量化模型与构建方式 1. **模型名称：成交量模型**[11] * **模型构建思路：** 基于市场成交量的变化来判断短期市场情绪和方向。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路：** 利用龙虎榜中机构的买卖行为数据构建特征，用于判断市场短期走势。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 3. **模型名称：特征成交量模型**[11] * **模型构建思路：** 基于成交量的某些特征（可能如放量/缩量、量价关系等）来构建短期择时信号。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 4. **模型名称：智能算法沪深300模型/智能算法中证500模型**[11] * **模型构建思路：** 运用智能算法（如机器学习等）对特定宽基指数（沪深300、中证500）进行择时判断。 * **模型具体构建过程：** 报告未详细说明具体算法、特征和构建过程。 5. **模型名称：涨跌停模型**[12] * **模型构建思路：** 通过分析市场涨跌停股票的数量、分布等特征，来判断中期市场情绪和趋势强度。 * **模型具体构建过程：** 报告未详细说明具体构建过程和公式。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路：** 通过计算市场或指数上行与下行阶段的收益差异，来判断中期市场动能和方向。 * **模型具体构建过程：** 报告未详细说明具体计算方法和公式。 7. **模型名称：月历效应模型**[12] * **模型构建思路：** 基于历史数据中存在的月份、季节等周期性规律（月历效应）进行择时。 * **模型具体构建过程：** 报告未详细说明具体效应规则和构建过程。 8. **模型名称：长期动量模型**[13] * **模型构建思路：** 依据资产价格的长期趋势（动量）进行择时，认为过去表现好的资产未来会继续好。 * **模型具体构建过程：** 报告未详细说明计算动量的时间窗口和具体公式。 9. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路：** 一个综合性的A股择时模型（V3版本），可能整合了多个周期或类型的子模型信号。 * **模型具体构建过程：** 报告未详细说明子模型构成和综合方式。 10. **模型名称：A股综合国证2000模型**[14] * **模型构建思路：** 针对国证2000指数的综合性择时模型。 * **模型具体构建过程：** 报告未详细说明具体构建过程。 11. **模型名称：成交额倒波幅模型**[15] * **模型构建思路：** 结合成交额和波动率（波幅）的倒数或相关关系，用于港股市场的中期择时。 * **模型具体构建过程：** 报告未详细说明具体公式和构建过程。 12. **模型名称：恒生指数/恒生国企指数上下行收益差相似多空模型**[15] * **模型构建思路：** 在“上下行收益差”模型基础上，引入“相似多空”逻辑，可能用于判断港股指数情绪。 * **模型具体构建过程：** 报告未详细说明“相似多空”的具体定义和模型构建过程。 13. **模型名称：双底形态识别模型**[42][48] * **模型构建思路：** 基于技术分析中的“双底”价格形态进行选股或择时，该形态通常被视为看涨反转信号。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则（如A、B、C、E点的定义，突破条件等）。 14. **模型名称：杯柄形态识别模型**[42][43] * **模型构建思路：** 基于技术分析中的“杯柄”价格形态进行选股或择时，该形态通常被视为看涨持续信号。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则（如A、B、C点的定义，杯深、柄长等参数）。 15. **模型名称：倒杯子形态识别模型**[61] * **模型构建思路：** 基于技术分析中的“倒杯子”价格形态识别风险个股，该形态是典型的负向（看跌）形态。 * **模型具体构建过程：** 报告未详细说明形态识别的量化规则。 模型的回测效果 1. **双底形态模型**，本周收益2.32%，同期上证综指涨跌幅1.64%，本周超额收益0.69%，自2020年12月31日至今累计收益24.29%，累计超额收益7.64%[42]。 