王阳峰认为，今年公募指数增强产品超额收益普遍较好的原因可能有两个方面，一是市场不同板块轮动 加速，二是小微盘整体活跃。 "中国市场存在着较为明显的大小盘轮动周期，目前这一轮小盘占优的周期从2021年开始，期间除了 2024年的阶段性大小盘风格再平衡，整体上小盘股相对大盘股占优。"王阳峰表示，"指数的配置潜力更 多参考未来中长期的指数盈利能力、成长性等，同时考虑短期的估值、情绪等因素。" 中证报中证网讯(记者王雪青)8月19日晚间，中金基金量化指数部执行负责人、基金经理王阳峰在中国 证券报"中证点金汇"直播间表示，今年以来，指数增强产品线的超额收益中位数相较去年有了显著的提 升。在主流的公募指数增强产品赛道中，中证1000指增产品的超额收益比较突出，其次是中证500指增 产品。 ...

量化模型与构建方式 1. **模型名称：DTW择时模型** - **模型构建思路**：基于相似性原理和DTW（动态时间规整）算法，通过比较当前指数行情与历史行情的相似度，筛选相似片段并预测未来涨跌幅[25][26] - **模型具体构建过程**： 1. 计算当前行情与历史片段的DTW距离（弹性度量），筛选距离最小的前N个片段[27][28] 2. 对筛选片段未来5日或1日涨跌幅加权平均（权重为距离倒数），公式： $$\text{预测涨跌幅} = \frac{\sum_{i=1}^N w_i \cdot r_i}{\sum_{i=1}^N w_i}, \quad w_i = \frac{1}{d_i}$$ 其中$d_i$为DTW距离，$r_i$为历史片段未来涨跌幅[15] 3. 引入改进的DTW算法（如Sakoe-Chiba或Itakura边界限制）避免"病态匹配"[29][35] - **模型评价**：在非突发政策市场环境下超额收益稳定，但对宏观政策突变敏感[16] 2. **模型名称：外资择时模型** - **模型构建思路**：利用境外关联资产（富时中国A50期货和南方A50ETF）的价格背离和升贴水信号构建复合择时信号[34] - **模型具体构建过程**： 1. 从富时中国A50期货提取升贴水指标和价格背离指标[34] 2. 从南方A50ETF提取价格背离指标[34] 3. 复合两类资产信号生成最终外资择时信号[34] - **模型评价**：样本外表现优异，多空策略年化收益达18.96%[20] --- 模型的回测效果 1. **DTW择时模型** - 样本外（2022年11月以来）：绝对收益25.79%，超额沪深300收益16.83%，最大回撤21.32%[5][16] - 2024年以来：绝对收益23.98%，超额收益2.76%，最大回撤21.36%，交易胜率53.85%，盈亏比2.93[18][19] 2. **外资择时模型** - 全样本（2014-2024）：多空年化收益18.96%，多头年化14.19%，最大回撤25.69%（多空）/17.27%（多头），日胜率55%[20] - 2024年样本外：多头绝对收益29.11%，最大回撤8.32%[23] --- 量化因子与构建方式 1. **因子名称：大小盘轮动(DTW)** - **因子构建思路**：基于DTW算法比较大小盘指数（如沪深300与中证1000）的相对强弱[15] - **因子具体构建过程**：通过DTW距离筛选历史相似片段，计算未来涨跌幅差异判断轮动方向[15] 2. **因子名称：成长价值轮动(估值比)** - **因子构建思路**：结合PS（市销率）和PCF（市现率）等估值指标判断成长与价值风格相对优势[15] --- 因子的回测效果 1. **大小盘轮动(DTW)** - 2024年信号：持续看多小盘风格[15][19] 2. **成长价值轮动(估值比)** - 最新信号：PS指标看多价值，PCF指标看多成长，综合无明确信号[15]

