本报告系统研究了2005年以来A股常见选股因子的季节效应，主要包含月历效应与假日效应。结果显示市场存在显著的小盘价值风格与成长风格交替规律，2-3月小盘异象明显，5-6月成长风格与基本面因子表现优异，节前市场偏好高盈利大盘蓝筹股，节后则偏好小市值高成长股。基于此，报告提出在特定时间段采用卫星策略或放松风控模型对风格因子的约束，以有效提升指数增强组合的超额收益率和稳定性 [page::0][page::5][page::6][page::13][page::15][page::17].
本报告基于买卖单逐笔成交数据，定义了买单与卖单的主动成交度因子，重点构建并测试了小单主动成交度因子的选股能力。研究发现，小单主动成交度因子表现出显著的正向月度和周度选股能力，且小买单主动成交度较小卖单更优。因子在不同选股空间中均具有效果，尤其在中证800外表现更为突出。将该因子引入不含深度学习高频因子的中证500和中证1000指数增强组合中，可提升年化超额收益约0.5%-1.5%。报告还分析了因子的正交特性与风险提示，对量化组合优化具有重要参考价值[page::0][page::4][page::6][page::14]。
本报告围绕多颗粒度深度学习模型在量价数据中的应用，重点探索了多级频率特征融合与改进方案。通过单颗粒度与多颗粒度模型对比，发现多颗粒度输出集成显著提升因子有效性，年化费前超额收益最高达31.5%。引入注意力机制的双向AGRU模型进一步缓解信息遗忘，Rank IC和多头超额收益全面提升，Top10%组合费前超额达33%，Top100组合达40%。复现微软亚研院多颗粒度残差学习网络，发现效果未超过输出集成模型。基于双向AGRU多颗粒度模型，构建中证500和中证1000指数增强组合，分别实现年化超额收益15%-20%与25%-30%，且在2023年亦保持较好收益表现，成分股约束会产生一定的收益下降 [page::0][page::4][page::5][page::6][page::7][page::8][page::10][page::11][page::12][page::14]。
本报告针对2023年买入评级因子表现大幅下滑现象，系统分析报告类型、报告发布时间滞后及基本面支撑等影响因素，并构建了新增且有基本面支撑的买入评级因子，显著改善选股表现。进一步基于该因子，在大盘股中设计多因子复合的大盘优选策略，回测显示该组合年化收益最高达17.6%，大幅跑赢沪深300指数，且风险指标表现稳健，为大盘股Smart beta选股提供有效工具 [page::0][page::4][page::10][page::14]
报告系统分析了红利投资的概念、优势及其适用环境。红利投资通过投资高股息公司实现稳定现金分红及相对防御特性，适合追求稳健的中长期资产增值者。报告结合国内外市场数据，指出美债利率上行、社融同比下降及市场波动放大时红利投资表现优异。文章进一步构建并回测了增强型红利指数及三种“红利+”组合策略，展示“红利+”成长和低波策略较纯红利组合在收益和风险控制上均有显著提升，且可应用于“杠铃式”配置和“固收+”策略中，有效平衡收益弹性与防御性，提升组合稳健性与收益表现。[page::4][page::10][page::16][page::20][page::22][page::23][page::24]
本文以交易金额占成交额之比、盘口流动性成本和大单冲击成本为筛选条件，确定可交易股票池，深入分析组合规模、交易成本及大单冲击对多类选股因子（基本面、技术面、高频及深度学习因子）IC表现的影响。结论显示，随着组合规模扩大，因子的选股能力显著下降，特别是在周度换仓短周期策略下影响更为明显。模型预测显示月度换仓下大单冲击成本影响较弱，而周度换仓因大单交易频繁，对因子表现产生较大负面影响，需谨慎评估因子在实际应用中的有效性 [page::0][page::5][page::8][page::9][page::11][page::13][page::15][page::17]。
