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：** 捕捉股票日内收益率分布的偏度特征，作为预测未来收益的指标[15]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[15]。该因子已对常规因子进行正交处理[15]。 2. **因子名称：日内下行波动占比因子** * **因子构建思路：** 利用高频数据分解已实现波动，计算下行波动部分在总波动中的占比[19]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19]。该因子已对常规因子进行正交处理[19]。 3. **因子名称：开盘后买入意愿占比因子** * **因子构建思路：** 基于开盘后一段时间内的高频交易数据，度量市场买入意愿的强度[23]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《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]。该因子已对常规因子进行正交处理[23]。 4. **因子名称：开盘后买入意愿强度因子** * **因子构建思路：** 与买入意愿占比因子类似，但侧重于度量买入意愿的强度而非占比[29]。 * **因子具体构建过程：** 报告未提供具体计算公式，但指出计算方式可参考专题报告《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》[29]。该因子已对常规因子进行正交处理[29]。 5. **因子名称：开盘后大单净买入占比因子** * **因子构建思路：** 计算开盘后一段时间内，大单净买入金额在总成交额中的占比，反映大资金的动向[34]。 6. **因子名称：开盘后大单净买入强度因子** * **因子构建思路：** 度量开盘后大单净买入的强度[39]。 7. **因子名称：改进反转因子** * **因子构建思路：** 在传统反转因子的基础上进行改进[44]。 8. **因子名称：尾盘成交占比因子** * **因子构建思路：** 计算尾盘阶段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：** 计算平均每笔流出交易的金额占比[53]。 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上涨幅度[58]。 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（50个隐藏单元，2层）结合一个10层的全连接神经网络（NN），从高频数据中提取预测信号[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：** 使用带有残差连接和注意力机制的LSTM神经网络（48个隐藏单元，2层）结合一个10层的全连接神经网络（NN），从高频数据中提取预测信号[65]。 13. **因子名称：多颗粒度模型-5日标签因子** * **因子构建思路：** 使用深度学习模型（基于双向A-GRU训练）构建，以5日收益率为预测标签[68]。 * **因子评价：** 继续稳定表现[2][5]。 14. **因子名称：多颗粒度模型-10日标签因子** * **因子构建思路：** 使用深度学习模型（基于双向A-GRU训练）构建，以10日收益率为预测标签[71]。 * **因子评价：** 继续稳定表现[2][5]。 15. **因子名称：复合深度学习因子** * **因子构建思路：** 将“多颗粒度模型-5日标签”和“多颗粒度模型-10日标签”两个因子等权合成，作为AI增强组合的核心阿尔法信号[73]。 * **因子具体构建过程：** 合成公式为：多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5[73]。 量化模型与构建方式 1. **模型名称：AI指数增强组合模型** * **模型构建思路：** 以复合深度学习因子作为预期收益来源，通过组合优化在给定约束条件下构建投资组合，旨在最大化预期收益[73][76]。 * **模型具体构建过程：** * **核心阿尔法信号：** 使用复合深度学习因子（多颗粒度模型-10日标签*0.5 + 多颗粒度模型-5日标签*0.5）作为股票i的预期超额收益μi的来源[73]。 * **优化目标：** 最大化组合预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i在组合中的权重，μi为股票i的预期超额收益[76]。 * **约束条件：** 根据不同产品设定不同的风险控制约束，包括个股权重上限、行业偏离、风格因子（市值、PB、ROE等）暴露、成分股权重下限以及换手率约束等[74][76]。 * **实践参数：** 测算中假定以次日均价成交，并扣除双边3‰的交易成本[77]。 * **模型评价：** AI增强组合继续强势表现[1][2][5]。 因子的回测效果 （数据来源：表2，统计区间：上周、2月、2026年以来（YTD），以及历史/2026年IC和RankMAE）[11][13] 1. **日内高频偏度因子**，历史IC 0.019，2026年IC 0.026，历史e^(-rank mae) 0.324，2026年e^(-rank mae) 0.328，上周多空收益 -1.11%，2月多空收益 -1.11%，2026YTD多空收益 2.89%，上周多头超额 -0.63%，2月多头超额 -0.63%，2026YTD多头超额 1.41%，2026年周胜率 4/5[11] 2. **日内下行波动占比因子**，历史IC 0.016，2026年IC 0.032，历史e^(-rank mae) 0.323，2026年e^(-rank mae) 0.326，上周多空收益 -0.61%，2月多空收益 -0.61%，2026YTD多空收益 4.14%，上周多头超额 -0.36%，2月多头超额 -0.36%，2026YTD多头超额 2.08%，2026年周胜率 4/5[11] 3. **开盘后买入意愿占比因子**，历史IC 0.026，2026年IC 0.032，历史e^(-rank mae) 0.321，2026年e^(-rank mae) 0.325，上周多空收益 -0.04%，2月多空收益 -0.04%，2026YTD多空收益 3.82%，上周多头超额 0.35%，2月多头超额 0.35%，2026YTD多头超额 1.76%，2026年周胜率 4/5[11] 4. **开盘后买入意愿强度因子**，历史IC 0.030，2026年IC 0.041，历史e^(-rank mae) 0.326，2026年e^(-rank mae) 0.333，上周多空收益 -0.79%，2月多空收益 -0.79%，2026YTD多空收益 3.56%，上周多头超额 -0.45%，2月多头超额 -0.45%，2026YTD多头超额 1.83%，2026年周胜率 4/5[11] 5. **开盘后大单净买入占比因子**，历史IC 0.035，2026年IC 0.032，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.319，上周多空收益 0.34%，2月多空收益 0.34%，2026YTD多空收益 2.89%，上周多头超额 0.44%，2月多头超额 0.44%，2026YTD多头超额 1.44%，2026年周胜率 4/5[11] 6. **开盘后大单净买入强度因子**，历史IC 0.024，2026年IC 0.032，历史e^(-rank mae) 0.320，2026年e^(-rank mae) 0.320，上周多空收益 0.29%，2月多空收益 0.29%，2026YTD多空收益 2.15%，上周多头超额 0.23%，2月多头超额 0.23%，2026YTD多头超额 0.40%，2026年周胜率 3/5[11] 7. **改进反转因子**，历史IC 0.030，2026年IC 0.025，历史e^(-rank mae) 0.330，2026年e^(-rank mae) 0.330，上周多空收益 0.19%，2月多空收益 0.19%，2026YTD多空收益 2.93%，上周多头超额 0.18%，2月多头超额 0.18%，2026YTD多头超额 2.52%，2026年周胜率 4/5[11] 8. **尾盘成交占比因子**，历史IC 0.026，2026年IC 0.024，历史e^(-rank mae) 0.322，2026年e^(-rank mae) 0.318，上周多空收益 -0.40%，2月多空收益 -0.40%，2026YTD多空收益 3.90%，上周多头超额 0.27%，2月多头超额 0.27%，2026YTD多头超额 2.56%，2026年周胜率 4/5[11] 9. **平均单笔流出金额占比因子**，历史IC 0.008，2026年IC -0.021，历史e^(-rank mae) 0.317，2026年e^(-rank mae) 0.312，上周多空收益 -0.43%，2月多空收益 -0.43%，2026YTD多空收益 -1.99%，上周多头超额 -0.01%，2月多头超额 -0.01%，2026YTD多头超额 -0.51%，2026年周胜率 2/5[13] 10. **大单推动涨幅因子**，历史IC 0.018，2026年IC -0.001，历史e^(-rank mae) 0.325，2026年e^(-rank mae) 0.324，上周多空收益 -0.99%，2月多空收益 -0.99%，2026YTD多空收益 0.41%，上周多头超额 -0.76%，2月多头超额 -0.76%，2026YTD多头超额 0.11%，2026年周胜率 3/5[13] 11. **改进 GRU(50,2)+NN(10)因子**，历史IC 0.065，2026年IC 0.013，历史e^(-rank mae) 0.336，2026年e^(-rank mae) 0.323，上周多空收益 0.22%，2月多空收益 0.22%，2026YTD多空收益 2.36%，上周多头超额 -0.41%，2月多头超额 -0.41%，2026YTD多头超额 -0.11%，2026年周胜率 4/5[13] 12. **残差注意力 LSTM(48,2)+NN(10)因子**，历史IC 0.062，2026年IC 0.006，历史e^(-rank mae) 0.334，2026年e^(-rank mae) 0.317，上周多空收益 0.41%，2月多空收益 0.41%，2026YTD多空收益 0.90%，上周多头超额 -0.08%，2月多头超额 -0.08%，2026YTD多头超额 0.02%，2026年周胜率 3/5[13] 13. **多颗粒度模型-5日标签因子**，历史IC 0.079，2026年IC 0.051，历史e^(-rank mae) 0.343，2026年e^(-rank mae) 0.339，上周多空收益 0.65%，2月多空收益 0.65%，2026YTD多空收益 6.15%，上周多头超额 0.18%，2月多头超额 0.18%，2026YTD多头超额 3.45%，2026年周胜率 5/5[13] 14. **多颗粒度模型-10日标签因子**，历史IC 0.073，2026年IC 0.048，历史e^(-rank mae) 0.342，2026年e^(-rank mae) 0.342，上周多空收益 0.53%，2月多空收益 0.53%，2026YTD多空收益 4.60%，上周多头超额 0.26%，2月多头超额 0.26%，2026YTD多头超额 3.01%，2026年周胜率 4/5[13] 模型的回测效果 （数据来源：表3，统计区间：上周、2月、2026年以来（YTD））[14] 1. **AI空气指增模型（周度调仓）**，上周超额收益 3.63%，上周绝对收益 3.29%，2月超额收益 3.63%，2月绝对收益 3.29%，2026YTD超额收益 6.18%，2026YTD绝对收益 13.66%，2026年周胜率 3/5[14] 2. **AI空气指增模型（日度调仓）**，上周超额收益 3.83%，上周绝对收益 3.48%，2月超额收益 3.83%，2月绝对收益 3.48%，2026YTD超额收益 6.60%，2026YTD绝对收益 14.08%，2026年周胜率 3/5[14] 3. **中证500 AI增强宽约束模型（周度调仓）**，上周超额收益 2.25%，上周绝对收益 -0.42%，2月超额收益 2.25%，2月绝对收益 -0.42%，2026YTD超额收益 -0.11%，2026YTD绝对收益 9.01%，2026年周胜率 2/5[14] 4. **中证500 AI增强宽约束模型（日度调仓）**，上周超额收益 2.08%，上周绝对收益 -0.59%，2月超额收益 2.08%，2月绝对收益 -0.59%，2026YTD超额收益 -1.01%，2026YTD绝对收益 8.11%，2026年周胜率 2/5[14] 5. **中证500 AI增强严约束模型（周度调仓）**，上周超额收益 1.29%，上周绝对收益 -1.38%，2月超额收益 1.29%，2月绝对收益 -1.38%，2026YTD超额收益 -0.21%，2026YTD绝对收益 8.91%，2026年周胜率 2/5[14] 6. **中证500 AI增强严约束模型（日度调仓）**，上周超额收益 1.46%，上周绝对收益 -1.22%，2月超额收益 1.46%，2月绝对收益 -1.22%，2026YTD超额收益 0.44%，2026YTD绝对收益 9.56%，2026年周胜率 3/5[14] 7. **中证1000 AI增强宽约束模型（周度调仓）**，上周超额收益 2.66%，上周绝对收益 0.20%，2月超额收益 2.66%，2月绝对收益 0.20%，2026YTD超额收益 4.21%，2026YTD绝对收益 10.22%，2026年周胜率 3/5[14] 8. **中证1000 AI增强宽约束模型（日度调仓）**，上周超额收益 2.43%，上周绝对收益 -0.03%，2月超额收益 2.43%，2月绝对收益 -0.03%，2026YTD超额收益 3.40%，2026YTD绝对收益 9.40%，2026年周胜率 3/5[14] 9. **中证1000 AI增强严约束模型（周度调仓）**，上周超额收益 1.65%，上周绝对收益 -0.82%，2月超额收益 1.65%，2月绝对收益 -0.82%，2026YTD超额收益 2.55%，2026YTD绝对收益 8.56%，2026年周胜率 4/5[14] 10. **中证1000 AI增强严约束模型（日度调仓）**，上周超额收益 1.46%，上周绝对收益 -1.00%，2月超额收益 1.46%，2月绝对收益 -1.00%，2026YTD超额收益 3.90%，2026YTD绝对收益 9.90%，2026年周胜率 4/5[14]

报告概览 - 本期报告为华安证券金融工程团队的“学海拾珠”系列跟踪月报，旨在系统梳理2026年1月海外量化金融领域的最新学术文献[1][3] - 报告覆盖了超过40本国际权威金融期刊及AI顶会，本期新增量化金融相关研究文献共计**105篇**[2] - 研究领域分布为：权益类研究**57篇**（其中ESG相关**5篇**，机器学习**23篇**）、基金类研究**8篇**、资产配置研究**12篇**；机器学习在金融领域的应用研究共计**29篇**，ESG研究共计**7篇**[2] 权益类研究文献综述（非ESG） 基本面类研究 - 本期共有**2篇**研究，聚焦财报知情交易与企业投资效率[12] - 内幕交易者偏好盈利/销售惊喜大、有量化指引、情绪极端的财报公告，但受价格冲击等摩擦影响表现不佳，基本面信息对财报回报横截面差异解释力弱[12][14] - **20%**的企业呈现高投资率但低资本边际产出（MPK），这些实为年轻高增长潜力公司，其投资助推创新与未来生产率；模型显示，忽视这种未来的生产率跃升会降低总体生产率[12][14] 量价类研究 - 本期共有**5篇**研究，聚焦资产定价方法革新、市场异象的行为金融解释及股市预测模型优化[12] - 研究将经典Fama-MacBeth回归从离散时间拓展至连续时间因子模型，实证显示连续波动与不同规模跳跃风险的溢价对大类资产预期收益有差异化显著影响[13] - 股票收益短期反转、长期动量的跨期转换源于短期和长期噪声交易者的存在以及主动投资者对外部信息的反应不足；实证支持：财报后反转减弱、反转与动量收益负相关、噪声交易越多反转越强[13] - 基于行为信号框架，散户投资者将股票拆分视为利好；拆分后投资者更乐观，拆分比越高反应越强，拆分公司未来业绩更优，但未达预期时跌幅更大[13] - 提出因果驱动的领域发现框架，通过匹配与预测期环境相似的历史样本来平衡噪声与非平稳性，结合分位数正则化，大幅提升美股等市场的样本外预测表现与策略实操性[13] 资金面类研究 - 本期共有**2篇**研究，分析被动投资对资产价格的影响及困境对冲基金的预期交易行为[16] - 被动资金流入会不成比例地推高经济中最大企业的股价，尤其是噪声交易者高需求的大盘股；流入会提升这类企业的特质波动率，阻碍投资者修正价格偏差，进而推升整体市场波动[17] - 困境巨型对冲基金的公开持仓会引发机构预期卖出和空头增加，面临此类预期交易的基金风格调整后收益低**2.21%**，目标股价先跌后反弹，显示交易具有价格破坏稳定效应[17] 另类研究 - 本期共有**4篇**研究，涵盖投资者情绪对因子定价的异质性影响、异象标的偏好动因、生成式AI在公司文化量化及社交媒体情绪的资产定价效应[18] - 特质因子定价存在情绪依赖的双区间特征：高情绪后高β组合收益更高，低情绪后则相反；宏观因子定价区间完全反转；这表明特质因子暴露代表误定价，宏观因子暴露代表风险[19] - 通过文本分析发现，分析师与网络文章推荐异象“空方端”高估值、低收益标的的核心理由是其彩票型特征，潜在上行空间是驱动需求的关键因素[19] - 首次通过生成式AI分析不同利益相关群体对公司文化的评估差异及其经济影响，为公司文化量化研究提供新方法[19] - Reddit论坛用户情绪存在社交传染，WSB板块讨论会推高散户需求，其传播的特质情绪会影响标的未来收益，且在股价泡沫化阶段活跃度显著上升，表明社交媒体可能加剧市场不稳定[19] 