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]。
本报告介绍Campisi模型的四效应（收入、国债、利差、择券）分解方法及其在纯债型基金业绩归因中的应用。通过持仓数据估计基金久期、票息率和面值，结合业绩比较基准，实证分析两只基金案例及全市场多季度数据。研究表明，收入效应是总收益的主要且稳定来源，择券效应则是决定基金收益差异和超额收益的关键，纯债基金择优应重点关注择券效应。[page::0][page::3][page::9][page::14][page::18]
本报告基于逐笔成交等高频数据，构建多维回归模型高频刻画公募基金持仓占比变化。研究发现，大单净买入、净主买占比及超额收益均正向推动公募基金持仓变化，且通过划分股票范围（如宽基指数、行业板块和期初持仓占比）可显著提升模型的样本外预测能力，其中期初持仓占比划分模型表现最佳，样本外R方最高达30.3%。模型也支持日度动态跟踪个股及行业持仓变化，具有较强灵活性和实用价值，为投资策略构建提供了数据支持和依据 [page::0][page::4][page::5][page::6][page::8][page::9][page::10][page::11][page::13]
本报告基于近一年某股吧正文及评论数据，运用文本情感分析技术构建股市情绪指标。通过情绪词频统计与评分方法量化积极与消极情绪，发现情绪指标与上证指数涨跌幅同期性强，线性相关达0.51，且假期情绪对下一交易日表现具有显著溢出效应。基于N日加权移动平均平滑的情绪指标构建交易策略，在2020年3月至2021年3月回测期间，该策略收益达36.78%，略优于基准33.78%，表明股市情绪指标在市场情绪捕捉及投资决策中具有重要参考价值[page::0][page::2][page::6][page::7][page::8]
本报告以多因子视角构建了CTA策略的多维度择时体系，结合技术面动量、波动率和宏观基本面指标，验证其择时信号的有效性，并实现风险控制。同时构建CTA基金风格因子模型，剥离风险因子后利用alpha进行基金遴选，回测结果显示该方法提升了组合的超额收益和风险调整表现，为CTA资产配置与基金筛选提供科学依据[page::0][page::2][page::6][page::9][page::10]。
本报告系统介绍了MOM产品的发展现状及核心优势，针对基金经理构建涵盖七大维度的定量评价体系，包括从业背景、业绩表现、攻防能力、选股能力、持仓特征、风格偏好及其他因素。报告通过细致的数据分析验证了各因子的有效性与稳定性，并基于此构建了无风格约束、进攻型和稳健型三类基金经理组合，结合回测数据评估不同组合在不同市场环境下的表现，为MOM管理人筛选和配置投资顾问提供量化支持和决策依据 [page::0][page::2][page::6][page::9][page::19][page::21].
本报告围绕机器学习在波动率预测中的应用，详细阐述了多类别波动率模型的选取与评价方法，构建了基于监督学习的自动化风险控制流程，并通过标普500和亚马逊股票的实证分析验证了机器学习模型在提升波动率预测准确性及交易决策中的有效性 [page::0][page::2][page::5][page::7][page::17]。
本报告聚焦高频数据在因子构建中的不同计算方式，深入分析整体法、日内法和日间法的适用逻辑及其对高频反转因子、波峰因子和量价相关性因子表现的影响。研究指出，当微观结构存在信息增量且不同交易周期信息表达一致时，整体法表现最佳；而微观结构信息增量显著但交易周期异常表现一致时，整体法和日内法效果较好；信息增量不显著时，整体法和日间法表现优异。报告进一步分解隔日时间段与交易时间段的动量与反转效应，构建日内高频反转策略并验证其收益潜力，揭示不同时频率价格变动对应未来收益的动量与反转特性，为高频因子设计与多频率选股策略提供实证支撑[page::1][page::4][page::9][page::14][page::19]。
本报告基于沪深A股市场，选取同花顺资金流向数据，设计并研究四类资金流单因子（资金净流入、特大单资金净流入、大单资金净流入和中单资金净流入）。通过因子特征、IC（信息系数）及换手率的实证分析，发现大单资金净流入因子在10天与30天持仓周期表现最优。基于该因子在中证500成分股构建组合，回测显示超额收益56.76%，年化收益率7.57%，夏普比率达1.31，最大回撤8.05%，体现出较好选股能力与风险控制效果。研究表明资金流向尤其是大单资金净流入是有效的股票多因子投资工具 [page::0][page::4][page::6][page::14][page::23][page::24]
本报告提出了一种基于深度学习模型对基本面多因子选股模型进行增强的新方法。基本面模型通过盈利、成长和估值三大指标筛选股票，深度学习模型则构建了包含156个特征的七层深层神经网络预测股票未来走势概率。通过两步筛选法，首先基于宽松的基本面条件选出初选股票池，再用深度学习模型对其进行筛选，构建增强模型组合。实证结果显示，增强模型年化收益率显著提升至28.58%，超额收益夏普比率达到1.52，年化换手率控制在9倍左右，表现优于单一基本面模型、深度学习模型及因子加权模型，且在不同基准与交易成本下均具稳健性[page::0][page::3][page::4][page::6][page::8][page::9][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18][page::19][page::20][page::21][page::22][page::23]