2. **杯柄形态模型**，本周收益2.04%，同期上证综指涨跌幅1.64%，本周超额收益0.41%，自2020年12月31日至今累计收益23.46%，累计超额收益6.81%[42]。 量化因子与构建方式 1. **因子名称：分析师一致预期调整因子**[19][20] * **因子构建思路：** 通过跟踪分析师对个股盈利预测的上调或下调比例，来观察行业或个股的预期变化。 * **因子具体构建过程：** 报告展示了各行业“分析师上调个股比例”和“分析师下调个股比例”的数据，但未给出具体的因子计算公式[19][20]。 因子的回测效果 *(报告中未提供具体因子的独立回测绩效指标，如IC、IR、多空收益等。)*

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：基于市场成交量的变化来判断短期市场情绪和趋势[1]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 2. **模型名称：特征龙虎榜机构模型**；模型构建思路：利用龙虎榜中机构资金的买卖行为特征来构建择时信号[1]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 3. **模型名称：特征成交量模型**；模型构建思路：基于更精细或特定维度的成交量特征（可能与普通成交量模型不同）来构建择时信号[1]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 4. **模型名称：智能算法沪深300/中证500模型**；模型构建思路：运用智能算法（如机器学习等）对沪深300或中证500指数进行择时判断[1]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 5. **模型名称：涨跌停模型**；模型构建思路：通过分析市场涨跌停股票的数量、比例等特征来判断中期市场情绪和趋势[1][12]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 6. **模型名称：上下行收益差模型**；模型构建思路：通过比较市场上涨和下跌时的收益率差异来构建择时信号[1][11][15]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 7. **模型名称：月历效应模型**；模型构建思路：基于历史数据中存在的月份、季节等日历效应规律来构建择时信号[1][12]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 8. **模型名称：长期动量模型**；模型构建思路：基于资产价格的长期趋势（动量效应）来构建择时信号[1][13]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 9. **模型名称：A股综合兵器V3模型**；模型构建思路：将多个择时模型信号进行综合集成，形成最终的择时观点[1][14]；模型具体构建过程：报告未详细描述具体集成方法和过程，仅给出信号结果 10. **模型名称：A股综合国证2000模型**；模型构建思路：针对国证2000指数，综合多个择时模型信号形成最终观点[1][14]；模型具体构建过程：报告未详细描述具体集成方法和过程，仅给出信号结果 11. **模型名称：成交额倒波幅模型**；模型构建思路：结合成交额与波动率（波幅）构建择时信号，用于港股市场[1][15]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 12. **模型名称：上下行收益差相似模型**；模型构建思路：可能是“上下行收益差模型”在港股市场的应用或变体[1][15]；模型具体构建过程：报告未详细描述具体构建公式和过程，仅给出信号结果 13. **模型名称：形态学监控（杯柄形态、双底形态）**；模型构建思路：通过识别股票价格走势图中的特定技术形态（如杯柄形态、双底形态）来筛选个股，并构建投资组合[43][44][47]；模型具体构建过程：报告未给出具体形态识别的量化规则和算法，但展示了形态的关键点位（如A点、B点、C点）和形态长度（周数），通过识别这些形态的“突破”来产生交易信号[46][49][53][54] 