[Table_StockNameRptType] 金融工程 月报 "学海拾珠"系列之跟踪月报 202507 [Table_RptDate] 报告日期：2025-08-05 Table_Author] 分析师：骆昱杉 执业证书号：S0010522110001 邮箱：luoyushan@hazq.com 分析师：严佳炜 执业证书号：S0010520070001 邮箱：yanjw@hazq.com 主要观点： [Table_Summary] 本期新增量化金融相关的研究文献共计 99 篇，研究领域分布如下：权 益类研究 34 篇（权益-ESG 相关研究 11 篇）、基金类研究 1 篇、债券 研究 5 篇、资产配置研究 9 篇。其中，机器学习在金融领域的应用研 究 45 篇，ESG 一共 13 篇。 2025 年 7 月海外文献综述 本综述系统梳理了 7 月 40 余金融类期刊新发的文献和 AI 顶会论 文，本报告以整理量化金融领域的文献为主，涵盖权益类（非 ESG）、 固收类、基金研究、资产配置、机器学习和权益-ESG 类。 权益类研究覆盖基本面分析、量价另类建模、因子模型优化、主动 量化策略及其他领域，探讨了投资者 ...

就像投资一样，真正成功的人不靠"猜哪只股票涨"，而是 构建一个包含多元分散配置、注重成本、和坚持长期耐心的投资系统 。短期选择难以预判，但系 统性原则可以长期坚持。 在这里让我用几个具体的例子和大家展开分析。以会计为例，很多家长担心 AI 的普及会让这个职业过时。确实，如果只是机械地生成报表， AI 几分钟就 能完成。但真正有价值的会计，不是数据的搬运工，而是能看懂数字背后的逻辑，参与资源配置、战略判断的高级管理人才。 AI 无法代替人的判断，也无 法在管理层会议上与 CEO 、 CFO 讨论如何优化现金流和资源分配。 AI 可以帮你做"怎么做"，但"做什么"与"为什么做"，仍然是人无可替代的领域。 每年高校发榜季，社交媒体和家长群体中都会反复响起同一个问题："孩子 应该报哪个专业 才更有前途？"如今，这个问题甚至成了一个"行业"，不少家长 愿意花钱请各种专业报考专家，比如张雪峰，为孩子量身定制志愿填报方案。他们希望通过专家的建议，帮孩子找到一条稳妥和安全的道路。 但我们要认真思考，这种问题的提出方式本身是否就存在某种误区？不是说找专家咨询没有意义，而是这种思维方式背后，隐藏着一种过于简化的线性认 知：认为 ...

根据提供的研报内容，以下是量化模型与因子的系统总结： 量化模型与构建方式 1. **模型名称**：双峰扩散模型 **构建思路**：解析动量反转效应，生成单峰（均值回归）或双峰（动量）价格分布[13][15] **具体构建**：采用三参数扩散方程建模股价动态，通过调整参数控制分布形态（单峰/双峰） **评价**：有效捕捉市场异象，但需高频数据支持 2. **模型名称**：IPCA因子模型 **构建思路**：解释期权策略收益来源[21][22] **具体构建**： $$ r_{option} = \sum_{k=1}^K \beta_k F_k + \epsilon $$ 其中$F_k$为隐含主成分因子，$\beta_k$为因子载荷 **评价**：对46种期权策略收益解释力达80% 3. **模型名称**：多层矩阵因子模型 **构建思路**：整合全局与局部因子提升股票多指标分析精度[17] **具体构建**：采用层级矩阵分解： $$ X = L_1G_1 + L_2G_2 + E $$ $L_1$为全局因子载荷，$L_2$为行业局部因子 4. **模型名称**：神经函数生成组合(NFGP) **构建思路**：融合Transformer与扩散模型优化资产配置[34][35] **具体构建**：通过注意力机制提取时序特征，联合优化收益预测与风险控制模块 **评价**：概率时序预测误差较基准降低42% 量化因子与构建方式 1. **因子名称**：对抗坏贝塔(BABB) **构建思路**：改进BAB策略的低风险投资效果[13][15] **具体构建**：双重排序剔除高特质波动股票，保留低系统风险组合 **评价**：需管理交易成本，熊市表现优异 2. **因子名称**：纯净价值因子 **构建思路**：机器学习构建控制风险后的价值指标[24][25] **具体构建**：XGBoost筛选与估值相关但与其他风险因子正交的特征 3. **因子名称**：情绪敏感度溢价 **构建思路**：捕捉独立于传统情绪指标的超额收益[15] **具体构建**：通过新闻情感分析构建情绪冲击响应系数 4. **因子名称**：高铁网络中心性因子 **构建思路**：量化交通网络对企业融资成本的影响[24][25] **具体构建**：基于图算法计算企业所在地高铁节点PageRank值 模型回测效果 1. **IPCA因子模型**：月均异常收益趋近零，期权策略收益解释力80%[22] 2. **NFGP模型**：年化夏普比率1.74，最大回撤较基准降低15%[35] 3. **端到端网络动量框架(L2GMOM)**：20年回测夏普比率1.74[33] 因子回测效果 1. **BABB因子**：年化超额收益6%，最大单月回撤8.2%[15] 2. **纯净价值因子**：信用债年化超额3-4%，错误定价收益占比提升23%[25] 3. **账面市值比因子**：公司债年化超额3-4%，预测力随延迟衰减[25] 注：部分模型/因子因研报未提供完整测试参数（如IC、IR等）暂缺对应指标[17][21]

