心高频产业链指标，基于指标构建子板块择时及轮动策略，实现年化8%～13%的超额收益；创新估值安全边际模型提升估值判别能力；并提出基于领先指标和估值的戴维斯双击入场量化判断方法，为化工板块投资提供多维alpha挖掘路径 [page::0][page::1][page::2][page::3][page::4][page::5]
价格走势观察之基于均线的分段方法
本报告系统阐述了基于均线的价格分段方法，通过均线分段对行情波段进行识别与统计，分析不同周期波段的持续时间和涨跌幅度，比较均线分段与MACD分段的异同，揭示多周期联立的波段结构规律。报告还基于均线分段统计指导趋势延续策略的择时应用，提出多周期均线系统面向买卖信号的概率判断，为投资者提供科学的买卖点位参考和波段操作策略[page::0][page::1][page::4][page::11][page::13].
基于MACD的价格分段研究2.0
本报告基于MACD的DEA指标构建价格分段体系，通过对周线、日线与30分钟线的段数对应关系及涨跌幅、持续时间、涨速等多维度细致研究，揭示了段数对应规律、市场涨跌节奏及其延伸倍数特征，验证了该体系在择时上的有效性。研究发现，牛市涨势及熊市下跌往往伴随高段数对应关系，且上涨回调幅度比接近黄金分割点，这为市场拐点的判断与动量策略提供了量化依据。报告最后指出牛市“在绝望中产生，在疯狂中结束”，这为投资决策提供了深刻的市场行为洞察 [page::0][page::1][page::2][page::3][page::4][page::5][page::6]。
基于MACD的价格分段研究 3.0
本报告深入补充了基于MACD的价格分段体系，重点探讨了价格快速突破前高或前低且DEA未穿越0轴的波段确认规则，揭示快速突破后动量延续概率较大，尤其在日线、30分钟和5分钟级别均有较高确认概率（分别高达100%、88%和78%），并通过大小级别走势联立分析明确了快速突破后的趋势延续与反转机理，为波段操作和风险控制提供理论支持与实证数据 [page::0][page::2][page::4][page::7][page::8]。
基于主题影响力因子的投资策略
报告基于文本挖掘构建了主题影响力因子，通过分析原创新闻来源对主题延续性的影响，实现对热点主题的甄别。实证结果表明，选取高影响力主题构建投资组合，自2010年至2016年获得年化36.8%的绝对收益，搭配中证500指数对冲后实现年化25.99%的相对收益，最大回撤显著降低至9.89%。精准买点构建和主题异动筛选是策略成功的关键，体现了主题投资“截断亏损、让利润奔跑”的原则 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10]
基于文本挖掘的主题投资策略
本文提出基于新闻文本聚类和关键词抽取的主题投资策略，通过构建个股动量、分析师推荐、新闻报道及行业相似度四类因子，构建主题内选股多因子模型，实现稳健相对收益。实证显示，该策略在2014年至2016年期间年化收益达21.57%，最大回撤5.04%，有效捕捉主题热点的轮动规律，提升主题内龙头股识别能力，为主题投资提供量化实现路径 [page::0][page::1][page::2][page::3][page::4][page::5][page::6].
基于微观市场结构的择时策略
本文基于A股市场中不同类型投资者（知情交易者、趋势追踪者、跟随交易者）的交易行为，通过量化方法刻画投资者活跃度，划分市场为四个阶段，分析各阶段对应的市场收益特征。结合知情交易者行为模式，构建了择时策略，实证显示该策略有效性强，在多种市场环境中均取得显著正收益，年化收益率高且回撤控制合理，为认知A股市场微观结构及投资时机把握提供实证支持 [page::0][page::1][page::2][page::5][page::6][page::9][page::10]
基于深度组合的选股策略
本报告借鉴深度组合理念，使用自编码网络从沪深300及中证500股票的历史价格序列中提取非线性特征，实现基于深度学习的选股策略构建。实证表明该策略在2010-2017年期间，最大回撤8.33%下获得18.37%的年化收益，优于传统动量策略。报告还引入损失函数指标用于策略置信度检验，有效提升策略稳定性和收益表现，验证了深度组合处理股票价格序列挖掘因子的实用性和优势 [page::0][page::8][page::9][page::12][page::13][page::14]
基于前景理论的选股策略
本报告基于行为金融学中的前景理论，利用历史收益序列构建股票投资效用价值TK因子。通过价值效用函数与概率估算函数计算投资者心中的综合效用，发现TK值低股票未来收益显著更高。策略在中证500股票池测试，月度换仓，手续费千分之三，取得自2007年以来累计超额收益30%，年化超额收益15.01%，信息比率达2.03，展现了良好稳定的Alpha表现，为扩展多因子策略的逻辑维度提供了创新路径 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9]。
基于奇异谱分析的均线择时研究
本报告提出利用奇异谱分析（SSA）替代传统移动平均线（MA）进行价格趋势刻画。SSA通过奇异值分解提取主要趋势特征，克服了MA平滑和延迟的缺陷，趋势线更平滑且无延迟。基于SSA构建多窗口趋势线组择时策略，实测策略在沪深300指数2005-2016年期间显著优于MA策略，年化收益率提升至38.89%，最大回撤降低至-30.69%。报告同时深入剖析了SSA趋势线的数学特性及其在实际择时中的表现优势，并提出了多窗口参数优化方法及对未来行情的趋势判断建议 [page::0][page::4][page::5][page::9]。
基于均线择时的保本基金设计
报告基于均线择时策略改进传统保本基金设计，使用30日均线突破提高CPPI和TIPP策略表现，显著提升年化收益率并降低最大回撤，提升夏普比率，尤其在分级AB轮动组合中表现优异，适应不同市场阶段，提升风险调整后收益 [page::0][page::1]。
基于机器学习的牛股精选
本报告基于决策树机器学习算法构建了一种股票超额收益选股策略。通过挑选三个关键技术指标（ADSOC、ROC和布林线上轨），构建了一个透明易解、可视化的决策树模型，实现了对未来相对中证500超额收益股票的稳健预测。策略采用月度调仓，在2011年至2015年表现出了年化超额收益21.55%、信息比率2.11和最大回撤9.33%的优异表现，尤其在震荡市和趋势市均具稳定盈利能力，且具较强的扩展性和逻辑可控性，为机器学习在量化投资中的应用提供了有效示范[page::0][page::1][page::7][page::9].