14. **模型名称：倒杯子形态风险监控**；模型构建思路：识别股价走势中的“倒杯子”这一负面技术形态，用于预警个股下跌风险[58]；模型具体构建过程：报告未给出具体形态识别的量化规则和算法，但指出该形态出现在一波下跌后的筑顶并再次突破下跌时，是典型的负向形态[58] 模型的回测效果 1. **双底形态组合**，本周上涨3.17%，相对上证综指超额收益4.26%，自2020年12月31日至今累计上涨23.82%，相对上证综指累计超额收益11.13%[43] 2. **杯柄形态组合**，本周上涨1.07%，相对上证综指超额收益2.17%，自2020年12月31日至今累计上涨17.9%，相对上证综指累计超额收益5.21%[43] 量化因子与构建方式 1. **因子名称：分析师一致预期调整因子**；因子构建思路：通过统计行业内分析师上调或下调盈利预期的个股比例，来观察行业情绪和预期变化[20][21][22]；因子具体构建过程：对于每个行业，计算“分析师上调个股比例”和“分析师下调个股比例”，具体公式为：$$上调比例 = \frac{行业内盈利预测被上调的个股数量}{行业内有效覆盖个股总数}$$ $$下调比例 = \frac{行业内盈利预测被下调的个股数量}{行业内有效覆盖个股总数}$$[20][21][22] 2. **因子名称：基金仓位因子（绝对仓位、超低配仓位）**；因子构建思路：通过分析股票型基金和混合型基金的行业持仓数据，构建反映机构资金动向的因子[22][23][25][26][30]；因子具体构建过程： * **绝对仓位**：计算某类基金在某个行业的持仓市值占该类基金总股票市值的比例[26]。 * **超低配仓位**：计算基金在某个行业的实际持仓比例与该行业市值占全市场比例（或基准比例）的差值[30]。公式为：$$超低配比例 = 基金行业持仓比例 - 行业市值占比$$[30] * **超低配近两年分位数**：将当前时点的超低配比例放在过去两年的历史序列中，计算其分位数，以判断当前配置水平在历史中的位置[30]。 因子的回测效果 （报告未提供具体因子的分层回测、IC、IR等量化效果指标）

市场表现概览 - 截至2026年3月20日当周，主要市场指数普遍下跌，上证指数下跌3.38%，深证成指下跌2.90%，沪深300指数下跌2.19%，而创业板指逆势上涨1.26%[5][8][9] - 当周行业表现分化，通信行业表现最佳，周收益率为2.10%，而有色金属、基础化工、钢铁行业表现最差，周收益率分别为-11.82%、-10.53%、-10.29%[9] - 截至2026年3月20日，今年以来主要宽基指数表现不一，中证500指数上涨3.9%，中证1000指数上涨2.5%，而沪深300指数下跌1.4%[5] 指数增强基金表现 - 当周（截至2026/03/20）指数增强基金超额收益中位数表现分化：沪深300指增基金中位数为-0.08%，中证500指增基金中位数为0.43%，中证1000指增基金中位数为0.10%[5][12] - 今年以来（截至2026/03/20）指数增强基金超额收益中位数表现不一：沪深300指增基金中位数为1.16%，中证500指增基金中位数为-0.39%，中证1000指增基金中位数为1.42%[13] 量化策略组合绩效 - 该报告的策略基于深度学习框架构建alpha和风险模型，打造AI体系下的低频指数增强策略，组合周度调仓，约束周单边换手率10%[3][16] - 截至2026年3月20日，其沪深300指数增强组合今年以来下跌0.1%，跑赢基准指数1.2个百分点；但当周下跌3.0%，跑输基准0.8个百分点[5][20] - 截至2026年3月20日，其中证500指数增强组合今年以来上涨4.0%，跑赢基准指数0.1个百分点；但当周下跌6.4%，跑输基准0.6个百分点[5][26] - 截至2026年3月20日，其中证1000指数增强组合今年以来上涨2.4%，跑输基准指数0.1个百分点；当周下跌5.4%，同样跑输基准0.1个百分点[5][39] 风险提示 - 报告提示了量化策略面临的主要风险，包括因子失效风险、模型失效风险以及市场风格变动风险[4][44]