主动量化类研究 - 本期共有**9篇**研究，聚焦公司治理、机构投资者、小企业基金、短期激励与劳动力管制、供应链等多维度[20] - 公司治理机制具有异质性价值：股东异议在股东主导型公司中可改善后续信用评级，但在协作型治理下效应减弱；竞争对手间重叠董事网络会导致创新趋同、产品差异化下降和业绩恶化[22][23] - 有动机的机构投资者（独立、长期、多持股）与银行监督存在替代效应，其持股占比越高，企业越倾向用公开债务替代银行债务，且公司价值提升[23] - 小企业投资公司（SBIC）基金的内含报酬率（IRR）比可比非SBIC基金高**2%-3%**，资本倍数高**0.3-0.7倍**，不同策略和杠杆水平下风险调整绩效有差异[23] - 短期盈利激励（如EPS目标驱动的股票回购）会降低工厂和公司层面生产率；劳动力流动管制在减少员工占用无形资本的同时，会削弱努力激励[23] - 供应链网络中心度越高的中国A股公司，股价效率越高；供应链不确定性影响因来源而异：上游（供应商）不确定性抑制企业投资，下游（客户）不确定性微弱促进[23] 其他类别 - 本期共有**1篇**研究，批判传统因子投资模型，提出“因子幻像”概念，揭示其比p值操纵更隐蔽的危害，并提出基于机器学习与因果推断的修正方案[24][25] 固收类研究文献综述 - 本期共有**7篇**研究，聚焦大类资产便利收益与绿色溢价、利率与信用市场风险定价机制、以及固收研究方法革新[25][27] - 利用德国绿债与传统国债的“孪生”结构，估算出仅源于投资者绿色偏好的时变绿色溢价，该溢价仅与环境担忧指标相关[28] - 新发机构MBS的便利溢价平均为长期国债便利溢价的一半以上，2008年托管和2013年流动性监管显著影响该溢价[28] - 研究揭示了美中两国国债风险-收益关系的复杂时变性与异质性，以及2005年后美国公司债信用利差的流动性成分显著上升源于短期投资者交易活动放大市场摩擦[28] 基金研究文献综述 - 本期共有**8篇**研究，聚焦ESG基金与机构行为异质性、基金投资决策优化、ETF隐性成本及市场摩擦、基金经理决策偏差修正四大方向[29] - 承诺型ESG基金与普通ESG基金存在差异：前者更注重ESG信息获取、采取长期投资策略、ESG参与度更高，对企业实质影响更大[31] - 基金与企业管理层政治同质性越高，越支持管理层提案；政治同质性会降低CEO薪酬-业绩敏感性与企业盈利能力[31] - 当借贷受限时，几何均值（GM）及广义几何均值（GGM）是比夏普比率更优的基金筛选指标[31] - ETF存在隔夜收益为正、日内收益为负的普遍现象，核心驱动因素是零售投资者的需求冲击与套利者供给限制，导致日内交易存在隐性收益损耗[31] - 团队决策比个体决策的信念过度反应更低；基金申赎数据支持前景理论，标准参数下，过去收益产生的前景理论价值越高，未来资金流入越多[31] 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**3篇**研究，覆盖防御性策略历史表现、投资者配置约束、长期市场模拟模型优化[32] - 基于**220年**全球数据验证，多资产防御组合（DAR）与趋势跟踪策略在下行保护方面效果最优，且二者在不同回撤阶段具备互补性[33] - 通过401(k)计划准自然实验发现，若无参与摩擦，**94%**的投资者偏好股票；低股票参与源于摩擦而非风险偏好，估计调整成本为**160美元**[33] - 提出纳入负收益相关性、异方差、肥尾分布的多元随机过程，用于提升长期战略资产配置模拟的准确性[33] 组合构建与优化 - 本期共有**6篇**研究，聚焦资产定价模型拓展、投资组合优化方法革新、目标导向投资决策框架优化[34] - 提出Π-CAPM，将概率权重纳入经典CAPM，得出新预测：偏度有正定价效应且被波动率放大；波动率对左偏资产定价为负、对右偏资产为正[35] - 在动态组合选择中，风险厌恶投资者（γ>1）在面对收益误设定时害怕收益持续性，风险容忍投资者（0<γ<1）害怕均值回归[35] - 提出基于分位数的多元组合选择高效算法，以及结合层级聚类的动态协方差估计模型（DEH模型），在200只流动性ETF测试中实现更优风险调整收益[35] - 提出目标导向投资下的决策聚焦学习（DFL）框架，在不确定市场下比传统预测聚焦方法更能提升决策质量与组合可行性[35] 机器学习类文献 基于机器学习的资产配置 - 本期共有**3篇**研究，聚焦高频与机器学习驱动的组合优化[38] - 提出自适应双向状态空间模型（AB-SSM），在高频资产配置中兼顾短期动态与长期依赖，风险调整收益及换手率控制表现优于传统方法[40] - 验证DRL模型在市场压力下的特征配置效应：BARRA系统性风险特征能显著提升下行保护，在2022年压力市场中最大回撤较基准改善**0.71%**（p=0.02）[40] - 构建FNN基本面选股 + DRL动态调仓的全流程策略，在S&P 100的2009-2021年数据验证中，各组件及组合均显著提升业绩，且具备金融可解释性[40] 基于机器学习的选股/择时类研究 - 本期共有**24篇**文献，核心方向包括金融时间序列创新应用、LLM驱动的金融智能体、统计套利与组合管理优化、金融任务中的AI方法革新[39] - 在时间序列建模方面，提出了多种创新模型，如捕捉跨序列领先滞后依赖的Lead-LagNet、基于多轴注意力捕捉跨资产依赖的OF-MATNet、多模态基础模型FinCast、以及用于去噪的扩散模型等，在预测精度和策略表现上优于传统模型[41] - 在LLM应用方面，研究涵盖基准测试（如InvestorBench）、因子挖掘（如Alpha-R1）、研报生成（FinRpt）、多智能体交易系统优化、以及行为对齐推荐框架（如FLARKO），旨在解决LLM在金融场景中的偏差、可解释性与适配性问题[41] - 在统计套利与组合优化方面，提出了融合对比学习与物理信息约束的均值回归策略（ORCA）、以及高维条件自编码器框架（Scaling CAE）等，以提升策略的稳定性与自适应能力[41] ESG（权益）类研究文献综述 - 本期共有**5篇**研究，聚焦ESG信息对信用风险的影响、责任投资的转型效应、CEO偏好的驱动作用、机构期限与ESG的关联、企业社会影响量化框架[43] - ESG评级下调（尤其社会维度）会显著推高CDS利差，但评级上调反应微弱；ESG新闻存在类似非对称效应[44] - 社会责任感投资者的存在可能延迟高污染企业的主动减排动力，因其预期可通过并购获利；财务投资者的参与会加剧这一延迟[44] - 童年绿地暴露多（“自然偏好”强）的CEO更倾向推动企业参与清洁发展机制项目、实现碳减排；当地环保需求高、CEO决策权大时效应更显著[44] - 长期机构投资者更偏好ESG表现优的企业，但对ESG负面事件容忍度低，发生后会迅速抛售；监管冲击缩短投资者期限时，其ESG偏好会减弱[44] - 提出基于企业退出福利损失的社会影响量化框架，测算发现消费者剩余是核心组成部分，而现有ESG评级与该经济维度指标基本无关[44]

总量研究 - 截至2026年1月30日，沪深300指数上涨家数占比指标高于60%，市场情绪较高，但该指标最近一个月环比上月小幅下降[2] - 从动量情绪指标看，近一月快线慢线同步向上且快线处于慢线上方，预计未来一段时间内维持看多观点[2] - 从均线情绪指标看，短期内沪深300指数处于情绪景气区间[2] - 根据2026年1月行业经营数据，预测煤炭、普钢、浮法玻璃、水泥、燃料型炼化行业利润景气度同比下降[3] - 上月能繁母猪存栏去化明显，预测2026年第二季度供给稍紧，生猪价格有望修复[3] - PMI景气度持稳，总体监控的周期性行业尚未呈现景气信号[3] 行业研究：汽车 - 2026年1月新能源车表现疲软，各车企购车优惠加码[4] - 报告建议关注车企AI转型以及上游原材料涨价压力消化[4] - 整车领域推荐吉利汽车[4] - 零部件领域推荐：1）大白马龙头+海外扩张+业绩兑现/高分红：福耀玻璃；2）人形机器人：拓普集团、双林股份[4] 行业研究：房地产 - 多地启动旧房收购，“以旧换新”明显提速[5] - 2026年1月22日上海奉贤发展“以旧换新”已完成首批50组家庭正式登记；1月25日杭州富阳乐居推出商品房“以旧换新”；2月2日上海浦东、静安、徐汇三区和建设银行上海分行签约收购二手住房用于保障性租赁住房[5] - 政府直接收购二手旧房，促进以旧换新加快销售去化，利于楼市止跌回稳[5] - 近期地产情绪迎曙光，推荐品牌龙头房企招商蛇口、中国金茂等[5] 行业研究：基础化工 - 七彩化学携手幻量科技成立AI实验室，利用AI大幅缩短产品研发周期，推动行业从“经验驱动”向“模型驱动”加速转型[6] - 在国家政策与反内卷的双重驱动下，“AI+”落地已成化工企业必修课[6] - 建议关注凭借海量数据优势实现全链条降本增效的三桶油、万华化学等白马龙头，以及利用AI加速研发的七彩化学[6] - 建议关注AI对于半导体材料、OLED材料等领域的研发赋能[6] 市场数据摘要 - A股市场主要指数普遍上涨：上证综指收于4067.74点，涨1.29%；沪深300收于4660.11点，涨1.18%；深证成指收于14127.11点，涨2.19%；中小板指收于8524.43点，涨2.16%；创业板指收于3324.89点，涨1.86%[7] - 商品市场多数上涨：SHFE黄金收于1093.78，涨8.45%；SHFE铜收于104500，涨6.01%；SHFE镍收于134830，涨4.00%；SHFE铝收于23810，涨3.36%；SHFE锌收于24960，涨1.82%；SHFE燃油收于2701，涨0.82%[7] - 海外市场涨跌互现：日经225指数收于54720.66点，涨3.92%；韩国综合指数收于5288.08点，涨6.84%；法国CAC指数收于8181.17点，涨0.67%；恒生指数收于26834.77点，涨0.22%；德国DAX指数收于24781.38点，跌0.07%；国企指数收于9053.11点，跌0.30%；道琼斯指数收于49240.99点，跌0.34%；标普500指数收于6917.81点，跌0.84%；纳斯达克指数收于23255.19点，跌1.43%[7] - 外汇市场：美元兑人民币中间价6.9608，跌0.12；欧元兑人民币中间价8.2174，跌0.58；日元兑人民币中间价0.0448，跌0.28；港币兑人民币中间价0.8912，跌0.14[7] - 利率市场：DR001加权平均利率1.3166%，跌4.76个基点；DR007加权平均利率1.4972%，涨0.66个基点；DR014加权平均利率1.5626%，涨5.64个基点[7]

