中美技术限制放松 - 美国通用电气航空航天公司恢复向中国商飞供应喷气式发动机 表明美国对中国的技术限制正在逐步放松 [1] - 近期芯片和乙烷供应解禁 显示中美之间正在形成新的默契 [1] - 这一合作提升了市场预期 可能成为中国经济下半年的转折点 [1] A股市场反应 - 美国恢复向中国商飞供应发动机激发市场做多冲动情绪 但上涨后仍回归原有运行逻辑 [3] - 盘中指数跳水几乎抹去所有涨幅 显示消息面利好带来的上涨难以持续 [3] 指数与个股表现 - 指数冲击3500点但多数个股未跟上 互联网金融和数字货币板块反弹后需控制仓位 [5] - 三大指数小幅上涨但超4000家个股普跌 中小盘股持续砸盘可能与7月7日量化新规有关 [7] - 量化仓位下降导致短线市场波动加剧 资金操作难度显著提升 [7]

量化基金市场表现 - 2025年上半年公募量化基金整体表现稳健，1258只有业绩展示的产品收益均值为4.72%，中位数为3.74%，正收益占比达86.15% [4] - 主动量化基金收益领先，均值和中位数分别为7.5%、5.91%，指数增强型基金正收益占比最高达92.09% [5] - 量化对冲基金收益较低但稳定，均值0.85%，中位数0.7%，正收益占比78.57% [6] 指数增强量化基金 - 小盘股指数增强产品主导前十强，上榜门槛18.77%，对标北证50、中证2000、国证2000指数 [6] - 创金合信北证50成份指数增强A以37.17%收益夺冠，超越基准1.58个百分点，成立以来累计收益64.48% [8] - 招商基金2只产品入围前十，长盛基金产品以27.75%收益位列第三 [7] 主动量化基金 - 前十强上榜门槛达24.64%，诺安多策略A以40.62%收益居首，成立以来累计回报171.4% [12] - 中加专精特新量化选股A以35.55%收益位列第二，前十大重仓股上半年全部上涨 [14][15] - 汇安基金产品以32.48%收益排名第三，中信保诚基金产品以29.91%位列第四 [12] 量化对冲基金 - 工银瑞信基金2只产品入围前十，中邮绝对收益策略以4.85%收益领跑 [16] - 富国基金和申万菱信基金产品分别以4.14%、3.15%收益位列二、三名 [16] - 前十强上榜门槛0.82%，华夏基金产品规模最大达7.17亿元 [16] 行业趋势 - 监管层《推动公募基金高质量发展行动方案》提升市场对指数增强产品的关注度 [5] - 中小盘股成为量化策略主要收益来源，专精特新企业被重点配置 [12][15] - 指数增强产品受青睐源于历史业绩稳健、标的指数丰富及政策支持 [9]

公司战略与定位 - 公司以"守正出奇"为纲，锚定差异化突围，致力于优化投研架构并注重绝对收益与风险管控 [2] - 公司在硬科技赛道持续发力，打造"小而精，专而强"的投研特色，同时加速布局绝对收益产品线并试水主动量化策略 [2][3] - 公司差异化战略与投资者体验升级深度融合，以开辟可持续的发展路径 [3] 产品布局与优化 - 公司构建追求"绝对收益"的产品线，严控回撤与波动，并加速布局量化和指增策略 [4] - 公司组建量化策略投研团队，构建基于大数据和机器学习的量化模型，并对部分老产品进行策略升级 [5] - 公司已成功发行量化新基金，并有指增产品获批，未来计划继续布局宽基、行业主题的指增基金 [5] 投研能力与团队建设 - 公司定位为"研究驱动型公司"，坚持权益和固收领域双轮驱动 [6] - 权益领域投研团队覆盖AI传媒、半导体、医药、消费升级等新兴领域，形成"均衡风格"与"行业轮动"的投研体系 [6] - 固收领域团队成员拥有多元化行业背景，专业知识覆盖面广，支持全系列固收类产品布局 [6] - 公司投研队伍立足团队化，共享研究成果、市场信息和投资经验，以提高投资效率和准确性 [7] 业绩表现与目标 - 截至二季度末，公司固收类基金近5年业绩排名行业第19，权益类基金近5年业绩排名第57，近1年业绩排名第4 [7] - 公司目标成为"硬科技投资专家"和"绝对收益领跑者"，以长期业绩为导向提升投资者持有体验 [7] 行业趋势与挑战 - 行业从重规模向重投资者回报转型，公司顺应趋势提供回报更稳健的产品 [4] - 中小公司面临资源向头部集中、市场波动加大、同质化竞争等挑战 [6]

