量化模型与构建方式 1. 模型名称：AI 行业轮动模型[1] * 模型构建思路：使用全频段量价融合因子对行业进行打分，自下而上构建周频行业轮动策略，选择得分最高的行业进行配置[1][26]。 * 模型具体构建过程： 1. 行业池：选取32个一级行业，其中食品饮料、有色金属等进行了细分，不考虑综合和综合金融[32]。 2. 因子：使用全频段量价融合因子[32]。计算每个行业内所有成分股的因子得分，并对该行业内所有股票的因子得分进行汇总（如平均），得到该行业的综合得分[26]。 3. 策略规则：每周最后一个交易日，选择模型得分最高的5个行业，在下一周第一个交易日以收盘价等权买入，周频调仓，不计交易成本[32]。 2. 模型名称：AI 中证1000增强组合[2][7] * 模型构建思路：基于全频段融合因子，通过量化方法构建中证1000指数的增强组合，旨在获取超越基准的超额收益[2]。 * 模型具体构建过程： 1. 因子：使用全频段融合因子[7]。 2. 组合构建方式： * 对中证1000指数成分股使用全频段融合因子进行排序和筛选。 * 成分股权重不低于80%[8]。 * 个股权重偏离上限为0.8%[8]。 * Barra风格暴露控制小于0.3[8]。 * 周双边换手率控制为30%[8]。 * 周频调仓，交易费用为双边千分之四[8]。 3. 模型名称：文本 LLM-FADT 选股策略/中证500增强策略[3][11] * 模型构建思路：在BERT-FADT模型基础上，引入大语言模型对分析师研报文本进行多维度“博观”解读，生成额外的文本信息，以丰富模型输入，提升选股效果[3][11]。 * 模型具体构建过程： 1. 文本增强：对原始分析师研报的标题和摘要，使用大语言模型从以下5个角度进行额外解读：标题新解、行情催化剂、“言外之意”、潜在风险、收益指引[11][14]。 2. 特征提取：将原始文本及上述5个LLM生成的解读文本，共计6类文本，输入微调版的FinBERT模型，分别转化为文本特征向量[14]。 3. 模型训练：将得到的6组文本特征向量作为输入，使用XGBoost模型进行训练，预测股票未来收益[14]。 4. 模型名称：AI 主题指数轮动模型[4] * 模型构建思路：使用全频段量价融合因子对一系列主题指数进行打分，构建周频调仓策略，选择得分最高的主题指数进行配置[4]。 * 模型具体构建过程： 1. 指数池：选取Wind ETF基金分类下的主题ETF所跟踪的指数，共133个主题指数[37]。 2. 因子：使用全频段量价融合因子[37]。计算每个主题指数内所有成分股的因子得分，并对该指数内所有股票的因子得分进行汇总，得到该主题指数的综合得分[37]。 3. 策略规则：每周最后一个交易日，选择模型得分最高的10个主题指数，在下一周第一个交易日以开盘价等权买入，周频调仓，交易成本为双边万分之四[37]。 5. 模型名称：AI 概念指数轮动模型[4] * 模型构建思路：使用全频段量价融合因子对一系列Wind热门概念指数进行打分，构建周频调仓策略，选择得分最高的概念指数进行配置[4]。 * 模型具体构建过程： 1. 指数池：选取Wind热门概念指数，共72个概念指数[45]。 2. 因子：使用全频段量价融合因子[45]。计算每个概念指数内所有成分股的因子得分，并对该指数内所有股票的因子得分进行汇总，得到该概念指数的综合得分[45]。 3. 策略规则：每周最后一个交易日，选择模型得分最高的10个概念指数，在下一周第一个交易日以开盘价等权买入，周频调仓，交易成本为双边万分之四[45]。 6. 因子名称：全频段融合因子[5] * 因子构建思路：融合高频与低频量价数据信息，通过深度学习与多任务学习分别挖掘不同频段的数据特征，最终合成一个综合性的选股因子[5]。 * 因子具体构建过程： 1. 高频因子挖掘：使用深度学习模型对27个高频量价特征进行训练，得到高频深度学习因子[5]。 2. 低频因子挖掘：利用多任务学习对低频量价数据进行端到端挖掘，得到低频多任务因子[5]。 3. 因子融合：将上述得到的高频深度学习因子与低频多任务因子进行合成，形成最终的全频段融合因子[5]。 量化模型的回测效果 1. AI 行业轮动模型 (回测期：2017-01-04 至 2026-06-05，基准：行业等权组合)[1][31] * 年化收益率：26.44%[1][31] * 年化超额收益率：19.80%[1][31] * 超额收益最大回撤：12.43%[31] * 超额夏普比率：1.88[31] * 今年以来收益率：9.54%[1][31] * 今年以来超额收益率：11.12%[1][31] 2. AI 中证1000增强组合 (回测期：2017-01-04 至 2026-06-05，基准：中证1000指数)[2][7][9] * 年化收益率：20.22%[2][9] * 年化超额收益率：20.22%[2][7][9] * 年化跟踪误差：6.18%[2][7][9] * 信息比率(IR)：3.27[2][7][9] * 超额收益最大回撤：10.32%[2][7][9] * 超额收益Calmar比率：1.96[2][7][9] * 夏普比率：0.87[9] * 年化波动率：23.26%[9] * 最大回撤：33.08%[9] * 相对基准月胜率：77.68%[9] * 调仓双边年化换手率：32.64%[9] * 本周超额收益：-0.65%[2][7] * 今年以来超额收益：-3.61%[2][7] 3. 文本 LLM-FADT 中证500增强策略 (回测期：2017-01-26 至 2026-06-05，基准：中证500指数)[3][17][21] * 年化收益率：28.76%[3][17][21] * 年化超额收益率：24.96%[3][17][21] * 年化跟踪误差：12.76%[21] * 信息比率(IR)：1.96[3][17][21] * 超额收益最大回撤：22.89%[21] * 超额收益Calmar比率：1.09[21] * 夏普比率：1.12[3][17][21] * 年化波动率：25.69%[21] * 最大回撤：36.70%[21] * Calmar比率：0.78[21] * 相对基准月胜率：74.34%[21] * 年化双边换手率：15.09[21] * 2026年超额收益：-0.1%[3][17] * 6月超额收益：-1.3%[3][17] 4. AI 主题指数轮动模型 (回测期：2018-01-02 至 2026-06-05，基准：主题指数等权组合)[4][37] * 年化收益率：15.51%[4][37] * 年化超额收益率：8.90%[4][37] * 超额收益最大回撤：21.27%[37] * 超额夏普比率：0.69[37] * 今年以来收益率：-0.89%[4][37] * 今年以来超额收益率：-3.68%[4] 5. AI 概念指数轮动模型 (回测期：2018-01-02 至 2026-06-05，基准：概念指数等权组合)[4][41] * 年化收益率：21.04%[41] * 年化超额收益率：9.42%[41] * 超额收益最大回撤：22.27%[41] * 超额夏普比率：0.80[41] * 今年以来收益率：-3.75%[41] 量化因子的回测效果 1. 全频段融合因子 (测试方式：在全A股范围内分层回测，基准：全A等权组合)[5][7] * 5日RankIC均值：11.2%[5][7] * TOP层年化超额收益率：28.17%[5][7] * 今年以来TOP层超额收益率：0.76%[5][7]