金工量化 - 截至2026年1月30日，沪深300指数上涨家数占比指标高于60%，市场情绪较高，但该指标最近一个月环比上月小幅下降 [5] - 动量情绪指标快慢线近一月同步向上且快线处于慢线上方，预计未来一段时间维持看多观点 [5] - 均线情绪指标显示，短期内沪深300指数处于情绪景气区间 [5] 房地产 - 多地启动旧房收购以促进“以旧换新”，包括上海奉贤完成首批50组家庭登记、杭州富阳推出活动、上海浦东等三区与建行签约收购二手住房用于保障性租赁住房 [6] - 政府直接收购二手旧房，旨在加快销售去化，利于楼市止跌回稳，近期地产情绪迎曙光且“以旧换新”明显提速 [6] 基础化工 - 七彩化学与幻量科技共建AI实验室，利用AI大幅缩短产品研发周期，推动行业从“经验驱动”向“模型驱动”转型 [7] - 在国家政策与反内卷双重驱动下，“AI+”落地已成化工企业必修课，有助于夯实企业Alpha实力 [7] 汽车 - 2026年1月新能源车表现疲软，各车企购车优惠加码 [8] - 理想汽车1月交付27,668辆，同比-7.5%，环比-37.5% [8] - 蔚来1月交付27,182辆，同比+96.1%，环比-43.5%；其中NIO品牌交付20,894辆，同比+162.8%，环比-34.0%；乐道品牌交付3,481辆，同比-41.1%，环比-61.4% [8] - 小鹏汽车1月交付20,011辆，同比-34.1%，环比-46.6% [8] 中欣氟材 - 公司2025年预计实现归母净利润1,600-2,000万元，同比扭亏为盈；预计扣非后归母净利润450-675万元，同比扭亏为盈 [8] - 公司拟定增募集1.86亿元，用于扩建BPEF等项目，以加强新材料领域布局 [8] 百合花 - 公司计划总投资不超过1亿元，建设年产1,000吨聚醚醚酮（PEEK）材料项目 [8] - PEEK材料在高端场景持续放量，市场规模快速扩增 [8] 长城汽车 - 2025年公司营业收入同比+10.2%至2,227.9亿元，归母净利润同比-21.7%至99.1亿元，扣非后归母净利润同比-36.5%至61.6亿元 [9] - 2025年第四季度（4Q25）公司收入同比+15.5%，环比+13.0%至692.1亿元；归母净利润同比-43.5%，环比-44.4%至12.8亿元；扣非后归母净利润同比-49.4%，环比-63.9%至6.8亿元，盈利承压 [9] - 公司未来关注点在于高端化与全球化的推进 [9]

报告行业投资评级 * 本报告为金融工程专题研究，属于方法论探讨，未对具体行业或公司给出投资评级 [1][11] 报告的核心观点 * 报告针对传统投资组合优化方法因资产收益分布信息未知而面临的挑战，提出了一种基于贝叶斯预测合成（BPS）的框架来应对金融市场不确定性 [2] * 该框架通过整合多个预测模型（专家）的信息，并利用动态线性模型（DLM）作为合成函数，生成一个能够容纳时变不确定性的资产收益后验预测分布 [2][3] * 基于此统一的后验分布，报告展示了如何驱动均值-方差、基于分位数（如VaR/CVaR, VoR/CVoR）以及风险平价这三类主流的投资组合构建策略 [4] * 在美国和日本市场的实证测试中，基于BPS的投资组合优化方法（BPPS）在测试期（2011年至2019年）内整体表现良好，未出现显著的绩效滑坡，且对集成中表现较差的预测模型不敏感，显示出方法的稳健性 [5][49] 根据相关目录分别进行总结 引言与问题背景 * 投资组合优化的经典方法（如均值-方差、基于分位数、风险平价）均需要资产回报分布信息作为输入，而这些信息通常未知且难以准确估计，估计误差会显著影响组合表现 [12] * 市场不确定性（如时间序列非平稳、小样本数据）加剧了估计难度，本研究采用贝叶斯方法应对此问题 [15] 贝叶斯预测合成（BPS）框架 * BPS是一种集成多个“专家”预测分布的贝叶斯框架，通过一个“合成函数”将其整合为统一的后验预测分布 [3] * 研究采用动态线性模型（DLM）作为合成函数的具体形式，该模型是一个状态空间模型，其系数遵循随机游走，能有效捕捉金融时间序列的非平稳性和时变性 [3][28] * BPS框架将参数估计与市场本身的不确定性统一纳入后验分布，为组合优化提供了兼具信息量与稳健性的输入 [3] 基于后验分布的组合构建方法 * **均值-方差组合**：探讨了基于后验均值与方差的约束优化形式，以及与期望二次效用最大化理论的联系 [4][32][33] * **基于分位数的组合**：引入了贝叶斯版本的VaR/CVaR（风险视角）及VoR/CVoR（收益视角）作为优化目标或约束 [4][34] * **风险平价组合**：定义了基于后验方差的边际风险贡献与风险贡献，并求解权重以使各资产风险贡献相等 [4][37] 实证分析 * **数据与设置**：研究在美国和日本市场各选取10只股票，使用2008年1月1日至2019年12月31日的月度收益率数据，其中2011年前数据用于参数学习，2011年至2019年数据用于测试绩效 [38] * **专家模型**：使用了5个预测模型作为专家，包括过去1年样本均值、过去3年样本均值，以及使用过去3年样本的AR(1)、AR(2)、AR(3)回归模型 [39][44] * **对比方法**：除了基于BPS的方法（BPPS-MV， BPPS-VoR， BPPS-RP），还对比了等权重组合（Uniform）以及使用样本均值和AR模型预测（非贝叶斯）的传统方法 [40] * **主要结果**： * 在美国市场，BPPS-MV和BPPS-VoR都表现出良好绩效，其中BPPS-VoR展示了最佳绩效并保持了高稳定性 [49] * 在日本市场，截至2017年6月左右，BPPS的收益与其他方法相比没有显著下降，表明BPS的状态转换运作良好 [50] * 整体上，BPPS方法在测试期内表现稳健，对集成中劣质模型不敏感 [5][49] * 但也观察到，BPPS-MV在日本市场末期出现显著绩效下降，且BPPS-MV与BPPS-VoR的绩效在2013-2014年间发生逆转，表明存在BPS未能完全捕捉的状态转换 [49][50] 结论 * 研究引入了一种基于BPS后验预测分布来优化投资组合的方法，以应对资产收益分布的不确定性 [51] * 通过使用动态线性模型整合多位专家预测，构建了能捕捉时间序列不确定性的预测分布，并在此基础上开发了三种主流投资组合策略 [52] * 股票价格数据的实验证实了该测试方法的有效性 [52]

量化模型与因子总结 量化因子与构建方式 **注：** 本报告为因子跟踪月报，主要展示了大量因子的表现结果，但未详细阐述每个因子的具体构建公式和过程。以下根据报告内容，对提及的因子进行分类和总结。 1. 深度学习因子 1. **因子名称**：agru_dailyquote[4][55] * **因子方向**：正 * **构建思路**：基于日频行情数据，使用AGRU（可能为注意力门控循环单元）深度学习模型构建的Alpha因子。 2. **因子名称**：DL_1[4][55] * **因子方向**：正 * **构建思路**：使用深度学习模型构建的Alpha因子。 3. **因子名称**：fimage[4][55] * **因子方向**：正 * **构建思路**：基于图像数据的深度学习因子。 2. Level-2高频因子 (重点时段类) 1. **因子名称**：keyperiod_ret_zero[4][55] * **因子方向**：负 * **构建思路**：基于Level-2数据，在重点时段构建的收益率相关因子。 2. **因子名称**：keyperiod_ret_low5pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低分位数收益率相关的因子。 3. **因子名称**：keyperiod_price_low5pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低分位数价格相关的因子。 