量化模型与构建方式 1. **模型名称：GRU模型** - **模型构建思路**：结合基本面和量价特征的时序预测模型，用于股票多空组合构建[3][4][5][6] - **模型具体构建过程**： 1. 输入数据包括量价特征（如开盘价、收盘价）和Barra风格因子（如市值、波动率）[15][17] 2. 通过GRU神经网络对时序特征进行训练，生成股票评分 3. 每月末按评分排序，构建多空组合（前10%做多，后10%做空）[17] - **模型评价**：在不同市场环境下表现分化，对量价特征捕捉能力较强但稳定性待提升[3][4][6] 2. **模型名称：多因子模型** - **模型构建思路**：综合基本面与技术面因子构建复合评分[7][30] - **模型具体构建过程**： 1. 因子标准化与行业中性化处理[17] 2. 动态加权组合财务因子（如市盈率、营收增长率）和技术因子（如动量、波动率）[15][28] 3. 约束条件包括行业偏离≤0.01、风格偏离≤0.5σ[29] --- 量化因子与构建方式 1. **因子名称：Barra风格因子** - **因子构建思路**：基于经典风险模型拆解市场风格收益来源[15] - **因子具体构建过程**： - **市值因子**：总市值自然对数 $$ \text{Size} = \ln(\text{MarketCap}) $$ - **波动因子**：复合波动率计算 $$ \text{Volatility} = 0.74\sigma_{ret} + 0.16|\text{CAR}| + 0.1\sigma_{residual} $$ - **流动性因子**：多期换手率加权 $$ \text{Liquidity} = 0.35\text{Turnover}_{1M} + 0.35\text{Turnover}_{3M} + 0.3\text{Turnover}_{1Y} $$ - **盈利因子**：复合财务指标 $$ \text{Earnings} = 0.68\frac{E}{P} + 0.21\frac{1}{P/CF} + 0.11\frac{1}{P/E_{ttm}} $$ - **因子评价**：市值和估值因子近期表现稳健，动量因子持续失效[16][17] 2. **因子名称：技术类因子** - **构建思路**：捕捉价格序列中的趋势与反转特征[28] - **具体构建过程**： - **动量因子**：N日收益率均值（20/60/120日） - **波动因子**：滚动窗口收益率标准差[28] - **因子评价**：中证1000成分股中动量因子空头收益显著[26][28] 3. **因子名称：基本面因子** - **构建思路**：财务指标加权（静态与动态结合）[18][21] - **具体构建过程**： - **超预期增长因子**：分析师预测与历史增长率差值 - **估值因子**：市盈率/市净率倒数[15][27] --- 模型的回测效果 | 模型名称 | 近一周超额收益 | 今年以来超额收益 | IR（三年年化） | |----------------|----------------|------------------|----------------| | GRU-barra5d | -0.31% | 7.42% | - | [30][31] | GRU-close1d | -0.40% | 5.73% | - | [30][31] | 多因子模型 | 0.66% | 3.28% | - | [30][31] --- 因子的回测效果 | 因子类型 | 中证1000多空收益（近一周） | 沪深300多空收益（近一周） | |----------------|----------------------------|---------------------------| | 市值因子 | - | 正向显著 | [16][21] | 60日动量 | -2.17% | 负向 | [22][28] | 市盈率因子 | 正向显著 | 负向 | [26][27] | 波动率因子 | -1.53% | 正向显著 | [22][28]

在中国基金业逐步开放的大背景下，今年上半年，外资公募正在继续加快产品线在本土市场的落地步伐。 券商中国记者注意到，今年以来，债券类产品成为了外资公募新发的绝对主力，体现了外资"稳中求进"的市场 策略。多只债基首发规模突破50亿元，稳健配置价值受到资金广泛认可。 与此同时，指数增强型基金在权益产品中迅速崛起，成为外资重点关注的布局方向。而以多元资产配置、港股 精选策略等为代表的特色产品，也进一步丰富了外资公募在中国市场的投资工具箱，推动本土化体系持续完 善。 债基成外资公募新发主线，头部产品规模不低于50亿元 今年以来，债券基金已悄然成为外资公募新基金发行的绝对主力。从纯债产品到混合债基，各类债券型产品密 集亮相，构成了外资公募在华发展业务的重要抓手。 券商中国记者注意到，贝莱德基金接连推出了中长期纯债型基金贝莱德安泽60天持有，以及混合债券型二级基 金贝莱德富元添益。路博迈基金则布局了路博迈兴航60天滚动持有这一中长期纯债产品。 其他外资公募亦动作频频。施罗德基金发行了中长期纯债型基金施罗德添源纯债，安联基金发行了混合债券型 二级基金安联安裕，联博基金发行了混合债券型二级基金联博汇利。 此外，多只宏利旗下产品 ...

