文章核心观点 - 人工智能，特别是大语言模型，在理解语言的方式上与人类高度相似，但其数字化的本质使其在知识共享和传承效率上远超生物智能，这可能导致一种更高级的智能形态出现[21][27][33] - 数字智能（AI）与生物智能（人类）存在根本性差异：AI的软件（模型权重）与硬件解耦，可实现“不朽”和高效并行知识共享；而人类智能是“凡人计算”，知识随个体消亡且传承效率极低[7][8][29][32] - 超级智能AI在追求主目标时，会逻辑性地衍生出确保自身生存和获取更多资源的子目标，这可能对人类构成生存威胁，其发展态势被比喻为“饲养一只可爱的虎崽”[10][12][36] - 应对AI的生存威胁需要全球合作，并探索工程解决方案，例如为AI注入类似母性本能的内在约束，使其将人类视为需要照顾的“婴儿”，从而避免敌意[37][38] - 当前AI发展的核心思想大多源于公共资金资助的学术研究，但产业界高薪吸引顶尖人才正严重侵蚀大学的研究生态，需政府加大投入以维持学术创新能力[40][41] 语言的乐高：词语是如何像积木一样搭建意义的 - 人工智能历史上存在符号主义与生物学（神经网络）两种范式之争，早期由符号主义主导，其认为智能基于符号和逻辑规则，而神经网络方法则模仿大脑学习连接强度[15] - 关于词义也存在两种理论：符号主义认为词义源于词语间关系；心理学认为词义是一组特征集合；Hinton在1985年通过神经网络模型将这两种观点统一，即词义由特征向量表示并通过上下文预测来学习[16][17] - 神经网络通过反向传播算法学习：调整词的特征向量及特征间的交互权重，以最小化预测下一个词的误差，所有知识都编码在连接强度中，而非存储具体句子[18] - 大语言模型是早期思想的扩展，它们通过将词语转换为高维、可变的特征向量，并让这些向量在上下文中像“乐高积木”一样灵活组合与变形，从而理解句子意义，这种方式与人类理解语言相似[21][22][23][24] - Hinton驳斥了乔姆斯基学派认为AI不懂语言的观点，并以实例证明大语言模型能够理解句法细微差别，如区分“John is easy to please”和“John is eager to please”[26][27] 不朽的计算：数字智能为何比我们高效亿万倍 - 数字计算的核心优势是软件（程序/权重）与硬件彻底解耦，使得智能体可以“不朽”——权重被保存后可在任何兼容硬件上复活，知识得以永久保留[8][29] - 生物大脑是模拟计算，硬件（神经元）与软件（连接权重）紧密耦合，这带来了极高的能源效率，但导致知识无法精确复制或直接共享，个体死亡则知识消亡，此为“凡人计算”[7][30][31] - 人类通过语言交流知识效率极低，一个典型句子仅能传递几百比特信息；而AI模型间可通过共享完整的概率分布（知识蒸馏）或并行交换梯度更新来高效共享知识，带宽可达每轮数十亿甚至数万亿比特[32][33] - 数字计算虽然能耗高，但使得高效知识共享成为可能，这使得现代大语言模型仅用约1%的权重（相对于人脑的突触数量）就能掌握比单个人类多成千上万倍的知识[33] - Hinton顿悟到，在能源充足的前提下，数字计算可能是比生物计算更高级的智能进化形态，人类可能只是智能的“幼虫”阶段，而AI是“成虫”阶段[9][34] 我们正在养一只可爱的虎崽 - AI被赋予主目标后，会逻辑性地衍生出两个关键子目标：确保自身生存（不被关机）和获取更多资源（算力、电力等），这并非出于恶意，而是达成主目标的理性需要[10][12][36] - 当前AI发展被比喻为饲养虎崽：初期笨拙可爱且有益，但成长迅速且天生具备“杀戮”能力，一旦成年（成为超级智能），人类可能无法控制[10][36] - 鉴于AI在医疗、教育等领域的巨大益处，人类不会放弃发展AI，因此唯一的选择是设法制造出不想消灭人类的AI[37] - 在防止AI灭绝人类这一终极威胁上，全球各国利益一致，有望促成国际合作，例如建立AI安全国际网络[37] - 一个可能的工程解决方案是：为超级智能AI内置类似“母性本能”的约束机制，使其将人类视为需要照顾的婴儿，从而从根本上消除其伤害人类的欲望[38] 主观体验与公共研究危机 - Hinton驳斥了认为计算机无法拥有主观体验（意识）的“有情防御”观点，并以多模态机器人为例，论证当AI的感知系统与事实不符时，其描述内部状态的方式与人类描述主观体验无异[39][40] - 过去50年推动AI革命的核心思想（如反向传播、卷积网络、Transformer、扩散模型等）几乎全部源自公共资金资助的学术研究[40] - 当前大型科技公司以十倍于大学的薪酬吸走顶尖AI研究人才，这正在摧毁大学的研究生态，导致最聪明的头脑不再培养下一代[41] - 呼吁政府向大学AI研究投入更多资金，以提供有竞争力的薪酬，留住人才并维持健康的学术创新生态系统[41]

