一周回顾 - 经济数据验证期预期本就偏低，预期额外下修空间也有限 [3] 专题研究 - 战略机遇的预期变：25H2指数中枢抬升，2026年期待全面牛市 [7] - 美对华关税威胁可能伤害风险偏好，敏感窗口是25Q2，美国补库存对进口需求的支撑已经消退，海外衰退 + 补库存趋弱导致外需存在额外回落压力 [8] - 连跌4年的医药板块：2025年行业轮动反转策略有效概率较大，医药生物连续四年负收益，建材、轻工制造、钢铁、基础化工、有色金属、电力设备、国防军工、环保连续三年负收益 [9] 港股市场 - 短期情绪指标已到高位，但市场整体流动性指标未触及前期高点，中长期科技产业趋势兴起应给予长期展望 [11] 美股投资策略 - 2025年美股春季投资策略展望：基本面风险释放仍需等待，二季度建议保持对冲，科技股作为核心资产，AI产业进步仍是上行风险，对比1990s互联网行情寻找借鉴经验 [14] - 1990s互联网行情周期：计算机销售同比转负后估值和盈利增速大幅下行，信息技术行业在泡沫破裂阶段跌幅达61% [16] 消费行业 - 恒生消费指数聚焦港股消费领域50家高成长性龙头企业，锚定消费升级浪潮下的稀缺性资产 [17][19] 科技行业 - 二季度弱势震荡，科技仍可能有独立行情 [21]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：信达金工行业轮动策略** - 模型构建思路：基于绩优基金持仓倾向的边际变化构建行业轮动信号，捕捉机构资金流向[33] - 模型具体构建过程： 1. 筛选绩优基金样本（近1年业绩前30%） 2. 计算行业超配比例：$$超配比例 = \frac{基金持仓行业权重 - 基准行业权重}{基准行业权重}$$ 3. 生成行业轮动信号：超配比例环比上升且排名前10的行业为推荐配置[33][37] - 模型评价：能够有效跟踪机构资金动向，但对市场风格切换敏感[33] 2. **模型名称：主力/主动资金流分析模型** - 模型构建思路：通过划分特大单、大单、中小单资金流向，识别主力与散户行为差异[50] - 模型具体构建过程： 1. 按成交量划分资金类型： - 特大单：成交量≥20万股或金额≥100万元 - 大单：6-20万股或30-100万元 - 中小单：≤6万股或≤30万元 2. 计算净流入额：$$净流入额 = 主买金额 - 主卖金额$$[50][51] 量化因子与构建方式 1. **因子名称：公募基金仓位因子** - 因子构建思路：跟踪主动权益型基金仓位变化，反映机构风险偏好[17] - 因子具体构建过程： 1. 筛选样本：成立满两季度、规模＞5000万、历史平均仓位＞60% 2. 加权计算：$$市场平均仓位 = \frac{\sum(基金持股市值 \times 基金仓位)}{\sum基金持股市值}$$[20] 2. **因子名称：ETF资金流向因子** - 因子构建思路：监测各类ETF净流入/流出情况，捕捉市场热点[38] - 因子具体构建过程： 1. 按类型分类统计（宽基/行业/跨境等） 2. 计算净流入：$$净流入 = 申购金额 - 赎回金额$$[38][61] 模型的回测效果 1. **信达金工行业轮动策略** - 年化超额收益：8.2%（vs 中信一级行业等权基准）[36] - 胜率：63.5%（2020-2025年）[36] 2. **主力资金流模型** - 主力净流入TOP5行业周收益率：平均1.9%[51][57] - 主力净流出行业后续周回调概率：72%[51] 因子的回测效果 1. **公募基金仓位因子** - 仓位＞90%时，后续1月沪深300下跌概率68%[17][22] - 仓位变动与市场波动率相关性：0.41[17] 2. **ETF资金流向因子** - TMT板块单周净流入＞50亿时，次周超额收益IR：1.25[38][61] - 跨境ETF净流入与港股科技指数相关性：0.78[61] 指标取值（统一口径） | 模型/因子 | 年化收益 | 最大回撤 | IR | 胜率 | |--------------------|----------|----------|------|-------| | 行业轮动策略 | 15.7% | 22.3% | 1.8 | 63.5% | | 主力资金流模型 | 12.1% | 18.9% | 1.2 | 58.7% | | 公募基金仓位因子 | - | - | 0.9 | 67.2% | | ETF资金流向因子 | - | - | 1.4 | 61.3% | 注：所有指标基于2020-2025年周频回测，基准为沪深300指数[36][51][61]

