国泰海通 固态电池· 合集
报告系统梳理了固态电池技术进展及产业化动态，聚焦硫化物路线和氧化物半固态电池发展优势，重点分析了材料端的创新弹性和设备端的技术确定性，展望固态电池在新能源汽车及低空、人形机器人等多领域的广阔应用前景，预判2027年产业化元年，强调头部企业领先带动产业链快速发展。[page::1][page::2][page::3][page::4][page::5]
金融研报AI分析
基于大语言模型的新型风险评估与波动率预测——“学海拾珠”系列之二百四十一
本报告提出结合大语言模型（LLM）衍生的定性风险评分与传统金融指标，构建基于LSTM的多维度风险评估及特质波动率预测框架。实证显示引入新型风险特征显著提升模型解释力，LSTM优于ANN和XGBoost，尤其在捕捉时间序列依赖性方面表现卓越。研究系统分析了ESG、地缘政治与供应链中断风险的动态演变及其对市场波动的影响，并通过SHAP和回归深度解析特征重要性，为现代金融风险管理提供了前瞻性思路和操作参考[page::0][page::1][page::5][page::6][page::8][page::9][page::10]
基于遗传规划的选股因子挖掘华泰人工智能系列之二十一
本文介绍了遗传规划（genetic programming）方法在股票选股因子挖掘中的应用，基于对gplearn项目的深度改进和定制，结合丰富的量价数据和函数库，实现选股因子的启发式公式演化。测试结果显示，遗传规划可挖掘出具有增量信息的股票因子，并通过包括行业和主流风格中性化的单因子回归、IC值及分层回测测评，6个因子表现稳健且大部分相关性较低，验证了该方法在A股市场的有效性和可操作性 [page::0][page::4][page::9][page::10][page::13][page::22]。
低频量化策略的胜负博弈
本报告系统性探讨了低频量化策略的收益来源、业绩评价标准及逻辑支撑，通过经验模态分解(EMD)方法分析全球主要股票指数的内在周期分量，揭示低频策略有效性主要依赖于捕捉42个月左右的股价周期(IMF3分量)及大幅波动的市场冲击(IMF2分量)，同时去除高频噪声分量(IMF1)能提升择时信号的有效性。报告多角度模拟了不同胜率的低频择时策略表现，强调低频策略胜负博弈的特殊性，即少数关键决策对长期业绩影响巨大，提出市场与策略的共同进化观念，强调策略逻辑支撑的重要性，为理解和设计稳健低频量化策略提供了系统框架和实证依据 [page::0][page::4][page::7][page::12][page::25][page::26][page::28][page::36]
PB-ROE 定价模型与残差因子初探
本报告系统梳理了经典PB-ROE定价模型，针对模型在A股市场中实证拟合效果不理想的问题，提出了基于折中ROE和离群值Winsorize的预处理方法显著提升回归结果。进一步引入Beta因子改善了收益预期解释能力，提升模型整体拟合度。基于改进模型的残差因子与常规估值因子关联度较高，且在因子有效性和投资组合回测中表现优异，显示其在低估值及价值动量策略中具备替代潜力和增强效果。为解决不同行业投资时长差异，尝试了行业及板块分层回归，验证了分层回归对改进模型的有限提升。整体来看，残差因子通过提纯ROE及引入风险因子显著提升了股价定价解释力，为估值与量化策略提供了理论与实践路径。[page::0][page::5][page::10][page::14][page::24][page::25]
能源行业内选股因子分析之九
本报告基于2005年至2012年期间能源行业的股票数据，采用信息系数和FF排序打分法分析了36个选股因子表现，选出表现优异的正向因子包括B/P、CF/P、户均持股比例及其变化，负向因子包括流通市值、短期涨幅及换手率。构建的多因子选股模型在多个组合中均显著超越基准，10只多头组合年化收益率高达46.10%，空头组合表现明显落后，且多头组合信息比率和Sharpe比率表现突出，反映出该模型在能源行业内较强的选股能力和稳定性[page::0][page::14][page::15][page::16]。
引入高阶矩改进马科维茨组合表现——通过多项式目标优化法引入高阶矩到马科维茨模型中，提升组合夏普率
本报告针对传统马科维茨组合模型基于均值和方差假设资产收益正态分布的局限性，创新引入收益率的高阶矩偏度和峰度，通过多项式目标优化方法构建多目标函数，优化组合表现。实证结合标普500、欧洲斯托克50及上证综指等多资产池及不同时间窗口，验证偏度模型显著提高组合夏普率，表现稳健；峰度的加入对提升效果不明显。偏度模型在风险资产配置中具备较强提升潜力，适合股指与商品资产组合 [page::0][page::6][page::9][page::12][page::21]。
后疫情时期的 A+H 均衡配置工具
本报告深入分析后疫情时期以A股和H股为代表的亚太新兴市场的经济复苏与盈利修复趋势，基于华泰金工周期模型预测2021年市场上行通道延续，强调A+H均衡配置的长期投资潜力。重点介绍了中证沪港深500指数及其ETF产品的市场表现、成分特征及行业配置，展示出该指数风险调整收益优异并兼具稳健性和成长性。此外，报告强调了ETF低费率优势及灵活交易机制，为投资者提供跨市场配置的有效工具[page::0][page::3][page::8][page::13].
