❑ 为什么结构上核心关注化工？ 库存缓冲下，下游需求或尚未受到明显影响。我们此前报告《油价高位：顺周期 逻辑与冲击量化测算》中统计发现，库存越多，行业的"缓冲垫"越足，对应在成 本压力下行业能够维持不涨价的时间越长，目前这一缓冲期可能有 1-2 个季度。 实际上，从已公布数据来看，受油价影响较大的塑料、纺服等行业，3 月价格基本 维持稳定。因此，既然下游价格尚未明显上涨，那么对终端需求的影响可能就还 不大。作为验证，4 月欧元区及美国制造业 PMI 初值均大超市场预期，虽然这可 能在一定程度上受到供应商交货时间延长的影响，但至少能够说明，目前全球制 造业周期复苏的趋势尚未被明显冲击。 5 月：微盘股有望迎来强势期 核心观点 5 月，市场或转震荡而非深度回调。由于缺乏明确主线，资金由前期热点外溢，量化 产品敞口或因此放开，且近期量化新产品备案激增，微盘股迎来投资机会。结构上， 在补库需求驱动下，化工行业的需求弹性可能超出市场预期，我们建议重点关注。 ❑ 5 月，重视微盘股投资机会 资金或从主线外流，微盘股受益。自 2025 年下半年以来，市场主线主要聚焦于科 技成长和顺周期两大方向。我们判断，后续风险偏好进一步 ...

量化模型与构建方式 1. **模型名称：进取组合与平衡组合**[7] * **模型构建思路：** 基于多因子模型构建的量化股票组合，进取组合和平衡组合可能代表了不同的风险偏好或因子暴露水平。 * **模型具体构建过程：** 报告未详细说明具体的因子构成、权重分配和组合构建过程。仅提及其为“多因子组合”[7]。 2. **模型名称：沪深300/中证500/中证1000指数增强组合**[7] * **模型构建思路：** 在跟踪沪深300、中证500、中证1000指数的基础上，通过量化模型进行主动管理，旨在获取超越基准指数的超额收益。 * **模型具体构建过程：** 报告未详细说明具体的增强策略、因子模型或优化方法。 3. **模型名称：绩优基金的独门重仓股组合**[7] * **模型构建思路：** 通过筛选绩优基金（报告未定义具体标准）的独门重仓股（即被少数基金重仓持有的股票）来构建投资组合，旨在捕捉基金经理的独到选股能力。 * **模型具体构建过程：** 报告未详细说明绩优基金的筛选标准、独门重仓股的定义（如持仓比例、基金数量阈值）以及组合构建规则（如等权重或按持仓市值加权）。 4. **模型名称：盈利、增长、现金流三者兼优组合**[7] * **模型构建思路：** 同时筛选在盈利能力、增长能力和现金流质量三个方面表现优异的公司股票，构建投资组合。 * **模型具体构建过程：** 报告未详细说明用于衡量盈利、增长和现金流的具体财务指标、各维度的筛选阈值以及综合评分方法。 5. **模型名称：PB-盈利优选组合**[7] * **模型构建思路：** 结合低市净率（PB）和高盈利能力的双重标准进行选股，属于价值投资与质量投资相结合的策略。 * **模型具体构建过程：** 报告未详细说明PB和盈利指标的具体定义、如何将两者结合（如排序打分、构建复合因子）以及选股规则。 6. **模型名称：GARP组合**[7] * **模型构建思路：** 采用“合理价格增长”（GARP）策略，寻找那些具有稳定增长潜力但估值相对合理的股票，平衡成长与价值。 * **模型具体构建过程：** 报告未详细说明用于衡量增长和估值的具体指标、以及两者结合的量化规则。 7. **模型名称：小盘价值优选组合1 & 2**[7] * **模型构建思路：** 在小盘股范围内，优选具有价值特征的股票。组合1和组合2可能采用了不同的价值衡量标准或权重配置。 * **模型具体构建过程：** 报告未详细说明小盘股的定义（如市值分位）、价值因子的具体构成（如PB、PE、股息率等）以及组合构建细节。 8. **模型名称：小盘成长组合**[7] * **模型构建思路：** 在小盘股范围内，优选具有高成长特征的股票。 * **模型具体构建过程：** 报告未详细说明小盘股的定义、成长因子的具体构成（如收入增长率、净利润增长率等）以及组合构建细节。 模型的回测效果 1. **进取组合**，基准指数：中证500，周收益率：-1.00%，周超额收益：-1.41%，月收益率：5.55%，月超额收益：-2.73%，年收益率（2026YTD）：16.86%，年超额收益（2026YTD）：6.38%，跟踪误差（2026YTD）：21.54%，最大相对回撤（2026YTD）：6.14%[9] 2. **平衡组合**，基准指数：中证500，周收益率：-2.56%，周超额收益：-2.97%，月收益率：6.29%，月超额收益：-1.99%，年收益率（2026YTD）：18.36%，年超额收益（2026YTD）：7.88%，跟踪误差（2026YTD）：19.68%，最大相对回撤（2026YTD）：5.18%[9] 3. **沪深300增强组合**，基准指数：沪深300，周收益率：1.57%，周超额收益：0.71%，月收益率：8.18%，月超额收益：1.01%，年收益率（2026YTD）：9.10%，年超额收益（2026YTD）：6.09%，跟踪误差（2026YTD）：7.19%，最大相对回撤（2026YTD）：4.04%[9] 4. **中证500增强组合**，基准指数：中证500，周收益率：1.13%，周超额收益：0.72%，月收益率：9.20%，月超额收益：0.92%，年收益率（2026YTD）：12.05%，年超额收益（2026YTD）：1.57%，跟踪误差（2026YTD）：6.91%，最大相对回撤（2026YTD）：3.17%[9] 5. **中证1000增强组合**，基准指数：中证1000，周收益率：0.11%，周超额收益：0.15%，月收益率：9.23%，月超额收益：0.25%，年收益率（2026YTD）：13.35%，年超额收益（2026YTD）：4.01%，跟踪误差（2026YTD）：7.11%，最大相对回撤（2026YTD）：2.32%[9] 6. **绩优基金的独门重仓股组合**，基准指数：股票型基金总指数，周收益率：0.13%，周超额收益：-0.35%，月收益率：17.64%，月超额收益：9.77%，年收益率（2026YTD）：18.88%，年超额收益（2026YTD）：12.42%，跟踪误差（2026YTD）：23.58%，最大相对回撤（2026YTD）：8.70%[9] 7. **盈利、增长、现金流三者兼优组合**，基准指数：沪深300，周收益率：-0.41%，周超额收益：-1.27%，月收益率：8.87%，月超额收益：1.70%，年收益率（2026YTD）：-6.72%，年超额收益（2026YTD）：-9.73%，跟踪误差（2026YTD）：16.32%，最大相对回撤（2026YTD）：16.70%[9] 8. **PB-盈利优选组合**，基准指数：沪深300，周收益率：-1.61%，周超额收益：-2.47%，月收益率：-0.28%，月超额收益：-7.45%，年收益率（2026YTD）：0.24%，年超额收益（2026YTD）：-2.77%，跟踪误差（2026YTD）：13.29%，最大相对回撤（2026YTD）：9.39%[9] 9. **GARP组合**，基准指数：沪深300，周收益率：-0.18%，周超额收益：-1.05%，月收益率：3.25%，月超额收益：-3.92%，年收益率（2026YTD）：7.21%，年超额收益（2026YTD）：4.20%，跟踪误差（2026YTD）：11.61%，最大相对回撤（2026YTD）：7.28%[9] 10. **小盘价值优选组合1**，基准指数：微盘股指数，周收益率：0.63%，周超额收益：-0.01%，月收益率：3.57%，月超额收益：0.97%，年收益率（2026YTD）：9.53%，年超额收益（2026YTD）：-2.13%，跟踪误差（2026YTD）：12.97%，最大相对回撤（2026YTD）：9.26%[9] 11. **小盘价值优选组合2**，基准指数：微盘股指数，周收益率：0.16%，周超额收益：-0.48%，月收益率：5.99%，月超额收益：3.40%，年收益率（2026YTD）：15.26%，年超额收益（2026YTD）：3.59%，跟踪误差（2026YTD）：12.76%，最大相对回撤（2026YTD）：5.84%[9] 12. **小盘成长组合**，基准指数：微盘股指数，周收益率：0.36%，周超额收益：-0.28%，月收益率：6.69%，月超额收益：4.09%，年收益率（2026YTD）：9.10%，年超额收益（2026YTD）：-2.56%，跟踪误差（2026YTD）：11.28%，最大相对回撤（2026YTD）：7.96%[9] 量化因子与构建方式 1. **因子名称：市值因子**[44] * **因子构建思路：** 衡量公司规模大小，通常认为小市值股票存在规模溢价。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票的总市值。 2. **因子名称：PB因子**[44] * **因子构建思路：** 市净率，衡量股票市值相对于其净资产价值的比率，是经典的价值因子。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票市值除以归属于母公司股东的权益（或净资产）。 3. **因子名称：PE_TTM因子**[44] * **因子构建思路：** 滚动市盈率，衡量股票市值相对于其最近十二个月净利润的比率，是衡量估值水平的常用因子。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为股票市值除以最近十二个月（TTM）的归属于母公司股东的净利润。 