报告核心观点 - 电力设备、房地产、银行等行业风险收益性价比较高，2025年3月量能买入信号行业为电力设备、房地产、美容护理、农林牧渔、医药生物、银行，量能卖出信号行业为电子、计算机、家用电器、汽车，拥挤度方面机械设备、计算机、家用电器存在成交集中度风险提示 [1][4][10][11][13] 行业轮动配置 行业轮动视角1：换手率的量能提示 - 核心逻辑为成交量放大代表市场观点分歧扩大，成交量中枢上移预示供需关系变化，可能代表原有趋势转折，运用换手率斜率监测“放量”提示行情机会 [4][9] - 去年12月和今年1月大部分行业换手率斜率为负，今年2月大部分为正，计算机和电力设备行业量能更突出 [4][10] - 2025年3月量能买入信号行业为电力设备、房地产、美容护理、农林牧渔、医药生物、银行，卖出信号行业为电子、计算机、家用电器、汽车 [4][10][11] 行业轮动视角2：拥挤度的风险提示 - 核心逻辑是拥挤度指标反映交易活动过热程度，起潜在风险警示作用，根据拥挤表现制定跟踪指标，结合行业走势信号给出综合卖出指令 [5][13] - 2025年3月行业成交集中度风险提示行业为机械设备、计算机、家用电器，行业内部关联度和价格乖离率无风险提示行业 [5][13][14][15] 量能买入信号行业指标详情及ETF 电力设备 - 量能在全行业表现突出，有较强市场吸引力，拥挤度尚可，行业内部分化，量能由部分公司带动，需关注2月利好事件能否扩散至全行业 [19] - 主题ETF包含跟踪光伏龙头30、CS电池、光伏产业等指数的ETF [20] 房地产 - 量能在全行业排名中部，拥挤度尚可，2月行业内部情绪浓度下行，悲观情绪消化，成交集中度和价格乖离率低位，收益风险性价比高 [23][24] - 主题ETF包含跟踪内地地产、800地产、中证全指房地产指数的ETF [26] 美容护理 - 量能在全行业排名中部，拥挤度尚可，2月行业内部情绪浓度维持高位，成交集中度和价格乖离率低位，收益风险性价比高，暂无相关主题ETF [29][30] 农林牧渔 - 量能在全行业排名靠前，拥挤度尚可，2月行业内部情绪浓度维持高位，成交集中度和价格乖离率低位，收益风险性价比高 [32] - 主题ETF包含跟踪CS现代农、中证畜牧、中证农业指数的ETF [33] 医药生物 - 量能在全行业排名靠前，拥挤度尚可，2月行业内部情绪浓度下行，行业分化，需关注利好能否扩散，成交集中度和价格乖离率低位，收益风险性价比高 [35][36] - 主题ETF包含跟踪300医药、800医药、CS创新药等众多指数的ETF [38][39] 银行 - 量能在全行业排名靠后，拥挤度尚可，近两月行业内部情绪浓度持续上行，成交集中度低位，价格乖离率不高，收益风险性价比高 [43] - 主题ETF包含跟踪中证银行、800银行、银行AH指数的ETF [45]

文章核心观点 - 文章从量化策略角度探讨大模型如何助力投资，测试大模型在行业轮动、风格轮动和市场择时三大任务中的表现，并讨论大模型在量化策略开发中存在的局限性 [1] 大模型助力投资 结合量化投资 - 大语言模型可帮助量化分析师高效实现代码构建，缩短策略开发周期；可通过检索论文网站帮助分析师快速查找研究、提炼观点或形成专家知识库；在策略开发层面，与新闻、研报这类另类数据结合能发挥更大作用 [3] 结合主动投资 - 非量化客户用好大语言模型关键在于明确其长处与局限性，当前大模型在金融领域应用空间大，但只能作为协助者，存在对数字准确度把握不足、知识库滞后、易出现知识幻觉等局限性 [3] 671b标准版DeepSeek - R1在行业轮动任务表现 模型亮点 - DeepSeek - R1基于MoE架构，通过大规模强化学习直接训练基座模型（V3）突破推理能力，在数学、代码、自然语言推理等任务上性能比肩OpenAI o1正式版，验证了强化学习在提升推理能力方面的可能性 [4][11] 测试结果 - 测试发现671b参数版的DS - R1在多项任务中优势明显，后续量化策略任务采用该版本测试；在行业轮动任务上表现更佳，2024年以来行业多头组合相对全行业等权收益率超额22.3%，效果稳定；大小盘轮动策略胜率54.33%，相对等权超额收益超12%；市场择时方面2024年以来超额约18%，稳定性稍弱 [5] 推荐持仓 - 截至2025年2月20日，DS - R1对2025年3月最新推荐持仓为传媒、计算机、电新、汽车、消费者服务、通信；大语言模型在行业配置任务上相对于选股和市场择时任务有独特优势，能更好发挥处理宏观中观信息和逻辑推理的优势 [6] 大模型结合新闻数据在量化策略任务的优势 模型创新点技术细节 - DeepSeek - V3在仅消耗Llama3 405B模型10%计算资源的条件下，实现相当运算效能，源于三项架构革新：多头潜在注意力机制、动态路由混合专家系统及多粒度令牌预测 [10] 使用DeepSeek构造量化模型的流程 - 调用方式有调用官方API、第三方平台API和本地部署三种；不同参数版本模型表现有差异，671b版在逻辑推理、常识问题及脑筋急转弯任务中表现更好，模型处理数字相关计算分析任务能力弱于文本类数据处理能力 [12][15] - 