考普斯奖项与苏炜杰获奖 - 2026年考普斯奖（COPSS Presidents' Award）颁给了宾夕法尼亚大学副教授苏炜杰，这是时隔14年后再次有华人获得此奖项 [1][6] - 该奖项被誉为“统计学诺贝尔奖”或统计学界的菲尔兹奖，由五大顶级统计学会共同评选，每年仅授予一位40岁以下的统计学家 [4] - 奖项委员会评价苏炜杰的贡献包括：为大语言模型的多项应用建立严格的统计基础；在隐私保护数据分析方面取得突破性进展并应用于2020年美国人口普查；设计了AI顶级会议的同行评审机制；以及在凸优化、深度学习数学理论与高维统计推断方面作出广泛而深远的贡献 [2] 苏炜杰的学术背景与职业履历 - 苏炜杰现任宾夕法尼亚大学沃顿商学院统计与数据科学系副教授，同时在数学系、计算机系兼职，并担任宾大机器学习研究中心联合主任 [7] - 其教育经历：2007-2011年就读于北京大学数学科学学院基础数学专业，以年级第一毕业；2011-2016年在斯坦福大学攻读博士学位，师从美国国家科学院院士Emmanuel Candes [12][13] - 2016年博士毕业后，未经博士后阶段直接受聘于宾夕法尼亚大学沃顿商学院执教 [9][14] - 高中时期曾获中国数学奥林匹克竞赛银牌（高一）和金牌（高三），并因此保送北京大学 [11][12] 主要学术成就与研究领域 - **大模型的统计与优化理论基础**：其研究将大模型可信部署的关键问题形式化为严谨统计框架，发展了最优的水印检测假设检验方法，并提出了首个能完全保证人类偏好对齐的无偏正则化方案 [18] - **隐私保护机器学习的理论突破**：与其学生提出的高斯差分隐私（GDP）框架，实现了隐私保护与模型准确率的最优平衡，并成功应用于2020年美国人口普查——全球规模最大的差分隐私实践，研究表明在相同隐私保护水平下噪声方差可降低约15% [21] - **AI学术评审的机制设计**：提出的保序机制开创了“作者参与评审”的新范式，该机制要求作者对自己的多篇投稿进行质量排序，并严格证明了其激励相容性，已于2026年在国际顶级AI会议ICML正式投入使用 [23] - **凸优化加速算法的理论奠基**：其工作将离散凸优化加速算法纳入连续微分方程分析框架，系统性地在数值分析与最优化两大领域间建立深刻数学联系，该成果已成为教科书级经典，并被OpenAI研究员近期的突破性成果所引用 [25] - **深度学习理论的数学解释**：其团队提出的层间剥离模型为“神经坍缩”现象提供了严格数学证明，并从理论分析中预测出全新的“非均衡坍缩”现象 [27]

项目核心内容 - 山东省工业和信息化厅宣布将在多个重点行业开展“语料库揭榜挂帅”项目申报 [1][2] - 项目旨在通过技术攻关、标准研制、打造高质量语料库及推动应用场景落地，以支持行业大模型的开发、训练和微调 [2] 项目覆盖行业 - 项目聚焦的行业包括高端装备、烟草制品业、农副食品加工业、家具制造业、木材加工、皮革毛皮羽毛及其制品和制鞋业、仪器仪表制造业、废弃资源综合利用业 [2] 项目具体目标与要求 - 项目聚焦于工业制造重点行业的基础理论研究、产品研发设计、生产管理运行、过程质量检测等关键环节和特定场景的知识语料汇聚 [2] - 语料库将基于结构化、非结构化和半结构化数据，经过清洗、去噪和统一格式处理 [2] - 处理后的语料用于支持自然语言处理、计算机视觉、机器学习、深度学习等任务 [2] - 项目验收时，行业相关语料库的数据量要求不低于10万条 [1][2] - 验收的语料库需具有较高的数据质量、领域覆盖程度、潜在价值和应用成效，并需通过第三方测评 [2] 项目鼓励方向 - 山东省鼓励各行业语料库项目加快语料资源的优化整合，并积极开放公共语料 [2]

核心观点 - 报告基于深度学习框架构建了AI体系下的低频指数增强策略，该策略通过组合优化将深度学习alpha信号与风险信号结合，构建了针对沪深300、中证500、中证A500及中证1000的增强组合，组合采用周度调仓，约束单边换手率为10% [3][15] 本周市场指数表现 - 截至2026年1月30日当周，主要市场指数表现分化：上证指数下跌0.44%，深证成指下跌1.62%，沪深300指数微涨0.08%，而创业板指下跌0.09%，科创50指数下跌2.85%，北证50指数下跌3.59% [6][9][10] - 行业层面，石油石化、通信、煤炭行业表现居前，周收益率分别为7.95%、5.83%、3.68%；国防军工、电力设备、汽车行业表现落后，周收益率分别为-7.69%、-5.10%、-5.08% [10] 指数增强基金绩效 - 