4. **因子名称：反转因子**[48] * **因子构建思路：** 基于股票过去一段时间的价格表现，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调。 * **因子具体构建过程：** 报告未给出具体计算公式和回溯期。通常为过去N个交易日的收益率，取负值作为因子值（即过去涨得越多，因子值越小）。 5. **因子名称：换手率因子**[48] * **因子构建思路：** 衡量股票的交易活跃度，通常认为低换手率股票存在流动性溢价。 * **因子具体构建过程：** 报告未给出具体计算公式和计算窗口。通常为过去一段时间的日均成交金额除以流通市值。 6. **因子名称：波动率因子**[48] * **因子构建思路：** 衡量股票价格的波动程度，通常认为低波动率股票风险调整后收益更优。 * **因子具体构建过程：** 报告未给出具体计算公式和计算窗口。通常为过去一段时间内股票日收益率的标准差。 7. **因子名称：ROE因子**[54] * **因子构建思路：** 净资产收益率，衡量公司利用股东权益创造利润的能力，是重要的盈利质量因子。 * **因子具体构建过程：** 报告未给出具体计算公式和周期。通常为归属于母公司股东的净利润除以平均归属于母公司股东的权益。 8. **因子名称：SUE因子**[54] * **因子构建思路：** 标准化未预期盈余，衡量公司当期盈利超出市场预期的程度。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为（公司当期实际EPS - 分析师一致预期的EPS）/ 过去一段时间内分析师预期误差的标准差。 9. **因子名称：预期净利润调整因子**[54] * **因子构建思路：** 跟踪分析师对公司未来盈利预测的调整情况，认为盈利预测上调的公司未来表现更好。 * **因子具体构建过程：** 报告未给出具体计算公式。通常为一定时间内，分析师对未来某期（如下一季度或下一年）净利润一致预期的调整幅度（如上调百分比）。 因子的回测效果 （测试方法：按照因子值对股票排序，选择最高与最低的10%股票构建等权组合，计算多头、空头及多空收益[43]） 1. **市值因子**，上周全市场多空收益：0.08%[44]，2026年4月以来全市场多空收益：-4.31%[44]，2026年以来全市场多空收益：3.26%[45] 2. **PB因子**，上周全市场多空收益：0.64%[44]，2026年4月以来全市场多空收益：-8.06%[44]，2026年以来全市场多空收益：-4.13%[45] 3. **PE_TTM因子**，上周全市场多空收益：-0.81%[44]，2026年4月以来全市场多空收益：-6.24%[44]，2026年以来全市场多空收益：-3.58%[45] 4. **反转因子**，上周全市场多空收益：-1.02%[48]，2026年4月以来全市场多空收益：0.18%[49]，2026年以来全市场多空收益：-5.95%[49] 5. **换手率因子**，上周全市场多空收益：0.16%[48]，2026年4月以来全市场多空收益：-6.00%[49]，2026年以来全市场多空收益：1.14%[49] 6. **波动率因子**，上周全市场多空收益：-0.45%[48]，2026年4月以来全市场多空收益：-5.89%[49]，2026年以来全市场多空收益：-2.23%[49] 7. **ROE因子**，上周全市场多空收益：0.97%[54]，2026年4月以来全市场多空收益：4.26%[54]，2026年以来全市场多空收益：6.22%[55] 8. **SUE因子**，上周全市场多空收益：0.59%[54]，2026年4月以来全市场多空收益：4.18%[54]，2026年以来全市场多空收益：6.76%[55] 9. **预期净利润调整因子**，上周全市场多空收益：0.99%[54]，2026年4月以来全市场多空收益：2.55%[54]，2026年以来全市场多空收益：4.33%[55]

量化模型与构建方式 1. **模型名称：择时雷达六面图综合择时模型**；模型构建思路：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取二十一个指标对市场进行刻画，并将其概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，从而生成综合择时分数[1]；模型具体构建过程：首先，对六个维度下的二十一个单因子指标分别计算其得分，得分规则各异，但最终均映射到[-1, 1]区间或{-1, 0, 1}的离散值。然后，将六个维度的分数汇总，最终生成一个位于[-1,1]之间的综合择时分数[1][6]；模型评价：这是一个基于多维视角的综合性择时框架，旨在通过多维度指标共同影响来刻画市场状态[1] 量化因子与构建方式 1. **因子名称：货币方向因子**；因子构建思路：判断当前货币政策的方向，通过比较央行政策利率与市场利率相对于历史的变化[9]；因子具体构建过程：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松，分数为1；若<0，则判断货币政策收紧，分数为-1[9] 2. **因子名称：货币强度因子**；因子构建思路：表征短端市场利率相对于政策利率的偏离幅度，基于“利率走廊”概念[13]；因子具体构建过程：计算偏离度 = DR007 / 7天逆回购利率 - 1，并进行平滑与zscore标准化。若货币强度因子 < -1.5倍标准差，则预期未来120个交易日为宽松环境，指标分数为1；反之若 > 1.5倍标准差，则预期未来120个交易日指标分数为-1[13] 3. **因子名称：信用方向因子**；因子构建思路：表征商业银行对实体经济信贷传导的松紧程度，使用中长期贷款指标[16]；因子具体构建过程：计算信用方向因子为：中长期贷款当月值 -> 计算过去十二个月增量 -> 计算同比。若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[16] 4. **因子名称：信用强度因子**；因子构建思路：捕捉信贷指标是否大幅超预期或不及预期[19]；因子具体构建过程：构建信用强度因子 = (新增人民币贷款当月值 – 预期中位数) / 预期标准差。若信用强度因子 > 1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；反之若 < -1.5倍标准差，则未来60个交易日分数为-1[19] 5. **因子名称：增长方向因子**；因子构建思路：基于PMI数据判断经济增长方向[21]；因子具体构建过程：构建增长方向因子 = PMI -> 计算过去十二月均值 -> 计算同比。若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[21] 6. **因子名称：增长强度因子**；因子构建思路：捕捉经济增长指标是否大幅超预期或不及预期[23]；因子具体构建过程：计算PMI预期差 = (PMI – 预期中位数) / 预期标准差，作为增长强度因子。若增长强度因子 > 1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；反之若 < -1.5倍标准差，则未来60个交易日分数为-1[23] 7. **因子名称：通胀方向因子**；因子构建思路：通过当前通胀水平变化判断未来货币政策空间[25]；因子具体构建过程：计算通胀方向因子 = 0.5 × CPI同比平滑值 + 0.5 × PPI同比原始值。若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[25] 8. **因子名称：通胀强度因子**；因子构建思路：捕捉通胀指标是否大幅超预期或不及预期[27]；因子具体构建过程：分别计算CPI与PPI预期差 = (披露值 – 预期中位数) / 预期标准差，并计算通胀强度因子 = CPI与PPI预期差均值。若通胀强度因子 < -1.5，则定义未来60个交易日为通胀显著不及预期环境，分数为1；反之若 > 1.5倍标准差，则未来60个交易日分数为-1[27] 9. **因子名称：席勒ERP**；因子构建思路：使用经过周期调整的盈利来排除经济周期干扰，计算股权风险溢价以衡量估值性价比[28]；因子具体构建过程：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP = 1/席勒PE - 10年期国债到期收益率，并计算过去6年zscore作为分数[28] 10. **因子名称：PB**；因子构建思路：使用市净率的倒数并标准化来衡量估值水平[32]；因子具体构建过程：将PB × (-1)并计算过去6年zscore，1.5倍标准差截尾后标准化到±1之间得到分数[32] 11. **因子名称：AIAE（全市场权益配置比例）**；因子构建思路：通过全市场权益资产与安全资产的相对配置比例来反映市场整体风险偏好[34]；因子具体构建过程：构建A股的AIAE指标 = 中证全指总流通市值 / (中证全指总流通市值 + 实体总债务)，将AIAE × (-1)并计算过去6年zscore得到分数[34] 12. **因子名称：两融增量**；因子构建思路：通过融资余额与融券余额的净增量趋势判断市场杠杆资金情绪[37]；因子具体构建过程：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量 > 过去240日均增量时杠杆资金上行并看多，分数为1；反之看空，分数为-1[37] 13. **因子名称：成交额趋势**；因子构建思路：通过成交额均线系统判断市场成交热度与资金活跃度趋势[40]；因子具体构建过程：对对数成交额计算其均线距离 = ma120 / ma240 - 1。