核心观点 - 公募基金高质量发展利好长线板块与被动投资，主动权益基金或更新业绩基准，聚焦国企、科技、消费等主题，分域选股与基本面因子可掘金超额收益 [4] - 2025年以来大类资产表现分化，行业主题ETF重要性凸显，投资者可关注黄金、汽车、银行等行业ETF [4] - ETF+投顾潜力大，银河金工团队回测的5种ETF量化策略中，大类资产宏观择时策略表现稳健 [4] 公募基金高质量发展，利好长线板块与被动投资 《推动公募基金高质量发展行动方案》引领行业重视回报，厚积薄发 - 2025年5月7日，证监会印发《推动公募基金高质量发展行动方案》，提出25条举措，推动主动与被动产品市场长期高质量发展 [7][8] - 方案对主动产品突出报酬与业绩绑定和长周期考核机制，对被动产品要求下调费率、实行ETF快速注册机制等 [4] - 目前大部分Smart Beta指数产品集中于红利风格，策略股票ETF有很大发展空间，近期多家基金公司新发挂钩中证全指自由现金流指数的ETF产品 [11] 业绩基准的选择：主指数以宽基为主 - 方案要求强化业绩比较基准的约束作用，普通股票型基金和混合型基金业绩基准主指数多为沪深300、中证500、中证1000等宽基指数 [15] 浮动管理费收取机制：业绩挂钩的浮动管理费率存在较大改革空间 - 截至2025年一季度，基于业绩浮动管理费率的基金（不包括REITs）共有88只，规模合计877.8亿元，在整体基金市场规模中占比仅为0.27% [21] - 2024年浮动费率基金收益表现较弱，不足20%的浮动费率基金相对基准实现正超额收益 [25] ETF市场：产品丰富度呈厚尾效应，大类资产指数产品有待丰容 - 截至2025年第一季度，ETF整体规模为43828亿元，股票被动指数型基金规模占比达63%，其他资产类型指数产品仍有较大发展空间 [31] - 按挂钩指数统计，规模前10的指数中，A股宽基指数占比较高，宽基类产品头部效应明显，产品丰富度呈现厚尾效应 [33][34] 主题投资：聚焦长线板块，基本面掘金超额收益 公募基金高质量发展利好长线投资，基准改革促进基金明晰主题风格 - 公募基金高质量发展利好长线投资，主动权益基金存在更新基准指数的可能性，当前主动权益基金基准以宽基指数为主，导致超额收益与市场牛熊高度相关 [35][39] - 消费、科技、红利等板块是当前市场关注度最高的投资主线，主动权益基金主题风格型基准主指数中，消费、科技、ESG主题与红利风格较为常见 [43] 国企、科技、消费三大主题差异互补，基本面分域选股具备配置优势 - 国企、科技、消费三大主题在风格暴露上差异显著，具有较强的互补性，市场表现也具有互补效果，对三大主题进行长期配置可获得稳健超额收益 [44][48] - 分域选股可使选股因子更能体现主题特征，增厚策略收益，基本面因子适用于主题分域选股，能反映企业长期业绩表现与潜在价值 [51][52] 国企主题选股：红利型传统行业避风险，成长型新兴行业求发展 - 以中证国企指数成分股为基础，加入北交所国企股票和实控人为中科院等事业单位的股票，构成央国企主题选股的股票池 [53] - 选择净资产收益率ROE（TTM）、营业现金比率等通用因子和行业特色因子，加权计算得分，构建央国企基本面选股策略 [53][60] - 2019年12月31日至2025年5月30日，央国企主题基本面因子选股策略回测净值的年化收益率为22.34%，相比基准中证国企指数实现年化超额收益20.33% [62] 科技主题选股：现金流划分企业生命周期，优选成长与成熟期企业 - 从所属行业与研发投入两个角度定义科技股，剔除震荡期和衰退期股票，构建科技股样本池 [64][66][68] - 