此外，还将在应用与生态层，聚焦投研、风险控制与策略管理等核心场景，持续探索人工智能技术在量 化交易与金融业务中的工程化应用路径，推动形成协同演进的生态服务体系。 此外，高盈科技还表示，未来还将联合中科闻歌在商业创业和产业赋能上，探索AI驱动的商业模式创 新，共同推进智能化解决方案在量化投资领域的产业化推广。 市场人士指出，此次合作是量化投资技术与数据智能技术的深度融合。高盈科技在量化交易平台、策略 工程化及市场实战方面的优势，与中科闻歌在多模态数据治理、通专融合大模型与决策智能方面的技术 积累形成强互补。双方将通过构建"数据－模型－决策"闭环体系，打造更智能、更精准的投研辅助系 统。 高盈科技透露将以此次合作为起点，携手中科闻歌持续推动AI技术在金融量化领域的深度应用，共同 抢占"AI+量化"新高地，为行业智能化升级注入新动能。中科闻歌也表示，此前中科闻歌已布局人工智 能赋能银行、基金、保险等金融领域业务，本次合作将深化金融细分领域应用场景探索。 近日，高盈国际创新科技（香港）有限公司（以下简称"高盈科技"）与中科闻歌正式签署战略合作框架 协议。双方将围绕量化投资智能化升级，在另类数据赋能、因子智能挖掘、智能 ...

炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！ 来源： 中证金牛座 1月27日晚间，一则关于量化股票交易规则变化的消息，受到投资圈关注。市场消息称，量化基金的程 序化交易将迎来新的要求，即"监管机构计划对主要量化基金的程序化交易实施'T+3'制度"。对此，多 家百亿级量化私募负责人向中国证券报·中证金牛座记者回应称，目前并未收到任何与之相关的要求。 上海某百亿私募负责人表示，完全没有听到类似规则要求，"股票交易规则最重要是公平性，并且很难 界定发送到交易所的交易委托单，哪个是量化哪个是主观"。 责任编辑：杨赐 炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！ 来源： 中证金牛座 1月27日晚间，一则关于量化股票交易规则变化的消息，受到投资圈关注。市场消息称，量化基金的程 序化交易将迎来新的要求，即"监管机构计划对主要量化基金的程序化交易实施'T+3'制度"。对此，多 家百亿级量化私募负责人向中国证券报·中证金牛座记者回应称，目前并未收到任何与之相关的要求。 上海某百亿私募负责人表示，完全没有听到类似规则要求，"股票交易规则最重要是公平性，并且很难 界定发送到交 ...

AlphaGo到AlphaZero的演进揭示了：AI可以通过自我训练实现能力跨越。这一认知直接推动了"AI+量 化"的兴起。 2026年1月23日，"2025/2026中国量化投资跨年峰会"在上海举办。 平方和投资创始合伙人、总经理吕杰勇进行了主题为"AI赋能：从AlphaGo、ChatGPT到量化投资"的演 讲，深度剖析了AI与量化投资的十年演进与未来图景。 吕杰勇认为，2016年，谷歌AlphaGo横空出世，随后AlphaGo Zero通过自我对弈训练成为顶尖棋手，这 一系列事件给量化投资行业带来了认知冲击，让更多人开始尝试将AI应用到量化投资领域。 此后，OpenAI的ChatGPT问世重塑了人机交互范式，推动量化行业实现进一步发展。但AI+量化的实践 仍面临诸多挑战，离不开人类的经验与专业调参支撑。在吕杰勇看来，人机协同或将成为更优的资源配 置模式。 机器学习开启AI+量化的序章 吕杰勇表示，AlphaGo对围棋领域的颠覆性突破，本质是为机器学习赋能复杂决策提供了标杆范式，而 这一范式与量化投资"数据驱动决策"的核心逻辑同频，顺势开启了AI+量化的序章。 回顾AI发展史时，吕杰勇提到，人工智能的发展并 ...