市场表现概览 - 截至2026年3月13日当周，上证指数下跌0.70%，深证成指上涨0.76%，沪深300指数上涨0.19%，市场呈震荡格局[6][9] - 当周表现最佳的申万一级行业为煤炭、电力设备、建筑装饰，周收益率分别为5.03%、4.55%、4.12%[10] - 当周表现最差的申万一级行业为国防军工、石油石化、综合，周收益率分别为-6.64%、-4.33%、-4.30%[10] - 截至2026年3月13日，今年以来中证500指数上涨10.4%，中证1000指数上涨8.1%，表现优于沪深300指数（上涨0.8%）[6][10] 指数增强基金表现 - 当周（截至2026/03/13）全市场指数增强基金超额收益中位数：沪深300为-0.01%，中证500为0.80%，中证1000为0.34%[6][13] - 今年以来（截至2026/03/13）全市场指数增强基金超额收益中位数：沪深300为1.17%，中证500为-0.94%，中证1000为1.34%[14] 财通证券量化组合表现 - 公司基于深度学习框架构建低频指数增强策略，组合周度调仓，约束周单边换手率10%[17] - 截至2026年3月13日，其沪深300指增组合今年以来上涨2.9%，超额收益2.1%；当周上涨1.6%，超额收益1.4%[6][21] - 截至2026年3月13日，其中证500指增组合今年以来上涨11.2%，超额收益0.8%；当周上涨1.3%，超额收益2.8%[6][26] - 截至2026年3月13日，其中证1000指增组合今年以来上涨8.2%，超额收益0.1%；当周上涨0.9%，超额收益1.3%[6][39] 风险提示 - 策略存在因子失效、模型失效及市场风格变动风险[5][44]

报告核心观点 - 报告将经典的波特五力行业竞争结构分析框架，延伸并应用于个股层面的量化选股策略[1] - 通过将五个维度（购买者议价能力、供应商议价能力、个股行业内竞争优势、替代品威胁、行业壁垒）进行量化刻画，并最终融合构建了“波特五力综合因子”[1][3] - 基于“好行业、好公司、好价格”原则，将波特五力综合因子与估值因子结合构建选股策略，在全市场股票池下，策略年化收益为31.95%，相对于中证全指的年化超额收益为28.81%，信息比率为2.41，相对收益回撤比为1.14[3] 以量化的视角剖析波特五力模型 - 波特五力模型由迈克尔·波特提出，用于分析行业竞争结构，五种力量包括供应商议价能力、购买者议价能力、行业内部竞争、潜在进入者威胁和替代品威胁[8][10][11][12][13] - 报告将分析视角从行业推演至个股，将行业结构分析转化为对个股竞争优势的评估，构建了五个分析维度：行业壁垒（行业层面）、供应商议价能力、购买者议价能力、个股行业内竞争优势、替代品威胁（后四者为个股层面）[14][15] - 波特五力模型被众多绩优基金经理使用，报告旨在将其定性逻辑转化为可回测、可复制的量化模型[20] “购买者议价能力”的量化表达 - 该维度通过应收账款与预收款项结构、客户集中度、利润现金含量等指标来量化个股对下游客户的议价能力[21] - 构建了涵盖应收账款、预收款项、买家结构、坏账准备、利润现金含量五大类共10个有效细分因子，例如应收账款稳定性因子Rank IC均值为2.42%[34] - 合成的购买者议价能力综合因子表现优异，Rank IC均值为3.20%，Rank ICIR达到2.59，多空组合年化收益达12.53%[3][41] “供应商议价能力”的量化表达 - 该维度通过应付账款与预付款项结构、供应商集中度、利润现金含量等指标来量化个股对上游供应商的议价能力[42] - 构建了涵盖应付账款、预付款项、供应商结构、利润现金含量四大类共7个有效细分因子，例如应付账款稳定性因子Rank IC均值为2.00%[53] - 合成的供应商议价能力综合因子Rank IC均值为2.68%，Rank ICIR为2.26，多空组合年化收益达11.34%[3][58] “个股行业内竞争优势”的量化表达 - 该维度从盈利能力、运营效率、成本控制、研发投入、员工结构、外部支持等多个角度综合评估个股在行业内的竞争优势[59][60] - 构建了涵盖盈利能力、运营效率、成本控制能力、研发投入强度、员工结构特征、外部支持六大类共20个有效细分因子，例如研发费用率因子Rank IC均值达3.97%[64] - 合成的个股行业内竞争优势综合因子表现强劲，Rank IC均值达到4.49%，Rank ICIR为3.20，多空组合年化收益高达16.48%[3][67] “替代品威胁”的量化表达 - 该维度从“替代难易程度”（技术壁垒）和“抗冲击能力”（营收分散度、定价空间）两方面评估个股面临的替代品威胁[68][69] - 构建了涵盖技术资产依赖度、营收分散度、毛利率及其弹性等共7个有效细分因子，例如毛利率因子Rank