市场整体表现 - 大盘整体微涨 当前仍处于5星评级阶段 [1] - 大中小盘股普涨 其中小微盘股涨幅相对领先 [2] - 成长风格强势 科技主题成为领涨板块 [3] - 价值风格小幅上涨 [4] - 港股市场同步上行 科技指数涨幅居前 [5][6] 小盘股表现分析 - 2024年上半年小盘股表现优于大盘股 呈现轮动特征 [9][10][12] - 中证1000指数2023年盈利下降18% 2024年降幅收窄至2% [15] - 市盈率因盈利下滑被动抬升至10年50%分位 但市净率仍处15-20%低位 [17][18][21] - 一季度中证1000盈利同比增长16% 带动小微盘股走强 [24][25] 港股市场动态 - 港股科技指数估值回升至正常偏低区间 [7] - 恒生指数一季度盈利同比增速达16% [23] - 科技、医药板块盈利增长显著 成为领涨品种 [26][27] 盈利与估值关系 - 指数点位由估值和盈利共同驱动 [28] - 业绩复苏将触发"估值提升+盈利提升"双击效应 [30] - 若二季度盈利持续增长 市场向上空间有望打开 [31] 量化基金影响 - 2023年初量化基金政策调整导致小微盘指数单月下跌超30% [34][37] - 2024年量化私募新发规模达上千亿 主要挂钩小微盘指数 [38] - 公募基金对小微盘产品仍保持严格限制 [39] ETF工具更新 - 新增ETF估值表功能 支持历史数据查询和折溢价率监测 [41][48] - 覆盖主流ETF品种 未来将持续扩充 [41] 投资者行为 - 熊市中坚持定投的投资者获得显著超额收益 [46] - 5星级市场低位适合长期布局优质资产 [52][53] 指数估值数据 - 中证1000市盈率35.17倍 市净率2.05倍 股息率1.21% [57] - 港股科技指数市盈率40.27倍 市净率3.37倍 [57] - 绿色标注品种处于低估区间 适合定投 [59]

指数型基金与ETF发展 - 近年来中国指数型基金快速发展，交易型开放式指数基金(ETF)受到市场高度关注 [5] - 深交所推出《深交所ETF投资问答》系列解读，本期聚焦通过ETF构建风格配置策略 [5] 风格轮动策略框架 - 风格轮动指依据ETF特征进行交易的行为，常见类型包括大小盘轮动、成长价值轮动 [6] - 风格轮动分析需对比指数间相对强弱，预测难度较高 [6] 价值成长轮动策略 - 价值类股票具有更高安全边际，成长类股票具备更好盈利前景 [9] - 可通过观察相对业绩增速趋势或估值指数来衡量价值与成长风格轮动 [9] 大小盘轮动策略 - 大小盘轮动需结合市场环境和经济周期变化，参考月频宏观经济数据辅助判断 [10] - 大盘股在经济上行阶段盈利增速更高，下行阶段受冲击更显著 [10] - 小盘股对流动性敏感度更高：流动性扩张时表现更佳，收紧时大盘股更具优势 [12]