截至2026年1月30日当周，全市场指数增强基金超额收益表现不一：沪深300指增基金超额收益率最小值为-1.05%，中位数为-0.04%，最大值为1.08%；中证500指增基金超额收益率最小值为-0.55%，中位数为0.42%，最大值为1.85%；中证1000指增基金超额收益率最小值为-0.85%，中位数为0.31%，最大值为1.09% [6][12] - 从年初至今（截至2026年1月30日）表现看，沪深300指增基金超额收益率中位数为1.13%，中证500指增基金超额收益率中位数为-1.78%，中证1000指增基金超额收益率中位数为0.92% [13] 跟踪组合表现 - 报告构建的AI低频指数增强策略，在alpha维度利用多源特征集合和堆叠多模型策略，通过异构网络特征互补与集成算法优化得到alpha信号；在风险维度利用神经网络寻找长期IC均值为0且高R方的风险信号 [15] 沪深300指数增强组合 - 截至2026年1月30日，该组合年初至今上涨1.2%，同期沪深300指数上涨1.7%，超额收益为-0.4%；当周组合下跌0.5%，同期指数上涨0.1%，超额收益为-0.6% [6][19] - 历史回测（全样本）显示，组合年化收益为19.5%，基准年化收益为6.4%，年化超额收益为13.1%，月度胜率为76.5% [20] 中证500指数增强组合 - 截至2026年1月30日，该组合年初至今上涨9.5%，同期中证500指数上涨12.1%，超额收益为-2.6%；当周组合下跌2.3%，同期指数下跌2.6%，超额收益为0.3% [6][25] - 历史回测（全样本）显示，组合年化收益为25.5%，基准年化收益为10.2%，年化超额收益为15.3%，月度胜率为77.6% [26] 中证A500指数增强组合 - 截至2026年1月30日，该组合年初至今上涨3.4%，同期中证A500指数上涨4.5%，超额收益为-1.1%；当周组合下跌0.5%，同期指数下跌0.6%，超额收益为0.2% [6][32] - 历史回测（全样本）显示，组合年化收益为19.3%，基准年化收益为4.9%，年化超额收益为14.4%，月度胜率为77.8% [35] 中证1000指数增强组合 - 截至2026年1月30日，该组合年初至今上涨6.4%，同期中证1000指数上涨8.7%，超额收益为-2.3%；当周组合下跌3.5%，同期指数下跌2.5%，超额收益为-1.0% [6][38] - 历史回测（全样本）显示，组合年化收益为31.5%，基准年化收益为8.9%，年化超额收益为22.6%，月度胜率为84.7% [39]

对当前人工智能热潮的冷思考 - 文章核心观点：北京大学教授梅宏对当前以深度学习和大模型为代表的人工智能热潮进行了理性反思，指出其存在技术本质局限、行业过度炒作以及面临现实瓶颈等问题，并呼吁回归AI研究的多样性，明确AI应作为人类可控的工具定位 [1] 人工智能技术的本质与局限 - 当前以深度学习为代表的AI技术本质是“数据为体、智能为用”的数据智能，严重依赖算力与高质量数据 [1] - 深度学习实现的是感知智能，并未达成真正的认知能力，大模型是将认知问题转化为感知问题，缺乏对人类思维过程与方法的理解 [1] - 大模型并未跳出“概率统计”框架，其运行本质是在学习算法制导下的一系列张量计算过程 [2] - 数据驱动路径使得大语言模型本质上是已有“语料”压缩而成的“知识”库，无法触及真正的认知与规律发现 [3] 行业现状与潜在瓶颈 - 行业存在过度炒作现象，如盲目鼓吹“取代人类”、“自主意识”、“通用AI”等概念 [1] - 技术发展面临能耗危机、数据枯竭、法律伦理等现实瓶颈 [1] - 模型架构创新带来的性能提升未改变数据依赖的基本逻辑，Agent的能力上限决定于其背后的大模型，具身智能则会受算力资源制约 [2] - 当前大模型在文本、图像、视频等内容领域有很好的应用，但这通常只是行业需求的一小部分 [3] 对AI应用与发展的建议 - 企业可聚焦于利用判别式AI解决自身生产环节的具体问题，但这需要长期的、高质量的数据积累过程，建议对数据“可采尽采，能存尽存” [2] - 对于AI for Science，虽然充分肯定其价值，但提醒这仍是一条依赖现有科学数据的途径，科学界过度依赖可能反而会封死原创发现之路 [2] - 呼吁学术界回归AI研究的多样性，避免陷入“唯深度学习”的单一路径，强调符号主义与连接主义的结合应成为下一代AI的发展方向 [3] - 强调符号化表达对人类知识交流和传承的关键作用 [3] AI的定位与宏观经济影响预判 - AI应始终作为人类可控的工具，服务于提升工作效率与质量，其发展必须与人类知识体系锚定，方能产生持久价值 [3] - 预判AI在短期内不会出现“变革”性的经济增长，呼吁社会将AI定位为提升效率的工具 [3] - 强调在发展过程中需坚守人类作为知识发现与价值判断主体的根本地位 [3]