4. **因子名称**：keyperiod_amount_top30pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与高成交额分位数相关的因子。 5. **因子名称**：keyperiod_amount_low50pct[55] * **因子方向**：负 * **构建思路**：基于Level-2数据，在重点时段构建的与低成交额分位数相关的因子。 6. **因子名称**：keyperiod_sync_low50pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低同步性分位数相关的因子。 3. Level-2高频因子 (大小单类) 1. **因子名称**：bigbuy[55] * **因子方向**：正 * **构建思路**：基于Level-2大单买入数据构建的因子。 2. **因子名称**：bigsell[55] * **因子方向**：正 * **构建思路**：基于Level-2大单卖出数据构建的因子。 3. **因子名称**：bigbuy_bigsell[55] * **因子方向**：正 * **构建思路**：结合大单买入和大单卖出数据构建的复合因子。 4. **因子名称**：bigbuy_bigsell_H1[55] * **因子方向**：正 * **构建思路**：在特定时段（如开盘后第一小时H1）计算的大单买卖复合因子。 5. **因子名称**：bigbuy_bigsell_H8[55] * **因子方向**：正 * **构建思路**：在特定时段（如收盘前最后一小时H8）计算的大单买卖复合因子。 6. **因子名称**：integrated_bigsmall[55] * **因子方向**：正 * **构建思路**：综合大小单信息构建的集成因子。 4. Level-2高频因子 (长短单类) 1. **因子名称**：longbuy[55] * **因子方向**：正 * **构建思路**：基于Level-2长单买入数据构建的因子。 2. **因子名称**：longsell[55] * **因子方向**：正 * **构建思路**：基于Level-2长单卖出数据构建的因子。 3. **因子名称**：longbuy_longsell[55] * **因子方向**：正 * **构建思路**：结合长单买入和长单卖出数据构建的复合因子。 4. **因子名称**：longbuy_shortsell[55] * **因子方向**：正 * **构建思路**：结合长单买入和短单卖出数据构建的复合因子。 5. **因子名称**：shortbuy_longsell[55] * **因子方向**：正 * **构建思路**：结合短单买入和长单卖出数据构建的复合因子。 6. **因子名称**：shortbuy_shortsell[55] * **因子方向**：负 * **构建思路**：结合短单买入和短单卖出数据构建的复合因子。 7. **因子名称**：integrated_longshort[55] * **因子方向**：正 * **构建思路**：综合长短单信息构建的集成因子。 5. Level-2高频因子 (大小长短单复合类) 1. **因子名称**：bigbuy_longbuy_bigsell_longsell[55] * **因子方向**：正 * **构建思路**：综合大单、长单的买入卖出信息构建的复合因子。 2. **因子名称**：bigbuy_longbuy_bigsell_shortsell[55] * **因子方向**：正 * **构建思路**：综合大单买入、长单买入、大单卖出、短单卖出信息构建的复合因子。 3. **因子名称**：bigbuy_shortbuy_bigsell_longsell[55] * **因子方向**：正 * **构建思路**：综合大单买入、短单买入、大单卖出、长单卖出信息构建的复合因子。 4. **因子名称**：bigbuy_shortbuy_bigsell_shortsell[55] * **因子方向**：正 * **构建思路**：综合大单、短单的买入卖出信息构建的复合因子。 5. **因子名称**：bigbuy_shortbuy_bigsell_shortsell_H1[55] * **因子方向**：正 * **构建思路**：在特定时段（如H1）计算的大小长短单复合因子。 6. **因子名称**：integrated_bigsmall_longshort[55] * **因子方向**：正 * **构建思路**：综合大小单和长短单信息构建的集成因子。 6. Level-2高频因子 (集合竞价类) 1. **因子名称**：transaction_order_ratio_oa1[55] * **因子方向**：负 * **构建思路**：基于开盘集合竞价阶段的成交与委托比例构建的因子。 2. **因子名称**：withdrew_order_ratio_oa1[55] * **因子方向**：负 * **构建思路**：基于开盘集合竞价阶段的撤单与委托比例构建的因子。 3. **因子名称**：transaction_order_ratio_oa2[55] * **因子方向**：负 * **构建思路**：基于收盘集合竞价阶段的成交与委托比例构建的因子。 4. **因子名称**：transaction_order_ratio_oa[55] * **因子方向**：负 * **构建思路**：综合集合竞价信息构建的成交委托比因子。 5. **因子名称**：selltransaction_sellorder_ratio_ca[55] * **因子方向**：负 * **构建思路**：基于集合竞价的卖出成交与卖出委托比例构建的因子。 7. Level-2高频因子 (市价单类) 1. **因子名称**：marketorder_ratio[55] * **因子方向**：负 * **构建思路**：市价单占比因子。 2. **因子名称**：marketbuyorder_limitbuyorder_ratio[55] * **因子方向**：负 * **构建思路**：市价买单与限价买单的比例因子。 3. **因子名称**：marketbuyorder_limitsellorder_ratio[55] * **因子方向**：负 * **构建思路**：市价买单与限价卖单的比例因子。 4. **因子名称**：marketsellorder_limitbuyorder_ratio[55] * **因子方向**：负 * **构建思路**：市价卖单与限价买单的比例因子。 5. **因子名称**：marketsellorder_limitsellorder_ratio[55] * **因子方向**：负 * **构建思路**：市价卖单与限价卖单的比例因子。 8. 分钟频因子 (日内价格相关) 1. **因子名称**：real_var[4][55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现方差。 2. **因子名称**：real_skew[55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现偏度。 3. **因子名称**：real_kurtosis[55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现峰度。 4. **因子名称**：real_upvar[55] * **因子方向**：负 * **构建思路**：基于分钟频上涨阶段计算的已实现方差。 5. **因子名称**：real_downvar[55] * **因子方向**：负 * **构建思路**：基于分钟频下跌阶段计算的已实现方差。 6. **因子名称**：ratio_realupvar[55] * **因子方向**：负 * **构建思路**：上涨方差与总方差的比率。 7. **因子名称**：ratio_realdownvar[55] * **因子方向**：正 * **构建思路**：下跌方差与总方差的比率。 8. **因子名称**：trendratio[55] * **因子方向**：负 * **构建思路**：趋势比率因子。 9. **因子名称**：ret_intraday[55] * **因子方向**：负 * **构建思路**：日内收益率因子。 10. **因子名称**：intraday_maxdrawdown[55] * **因子方向**：正 * **构建思路**：日内最大回撤因子。 9. 分钟频因子 (成交量相关) 1. **因子名称**：ratio_volumeH1[55] * **因子方向**：负 * **构建思路**：特定时段（如H1）成交量与全天成交量的比率。 2. **因子名称**：ratio_volumeH2[55] * **因子方向**：正 * **构建思路**：特定时段（如H2）成交量与全天成交量的比率。 3. **因子名称**：ratio_volumeH3[55] * **因子方向**：正 * **构建思路**：特定时段（如H3）成交量与全天成交量的比率。 