量化模型与构建方式 1. 模型名称：全频段融合因子模型 - 模型构建思路：通过深度学习模型提取高频量价数据特征，并结合低频量价数据的多任务学习结果，合成综合因子[26] - 模型具体构建过程： 1) 训练27个高频因子生成高频深度学习因子 2) 对低频量价数据端到端挖掘生成低频多任务因子 3) 将两类因子融合为全频段融合因子 4) 分层回测中TOP层年化超额收益率达31.23%[26][27] - 模型评价：多频段数据融合有效提升信息捕获能力 2. 模型名称：AI中证1000增强组合 - 模型构建思路：基于全频段融合因子构建指数增强策略[27] - 模型具体构建过程： 1) 成分股权重≥80%，个股权重偏离≤0.8% 2) 控制barra暴露<0.3，周双边换手率30% 3) 周频调仓，交易成本双边0.4%[29] - 模型评价：严格风险控制下实现稳定超额收益 3. 模型名称：AI行业轮动模型 - 模型构建思路：利用全频段量价因子对32个一级行业进行周频轮动[16][23] - 模型具体构建过程： 1) 行业成分股因子得分加权生成行业评分 2) 每周选取评分TOP5行业等权配置 3) 调仓频率为周频，不计交易成本[23] - 模型评价：AI特征提取能力与自上而下策略形成互补[16] 4. 模型名称：AI主题指数轮动模型 - 模型构建思路：对133个主题指数进行周频轮动[9][15] - 模型具体构建过程： 1) 成分股因子得分加权生成主题指数评分 2) 每周选取评分TOP10指数等权配置 3) 交易成本双边0.04%[9] 5. 模型名称：文本FADT_BERT选股组合 - 模型构建思路：基于BERT升级的文本因子构建主动量化组合[32] - 模型具体构建过程： 1) 对盈利预测调整文本构建forecast_adjust_txt_bert因子 2) 在多头端基础股票池选取TOP25构成组合[32] 模型的回测效果 1. 全频段融合因子模型 - 5日RankIC均值：0.116[26] - TOP层年化超额收益率：31.23%[26] - 今年以来TOP层超额收益：18.28%[26] 2. AI中证1000增强组合 - 年化超额收益率：22.36%[27] - 年化跟踪误差：6.04%[27] - IR：3.70[27] - 超额收益最大回撤：7.55%[27] - Calmar比率：2.96[27] 3. AI行业轮动模型 - 年化收益率：25.69%[22] - 年化超额收益率：20.23%[22] - 超额收益最大回撤：12.43%[22] - 超额夏普比率：1.96[22] 4. AI主题指数轮动模型 - 年化收益率：16.65%[8] - 年化超额收益率：12.19%[8] - 今年以来超额收益：6.87%[8] 5. 文本FADT_BERT组合 - 年化收益率：39.73%[36] - 年化超额收益：31.34%[36] - 夏普比率：1.38[36] 量化因子与构建方式 1. 因子名称：全频段量价融合因子 - 因子构建思路：融合高频深度学习因子与低频多任务因子[26] - 因子具体构建过程： 1) 高频部分：通过LSTM网络提取27个高频特征 2) 低频部分：采用多任务学习框架挖掘价量关系 3) 合成方法：加权整合两类因子得分[26] 2. 因子名称：forecast_adjust_txt_bert - 因子构建思路：基于BERT模型升级文本分析因子[32] - 因子具体构建过程： 1) 对盈利预测调整文本进行BERT编码 2) 通过注意力机制提取关键语义特征[32] 因子的回测效果 1. 全频段量价融合因子 - 分层回测TOP层年化超额：31.23%[26] - RankIC稳定性：5日均值0.116[26] 2. forecast_adjust_txt_bert因子 - 组合年化超额收益：31.34%[36] - 历史最大回撤：48.69%[36]