IC均值为3.68%[79] - 合成的个股替代品威胁综合因子Rank IC均值达4.61%，ICIR为2.13，多空组合年化收益率达17.63%[3][83] “行业壁垒”的量化表达 - 该维度是唯一从行业层面分析的维度，从技术壁垒、资本壁垒、市场壁垒三方面评估行业进入门槛[84][87] - 基于中信一级行业分类，构建了6个行业层面因子，例如供给侧改革后，行业资本开支占比因子Rank IC均值达6.26%[95][97] - 合成的行业壁垒综合因子Rank IC均值高达8.26%，ICIR为0.91，多空组合年化收益率为11.29%[3][100] 波特五力综合因子与选股策略 - 将五个维度的综合因子（四个个股因子，一个映射至个股的行业因子）进行融合，构建波特五力综合因子，其Rank IC均值为5.18%，Rank ICIR达到2.53[3][103] - 五个细分维度因子之间的相关性较低，表明它们从不同侧面提供了增量信息[104][106] - 基于“三好原则”，将波特五力综合因子与估值因子结合构建量化选股策略，策略在全市场及不同股票池（沪深300、中证800、中证1000、国证2000）中均展示了稳健的超额收益[3][7]

文章核心观点 - 文章系统介绍了OpenClaw智能代理平台在投资研究领域的深度应用，展示了其如何通过整合多种技能模块，实现办公流程自动化、投研信息高效处理以及复杂量化策略的快速构建与验证，旨在提升投研人员的工作效率与决策质量 [1][2][3] 一、 OpenClaw常用CLI操作指令 - 文章提供了OpenClaw常用命令行接口操作速查表，涵盖系统启动与运行、配置与重置、通信管理、消息操作、模型与智能体管理、技能与插件管理、记忆管理、安全与自动化等八大类指令 [4][5] 二、 自动化Office文件处理 - OpenClaw通过配置docx、pdf、pptx、xlsx与canvas-design五大核心技能，构建了端到端的自动化办公流程，旨在解决跨软件协同繁琐、机械性数据流转耗时等问题 [2][6] - 五大技能均来自开源生态的Anthropic官方标准技能库，基于“渐进式加载架构”构建，能够按需动态加载，赋予AI智能体执行复杂跨文件任务的能力 [7] - **docx技能**：用于创建、编辑与解析Word文档，支持修订轨迹追踪、批注处理及格式保留，可自动化完成合同审核、公文起草与研报排版 [8] - **pdf技能**：提供完整的PDF文件操作工具包，涵盖文本与复杂表格的高精度提取、文档合并拆分及表单处理，可将非结构化文件快速转化为可编辑的结构化数据 [8] - **pptx技能**：专注于PowerPoint演示文稿的生成、解析与编辑，支持识别版式模板、处理图表及自动化生成幻灯片，适用于投研路演与工作总结场景 [8] - **xlsx技能**：专精于Excel电子表格的构建、修改与深度分析，支持复杂公式运算、格式设定与数据可视化，可自动化执行数据清洗与指标计算 [8] - **canvas-design技能**：侧重于结合专业设计理念构建高质量的视觉图像，支持生成png与pdf格式，可用于快速制作海报、插图等 [9] - 五项技能可组合应用，构建跨文件格式的端到端自动化工作流，例如从PDF财报提取数据，经Excel清洗计算后，自动生成Word研究报告和路演PPT，彻底消除跨软件数据复制与格式转换工作 [9] - 技能安装过程简便，通过与OpenClaw直接对话即可完成，系统会提示并协助安装所需的环境依赖 [10][11][12][13][14][15][16][17][18][19][20][21] - 为确保中文字体正常显示，系统提供了安装开源中文字体（如Noto Sans CJK、文泉驿系列）的具体操作指南 [22] 三、 应用实例详解 - **实例1：读取PDF财报，总结并生成Word报告并配以精美图表** - 通过一段完整的提示词指令，OpenClaw可自动完成从PDF财报中提取非结构化数据、分类总结、使用canvas-design生成图表，并最终整合为格式规范的Word文档的全过程 [26][29] - 执行结果显示，OpenClaw准确提取了关键信息，生成了三份总结分析Markdown文件（大小分别为4.8K、8.9K、9.3K）、三组对应的HTML/PNG格式图表（PNG大小分别为741K、764K、548K）以及一个2.0M的完整Word报告 [30][31][32][33] - **实例2：根据PDF材料，自动生成路演PPT** - 基于PDF原始材料，OpenClaw使用pdf和pptx技能，可自动提取内容并整理生成路演汇报PPT [36][39] - 生成物包括一个308KB的16页路演PPT文件，以及相关的说明文档和脚本文件 [39] - **实例3：每日高质量资讯晨报&自动发送飞书** - OpenClaw可访问指定的权威新闻网站，读取新闻标题，利用大模型判断新闻与A股投资的相关性，阅读全文后总结成不超过1000字的晨报，并自动发送至飞书 [43] - 此过程可封装为一个Skill，并通过Cron定时任务在每个交易日上午九点自动执行 [44] - **实例4：信息爬取&数据可视化** - 以地产行业为例，OpenClaw可利用自带的浏览器和Playwright工具，自动抓取特定房产信息网站的房屋挂牌数据，保存至本地并进行数据可视化分析 [48] - **实例5：条件选股** - 以优化PB-ROE策略为例，OpenClaw可根据Wind API文档和基本需求，自主完成数据抓取、因子构建、回测分析等一系列任务 [51] - 在进一步提示下，模型能主动搜索相关投资理论和学术论文以寻找优化灵感，通过迭代优化最终提升因子效果 [53] - 经过多轮优化后的因子（PBROE改进3）IC均值达到3.39%，ICIR为0.46，多头年化超额收益率为2.09%，最大回撤为-11.75%，表现优于原始因子 [54][56] - **实例6：实现自动化编程** - OpenClaw通过深度结合对宿主机环境的真实文件I/O操作，能够自动完成复杂代码工程的目录搭建与文件编排 [58] - 以构建Barra CNE6多因子模型为例，OpenClaw能根据PDF公式文档，自动生成模块化、结构清晰、带有详细中文注释的完整Python代码库，并生成说明文档 [59][62][64][65]

市场整体表现 - 截至2026年2月6日当周，主要市场指数普遍下跌，上证指数下跌1.27%，深证成指下跌2.11%，沪深300指数下跌1.33%[5][8] - 同期，中证500指数下跌2.68%，中证1000指数下跌2.46%，但万得微盘股指数逆势上涨1.86%[9] - 从行业表现看，食品饮料、美容护理、电力设备行业表现较好，周收益率分别为4.31%、3.69%、2.20%；而有色金属、通信、电子行业表现较差，周收益率分别为-8.51%、-6.95%、-5.23%[9] 指数增强基金表现 - 截至2026年2月6日当周，沪深300指数增强基金超额收益率中位数为0.24%，中证500指数增强基金为0.38%，中证1000指数增强基金为0.34%[5][12] - 从年初至今（截至2026年2月6日）表现看，沪深300指数增强基金超额收益率中位数为1.22%，中证500指数增强基金为-1.43%，中证1000指数增强基金为1.24%[13] 量化策略组合表现 - 该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，组合周度调仓，约束周单边换手率为10%[3][16] - 截至2026年2月6日，其沪深300指数增强组合年初至今上涨0.5%，跑赢基准指数0.2个百分点；当周下跌0.8%，跑赢基准0.6个百分点[5][20] - 同期，其中证500指数增强组合年初至今上涨7.3%，跑输基准指数1.8个百分点；当周下跌2.0%，跑赢基准0.7个百分点[5][25] - 同期，其中证1000指数增强组合年初至今上涨4.2%，跑输基准指数1.8个百分点；当周下跌2.0%，跑赢基准0.4个百分点[5][37] 风险提示 - 报告提示了因子失效风险、模型失效风险以及市场风格变动风险[4][42]

量化选股策略2025年整体表现 - 2025年量化选股策略迎来高光时刻，符合排名规则的产品年度收益均值高达43.82%，收益中位数为46.11%，正收益占比达97.97% [2] - 量化选股策略又称“空气指增”，通常不对标任何宽基指数，不受风格、行业约束，通过量化模型选股，具有更大的灵活性和适应性优势 [2] - 2025年A股市场的结构性行情为量化选股策略提供了广阔的舞台，也对模型的迭代能力提出了更高要求 [2] 百亿以上规模私募量化选股业绩 - 百亿私募旗下59只量化选股产品2025年收益均值为56.16%，表现亮眼 [3] - 