机器学习发展历程与量化投资的展望
本报告系统回顾机器学习的发展历程和关键算法，详细阐述机器学习在量化投资中的多层次应用，包括因子挖掘、模型改进与高频交易策略，并通过改进的图注意力网络（ResGAT）模型的实证回测展示其在选股策略中的优势。报告指出，数据驱动与模型驱动的结合将成为趋势，未来因子库、模型库和策略库将更加多样化，且机器学习的可解释性和模型适应性将是重要研究方向[page::0][page::4][page::20][page::24][page::26]
金融研报AI分析
盈利预期调整优选组合的构建
本报告基于分析师盈利预期调整数据，通过构建并改进盈利预期调整因子FYR_DISP_strength，结合时间加权与股价跟随性加权显著提升多空对冲信息比率，利用分析师羊群效应、动量与反转因子、大单残差、评级变动等辅助因子进行组合增强，最终构建盈利预期调整优选组合，实现年化超额收益率26.89%、收益波动比2.58和72.67%胜率，彰显该因子及增强策略在A股市场的优异选股能力和稳定性，为投资策略构建提供理论与实证依据 [page::0][page::1][page::3][page::5][page::7][page::10][page::11][page::14][page::19][page::20][page::21]
军工龙头 ETF 的动态配置策略
报告聚焦军工龙头ETF的动态仓位配置策略，基于中证军工龙头指数及最大权重股航发动力的盈利预期与估值变化，提出通过动态仓位管理有效降低投资波动和最大回撤。2020年至2022年8月间，买入持有策略收益率为8.66%，最大回撤达40%，而动态配置策略通过业绩透支反向调仓实现42.95%收益率、19.34%年化收益率及25.2%最大回撤，显著优化收益风险比。[page::0][page::2][page::3][page::6][page::7][page::8]
基金经理能力评价与量化选基策略
本报告针对基金经理能力评价的难点，提出动态定义业绩比较基准和多维度指标叠加的科学评价体系，重点考察选股和行业配置能力。以8000多个基金与2000名基金经理数据为基础，构建量化选基策略，通过半年换仓、选取10只基金的参数设定，回测结果显示策略年化超额收益达5.7%，显著优于沪深300及偏股型基金指数。结合基本面主动调整组合，进一步提升收益表现，策略有效性经方向性测试验证。报告从多维度指标体系、量化方法和参数调优等方面，全面展现量化选基的应用价值与风险提示 [page::0][page::2][page::4][page::5][page::6][page::7][page::9].
基于 Beta 分解的基金组合策略
本报告基于CAPM市场beta因子的拆分方法，提出将beta拆分为四个半beta，分别反映市场与资产在不同收益方向组合下的协方差特性。通过改进半beta计算算法并实证检验，发现半beta具有显著的基金预期收益解释能力，特别是N beta（市场与资产均向下波动）表现出较强的收益预测能力。基于半beta的排序分层构建基金组合，回测显示N beta优选组合收益最高，P beta组合风险调整后收益最佳。半beta因子具有良好的稳定性和增量信息价值，为基金优选提供有效工具 [page::0][page::3][page::5][page::17]。
基金组合构建流程与场景化投资案例
本报告系统梳理了FOF基金组合构建的五大环节，基于银行理财、公募、买方投顾和私募四类典型场景，提出针对性配置和筛选方案。通过TIPP策略实现类绝对收益且低回撤的资产配置，公募FOF依托投决会以行业视角优选“专家型”基金经理，买方投顾结合行业景气度指标进行ETF行业轮动配置降低费率，私募FOF采用层次风险平价模型优化策略权重以提升组合稳健性与收益表现。报告通过多维量化回测验证策略效果，为各类机构FOF管理人提供实战指引和风险提示。[page::0][page::7][page::8][page::13][page::16][page::21][page::27]
