量化模型与构建方式 1. **模型名称**：成交量模型 - **模型构建思路**：基于市场成交量变化判断短期市场情绪[12] - **模型评价**：对市场流动性敏感，但易受异常交易干扰 2. **模型名称**：低波动率模型 - **模型构建思路**：通过计算标的指数波动率分位数判断市场风险偏好[12] - **模型评价**：防御性较强，适用于震荡市 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪龙虎榜机构买卖行为构建资金流向因子[12] - **模型评价**：对机构主导行情有效性较高 4. **模型名称**：智能沪深300/中证500模型 - **模型构建思路**：结合量价特征与机器学习算法优化宽基指数择时[12] - **模型评价**：智能化程度高，但存在过拟合风险 5. **模型名称**：涨跌停模型 - **模型构建思路**：统计涨停/跌停股票比例反映市场极端情绪[13] - **模型评价**：对市场转折点敏感 6. **模型名称**：长期动量模型 - **模型构建思路**：计算宽基指数12个月动量筛选趋势性机会[14] - **模型评价**：在单边市中表现优异 7. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：$$ \text{信号}=\frac{\text{成交额}}{\text{波动率}} $$ 捕捉港股资金效率[16] - **模型评价**：适用于高流动性市场 模型的回测效果 1. 成交量模型：当前信号中性[12] 2. 低波动率模型：当前信号中性[12] 3. 智能沪深300模型：当前信号中性[12] 4. 智能中证500模型：当前信号看多[12] 5. 涨跌停模型：当前信号看多[13] 6. 长期动量模型：全宽基中性[14] 量化因子与构建方式 1. **因子名称**：杯柄形态因子 - **因子构建思路**：识别杯柄形态突破个股，计算形态长度与突破幅度[44][45] - **因子具体构建**： - A点（左杯沿）、B点（杯底）、C点（右杯沿）价格序列 - 突破条件：$$ P_{\text{break}} > \max(P_A, P_C) \times (1+\theta) $$ - **因子评价**：对成长股趋势延续性捕捉较好 2. **因子名称**：双底形态因子 - **因子构建思路**：捕捉W底形态突破个股[49][51] - **因子具体构建**： - A点（左底）、B点（颈线）、C点（右底）价格序列 - 突破条件：$$ P_{\text{break}} > P_B \times (1+\lambda) $$ - **因子评价**：在反弹市中表现突出 因子的回测效果 1. 杯柄形态因子：本周组合超额收益1.16%，年内累计超额40.69%[43] 2. 双底形态因子：本周组合超额收益2.29%，年内累计超额30.19%[43] 特殊指标监控 1. VIX指数：当前值14.78，较上周下降[41] 2. 基金仓位：股票型基金仓位90.12%（-71bps），混合型75.70%（+203bps）[23][29]

登录新浪财经APP 搜索【信披】查看更多考评等级 基金管理人：招商基金管理有限公司 基金托管人：中信银行股份有限公司 登记机构：招商基金管理有限公司 重要提示 1、招商红利量化选股混合型证券投资基金（以下简称"本基金"）的发售已获中国证监会证监许可 〔2025〕551号文准予注册。 2、本基金类型为契约型开放式、混合型证券投资基金。 3、本基金的管理人为招商基金管理有限公司（以下简称"招商基金"或"本公司"），托管人为中信银行 股份有限公司，登记机构为招商基金管理有限公司。 4、本基金自2025年5月14日至2025年5月28日（具体办理业务时间见各销售机构的相关业务公告或拨打 客户服务电话咨询）通过销售机构公开发售。基金管理人根据认购的情况可适当调整募集时间，并及时 公告，但最长不超过法定募集期限。 5、募集规模上限 本基金首次募集规模上限为30亿元人民币（不含募集期利息，下同）。 基金募集过程中，募集规模接近、达到或超过30亿元时，基金可提前结束募集。 在募集期内任何一日（含首日），若当日募集截止时间后基金份额累计有效认购申请金额（不包括利 息，下同）合计超过30亿元，基金管理人将采取末日比例确认的方式实 ...

公司调研情况 - 知名私募天倚道投资近期对晶盛机电进行了特定对象调研 [1] - 晶盛机电报告期内实现营业收入175.77亿元，净利润25.10亿元 [1] - 公司加速推进半导体装备国产替代，成功开发多种12英寸半导体装备，产品指标达国际先进水平 [1] - 在半导体衬底材料方面，公司快速推进8英寸碳化硅衬底产能爬坡，市场拓展成果显著 [1] - 石英坩埚业务通过全自动化生产平台提升效率，晶鸿精密成为核心零部件供应商 [1] - 主要客户包括TCL中环、长电科技等知名上市公司或大型企业，在手订单基本为下游头部客户订单，付款履约情况良好 [1] - 公司未来将坚持"先进材料、先进装备"发展战略，打造多元业务协同发展的平台型公司 [1] 机构背景 - 天倚道投资注册资本1000万元，是第一批拿到私募资格并经过证监会备案的公司之一 [2] - 2016年取得新股网下配售资格，2017年成为中国基金业协会会员，已具有3+3投顾资质 [2] - 2019年获得科创板网下配售资格，管理规模累计50亿元以上 [2] - 产品运作策略以多策略为主，结合人工智能、量化选股、程序化TO等策略 [2] - 有股票多头系列、量化对冲系列、指数增强系列产品，紧密跟踪指数并动态调整策略 [2] - 历经多轮牛熊市考验，管理规模日益壮大，在业内有良好信誉口碑 [2]