当均线距离的 max(10) = max(30) = max(60) 时看多，分数为1；当均线距离的 min(10) = min(30) = min(60) 时看空，分数为-1[40] 14. **因子名称：中国主权CDS利差**；因子构建思路：通过海外投资者对中国主权信用风险的定价变化来推断外资流入意愿[44]；因子具体构建过程：当平滑后CDS利差的20日差分 < 0时，说明当前CDS利差下降，海外投资者预期中国基本面转好，此时看多，分数为1；反之看空，分数为-1[44] 15. **因子名称：海外风险厌恶指数（花旗RAI指数）**；因子构建思路：通过海外市场风险偏好指数变化判断外资风险偏好[46]；因子具体构建过程：当平滑后风险厌恶指数的20日差分 < 0时，外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[46] 16. **因子名称：价格趋势**；因子构建思路：使用均线距离衡量标的价格的中长期趋势方向与强度[48]；因子具体构建过程：使用均线距离（ma120/ma240-1）。当均线距离 > 0时趋势方向分数=1，反之为-1。当均线距离的max(20)=max(60)时，趋势强度分数为1；当min(20)=min(60)时，趋势强度分数为-1。趋势综合分数 = (趋势方向分数 + 趋势强度分数) / 2[48] 17. **因子名称：新高新低数**；因子构建思路：使用指数成分股的新高与新低个数作为市场反转信号[51]；因子具体构建过程：当中证800成分股占过去一年新低数-新高数的ma20 > 0时，说明最近新低较多，市场有见底预期，此时看多，分数为1；反之发出看空信号，分数为-1[51] 18. **因子名称：期权隐含升贴水**；因子构建思路：基于期权平价关系推导的隐含升贴水，作为反转指标衡量市场拥挤度[55]；因子具体构建过程：若50ETF近5日收益率 < 0，且指标分位数 < 30%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日，分数为-1[55] 19. **因子名称：期权VIX指数**；因子构建思路：使用期权隐含波动率指数作为市场情绪与反转指标[57]；因子具体构建过程：若50ETF近5日收益率 < 0，且指标分位数 > 70%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且指标分位数 > 70%，则看空持续20日，分数为-1[57] 20. **因子名称：期权SKEW指数**；因子构建思路：使用期权隐含偏度指数作为市场情绪与反转指标[61]；因子具体构建过程：若50ETF近5日收益率 < 0，且指标分位数 > 70%，则看多持续20日，分数为1。若50ETF近5日收益率 > 0，且指标分位数 < 30%，则看空持续20日，分数为-1[61] 21. **因子名称：可转债定价偏离度**；因子构建思路：通过可转债实际价格与模型定价的偏离度来反映市场情绪和拥挤度[64]；因子具体构建过程：计算可转债定价偏离度 = 转债价格 / 模型定价 - 1，并计算分数 = 定价偏离度 × (-1) 并计算过去3年zscore得到分数。定价偏离度越高，拥挤度越高，分数越低[64] 模型的回测效果 1. 择时雷达六面图综合择时模型，本周综合打分为-0.11分[6][8]；流动性维度得分为0.25分[1][8]；经济面维度得分为-0.50分[1][8]；估值面维度得分为-0.52分[2][8]；资金面维度得分为0.00分[2][8]；技术面维度得分为0.50分[2][8]；拥挤度维度得分为0.00分[2][8] 因子的回测效果（本周分数） 1. 货币方向因子，分数为1分[8][9] 2. 货币强度因子，分数为0分[8][13] 3. 信用方向因子，分数为1分[8][16] 4. 信用强度因子，分数为-1分[8][19] 5. 增长方向因子，分数为1分[8][21] 6. 增长强度因子，分数为-1分[8][23] 7. 通胀方向因子，分数为-1分[8][25] 8. 通胀强度因子，分数为-1分[8][27] 9. 席勒ERP因子，分数为0.04分[8][28] 10. PB因子，分数为-0.59分[8][32] 11. AIAE因子，分数为-1.00分[8][34] 12. 两融增量因子，分数为-1分[2][37][41] 13. 成交额趋势因子，分数为-1分[2][41] 14. 中国主权CDS利差因子，分数为1分[2][44] 15. 海外风险厌恶指数因子，分数为1分[2][46] 16. 价格趋势因子，分数为0分[8][50] 17. 新高新低数因子，分数为1分[2][52] 18. 期权隐含升贴水因子，分数为1分[2][56] 19. 期权VIX指数因子，分数为1分[2][57] 20. 期权SKEW指数因子，分数为-1分[2][62] 21. 可转债定价偏离度因子，分数为-1分[2][64]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：日内高频偏度因子** * 因子构建思路：捕捉股票日内收益分布的非对称性特征[14] * 因子具体构建过程：具体构建方式请参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[14] 2. **因子名称：日内下行波动占比因子** * 因子构建思路：衡量日内下行波动在总波动中的占比[18] * 因子具体构建过程：具体构建方式请参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18] 3. **因子名称：开盘后买入意愿占比因子** * 因子构建思路：衡量开盘后一段时间内买方意愿的强弱[23] * 因子具体构建过程：具体构建方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23] 4. **因子名称：开盘后买入意愿强度因子** * 因子构建思路：衡量开盘后一段时间内买方意愿的强度[28] * 因子具体构建过程：具体构建方式请参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28] 5. **因子名称：开盘后大单净买入占比因子** * 因子构建思路：衡量开盘后一段时间内大单净买入的占比[34] 6. **因子名称：开盘后大单净买入强度因子** * 因子构建思路：衡量开盘后一段时间内大单净买入的强度[37] 7. **因子名称：改进反转因子** * 因子构建思路：对传统反转因子进行改进[44] 8. **因子名称：尾盘成交占比因子** * 因子构建思路：衡量尾盘成交额在当日总成交额中的占比[49] 9. **因子名称：平均单笔流出金额占比因子** * 因子构建思路：衡量平均每笔流出金额在总成交额中的占比[54] 10. **因子名称：大单推动涨幅因子** * 因子构建思路：衡量由大单交易推动的股价涨幅[57] 11. **因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)）** * 因子构建思路：使用改进的GRU神经网络与全连接网络结合，从高频数据中提取选股信号[62] 12. **因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** * 因子构建思路：使用带有残差注意力机制的LSTM神经网络与全连接网络结合，从高频数据中提取选股信号[63] 13. **因子名称：深度学习因子（多颗粒度模型-5日标签）** * 因子构建思路：基于双向A-GRU神经网络训练，使用5日收益率作为预测标签[66] * 因子具体构建过程：因子基于双向A-GRU训练得到[66] 14. **因子名称：深度学习因子（多颗粒度模型-10日标签）** * 因子构建思路：基于双向A-GRU神经网络训练，使用10日收益率作为预测标签[69] * 因子具体构建过程：因子基于双向A-GRU训练得到[69] 15. **模型名称：AI指数增强组合模型** * 模型构建思路：基于深度学习因子构建指数增强组合，通过优化求解得到组合权重[71] * 模型具体构建过程： 1. **信号合成**：使用多颗粒度模型-10日标签和多颗粒度模型-5日标签等权重合成预期收益信号[71] 2. **优化目标**：最大化预期收益，目标函数为 $$max\sum_{w_{i}}\mu_{i}w_{i}$$ 其中，$w_i$为组合中股票i的权重，$\mu_i$为股票i的预期超额收益[74] 3. **约束条件**：根据不同组合类型（空气指增、宽约束、严约束）施加个股、行业、风格（市值、PB、ROE等）、换手率等约束[72][74] 4. **交易设置**：测算中假定以次日均价成交，并扣除双边3‰的交易成本[75] 因子的回测效果 （数据基于周度换仓，统计截至2026年4月17日当周）[10][12] 1. **日内高频偏度因子**：上周多空收益0.32%，4月多空收益2.62%，2026年多空收益8.03%，2026年周胜率11/14[10] 2. **日内下行波动占比因子**：上周多空收益-0.17%，4月多空收益0.49%，2026年多空收益7.86%，2026年周胜率10/14[10] 3. **开盘后买入意愿占比因子**：上周多空收益0.51%，4月多空收益2.64%，2026年多空收益9.26%，2026年周胜率12/14[10] 4. **开盘后买入意愿强度因子**：上周多空收益1.57%，4月多空收益5.12%，2026年多空收益11.18%，2026年周胜率10/14[10] 