本报告基于Beardsley等（2021）文献，研究了企业是否通过调整税收支出进行盈余管理以满足或超越个别分析师的盈利预测。结果表明，企业在管理前盈利超过一致预期时，会提高ETR进行盈余储备；在管理前盈利低于多数分析师预测时，会降低ETR以增加利润，且管理层盈余管理行为会考虑个别分析师预测的差异，尤其关注关键分析师的预测。此外，减少ETR使企业更有可能击败额外分析师预测的可能性显著高于增加ETR时未达预测的概率，体现了盈余管理的战略性 [page::0][page::1][page::3][page::5][page::6]。
本文通过研究分析师共同覆盖的股票关联关系，揭示了动量溢出效应的根源。利用分析师共同覆盖数据建立关联股票的动量因子，发现其月度alpha达到1.68%。所构建的关联动量因子能够解释和替代行业、地域、供应链等多个跨资产动量因子的超额收益，揭示了动量效应的统一机制。基于该因子的多空组合策略，月度市值加权及等权超额收益分别为1.19%和2.10%。研究结果表明分析师共同覆盖是动量溢出现象的核心驱动因素 [page::0][page::4][page::6]。
本报告基于Fergis等（2019）提出的防御性因子择时框架，构建宏观风险因子组合，并设计三大防御性择时指标：风险承受度、多样化比率及估值指标，旨在在市场极端波动期减缓风险敞口。实证显示，该方法对欧债危机、美联储流动性紧缩及中国经济衰退等事件均展现出预警效果，有助于通过减少风险因子暴露实现风险缓释而非持续追求超额收益[page::0][page::1][page::3][page::6]。
本文研究低波动组合构建中交易换手率与风险降低量的关系，发现低波动策略实现显著风险减少时所需换手率较低，且换手率与波动减少之间存在凸向边际递减效应。核心结论包括低波动股票规模大流动性好，交易成本低；多因子低波动策略能以较低换手率获得更高alpha；建议低波动策略换手率不宜超过30% [page::0][page::1][page::3][page::5][page::6][page::7]
本报告基于1926-2000年美国股票市场历史数据，从实体经济角度构建多种收益分解模型，揭示股票长期收益主要来源于名义收益与股息支付，市盈率增长贡献有限，提出通过供给端模型预测未来股权风险溢价约为3.97个百分点，表明股票长期表现仍优于债券，股息支付率持续下降使单纯依赖股息测盈利能力成不足 [page::0][page::7][page::10]
本报告探讨了共同基金经理对技术创新的深刻理解，即主动技术相似性（ATS），是基金获得超额收益的关键来源。实证显示，提高基金持仓中股票间技术相似性的交易与未来正向超额收益显著相关，且ATS与传统基金特征及业绩因子大多正交，可与其他指标结合提升基金优选效果。此外，高ATS基金超额收益主要源自于使ATS增加的交易行为，验证了技术创新信息在基金经理中形成的信息优势 [page::0][page::1][page::3][page::5][page::6][page::9][page::10]
本报告系统介绍了晨星债基风格箱的构建方法，基于利率敏感度和信贷质量两个维度划分债券基金风格。利率敏感度通过平均有效久期分区间实现，信贷质量则采用基于非线性违约率映射的信用评级加权法，提升了对组合风险的准确评估。报告还详细阐述了违约率凸函数的数学构建及债券组合的加权信用评级计算方法，为债基风险和收益分析提供了科学依据 [page::0][page::1][page::4][page::5]
本报告基于分析师盈利预期构建不确定性度量指标UNC，实证发现UNC能够解释动量与盈利相关因子（MOM、SUE、OP、ROE）的大部分收益，且这些因子的收益主要来源于市场下行阶段，表明基于动量和盈利的策略实质上隐含了对市场情绪的押注，对投资组合构建具有重要启示意义[page::0][page::1][page::2][page::4][page::5]
本文研究了共同基金历史收益波动率对未来超额收益的预测作用，发现低波动率基金显著优于高波动率基金，且波动率异象因子LVH可以消除基金经理能力评价中的误判。此外，Fama-French的盈利和投资因子也能修正这种异象带来的偏差，表明基金绩效主要由波动率异象驱动，非经理能力因素决定[page::0][page::1][page::2][page::6][page::7].
