研究背景与目标 - [质量是企业的持久属性，但市场回报随时间变化，传统静态定义存在不足，目标是识别企业持久实力并建模市场回报时机][2,8,14] 质量评估方法 - [通过直接从股票特定结果中学习来识别质量，而非依赖标签，训练基于残差回报以分离公司基本面][3] - [采用机器学习框架，结合可解释的弹性网络模型和非线性提升模型生成复合信号][8,17] 模型创新点 - [基于残差回报训练，识别特质质量特征，分离质量产生回报的能力][17] - [动态选择特征，考虑市场条件变化，捕捉质量驱动因素的演变][17] - [认识到质量溢价并非纯粹线性，采用树基模型捕捉交互、阈值和条件效应][17] 模型表现 - [复合信号表现最佳，残差回报年化约1.5%，原始回报年化约1.6%，夏普比率分别为0.75和0.72，命中率为69.8%][4,47,49] - [与传统质量基准相比，2024年末至今表现出色][55] 后续步骤 - [实施专门的时机层，将质量得分转化为预期回报][81] 其他补充 - [利用分析师偏好调整质量信号，优化残差回报预测与分析师偏好的一致性][84] - [模型存在局限性，包括换手率、行业/风格暴露、适用范围和可解释性等问题][74]