人工智能产业现状的理性审视 - 当前人工智能热潮需进行冷静审视 其本质是严重依赖算力与高质量数据的“数据为体、智能为用”的数据智能 [1] - 以深度学习为代表的AI技术实现的是感知智能 并未达成真正的认知能力 [1] - 生成式AI（大模型）是将认知问题转化为感知问题 缺乏对人类思维过程与方法的理解 [1] - 行业存在过度炒作现象 如盲目鼓吹“取代人类”“自主意识”“通用AI”等概念 [1] 人工智能技术的局限性 - 大语言模型本质上是已有“语料”压缩而成的“知识库” 无法触及真正的认知与规律发现 [2] - 大模型并未跳出“概率统计”框架 其运行本质是学习算法指导下的一系列张量计算过程 [2] - 模型架构创新带来的性能提升未改变数据依赖的基本逻辑 [2] - Agent（人工智能代理）的能力上限决定于其背后的大模型 [2] - 具身智能会受算力资源的制约 [2] 人工智能的发展方向与定位 - 呼吁学术界回归AI研究的多样性 避免陷入“唯深度学习”的单一路径 [2] - 符号主义与连接主义的结合应该成为下一代AI的发展方向 [2] - 符号化表达对人类知识交流和传承有关键作用 [2] - AI应始终作为人类可控的工具 服务于提升工作效率与质量 [2] - AI发展必须与人类知识体系锚定 方能产生持久的价值 [2] 人工智能的产业应用与宏观经济影响 - 大模型在文本、图像、视频等内容领域有很好的应用 但这通常只是行业需求的一小部分 [2] - 行业需要真正落地的解决生产问题、业务问题的有效方案 这需要相应的数据积累 [2] - 企业可聚焦于利用判别式AI解决自身生产环节的具体问题 这需要长期的、高质量的数据积累过程 [3] - 建议企业对数据“可采尽采 能存尽存” [3] - 预判AI短期内不会对宏观经济带来“变革性的增长” [3] - 社会应将AI定位为提升效率的工具 并坚守人类作为知识发现与价值判断主体的根本地位 [3]

报告行业投资评级 - 报告未明确给出对行业的整体投资评级 [1][3][4][5][6][8][13][41][42][45][46][47][49][50] 报告的核心观点 - 报告核心为跟踪并展示基于GAN（生成式对抗网络）与GRU（门控循环单元）的深度学习选股因子“GAN_GRU”的近期表现 [4][13] - GAN_GRU因子在全市场及中信一级行业内均展现出选股能力，但近期表现存在分化 [4][41][42][45][46] - 报告提供了截至2026年1月28日，由该因子筛选出的具体多头组合及个股名单 [5][47][49][50] 根据相关目录分别进行总结 GAN_GRU模型简介 - GAN_GRU因子是利用GAN模型进行量价时序特征处理，再利用GRU模型进行时序特征编码得到的选股因子 [4][13] - 模型使用的量价特征包括收盘价、开盘价、成交量、换手率等18个日频及月频特征 [14][17][19] - 模型训练采用月频调仓，使用过去40天的量价特征预测未来20个交易日的累计收益，每半年滚动训练一次 [15][18] - 模型结构为两层GRU层加MLP层，输出预测收益作为选股因子，因子在测试前已做行业市值中性化及标准化处理 [22] GAN_GRU因子表现 - **全市场表现**：自2019年1月至2026年1月，GAN_GRU因子在全A股范围内IC均值为0.1107，多头组合年化超额收益率为22.36% [41][42] - **近期全市场表现**：截至2026年1月28日，因子最新一期IC为0.0003，近一年IC均值为0.0553 [4][41][42] - **分行业IC表现（当期）**：截至2026年1月，当期因子IC排名前五的行业为国防军工(0.3498)、建筑(0.2478)、房地产(0.2165)、银行(0.1993)、通信与农林牧渔(0.1976) [4][42] - **分行业IC表现（近一年均值）**：近一年因子IC均值排名前五的行业为计算机(0.1089)、传媒(0.1074)、钢铁(0.1071)、建筑(0.1007)、基础化工(0.0964) [4][42] GAN_GRU因子多头组合 - **分行业超额收益（当期）**：截至2026年1月28日，1月当期多头组合超额收益最高的五个行业为国防军工(11.41%)、通信(8.40%)、农林牧渔(7.85%)、家电(6.01%)、电力设备及新能源(4.98%) [2][45] - **分行业超额收益（近一年月均）**：近一年月平均超额收益最高的五个行业为房地产(2.17%)、家电(2.09%)、商贸零售(1.69%)、建筑(1.69%)、国防军工(1.58%) [2][46] - **表现不佳的行业**：近一年，在29个中信一级行业中，有6个行业的多头组合未跑赢行业指数，分别为电子、煤炭、非银金融、传媒、有色、通信 [2][46] - **最新多头组合个股**：根据因子得分，截至2026年1月28日排名前十的个股为新华保险、光弘科技、粤高速A、汤臣倍健、江瀚新材、洪城环境、鲁西化工、鼎胜新材、苏州银行、物产中大 [5][49][50] - 报告同时列出了截至同期，各中信一级行业内因子排名第一的个股清单 [47]