公司概况 - 公理量化（Axiom Quant）是一家由"00后"斯坦福大学数学女博士洪乐潼创立的AI初创公司，目标融资金额为5000万美元，估值预计达3亿-5亿美元 [1] - 公司目前处于初创阶段，尚未推出产品、未积累用户，正在积极招募国内外人才组建团队 [1][10] - 知名创投公司波士顿投资可能领投，但创始人洪乐潼在知乎上否认媒体报道的融资信息准确性 [1] 创始人背景 - 洪乐潼为广州人，25岁，拥有麻省理工学院数学与物理双学位（3年完成）、牛津大学神经科学硕士、斯坦福大学数学与法学双博士在读 [3][6][8] - 学术成就包括发表9篇纯数学前沿论文，研究方向涵盖数论、组合学等，曾获全美女性数学家最高荣誉Alice T Schafer数学奖及罗德学者称号 [6][8] - 高中阶段已展现超强数学天赋，入选广东省中学生英才计划，并在全国中学生数学奥林匹克竞赛中表现突出 [5] 技术方向与商业模式 - 公司采用"数学即服务"模式，专注于AI+量化金融领域，旨在通过严格逻辑推理训练解决大模型"黑箱"问题 [10] - 技术路径强调数学基础层突破，例如针对ChatGPT数学测试作弊问题提出AI需加强逻辑推理训练体系 [9] - 目标客户为对冲基金、量化交易员等高端金融机构，提供高效量化解决方案 [10] 行业趋势与对标案例 - 公司技术理念与DeepSeek（幻方量化旗下）"小而专注"的团队模式高度契合，均从数学基础层切入AI领域 [10] - "00后"创业者正成为AI领域新生力量，例如耶鲁博士杨丰瑜创立的优理奇获数亿元融资，Mercor公司完成1亿美元B轮融资 [12] - 行业关注点在于"数学AI+量化金融"赛道的差异化竞争潜力，但技术商业化仍面临挑战 [13] 市场关注点 - 投资人看重创始人学术背景及"数学+AI"在金融场景的应用潜力，尤其是解决量化模型可信度痛点的长期价值 [11] - 公司估值逻辑可能基于创始团队稀缺性及技术路径独特性，而非传统产品/用户指标 [1][11]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：TV-AR模型（时变预测模型系统）** - **构建思路**：通过联合线性控制函数检测预测变量参数的不稳定性，提升预测效率[16] - **具体构建过程**： 1. 采用时变自回归（TV-AR）框架动态调整参数 2. 引入线性控制函数校正样本外预测偏差 3. 蒙特卡洛模拟验证有限样本有效性，检测超50%变量存在参数不稳定现象 - **模型评价**：显著提升预测效用增益，适用于非平稳金融时间序列 2. **模型名称：高频贝塔估计技术** - **构建思路**：基于傅里叶估计方法解决粗糙波动与异步交易噪声问题[14] - **具体构建过程**： 1. 采用傅里叶变换重构资产价格路径 2. 设计抗噪声的协方差矩阵估计量： $$\hat{\beta}_{t} = \frac{\int_{0}^{t} \mathcal{F}(d\log p_{1})(s)\overline{\mathcal{F}(d\log p_{2})(s)}ds}{\int_{0}^{t} |\mathcal{F}(d\log p_{2})(s)|^{2}ds}$$ 其中$\mathcal{F}$表示傅里叶变换算子 3. 通过高频数据验证日内贝塔离散度与流动性关联性 - **模型评价**：在微观结构噪声环境下保持估计鲁棒性 3. **模型名称：高维因子择时框架** - **构建思路**：结合宏观变量与因子特性利差实现多因子动态配置[16] - **具体构建过程**： 1. 构建因子特性矩阵（包括多空端价差、动量延续性等） 2. 设计收缩惩罚函数控制过拟合风险： $$\min_{\theta} \|R-X\theta\|^{2} + \lambda \sum_{j=1}^{p} \frac{|\theta_{j}|}{1+|\theta_{j}|}$$ 3. 通过滚动窗口优化实现因子权重动态调整 - **模型评价**：在大市值因子择时中表现突出 4. **模型名称：长记忆随机区间模型(LMSR)** - **构建思路**：基于Parkinson波动率捕捉金融时间序列持续特性[40] - **具体构建过程**： 1. 