文章核心观点 - 2024年以来债市维持强势，权益类资产整体震荡但局部有行情，部分"固收+"产品在复杂市场环境中表现突出[2] - 选取了四只采用不同策略的"固收+"产品进行分析，包括"固收+可转债"、"固收+周期股"、"固收+红利"和"固收+量化选股"策略[2] - 不同策略的"固收+"产品具有各自独特的风险收益特征，为投资者提供了丰富的选择[2][15] 华安强化收益债券 - 采用"固收+可转债"策略，基金经理郑伟山过去1年收益11.41%，排名同类前2%[3] - 债券持仓以可转债为主(70%以上)，国债和金融债为辅，不持有公司信用债[3][4] - 股票持仓行业分散(10-15个)，偏好成长和周期类行业龙头股，坚持"少而精"思路[6] - 基金经理权益投研出身，投资风格积极灵活，偏好弹性较高资产[5][6] 华泰柏瑞鼎利灵活配置混合 - 采用"固收+周期股(主要是黄金股)"策略，近1年收益率6.72%[7] - 债券持仓以金融债为主(30%-65%)，公司信用债和同业存单为辅，不持有可转债[7] - 股票持仓择时操作明显，黄金股占比28%-40%，个股数量100个以上，分散程度高[8] - 两位基金经理分工明确，固收部分追求稳定票息收益，权益部分专注周期股灵活投资[8] 易方达瑞锦混合 - 采用"固收+红利"策略，近1年收益10.90%[10] - 债券持仓以金融债和公司信用债为主(50%以上)，较少投资国债和可转债[10] - 股票持仓根据市净率指标择时，加仓银行、公用事业等高股息资产[11] - 基金经理坚持绝对收益思路，债券以票息收益为主，股票以高股息资产为主[11] 招商安阳债券 - 采用"固收+量化选股"策略，近1年收益9.72%[12] - 债券持仓以金融债和公司信用债为主，2024年下半年国债持仓提升至10%[12][13] - 股票采用"多因子选股+行业轮动模型"量化策略，行业配置灵活调整[13] - 基金经理分工明确，固收部分控制信用风险，权益部分定量定性结合[14] 结语 - "固收+"产品策略丰富多样，不同策略在过往市场中实现了多元化超额收益[15] - 投资者需根据自身风险偏好和投资目标选择合适的产品[15]

神经常微分方程与液态神经网络 - 神经常微分方程（Neural ODE）通过将离散残差结构连续化，提出用同一常微分方程求解无限堆叠残差结构的参数，显著降低计算复杂度 [1][5][6] - 液态神经网络（LTC/NCP/CFC）基于Neural ODE思想，将循环神经网络离散时间步连续化，提升表征能力并增强抗噪声鲁棒性 [2][13][28] - LTC网络通过生物神经元启发的微分方程设计，在时间序列预测任务中相比传统RNN提升5%-70%性能 [14][15][20] - NCP网络模仿线虫神经系统结构，采用稀疏连接和分层设计，参数量仅为LSTM的4.3%（1,065 vs 24,897）但保持相当性能 [26][31][32] - CFC网络通过推导LTC微分方程的闭式解，避免数值求解过程，训练速度比ODE-RNN快97倍（0.084 vs 7.71分钟/epoch） [33][36][37] 量化选股实证结果 - 液态神经网络显存需求仅为GRU的5%-67%（CFC 6Gb vs GRU 120Gb），实现同等选股效果下大幅降低计算资源消耗 [40][41] - 不同液态网络因子与GRU的相关系数0.69-0.82，显示模型能从相同数据中提取差异化价量特征 [42][43] - NCP结构在2020-2024年回测中表现最优，多头年化收益率24.38%超过GRU的24.21%，夏普比率0.95优于GRU的0.88 [44][50][54] - CFC网络在2024年极端市场中保持稳健，多空年化收益率42.64%显著高于GRU的39.36% [45][58] - 液态神经网络整体多空夏普比率5.22-5.66，优于传统GRU的5.22，显示更强的风险调整后收益能力 [45][50] 技术优势比较 - 参数量：NCP(19神经元)仅253个突触连接，全连接LSTM(64神经元)需24,640个连接 [25][26][32] - 计算效率：CFC训练速度达ODE-RNN的92倍（0.097 vs 8.49分钟/epoch），LTC采用半隐式欧拉法平衡精度与速度 [17][36][37] - 鲁棒性：NCP在噪声环境下碰撞次数比LSTM低63%，异常数据识别准确率保持85%以上 [28][30] - 可解释性：NCP神经元分工明确，可通过微分方程分析单个神经元对决策贡献 [32][38] - 内存占用：CFC前向传播内存复杂度O(1)，传统BPTT方法为O(L×T) [19][33]