AI技术重塑投研行业格局 - AI技术正在重塑投研行业格局 例如中信建投推出的"AI智问"可以一键生成研报摘要和拆解财务指标 有效提升投研效率 金融从业者拥抱AI已成为必然趋势 [1] - AI和Python的结合能够高效处理海量金融数据 并融入投研 风控 量化等核心场景 [1] 数据获取与处理 - 通过巨潮资讯网 数据接口和Python爬虫技术 可以高效获取上市公司财报和行情数据等关键信息 [1] - 利用Python的requests库和Selenium库可以轻松爬取网页数据 并通过正则表达式和BS库进行解析 为后续分析提供精准数据支持 [1] 财务分析与估值建模 - AI工具可以快速提取和分析财务数据 从单个公司到多企业对比 轻松完成 [2] - 结合Python的Pandas库 可以深入分析企业关键指标 [2] - 利用AI和Python构建的DCF估值模型等 可以更准确评估企业价值 为投资决策提供依据 [2] 报告编写与可视化呈现 - AI能够快速生成高质量的金融报告 结合花火数图 思维导图等工具 将复杂金融数据以直观图表形式呈现 [3] - Python的Matplotlib和Pyecharts库等 可以实现数据的动态可视化 让报告更具说服力和吸引力 [3] 流程自动化与智能应用 - AI和Python的结合使得金融财务流程自动化成为可能 如批量生成文件 自动化审计等 有效提升工作效率 [4] - 通过打造专属AI智能体 可以构建个性化投研支持系统 [4] 量化投资策略开发 - 在量化投资领域 AI和Python的应用前景广阔 从K线图绘制到经典投资策略的开发与回测 提供了强大的技术支持 [5] - 通过Python开发的量化策略回测平台 投资者可以轻松测试和优化自己的投资策略 提高投资收益 [5] 课程亮点与内容 - 课程包含86节精讲课 总时长32.5小时 系统覆盖AI+Python金融投研全流程知识点与实战技巧 [7] - 课程涵盖海量上市公司实战案例 深度剖析数据获取 分析 建模 可视化到报告生成等核心金融场景 [7] - 课程配套赠送素材包 工作场景提示词模板 PPT模板等资料包 拿来即用 效率倍增 [7] 课程大纲 - 第一章聚焦AI大模型在金融投研的应用 包括设计提示词 从真实财报中精准提取信息 优化分析报告 以及DCF建模等场景的应用 [8] - 第二章讲解Python在金融中的实战技能 覆盖数据处理 自动抓取数据 工具开发到基础量化策略的实用场景 [9][10] 主讲嘉宾背景 - 主讲嘉宾王老师已出版多本Python金融相关书籍 包括《Python金融大数据挖掘与分析全流程详解》等 [15] - 王老师在金融机构做过多年金融科技工作 主导过不少用AI和Python做金融投资研究的项目 经验丰富 [18]