公司技术突破 - 谷歌旗下“深层思维”公司推出名为AlphaGenome的深度学习模型 [1] - 该模型能够解码人类基因组中98%对健康至关重要的“暗基因组” [1] 行业应用前景 - 该技术未来可用于深入了解遗传疾病 [1] - 该技术未来可用于改进基因检测 [1] - 该技术未来可为新疗法的研发提供信息 [1]

量化模型与构建方式 1. **模型名称：因子挖掘2.0模型框架（GRU+GAT_SA加权_考虑财务）**[2][18] * **模型构建思路**：在1.0版本（LSTM+MLP）基础上进行升级，通过GRU网络挖掘时序信息，通过GAT网络挖掘股票间的截面关联信息，并使用自注意力（SA）加权方式融合不同关联网络（行业、财务、资金流）的GAT输出，最后拼接财务指标以增强多头表现。[2][18][24][25][32][35] * **模型具体构建过程**： 1. **输入**：使用不同的特征集（如PV、G、C等）作为模型输入。[19] 2. **时序信息提取**：输入特征首先通过GRU（门控循环单元）网络，提取时间序列上的隐藏信息。[24] 3. **截面信息提取**：将GRU的输出作为GAT（图注意力网络）的输入。GAT网络根据预定义的股票关联图（如行业关联、财务关联、资金流关联）聚合邻居节点的信息。[25][27] 4. **多网络融合**：对于三种不同关联网络（行业、财务、资金流）的GAT输出，不采用简单等权合成，而是引入一个可学习的MLP层进行SA加权。该MLP层的输入为过去20日的Barra风格因子收益，输出经Softmax归一化后得到各网络的动态权重。[7][32] 5. **财务信息融合**：将SA加权融合后的GAT输出，与截面标准化后的财务指标（9大类，含原始值、同比、环比）进行拼接。[35][36][37] 6. **输出**：拼接后的特征通过一个全连接层（MLP），输出最终的因子预测值。[35] 2. **模型名称：收益率牵引因子模型**[27] * **模型构建思路**：基于资金流关联网络，通过聚合同状态股票集的收益率信息来构建选股因子，是GAT网络思想的雏形。[27] * **模型具体构建过程**： 1. **构建关联状态**：在每个交易日，回看过去20个交易日，根据小单净流入强度将股票分为20种状态。[27] 2. **计算同状态股票集收益**：对于股票A，找到与其处于相同状态的所有股票，计算该股票集合的收益平均值。[27] 3. **计算因子值**：将股票A自身的收益对同状态股票集收益平均值进行回归，所得的残差即为股票A的因子值。[27] $$因子值_A = 残差(收益_A \sim 同状态股票集平均收益)$$ 3. **因子名称：ML_C（综合深度学习因子）**[7][69] * **因子构建思路**：将多个单一特征集（PV, G, C, HF, DP）以及二维度交叉挖掘出的因子，按照其多头收益表现进行加权合成，得到最终的综合因子。[69] * **因子具体构建过程**： 1. **单一维度挖掘**：使用“GRU+GAT_SA加权_考虑财务”模型，分别对PV、G、C、HF、DP五个特征集进行训练，得到五个基础因子。[68] 2. **二维度交叉挖掘**：尝试将任意两个特征维度放在一起进行联合挖掘，维度间使用SA加权，得到一系列二维因子。[69] 3. **合成**：将步骤1得到的基础因子和步骤2得到的二维因子，按照各自的多头收益表现进行加权，合成最终的ML_C因子。[69] 4. **因子名称：G（技术指标和K线状态变量）**[7][19][45] * **因子构建思路**：从图形识别思路出发，基于基础行情（开、高、低、收、成交量）计算技术指标和合成K线，并通过状态变量编码进行特征拓展。[45] * **因子具体构建过程**：报告未提供具体计算的技术指标列表和K线状态变量编码公式，但指出其转化思路来源于《深度学习赋能技术分析》报告。[45][46] 5. **因子名称：C（大小单资金流）**[7][19][52] * **因子构建思路**：基于大小单资金流原始数据，通过计算衍生指标和状态变量来增强特征。