龙旗科技旗下产品“龙旗科技创新精选1号C类份额”位居榜首，该产品成立于2024年12月，截至1月30日成立以来夏普比率表现优异 [3] - 龙旗科技的“科技创新精选”策略聚焦科创板与创业板，实行“双创联动，成长加速”，认为该赛道高弹性、高流动性、高波动且不拥挤，适合量化策略获取收益 [3] - 稳博投资旗下产品“稳博小盘激进择时指增1号”位居第二，其Alpha策略基于量价和基本面因子，运用多周期、多方法模型进行全市场股票收益预测 [4] - 稳博投资初期使用自创高频交易方法，中期构建了基于人工智能机器学习的研究体系，目前形成了以多因子为基础融合人工智能机器学习的量化研究和交易体系 [4] 50-100亿规模私募量化选股业绩 - 50-100亿规模私募旗下量化选股产品2025年收益均值为53.45% [5] - 翰荣投资旗下产品“翰荣安晟进取一号B类份额”拔得头筹，公司最新管理规模已突破50亿元 [6] - 翰荣投资定位为科技驱动的量化投资机构，是国内较早将端到端机器学习方法论应用到A股市场的管理人之一 [6] - 少数派投资旗下产品“少数派主动风格1号B类份额”上榜，公司创立于2013年，核心团队金融管理经验平均超20年 [7] - 少数派投资创新投资理念为“超额收益来自多数人的误区”，主张用主动和量化相结合的方法寻找错误定价 [7] 20-50亿规模私募量化选股业绩 - 20-50亿规模私募旗下43只量化选股产品2025年收益均值为48.27% [8] - 海南盖亚青柯私募旗下产品“盖亚青柯刺桐进取A类份额”居首，公司管理规模近期成功突破20亿元 [9] - 盖亚青柯私募成立于2021年，利用大数据、人工智能、复杂系统等方法捕捉市场无效性，融合理论、技术与实战经验 [9] - 久铭投资旗下产品“久铭仟量1号”位居第二，公司秉承价值投资理念，擅长股票精选与组合风险降低，投研团队专注于行业及公司基本面研究 [10] 10-20亿规模私募量化选股业绩 - 10-20亿规模私募旗下量化选股产品2025年收益均值为38.85% [11] - 龙吟虎啸旗下产品“龙吟”位居榜首，公司成立于2021年，专注于权益和固收市场，权益市场以基本面量化为主 [12] - 上海紫杰私募旗下产品“紫杰宏阳1号”位居第二，公司管理规模近期成功突破10亿元，旗下多只产品在2025年实施了多次分红 [13] - 紫杰私募在2025年7月曾表示，相信3500点是中国大牛市的崭新起点 [13] 5-10亿规模私募量化选股业绩 - 5-10亿规模私募旗下量化选股产品2025年收益均值为38.26% [14] - 北京光华私募旗下产品“光华复兴1号”夺魁，由三位基金经理共同管理 [15] - 北京光华私募的投资理念是用科学的方法论和实践正确的价值观，通过严谨的数学模型在严控风险下追求超额收益 [16] 5亿以下规模私募量化选股业绩 - 5亿以下规模私募旗下量化选股产品2025年收益均值为37.25% [17] - 水碓泉资产旗下产品“碓泉可变阿尔法进取一号B类份额”领衔 [18] - 该产品基金经理江羽帆为水碓泉董事长兼总经理，拥有11年A股经验，交易范围涉足海外股市、商品期货、外汇、股指期货等领域 [18]

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]

量化模型与构建方式 1. **模型名称：成交量模型** [8][10] * **模型构建思路**：基于价量关系进行短期市场择时，认为成交量变化能反映市场情绪和趋势强度[8]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 2. **模型名称：特征龙虎榜机构模型** [1][10] * **模型构建思路**：利用龙虎榜中机构资金的买卖行为作为特征，进行短期市场择时判断[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 3. **模型名称：特征成交量模型** [1][10] * **模型构建思路**：基于特定的成交量特征（非简单成交量）进行短期市场择时判断[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 4. **模型名称：智能算法沪深300/中证500模型** [1][10] * **模型构建思路**：应用智能算法（如机器学习）对沪深300或中证500指数进行短期择时[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 