本报告系统分析了组合约束对多因子选股模型表现的影响，提出通过加权最小二乘回归和蒙特卡洛模拟调整股票权重参考系数，有效提升纯多头及指数增强组合的超额收益，尤其是在换手率和行业权重等复杂约束下表现更优，展示了约束环境下改进因子收益计算方法的潜力与不足，为量化组合优化提供了实证支持与方法路径[page::0][page::4][page::5][page::8][page::10][page::12][page::13]。
报告提出对AlphaNet深度学习股票因子挖掘模型的三大改进：特征提取层自定义Dropout机制以降低计算开销并防止过拟合；损失函数加入中性化机制以剔除Barra风格因子暴露，挖掘更纯粹Alpha因子；提高多头样本权重以增强多头收益能力。各项改进均在中证500增强策略回测中实现收益稳健提升及风险控制改善，且具有较好的模型泛化性与易用性 [page::0][page::5][page::6][page::10][page::13][page::15][page::16]
本报告基于条件生成对抗网络（cGAN）技术，突破宏观经济样本稀缺瓶颈，实现基于历史4季度数据生成未来9季度宏观指标的模拟与预测。报告通过对美国和中国主要宏观指标的训练，展示了cGAN在情景分析和冲击响应分析中的优势及应用价值，模型能够较好拟合指标自相关特征，并对未来经济走势做出合理预判，尤其在2019年末的中美情景分析中体现出预测潜力。另一方面，模型对极端事件预测能力有限，且存在过拟合风险，未来优化空间包括样本增补与网络结构改进等[page::0][page::3][page::21]。
本文提出基于条件生成对抗网络（cGAN）的量化策略参数调优框架，通过生成大量拟真未来收益率路径，批量回测备选参数，依据大数定律甄别参数本质表现以降低模型过拟合风险。以中债-国债总净价指数为标的，采用滚动训练方式，实证显示基于cGAN调参的趋势择时策略在样本内外均表现优于传统历史调参方法，夏普比率高达1.85，最大回撤低至3.54%，且策略稳健性良好，随机数种子影响有限，且方法适用于不同债券指数，体现了cGAN生成样本在量化策略参数选择中的显著优势。[page::0][page::3][page::12][page::16][page::18][page::20]
本报告介绍SinGAN在金融时间序列生成中的应用，SinGAN基于单样本多层级GAN结构解决传统GAN样本量和序列长度不足问题。实证测试显示SinGAN在金融资产收益率生成任务中，尤其是样本量有限时，表现优于传统WGAN，能够更完整捕捉数据的频域特征和长时程周期，有助于量化研究中低频策略的检验与验证 [page::0][page::3][page::13][page::19][page::20]
本报告系统研究条件生成对抗网络（cGAN）在资产配置中的应用，重点在收益协方差和均值预测两条主线，采用多项精准指标评估预测准确度，并分别验证其在风险预算模型与均值方差模型中的表现。实证结果显示，cGAN方法在协方差预测上更接近真实风险分布，仓位及风险分配更趋理想，同时cGAN预测的资产相对收益排名优于传统历史收益方法，在多个测试场景均显著超过历史基准，具备稳定的收益和风险控制能力[page::0][page::6][page::7][page::8][page::9][page::10][page::16][page::17][page::23]
本报告围绕基于盈余公告相关文本构建的文本SUE.txt因子，创新性刻画PEAD效应，通过机器学习模型提取文本alpha信息，实现选股策略构建。实证显示该因子基于XGBoost模型的分层收益和多头收益优于传统逻辑回归及2日异常收益因子，增强池回测年化收益达43.47%，相对中证500超额收益29.98%。词重要性和段落分析验证模型逻辑合理，且结合华泰金工因子增强后的策略表现优异且行业分布均衡，为文本驱动的量化选股提供关键思路与实用工具 [page::0][page::3][page::11][page::12][page::14][page::19][page::21][page::24]