5. **开盘后大单净买入占比因子**：上周多空收益0.34%，4月多空收益1.21%，2026年多空收益7.41%，2026年周胜率13/14[10] 6. **开盘后大单净买入强度因子**：上周多空收益0.10%，4月多空收益1.93%，2026年多空收益6.08%，2026年周胜率11/14[10] 7. **改进反转因子**：上周多空收益1.76%，4月多空收益3.12%，2026年多空收益5.68%，2026年周胜率8/14[10] 8. **尾盘成交占比因子**：上周多空收益1.26%，4月多空收益2.33%，2026年多空收益7.54%，2026年周胜率11/14[10] 9. **平均单笔流出金额占比因子**：上周多空收益0.43%，4月多空收益1.46%，2026年多空收益-3.39%，2026年周胜率6/14[12] 10. **大单推动涨幅因子**：上周多空收益0.22%，4月多空收益0.08%，2026年多空收益0.51%，2026年周胜率7/14[12] 11. **改进 GRU(50,2)+NN(10)因子**：上周多空收益1.07%，4月多空收益4.53%，2026年多空收益9.89%，2026年周胜率11/14[12] 12. **残差注意力 LSTM(48,2)+NN(10)因子**：上周多空收益0.89%，4月多空收益3.95%，2026年多空收益9.63%，2026年周胜率12/14[12] 13. **多颗粒度模型-5日标签因子**：上周多空收益-0.52%，4月多空收益2.51%，2026年多空收益12.73%，2026年周胜率13/14[12] 14. **多颗粒度模型-10日标签因子**：上周多空收益-1.61%，4月多空收益0.76%，2026年多空收益9.66%，2026年周胜率10/14[12] 模型的回测效果 （数据统计截至2026年4月17日当周）[13] 1. **周度调仓AI空气指增组合**：上周超额收益-2.01%/绝对收益0.56%，4月超额收益-4.70%/绝对收益0.93%，2026年超额收益2.03%/绝对收益8.89%，2026年周胜率7/14[13] 2. **日度调仓AI空气指增组合**：上周超额收益-2.16%/绝对收益0.40%，4月超额收益-4.74%/绝对收益0.89%，2026年超额收益1.61%/绝对收益8.47%，2026年周胜率7/14[13] 3. **周度调仓中证500 AI增强宽约束组合**：上周超额收益-2.01%/绝对收益1.06%，4月超额收益-4.99%/绝对收益2.85%，2026年超额收益-1.07%/绝对收益8.95%，2026年周胜率5/14[13] 4. **日度调仓中证500 AI增强宽约束组合**：上周超额收益-2.30%/绝对收益0.77%，4月超额收益-4.84%/绝对收益3.00%，2026年超额收益-4.51%/绝对收益5.52%，2026年周胜率5/14[13] 5. **周度调仓中证500 AI增强严约束组合**：上周超额收益-1.08%/绝对收益1.99%，4月超额收益-1.63%/绝对收益6.21%，2026年超额收益-0.42%/绝对收益9.60%，2026年周胜率8/14[13] 6. **日度调仓中证500 AI增强严约束组合**：上周超额收益-1.66%/绝对收益1.42%，4月超额收益-1.85%/绝对收益5.99%，2026年超额收益-1.56%/绝对收益8.46%，2026年周胜率8/14[13] 7. **周度调仓中证1000 AI增强宽约束组合**：上周超额收益-3.16%/绝对收益0.70%，4月超额收益-6.97%/绝对收益2.06%，2026年超额收益-2.10%/绝对收益7.27%，2026年周胜率7/14[13] 8. **日度调仓中证1000 AI增强宽约束组合**：上周超额收益-3.26%/绝对收益0.60%，4月超额收益-6.08%/绝对收益2.95%，2026年超额收益-2.87%/绝对收益6.51%，2026年周胜率6/14[13] 9. **周度调仓中证1000 AI增强严约束组合**：上周超额收益-2.29%/绝对收益1.58%，4月超额收益-3.46%/绝对收益5.57%，2026年超额收益-0.32%/绝对收益9.06%，2026年周胜率8/14[13] 10. **日度调仓中证1000 AI增强严约束组合**：上周超额收益-1.70%/绝对收益2.16%，4月超额收益-3.08%/绝对收益5.95%，2026年超额收益0.94%/绝对收益10.32%，2026年周胜率8/14[13]

报告核心摘要 - **报告行业投资评级**: (报告未明确给出行业投资评级) - **报告核心观点**: 上周市场呈现“大市值、高估值”风格占优，基本面因子表现更优，多个量化股票组合在报告期内录得显著正收益，其中平衡组合2026年累计收益达21.47% [1][5] 量化股票组合业绩表现 - **进取组合**: 上周（2026.04.10-2026.04.17）周收益率为**3.12%**，相对中证500指数超额收益为**0.05%**；2026年4月以来累计收益率为**6.62%**，超额收益为**-1.22%**；2026年以来累计收益率为**18.04%**，超额收益为**8.02%** [9][10][11] - **平衡组合**: 上周周收益率为**2.90%**，相对中证500指数超额收益为**-0.17%**；2026年4月以来累计收益率为**9.08%**，超额收益为**1.24%**；2026年以来累计收益率为**21.47%**，超额收益为**11.44%** [1][9][10][11] - **沪深300指数增强组合**: 上周收益率为**1.51%**，超额收益为**-0.48%**；2026年4月以来累计收益率为**6.51%**，超额收益为**0.25%**；2026年以来累计收益率为**7.41%**，超额收益为**5.28%** [5][9][14][15] - **中证500指数增强组合**: 上周收益率为**2.72%**，超额收益为**-0.35%**；2026年4月以来累计收益率为**7.98%**，超额收益为**0.14%**；2026年以来累计收益率为**10.80%**，超额收益为**0.77%** [5][9][14][15] - **中证1000指数增强组合**: 上周收益率为**3.45%**，超额收益为**-0.41%**；2026年4月以来累计收益率为**9.11%**，超额收益为**0.09%**；2026年以来累计收益率为**13.22%**，超额收益为**3.84%** [5][9][14][15] 基金重仓股组合表现 - **绩优基金的独门重仓股组合**: 上周收益率为**5.79%**，相对股票型基金总指数超额收益为**3.17%**；2026年4月以来累计收益率为**17.49%**，超额收益为**10.14%**；2026年以来累计收益率为**18.73%**，超额收益为**12.78%** [5][9][27] 盈利、增长、现金流三者兼优组合表现 - **三者兼优组合**: 上周收益率为**2.68%**，相对沪深300指数超额收益为**0.69%**；2026年4月以来累计收益率为**9.33%**，超额收益为**3.06%**；2026年以来累计收益率为**-6.33%**，超额收益为**-8.46%** [9][29] 有基本面支撑的低估值组合表现 - **PB-盈利优选组合**: 上周收益率为**0.48%**，相对沪深300指数超额收益为**-1.50%**；2026年4月以来累计收益率为**1.36%**，超额收益为**-4.90%**；2026年以来累计收益率为**1.88%**，超额收益为**-0.25%** [5][9][31][33] - **GARP组合**: 上周收益率为**0.67%**，相对沪深300指数超额收益为**-1.31%**；2026年4月以来累计收益率为**3.44%**，超额收益为**-2.82%**；2026年以来累计收益率为**7.41%**，超额收益为**5.28%** [9][35] 小盘价值优选组合表现 - **小盘价值优选组合1**: 上周收益率为**2.06%**，相对微盘股指数超额收益为**1.41%**；2026年4月以来累计收益率为**2.92%**，超额收益为**0.98%**；2026年以来累计收益率为**8.85%**，超额收益为**-2.10%** [9][37] - **小盘价值优选组合2**: 上周收益率为**3.24%**，相对微盘股指数超额收益为**2.59%**；2026年4月以来累计收益率为**5.82%**，超额收益为**3.88%**；2026年以来累计收益率为**15.07%**，超额收益为**4.12%** [9][39] 小盘成长组合表现 - **小盘成长组合**: 上周收益率为**2.57%**，相对微盘股指数超额收益为**1.92%**；2026年4月以来累计收益率为**6.31%**，超额收益为**4.37%**；2026年以来累计收益率为**8.71%**，超额收益为**-2.24%** [5][9][41] 单因子表现 - **风格类因子**: 上周，全市场范围内，大市值股票优于小市值股票，高估值股票优于低估值股票，市值因子多空收益为**-1.27%**，PB因子多空收益为**-4.20%**，PE_TTM因子多空收益为**-2.47%** [5][44] - **技术类因子**: 上周，全市场范围内，反转因子、换手率因子、波动率因子均贡献负收益，多空收益分别为**-1.50%**、**-4.33%**、**-3.40%** [49][51] - **基本面因子**: 上周，全市场范围内，ROE因子、SUE因子、预期净利润调整因子均贡献正收益，多空收益分别为**0.37%**、**1.59%**、**0.14%** [5][56]