公司发展历程与战略 - 公司故事始于2014年，由创始人张祥方创立，凭借在期货量化领域的深刻理解与执行力，在自营交易中积累了市场认知与原始资本[2] - 2021年是公司发展的关键转折点，陈昊炜、吴比亚、陈开泰作为合伙人加入，形成了独特的“双核驱动”模式[2] - 战略互补体现在：张祥方把握公司战略与运营，陈昊炜负责投研体系技术路线与系统集成，陈开泰攻坚前沿模型与AI实盘落地，吴比亚聚焦硬件加速与底层交易系统[2] - 公司目标是从零打造一套世界级的量化方法论，在中国打造“下一代量化旗舰”[1][2] 核心团队与技术文化 - 核心合伙人团队由拥有海外对冲基金顶尖背景的“架构师”组成，包括创始人张祥方、投资总监陈昊炜、研究总监陈开泰、技术总监吴比亚[1][2] - 团队氛围类似顶尖大学实验室或早期科技创业团队，以共同的技术信仰与热情为凝聚力，专注于最新的论文思路或模型架构[3] - 投资总监陈昊炜将摄影中“观察”与“降噪”的哲学渗透进因子构建与模型设计，强调从海量市场数据中剥离噪音、找到真正信号[3] NOVA核心操作系统 - NOVA系统是公司耗时多年、投入重金打造的“下一代量化旗舰”核心操作系统，被定义为“AI合伙人”而非传统工具[3][4] - 系统包含三大核心智能体模块：NOVA Matrix（基座智能体）基于知识图谱技术构建高维金融关联网络，解决数据清洗与环境搭建问题[4] - NOVA Go（策略智能体）能够理解自然语言指令，辅助生成策略代码并推荐阿尔法因子构建方向，将策略研发推进到人机对话阶段[4][5] - NOVA Pilot（风控与组合优化智能体）是实时解析市场环境、进行多周期组合优化的动态中枢，能在严格约束下自适应寻找风险与收益最优解[5] - NOVA系统的最终目标是实现“人类定义范式-AI生成解决方案-人类校验逻辑”的深度协同[5] 策略进化与风控实践 - NOVA系统赋能公司从单一风格迈向“全频段阿尔法”的进化，策略库涵盖从短周期量价到中长周期基本面的全频谱信号[5] - 通过NOVA Pilot进行动态权重调配，使公司在不同市场环境下均能保持适应力与战斗力[5] - 2024年春节假期前后的市场极端波动检验了系统风控成色，公司依托内嵌的“拥挤度模型”与“流动性模型”提前预警，并通过系统化纪律自动执行风控指令，平稳穿越市场风暴[6] 组织生态与人才管理 - 公司构建“贝尔实验室”式的组织生态，旨在留住顶尖人才并激发持续创新，拒绝雇佣兵模式的内耗和流水线模式对人的异化[6] - 通过“全栈式贡献归因系统”激励员工，该系统不仅与最终业绩挂钩，更追踪全程贡献权重，让基础研究和“助攻”者同样获得尊重与回报，激励知识共享[6] - 通过“知识资产深度复用”机制，借助NOVA平台将成熟研究模块封装成标准化积木并向全员开放，提升效率并赋予研究员全局视野[6] - “实习生计划”让实习生从第一天起接触实盘级项目与代码，在高强度实践中筛选出既有顶尖技术又认同长期主义与协作精神的人才[7] 未来展望 - 公司展望下一个十年，将继续围绕NOVA系统进行工业化与智能化的深度升级[7] - 计划包括对算力基建的饱和式投入，为AI竞争储备充足弹药[7] - 计划在全球范围吸引顶尖人才，追求“极致的人才密度”，让个体在强大系统赋能下释放最大潜能[7] - 公司认为量化行业没有永恒的护城河，唯一的护城河就是整体的进化速度，进化的源头在于同心同德的合伙人、自主进化的智能系统以及能让智慧良性循环的组织生态[7]