本文基于CRSP和Thomson Reuters数据，使用Fama-French五因子模型，发现在控制盈利能力和投资因子后，高费率共同基金表现明显优于低费率基金，且扣费后同样表现突出。高费率基金偏好投资增长率高、盈利能力低、股票发行量大的股票，这类股票在传统三、四因子模型下被误判为表现差。研究支持高费率基金经理通过收高额费用获取经济租金的理论，挑战了避免高费率基金的传统观点 [page::0][page::2][page::3][page::6][page::13]
报告分析了2018-2020年全球成熟市场量化因子组合的表现，发现该期间价值因子显著回撤且难以被其他因子弥补，唯一优胜策略为投资超大盘且高估值成长股，动量和盈利因子表现虽优但实质隐含大盘成长暴露，小盘股整体弱势，持续时间长且影响深远，构成半个世纪以来罕见的量化危机挑战[page::2][page::3][page::11]
本文研究投资者对财务报告文本与数字信息的不同反应，发现公司财报措辞及结构的变化传递了未来经营的重要信号。通过构建做空变化股票、做多无变化股票的多空组合，未来12-18个月可实现7%左右年化超额收益。这种收益持续且无反转，说明市场对这些信息存在持续忽视。回归分析和事件研究均支持此结论，提示投资者应关注财报文本的细微变化以捕捉被市场低估的收益机会。[page::0][page::2][page::3][page::5]
报告结合行业估值、市场流动性和交易拥挤度三大维度，构建了量化择时策略体系。该模型通过历史分位数方法识别估值底部/顶部、流动性恐慌底部及交易拥挤风险，精准捕捉行业指数的买入和卖出信号。2011年以来，模型多空组合年化收益达18.59%，市场多空组合年化收益达20.54%，成功规避交易拥挤风险，提高回报和稳定性。策略在周期、金融、消费、医药等分板块表现差异显著，近期模型还能有效捕捉主要行业底部反弹及规避下跌风险 [page::0][page::2][page::6][page::16][page::31][page::34][page::35]
本报告系统性剖析了大模型智能体的发展现状与技术挑战，提出智能体-人类-环境统一对齐准则，重点探讨代价敏感、领域增强与环境感知三大方向的创新方法及实验验证，推动开放域智能体技术迈向实用化 [page::2][page::6][page::12][page::62]
本文基于对中国公募基金的34个量化因子，采用排名法标准化处理后，测试了等权重、IC加权、多因子模型因子收益加权及单因子模型因子收益加权四种合成方法。结果表明，单因子模型因子收益加权合成因子效果最佳，2015-2025年多空组合收益率达11.47%，IC高达0.174，且选取前50只基金构建的组合年化收益率高达16.50%，相对偏股混合基金指数和沪深300超额收益分别为9.21%和12.43%，年度胜率均为91%，且组合能自适应市场风格切换，表现稳定优异 [page::0][page::2][page::6][page::7][page::12]
本报告系统介绍了利用大模型技术构建的股票市场复盘机器人，围绕提示词设计、结构化数据整合与知识增强生成（RAG）三大技术升级路径，显著提升金融投研效率与复盘质量。通过对联网模型与本地模型的对比，验证了本地结构化数据输入优势，结合向量化数据库实现基于主题的高效语义检索，避免了模型幻觉问题。针对行业研究员、总量研究员和基金经理三类用户制定差异化定制方案，覆盖全球及A股市场表现、资金流向、宏观政策解读和重仓股分析，支持专业投研和决策 [page::0][page::4][page::6][page::8][page::11][page::13]
本报告系统论述了未来量价因子研究中高频数据与离散化构建方式的重要性。通过基于日频、分钟及逐笔数据的连续性与离散化因子簇批量生产及筛选，发现离散化因子尤其是逐笔离散因子，虽因子回测表现未必优于连续性因子，但在沪深300指数增强组合层面实现了超额年化收益提升超1%，显著提升组合收益与稳定性，验证了逐笔高频数据+离散化构建方式的核心价值 [page::0][page::1][page::20][page::21]。
证监会发布推动公募基金高质量发展行动方案，强调基金经理需锚定基准创造超额收益。通过沪深300基金池历史数据发现，主动股基超额收益主要来源于个股alpha挖掘，风格层面亏损，行业层面贡献不明显。报告提出4种股票组合偏离度管理方案，包括核心卫星策略、行业中性化、风格中性化和多策略并行，均有效控制跟踪误差和业绩偏离度，部分方案支持用少量股票跟踪沪深300，兼顾实操性和收益表现，为主动权益基金管理提供了实用的超额收益实现路径。[page::0][page::3][page::5][page::14]
本报告详尽梳理港股市场发行的各类指数及ETF产品结构，分析港股市场行业分布、投资者结构及交易机制，深入解读内地投资者通过互联互通、ETF互联互通、基金互认、跨境理财通等多渠道投资港股的可行性和特点。报告汇总了内地上市的146只港股ETF产品分类及其跟踪指数，覆盖宽基、行业主题、策略型ETF，重点关注港股宽基指数结构、红利策略及科技、医药等行业主题ETF的表现特征和相关性，提供港股ETF投资及资产配置的重要参考依据[page::0][page::1][page::3][page::15][page::16][page::17][page::19][page::20][page::23][page::24][page::25].
报告介绍了AlphaForge公式化因子挖掘框架，该框架基于深度学习生成器和预测器构建，利用梯度下降优化因子表达式。实证测试显示，100个因子样本外IC均值4.24%，合成因子IC最高达13.85%，策略在全A及主要指数样本表现稳定，最大回撤有限，说明该方法有效提升因子收益和稳定性 [page::0][page::3][page::8][page::10][page::15]
