中小盘量化选股
本报告基于多因子量化模型对中小盘股票进行选股，重点分析了估值、动量、规模、盈利、成长等因子的权重及其对组合收益的贡献，结合历史回测数据，展示了模型在A股中小盘股票的有效性及稳定超额收益能力，交易类与波动类因子贡献最大，组合2023年持有期内表现优于基准 [page::0][page::2][page::3][page::6][page::7]。
金融研报AI分析
识别“双底”——技术分析算法、框架与实战之三
本报告基于缠论改进算法，构建了一套“双底”技术形态识别的系统框架，剖析双底形态的核心结构及判别规则。通过对2011-2021年上证50、沪深300、中证500成分股及申万行业指数和ETF的回测，发现双底形态在个股上择时效果有限，但在指数和行业ETF上的短期持有表现显著优于个股，尤其在电气设备、国防军工等行业表现更佳。技术形态的精确度受限于时间与空间双重约束，策略应用需考虑趋势性和持有期调整。[page::0][page::2][page::4][page::7][page::9][page::10][page::12][page::13]
高频跟踪基金核心池仓位中枢，更新大小盘配置观点（截止 20210930）
本报告通过分析主动权益基金核心池、次核心池及冷门池的仓位中枢及指数收益，跟踪基金抱团程度及大小盘配置信号的变化趋势，发现2021年三季度核心抱团仓位环比下降7.5%，呈逐步分散趋势；基于中长期及中短期择时模型，建议Q4高配中证1000代表的中小盘，低配沪深300代表的大盘，历史择时胜率达72.73%，为基金仓位配置提供量化决策支持[page::0][page::2][page::3][page::4][page::5][page::6]。
AI 能否学会看图选股——机器学习系列
本报告基于卷积神经网络（CNN）模拟机器学习方法，利用含均线的K线灰度图特征，预测低价股未来收益。研究显示该模型具备显著的预测能力，未来5、10、20交易日收益预测信息比率均超过0.9，相关多空组合年化收益率达到26%以上，夏普比率3.7以上。月度换仓策略自2019年至2023年表现优异，累计收益超万得全A，风险调整后收益更佳。该机器学习图像分析方法有效挖掘传统量化因子难以捕获的隐式市场信息，为量价二维数据投资提供创新视角 [page::0][page::3][page::4][page::6][page::9][page::10]。
趋势因子——固定效应面板方法
本报告基于固定效应面板回归方法对股票趋势因子进行构建与实证，测算以不同移动平均价格作为解释变量对未来收益的预测能力。结果显示，固定效应回归优于传统Fama-MacBeth和加权平均方法，趋势因子在A股市场表现稳健，10%分位多空组合年化收益高达21.84%，夏普比为1.57，最大回撤低于其他方法，且短期移动平均因子贡献最大，趋势因子与传统五因子模型相关性弱，独立解释力强，应用于沪深300与中证500表现亦显著且优于大盘股，适合用于实证资产定价与量化因子投资策略构建 [page::0][page::3][page::17][page::26][page::29]
基金定投— 从入门到进阶
本报告详细介绍基金定投的基本概念、适用场景及其智能化进阶策略，结合丰富的历史数据及模拟实验，证明定投能有效代替主观择时，降低投资波动和成本，提升收益率。报告特别强调适用高波动、高收益基金及不同定投频率对效果的影响，最后通过破位加仓智能策略实战案例，展示智能定投在实际操作中的优势和盈利潜力[page::0][page::3][page::4][page::5][page::6][page::10][page::11][page::12]。
基于中泰时钟的FOF投资策略
报告提出基于中泰时钟的FOF投资策略，通过宏观经济维度划分股债配置周期，并结合风格轮动模型挑选基金经理，构建多维度量化评估工具避免追逐短期业绩明星，多重风险预算实现组合权重动态调整，最终回测显示该策略在2012-2017年期间年化收益达到10.5%，稳健增长，体现了策略的有效性和实用性 [page::0][page::6][page::9][page::11].
优选稳健 alpha 基金— 基于多因子的业绩预测模型
本报告基于多因子模型，通过剥离基金股票收益计算alpha，运用基金过往alpha及规模因子构建业绩预测模型，验证基金经理业绩具有可持续性，并实现基金组合的显著超额收益。模拟组合相对基准指数年化超额约7%，显示方法的有效性与实用性[page::0][page::11][page::14][page::19]。
“均线” 才是绝对收益利器？ “ICU 均线” 下的择时策略
本报告介绍了一种基于稳健回归方法的“ICU均线”指标，用于构建绝对收益类中短线择时策略。该策略以沪深300指数为标的，采取价格上穿5日ICU均线买入、下穿卖出的简单规则，历史回测显示年化收益约14%，夏普比率达1.7，最大回撤控制在8%左右。相比传统均线，ICU均线更稳健地处理异常值和极端波动，提升趋势跟踪的准确性和响应速度，为CTA量化策略提供有效工具[page::0][page::2][page::3][page::9][page::11]。
如何高频探测基金行业配置动向？——追踪“聪明资金”系列二
本报告针对主动权益基金行业配置动态，基于基金持仓数据重构适合基金的行业收益指数，通过线性优化模型高频探测基金行业仓位，优化拟合参数lambda与window以提升预测准确度。研究发现重编指数更贴合基金持仓特性，探测结果显示基金行业配置高度集中且存在显著变动趋势，对行业仓位变化的预测准确率约75%。相关关键图表展现了模型拟合效果及行业仓位动态，为理解基金资金配置提供实证工具与方法 [page::0][page::7][page::10][page::15][page::21][page::22]
精准把握“春节效应”