量化模型与构建方式 1. **模型名称**：进取组合[9] * **模型构建思路**：基于多因子模型构建的量化股票组合，追求较高的风险调整后收益[7] * **模型具体构建过程**：报告未详细说明具体因子构成和权重分配方法，仅作为多因子模型的一种风险收益特征（进取型）的代表进行业绩展示[9] 2. **模型名称**：平衡组合[9] * **模型构建思路**：基于多因子模型构建的量化股票组合，追求风险与收益的平衡[7] * **模型具体构建过程**：报告未详细说明具体因子构成和权重分配方法，仅作为多因子模型的一种风险收益特征（平衡型）的代表进行业绩展示[9] 3. **模型名称**：沪深300增强组合[9] * **模型构建思路**：以沪深300指数为基准，通过量化模型进行增强，旨在获取稳定的超额收益[5] * **模型具体构建过程**：报告未详细说明具体增强策略和因子构成[9] 4. **模型名称**：中证500增强组合[9] * **模型构建思路**：以中证500指数为基准，通过量化模型进行增强，旨在获取稳定的超额收益[5] * **模型具体构建过程**：报告未详细说明具体增强策略和因子构成[9] 5. **模型名称**：中证1000增强组合[9] * **模型构建思路**：以中证1000指数为基准，通过量化模型进行增强，旨在获取稳定的超额收益[5] * **模型具体构建过程**：报告未详细说明具体增强策略和因子构成[9] 6. **模型名称**：绩优基金的独门重仓股组合[9] * **模型构建思路**：通过分析绩优基金的持仓，筛选其独门重仓股构建组合，旨在获取基金选股能力的Alpha[5][7] * **模型具体构建过程**：报告未详细说明具体的基金筛选标准、独门重仓股的定义以及组合构建方法[9] 7. **模型名称**：盈利、增长、现金流三者兼优组合[9] * **模型构建思路**：从盈利、增长和现金流三个基本面维度筛选优质公司构建组合[7] * **模型具体构建过程**：报告未详细说明具体的因子定义、筛选阈值和加权方式[9] 8. **模型名称**：PB-盈利优选组合[9] * **模型构建思路**：结合低估值（PB）和高盈利（盈利）两个维度，筛选有基本面支撑的低估值股票[7][31] * **模型具体构建过程**：报告未详细说明具体的因子定义、结合方式和筛选规则[9] 9. **模型名称**：GARP组合[9] * **模型构建思路**：采用“合理价格成长”策略，寻找兼具成长性和估值合理性的股票[35] * **模型具体构建过程**：报告未详细说明具体的成长与估值因子定义及结合方法[9] 10. **模型名称**：小盘价值优选组合1[9] * **模型构建思路**：在小盘股中优选价值型股票[7] * **模型具体构建过程**：报告未详细说明具体的小盘定义、价值因子定义及筛选方法[9] 11. **模型名称**：小盘价值优选组合2[9] * **模型构建思路**：在小盘股中优选价值型股票，可能是与组合1采用不同参数或因子权重的变体[39] * **模型具体构建过程**：报告未详细说明具体的小盘定义、价值因子定义及筛选方法，及其与组合1的差异[9] 12. **模型名称**：小盘成长组合[9] * **模型构建思路**：在小盘股中优选成长型股票[7] * **模型具体构建过程**：报告未详细说明具体的小盘定义、成长因子定义及筛选方法[9] 量化因子与构建方式 1. **因子名称**：市值因子[44] * **因子构建思路**：衡量公司规模大小的风格因子[44] * **因子具体构建过程**：报告未给出具体计算公式，通常使用总市值或流通市值[44] * **因子评价**：上周全市场范围内，大市值股票表现优于小市值股票[44] 2. **因子名称**：PB因子[44] * **因子构建思路**：市净率，衡量估值水平的风格因子[44] * **因子具体构建过程**：报告未给出具体计算公式，通常为股价除以每股净资产[44] * **因子评价**：上周全市场范围内，高估值（高PB）股票表现优于低估值股票[44] 3. **因子名称**：PE_TTM因子[44] * **因子构建思路**：滚动市盈率，衡量估值水平的风格因子[44] * **因子具体构建过程**：报告未给出具体计算公式，通常为股价除以最近四个季度的每股收益之和[44] * **因子评价**：上周全市场范围内，高估值（高PE）股票表现优于低估值股票[44] 4. **因子名称**：反转因子[49] * **因子构建思路**：技术类因子，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[49] * **因子具体构建过程**：报告未给出具体计算公式，通常基于股票过去一段时间的收益率[49] * **因子评价**：上周全市场范围内，反转因子贡献负收益，即低涨幅股票表现弱于高涨幅股票[5][49] 5. **因子名称**：换手率因子[49] * **因子构建思路**：技术类因子，衡量股票交易活跃度[49] * **因子具体构建过程**：报告未给出具体计算公式，通常基于一段时间内的成交额或成交量[49] * **因子评价**：上周全市场范围内，换手率因子贡献负收益，即低换手率股票表现弱于高换手率股票[5][49] 6. **因子名称**：波动率因子[49] * **因子构建思路**：技术类因子，衡量股票价格波动风险[49] * **因子具体构建过程**：报告未给出具体计算公式，通常基于股票收益率的标准差[49] * **因子评价**：上周全市场范围内，波动率因子贡献负收益，即低波动率股票表现弱于高波动率股票[5][49] 7. **因子名称**：ROE因子[56] * **因子构建思路**：净资产收益率，衡量公司盈利能力的核心基本面因子[56] * **因子具体构建过程**：报告未给出具体计算公式，通常为净利润除以净资产[56] * **因子评价**：上周全市场范围内，ROE因子贡献正收益，即高盈利股票表现优于低盈利股票[5][56] 8. **因子名称**：SUE因子[56] * **因子构建思路**：标准化未预期盈余，衡量公司盈利增长超预期程度的基本面因子[56] * **因子具体构建过程**：报告未给出具体计算公式，通常为（当期实际盈利 - 预期盈利）/ 盈利预测的标准差[56] * **因子评价**：上周全市场范围内，SUE因子贡献正收益，即高增长股票表现优于低增长股票[5][56] 9. **因子名称**：预期净利润调整因子[56] * **因子构建思路**：衡量分析师对公司未来盈利预测调整方向的基本面因子[56] * **因子具体构建过程**：报告未给出具体计算公式，通常基于一定时期内分析师一致预期净利润的上调幅度或比例[56] * **因子评价**：上周全市场范围内，预期净利润调整因子贡献正收益，即盈利预期上调的股票表现更优[5][56] 模型的回测效果 （数据统计区间：2025年12月31日至2026年4月17日）[9] 1. **进取组合**，绝对收益18.04%，超额收益8.02%，跟踪误差21.94%，最大相对回撤6.14%[9] 2. **平衡组合**，绝对收益21.47%，超额收益11.44%，跟踪误差20.02%，最大相对回撤5.18%[9] 3. **沪深300增强组合**，绝对收益7.41%，超额收益5.28%，跟踪误差7.37%，最大相对回撤4.04%[9] 4. **中证500增强组合**，绝对收益10.80%，超额收益0.77%，跟踪误差6.97%，最大相对回撤3.17%[9] 5. **中证1000增强组合**，绝对收益13.22%，超额收益3.84%，跟踪误差7.29%，最大相对回撤2.32%[9] 6. **绩优基金的独门重仓股组合**，绝对收益18.73%，超额收益12.78%，跟踪误差23.85%，最大相对回撤8.70%[9] 7. **盈利、增长、现金流三者兼优组合**，绝对收益-6.33%，超额收益-8.46%，跟踪误差16.72%，最大相对回撤16.70%[9] 8. **PB-盈利优选组合**，绝对收益1.88%，超额收益-0.25%，跟踪误差13.60%，最大相对回撤6.96%[9] 9. **GARP组合**，绝对收益7.41%，超额收益5.28%，跟踪误差11.96%，最大相对回撤6.49%[9] 10. **小盘价值优选组合1**，绝对收益8.85%，超额收益-2.10%，跟踪误差13.18%，最大相对回撤9.26%[9] 11. **小盘价值优选组合2**，绝对收益15.07%，超额收益4.12%，跟踪误差12.92%，最大相对回撤5.84%[9] 12. **小盘成长组合**，绝对收益8.71%，超额收益-2.24%，跟踪误差11.44%，最大相对回撤7.96%[9] 因子的回测效果 （数据统计区间：2025年12月31日至2026年4月17日）[45][51][57] 1. **市值因子**，全市场多空收益3.15%，沪深300多空收益-3.65%，中证500多空收益-12.22%，中证1000多空收益-15.24%[45] 2. **PB因子**，全市场多空收益-4.83%，沪深300多空收益-13.01%，中证500多空收益-8.38%，中证1000多空收益-12.08%[45] 3. **PE_TTM因子**，全市场多空收益-2.73%，沪深300多空收益-1.49%，中证500多空收益-4.90%，中证1000多空收益-11.12%[45] 4. **反转因子**，全市场多空收益-4.86%，沪深300多空收益-9.53%，中证500多空收益-5.04%，中证1000多空收益-0.11%[51] 5. **换手率因子**，全市场多空收益0.97%，沪深300多空收益-11.09%，中证500多空收益-10.43%，中证1000多空收益-4.64%[51] 6. **波动率因子**，全市场多空收益-1.77%，沪深300多空收益-6.01%，中证500多空收益-9.86%，中证1000多空收益-4.16%[51] 7. **ROE因子**，全市场多空收益5.23%，沪深300多空收益6.44%，中证500多空收益4.61%，中证1000多空收益4.50%[57] 8. **SUE因子**，全市场多空收益6.12%，沪深300多空收益7.88%，中证500多空收益1.82%，中证1000多空收益4.92%[57] 9. **预期净利润调整因子**，全市场多空收益4.42%，沪深300多空收益19.06%，中证500多空收益5.23%，中证1000多空收益1.06%[57]