选择毛利率_环比增量、归母净利润成长能力等通用因子和特色因子，对科技股样本池进行打分，构建多头选股策略 [69][74] - 2019年12月31日至2025年5月30日，科技主题基本面因子选股多头策略回测净值的年化收益率为21.21%，相比科技股样本池平均收益实现年化超额收益10.86% [75] 消费主题选股：成长与现金流并举，挖掘高质量新消费潮流 - 筛选业务/产品/服务直接to C的行业，按三级行业的业务属于制造业/服务业，对消费股进行分域，分为制造型与服务型两大类 [78] - 选择预收账款+合同负债同比增速_环比增量、经营现金流/营业收入等通用因子和特色因子，构建消费主题基本面选股策略 [82] - 2019年12月31日至2025年5月30日，消费主题基本面因子选股多头策略回测净值的年化收益率为20.47%，相比基准20%中证主要消费+20%中证可选消费实现年化超额收益18.81% [82][83] 债市领跑，股商分化，行业主题ETF重要性凸显 大类资产：上半年权益资产表现分化，债券资产相对占优 - 2025年以来，大类资产表现分化，股市震荡，债市向好，大宗商品各异，黄金表现突出 [4] 黄金资产：多因素支撑黄金资产强势表现 - 报告未提及具体内容 行业板块：汽车银行行业领涨 - 汽车、银行行业相关ETF因产业发展与资金流入上涨，科技板块持续受关注但波动较大 [4] ETF市场："稳中有升"，行业主题重要性凸显 - 2025年上半年ETF总规模突破4万亿元，行业主题ETF规模增加超过420亿元，资金青睐科技类行业主题ETF [4] ETF量化策略表现 ETF+投资顾问潜力巨大 - 公募基金高质量发展背景下，ETF+投资顾问专业化趋势显著，发展潜力巨大，铸就ETF量化策略潜能 [4] 宏观择时策略 - 截至2025年5月30日，大类资产宏观择时策略自2020年起年化收益8.87%，夏普比率和Calmar比率分别为1.27和1.42，最大回撤为-4.80%，表现最为稳健 [4] 动量择势策略 - 动量择势策略年化收益率为17.99%，最大回撤为-29.72%，板块拥挤度配置高风险带来高收益 [4] 行业轮动策略 - 行业轮动策略年化收益7.95%，捕捉行业轮动趋势 [4] 基于Copula的二阶随机占优策略 - 基于Copula的二阶随机占优策略年化收益22.34% [4] 基于分位数随机森林的科技类ETF配置策略 - 基于分位数随机森林的科技类ETF策略年化收益5.46%，以分位数随机森林算法为核心，捕捉科技板块潜在收益 [4]

证券研究报告：金融工程报告 发布时间：2025-06-16 研究所 分析师:肖承志 SAC 登记编号:S1340524090001 Email:xiaochengzhi@cnpsec.com 研究助理:金晓杰 SAC 登记编号:S1340124100010 Email:jinxiaojie@cnpsec.com 近期研究报告 《谷歌更新 Gemini 2.5 Pro，阿里开 源 Qwen3 新模型——AI 动态汇总 20250609【中邮金工】》 - 2025.06.09 《结合基本面和量价特征的 GRU 模 型》 - 2025.06.05 《Claude 4 系列发布，谷歌上线编程 智能体 Jules——AI 动态汇总 20250526》 - 2025.05.27 《谷歌发布智能体白皮书，Manus 全面 开放注册——AI 动态汇总 20250519》 - 2025.05.20 《证监会修改《重组办法》，深化并购 重组改革——微盘股指数周报 20250518》 - 2025.05.19 《通义千问发布 Qwen-3 模型， DeepSeek 发布数理证明大模型——AI 动态汇总 20250505》 - 20 ...