人工智能系列之 64：从九坤 Kaggle 量化大赛高分方案中寻找借鉴
本报告梳理2022年九坤Kaggle量化大赛高分队伍方案，聚焦特征工程、损失函数、交叉验证、模型集成四方面改进，并应用于中证500指数增强策略，实测年化超额收益和信息比率均显著提升。均值因子对神经网络模型效果突出，CCC损失优于传统MSE和IC损失，时序交叉验证效果有限，模型集成稳定提升性能[page::0][page::11][page::19]。
A 股择时之情绪面指标测试
报告围绕A股市场情绪面指标，从量价数据和后市预期两个维度构建共21个情绪指标，通过统一的预处理与多策略回测框架，验证其择时效果。量价类指标多为市场同步信号，主要作为情绪温度计，缺乏领先性和择时增益；后市预期类指标（两融、期货、期权相关）体现投资者对未来市场的预期，具备一定的择时顶底领先信号和增量信息，优于基于指数本身的择时策略。融资买入额、期货基差和期权持仓量PCR具备较好择时表现，部分策略夏普比显著优于基准，且过拟合风险较低，具备实用价值 [page::0][page::5][page::16][page::17][page::26]
华泰价值选股系列之相对市盈率相对市盈率选股模型 A 股市场实证研究
本报告系统研究了市盈率及相对市盈率在A股市场的表现，构建了华泰证券相对市盈率估值选股模型。通过长期回测，模型总收益率和夏普比率显著优于沪深300及中证500基准，说明相对市盈率能有效判断市场和个股估值水平，结合盈利预测增强选股效果，低估组合收益稳定且夏普比率较高 [page::0][page::14][page::19]。
人工智能系列 45：将条件生成对抗网络 cGAN 应用于大类资产配置
本报告深入探讨了条件生成对抗网络（cGAN）在大类资产配置中的应用，提出通过cGAN预测未来资产收益率协方差矩阵，替代传统仅基于历史的风险平价方法。实证回测显示，cGAN模型显著提升了组合的夏普比率与Calmar比率，并具备较好鲁棒性与逼近真实市场风险的能力。报告详细阐述了cGAN的网络架构、训练方法及生成序列的质量评估体系，验证了其对风险重新定义的理论和实用价值 [page::0][page::4][page::16][page::29]。
人工智能 44： 深度卷积 GAN 实证
本文研究了深度卷积生成对抗网络(DCGAN)及其与WGAN结合形成的W-DCGAN模型在多资产金融时间序列生成中的应用。通过9项单资产和5项多资产评价指标，实证表明DCGAN网络结构虽合理但生成效果有限，而引入Wasserstein距离的W-DCGAN模型能更好刻画真实序列的统计特征，显著提高了盈亏不对称性、Hurst指数和多资产滚动相关系数的拟合效果，为金融时间序列的模拟和量化研究提供新思路 [page::0][page::4][page::15][page::19][page::26]。
证券：坚定看好资本市场改革红利下行业长期腾飞前景
本报告深度分析资本市场改革及开放推动证券行业长期发展的逻辑，结合中证全指证券公司指数的构成、历史表现、估值及盈利能力，肯定证券行业未来盈利能力与成长性可期，推荐关注相关ETF产品，如华安中证全指证券公司ETF，及其背后的投资逻辑与基金管理团队优势，为投资者提供行业长期投资视角和策略参考[page::0][page::3][page::14][page::17][page::18][page::19][page::20][page::21][page::22][page::23]
人工智能 68：构建神经网络多频率因子挖掘模型，并用于指数增强