报告行业投资评级 - 本报告为月度文献跟踪综述，未对特定行业或市场给出投资评级 [1] 报告核心观点 - 本期新增量化金融相关研究文献共计 **146** 篇，覆盖资产定价、ESG、AI等前沿量化研究方向 [1] - 研究团队建立了系统的学术文献追踪机制，持续关注 **40** 余本国际权威金融与量化研究期刊及顶级学术会议，确保及时把握学术前沿动态 [4] 权益类研究文献综述（非ESG） 基本面类研究 - 本期共有 **9** 篇研究，涵盖指数构建、分析师行为、公司治理、资产定价等方向 [13] - 传统成长指数错将高估值股当作成长股，基于基本面增长指标选股并按增长加权可显著提升业绩 [14] - 央行货币政策表述模糊性会导致分析师盈利预测偏向下行，一个标准差模糊性提升对应 **22%** 更多悲观预测 [14] - 基于股利等价收益方法估计发现，**1871-2024** 年间美国股权风险溢价显著下降超 **2.5** 个百分点 [14] 量价类研究 - 本期共有 **5** 篇研究，聚焦投资者行为、异象收益、资产定价检验等方向 [13] - 前景理论价值在散户交易繁荣时期对收益预测力更强，新冠疫情期间散户浪潮让该预测力达到历史罕见水平 [13] - 国际市场中社会信任水平与动量策略收益正相关，该效应在发达经济体更显著 [13] 资金面类研究 - 本期共有 **4** 篇研究，聚焦卖空动力学、北向资金、机构投资者网络等方向 [16] - 北向资金关闭实时披露后，资金与A股收益关系从顺周期转为状态依赖 [16] - 机构投资者共同投资网络内存在私人信息共享，网络内投资收益更高，加快价格发现但也加剧了信息不对称 [16] 另类研究 - 本期共有 **8** 篇研究，覆盖社交媒体情绪、投资者对不确定信息反应、管理层披露策略等方向 [17] - 社交媒体上个股投资者情绪能够预测每日价格变动，悲伤情绪对收益有持续影响 [18] - 投资者对精度不确定的好消息会打折扣，管理层沉默时更好的外部消息反而可能导致更低估值 [18] - 信息获取成本下降显著降低散户过度自信，EDGAR上线后过度自信降低，且伴随投资者分歧和错误定价减少 [18] 主动量化类研究 - 本期共有 **9** 篇研究，聚焦债务融资、公司治理、创新与战略、投资策略等方向 [19] - 关联银行分析师通过信息共享降低银团贷款利差，并促进贷后监控 [21] - CEO过度自信显著降低针对非财务利益相关方的公司违规行为 [21] - 宽经济护城河企业回报高于无护城河企业，但价值/成长指标对收益解释力更优 [21] 其他类别（IPO、并购、资产定价等） - 本期共有 **17** 篇研究，分属IPO、并购、资产定价、市场微观结构四类 [22] - 流动性好、认证强的交易所更吸引外国IPO，赴美上市中资IPO首日估值更高 [22][24] - AI应用显著提高企业并购可能性，在现金多、市场化程度低地区和民营企业中效应更强，同时提升长期企业价值 [24] - 并购公告日累计异常收益率（CAR）与事后价值创造不相关，主要由收购方自身信息主导，是预期价值创造的不可靠指标 [24] - 算法交易放大了同行业盈利信息溢出，行业ETF是重要渠道，效应反映价格发现增强而非过度反应 [24] 固收类研究文献综述 - 本期共有 **7** 篇研究 [25] - 新冠危机中高ESG债券基差扩张更小、抛售压力更低，源于可持续基金流出更少等非基本面因素 [25][27] - 波动率管理策略应用于可转债能提升夏普比率、减少尾部风险，样本外效用增益最高 **53%** [25][27] - **2023** 年底美国国债基差交易净现金头寸达 **8000** 亿美元，**2021** 年大跌后 **2022-2023** 年激增 **7000** 亿美元 [27] - 中国地方债纳入抵押品框架后，通过抵押品扩张渠道持续刺激信贷增长，降低民企和低评级企业融资成本 [25][27] - 加入股票灵感信用因子（carry、value、momentum等）显著增强信用风险定价模型解释力，贡献约 **50%** 模型表现 [25][27] 基金研究文献综述 - 本期共有 **10** 篇研究 [28] - 欧盟可持续金融披露法规（SFDR）推动可持续宣称基金组合降碳约 **10%**，不仅转移资本还推动企业减排 [28][29] - 加州化石燃料持仓强制披露导致披露机构减持约 **20%**，影响长期持续 [28][29] - 银行关联共同基金秘密指数化概率高出 **10** 个百分点，表现更差且投资者惰性导致福利损失 [28][29] - 投资者教育基地显著抑制基金风格漂移，线上比线下有效 [28][29] - 基金经理与公司高管的隐藏关联能带来每月 **135** 个基点（bp）超额收益，预测力随隐藏程度提高而增加 [29] 资产配置（传统方法）类研究文献综述 多资产&跨市场配置 - 本期共有 **2** 篇研究 [30] - 利用模糊聚类构建通胀聚类行业组合，在近期通胀周期中表现显著优于传统对冲策略 [30] - 混合前沿市场与新兴市场，配置 **25%** 前沿市场能在几乎不牺牲回报的前提下显著降低风险，提供出色分散化效益 [30][33] 组合构建与优化 - 本期共有 **6** 篇研究 [31] - 提出多元粗糙波动率模型，能捕捉已实现波动率交叉协方差的不对称性和溢出效应 [32] - 利用辅助网络信息改进高维协方差估计，在中国股市应用中样本外表现优于基准 [32] - 方法选择导致低风险策略绩效差异很大，波动率估计量表现最优，交易成本显著影响排名 [32] 机器学习类文献 基于机器学习的资产配置 - 本期共有 **5** 篇研究，全部围绕强化学习在投资组合中的应用展开 [32] - 提出STABLE方法结合条件扩散捕捉市场状态转移，在全球股市应用中夏普比率最高提升 **122.9%** [32][35] - 提出MetaTrader双层强化学习方法提高泛化性，解决离线数据过拟合 [34][35] - 提出MARS多智能体强化学习框架，异质智能体覆盖不同风险偏好，元控制器动态调整，显著降低回撤同时保持收益 [34][35] 基于机器学习的选股/择时类研究 - 本期共有 **12** 篇研究，分为股价预测、时间序列基础模型、生成式AI、alpha因子挖掘、交易执行五类 [36] - 提出DYCOR模型，通过动态聚类自适应发现隐藏股票关系，表现优于现有基准 [36] - 提出FinD3双3D状态空间模型，捕捉交叉特征-股票依赖和动态市场，量化交易绩效达到最优 [36] - 构建首个大规模多模态时间序列数据集MM-TS，提出基础模型HORAI，零样本性能达到最优 [36] - 提出AlphaSAGE，基于GFlowNet解决奖励稀疏和多样性问题，能挖掘更多样高预测性alpha因子 [36] - 构建第一个公式化alpha挖掘基准AlphaBench，发现大语言模型有潜力但仍面临稳健性等挑战 [36] ESG（权益）类研究文献综述 - 本期共有 **17** 篇研究，分为ESG与信用/风险定价、信息披露、气候政策与企业行为、投资与消费者行为四大类 [38] - 低碳足迹企业信用违约互换（CDS）利差更低，治理机制强化这一关系 [38][39] - 更高ESG评分降低违约概率，长期效应更显著，还影响投资者要求的信用风险溢价 [38] - 数字技术提升环境信息披露质量，广度呈倒U形，改善披露能缓解融资约束并提升ESG绩效 [38][39] - 气候信息披露增强企业韧性，降低破产风险提高恢复能力，改善融资可得性是主要渠道 [38] - 气候政策不确定性降低企业投资率和效率，高敞口高不可逆企业效应更显著 [38] - 气候政策不确定性越高，企业越可能建立气候战略联盟，碳密集企业效应更强 [38][39] - 消费者适度偏好ESG企业，但很少查阅报告，外生信息提升购买意愿，实际提升小且短暂 [38][39]