国技期货 商品量化CTA周度跟踪 国投期货研究院 金融工程组 2025/6/10 | | | 动量时序 动量截面 期限结构 持仓量 | | | | --- | --- | --- | --- | --- | | 黑色板块 | | 0. 09 | 0 | -0.08 | | 有色板块 | 0. 05 | -0. 21 | 0. 52 | 1.13 | | 能化板块 | -0. 02 | 0.18 | 0. 37 | 0. 69 | | 农产品板块 | 0.13 | 0. 35 | 0. 41 | -0.19 | | 股指板块 | -0. 71 | 0. 46 | -0. 63 | 1.06 | | 员金属板块 | 0.12 - | | | 0. 88 | 大类信号强度 老 ने F3H र्गे සි 需求 库存 价差 ■上周因子强度 ■ 当周因子强度 数据来源:wind,国投期货 国投期货 净值曲线 ■大类合成 标求 座存 价主 1.25 1.05 | 203 | Post | 20, 2 | POST | 20, 20 | Start Barlay | >国投期货 | 数据来源:wind,国投期货 | | ...

量化模型与构建方式 国企基本面因子选股策略 1. **模型名称**：国企基本面因子选股多头策略 - **模型构建思路**：基于中证国企指数成分股及北交所符合条件的国企股票构建样本池，根据行业分类（红利型、成长型）选择通用因子和行业特色因子，通过加权打分选股[3][4][5]。 - **模型具体构建过程**： 1. **样本池定义**：中证国企指数成分股+北交所上市满6个月的央/地方国企股票[3]。 2. **行业分类**：将ZX三级行业划分为红利型（资源品、公用事业等6类）和成长型（先进制造、软件服务等3类）[4]。 3. **因子选择**： - **通用因子**：股息率（TTM）、ROE（TTM）、营业现金比率等，权重根据行业类型调整（红利型股息率权重4，成长型为2）[5][6]。 - **行业特色因子**：如资源品的ROIC环比增量、房地产的存货周转率等[7][8]。 4. **得分计算**：通用因子得分（30%）+行业特色因子得分（70%）加权，归一化为百分制总分[9]。 5. **权重分配**：前50名个股按得分立方加权，公式为： $$w_{i}={\frac{s c o r e_{i}^{3}}{\sum_{i=1}^{N}s c o r e_{i}^{3}}}$$ [10]。 - **模型评价**：突出国企红利特征，兼顾行业差异，因子权重设计体现不同行业逻辑[5][9]。 科技主题基本面因子选股策略 1. **模型名称**：科技主题基本面因子选股多头策略 - **模型构建思路**：从符合科技定义的行业（电子、计算机等）中筛选高研发投入股票，按企业生命周期（引入期、成长期、成熟期）分域选股[17][19][21]。 - **模型具体构建过程**： 1. **样本池定义**：SW三级行业属于科技领域且研发费用占比>5%或研发人员占比>10%的股票[17][18]。 2. **生命周期划分**：根据现金流正负将企业分为引入期、成长期等阶段，剔除震荡期和衰退期股票[19][20]。 3. **因子选择**： - **通用因子**：毛利率环比增量、独立发明专利数量等[22]。 - **特色因子**：成长期关注资产负债率（正向），成熟期关注PB-ROE（正向）[22][28]。 4. **得分计算**： - 单因子分位数打分后，按公式调节总分均衡性： $${\hat{\mathbb{E}}}_{i}^{s}\nearrow\ ={\frac{1}{5}}M e a n(S_{i})+{\frac{M e a n(S_{i})}{S t d(S_{i})}}$$ [23]。 - 研发费用乘数调整总分： $$研发费用乘数 = 0.9 + 0.2 × Normalization\left(\frac{Mean_{industry}(研发费用/总市值)}{Mean_{Astock}(研发费用/总市值)}\right)$$ [25][26]。 5. **权重分配**：前50名个股按得分线性加权，公式为： $$w e i g h t_{i}={\frac{s c o r e_{i}}{\sum_{i=1}^{50}s c o r e_{i}}}$$ [27]。 - **模型评价**：强调研发投入和高成长性，生命周期分域增强因子有效性[21][22]。 --- 模型的回测效果 国企基本面因子选股多头策略 - **年化收益率**：23.09% - **年化超额收益**：21.01%（vs 中证国企指数） - **Sharpe比率**：1.0648 - **Calmar比率**：0.9799 - **最大回撤**：-23.56% - **超额收益Sharpe比率**：1.7000[11][12]。 科技主题基本面因子选股多头策略 - **年化收益率**：25.25% - **年化超额收益**：10.62%（vs 科技股样本池） - **Sharpe比率**：0.9404 - **Calmar比率**：0.7476 - **最大回撤**：-33.78% - **超额收益Sharpe比率**：1.4755[29][30]。 --- 量化因子与构建方式 国企基本面因子 1. **通用因子**： - **股息率（TTM）**：反映国企分红稳定性[6]。 - **ROE（TTM）**：央企业绩考核指标，衡量盈利能力[6]。 - **营业现金比率**：经营现金流/营业总收入，考核销售质量[6]。 2. **行业特色因子**： - **资源品**：ROIC环比增量（盈利+营运效率）[7]。 - **房地产**：存货周转率（销售效率）[8]。 - **银行**：资本充足率（抗风险能力）[8]。 科技主题基本面因子 1. **通用因子**： - **毛利率环比增量**：反映利润空间[22]。 - **独立发明专利数量**：衡量技术水平[22]。 2. **特色因子**： - **成长期**：资产负债率（正向，支持扩张）[22][28]。 - **成熟期**：PB-ROE（低估值高ROE）[22][28]。 --- 因子的回测效果 （注：报告中未单独列出因子级回测指标，仅展示模型综合效果）

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：Barra风格因子** - **构建思路**：基于多维度市场特征构建的综合风格因子体系，涵盖市场风险、市值、动量等核心维度[14] - **具体构建过程**： - **Beta因子**：历史beta值 - **市值因子**：总市值取自然对数 - **动量因子**：历史超额收益率序列均值 - **波动因子**： $$0.74 \times 历史超额收益率波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率波动率$$ - **非线性市值**：市值风格的三次方 - **估值因子**：市净率倒数 - **流动性因子**： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - **盈利因子**： $$0.68 \times 预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ - **成长因子**： $$0.18 \times 预测长期盈利增长率 + 0.11 \times 预测短期增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - **杠杆因子**： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ - **因子评价**：全面覆盖市场风格特征，但需动态调整权重以适应市场变化[14] 2. **因子名称：GRU模型因子** - **构建思路**：基于门控循环单元（GRU）神经网络构建的时序预测因子[18][20][22][24] - **具体构建过程**： - 输入层：标准化后的量价数据（如开盘价、收盘价） - 隐藏层：GRU单元捕捉时序依赖 - 输出层：预测未来收益率并生成因子信号 - 衍生模型包括： - **open1d**：基于开盘价序列的1日预测 - **close1d**：基于收盘价序列的1日预测 - **barra1d/5d**：结合Barra因子的1日/5日预测 - **因子评价**：在中小市值股票中表现突出，但对计算资源要求较高[24][28] 