本报告基于2000-2020年A股数据严谨验证了春节效应的存在，明确其在节前5个交易日至节后5个交易日的时间区间。研究发现，节前效应明显强于节后效应[page::0][page::4]。通过Fama五因子回归与加权最小二乘法分析，不同行业春节效应差异显著，其中有色金属、综合、医药生物等行业的节前效应最强，农林牧渔行业节后效应较强[page::5][page::6]。春节效应期间，这些行业的累积收益和年化收益均领先市场平均水平，夏普比率极高，彰显重要投资价值[page::7][page::8]。个股层面分析表明，春节效应期间流通市值较小和换手率较高的股票获得更大超额收益，且行业中部分行业表现出对低估值股票的偏好，情绪因素被认为是春节效应的主要驱动力[page::9][page::10][page::11]。
人工智能画 “趋势线” 看图艺术 $+$ 智能技术
本报告基于霍夫变换的图像识别技术，提出通过人工智能算法绘制技术分析中的趋势线，实现从K线图的点映射到趋势线的自动识别，提升趋势判断的客观性和准确性。实证分析显示该算法能较好地捕捉市场趋势信号，辅助投资者有效判断大盘及行业走势，证明了技术分析在股票市场中的适用性和有效性 [page::0][page::3][page::11][page::14][page::15][page::17]。
中小盘量化选股
本报告系统回顾并更新了基于多因子模型的中小盘量化选股策略，结合交易、波动、估值、盈利等多类因子动态调整权重，以适应市场变化。报告通过回测显示该策略实现了年化超额收益20%，Sharpe比率3以上，且组合稳定战胜基准。最新一期组合增加了规模因子权重，且业绩优于基准，凸显策略的有效性和对小盘股超跌反弹的布局能力。[page::0][page::2][page::3][page::7]
齐鲁买入评级量化优选组合
本报告推出“齐鲁买入评级量化优选组合”，结合量化模型与分析师买入评级数据，构建三种子策略筛选股票，分别聚焦评级上调低活跃度、小市值股票情绪筛选、大市值股票成长性，回测显示三种策略均在持有期内实现显著超额收益，组合适合稳健型投资者 [page::0][page::2][page::5][page::7]。
从 VIX 到 VRP— 方差风险溢价与股市预测
本报告系统梳理了方差风险溢价（VRP）的理论基础、计算方法及其实证意义。通过证明中性测度下的波动方差可用VIX平方表达，结合高频数据估计真实方差，构造了基于上证50ETF期权的VRP指标。实证显示，VRP显著预测股市未来收益，尤其对1个月后走势具较强预测力，具备良好择时作用，为股市风险情绪与收益关系的研究提供了新视角 [page::0][page::4][page::9][page::12][page::15]。
股票组合多空配对策略
本报告介绍基于多因子模型构建的股票组合多空配对策略，通过对融资融券标的股票进行多因子打分排序，构建多头和空头组合进行配对交易，历史回测显示在考虑交易成本和融券利息后，策略获得年化收益22.7%，夏普比率2.13，且超过60%的超额收益来源于卖空部分，显示了策略的稳健与有效性。量化因子涵盖估值、动量、规模、盈利、成长、分析师预期、波动和交易等多维度，并采用动态权重优化方法提升选股能力和风险控制 [page::0][page::2][page::3][page::4]
寻找关注度拐点，获益冷门股效应量化视角下的行为金融学研究系列之一
本文基于行为金融学视角，研究市场关注度从冷门到热点的拐点及其投资价值。通过构建证券分析师研报覆盖、基金重仓股调整和市场换手率三类关注度指标，分别获得超额年化收益率10.3%、6.2%和7.8%。三者综合构建全关注度指标，进一步提升了收益与胜率，回测年化超额收益达16.9%。报告系统阐述了三类信号的构建、过滤流程、持有期建议及组合回测效果，理论结合实证，强调多维度整合能更准确捕捉关注度拐点，挖掘冷门股投资机会[page::0][page::3][page::5][page::7][page::9][page::11][page::13][page::14]。
QDII&沪港深基金境外资产择时能力与业绩归因全解析
本报告详细梳理了全市场QDII基金的分类、持仓特征及主动权益型QDII基金的业绩表现和风险情况。重点研究了沪港深配置型基金的资产配置积极性、左侧择时能力、换仓有效性及多资产业绩归因。研究发现投资于亚洲和全球的QDII基金夏普比率较高，持股集中度与基金波动存在明显相关性，沪港深基金中部分基金在A股和港股资产左侧择时能力突出且换仓效率较高，且通过Morningstar多资产归因框架揭示了策略层面的成功因素，为投资者提供了跨境基金择时与配置的深入解析和参考。[page::2][page::8][page::16][page::18][page::26][page::39]
“财经新闻”挖掘与“股票策略”构建——FarmPredict 机器学习框架
报告基于范剑青提出的FarmPredict机器学习框架，结合基金行业仓位探测构建基金重仓股的量价因子增强选股策略。策略月度换仓，每月选20只股票，2019年至2023年回测年化收益率53.53%，Sharpe 1.78，最大回撤26.62%，显著优于基准。选股模型采用alpha101量价因子，基于PCA降维与Lasso回归构建，结合行业仓位变动降低风险。回测期间策略表现稳健，年度与月度收益表现突出，基金行业仓位探测和量价因子特征提取是策略核心 [page::0][page::7][page::8][page::10][page::11][page::12]
基于隐式alpha与海龟交易法则的稳健ETF轮动策略研究
本报告基于隐式alpha模型构建ETF轮动策略，结合海龟交易法则的止损机制，提出稳健ETF轮动方案。该策略在保持年化收益约13.5%的同时，有效降低最大回撤和波动率，夏普比率提升至0.91，表现优于传统海龟交易及纯隐式alpha策略，显示出较强的风险控制能力和稳健性 [page::0][page::7]。