Selectivity 因子基金优选组合(2022.8.19)
本报告基于Alpha因子及Selectivity因子模型，更新8月基金优选组合，涵盖增强指数型、普通股票型、偏股混合型及灵活配置型基金。2022年8月调整后组合业绩相较样本池显著改善，表现出周度收益明显反弹，风格集中于中盘成长及价值，重仓电力设备、电子及食品饮料等行业。策略累计收益自2017年以来优于沪深300基准，普通股票型基金回报及夏普比率表现尤为突出，风险指标合理，展现良好的择基能力与超额收益潜力 [page::0][page::3][page::8][page::10][page::11]。
行业有效量价因子与行业轮动策略
本报告系统归类并测试了行业层面的量价因子，涵盖动量、交易波动、换手率、多空对比、量价背离及量幅同向六大类，筛选出11个有效月频因子。基于此构建量价行业轮动组合，2010年至2022年累计收益580%，超额收益484%，显示出量价因子在行业轮动配置中的显著效果和稳定收益能力 [page::0][page::3][page::18][page::19]。
如何准确测算预期股息率？——量化选股系列之七
本报告针对股息率的内涵和传统计算方法的缺陷，系统构建了基于股利政策分类、净利润预测及分析师一致预期的预期股息率计算框架。通过区分固定每股派息与固定分红比例两类股利政策，采用时序建模与线性外推等方法精确预测分红率与净利润。实证显示，预期股息率指标较传统中证红利指数在多数年份能更准确预测未来实际股息率，胜率达77.8%。以此因子构建的SmartBeta红利组合及叠加高质量、低波动风格的“红利+”组合均战胜沪深300及中证红利指数，展现了良好的风险调整后收益能力 [page::0][page::4][page::6][page::16][page::17][page::18][page::22]
行业配置研究：寻找胜率与赔率的平衡——资产配置系列报告（四）
本报告系统构建并验证了基于胜率和赔率的行业配置框架，提出通过胜率与赔率的平衡提升组合风险收益特征。论文探讨了胜率与赔率的交叉分组、因子线性组合及动态权重调整方法，发现两者权重均衡时策略表现最优，同时结合胜率赔率的时间序列边际改善指标，实现多元立体平衡配置。动态平衡策略年化超额收益显著，月度胜率高达73.3%，风险控制有效。将该策略应用于行业ETF验证，表现优异，显示胜率与赔率的动态平衡为行业配置提供新思路 [page::2][page::4][page::10][page::20][page::25]
基于卷积神经网络模型的市场择时策略
本报告基于卷积神经网络（CNN）构建市场择时策略，通过对沪深300指数日度历史数据和14个技术指标进行特征抽取与收益率分类，利用7:3数据划分训练模式实现涨跌趋势预测。模型优化过程中对dropout比例、batch_size、训练批次数及学习率进行调参，最终获得年化收益率18.16%，夏普比率0.91，最大回撤率16.13%，胜率72%。模型评估显示ROC曲线指标auroc=0.81，PR曲线指标auprc=0.82，反映CNN模型具有较强的分类和预测能力，择时策略实现了高收益与控制风险的目标，具备实用价值。[page::0][page::6][page::9][page::12][page::14][page::15]
高频研究系列四—成交量分布中的 Alpha
本报告基于日内分钟级成交量数据特征，构建七个常见成交量分布因子与六个特异成交量分布因子，重点通过成交量分桶熵、极大值分布及同价成交量分布等三大类异构方法，挖掘成交量隐藏的Alpha信息。因子回测区间涵盖2014年至2022年，结果显示多个因子多空夏普比率超过4，特异性强且选股能力优异。报告还针对因子相关性进行了正交化处理，提升了因子特异性和投资价值，丰富了高频选股因子库[page::0][page::3][page::4][page::7][page::11][page::12][page::18][page::22].