3. **因子名称：技术类因子** - **构建思路**：基于价格波动与动量效应的传统技术指标[17][21][26] - **具体构建过程**： - **动量因子**：20日/60日/120日收益率均值 - **波动因子**：20日/60日/120日收益率标准差 - **中位数离差**：价格与移动中位数的偏离度 - **因子评价**：中长期动量稳定性优于短期[26] --- 因子回测效果 | 因子类别 | 测试范围 | 多空收益表现（最近一周） | 三年年化IR | 五年年化IR | |----------------|----------------|--------------------------|------------|------------| | **Barra风格因子** | 万得全A | Beta/估值因子多头占优[15] | - | - | | **基本面因子** | 全市场 | 增长类因子正向收益[17] | - | - | | **技术类因子** | 中证1000 | 120日动量正向0.20%[26] | -4.42% | 1.02% | | **GRU模型** | 中证1000 | close1d超额0.73%[28] | - | - | --- 模型回测效果 | 模型名称 | 超额收益（今年以来） | 近六月超额 | 近三月超额 | |------------|----------------------|------------|------------| | open1d | 6.94%[28] | 5.08% | 5.81% | | close1d | 5.48%[28] | 4.96% | 4.47% | | barra5d | 6.90%[28] | 6.79% | 5.92% | | 多因子组合 | 2.97%[28] | 6.32% | 4.75% | 数据来源：中证1000指数基准，月度调仓[27][28]

国债期货：预期有限行情震荡有限，静待市场 选择方向 | 虞堪 | 投资咨询从业资格号：Z0002804 | yukan@gtht.com | | --- | --- | --- | | 林致远 | 投资咨询从业资格号：Z0021471 | linzhiyuan@gtht.com | 2025 年 05 月 28 日 【基本面跟踪】 5 月 27 日，国债期货收盘全线收跌，30 年期主力合约跌 0.26%，10 年期主力合约跌 0.11%，5 年期 主力合约跌 0.03%，2 年期主力合约跌 0.02%。 国债期货指数为-0.12。量价因子看多，基本面因子看空。无杠杆下，策略近 20 日累加收益为 0.04%，近 60 日累加收益为-0.53%，近 120 日累加收益为 0.14%，近 240 日累加收益为 1.27%。 权益市场方面，市场全天震荡调整，创业板指领跌。截至收盘，沪指跌 0.18%，深成指跌 0.61%，创 业板指跌 0.68%。盘面上，市场热点较为杂乱，个股上涨和下跌家数基本相当。 资金方面，隔夜 shibor 报 1.4520%，较前一交易日下跌 5.4bp，7 天 shibor 报 1.59 ...

报告核心观点 报告对ETF轮动因子、高频因子进行跟踪测试，并构建相关指数增强策略，各因子和策略在样本外有不同表现，部分近期表现优异，还给出本周建议关注的ETF及策略持仓列表 [3][4][5] 各部分总结 ETF轮动策略跟踪 ETF轮动因子及策略近期表现 - 使用GBDT+NN机器学习因子构建周度调仓的ETF轮动策略，样本外整体表现良好 [13] - 上周因子IC值44.48%，多头超额收益率0.73% [14] - 考虑手续费，以沪深300指数为基准回测，策略年化超额收益率11.88%，信息比率0.69，超额最大回撤17.31% [15][17] - 上周超额收益率0.20%，本月以来超额收益率1.64%，今年以来超额收益率0.35% [18] 本周建议关注ETF - 本周ETF持仓包括证券ETF龙头、红利低波ETF等多只ETF [21][22] 高频因子超额收益概览 - 