选股因子系列研究（九十二）——组合约束对其收益表现的影响分析
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]。
金融研报AI分析
AlphaNet 改进：结构和损失函数
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]
人工智能 47：cGAN 模拟宏观指标
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]。
对抗过拟合：cGAN 应用于策略调参
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]
人工智能 49：SinGAN 单样本生成
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]
人工智能 50：再探 cGAN 资产配置
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]
人工智能 51：文本 PEAD 选股策略
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]
人工智能 52：神经网络组合优化初探
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]
人工智能 53：揭秘微软 AI 量化研究
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]。
基于遗传规划的一致预期因子挖掘
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]
人工智能 55：多角度改进图神经网络选股模型
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]。
新闻舆情分析的 HAN 网络选股
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]
人工智能 57：文本 FADT 选股
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]
分析师共同覆盖因子和图神经网络
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]
人工智能系列之 59：强化学习初探与 DQN 择时
本研报系统介绍强化学习基本理论及经典算法，重点聚焦基于DQN的上证指数日频择时策略构建与回测，原始参数下年化超额收益达18.2%，夏普比率1.31，经超参数优化后表现进一步提升，展现强化学习在量化投资中的潜力与风险[page::0][page::3][page::36][page::37]。
量化如何追求模糊的正确：有序回归
本报告介绍有序回归的原理及其在周频中证500指数增强选股模型中的应用。通过将分类和回归的特点结合，有序回归损失函数在保持顺序和距离信息的同时，适度容忍预测误差，追求“模糊的正确”。实证显示，基于全连接神经网络或残差图注意力网络的logistic有序回归损失相较传统加权MSE损失，可显著提升模型的Rank IC、多空收益、年化超额收益和信息比率。此外，将有序回归与加权MSE预测结果集成，进一步提升超额收益表现和信息比率，实现了选股效果的稳健优化。对损失函数类型、加权方式、分类数量及模型集成方法的敏感性测试，均支持logistic损失、10分类和预测值集成为最优配置。本研究为量化因子构建及机器学习模型优化提供了有效的新思路及实践路径 [page::0][page::3][page::12][page::20]
深挖分析师共同覆盖中的关联因子
本报告深入挖掘分析师共同覆盖中的股票间直接及间接关联信息，构建并优化了多层关联动量因子和改进反转因子，显著提升选股效果和中证1000指数增强组合表现，实证显示间接关联补充直接关联信息、改进因子具备更强的选股能力，关联事件因子提升有限，综合展示了分析师共同覆盖在量化投资中的应用价值与潜力 [page::0][page::3][page::5][page::7][page::12][page::19][page::22][page::23]
人工智能 62：NLP 发展综述，勾勒 AI 语义理解的轨迹
本文系统回顾了自然语言处理（NLP）技术的发展历程，划分为统计语言模型、词向量模型和预训练语言模型三个阶段。重点介绍了经典模型及其演进逻辑，如N-gram、NNLM、Word2Vec、GloVe、fastText，以及预训练模型代表ELMo、GPT、BERT和XLNet，详解Transformer架构和注意力机制。通过理论介绍帮助金融领域读者理解NLP技术特性及其潜在应用，为金融文本挖掘与量化交易策略提供技术支持和认知基础[page::0][page::3][page::47]
人工智能 63：再探文本 FADT 选股
本报告基于FinBERT预训练模型升级分析师研报文本挖掘框架，通过对研报文本进行FinBERT隐藏层编码，替代传统词频向量，结合XGBoost模型二次训练，实现文本因子收益显著提升。新因子forecast_adj_txt_bert多头年化收益较旧版上升近5个百分点，回测期2009年至2022年表现稳健。并针对文本截断与分段、FinBERT微调、编码层次、因子融合及单纯FinBERT微调等多维度进行了系统扩展测试，均显示模型升级效果稳健非偶然。不同业绩及评级调整场景下升级文本因子均见提升。报告展现了三种基于该因子的主动量化组合构建案例，其中不等权组合年化收益45.90%，相对中证500超额36.35%。此外因子与传统多因子及Barra风格因子相关性较低，具有alpha特异性，覆盖沪深300和中证500标的股票，具备较强实用价值和拓展潜力 [page::0][page::2][page::4][page::17][page::21][page::26][page::29][page::37]
“星火”多因子系列（一）
本报告基于Barra多因子模型，构建方正金工多因子风险收益归因系统，分析了2017年及2010-2017年间A股市场风格变化及因子表现，揭示大盘蓝筹股兴起、规模因子反转和低估值偏好的市场特点，提供了任意资产组合的收益分解和风险管理工具[page::0][page::3][page::8][page::12][page::15]。