4. **因子名称**：ratio_volumeH4[55] * **因子方向**：正 * **构建思路**：特定时段（如H4）成交量与全天成交量的比率。 5. **因子名称**：ratio_volumeH5[55] * **因子方向**：正 * **构建思路**：特定时段（如H5）成交量与全天成交量的比率。 6. **因子名称**：ratio_volumeH6[55] * **因子方向**：正 * **构建思路**：特定时段（如H6）成交量与全天成交量的比率。 7. **因子名称**：ratio_volumeH7[55] * **因子方向**：正 * **构建思路**：特定时段（如H7）成交量与全天成交量的比率。 8. **因子名称**：ratio_volumeH8[55] * **因子方向**：负 * **构建思路**：特定时段（如H8）成交量与全天成交量的比率。 9. **因子名称**：corr_VP[55] * **因子方向**：负 * **构建思路**：成交量与价格的相关系数。 10. **因子名称**：corr_VR[55] * **因子方向**：负 * **构建思路**：成交量与收益率的相关系数。 11. **因子名称**：corr_VRlag[55] * **因子方向**：负 * **构建思路**：成交量与滞后收益率的相关系数。 12. **因子名称**：corr_VRlead[55] * **因子方向**：正 * **构建思路**：成交量与领先收益率的相关系数。 13. **因子名称**：Amihud_illiq[55] * **因子方向**：正 * **构建思路**：Amihud非流动性指标，衡量单位成交金额引起的价格冲击。 10. 分钟频因子 (盘前相关) 1. **因子名称**：ret_overnight[55] * **因子方向**：正 * **构建思路**：隔夜收益率因子。 2. **因子名称**：ret_open2AH1[55] * **因子方向**：正 * **构建思路**：开盘价至上午某高点（AH1）的收益率。 3. **因子名称**：ret_open2AL1[55] * **因子方向**：正 * **构建思路**：开盘价至上午某低点（AL1）的收益率。 4. **因子名称**：ret_open2AH2[55] * **因子方向**：正 * **构建思路**：开盘价至下午某高点（AH2）的收益率。 5. **因子名称**：ret_open2AL2[55] * **因子方向**：负 * **构建思路**：开盘价至下午某低点（AL2）的收益率。 6. **因子名称**：diverge_A1[55] * **因子方向**：负 * **构建思路**：盘前分歧度因子A1。 7. **因子名称**：diverge_A2[55] * **因子方向**：负 * **构建思路**：盘前分歧度因子A2。 11. 分钟频因子 (开盘后相关) 1. **因子名称**：ret_H1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）收益率。 2. **因子名称**：ret_close2H1[55] * **因子方向**：负 * **构建思路**：收盘前某时段至收盘的收益率。 3. **因子名称**：corr_VPH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）成交量与价格的相关系数。 4. **因子名称**：corr_VRH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）成交量与收益率的相关系数。 5. **因子名称**：corr_VRleadH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）成交量与领先收益率的相关系数。 6. **因子名称**：corr_VRlagH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）成交量与滞后收益率的相关系数。 7. **因子名称**：real_varH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）的已实现方差。 8. **因子名称**：real_skewH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）的已实现偏度。 9. **因子名称**：real_kurtosisH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）的已实现峰度。 12. 分钟频因子 (收盘前相关) 1. **因子名称**：ret_H8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）收益率。 2. **因子名称**：corr_VPH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与价格的相关系数。 3. **因子名称**：corr_VRH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与收益率的相关系数。 4. **因子名称**：corr_VRleadH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与领先收益率的相关系数。 5. **因子名称**：corr_VRlagH8[55] * **因子方向**：负 * **构建思路**：收盘

量化模型与构建方式 1. **模型名称：DecompGRU深度学习选股模型**[8] * **模型构建思路**：基于趋势分解的时序+截面端到端深度学习模型，用于预测股票未来收益，并据此构建选股组合[8]。 * **模型具体构建过程**：模型架构基于《AI+HI系列（7）：DecompGRU：基于趋势分解的时序+截面端到端模型》报告[8]。具体构建过程未在本文中详细描述，但应用方式为：使用该模型对股票进行集成打分，每周根据得分最高的股票构建组合[8]。 2. **模型名称：宽基热度动量轮动策略**[21] * **模型构建思路**：利用不同宽基指数（及“其他”组）周度热度变化率的短期动量进行轮动，买入热度上升最快的宽基指数[21]。 * **模型具体构建过程**： 1. 将全A股票按沪深300、中证500、中证1000、中证2000及“其他”分组[16]。 2. 计算每组股票周度的“总热度”指标：对组内所有个股的“总热度”指标（定义见下文情绪因子）进行求和[16]。 3. 计算每组热度指标的周度变化率，并取2周移动平均（MA2）进行平滑[19]。 4. 在每周最后一个交易日，买入总热度变化率MA2最大的宽基组对应的指数（或等权组合），若变化率最大的为“其他”组则空仓[21]。 3. **模型名称：高热度概念+低热度个股选股模型**[39][41] * **模型构建思路**：在每周热度上升最快的概念板块中，选取该概念内市场关注度（热度）最低的个股，利用市场对热门板块内低关注度个股的反应不足或延迟来获取超额收益[38][41]。 * **模型具体构建过程**： 1. 在每周最后一个交易日，选出本周热度变化率最大的5个概念[41]。 2. 将这5个概念对应的所有成分股作为选股股票池，并排除股票池中流通市值最小的20%股票[41]。 3. 从每个热门概念中，选出其成分股中“总热度”指标排名最后的10只个股[41]。 4. 等权持有上述筛选出的所有个股，构建“BOTTOM”组合[41]。 模型的回测效果 1. **DecompGRU深度学习选股模型（多头TOP200组合）**[10] * 样本外累计绝对收益：74.91%[10] * 相对全指等权超额收益：38.96%[10] * 最大回撤：10.08%[10] * 绝对收益周度胜率：68.18%[10] * 绝对收益月度胜率：100%[10] * 2026年1月绝对收益：8.99%[10] * 2026年1月超额收益：0.98%[10] 2. **DecompGRU深度学习选股模型（ETF轮动组合）**[13][14] * 样本外累计绝对收益：40.08%[13] * 相对万得主题ETF指数超额收益：5.93%[13] * 最大回撤：7.82%[13] * 绝对收益周度胜率：64.44%[13] * 绝对收益月度胜率：70.00%[13] * 2026年1月绝对收益：10.98%[14] * 2026年1月超额收益：3.37%[14] 3. **宽基热度动量轮动策略**[24] * 2017年以来年化收益率：8.74%[24] * 最大回撤：23.5%[24] * 2026年累计收益：6.6%[24] 4. **高热度概念+低热度个股选股模型（BOTTOM组合）**[42] * 历史年化收益：15.71%[42] * 最大回撤：28.89%[42] * 2026年以来累计收益：3.7%[42] 量化因子与构建方式 1. **因子名称：个股总热度**[15] * **因子构建思路**：利用同花顺用户行为数据（浏览、自选、点击），构建反映市场对个股关注度的情绪代理指标[15]。 * **因子具体构建过程**： 1. 