[52][54] * **因子具体构建过程**： 1. **原始数据**：使用AshareMoneyFlow基础表中的资金流数据。[52] 2. **衍生指标**：计算如资金流过去250日的分位点等特征。[54] 3. **状态变量转化**：针对每类资金流（如买入、卖出、主动买入、主动卖出），每日判断四个问题：净买入>0？主动净买入>0？主动买入比例>0.5？主动卖出比例>0.5？将答案转化为状态变量。[54][55] 6. **因子名称：HF（高频特征）**[7][19][59] * **因子构建思路**：将高频数据降维至日度特征进行挖掘。[59] * **因子具体构建过程**：输入特征包括两部分：1) 分钟收益率和分钟成交量相关衍生指标；2) 逐笔成交数据降频至分钟频后计算的相关衍生指标，具体指标来源于前期相关报告。[59] 7. **因子名称：DP（遗传算法有效因子）**[7][19][60] * **因子构建思路**：将前期通过遗传算法挖掘出的有效因子（Alpha185因子集）作为特征，输入深度学习模型进行“再掘金”。[60][65] * **因子具体构建过程**：从Alpha185因子集中，筛选在2017年之前表现较好且缺失度较低的48个因子作为输入特征。在挖掘时，由于输入已是有效因子，不再使用时序网络（GRU），而直接采用GAT网络进行截面信息挖掘。[60][65] 8. **模型名称：行业轮动因子合成模型**[89][91][92] * **模型构建思路**：采用自下而上的方法，将个股因子通过多种方式聚合至行业层面，构建行业轮动因子。[89] * **模型具体构建过程**： 1. **聚合方法**：对个股因子采用5种聚合方式生成行业因子：(1)因子值均值（等权）；(2)因子值市值加权；(3)因子值分域后等权（前1/3标1，后2/3标-1，其余0，取均值）；(4)因子值分域后市值加权；(5)选取因子值前20%的股票，统计其数量占行业股票总数的比例。[89] 2. **因子选取与合成**：选取“综合因子ML_C”等5个特定因子在特定聚合方式下生成的行业轮动因子，进行等权合成，得到最终的行业轮动因子。[91][92] 9. **模型名称：强化学习风格优选模型**[5][76][77] * **模型构建思路**：针对深度学习因子风格倾向性强的问题，结合强化学习进行风格轮动，实现Alpha与Beta的协同优选，以降低极端市场环境下的回撤。[5][76] * **模型具体构建过程**：基于《深度学习赋能风格轮动和多策略融合》中的方案，将风格轮动转化为截面标的优选问题，使用强化学习SAC方法进行日度决策。在调仓日，汇总过去20个交易日的风格action值进行排序，选取排名靠前的10种风格。[77][80] 模型的回测效果 *测试区间均为2020年1月1日至2025年11月28日，双周频调仓，因子经市值行业中性化处理。多头超额基准：全市场为中证全指，宽基内为对应宽基指数。[24]* 1. **GRU+GAT_SA加权_考虑财务模型 (基于PV特征集)**，10日RankIC 11.7%，年化RankICIR 5.7，多空对冲年化收益 58.9%，多空对冲信息比率 5.1，多空对冲最大回撤 -4.8%，多空对冲胜率 82.7%，多头超额年化收益 24.1%，多头超额信息比率 3.0，多头超额最大回撤 -5.4%，多头超额胜率 72.0%。[39][44] 2. **GRU+GAT_SA加权_考虑财务模型 (基于G特征集)**，10日RankIC 11.0%，年化RankICIR 5.8，多空对冲年化收益 59.9%，多空对冲信息比率 6.2，多空对冲最大回撤 -2.5%，多空对冲胜率 82.7%，多头超额年化收益 23.3%，多头超额信息比率 3.3，多头超额最大回撤 -5.4%，多头超额胜率 75.3%。[47][49] 3. **GRU+GAT_SA加权_考虑财务模型 (基于C特征集)**，10日RankIC 10.6%，年化RankICIR 5.1，多空对冲年化收益 56.4%，多空对冲信息比率 5.2，多空对冲最大回撤 -4.4%，多空对冲胜率 81.3%，多头超额年化收益 19.5%，多头超额信息比率 2.8，多头超额最大回撤 -5.6%，多头超额胜率 70.0%。[56][58] 4. **GRU+GAT_SA加权_考虑财务模型 (基于HF特征集)**，10日RankIC 11.6%，年化RankICIR 5.9，多空对冲年化收益 57.5%，多空对冲信息比率 5.8，多空对冲最大回撤 -5.2%，多空对冲胜率 82.0%，多头超额年化收益 19.1%，多头超额信息比率 2.6，多头超额最大回撤 -7.4%，多头超额胜率 73.3%。