分析师背景 - 拥有20年量化研究、金融建模和风险管理经验 [1] - 专注于股票估值、市场趋势和投资组合优化以发掘高增长投资机会 [1] - 曾在巴克莱银行担任副总裁，领导模型验证、压力测试和监管财务团队 [1] - 在基本面分析和技术分析方面具有深厚专业知识 [1] - 与研究伙伴(配偶)共同撰写投资研究报告，结合互补优势提供高质量、数据驱动的见解 [1] 研究方法 - 将严格的风险管理与长期价值创造视角相结合 [1] - 特别关注宏观经济趋势、企业盈利和财务报表分析 [1] - 旨在为寻求跑赢市场的投资者提供可操作的思路 [1] 披露信息 - 无相关公司股票、期权或类似衍生品持仓 [2] - 无在未来72小时内建立相关持仓的计划 [2] - 文章表达个人观点，未获得相关公司报酬 [2]

量化模型与构建方式 1. **模型名称**：DeepSeek-V3-671B - **模型构建思路**：依托DeepSeek大模型实现研报摘要的结构化情感分析，从黑箱评分转向可解释的评分体系，通过拆解摘要结构（业务发展、财务表现、其他因素）引入四维量化分析（类别识别、情绪倾向、出现顺序、字数占比）[4][5] - **模型具体构建过程**： 1. **输入处理**：清洗研报摘要文本，剔除盈利预测和风险提示部分[22] 2. **分类规则**：预定义10类研报要素（如战略布局、技术创新等），要求模型严格遵循类别、情绪（1/-1/0）、出现顺序、字数占比四要素输出JSON格式结果[45][46] 3. **权重分配**：跨类别文本按优先级拆分（公司行为>外部因素>财务表现），字数占比计算公式为： $$ \text{字数占比} = \frac{\text{类别字数}}{\text{摘要总字数}} $$ [47] 4. **批量调用**：支持15条摘要批量处理，输入格式为system提示+user摘要内容[65] - **模型评价**：输出格式符合率100%，结果稳定性优于R1版本，支持高效批量任务[63][65] 2. **模型名称**：研报情绪密度策略模型 - **模型构建思路**：基于情绪密度（利好字数占比）构建选股策略，重点捕捉"业绩超预期"和"盈利改善"等有效信号[5][6] - **模型具体构建过程**： 1. **信号提取**：计算每篇研报中各类别的利好密度（如盈利改善密度=正面情绪字数/总字数）[5] 2. **组合构建**：按月频或不定期调仓，选取利好密度最高的股票构建多头组合[26][27] 3. **非线性优化**：引入指数衰减加权调整近期研报权重[40] --- 量化因子与构建方式 1. **因子名称**：简单加权评分因子（score_sum） - **构建思路**：对研报中所有利好类别进行等权加总[6] - **具体构建过程**： 1. 单篇研报评分公式： $$ \text{score\_sum} = \sum_{i=1}^{n} (\text{情绪值}_i \times \text{字数占比}_i) $$ 2. 个股评分=近期所有相关研报评分的均值[35] 2. **因子名称**：篇幅加权评分因子（score_by_len） - **构建思路**：按类别字数占比加权情绪值，反映信息篇幅权重[6] - **具体构建过程**： $$ \text{score\_by\_len} = \sum_{i=1}^{n} \left( \text{情绪值}_i \times \frac{\text{类别字数}_i}{\sum \text{类别字数}} \right) $$ [36] 3. **因子名称**：类别重要性加权因子（score_by_cat） - **构建思路**：根据类别对股价的解释力（通过历史CAR回归确定）分配权重[37] - **具体构建过程**： 1. 计算每类情绪对20日累计超额收益（CAR）的回归系数[38] 2. 权重公式： $$ w_i = \frac{|\beta_i|}{\sum |\beta|} $$ 3. 加权评分： $$ \text{score\_by\_cat} = \sum_{i=1}^{n} (w_i \times \text{情绪值}_i) $$ 4. **因子名称**：复合因子（score_report_llm） - **构建思路**：等权合成上述四类因子，兼顾多样性与稳定性[6] - **具体构建过程**： $$ \text{score\_report\_llm} = \frac{1}{4} (\text{score\_sum} + \text{score\_by\_len} + \text{score\_by\_cat} + \text{score\_by\_LenCat}) $$ --- 模型回测效果 1. **复合因子（score_report_llm）**： - 年化收益12.8%，相对中证800超额13.5%[6] - 月胜率100%（2025年1-5月），最大回撤<4%[6] - 五分位收益单调性显著[47] 2. **情绪密度策略**： - 盈利改善密度组合年化超额18.7%（月频调仓）[26] - 业绩超预期密度组合年化超额21.3%（不定期调仓）[29] --- 因子回测效果 1. **score_sum因子**： - IC均值0.082，IR 1.52[35] - 多头组合年化超额9.4%[43] 2. **score_by_len因子**： - IC均值0.096，IR 1.78[36] - 多头组合年化超额11.2%[44] 3. **score_by_cat因子**： - IC均值0.105，IR 1.91[38] - 多头组合年化超额12.0%[45] 4. **score_by_LenCat因子**： - IC均值0.112，IR 2.03[39] - 多头组合年化超额13.1%[46] （注：所有测试窗口均为报告发布后20-40日，基准为中证800）[6][35]

投资方法论 - 采用基本面规则驱动的被动型ETF投资策略 认为市值加权方法具有滞后性且会导致对同一标的的过度集中 [1] 分析师背景 - 拥有20年量化研究 财务建模和风险管理经验 专注股票估值 市场趋势和组合优化 [1] - 曾任巴克莱副总裁 主导模型验证 压力测试和监管财务团队 兼具基本面与技术分析专长 [1] - 与合伙人(配偶)共同撰写投资研究 结合风险管理与长期价值创造视角 [1] 研究领域 - 重点关注宏观经济趋势 企业盈利和财务报表分析 旨在提供超额收益的可行方案 [1] （注：文档2和3为披露声明，根据任务要求已主动过滤；文档1中未提及具体公司或行业数据，故未提取数字信息）

分析师背景 - 拥有20年量化研究、金融建模和风险管理经验 [1] - 专注于股票估值、市场趋势和投资组合优化 [1] - 曾在巴克莱银行担任副总裁，领导模型验证、压力测试和监管金融团队 [1] - 擅长基本面分析和技术分析 [1] - 与合伙人共同撰写投资研究报告，结合双方优势提供高质量、数据驱动的见解 [1] - 研究方法融合严格的风险管理和长期价值创造视角 [1] - 特别关注宏观经济趋势、企业盈利和财务报表分析 [1] 研究重点 - 旨在为寻求跑赢市场的投资者提供可操作的思路 [1] - 通过深入分析发现高增长投资机会 [1]