基于动态模分解的价格模式挖掘
动态模分解是一种新兴的数据挖掘技术，能分解市场内在动态结构以捕捉趋势与震荡行情。通过拟合优度指标筛选有效信号后，结合主导特征值构建事件交易和择时策略，回测显示年化收益最高可达24.1%，夏普比率达1.61，最大回撤显著降低，策略表现优于传统技术分析方法，具备较强市场适用性和稳健性 [page::0][page::3][page::4][page::6][page::7][page::8]
基于弹簧模型的量价分析
本报告提出基于弹簧模型的股票塑性理论，创新性地将股价涨跌过程类比为弹簧的弹性与塑性变化。通过构建塑性模型，量化成交量对均衡价格移动的影响，发现塑性系数显著反映股票的锁仓比特征，且具备较强的持续性和预测能力。基于塑性因子的行业中性策略对冲中证500实现年化超额收益15.9%，最大回撤仅6.9%，表现稳健，验证了该因子在A股选股中的有效性和应用价值[page::0][page::1][page::2][page::4][page::5][page::6][page::7]。
基金收益率分解及其在FOF选基中的应用
本报告基于William F. Sharpe的收益率分解方法，将基金超额收益分解为选股Alpha和风格Alpha，重点剖析二者在FOF基金选择中的应用价值。报告选择多个股票及债券风格基准进行基金画像，发现选股Alpha相比风格Alpha具有显著区分度和预测性。基于月频数据构建的选股Alpha选基策略在2005-2016年回测中长期跑赢沪深300及基金中位数，验证了选股Alpha作为基金经理能力体现的稳定性及其选基有效性。报告进一步梳理了基金经理选股能力的持续性特点，并指出未来可通过更早精确指标提升选基效果 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18]
宏观逻辑的量化验证：映射关系混沌初开 | 量化专题报告
本报告基于121种宏观经济指标对324种资产的状态匹配分析，应用ANOVA和择时策略检验两种显著性定义方法，构建了宏观指标与资产价格之间的显著映射关系库，并对关系的持续性进行了跟踪验证。通过批量处理挖掘显著的宏观经济指标状态-资产价格表现关系，报告特别展示了沪深300、南华工业品、股票因子组合和行业板块等大类资产的择时效果，提出了基于宏观指标的量化择时策略，对于资产配置具有重要指导意义 [page::0][page::1][page::3][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12]
拐点预测之级别错位研究
本报告提出并系统研究了“级别错位”现象，定义为日线级别趋势的终点与30分钟级别局部极值点时间上位于不同段数，通过历史统计验证该现象预测日线级别拐点具有较高准确率（上证综指67%，中证500指数75%）。报告建立数学判定方法，构建基于级别错位的反转和动量两类交易策略，发现“前错位”策略收益显著优于“后错位”，并将该策略与传统日线动量策略结合，显著提升年化收益率至15.3%，最大回撤降低至50%以下，证明级别错位交易策略在实际投资中具备较高实用价值和收益提升空间 [page::0][page::3][page::6][page::7][page::9][page::12].
多因子系列之一：多因子选股体系的思考 | 量化专题报告
本报告从多因子选股系统工程化构建角度出发，深入探讨了多因子体系中风险模型的低估问题、因子测试方法差异、组合优化回测体系建设及多期收益归因模型，提出改进方案并系统化总结多因子选股整体架构和底层数据平台设计，为投资者理解多因子体系细节提供全面视角。[page::0][page::1][page::2][page::3]
多因子系列之三：因子空头问题及其顶端优化
本报告聚焦A股市场因个股做空限制导致的因子空头问题，探讨传统ICIR模型忽视因子多头特性的问题，并提出顶端优化模型以加强对因子多头端的权重分配。实证表明，顶端优化模型显著提升策略信息比率至3.489，最大回撤降至3.76%，优于传统模型表现，展现出较强的预测能力和策略稳健性[page::0][page::1][page::2]。