AI量化模型与因子总结 量化模型与构建方式 1. **模型名称：AI全频段量价模型** * **模型构建思路**：采用端到端建模范式，直接对原始量价数据进行学习，从低频（日、周、月频）逐步拓展至高频（逐笔成交、Level2）数据，旨在捕捉不同时间尺度下量价数据的内在联系与市场微观结构模式[3][17]。 * **模型具体构建过程**： * **低频多任务学习模型**：模型同时接收日频、周频和月频三种不同颗粒度的K线数据，采用同一个GRU模块提取时序信息，实现知识共享[19]。 * **PatchModel（长时间序列建模）**：借鉴分块思想，将长时间序列量价数据按交易日划分为多个patch，以缓解信息遗忘问题[22]。 * **PatchModel1**：使用GRU处理日内时序数据，再通过注意力机制构建日间联系[22][23]。 * **PatchModel2**：将日内时点信息拆解为不同特征，再使用GRU挖掘日间的时序规律[22][23]。 * **基于逐笔成交的深度学习模型**：从资金流和事件驱动角度构建特征，利用Transformer模型学习多维注意力规律[24]。 * **资金流模型**：根据等时间、等成交笔数、等成交量、等价格波动对逐笔成交数据进行采样，形成4种结构化K线。构建双层Transformer模型，第一层学习时序注意力，第二层学习跨K线注意力，最终输出个股未来收益预测[24][30]。 * **基于Level2数据图像的选股模型**：将高频逐笔成交与委托数据转换为标准化的三维图像格式（通道数、价格区间、成交量/委托量区间），应用Vision Transformer（ViT）及Video Vision Transformer（ViViT）进行模式识别，提取微观结构信息[27][28]。 * **模型评价**：作为一种具备长期价值的研究范式，端到端框架尝试在统一的表示空间中学习市场原始数据的内在联系，使量价研究从局部经验驱动迈向整体结构感知[17]。 2. **模型名称：Master模型** * **模型构建思路**：基于Transformer架构，通过新增变量间注意力层，实现对股票特征在时序上、股票间、特征间的关联变化进行协同建模[55]。 * **模型具体构建过程**：模型在时序注意力层的基础上，通过特定方式新增了变量间注意力层，以增强多变量协同建模能力[55]。具体网络结构可参考图表23[64]。 3. **模型名称：HIST模型** * **模型构建思路**：利用图神经网络（GNN）进行多变量相关性建模，通过多层残差图结构捕获股票间显式的行业板块关联、隐式的风格概念关联以及剩余的特征性收益[54]。 * **模型具体构建过程**：在注意力机制加持下，模型构建多层残差图结构来充分提取股票间的复杂关联信息[54]。具体网络结构可参考图表19[61]。 4. **模型名称：Crossformer模型** * **模型构建思路**：基于Transformer架构，专注于多变量协同建模，其底层模型结构在时序注意力层的基础上新增了变量间注意力层[55]。 * **模型具体构建过程**：通过改进的注意力机制实现对股票特征在时序和横截面上关联变化的协同建模[55]。具体网络结构可参考图表20[62]。 5. **模型名称：PortfolioNet系列模型** * **模型构建思路**：实现从收益预测到组合决策的端到端打通，旨在填平预测与交易之间的鸿沟，让模型直接对组合决策结果负责[5][112]。 * **模型具体构建过程**： * **PortfolioNet**：模型前端基于量价数据生成信号，随后经过可微优化层（如LinSAT）投影为合规的组合权重，组合收益直接参与损失计算并反向传播，实现一站式建模[112]。 * **PortfolioNet 2.0**：在前期模型基础上，对组合约束项赋予可微性能，让AI量价因子在追求高收益弹性的同时，也能捕捉Pure Alpha之外的风格收益[113]。 6. **模型名称：多粒度对比学习框架（CMLF）** * **模型构建思路**：解决直接融合不同粒度量价数据时面临的粒度不一致性和市场状态变化挑战，通过对比学习机制学习有效的股票表征，并动态调整特征融合方式[36]。 * **模型具体构建过程**： * **预训练阶段**：设计跨粒度对比和跨时间对比两种机制，以学习更有效的股票表征[36]。 * **特征融合阶段**：引入自适应门控机制，动态调节不同粒度特征的融合权重[36]。 7. **模型名称：多周期学习框架（MLF）** * **模型构建思路**：包含核心模块以消除周期间冗余信息、融合各周期预测结果，并确保数据一致性以降低模型偏差[40]。 * **模型具体构建过程**：包含三个核心模块：周期间冗余过滤（IRF）、可学习加权集成（LWI）和多周期自适应分块（MAP）[40]。 8. **模型名称：模态感知Transformer（MAT）** * **模型构建思路**：旨在提升深度学习模型挖掘跨模态交互信息的能力，通过引入特征级注意力层识别各模态中最相关的特征[42]。 * **模型具体构建过程**：设计三种多头注意力机制：模态内注意力（捕捉单模态内部时间依赖）、模态间注意力（探索不同模态间关联）和目标模态注意力（在解码阶段捕捉目标序列与各输入模态间的交互作用）[42]。 9. **模型名称：非平稳Transformer** * **模型构建思路**：针对金融时间序列的非平稳特性，改造Transformer底层架构，使模型能感知并适应数据分布的变化[77]。 * **模型具体构建过程**：保留数据预处理时描述原始数据分布特征的参数（如均值、方差），将注意力机制中计算的自注意力权重按照从原始数据分布特征中学到的平稳因子进行放缩，从而将数据分布统计特征引入注意力模块[77]。 10. **模型/框架名称：LLM-FADT文本策略** * **模型构建思路**：借助大语言模型（LLM）对上市公司相关研报、新闻文本进行深度理解，将另类数据中的情绪因子转化为交易信号[6][51]。 * **模型具体构建过程**：利用大模型深入挖掘文本数据，通过数据增强、分域建模的思想将文本情绪因子与AI模型相结合[51][52]。 11. **模型/框架名称：舆情分诊台（LLMRouter-GRU）** * **模型构建思路**：借助大模型挖掘新闻舆情文本，通过分域建模的思想将情绪因子与AI量价因子相结合，赋能选股模型[51]。 * **模型具体构建过程**：利用大模型处理新闻舆情文本，构建情绪因子，并将其与GRU等量价模型结合进行选股[51]。 12. **模型名称：3S-Trader** * **模型构建思路**：一个多LLM框架，用于自适应股票评分、策略制定和组合优化中的标的筛选，整合多源信息并提供可解释的策略优化方向[125]。 * **模型具体构建过程**：通过多个LLM代理分别分析新闻、财报和技术指标，对每只股票生成多维评分，再结合策略迭代模块进行组合构建与调整[125]。 13. **模型名称：MoEDRLPM** * **模型构建思路**：基于混合专家（Mixture of Experts）的深度强化学习组合模型，旨在通过动态切换交易逻辑来适应多变的市场状态[124]。 * **模型具体构建过程**：引入时序与空间注意力机制刻画资产的时空相关性，并利用混合专家结构在不同市场状态下动态切换交易逻辑[124]。 模型的回测效果 （注：报告中对部分模型给出了具体的策略跟踪结果，但指标名称和取值在提供的文本中未完整、系统地列出。以下根据原文提及的绩效描述进行总结。） 1. **AI全频段量价模型**：自2017年以来年化超额收益显著，在样本外持续展现出对中证1000指数的稳健增强效果[6]。 2. **Master因子**：通过精细化的结构设计与风格控制，既可兼顾Pure Alpha，也有机会捕获风格收益[6]。 3. **PortfolioNet 2.0因子**：在回测区间（2023-01-03至2025-11-28）内，合成因子相比于经典AI量价模型取得明显提升，在300增强、500增强与1000增强场景下，年化超额收益分别提升7.5pct、7.5pct与8.5pct，信息比率（IR）同步改善[113]。 