CNE7 多因子模型：因子表现与模型解释力度分析
本报告基于中国A股市场构建了CNE7多因子风险模型，涵盖1个市场因子、10个风格因子和34个行业因子。通过因子回归和协方差矩阵估计，模型在市场扩容背景下表现稳健且解释力较强。相比Barra CNE5，CNE7在因子显著性、风格切换及行业轮动捕捉上有所提升。报告详细解析了各因子历史表现及模型解释度，支持组合优化与风险管理应用 [page::0][page::2][page::10][page::24][page::26]
金融研报AI分析
逐鹿”Alpha 专题报告 （十四）—基本面因子与量价因子融合模型
本报告创新性构建了融合多频次因子的统一LightGBM模型，整合了基本面因子OPENFE、日频量价因子Alpha158、分钟频因子MAlpha65及高频因子L2Alpha。通过因子融合显著提升模型的年化收益率，最高达35.57%，Sharpe比率1.72，展现了多因子融合的优势及因子重要性频率依赖特征，低频模型中基本面因子边际贡献上升[page::0][page::9][page::11][page::15]。
基于深度强化学习的沪深 300 选股——AI 模型研究第一期
本报告系统介绍了深度强化学习在沪深300选股投资组合构建中的应用。通过使用A2C、PPO和DDPG三种主流深度强化学习算法训练模型，并基于CNE7十大风格因子构建状态空间，最终采用Ensemble策略整合多个模型结果，实现多项风险收益指标优于沪深300指数。报告分析了模型构建细节、训练数据及参数设置，并提出了强化学习在金融领域的应用潜力及当前局限性，强调了模型在风险约束与市场动态自适应中的优势，为专业投资机构提供实践指导。[page::0][page::12][page::13][page::14]
行业基本面量化系列之银行篇
本报告通过量化基本面和估值模型，系统分析银行业业务类型、资产负债结构、利润构成、资产质量及资本充足率影响，建立银行ROE与股权要求回报率预测模型，并基于剩余收益模型估算银行合理估值和股权成本，结合宏观经济与监管政策约束，预测银行资产及净资产规模增速，判断银行估值水平与行业择时，对中信一级银行指数2020年合理价位进行预测，提出中性配置建议，建议同时关注十年国债收益率变动以跟踪配置风险[page::0][page::4][page::7][page::15][page::27][page::36][page::39][page::41][page::42]
基于XGBoost的股票ST风险预警模型
本报告基于2023年股票新规及相关规则构建了包含60维左右因子的ST（特别处理）股票风险预警模型，采用XGBoost分类算法，模型AUC达到0.997，召回率达0.958，财务类因子如扣非前后净利润最低值、净资产和PE对ST风险预测贡献最大。模型已对2023年11月ST概率进行了预测，为投资者提供及时风险控制参考 [page::1][page::2][page::25][page::26][page::27]
“逐鹿”Alpha 策略巡礼
本报告系统回顾与更新了“逐鹿”系列Alpha策略，涵盖南向资金的择时与选股、北向机构持仓追踪与增持追踪、风格轮动及事件驱动策略。各策略在过去数年均表现出稳定超额收益，且复合使用可以平滑整体收益波动，建议合理配置多策略以提升投资效能 [page::0][page::3][page::4][page::12][page::16][page::20]。
北向资金流入简评2022 年 1 月 26 日
本报告简要分析了2022年1月26日北向资金流入情况，指出尽管2022年初出现短期回调，长期北向资金流入A股趋势未变；2021年北向资金创历史新高，2022年初资金流入表现居中，显示外资持续看好A股市场 [page::0][page::1]。
中国处于普林格周期第一阶段，黄金长债超配——资产因子与股债配置策略 4 月
本报告基于宏观因子和普林格周期理论，判断当前中国经济处于普林格六周期的第一阶段，建议高配黄金和长久期债券，基于资产和宏观因子的风险平价策略表现稳健，久期择时策略优于基准，美债建议现金防守，A股业绩超预期因子整体下降，聚焦结构性中线机会 [page::0][page::3][page::6][page::10][page::11][page::12][page::14][page::17]
证券研究报告·金融工程深度·2023 年投资策略报告——用量化体系应对市场不确定性
报告预计2023年A股市场整体重心将显著上移，宏观政策中性偏宽松，量化视角下构建了宏观、行业基本面、财务因子、分析师预期和基金资金流五大量化体系，形成行业轮动和选股策略，指数增强产品表现分化明显，行业轮动六维度模型年化超额收益逾11%，光伏行业因子选股及机构调研事件选股策略表现突出，深度采用机器学习如DeepLOB高频预测及AlphaZero新型因子挖掘框架提升策略表现 [page::0][page::1][page::10][page::12][page::36]
基于新闻热度的周期、成长、消费风格轮动配置：--大数据研究之四
本报告基于大数据技术，利用新闻热度指标构建周期、成长、消费三大板块的风格轮动配置策略。通过新闻热度布林带突破上轨信号择时，风格轮动策略年化收益达51%，夏普比率1.92，显著优于单一板块策略，验证了新闻热度作为风格轮动信号的有效性，具备较强的现实应用价值。该策略回测期为2014年至2017年中旬，新闻数据主要取自新浪财经共200多家媒体[page::0][page::6][page::10][page::11].