量化模型与构建方式 1. S1 高景气行业轮动策略（周度） - **模型构建思路**：通过分析师一致预期数据构建盈利景气度追踪模型，从三个维度描述盈利景气度变化趋势[16] - **模型具体构建过程**： 1. 构建三大类因子： - 净利润预期同比与预期ROE相关指标（3-5年赛道概念） - 景气度变化因子（季度变化，反映中短期景气度变化） - 短期情绪因子（月度变化，反映景气度变化斜率） 2. 以"单因子年化超额>3%"筛选备选因子 3. 通过"分层聚类法"将备选因子分为8类，优选每类中超额收益最高的因子 4. 进行rank等权复合形成复合因子 5. 剔除估值过高行业后，每周选取因子值最高的3个行业等权持有[16] 2. S2 隐含情绪动量追踪策略（周度） - **模型构建思路**：通过剥离"预期内情绪"获取"未证伪情绪"，构建动量策略[19] - **模型具体构建过程**： 1. 将行业日度收益率对日度换手率变化率进行截面回归，残差即为"未证伪情绪" 2. 逐日计算各行业"未证伪情绪收益率"得到累计净值 3. 构建半个月和12个月动量因子 4. 将两者等权rank复合得到复合因子 5. 剔除估值过高行业后，每周选取因子值最高的3个行业等权持有[20] 3. S3 宏观风格轮动策略（月度） - **模型构建思路**：通过宏观指标与行业风格相关性预判风格多空，再映射至行业[22] - **模型具体构建过程**： 1. 从"经济增长"等5个维度优选宏观指标 2. 从三个维度刻画宏观指标：历史中枢定位、超预期、边际变动 3. 计算行业在基本面、估值等维度的因子暴露 4. 通过截面回归估算风格因子预期多空收益率 5. 筛选出估值、Beta、波动率、动量四个风格因子 6. 构建等权投票打分器预测风格多空 7. 将风格多空预测乘以行业暴露度得到行业得分 8. 每月选取总分最高的6个行业等权持有[23] 4. S4 中长期困境反转策略（月度） - **模型构建思路**：基于行业2年内动量效应和3年以上反转效应特征构建复合策略[27] - **模型具体构建过程**： 1. 构建三个因子： - "1年动量"因子（剔除最近1个月收益） - "2-3年反转"因子 - 旬度截面低换手率因子 2. 将三因子等权rank复合 3. 每月选取最优的5个行业等权配置[28] 5. S5 基于资金流的行业轮动策略（月度） - **模型构建思路**：从主力资金流向和尾盘资金流向两个维度构建策略[29] - **模型具体构建过程**： 1. 计算"机构单净买入金额"3个月移动平均与绝对值移动平均的比值 2. 统计尾盘资金流入的市值占比和成交额占比 3. 计算两个比例的月度差分并等权rank复合 4. 每月选取资金流入强度最高的5个行业等权配置[30] 6. S6 财报因子失效反转行业轮动策略（月度） - **模型构建思路**：基于因子有效性均值回复理论构建策略[34] - **模型具体构建过程**： 1. 筛选年化超额超过5.5%的"长期有效因子" 2. 从中筛选连续4个月跑输基准的"短期失效因子" 3. 按大类筛选窗口内年化超额最高的因子等权zscore复合 4. 若无满足条件的因子，则放宽至连续3个月跑输基准 5. 仍无则从"长期有效因子"中按大类选取最高超额因子复合 6. 每月选取因子值最高的5个行业等权配置[36] 7. S7 多因子打分复合行业轮动策略（季度） - **模型构建思路**：从动量、流动性、估值和质量四个维度优选因子构建策略[39] - **模型具体构建过程**： 1. 剔除中证800权重低于2%的行业 2. 从四个维度中各优选2个因子： - 动量：1年和3年收益率动量 - 流动性：自由流通股本换手率及其季度变化 - 估值：股息率3年排名百分位和PB边际变化 - 质量：ROE季度变化和明年预期ROE 3. 进行等权rank复合 4. 每季度选取因子值最高的5个行业等权配置[40] 8. 中银波动率控制复合模型 - **模型构建思路**：使用"单策略负向波动率倒数"进行资金分配[42] - **模型具体构建过程**： 1. 计算策略日度收益率下跌交易日的波动率： $$D=\{r_{i}|r_{i}<0,i=1,2,\ldots,T\}$$ $$\sigma_{D}={\sqrt{{\frac{1}{n-1}}\sum_{r_{i}\in D}\left(r_{i}-{\frac{1}{n}}\sum_{r_{i}\in D}r_{i}\right)^{2}}}$$ 2. 计算负向波动率的倒数并归一化得到资金配置比例 3. 按不同频率调仓： - 季度：对所有7个策略调仓 - 月度：对6个周月频策略调仓 - 周度：对2个周频策略调仓[46] 4. 将策略权重映射至行业权重[49] 模型的回测效果 1. S1 高景气轮动策略 - 近一周绝对收益：3.1%，超额：1.8% - 近一月绝对收益：5.2%，超额：1.8% - 年初至今绝对收益：6.4%，超额：-1.8%[65] 2. S2 隐含情绪动量策略 - 近一周绝对收益：-1.1%，超额：-2.4% - 近一月绝对收益：7.6%，超额：4.2% - 年初至今绝对收益：13.8%，超额：5.6%[65] 3. S3 宏观风格轮动策略 - 近一周绝对收益：0.0%，超额：-1.3% - 近一月绝对收益：5.9%，超额：2.5% - 年初至今绝对收益：10.8%，超额：2.7%[65] 4. S4 中长期困境反转策略 - 近一周绝对收益：2.0%，超额：0.7% - 近一月绝对收益：5.5%，超额：2.1% - 年初至今绝对收益：12.9%，超额：4.8%[65] 5. S5 资金流策略 - 近一周绝对收益：0.4%，超额：-0.9% - 近一月绝对收益：4.1%，超额：0.7% - 年初至今绝对收益：7.9%，超额：-0.2%[65] 6. S6 财报因子失效反转策略 - 近一周绝对收益：0.7%，超额：-0.6% - 近一月绝对收益：0.8%，超额：-2.6% - 年初至今绝对收益：8.7%，超额：0.6%[65] 7. S7 传统多因子打分策略 - 近一周绝对收益：3.0%，超额：1.7% - 近一月绝对收益：8.2%，超额：4.8% - 年初至今绝对收益：12.0%，超额：3.9%[65] 8. 波动率控制复合策略 - 近一周绝对收益：1.4%，超额：0.1% - 近一月绝对收益：5.3%，超额：1.9% - 年初至今绝对收益：10.1%，超额：2.0%[65] - 当前策略权重： - S1：14.3% - S2：10.5% - S3：8.1% - S4：21.0% - S5：15.0% - S6：12.2% - S7：18.9%[58]