获取个股每日的浏览、自选与点击次数[15]。 2. 将这三项数据求和[15]。 3. 将该和值除以当日全市场所有股票的该项和值总和，进行归一化[15]。 4. 将归一化后的数值乘以10000，使得因子取值区间落在[0, 10000][15]。 * **公式**： $$个股总热度_{i,t} = \frac{(浏览_{i,t} + 自选_{i,t} + 点击_{i,t})}{\sum_{j=1}^{N}(浏览_{j,t} + 自选_{j,t} + 点击_{j,t})} \times 10000$$ 其中，$i$ 代表个股，$t$ 代表交易日，$N$ 代表全市场股票总数[15]。 2. **因子名称：宽基/行业/概念总热度**[16] * **因子构建思路**：将个股层面的总热度因子向上聚合，得到宽基指数、行业或概念板块层面的整体市场情绪热度指标[15][16]。 * **因子具体构建过程**：对于特定的股票集合$G$（例如某个宽基指数的所有成分股、某个申万行业的所有股票、或某个概念的所有成分股），将其包含的所有个股在$t$日的“个股总热度”值进行求和[16]。 * **公式**： $$集合G的总热度_{t} = \sum_{i \in G} 个股总热度_{i,t}$$ [16] 3. **因子名称：热度变化率（MA2）**[19][28] * **因子构建思路**：计算宽基、行业或概念“总热度”指标的周度环比变化，并平滑处理，以捕捉市场关注度的边际变化趋势[19][28]。 * **因子具体构建过程**： 1. 计算集合$G$在第$w$周的“总热度”值（通常为周五的数值或周均值）[19]。 2. 计算周度热度变化率：$(本周总热度 - 上周总热度) / 上周总热度$[19]。 3. 对计算出的周度变化率序列取2周移动平均（MA2），得到平滑后的热度变化率因子[19][28]。 因子的回测效果 *(注：本报告未提供单个因子的独立分层测试结果，如多空组合收益、IC值、IR等。所有因子效果均通过上述构建的具体策略模型来体现。)*

报告核心观点 - 报告介绍了三种量化投资策略：戴维斯双击策略、净利润断层策略和沪深300增强策略，并展示了各自的历史回测表现和近期业绩 [2][3] - 报告认为牛市格局仍在延续，主题投资重回主线 [1] 戴维斯双击策略 - 戴维斯双击策略的核心是以较低市盈率买入成长潜力股，待其成长性显现、市盈率提高后卖出，实现每股收益和市盈率的乘数效应收益 [2][5] - 该策略在2010-2017年回测期内实现了**26.45%**的年化收益，超额基准**21.08%**，且在回测期内的7个完整年度里，每个年度的超额收益均超过了**11%**，表现稳定 [2][7] - 截至2026年1月30日，策略今年以来累计绝对收益为**8.29%**，但跑输中证500指数**3.83%**；本周策略超额中证500指数**2.39%**；本期组合超额基准指数**4.68%** [2][7] - 从历史年度表现看，策略在多个年份取得显著超额收益，例如2013年绝对收益**75.63%**，超额收益**57.71%**；2020年绝对收益**79.78%**，超额收益**58.91%**；2025年绝对收益**55.89%**，超额收益**25.50%** [7] 净利润断层策略 - 净利润断层策略是结合基本面与技术面的选股模式，核心是捕捉“净利润惊喜”（业绩超预期）和公告后首日股价的向上“跳空”缺口 [2][8] - 策略构建方法是每期筛选过去两个月内满足业绩超预期事件的股票，并按照盈余公告日跳空幅度排序，取前50只股票等权构建组合 [8] - 该策略自2010年至今取得了年化**29.60%**的收益，年化超额基准**25.68%** [9] - 今年以来，组合累计绝对收益为**4.48%**，跑输基准指数**7.64%**；本周超额收益为**-2.05%** [9] - 历史表现显示，策略在多个年份表现突出，例如2015年绝对收益高达**106.94%**，超额收益**63.82%**；2025年绝对收益**67.17%**，超额收益**36.79%** [9] 沪深300增强策略 - 沪深300增强策略基于对优秀基金的归因，将投资者偏好分为GARP型、成长型和价值型，并构建相应因子进行选股 [2][11] - GARP型因子通过PB与ROE分位数之差（PBROE因子）寻找估值低且盈利能力强的股票，以及通过PE与增速分位数之差（PEG因子）寻找价值被低估且成长潜力可靠的公司 [2][11] - 成长型因子关注公司的成长性，通过营收、毛利、净利润增速寻找高速成长股票 [11] - 价值型因子偏好具有长期稳定高ROE的公司 [11] - 基于上述投资者偏好因子构建的增强组合，历史回测显示超额收益稳定 [15] - 今年以来，组合相对沪深300指数的超额收益为**5.79%**；本周超额收益为**-1.19%**；本月超额收益为**5.79%** [15] - 全样本回测期内（截至2026年1月30日），策略年化绝对收益为**10.98%**，年化超额收益为**9.25%** [13] 其他策略表现 - 量化择时周报观点认为牛市格局仍在延续，主题投资重回主线 [1] - 沪深300增强策略在报告所述当周实现了**3.90%**的超额收益 [1] - 净利润断层策略在报告所述前一周实现了**1.99%**的绝对收益 [1]

量化模型与构建方式 1. **模型名称**：进取组合 **模型构建思路**：基于多因子模型构建的量化股票组合，追求较高风险下的超额收益[7] **模型具体构建过程**：报告未详细描述其具体因子构成和加权方式，仅说明其为多因子组合[7] 2. **模型名称**：平衡组合 **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**：报告未详细描述其具体因子构成和加权方式，仅说明其为多因子组合[7] 3. **模型名称**：沪深300增强组合 **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，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 4. **模型名称**：中证500增强组合 **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，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 5. **模型名称**：中证1000增强组合 **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，旨在获取稳定超额收益[5] **模型具体构建过程**：报告未详细描述其具体增强策略和因子构成[5] 6. **模型名称**：绩优基金的独门重仓股组合 **模型构建思路**：基于绩优基金的独门重仓股构建的组合，旨在捕捉基金经理的选股Alpha[5][7] **模型具体构建过程**：报告未详细描述其具体筛选和构建规则[5][7] 7. **模型名称**：盈利、增长、现金流三者兼优组合 **模型构建思路**：筛选在盈利、增长和现金流三个基本面维度均表现优异的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体筛选标准和加权方式[7] 8. **模型名称**：PB-盈利优选组合 **模型构建思路**：结合低估值（PB）和高盈利能力的选股策略，寻找有基本面支撑的低估值股票[7][31] **模型具体构建过程**：报告未详细描述其具体因子合成与选股规则[7][31] 9. **模型名称**：GARP组合 **模型构建思路**：采用“合理价格成长”策略，兼顾公司的成长性与估值水平[35] **模型具体构建过程**：报告未详细描述其具体因子合成与选股规则[35] 10. **模型名称**：小盘价值优选组合1 **模型构建思路**：在小盘股中优选具备价值特征的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体价值因子定义和选股规则[7] 11. **模型名称**：小盘价值优选组合2 **模型构建思路**：在小盘股中优选具备价值特征的股票构建的组合，可能与组合1在因子权重或筛选阈值上有所不同[7] **模型具体构建过程**：报告未详细描述其具体价值因子定义和选股规则[7] 12. **模型名称**：小盘成长组合 **模型构建思路**：在小盘股中优选具备高成长特征的股票构建的组合[7] **模型具体构建过程**：报告未详细描述其具体成长因子定义和选股规则[7] 量化因子与构建方式 1. **因子名称**：市值因子 **因子构建思路**：衡量公司规模大小的因子，通常认为小市值股票存在溢价[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作为代理变量[44] 2. **因子名称**：PB因子 **因子构建思路**：市净率因子，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：报告未给出具体计算公式，通常为股票价格除以每股净资产[44] 3. **因子名称**：PE_TTM因子 **因子构建思路**：滚动市盈率因子，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：报告未给出具体计算公式，通常为股票价格除以过去十二个月每股收益[44] 4. **因子名称**：反转因子 **因子构建思路**：技术类因子，认为过去一段时间跌幅较大的股票未来可能反弹，涨幅较大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，通常基于过去一段时间的收益率构建[49] 5. **因子名称**：换手率因子 **因子构建思路**：技术类因子，衡量股票流动性，通常认为低换手率股票存在溢价[49] **因子具体构建过程**：报告未给出具体计算公式，通常基于过去一段时间的平均换手率构建[49] 6. **因子名称**：波动率因子 **因子构建思路**：技术类因子，衡量股票价格波动风险，通常认为低波动率股票存在溢价[49] **因子具体构建过程**：报告未给出具体计算公式，通常基于过去一段时间收益率的标准差构建[49] 7. **因子名称**：ROE因子 **因子构建思路**：净资产收益率因子，衡量公司盈利能力，通常认为高盈利能力股票存在溢价[52] **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[52] 8. **因子名称**：SUE因子 **因子构建思路**：标准化未预期盈余因子，衡量盈利增长超预期的程度，通常认为超预期增长的股票存在溢价[52] **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EPS - 预期EPS）除以历史盈利波动[52] 9. **因子名称**：预期净利润调整因子 **因子构建思路**：基于分析师对净利润预测的调整构建的因子，通常认为上调盈利预测的股票存在溢价[52] **因子具体构建过程**：报告未给出具体计算公式，通常基于分析师一致预期净利润的变化率构建[52] 模型的回测效果 （数据统计区间：2025年12月31日至2026年1月30日）[9] 1. 进取组合，绝对收益13.78%，超额收益1.66%，跟踪误差20.60%，最大相对回撤12.81%[9] 2. 平衡组合，绝对收益12.77%，超额收益0.65%，跟踪误差17.86%，最大相对回撤11.94%[9] 3. 沪深300增强组合，绝对收益6.85%，超额收益5.20%，跟踪误差4.86%，最大相对回撤1.21%[9] 4. 中证500增强组合，绝对收益11.11%，超额收益-1.01%，跟踪误差6.16%，最大相对回撤4.77%[9] 5. 中证1000增强组合，绝对收益11.99%，超额收益3.31%，跟踪误差7.70%，最大相对回撤2.78%[9] 6. 绩优基金的独门重仓股组合，绝对收益6.03%，超额收益-1.06%，跟踪误差21.80%，最大相对回撤5.18%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益0.20%，超额收益-1.45%，跟踪误差13.12%，最大相对回撤4.52%[9] 8. PB-盈利优选组合，绝对收益6.17%，超额收益4.52%，跟踪误差13.11%，最大相对回撤4.47%[9] 9. GARP组合，绝对收益11.43%，超额收益9.78%，跟踪误差13.38%，最大相对回撤2.90%[9] 10. 小盘价值优选组合1，绝对收益7.89%，超额收益-2.83%，跟踪误差9.39%，最大相对回撤5.33%[9] 11. 小盘价值优选组合2，绝对收益12.37%，超额收益1.66%，跟踪误差10.30%，最大相对回撤3.05%[9] 12. 小盘成长组合，绝对收益9.13%，超额收益-1.59%，跟踪误差10.53%，最大相对回撤3.01%[9] 因子的回测效果 （数据统计区间：2025年12月31日至2026年1月30日）[44][45][50][52][53] 1. 市值因子，全市场多空收益3.34%，沪深300多空收益5.78%，中证500多空收益-10.16%，中证1000多空收益-2.32%[44][45] 2. PB因子，全市场多空收益-1.40%，沪深300多空收益-7.98%，中证500多空收益-3.81%，中证1000多空收益-3.18%[44][45] 3. PE_TTM因子，全市场多空收益0.28%，沪深300多空收益-7.61%，中证500多空收益-7.92%，中证1000多空收益-2.38%[44][45] 4. 反转因子，全市场多空收益-3.86%，沪深300多空收益-5.13%，中证500多空收益-13.20%，中证1000多空收益0.01%[50] 5. 换手率因子，全市场多空收益2.68%，沪深300多空收益-6.99%，中证500多空收益-13.52%，中证1000多空收益-1.58%[50] 6. 波动率因子，全市场多空收益-0.38%，沪深300多空收益-8.96%，中证500多空收益-17.87%，中证1000多空收益-2.42%[50] 7. ROE因子，全市场多空收益2.84%，沪深300多空收益-0.92%，中证500多空收益-0.30%，中证1000多空收益6.47%[52][53] 8. SUE因子，全市场多空收益1.74%，沪深300多空收益2.54%，中证500多空收益-2.39%，中证1000多空收益2.95%[52][53] 9. 预期净利润调整因子，全市场多空收益0.72%，沪深300多空收益1.92%，中证500多空收益2.04%，中证1000多空收益-1.51%[52][53]

报告核心观点 - 本报告为一份月度数据跟踪报告，主要统计了截至2026年1月底，A股主要宽基指数及行业指数成分股的分红进度，并计算了考虑分红影响后的股指期货年化基差率 [1][2] - 报告数据显示，2026年初各指数成分股分红进度缓慢，仅有零星公司进入不同实施阶段；同时，考虑分红后，不同股指期货合约的年化基差率呈现显著分化，其中中证500和中证1000的远季合约呈现升水状态 [6][25] 一、宽基指数成分股分红统计 - 截至2026年1月底，主要宽基指数成分股分红进度整体处于非常早期的阶段 [6][11] - 沪深300成分股中，有1家处于股东大会通过阶段 [6][11] - 上证50成分股中，有1家处于股东大会通过阶段 [6][11] - 中证500成分股中，有1家处于实施阶段，本年度累计分红1.30亿元 [6][11][13] - 中证1000成分股中，有1家处于股东提议阶段 [6][11] - 从股息率对比看，2026年已实现的股息率普遍低于2025年全年水平，例如沪深300、上证50、中证500和中证1000的2026年已实现股息率均低于其2025年股息率 [14] 二、行业指数成分股分红统计 - 在申万一级行业中，仅有少数几个行业有成分股启动了2026年度的分红程序 [6][12] - 医药生物行业：有1家处于实施阶段（累计分红0.66亿元），1家处于股东大会通过阶段 [6][12][15] - 公用事业行业：有1家处于股东大会通过阶段 [6][12] - 机械设备行业：有1家处于股东提议阶段，1家处于董事会预案阶段 [6][12] - 煤炭行业：有1家处于实施阶段，累计分红1.30亿元 [6][12][15] - 石油石化行业：有1家处于实施阶段，累计分红0.14亿元 [6][12][15] - 行业股息率对比图显示，多数行业2026年已实现股息率低于2025年水平 [18][19] 三、股指期货基差 （一）当前数据 - 报告计算了考虑分红影响后的各股指期货合约年化基差率，数据截至2026年1月底 [6][25] - **沪深300 (IF)**：近月、远月、近季、远季合约的年化基差率分别为 **-0.25%**、**0.04%**、**0.44%**、**0.55%**，整体由轻微贴水转为升水，且期限越长升水幅度越大 [6] - **上证50 (IH)**：各合约年化基差率均为负值，近月、远月、近季、远季合约分别为 **-0.89%**、**-1.30%**、**-1.67%**、**-1.57%**，呈现贴水状态，其中近季合约贴水最深 [6] - **中证500 (IC)**：近月合约贴水较深，为 **-4.14%**；远月合约贴水收窄至 **-2.29%**；近季合约贴水进一步收窄至 **-0.53%**；远季合约转为升水 **1.11%**，呈现“近端贴水、远端升水”的期限结构 [6] - **中证1000 (IM)**：近月合约贴水 **-1.56%**；远月合约转为升水 **1.25%**；近季和远季合约升水幅度显著扩大，分别为 **4.20%** 和 **5.11%**，升水结构最为陡峭 [6] - 详细的基差计算表提供了各合约的现货指数价格、期货收盘价、原始基差、分红影响、调整后基差及年化基差率等具体数据 [25] （二）历史数据 - 报告展示了各股指期货品种（IF、IH、IC、IM）不同期限合约考虑分红后的历史基差走势图，时间范围覆盖过去数年 [32][33][34][35][37][38][40] - 历史图表旨在为投资者提供基差长期波动范围的参考，但具体数值未在文本中详细列出 [31]