5. **模型名称：涨跌停模型** [1][11] * **模型构建思路**：通过分析市场涨跌停股票的数量或比例等特征，进行中期市场情绪和趋势判断[1][8]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 6. **模型名称：上下行收益差模型** [1][10][11] * **模型构建思路**：通过计算市场上行收益与下行收益的差值，来衡量市场动能的强弱，用于中期择时[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 7. **模型名称：上下行收益差相似模型** [10][14] * **模型构建思路**：该模型是“上下行收益差模型”的变体或应用于特定市场（如港股）的相似逻辑模型，用于中期择时[10][14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 8. **模型名称：月历效应模型** [1][11] * **模型构建思路**：基于历史数据中存在的特定月份或时间段的规律性表现（月历效应）进行中期择时[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 9. **模型名称：长期动量模型** [1][12] * **模型构建思路**：依据资产的长期价格动量（趋势）进行长期择时判断[1]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 10. **模型名称：A股综合兵器V3模型** [1][13] * **模型构建思路**：一个综合性的A股择时模型，可能耦合了短、中、长期多个子模型的信号，形成最终观点[8][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 11. **模型名称：A股综合国证2000模型** [1][13] * **模型构建思路**：专门针对国证2000指数的综合性择时模型[1][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 12. **模型名称：成交额倒波幅模型** [10][14] * **模型构建思路**：应用于港股的中期择时模型，结合成交额与波动率（倒波幅）指标进行判断[10][14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 13. **策略名称：大师策略** [35] * **策略构建思路**：基于经典量化选股逻辑构建的策略系列，涵盖价值型、成长型和综合型，用于监控市场因子暴露和选股标准[35]。 * **策略具体构建过程**：报告未提供具体策略的构建公式和详细步骤。 14. **模型名称：形态识别模型（杯柄形态）** [42][43] * **模型构建思路**：通过识别股价走势中的“杯柄”形态（Cup with Handle）来捕捉突破上涨机会的技术分析模型[42]。 * **模型具体构建过程**：报告未提供形态识别的具体量化规则和公式，但展示了识别出的个股及其关键时点（A点：杯左起点，B点：杯底，C点：柄部结束/突破点）[45][47]。 15. **模型名称：形态识别模型（双底形态）** [42][49] * **模型构建思路**：通过识别股价走势中的“双底”形态（W底）来捕捉趋势反转上涨机会的技术分析模型[42]。 * **模型具体构建过程**：报告未提供形态识别的具体量化规则和公式，但展示了识别出的个股及其关键时点（A点：第一底，B点：中间反弹高点，C点：第二底/突破点）[50][52]。 模型的回测效果 1. **杯柄形态模型**，本周组合收益-2.79%，同期上证综指收益-0.44%，本周超额收益-2.35%；自2020年12月31日至今，累计收益20.21%，累计超额收益1.64%[42]。 2. **双底形态模型**，本周组合收益-3.06%，同期上证综指收益-0.44%，本周超额收益-2.62%；自2020年12月31日至今，累计收益24.55%，累计超额收益5.98%[42]。 量化因子与构建方式 *报告未详细阐述用于选股或阿尔法模型的单一量化因子的构建思路、过程和评价，仅提及“大师策略”暴露的因子，但未具体说明是哪些因子[35]。* 因子的回测效果 *报告未提供具体量化因子的测试结果取值。*