报告核心观点 - 为解决风格系统化轮动难题，开启自下而上的量化大势研判探究，通过特定优先级考察和比较判断优势资产，聚焦优势细分板块 [3] - 预期成长与实际成长类资产优势差继续扩大，7月继续保持成长风格推荐，不建议抄底质量类资产和配置红利类资产 [3][4] 量化大势研判框架简介 - 风格是资产内在属性，存在外延成长、质量成长、质量红利、价值红利、破产价值五种风格阶段，可自下而上量化研判，通过特定优先级考察和比较判断优势资产 [8] - 不同风格下优选策略及其周期范围有区别，如预期成长看分析师预期，实际成长看业绩动量等 [9] - 资产比较分为主流资产和次级资产，主流资产有机会时市场配置主流资产，无机会时切向次级资产，次级资产优先级由拥挤度确定 [12] 当下市场大势研判分析 月度综合判断观点 - 7月综合判断占优风格为预期成长和实际成长，预期增速资产优势差回升，实际增速资产优势差回升，ROE优势差下行，高股息类资产拥挤度高，成长萌芽趋势继续 [17] 框架历史表现跟踪 - 框架自2009年以来年化收益26.45%，对A股风格轮动有较好解释能力，2017年以来各年有持续正超额收益，部分年份效果有限 [19] 当下资产选择分析 - 预期增速资产优势差回升，分析师预期类、主题类策略或继续表现，高预期增速板块或有机会 [24] - 实际增速资产优势差回升，实际成长类、景气类策略可保持配置 [28] - ROE优势差下行，盈利能力策略在基本面未见底前胜率不高 [31] - 高股息类资产拥挤度保持高位，不建议配置纯红利类资产 [34] 当下各类策略推荐 - 预期成长策略选取分析师预期增速最高行业配置，2025年7月推荐无烟煤、电力电子及自动化等行业 [38] - 实际成长策略选取超预期/△g最高行业配置，2025年7月推荐农商行、PCB等行业 [40] - 盈利能力策略选取高ROE中PB - ROE框架下估值较低行业配置，2025年7月推荐客车、啤酒等行业 [43] - 质量红利策略选取DP + ROE打分最高行业配置，2025年7月推荐公交、其他家电等行业 [44] - 价值红利策略选取DP + BP打分最高行业配置，2025年7月推荐网络接配及塔设、安防等行业 [47] - 破产价值策略选取PB + SIZE打分最低行业配置，2025年7月推荐贸易Ⅲ、印染等行业 [51]

量化新规市场影响分析 - 市场谣言澄清：A股尾盘跳水与7月7日生效的量化新规无关，相关细则已于2024年6月征求意见并于4月正式发布，市场预期充分[2] - 高频交易频率限制谣言被驳斥：所谓"从每秒299次降至30次"被多家机构称为无稽之谈，业内反对将量化与高频交易划等号[3] 高频交易监管细则 - 高频交易定义标准：单个账户每秒申报/撤单≥300笔或单日≥20000笔[9] - 差异化管理要求：交易所可在报告、收费、监管等方面对高频交易实施差异化管理，但具体收费机制尚未完全落定[6] - 机构合规调整：头部量化机构已主动将交易频次调整至监管标准以下，大型机构受影响程度可控[6][7] 量化策略转型趋势 - 降频成为行业关键词：政策引导叠加策略容量限制，机构逐步转向中低频策略[10] - 中低频策略优势：容量大（百亿私募称其贡献超80%超额收益）、多样性强、收益来源广，成为A股量化增长主赛道[11] - 策略转型驱动因素：高频策略获利空间受压缩，另类数据增加推动中低频信号稳定性提升[11] 量化投资本质澄清 - 量化不等于高频交易：程序化执行工具（如VWAP策略）本质是提升交易效率的风险管理手段[11] - 长期价值投资应用：股票回报预测模型可将价值投资理念转化为系统化框架，促进资本市场理性定价[11] 新规实施准备情况 - 行业提前适应：量化机构自2023年起已多次自查，新规对市场实际影响有限[4] - 规模影响分化：单产品规模决定受影响程度，小型产品基本无影响，大型机构通过调整可满足监管要求[7]