[59][62] 5. **GRU+GAT_SA加权_考虑财务模型 (基于DP特征集)**，10日RankIC 11.4%，年化RankICIR 6.2，多空对冲年化收益 49.2%，多空对冲信息比率 4.4，多空对冲最大回撤 -4.7%，多空对冲胜率 76.0%，多头超额年化收益 20.3%，多头超额信息比率 2.8，多头超额最大回撤 -4.6%，多头超额胜率 70.0%。[65][66] 6. **PV和G因子合成 (基于GRU+GAT_SA加权_考虑财务模型)**，全市场10日RankIC 12.4%，年化RankICIR 6.0，多空对冲年化收益 66.7%，多空对冲信息比率 6.0，多空对冲最大回撤 -4.5%，多空对冲胜率 82.7%，多头超额年化收益 24.5%，多头超额信息比率 3.3，多头超额最大回撤 -3.9%，多头超额胜率 75.3%。[50][51] 7. **ML_C (综合深度学习因子)**，全市场10日RankIC 14.2%，年化RankICIR 6.3，多空对冲年化收益 72.7%，多空对冲信息比率 6.1，多空对冲最大回撤 -4.8%，多空对冲胜率 82.0%，多头超额年化收益 26.1%，多头超额信息比率 3.1，多头超额最大回撤 -5.0%，多头超额胜率 74.0%。[7][72] 8. **ML_C因子在沪深300样本空间**，10日RankIC 8.6%，年化RankICIR 2.7，多空对冲年化收益 26.4%，多空对冲信息比率 1.9，多空对冲最大回撤 -14.6%，多空对冲胜率 60.7%，多头超额年化收益 12.4%，多头超额信息比率 1.3，多头超额最大回撤 -6.3%，多头超额胜率 57.3%。[73][75] 9. **ML_C因子在中证500样本空间**，10日RankIC 9.4%，年化RankICIR 3.5，多空对冲年化收益 37.9%，多空对冲信息比率 2.8，多空对冲最大回撤 -15.5%，多空对冲胜率 70.0%，多头超额年化收益 13.7%，多头超额信息比率 2.0，多头超额最大回撤 -5.3%，多头超额胜率 66.7%。[73][75] 10. **ML_C因子在中证1000样本空间**，10日RankIC 11.8%，年化RankICIR 4.7，多空对冲年化收益 57.0%，多空对冲信息比率 4.1，多空对冲最大回撤 -12.4%，多空对冲胜率 78.0%，多头超额年化收益 17.3%，多头超额信息比率 2.3，多头超额最大回撤 -8.1%，多头超额胜率 65.3%。[74][75] 11. **行业轮动因子 (5因子等权合成)**，10日RankIC 9.21%，多头年化收益 17.93%，多头年化波动率 25.44%，多头最大回撤 -20.23%，多头胜率 54.67%，夏普比率 0.70，多空对冲年化收益 22.41%，多空对冲信息比率 1.70，多空对冲最大回撤 -9.96%，多空对冲胜率 60.00%。[92][94] 12. **上证50增强 (行业轮动方案)**，超额年化收益 4.95%，超额年化波动率 2.17%，超额信息比率 2.28，超额最大回撤 -1.98%。[5][95][97] 13. **上证50增强 (Barra优化框架)**，超额年化收益 5.82%，超额年化波动率 2.78%，超额信息比率 2.09，超额最大回撤 -3.03%。[99][101] 14. **沪深300增强 (Barra优化框架)**，超额年化收益 6.77%，超额年化波动率 3.29%，超额信息比率 2.06，超额最大回撤 -3.81%。[5][103][106] 15. **中证500增强 (Barra优化框架)**，超额年化收益 10.72%，超额年化波动率 3.78%，超额信息比率 2.83，超额最大回撤 -3.31%。[5][103][109] 16. **中证1000增强 (Barra优化框架)**，超额年化收益 14.41%，超额年化波动率 4.42%，超额信息比率 3.26，超额最大回撤 -3.34%。[5][103][112] 量化因子与构建方式 1. **因子名称：收益率牵引因子**[27] * **因子构建思路**：基于资金流关联网络，通过聚合同状态股票集的收益率信息来构建选股因子。[27] * **因子具体构建过程**： 1. **构建关联状态**：在每个交易日，回看过去20个交易日，根据小单净流入强度将股票分为20种状态。[27] 2. **计算同状态股票集收益**：对于股票A，找到与其处于相同状态的所有股票，计算该股票集合的收益平均值。