本报告创新性构建基于神经网络的多频率因子挖掘模型，实现原始量价数据的端到端特征提取。通过引入15分钟频与日频数据的混合结构，设计两阶段增量学习模型，显著提升因子效用。回测结果显示，多频率增量混合模型周度RankIC高达10.22%，TOP组合年化超额收益率达36.36%。基于该模型构建的沪深300、中证500、1000及国证2000指数增强组合均表现优异，信息比率最高超4.79，显示出强劲的指数增强能力与风险控制效果。报告充分验证了神经网络多频率因子挖掘在A股量化投资中的应用价值。[page::0][page::3][page::18]
市场周期的量化分解
本报告基于傅里叶变换对金融经济数据的周期性特征进行量化分解，重点分析了42个月的基钦周期和95个月的朱拉格周期，结合振幅和相位信息揭示不同资产、国家市场的周期领先滞后关系，为大类资产配置提供重要参考，指出当前A股进入周期底部反弹阶段，股票与商品短周期同步走强，而宏观指标如CPI、PPI稍滞后。周期同步性在短周期较强，长周期差异明显，凸显周期研究对于资产配置及市场拐点判断的指导价值[page::0][page::2][page::4][page::6][page::8][page::10]。
利率曲线预测与利率债久期轮动策略
本报告基于Nelson-Siegel模型及CP因子预测即期利率曲线的水平、斜率、曲率三个特征因子，构建了利率债久期轮动策略。该策略通过利率曲线预测驱动不同期限国债财富指数轮动，显著提升债券部分资产配置的收益表现及风险调整收益。回测显示，久期轮动策略在多资产配置案例中均能提升组合收益及风控指标，验证了基于利率曲线预测的久期轮动在固定收益资产管理中的有效性 [page::0][page::3][page::6][page::16][page::18][page::23][page::25][page::27]
机器学习选股模型的调仓频率实证华泰人工智能系列之十八
本文基于XGBoost机器学习选股模型，系统分析调仓频率对模型超额收益的影响。研究表明，2017年后月频调仓模型表现下滑，周频调仓通过提升调仓频率并结合组合优化控制换手率，显著提升了模型的年化超额收益率和信息比率。文中通过多个回测对比了月频、半月频与周频调仓模型，重点评估高频调仓下交易成本对策略表现的影响，提出高换手率模型需应用组合优化控制交易成本的建议，为实务中机器学习选股模型调仓频率设计提供了理论和实证依据 [page::0][page::3][page::4][page::5][page::8][page::9][page::10][page::11][page::12][page::13]
主动权益基金标签体系构建与分析
本报告构建了基于基金业绩、持仓特征、基金经理能力及基金可投资性四维度的三级指标体系，形成系统的主动权益基金标签体系。通过随机森林等机器学习方法，发现风格因子、持仓集中度、持仓波动性对基金业绩及持续性解释力最高，且不同标签能有效区分基金经理特征。合成因子聚类分析进一步揭示不同基金绩效类型及其标签特征。报告支持基于标签体系对基金经理及产品进行细致分析与筛选[page::0][page::5][page::15][page::18][page::22].
国内量化私募发展及业绩归因
本文系统梳理国内量化私募发展历程，结合海外对冲基金经验，重点分析指数增强、管理期货、股票市场中性产品的业绩归因，揭示选股能力及因子暴露特征，统计打新收益表现，展示量化私募持续扩容且业绩优秀的态势，为投资策略提供参考[page::0][page::3][page::8][page::12][page::14][page::18][page::19]。