构建区间波动率测度： $$RV_{t} = \frac{1}{4\ln 2}(h_{t}-l_{t})^{2}$$ 2. 引入分整差分算子$(1-L)^{d}$刻画长记忆性 3. 采用Whittle近似估计进行参数校准 - **模型评价**：样本外预测损失降低38% 量化因子与构建方式 1. **因子名称：无形资产投资因子** - **构建思路**：替代传统MTB比率与盈利能力因子[11] - **具体构建过程**： 1. 计算企业研发支出与无形资产摊销占比 2. 构建正交化组合： $$INTANG = \frac{RD+IA}{TA} - \beta_{1}HML - \beta_{2}RMW$$ 其中TA为总资产 3. 按行业调整后分组构建多空组合 - **因子评价**：1993年后预测力显著超越传统价值因子 2. **因子名称：债券评级联动因子** - **构建思路**：捕捉股债市场分割导致的套利机会[14] - **具体构建过程**： 1. 计算股票与同发行人债券评级变动相关性 2. 构建配对交易组合：做空评级下调股票/做空评级上调股票 3. 控制行业与规模风险暴露 - **因子评价**：未被现有经济关联因子解释 3. **因子名称：僵尸企业调整动量因子** - **构建思路**：剔除信贷扭曲企业提升动量效应[14] - **具体构建过程**： 1. 识别僵尸企业（连续3年利息覆盖率<1且负债增长） 2. 在传统11-1月动量策略中剔除该类企业 3. 优化组合权重函数： $$w_{i} = \frac{1}{\sigma_{i}}(1-D_{i}^{zombie})$$ 其中$D_{i}^{zombie}$为僵尸企业虚拟变量 - **因子评价**：日本市场夏普比率提升3倍 4. **因子名称：员工前瞻性预期因子** - **构建思路**：捕捉劳动力市场未公开信息[11] - **具体构建过程**： 1. 构建员工满意度调查中的未来预期指数 2. 计算行业调整后的异常预期值 3. 采用Fama-MacBeth回归验证预测力衰减模式 - **因子评价**：信号受套利行为影响快速衰减 模型回测效果 1. **TV-AR模型** - 样本外预测效用增益：+22%[16] - 参数不稳定变量检出率：51.3%[16] 2. **高频贝塔模型** - 日内贝塔离散度与流动性相关系数：0.67[14] 3. **高维因子择时框架** - 大市值因子择时IR：1.82[16] 4. **LMSR波动率模型** - 样本外预测损失降幅：38%[40] 因子回测效果 1. **无形资产投资因子** - 月均超额收益：42bps[11] - 信息比率(IR)：0.93[11] 2. **债券评级联动因子** - 月均超额收益：0.45%[14] - 最大回撤：8.7%[14] 3. **僵尸调整动量因子** - 超额收益提升幅度：+300%[14] - 夏普比率：1.52 vs 原策略0.49[14] 4. **员工预期因子** - 年化异常收益：8-11%[11] - 信号半衰期：4.2个月[11]

研究文献概况 - 本月新增量化金融相关研究文献 80 篇，涵盖权益、基金、债券等多个领域[1] 权益类研究（非 ESG） - 无形资产因子及内在价值模型解决传统因子失效问题，后者月均超额收益 56bps[10] - 僵尸企业调整使日本动量策略超额收益与夏普比率提升 3 倍[12] - 102 个异象双重排序实现年化夏普比率 2[15] 固收类研究 - 高频在线通胀率预测收益率曲线斜率因子贡献率 61%[22] - 气候灾害后绿色债券溢价 5 个月内消退，量化宽松使企业疫情期降级率↑37%[24] - 发行人不赎回盈利性可赎回债券引致 40bps 价格跳跃[26] 基金研究 - 高技能基金流动性选择策略驱动超额收益，美国公共养老基金跑输基准 7 个百分点[28] - 新型时间序列估计量均方误差↓37%，收购经理技能被低估 29%[31] 资产配置研究 - 整体投资组合方法取代传统战略配置，货币系统化管理整合四类风格溢价[32] - 波动率关联性约束使组合危机期绩效↑23%，波动率择时增强指数策略风险调整收益↑19%[33][37] 机器学习研究 - 机器学习期权定价经济价值高于传统模型，GraphSAGE 模型提升信用风险预测精度 19%[38] - 长记忆随机区间模型样本外预测损失↓38%[38] 行业与风格研究 - 行业失配企业导致自身及行业异常应计额膨胀，中断应计模型有效性[41] 权益 - ESG 类研究 - 家族企业抑制绿色创新资源压力↑86%，供应链客户促进创新地理距离↓10%效应↑23%[42] - ESG 百分位归一化虚增头部评分贡献率<45%，披露与分析师预测精度呈 U 型关系[42] - 气候风险促慈善捐赠↑24%，污染资产免责改革降排放↓28%，强制 CSR 披露提专利质量↑35%[45]