不同的回撤指标之间存在差异性吗？——“学海拾珠”系列之一百零七
本报告基于加权回撤（wDD）统一框架，系统梳理了多种回撤指标，揭示它们虽然均可用于区分基金经理的投资能力，但在准确性和投资组合排名上存在显著差异。实证采用近20年MSCI数据模拟不同技能投资组合，发现平均回撤、线性加权回撤及平方回撤表现优于最大回撤和期末回撤指标。此外，回撤指标组合的基于收益的业绩比率虽提高了投资能力区分力，但在负收益阶段表现受限。本研究为风险度量和绩效评估提供了理论和实操指导 [page::0][page::3][page::4][page::9][page::10][page::11][page::13]
大小单重定标与资金流因子改进——市场微观结构研究系列（16）
本报通过重新划定大单与小单的金额阈值，提出了基于逐笔数据和截面回归剔除涨跌幅影响的MOD修正法，构造资金流改进因子CNIR。结果显示，主力资金划分阈值最优约为2万元，改进因子年化收益达27.86%，信息比率显著提升；资金流Alpha更多来源于主力大单而非小单，且因子在中小盘股票上表现更佳，有效刻画了资金流的微观结构与主力行为特征，为量化选股提供了重要工具 [page::0][page::5][page::8][page::10][page::11][page::16][page::17][page::18][page::19][page::20]
基于宏观因子风险预算的资产配置策略
本报告基于主成分分析构建了包括利率因子、经济增长因子、信用因子、期限利差因子和规模风格因子的宏观因子体系，通过风险预算模型及两种自适应风险预算模型实现大类资产配置，策略致力于在绝对收益目标下优化股票和债券等资产配置比例并管理风险。三种模型在收益率、收益风险比及配置稳定性上各有优势，适应不同投资风格需求。2022年8月回顾显示债券和大宗商品市场表现优于权益市场，风险预算策略及自适应模型均实现正收益，年化夏普比率均超过3.5，实现稳定且较高的风险调整收益[page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8]。
国海金工·基金产品市场研究三日谈第二讲：Beta的起点：FOF基金市场分析及展望
本报告全面分析了FOF基金市场的发展现状及驱动因素。美国FOF经历快速增长后进入存量竞争阶段，而中国FOF市场自2017年起快速扩张，养老FOF成为主要增长动力。报告结合基金规模、产品类型、市场集中度及基金业绩分布，揭示FOF具有相对稳健的风险收益特征及分散风险优势。未来，受养老体系完善与财富管理需求驱动，FOF市场增长潜力巨大，且作为介于资产管理与财富管理的产品，具备重要配置价值 [page::2][page::9][page::10][page::17][page::18][page::27][page::30]。
抽丝剥茧，“固收+”基金的风险特征分析与组合优选 ——基金产品研究系列报告（四）
本报告基于权益仓位界定固收+基金，并构建资产类别和风险因子拆解体系，全面刻画固收+基金风险特征。通过因子凸优化方法分析基金Beta暴露，揭示不同弹性组和产品类型基金的风险偏好和收益来源，且绩优基金在顺逆境下展现不同仓位和风格配置。基于此，报告设计多弹性组Alpha优选组合，实证显示各组合均实现正向超额收益与良好风险调整表现，验证了量化选基和组合策略的有效性 [page::0][page::4][page::7][page::8][page::10][page::13][page::20][page::21][page::24]。
基于事件分析框架下的分析师文本情绪挖掘
本报告通过分析研报标题关键词构建分析师乐观预期组合及其多因子增强策略，实现稳定且显著的超额收益。以“量价齐升”、“扩产”、“超预期”等关键词筛选股票，剔除带悲观情绪的个股，构成基准组合，年化超额收益率达14%。结合估值、预期变化和财务质量等基本面因子，进一步筛选60只股票，年化超额收益率提升至近30%。最后叠加动量与资金流技术面因子精选30只股票，年化超额收益率提升至37%，夏普比率达1.16，表现显著优于中证500指数[page::0][page::10][page::11][page::14][page::15][page::16][page::17][page::18]。
ESG 评价体系与 ESG SmartBeta
报告系统介绍了ESG投资的概念、意义及市场现状，以ESG评价体系与ESG SmartBeta为核心，详述海外与国内ESG产品的发展差异及规模，分析多样化的ESG体系构成及其在A股覆盖度和分布特征，重点测试Wind ESG综合评分因子的量化有效性，指出现有ESG指数虽具备一定长期Alpha效益但超额收益有限，因子表现存在尾部分离且多头优势不足；报告强调尾部剔除策略及与传统因子组合应用的探索价值，为ESG投资策略优化提供理论与实证支持 [page::0][page::2][page::5][page::8][page::9][page::27][page::28][page::32][page::33]
各行业风格下的主被动基金业绩对比
本文基于2019年末至2022年7月末的权益类基金数据，采用定量与定性方法对主动和被动基金进行行业和风格分类，系统比较各类别基金的风险收益表现。研究发现，主动基金在大多数行业和风格中表现优异，尤其在风险控制方面明显优于被动基金；但电力设备行业ETF因其更集中且优势明显的光伏等子行业持仓，整体收益率超越主动基金。此外，不同行业与风格的投资业绩差异明显，基金持仓结构与行业细分收益表现成为影响主被动基金表现差异的关键因素 [page::0][page::11][page::14][page::19][page::22][page::25]