本文首次将组合优化嵌入神经网络，利用CvxpyLayers实现端到端量化投资框架。通过因子模型FactorModel和端到端模型LSTMModel，基于风险预算优化资产配置，在国内外及国内市场均优于风险平价基准，标普500、彭博贵金属和中证500等资产的偏配显著贡献超额收益，验证了结合凸优化与神经网络的组合优化潜力与投资价值[page::0][page::9][page::10][page::13][page::14][page::21]
本报告深入解读了微软亚洲研究院自2017年以来发布的12篇AI量化投资研究成果，涵盖因子选股、风险模型、算法交易、数据增强和时间序列预测等多个领域。重点揭示图神经网络、注意力机制等前沿技术在挖掘股票间隐含关系、处理市场时变性及利用另类数据（如舆情和事件驱动）中的应用，展示了微软与华夏基金、太平资产合作的实盘优秀表现。文章还展望了行业六大未来趋势，包括领域全面覆盖、产学研合作加强及前沿技术深度融入等，为国内量化投资提供了重要参考与启示 [page::0][page::3][page::22]。
本文介绍了基于遗传规划技术挖掘分析师一致预期因子，设计了适配三维结构的一致预期数据处理方案，实现了高效矩阵运算，挖掘出11个可解释性高的因子，验证其在不同股票池中的稳定性和有效性，展示因子构建逻辑及复合因子设计创新，具有较强的选股价值 [page::0][page::4][page::5][page::6][page::9][page::10][page::23]
本文通过引入残差网络结构，拆解股票收益来源，优化图神经网络选股模型，构建周频换仓中证 500 指数增强策略。回测期2011-2022年显示，采用加权mse的模型年化超额收益率达16.17%，信息比率2.14；结合XGBoost模型等权配置后，超额收益率提升至16.60%，信息比率达到2.94，显著降低风险并提升收益表现[page::0][page::3][page::23]。
本文采用混合注意力机制网络（HAN）对沪深300个股多日、多条新闻舆情文本进行深度挖掘，构建包含词语注意力、新闻注意力和时间注意力三层的神经网络模型，实现对未来一日股票涨跌的预测。基于HAN网络构建的TopK-Dropout选股策略在2019年至2022年区间表现出年化超额收益15.96%。通过删除不同注意力模块的对照试验，验证新闻与时间注意力对选股效果影响显著，词语注意力影响较小。注意力系数分析显示模型能有效聚焦于高信噪比词汇和直接关联新闻，体现较好的模型解释性。报告最后指出当前模型仍有提升空间，未来可引入自步学习、自注意力预训练模型等方法以优化表现 [page::0][page::3][page::24][page::25]
本文基于分析师盈利预测及评级调整的研报文本数据，通过机器学习模型构建forecast_adj_txt文本因子，实现对股价“催化剂”事件的间接识别。该因子分十层严格单调，表现稳健且与传统forecast_adj因子相关性低。结合基本面及技术面因子，构建FADT主动量化选股组合，回测期2009年至2022年年化收益44.13%，夏普比率1.48，显著超越基准中证500指数。模型参数稳健，策略容量存在提升空间，未来可探索更高阶NLP模型以增强语义解释能力 [page::0][page::5][page::12][page::32][page::34]
本文基于A股市场数据，构建了基于分析师共同覆盖的股票间关联关系，提出关联动量因子CF_RET，验证其能反映股票间短期领先滞后效应且优于传统行业和板块关联因子；同时构建基于分析师覆盖的改进反转、换手率及波动率因子，均表现出优越性，体现了均值回复机制。将分析师共同覆盖关系嵌入图神经网络GAT，进一步提升因子组合表现，年化超额收益提升3.17%，并通过注意力机制分析揭示股票间不对称影响关系，为量化研究与策略构建提供了有效思路 [page::0][page::4][page::8][page::13][page::14][page::19][page::24][page::26]