量化模型与构建方式 1. **模型名称**：DFQ-TimesNet [2][4] **模型构建思路**：针对A股量价时序存在的显著多周期结构，基于TimesNet二维时序建模框架，将一维量价序列转为二维结构以解耦周期内波动与跨周期关联，从而提升周期特征捕捉能力和收益率预测的稳定性[3][4][20]。 **模型具体构建过程**：模型主要分为三个模块[34]。 * **输入特征嵌入模块**：将原始输入序列 `[batch, seq_len, C_in]` 映射到统一的高维特征表示空间 `[B, T, d_model]`。经实证测试，仅使用TokenEmbedding（采用核大小为3的1D卷积沿时间轴滑动）效果最优，不使用位置编码和时间戳编码[37][38][39]。 * **时序特征提取模块（TimesBlock）**：这是模型的核心，具体流程如下[39][41]： 1. **周期发现**：放弃不稳定的FFT自动周期识别方法，采用人为确定的5日（短周期，对应交易周）和60日（长周期，对应季度）双周期设定[42][44][46]。 2. **序列重塑**：对每个选定周期 `period`，将输入 `[batch, seq_len, d_model]` 填充至长度 `pad_len`（满足 `pad_len % period = 0`），然后重塑为 `[batch, num_period, period, d_model]`，其中 `num_period = pad_len / period`。最后将维度交换为 `[batch, d_model, num_period, period]` 以适配后续2D卷积[50]。 3. **Inception卷积**：对重塑后的二维张量，采用两层串联的Inception模块进行特征提取。每层模块并行使用多个不同大小的2D卷积核（如1x1, 3x3, 5x5等），以同时捕捉不同尺度的周期特征。第一层将通道数由 `d_model` 提升至 `d_ff`，经GELU激活后，第二层将通道数映射回 `d_model`，输出维度仍为 `[batch, d_model, num_period, period]`[51][53][54]。 4. **融合输出**：将每个周期经Inception处理后的输出 `[batch, d_model, num_period, period]` 置换并展开回 `[batch, seq_len, d_model]`。将不同周期的输出合并后 `[batch, seq_len, d_model, K]`（K为周期个数），采用直接平均的方式融合，得到 `[batch, seq_len, d_model]`。最后，将该输出与TimesBlock的原始输入相加，构成残差连接[56][58][59]。 * **预测输出模块**：从TimesBlock的最终输出 `[batch, seq_len, d_model]` 中，选取最后一个时间步得到 `[batch, d_model]`，再通过一个全连接层 `nn.Linear(d_model, c_out)` 投影到预测目标维度 `c_out`，得到最终预测值 `[batch, c_out]`[36][60][61]。 **模型评价**：该模型通过二维多周期建模有效挖掘A股量价周期规律，具备强周期感知能力，且规避了Transformer的计算瓶颈，更适配长时序量价数据[4][8][64][65]。 模型的回测效果 （注：以下所有模型测试结果均基于中证全指股票池，测试区间为2020.01.01-2025.08.29，预测标签为未来20日收益率[88]。指标“信息比率”的英文是IR。） 1. **DFQ-TimesNet模型**，IC 12.50%，IC_IR 1.24，rankIC 14.51%，rankIC_IR 1.33，多头月度胜率 77.94%，多头日超额收益夏普比 3.07，多头日超额年化收益 30.05%，多头日超额收益最大回撤 -7.09%，多头月均单边换手率 77.49%[89][90]。 量化因子与构建方式 1. **因子名称**：TimesNet因子 [88] **因子的构建思路**：将DFQ-TimesNet模型对个股未来收益的预测值作为选股因子[88]。 **因子具体构建过程**：使用经过最优配置训练的DFQ-TimesNet模型进行推断。模型输入为经过处理的60个基础量价特征序列，输出即为每个样本（股票）的预测收益率，该值被用作因子得分[71][72][88]。具体数据处理和模型配置如下： * **样本空间**：中证全指同期成分股[67]。 * **数据区间**：训练集（2014-2018）、验证集（2019）、测试集（2020-2025.6.30），数据集间设有隔离间隙[67]。 * **解释变量X处理**：按每日截面做Z-score标准化 + clip(-3,3)，用0填充缺失值[68]。 * **预测标签Y**：个股未来20日收益率，按每日截面做Z-score标准化[68][73]。 * **输入特征**：60个基础量价特征（包括原始日线行情、基于分钟线和level2数据提取的日频特征）[71]。 * **关键超参**：序列长度 `seq_len=60`，隐藏层大小 `hidden_size=128`，周期 `periods=[5,60]`，TimesBlock层数 `e_layers=1`，Inception中间通道数 `hidden_size2=128`等[76]。 因子的回测效果 （注：以下因子测试结果涵盖多个股票池，测试区间为2020.01.01-2025.08.29[88]。不同股票池的分组数不同：中证全指20组，沪深300和中证500为5组，中证1000为10组[88]。） 1. **TimesNet因子（中证全指股票池）**，IC 12.50%，IC_IR 1.24，rankIC 14.51%，rankIC_IR 1.33，多头月度胜率 77.94%，多头日超额收益夏普比 3.07，多头日超额年化收益 30.05%，多头日超额收益最大回撤 -7.09%，多头月均单边换手率 77.49%[89][90]。 2. **TimesNet因子（沪深300股票池）**，IC 6.23%，IC_IR 0.72，rankIC 7.69%，rankIC_IR 0.81，多头月度胜率 70.59%，多头日超额收益夏普比 1.70，多头日超额年化收益 9.10%，多头日超额收益最大回撤 -7.31%，多头月均单边换手率 68.10%[29]。 3. **TimesNet因子（中证500股票池）**，IC 9.13%，IC_IR 1.10，rankIC 10.70%，rankIC_IR 1.18，多头月度胜率 77.94%，多头日超额收益夏普比 2.42，多头日超额年化收益 18.47%，多头日超额收益最大回撤 -6.30%，多头月均单边换手率 74.70%[32]。 4. **TimesNet因子（中证1000股票池）**，IC 11.71%，IC_IR 1.40，rankIC 13.68%，rankIC_IR 1.50，多头月度胜率 83.82%，多头日超额收益夏普比 2.99，多头日超额年化收益 25.63%，多头日超额收益最大回撤 -5.37%，多头月均单边换手率 77.49%[35]。

量化模型与构建方式 1. 模型名称：语言化技术分析 (VTA) - **模型构建思路**：为了解决LLM在金融时间序列预测中可解释性与精度难以兼顾的问题，提出一个融合语言推理与时间序列预测的框架[4][19]。该框架旨在将股价历史数据转换为可解释的语言推理链，并以此条件化调节预测输出，实现准确且可解释的股票预测[4][19]。 - **模型具体构建过程**：VTA框架包含三个核心组件[4][25]： 1. **时间序列推理模块**：将股价时间序列数据通过文本标注器转换为包含统计信息和金融技术指标的文本描述[30]。使用提出的Time-GRPO方法训练LLM，使其基于这些文本标注生成语言推理链[19][30]。Time-GRPO的训练目标结合了格式奖励和基于预测精度的逆MSE奖励[32]。训练流水线分为三个阶段：冷启动RL微调、基于拒绝采样的监督微调(SFT)、以及为技术分析任务优化的RL微调[33]。 2. **时间序列预测模块**：采用基于LLM的骨干模型进行跨模态对齐[35]。具体过程为：将时间序列输入X通过嵌入层和多头注意力层，获得投影时间token $F_{time}$[35]。对LLM的词嵌入进行PCA降维获得主要词嵌入 $\hat{E}_{text}$[35]。将 $F_{time}$ 和 $\hat{E}_{text}$ 通过多头交叉注意力层进行对齐，得到对齐后的文本token $X_{text}$，计算公式为： $$X_{t e x t}=\,S o f t m a x(\,Q K^{\mathsf{T}}\,/\,\sqrt{C}\,)\,V,$$ 其中 $Q = F_{time}W_Q$, $K = \hat{E}_{text}W_K$, $V = \hat{E}_{text}W_V$[35]。$F_{time}$ 和 $X_{text}$ 被送入连续的Transformer模块，并通过特征正则化损失 $\mathcal{L}_{feature}$ 和输出匹配损失 $\mathcal{L}_{output}$ 来引导模态对齐[35]。 3. **联合条件训练模块**：以推理模型输出的描述性属性类别c（如最大值、最小值、均值）为条件，对时间序列预测模型的输出进行调节[38]。模型同时训练条件预测和无条件预测，损失函数为： $${\mathcal{L}}_{\mathrm{forecast}}(\phi)=\mathbb{E}\mathbf{x},\mathbf{y},\mathbf{c}\left[\left\|{\hat{\mathbf{y}}}_{\psi}(\mathbf{X},{\bar{\mathbf{c}}})-\mathbf{y}\right\|^{2}\right],$$ 其中 $\tilde{\bf c}$ 以概率 $p_{uncond}$ 被替换为无条件标识符[38]。最终预测为条件预测与无条件预测的加权组合： $${\hat{\mathbf{y}}}=s\cdot{\hat{\mathbf{y}}}_{\psi}(\mathbf{X},\mathbf{c})+(1-s)\cdot{\hat{\mathbf{y}}}_{\theta}(\mathbf{X})$$ 其中s为引导尺度超参数[38]。 - **模型评价**：VTA框架成功地将语言推理与时间序列预测有效结合，在保持预测精度的同时提供了可解释性[5][47]。其多阶段微调流水线和联合条件训练设计被证明对提升性能至关重要[48]。 2. 模型/方法名称：Time-GRPO - **构建思路**：为优化LLM在时间序列推理任务中的表现，在分组相对策略优化（GRPO）的基础上进行改进，提出专门用于时间序列推理的强化学习训练目标Time-GRPO[19][30]。其目的是教会LLM生成能够提高时间序列预测精度的语言推理链[32]。 - **具体构建过程**：Time-GRPO的训练目标结合了两种奖励[32]： 1. **格式奖励**：强制模型在生成推理链时使用特定的标签（如`<think>`和`</think>`）来包裹思考过程[32]。 2. **逆MSE奖励**：旨在最大化时间序列预测的期望精度，奖励函数定义为： $$R(\hat{y}) = 1 / ( \lambda \cdot ||\hat{y} - y||_2^2 )$$ 其中 $\lambda$ 是超参数，$\hat{y}$ 是模型预测的时间序列，$y$ 是真实值。使用逆MSE是因为奖励分数需要被最大化[32]。 模型通过多阶段强化学习流水线（冷启动RL、SFT、任务优化RL）使用该目标进行优化[33]。 3. 因子/指标名称：技术分析指标（用于文本标注） - **构建思路**：为了给LLM提供可解释的金融信号作为推理依据，从股价数据中提取经典的技术分析指标，并将其转化为文本描述[30][31]。这些指标是金融从业者广泛使用的分析工具，蕴含了预测信号[17]。 - **具体构建过程**：通过文本标注函数f，将时间序列输入X转换为包含以下指标的文本标注 $X'$[30]。报告中列举了部分指标及其计算公式[31]： - **简单移动平均(SMA)**：$$SMA = (1/n) \Sigma Price_i$$ - **指数移动平均(EMA)**：$$EMA_t = Price_t \cdot \alpha + EMA_{t-1} \cdot (1-\alpha)$$ - **动量(Momentum)**：$$Momentum = Close_t - Close_{t-n}$$ - **相对强弱指数(RSI)**：$$RSI = 100 - 100/ (1+AvgGain/AvgLoss)$$ - **MACD线**：$$MACD = EMA_{12} - EMA_{26}$$ - **威廉指标(%R)**：$$Williams \%R = (HH-Close) / (HH-LL) \times (-100)$$ - **布林带(Bollinger Bands)**：上轨=$MA+k\cdot\sigma$、下轨=$MA-k\cdot\sigma$ - **随机振荡指标(Stochastic Oscillator)**：$$\%K = (Close-LL) / (HH-LL) \times 100$$ - **因子评价**：这些指标为LLM提供了结构化的、可解释的金融领域先验知识，是模型能够进行高质量语言推理的基础[31][57]。消融实验表明，移除这些指标会导致预测性能下降，证明了其有效性[52][53]。 模型的回测效果 1. VTA模型 - **预测精度指标 (All Data 平均值)**：MSE为0.1178，MAE为0.2122[47]。 - **投资组合指标 (各数据集平均值)**：年化收益率为0.2409，波动率为0.1185，最大回撤为-0.0883，夏普比率(IR)为1.7190[70]。 2. 基准模型（部分列举） 以下为报告中部分表现较好的基准模型在“All Data”上的平均预测精度及投资组合夏普比率[47][70]： - **CALF**：MSE为0.1235，MAE为0.2180；夏普比率为1.4566[47][70]。 - **TimeLLM**：MSE为0.1262，MAE为0.2210；夏普比率为1.5230[47][70]。 - **TimesNet**：MSE为0.1286，MAE为0.2229；夏普比率为1.2748[47][70]。 - **Autoformer**：MSE为0.1290，MAE为0.2297；夏普比率为1.4736[47][70]。 - **Non-stationary Transformer**：MSE为0.1380，MAE为0.2300；夏普比率为1.4430[47][70]。 - **FiLM**：MSE为0.1449，MAE为0.2385；夏普比率为1.4421[47][70]。 - **DeepSeek-R1**：MSE为0.1428，MAE为0.2323；夏普比率为1.4074[47][70]。 - **GPT-4.1 mini**：MSE为0.2014，MAE为0.2376；夏普比率为1.3096[47][70]。 因子的回测效果 （注：报告未提供单个技术分析因子独立的选股或预测能力测试结果，因子作为整体被用于VTA模型的文本标注输入，其效果体现在VTA模型的整体性能提升中[30][47][53]。）

报告行业投资评级 * 报告未明确给出具体的行业投资评级 [4] 报告的核心观点 * 上周（20260406-20260410）高频因子普遍表现优异，多粒度因子多头强势反弹 [1][2] * AI空气值增组合表现优异，但指数增强组合超额收益出现回撤 [1][2] 高频因子表现汇总 * 日内高频偏度因子上周、4月、2026年多空收益分别为1.19%、2.30%、7.71% [5][11] * 日内下行波动占比因子上周、4月、2026年多空收益分别为0.40%、0.66%、8.03% [5][11] * 开盘后买入意愿占比因子上周、4月、2026年多空收益分别为1.36%、2.13%、8.75% [5][11] * 开盘后买入意愿强度因子上周、4月、2026年多空收益分别为2.17%、3.54%、9.61% [5][11] * 开盘后大单净买入占比因子上周、4月、2026年多空收益分别为0.36%、0.88%、7.08% [5][11] * 开盘后大单净买入强度因子上周、4月、2026年多空收益分别为0.59%、1.83%、5.98% [5][11] * 改进反转因子上周、4月、2026年多空收益分别为1.70%、1.37%、3.92% [5][11] * 尾盘成交占比因子上周、4月、2026年多空收益分别为1.02%、1.07%、6.28% [5][11] * 平均单笔流出金额占比因子上周、4月、2026年多空收益分别为0.68%、1.03%、-3.82% [5][13] * 大单推动涨幅因子上周、4月、2026年多空收益分别为0.20%、-0.14%、0.29% [5][13] 深度学习因子表现汇总 * 改进GRU(50,2)+NN(10)因子上周、4月、2026年多空收益分别为2.58%、3.46%、8.83% [13] * 残差注意力LSTM(48,2)+NN(10)因子上周、4月、2026年多空收益分别为2.99%、3.06%、8.74% [13] * 多颗粒度模型（5日标签）因子上周、4月、2026年多空收益分别为2.08%、3.03%、13.25%，多头超额收益分别为0.91%、0.47%、6.24% [5][13] * 多颗粒度模型（10日标签）因子上周、4月、2026年多空收益分别为2.41%、2.37%、11.27%，多头超额收益分别为1.36%、0.16%、5.75% [5][13] AI增强组合表现汇总 * 周度调仓的AI空气值增组合上周、4月、2026年的超额/绝对收益率分别为0.92%/5.99%、-2.62%/0.37%、4.09%/8.29% [5][14] * 日度调仓的AI空气值增组合上周、4月、2026年的超额/绝对收益率分别为0.84%/5.91%、-2.51%/0.48%、3.84%/8.04% [5][14] * 周度调仓的中证500 AI增强宽约束组合上周、4月、2026年的超额/绝对收益率分别为-2.07%/3.70%、-2.85%/1.77%、1.06%/7.81% [5][14] * 日度调仓的中证500 AI增强宽约束组合上周、4月、2026年的超额/绝对收益率分别为-1.53%/4.24%、-2.41%/2.21%、-2.03%/4.71% [5][14] * 周度调仓的中证500 AI增强严约束组合上周、4月、2026年的超额/绝对收益率分别为-0.37%/5.39%、-0.49%/4.14%、0.72%/7.46% [5][14] * 日度调仓的中证500 AI增强严约束组合上周、4月、2026年的超额/绝对收益率分别为0.33%/6.09%、-0.11%/4.51%、0.20%/6.95% [5][14] * 周度调仓的中证1000 AI增强宽约束组合上周、4月、2026年的超额/绝对收益率分别为-1.89%/4.23%、-3.62%/1.34%、1.22%/6.52% [5][14] * 日度调仓的中证1000 AI增强宽约束组合上周、4月、2026年的超额/绝对收益率分别为-1.16%/4.96%、-2.64%/2.33%、0.56%/5.87% [5][14] * 周度调仓的中证1000 AI增强严约束组合上周、4月、2026年的超额/绝对收益率分别为-0.81%/5.31%、-1.04%/3.93%、2.06%/7.37% [5][14] * 日度调仓的中证1000 AI增强严约束组合上周、4月、2026年的超额/绝对收益率分别为-0.57%/5.56%、-1.26%/3.70%、2.68%/7.98% [5][14]