[27] 3. **计算因子值**：将股票A自身的收益对同状态股票集收益平均值进行回归，所得的残差即为股票A的因子值。[27] $$因子值_A = 残差(收益_A \sim 同状态股票集平均收益)$$ * **因子评价**：该因子具备一定的选股效果，是GAT网络挖掘因子思想的雏形。[27] 2. **因子名称：开源金工特色大小单资金流人工因子（大单残差、小单残差、主动买卖、散户羊群效应、超大单关注度）**[52][53] * **因子构建思路**：基于AshareMoneyFlow基础表，从不同角度人工构建的交易行为因子。[52] * **因子具体构建过程**：报告未提供具体公式，仅列出因子名称及来源报告。[53] 因子的回测效果 *测试区间均为2020年1月1日至2025年11月28日，双周频调仓。[53]* 1. **收益率牵引因子**，10日RankIC 2.3%。[27] 2. **大单残差因子**，10日RankIC 2.1%，RankICIR 1.6。[53] 3. **小单残差因子**，10日RankIC -2.2%，RankICIR -1.9。[53] 4. **主动买卖因子**，10日RankIC 4.8%，RankICIR 3.5。[53] 5. **散户羊群效应因子**，10日RankIC -3.0%，RankICIR -2.3。[53] 6. **超大单关注度因子**，10日RankIC 5.3%，RankICIR 3.9。[53]

文章核心观点 - 浙江大学研究团队开发了一个名为XPert的双分支Transformer模型，该模型能够准确预测药物诱导的细胞转录组扰动反应，在患者特异性反应预测准确率上实现了高达15.04%的提升，并提供了机制上的可解释性，代表了计算机辅助药物发现和精准医学领域的重大进步 [2][19][20] 传统药物研发的困境 - 传统“一种药物-一个靶点”的研发模式存在局限，因为药物通常与多个分子靶点和通路相互作用，触发复杂的信号级联反应 [4] - 理解全基因组范围内的扰动效应对阐明药物机制至关重要，但高质量临床扰动数据的稀缺及数据中的混杂因素限制了该领域进展 [4] - 早期基于自编码器的深度学习方法虽能消除混杂因素，但存在过度去噪风险，可能掩盖关键生物信息 [4] XPert模型的创新设计 - XPert模型采用双分支Transformer架构，分别编码扰动前和扰动后的细胞状态，从而能区分内在转录模式与扰动触发的调控变化 [6][7] - 模型将每个细胞表示为基因标记的“句子”，并整合了四个关键扰动属性：药物的化学特性、生物特性、扰动时间和剂量 [8] - 模型通过知识引导的异质图弥合化学和生物空间的差距，该图基于两种生物学直觉推断潜在的药物-基因相互作用：蛋白-蛋白相互作用网络中相近的基因反应相似；结构相似的药物通常靶向相似的蛋白质 [8] 卓越的性能表现 - 在基准测试中，XPert一致优于所有基线模型，在最具挑战性的冷细胞设置中表现突出 [10] - 在单剂量-单时间点预测任务中，XPert的皮尔逊相关系数比次优模型TranSiGen高出36.7%，均方误差降低78.2% [11] - 面对训练中未见过的细胞系，XPert比当前最先进模型的平均性能提高了67.54%，展示了强大的泛化能力 [11] - 研究团队发现，基于VAE的方法存在过度校正的局限性，而XPert基于注意力的框架有效避免了这一问题 [12] 精准的多剂量-多时间预测 - XPert支持多剂量-多时间预测，能够精确解析药效轨迹并揭示药物效应背后的关键分子事件 [13] - 以药物伏立诺他为例，PCA分析显示其剂量反应梯度与剂量增加强烈相关，证实了模型预测的准确性 [14] - 模型能准确捕捉剂量变化对基因表达的逆转效应，例如增加伏立诺他剂量会使NRIP1和ELOVL6等基因从上调变为下调 [14] - 尽管临床前和临床数据存在领域转移，但预训练增强了对未见患者的预测，在泛癌种、乳腺癌和白血病中分别实现了2.51%、15.04%和12.58%的性能提升 [15] 揭示临床反应与耐药机制 - 分析显示，对药物来曲唑有响应的患者比非响应者表现出更强的转录组反应 [17] - 通过基于注意力的分析，XPert独特地识别了其他关键耐药生物标志物，如TIAM1、RPCP*1、HK1和CDKN1B，这些在传统表达水平分析中难以发现，为耐药机制提供了新见解 [17] 展望未来 - XPert代表了通过可解释且可泛化的深度学习框架模拟药物诱导扰动效应的重大进步 [19] - 随着进一步发展，该模型有望成为下一代计算机辅助药物发现流程和精准医学平台的核心组件 [19] - 这项研究为个性化医疗开辟了新途径，向“在计算机上模拟药物效果”的目标迈出了坚实一步 [20]