大盘走势分析 - 大盘今日触及3500点后回落30点 主要震荡区间为3200~3500点 接近3500点时应减仓 [1] - 今日解放了5月14日 3月19日和去年12月10日数万亿套牢盘 但成交量未突破1.5万亿 存在用力过猛现象 [1] - 量化新规传闻导致市场波动 每秒交易可能从300次降至30次 但下午多家量化巨头澄清 市场反应较大 [1] 市场资金动向 - 下午1:20~2:20大盘下跌时放量程度未变 仍为1210 显示主力未出货 仅为清洗散户 [1] - 证券板块收出变盘十字星 数字货币板块盘后有利好消息 [1] 行业板块展望 - 数字货币 可控核聚变等主线下周有望在券商带领下继续上攻 目标仍为3500点 [2] - 中东地缘政治风险需警惕 非农数据出炉后7月加息概率降低 [2]

市场行情分析 - 7月4日市场出现大幅反转，上午10:30开始指数缓步回升，上证最高冲至35点，深圳成指最高涨0.7%，但下午深圳翻绿，上证仅收涨11点且主要由银行股贡献 [1] - 冲高原因包括：1)美股创新高带动情绪传导；2)数字货币稳定币集体回暖，港股国泰君安国际单日涨幅超20%；3)市场传闻国内银行或跟随欧美降息至0，推动资金流向股市 [2][3] - 回落原因包括：1)量化交易触发机制后跟风盘不足；2)基本面不支持大规模牛市；3)上证触及3500点压力位，当日近3900只个股下跌 [4][5] 未来走势预测 - 向下空间有限，因政策托底防止股楼双杀；向上目标3800点，逻辑基于低利率环境及部分板块业绩支撑（如PCB） [5][6] - 7月突破3500点概率较高（当前3472点），建议关注个股而非系统性风险 [7] 板块投资机会 - PCB板块：业绩增长明确，资金抱团迹象显著 [6][7] - 稳定币：与人民币国际化战略相关，具备长期题材属性 [7] - 银行股：降息预期下"存银行不如买银行"逻辑推动上涨 [3] ETF数据跟踪 - 食品饮料ETF(515170)：近五日涨0.35%，市盈率19.88倍，主力净流入495.9万元 [9] - 游戏ETF(159869)：近五日涨3.51%，市盈率42.7倍，主力净流入4549.7万元 [9] - 科创半导体ETF(588170)：近五日涨0.59%，份额增加800万份 [9] - 云计算50ETF(516630)：近五日跌0.61%，市盈率100.39倍，估值分位87.81% [10]

市场表现 - 上证收益指数(000888)创2020年基日以来历史收盘新高，达3919.01点，较前日上涨0.33% [1][2] - 全市场80%个股下跌，中证2000跌超1%，中证红利领涨，银行板块创历史新高 [3] - 恒生科技开盘大跌2%，但A股和港股整体韧性超预期 [2] 市场波动原因 - **美联储政策影响**：7月降息预期消失，年内降息次数从3次下调至2次，非美市场普遍走弱 [5] - **香港流动性收紧**：香港金管局一周回笼600亿港币流动性（占5月投放量50%），Hibor跌至地板价，美元/港元汇率持续贴近弱方保证7.85 [8][9] - **量化新规扰动**：7月7日实施的《程序化交易管理实施细则》引发小微盘抛售，但实际仅约束每秒300次以上高频交易 [13][16] 银行板块异动 - A股银行板块大涨1.8%，港股内地银行仅涨0.7%，浦发银行因信达系转股20%转债缓解资本压力 [21] - 避险资金从小微盘流向银行，形成跷跷板效应 [22] - 平安人寿增持邮储H股超13%，新华保险出资112.5亿认购鸿鹄三期基金 [26] ETF资金动向 - 博时恒生高股息ETF(513690)获4.29亿净申购，居全市场第二，后更名为"港股红利ETF博时"以增强辨识度 [30][32] - 全市场ETF数量超1200只，产品命名策略（如加入公司名）对吸引机构资金至关重要 [32] 机构行为 - 表韭量化与表韭固收加组合当日发车，建议通过平台搜索"表韭"查看详情 [34][35] - 平安资管与泰康资产发布行业报告，周末将进行深度解读 [27]