量化模型与构建方式 1. **模型名称**：RNN+Neural ODE+MLP融合模型 **模型构建思路**：通过RNN进行时序数据压缩和降维，利用Neural ODE学习时序演化规律重构数据，最后通过MLP捕捉alpha信息以提升选股鲁棒性[3][6]。 **模型具体构建过程**： - **Encoder层（RNN）**：对时序数据降维和特征提取。 - **Decoder层（Neural Jump SDE）**：拟合时序数据的微分动力系统，重构数据。公式： $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t),t\in[0,T]\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$ 其中$v$和$\sigma$为全连接层加激活函数构成[22][26]。 - **MLP层**：对重构数据提取特征预测收益率。损失函数包括重构损失、KL散度和MSE损失： $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[31][32] **模型评价**：通过数据重构降低噪声影响，提升样本外泛化能力[3][34]。 2. **模型名称**：Baseline模型（ABCM模型） **模型构建思路**：基于神经网络的alpha和beta因子协同挖掘，生成选股因子[37]。 **模型评价**：作为对比基准，新模型在多头超额和抗风险能力上显著优于Baseline[39][43]。 3. **衍生模型**： - **Model1**：Neural ODE生成因子与Baseline因子等权组合[42]。 - **Model2**：Neural SDE生成因子与Baseline因子等权组合[42]。 - **Model3**：Model1因子剥离短期风险后的残差因子[42]。 --- 量化因子与构建方式 1. **因子名称**：Model1因子 **因子构建思路**：基于RNN+Neural ODE+MLP模型生成的alpha因子，通过数据重构增强稳定性[6][26]。 **因子评价**：多头超额显著提升，换手率降低，抗极端市场能力更强[39][43]。 2. **因子名称**：行业轮动因子 **因子构建思路**：将选股因子按行业流通市值加权聚合，生成行业得分[50][51]。 **因子评价**：Model1因子行业RankIC达12.55%，Top组年化超额25.27%，优于Baseline[52][53]。 --- 模型的回测效果 1. **RNN+Neural ODE+MLP模型（Model1）**： - **RankIC均值**：16.33%（中证全指）[39] - **Top组年化超额**：54.54%[39] - **最大回撤**：-6.63%（2024年）[43] - **换手率**：59.73%（较Baseline下降）[39] 2. **Baseline模型**： - **RankIC均值**：16.39%[39] - **Top组年化超额**：52.63%[39] - **最大回撤**：-5.25%[43] 3. **行业轮动表现**： - **Model1因子**：RankIC 12.55%，Top组超额25.27%[52] - **Baseline因子**：RankIC 12.20%，Top组超额23.05%[52] --- 因子的回测效果 1. **指数增强策略**： - **沪深300指增**：Model1年化超额16.67%，夏普比率3.14[65]。 - **中证500指增**：Model1年化超额21.37%，夏普比率3.21[72]。 - **中证1000指增**：Model1年化超额32.41%，夏普比率4.37[80]。 2. **Top组合绝对收益**： - **Model1**：年化收益43.80%，最大回撤-40.84%[59]。 - **Baseline**：年化收益40.15%，最大回撤-42.41%[59]。 --- 关键公式总结 1. **Neural SDE前向传播**： $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t)\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$[22] 2. **总损失函数**： $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[32]