采用数库新闻数据作为提示词信息源，筛选新闻数据以降低数量并保证完整性和有效性；打磨提示词可提升输出质量、降低幻觉概率，还可借助辅助工具生成提示词；设置API接口参数，采用单轮对话方式调用API，对输出结果进行查验 [17][18][19] 回测效果展示 - 设计行业轮动、大小盘轮动和市场择时三个量化策略测试模型表现，行业轮动任务表现亮眼，样本外超额收益超22%，信息比率超1.8，多头组合超额收益回撤小、较稳定，24年10月后明显增长；持仓换手率偏低，为38.5%，多次看好电新、计算机等行业 [21][24][26] 大模型的局限性 幻觉 - 幻觉指模型生成内容无意义或不忠实于源内容，可能源于缺乏对事实的深刻理解，影响模型可靠性；主流AI模型在文本摘要任务中幻觉产生概率在0.7% - 3%之间，DeepSeek早期发布的V2.5幻觉产生概率为2.4%，与OpenAI - o1模型水平大致相同 [32] 随机性 - 大语言模型中temperature等参数控制输出随机程度，取值接近0输出更确定，接近1输出更随机；在行业轮动任务中，temperature = 0.6时，随机性对预测值有影响，但策略均能战胜等权基准；temperature取值干扰模型预测结果构建行业轮动策略的性能，但无直接相关性 [35] 上下文长度限制 - 大语言模型在长文本处理中存在系统性瓶颈，输入序列超过阈值时，对远端信息记忆和调用能力衰减，语义整合误差率非线性上升；DeepSeek - R1上下文长度为64k，限制了可接收新闻数量，影响推理效果 [37][38] 样本内数据泄露的可能性 - 大语言模型处理学术文献存在隐私泄露风险，在量化领域构建策略时，难以保证样本内不出现数据泄露问题，如出现“偷看”问题答案的情况，因此仅测试2024年以来策略表现 [39]

量化模型与构建方式 1 景气动量模型 1) 模型名称：景气动量模型 2) 模型构建思路：自上而下行业轮动模型，基于行业盈利能力g和盈利能力边际变化Δg构建，从宏观、中观、微观三个视角对行业Δg开展建模[2] 3) 模型具体构建过程： - 宏观视角：将增长、通胀等宏观因子与行业整体ROE变化、估值变化映射，构建宏观戴维斯双击因子 - 中观视角：用产业链数据对行业财务状况进行Nowcast，计算中观景气度因子 - 微观视角：使用卖方分析师一致预期数据补充财报数据，计算微观景气度因子 - 加权组合三个视角的因子得到景气动量因子[16] 4) 模型评价：表现对市场风格依赖度高，尤其与成长因子显著正相关，是一个名副其实的Smart Beta[2][23] 2 遗传规划模型 1) 模型名称：遗传规划模型 2) 模型构建思路：自下而上行业轮动模型，采用"生物育种"原理直接挖掘行业量价、估值等数据[3] 3) 模型具体构建过程： - 将单目标遗传规划改造为双目标遗传规划，同时评价因子分组单调性和多头组表现 - 使用NSGA-II算法挖掘兼具分组表现单调、多头表现优秀的因子 - 采用贪心策略和方差膨胀系数合成行业得分[18] - 最新一期权重最高的因子计算过程： $$ts_covariance_torch(ts_grouping_deczscorecut_torch(ts_decsortcut_torch(daily_exc,60,9,2),ts_decsortcut_torch(daily_exc,30,8,2),15,2.0,1),exp_torch(low_st),55)$$ 1) 计算60日和30日超额收益变量A和B 2) 对B进行zscore标准化提取特定日期集合T 3) 计算T中A之和变量C 4) 计算标准化收盘价的自然指数变量D 5) 计算C和D的55日协方差[35] 4) 模型评价：对市场风格依赖度低，超额收益来自对行业机会的把握[3][32] 模型的回测效果 1 景气动量模型 1) 回测区间：20160430-20250131 2) 年化收益：9.61% 3) 年化波动：22.51% 4) 夏普比率：0.43 5) 最大回撤：-44.84% 6) 卡玛比率：0.21[25] 7) BARRA因子暴露：Growth(0.32)[25] 2 遗传规划模型 1) 回测区间：20220930-20250214 2) 年化收益：32.57% 3) 年化波动：18.17% 4) 夏普比率：1.79 5) 最大回撤：-19.63% 6) 卡玛比率：1.66[34] 7) 年化超额收益：28%[3] 量化因子与构建方式 1 宏观戴维斯双击因子 1) 因子构建思路：基于宏观因子与行业ROE变化、估值变化的映射关系构建[16] 2 中观景气度因子 1) 因子构建思路：用产业链数据对行业财务状况进行Nowcast[16] 3 微观景气度因子 1) 因子构建思路：使用卖方分析师一致预期数据补充财报数据[16] 因子的回测效果 1 最新一期遗传规划因子 1) 训练集IC：0.042 2) 训练集NDCG@5：0.362 3) 因子权重：40.7%[35]