量化模型与构建方式 1. **模型名称：DTW择时模型** - **模型构建思路**：基于相似性原理和DTW（动态时间弯曲）算法，通过比较当前指数行情与历史行情的相似度，筛选相似片段并预测未来涨跌幅，生成交易信号[27][28] - **模型具体构建过程**： 1. 计算当前行情与历史片段的DTW距离（弹性度量），筛选相似度高的片段[29] 2. 对筛选片段未来5日或1日涨跌幅加权平均（权重为距离倒数），公式： $$\text{预测涨跌幅} = \frac{\sum_{i=1}^n w_i \cdot r_i}{\sum_{i=1}^n w_i}$$ 其中$w_i$为距离倒数，$r_i$为历史片段未来涨跌幅[27] 3. 结合预测涨跌幅及其方差生成信号（如超过阈值则触发多空信号）[15] 4. 采用改进的DTW算法（如Itakura Parallelogram边界限制）避免传统DTW的"病态匹配"问题[31][37] - **模型评价**：在非宏观突变市场环境下超额收益稳定，但对政策突发变化敏感[16] 2. **模型名称：外资择时模型** - **模型构建思路**：基于外资关联资产（富时中国A50期货、南方A50ETF）的价格背离和升贴水指标，复合生成A股择时信号[36] - **模型具体构建过程**： 1. 从A50期货提取升贴水指标和价格背离指标，复合生成期货择时信号[36] 2. 从南方A50ETF提取价格背离指标，生成ETF择时信号[36] 3. 将期货与ETF信号加权复合，形成最终外资择时信号[36] - **模型评价**：样本外表现优异，2024年多头策略回撤控制较好[23] --- 模型的回测效果 1. **DTW择时模型** - 样本外（2022年11月以来）：绝对收益17.39%，超额沪深300收益17.83%，最大回撤21.32%，周胜率超60%[16] - 2024年以来：绝对收益15.68%（沪深300基准），超额4.93%，最大回撤21.36%，交易胜率63.64%，盈亏比2.64[18] 2. **外资择时模型** - 全样本（2014-2024）：多空年化收益18.96%，多头年化14.19%，最大回撤25.69%（多空）/17.27%（多头），日胜率55%[20] - 2024年样本外：多头绝对收益28.83%，最大回撤8.32%[23] --- 量化因子与构建方式 1. **因子名称：DTW距离因子** - **因子构建思路**：通过动态时间弯曲算法度量时间序列相似性，替代传统欧氏距离[29] - **因子具体构建过程**： 1. 对两条时间序列$Q$和$C$，计算累积距离矩阵$D(i,j)$： $$D(i,j) = \text{dist}(q_i,c_j) + \min(D(i-1,j), D(i,j-1), D(i-1,j-1))$$ 其中$\text{dist}$为局部距离（如欧氏距离）[29][31] 2. 引入Itakura Parallelogram边界限制，约束路径搜索范围以减少错误匹配[37] 2. **因子名称：外资背离因子** - **因子构建思路**：基于境外A股关联资产价格与境内指数的偏离程度构建[36] - **因子具体构建过程**： 1. 计算富时中国A50期货价格与沪深300指数的日内偏离率[36] 2. 计算南方A50ETF溢价率与A股指数的相关性[36] --- 因子的回测效果 （报告中未提供因子独立测试结果，仅作为模型输入组件） --- 关键指标说明 - **DTW距离**：弹性度量时间序列相似性，解决欧氏距离的"锁步"匹配问题[29] - **Itakura边界限制**：通过平行四边形约束路径搜索，提升匹配合理性[37]

市场表现 - 大盘开盘下跌1.5%，但下午两点半后反弹，收盘时市场评级为4.9星[1][2][3] - 沪深300等大盘股整体上涨，小盘股略微下跌[4][5] - 小盘股弹性更大，2025年1月中旬至3月中旬涨幅超过大盘股，但2024年11月至1月回调幅度也更大[6][7] - 价值风格整体上涨，红利、价值等指数表现良好[9][10] - 港股盘中下跌后反弹，恒生科技指数领涨超1.5%[11][12][13] 指数投资策略 - 指数分为四大类：宽基、策略、行业、主题[15] - 宽基指数需注意大小盘搭配，A股存在大小盘轮动特点，去年大盘股表现好，今年小盘股强势[16][17][18] - 长期看大小盘回报相近，经典组合为沪深300+中证500，可加入中证1000增加小盘股暴露[19][20][21] - 策略指数主要有6大类型：红利、质量、低波动、龙头、价值、成长[26][27][46] - 策略指数搭配应注重"成长+价值"风格平衡，A股存在风格轮动特点[30][31][32] - 行业/主题指数波动大（30-50%），需控制单个行业配置比例在15-20%以内[34][35][36][37][38][39] 投资产品更新 - 月薪宝组合门槛降至200元并开放定投功能，采用40:60股债均衡策略，适合4-5星级市场环境投资[45] - 黄金牛熊信号板每周更新，帮助判断黄金估值[48] - 提供详细估值表格，包含盈利收益率、市盈率、市净率等指标，绿色品种为低估适合定投[50][51] - 债券指数数据更新，包含修正久期、到期收益率等指标[52] 市场估值数据 - 沪深300市盈率13.00倍，市净率1.64倍，股息率2.91%[50] - 中证500市盈率24.32倍，市净率1.84倍，股息率1.71%[50] - 恒生指数市盈率12.98倍，市净率1.33倍，股息率3.66%[50] - 纳斯达克100市盈率26.02倍，市净率7.21倍，股息率0.80%[50]

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]