流动性因子系统解读与再增强
本报告系统总结了流动性类因子的研究框架，划分为换手率类、非流动性类及高频类因子，并对其进行改进与增强。报告通过11年单因子回测验证了各因子的有效性，改进非流动性因子、增强非流动性因子和增强高频因子的IC均值均超过8.7%，年化多空收益超过30%，显示出较强的选股能力。2022年样本外数据同样表现优异，最高累计多空收益达31%[page::0][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::17]
另类数据新闻情绪在多因子选股中应用初探
本报告基于中国A股市场广泛覆盖的新闻数据，通过NLP技术构建新闻情绪基准因子SENTI和SENATT，日度信息系数分别为0.073和0.061，相关多空组合年化收益率达30%和34%。基于SENATT，进一步提取208个时序拓展因子，筛选24个有效因子进行分层回测，显示时序因子具备稳健的截面预测能力和投资价值。整体策略具备较强的盈利能力和较高的换手率特征，适应高度时效的新闻情绪信息应用 [page::0][page::8][page::9][page::13][page::14][page::16][page::17][page::22]
金融工程跟踪报告：基于新闻热度与情绪指数的多空选股与择时策略研究
本报告基于大数据及自然语言处理技术，构建新闻热度与情绪指数因子，提出沪深300多空择时及情绪选股策略。回测数据显示，择时策略2014-2016年年化收益率达47.72%，夏普比率1.91，最大回撤9.43%；情绪选股多空差策略年化收益53.23%，夏普比1.64。多头组合自2014年以来累计收益218.67%，年化收益45.9%，展现出显著的超额收益能力。报告还详细说明了数据采集、处理和策略参数设置，为市场投资决策提供重要参考[page::0][page::4][page::5][page::6][page::7][page::8].
资产价格反应了多少经济预期？“基本面量化”系列思考之四
本报告基于“基本面量化”框架，系统分析资产价格对经济预期的反映。研究发现，中美欧主要经济体资产价格与经济变量高度相关，且同步见顶见底；资产价格反映的经济预期展现一定动量效应，滞后经济数据披露。报告还揭示资产价格对美联储货币政策加息预期反映不足，存在潜在风险。结合宏观经济指标与资产价格走势，报告对美股估值、黄金、原油、农产品市场提供投资策略建议，强调短期波动与中期趋势的分歧，指引逢低布局时机 [page::0][page::3][page::4][page::6][page::11][page::15][page::16][page::19]
中国经济数据触底，等待重启信号——资产因子与股债配置策略 7 月
本报告基于全球及中国宏观因子跟踪，结合普林格经济周期和风险平价策略，分析当前中国处于经济触底阶段，建议7月以债券为主配置，重点推荐长久期债券及受益于中国内生增长的超预期股票。多策略回测显示风险可控、收益稳健，具有较高的投资价值。[page::0][page::11]
以史为鉴，解码贝莱德的登顶之路
本报告系统梳理贝莱德发展历程、投资者结构和产品谱系，重点介绍其行业领先的风险管理体系（阿拉丁系统及RQA团队）、持续创新的ETF及因子投资策略、可持续发展与ESG理念融入流程，以及加快在中国市场的战略布局，特别是对中国A股市场和养老金市场的开拓，为中国资管行业发展提供重要启示。[page::0][page::3][page::12][page::18][page::20][page::24]
保险行业基本面量化策略
本报告系统性分析了保险行业的业务、财务报表和业务架构，基于内含价值、新业务价值和投资收益构建行业业绩预测模型。通过估计净利润和ROE，设计多空择时策略，实现年化收益约19%。报告指出，寿险业务对整体ROE影响更大，且ROEV与A股涨跌幅存在较高正相关；财产险综合赔付率是盈利关键。代理人规模萎缩和新业务价值下降是当前的主要挑战 [page::0][page::3][page::5][page::11][page::20][page::21][page::22]。
基于 XAI 的循环神经网络可解释性探究
本报告针对基于循环神经网络的选股模型，采用四类可解释人工智能（XAI）方法展开深入解析，分别适配训练和预测阶段。结果显示模型对小市值股票和低预测值股票更加敏感，序列长度和随机性影响有限，标签跨度、学习率与单元结构影响明显，且特征处理方法、训练期和特征组合显著影响模型表现。该研究有助于提升模型透明度与调优效率，为深度学习选股模型的解释及优化提供了有效工具与路径 [page::0][page::2][page::14]。
证券研究报告·金融工程研究·2021 年中期投资策略报告——从周期到金融，关注价值因子的中期再崛起
本报告深入分析了2021年中期经济与市场环境，指出全球经济已见顶并开始回落，A股盈利基本面预期回落，预计市场维持震荡下移趋势。基于量化基本面视角，中信建投重点看多银行、建材（尤其水泥和玻璃制造）、石油化工行业，谨慎对待基础化工和农林牧渔行业。此外，多因子选股体系显示成长因子表现强劲，估值因子经历多次反转，价值因子有回归迹象。结合高频量价因子和分析师预期因子，报告构建了一系列稳健选股策略，尤其分析师预期修正策略在样本外表现优异，累计超额收益显著。报告还揭示了大市值股票较小市值股票的显著业绩和成交量分化，建议当前防御型风格转向利好金融板块，超配银行与保险类资产，引导投资者关注具备稳健收益的基金产品组合。[page::0][page::5][page::7][page::15][page::16][page::20][page::22][page::24][page::25][page::27][page::28][page::31]
大数据、机器学习、深度学习在投资领域应用的方法论概述： —大数据研究之五
本报告系统介绍了大数据、机器学习及深度学习在投资领域的应用方法论，涵盖数据分类、情感分析、常用机器学习算法（如惩罚回归、卡尔曼滤波、极端梯度上升等）、非监督学习中的因子分析和聚类，以及多种深度学习模型（循环神经网络、LSTM、卷积神经网络、受限玻尔兹曼机、深度信念网络）在股市预测和投资组合构建中的具体实例与效果验证，揭示了人工智能技术提升投资效率与盈利能力的潜力，且深度学习的应用仍处于早期探索阶段，未来具备广阔前景[page::0][page::3][page::6][page::20][page::24]。