过去一周，各类高频因子多头组合在中证1000指数成分股中表现稳定，价格区间类因子多空收益率-2.07%，多头超额收益率-1.17%；量价背离因子多空收益率-1.18%，多头超额收益率-0.22%；遗憾规避因子多空收益率1.65%，多头超额收益率0.75% [22] 各类高频因子近期表现跟踪 高频价格区间因子 - 高价格区间成交笔数与成交量因子与股票未来收益负相关，低价格区间平均每笔成交量因子与股票未来收益正相关 [25] - 高价格80%区间成交量因子、高价格80%区间成交笔数因子和低价格10%区间每笔成交量因子周频调仓表现较好 [25] - 三个细分因子上周多空收益率分别为-1.73%、-1.56%、0.14%，多头超额收益率分别为-1.17%、-1.26%、0.32% [26] - 合成后价格区间因子样本外表现出色，超额净值曲线稳定向上 [28] 高频量价背离因子 - 量价背离时，股价未来上涨可能性高；量价趋同时，股价未来下跌可能性高 [31] - 价格与成交笔数的相关性和价格与成交量的相关性周频调仓表现较好 [31] - 两个细分因子上周多空收益率分别为-0.69%、-1.05%，多头超额收益率分别为-0.33%、-0.43% [31] - 合成后量价背离因子自2020年以来收益呈下降趋势，今年以来表现良好 [36] 遗憾规避因子 - 利用投资者遗憾规避情绪可构造有效选股因子 [37] - 卖出反弹占比因子和卖出反弹偏离因子周频表现较好 [37] - 两个细分因子上周多空收益率分别为1.67%、0.70%，多头超额收益率分别为0.88%、0.55% [40] - 合成后遗憾规避因子收益表现整体平稳向上，今年以来超额收益0.27% [44] 斜率凸性因子 - 用委托价和累计委托量计算买卖双方订单簿斜率，构建斜率凸性因子 [45] - 低档斜率因子和高档位卖方凸性因子周频调仓近期表现波动 [45] - 两个细分因子上周多空收益率分别为-0.75%、-0.50%，多头超额收益率分别为-0.34%、-0.88% [47] - 合成后斜率凸性因子自2016年以来收益平稳，样本外表现平淡 [48] 基于基本面因子与高频因子构建的中证1000指数增强策略表现 高频"金"组合中证1000指数增强策略 - 三类高频因子等权合成构建策略，周度调仓，加入换手率缓冲机制 [52] - 策略年化超额收益率10.62%，信息比率2.52，超额最大回撤6.04% [52] - 上周超额收益0.19%，本月以来超额收益0.19%，今年以来超额收益5.87% [55] 高频&基本面共振组合中证1000指数增强策略 - 基本面因子与高频因子结合构建策略，基本面因子包括一致预期、成长和技术因子 [57] - 策略年化超额收益率14.76%，信息比率3.57，超额最大回撤4.52% [59] - 上周超额收益-0.70%，本月以来超额收益-0.70%，今年以来超额收益3.74% [60] 附录 - 高频"金"组合中证1000指数增强策略本周持仓包含新媒股份、中望软件等多只股票 [64][65] - 高频&基本面共振组合中证1000指数增强策略本周持仓包含新媒股份、禾丰股份等多只股票 [67][68]

点击小程序查看报告原文 Abstract 摘要 LLM在个股投研的应用：因子挖掘、个股复盘 随着资本市场信息生产机制的加速迭代，上市公司每日披露的公告、舆情、产业链动态等非结构化数据呈现指数级增长。传统人工复盘模式受限于信息处 理效率与认知边界，已难以满足投资者对海量增量信息的实时追踪与价值提炼需求；成熟的基本面选股逻辑如何高效地转化为定量因子也是困扰投资者的 重要问题。本报告提出，通过大语言模型（LLM）技术构建智能化个股复盘框架和基本面因子生成框架，期望通过技术赋能的方式助力投资者实现投研 工作流的提质增效。 主观逻辑因子化和个股复盘或为LLM在个股投研中较好的应用场景。 利用LLM构造基本面选股因子的挖掘框架，可以发挥LLM在推理能力和创造性方面 的优势，提高主观选股逻辑到量化因子的转化效率。利用LLM构建智能化个股复盘体系，可以发挥LLM在处理非结构化数据及观点总结能力方面的优 势，可有效抽取每日关键信息，高效复盘每日最新信息，输出带有一定置信度评估的初步结论，为投资者提供决策参考锚点。 基于LLM的基本面因子挖掘框架：发挥LLM的创造力 关键点：Prompt引导因子创造方向。 在基于LLM的基本面因 ...