4. **舆情分诊台（LLMRouter-GRU）**：在文本另类数据相关策略中表现优异[6]。 5. **LLM-FADT文本策略**：在文本另类数据相关策略中表现优异[6]。 量化因子与构建方式 1. **因子名称：Master因子** * **因子构建思路**：通过精细化的模型结构设计与风格控制，构建既能捕捉Pure Alpha，又能兼顾风格收益的复合因子[6]。 * **因子具体构建过程**：基于Master模型（一种市场引导的股票Transformer）进行股价预测，生成的预测信号作为选股因子[86]。具体构建方法可参考图表51[12]。 2. **因子名称：PortfolioNet2.0因子** * **因子构建思路**：利用PortfolioNet 2.0模型，通过端到端学习从原始数据中合成兼取风格收益与Pure Alpha的因子[6][113]。 * **因子具体构建过程**：模型在训练过程中，通过可微的组合约束项，使学习到的信号同时蕴含Pure Alpha和风格收益信息，最终输出用于选股的合成因子[113]。 3. **因子名称：大模型舆情选股因子 / LLM-FADT因子** * **因子构建思路**：利用大语言模型对文本（如分析师研报、新闻）的深度理解能力，挖掘其中的情绪或事件信息，并将其量化为选股因子[6][51]。 * **因子具体构建过程**：通过大模型处理文本数据，进行情感分类、信息提取或逻辑推理，将结果转化为数值型的股票信号[51][61]。 4. **因子名称：AI宏观因子** * **因子构建思路**：借助大语言模型从海量新闻舆情中提炼宏观叙事与情绪，构建能够捕捉传统数据滞后市场规律的宏观因子[5][132]。 * **因子具体构建过程**：使用LLM处理宏观新闻文本，构建例如经济增长、地缘风险等情绪指数，形成可用于资产配置或策略的宏观因子[53][132]。 5. **因子/框架名称：风险因子挖掘框架（如HRFT）** * **因子构建思路**：专注于挖掘刻画市场不确定性（如波动、相关性、尾部风险）的风险因子，而非传统收益因子[93]。 * **因子具体构建过程**：以HRFT（High-Frequency Risk Factor Transformer）为例，作为一种端到端挖掘框架，将符号数学类比为语言，利用Transformer直接从高频交易特征中自动提取可解释的公式化风险因子，例如用于度量短期市场收益分布方差的因子[93]。 6. **因子挖掘框架：EvoAlpha / TreEvo / CogAlpha** * **构建思路**：基于大语言模型实现“认知型”因子挖掘，利用LLM对金融语义和代码逻辑的理解来指导进化过程，提升搜索效率和因子的可解释性[96][97]。 * **具体构建过程**：如TreEvo框架引入“树状思维进化”，让LLM先构建分层的交易逻辑（如动量、反转的组合），再将其转化为具体代码，实现从线性代码生成向层次化思维进化的转变[97]。 7. **因子挖掘框架：Alpha Jungle / RiskMiner** * **构建思路**：将LLM的生成能力与蒙特卡洛树搜索（MCTS）等规划算法结合，在高维稀疏的Alpha空间中实现有导向、有策略的高效导航[100][101]。 * **具体构建过程**：LLM作为策略网络提出候选公式，回测结果作为价值网络的反馈信号，引导MCTS的搜索方向。RiskMiner则采用“风险寻求”的MCTS变体，专门探索高风险但潜在高收益的稀有因子[101]。 8. **因子挖掘框架：AlphaForge / Synergistic Alpha** * **构建思路**：重心从挖掘单一因子转向“因子协同”与“动态组合”，直接面向投资组合的最终表现进行端到端优化[105]。 * **具体构建过程**：不仅挖掘基础公式，还通过基因拼接等算子寻找与现有因子库正交的新因子，并引入动态权重调整机制，实现基于市场环境变化的实时因子重组[105]。 因子的回测效果 （注：报告中对部分因子给出了具体的绩效指标，以下根据原文图表和描述进行总结。） 1. **Master因子**：根据图表52，在回测中展示了其RankIC、年化超额收益、夏普比率等信息，并与其他基准因子进行了对比[12]。图表55和56显示了其用于中证1000指数增强的业绩指标和超额净值曲线[12]。 2. **PortfolioNet2.0因子**：根据图表59，在中证1000指增组合中（回测区间2023-01-03至2025-12-31），展示了年化超额收益、超额波动、信息比率（IR）、最大回撤等绩效指标[12]。 3. **“舆情分诊台”AI量价因子**：根据图表57，在沪深300指增组合中（回测区间2023-01-03至2025-12-31），展示了年化超额收益、信息比率（IR）等绩效表现[12]。 4. **LLM-FADT文本策略**：根据图表63，在中证500增强策略回测期（2017-01-26至2025-12-31）内，展示了年化收益、年化波动、夏普比率、最大回撤等绩效指标[12]。图表65对比了其与BERT-FADT策略的超额收益[12]。

上海发布有色金属大宗商品能级提升方案 - 上海多部门联合发布《加强期现联动提升有色金属大宗商品能级行动方案》，提出18项措施，旨在推进有色金属市场互通，促进期、现、衍联动发展，提升市场国际化水平并增强“上海价格”影响力 [1][18] AI应用板块与个股动态 - AI应用板块行情爆发，利欧股份因受资金追捧成为大牛股，其在停牌核查后于1月21日复牌，此前曾在10天内股价翻倍 [2][19] - 字节跳动旗下AI Agent平台“扣子”宣布2.0品牌升级，集成多项Agent能力，加速AI智能体商业化进程，并有十七只相关概念股获得融资资金青睐 [12][29] 量化投资与市场表现 - 得益于A股市场全面回暖，2025年量化指数增强产品表现突出，全年平均收益率达45.08%，其中近九成产品实现正超额收益 [4][21] - 1月20日A股市场放量整固，沪深两市合计成交27778亿元，较前一日放量约700亿元，有色金属与AI应用板块表现活跃，而主要股指走势分化 [8][25] 上市公司资本运作与项目调整 - 凯龙高科（300912）因筹划以发行股份及支付现金等方式购买深圳市金旺达机电有限公司控制权并募集配套资金，自1月21日起停牌，停牌前股价报19.85元/股，总市值22.8亿元 [5][22] - 易华录（300212）拟终止“超级存储研发项目”和“人工智能训练资源库及全域视频感知服务平台项目”，并将剩余募集资金约3.55亿元永久补充流动资金，原因为项目投入产出比偏低 [6][23] 证券行业与板块观察 - 证券板块与市场整体表现有所脱节，1月20日板块小幅上涨0.42%，此前已连续下跌5日累计跌幅超4%，有观点认为此次调整为良性修正，板块行情后续不会缺席 [7][24] - 证券行业并购整合深化，湘财股份与大智慧披露2025年业绩呈现“冰火两重天”，拟作为存续主体的湘财证券净利润同比大增157.5%至5.53亿元，而大智慧净利仍陷亏损 [11][28] 上市公司业绩预告概况 - A股迎来业绩预告高峰，截至1月20日晚已有超500家公司披露2025年业绩预告或快报，其中百余家去年净利润或翻倍，科技领域因AI赋能保持高景气，而光伏、白酒、生猪养殖等领域业绩承压 [9][26] 财政政策与资本市场开放 - 财政部表示2026年将继续实施更加积极的财政政策，“硬核”支持稳就业、稳企业、稳市场、稳预期，确保“十五五”良好开局 [13][30] - 中国资本市场对外开放持续推进，南方东英南方中证A500指数ETF在新加坡交易所挂牌上市，是ETF互联互通合作的标志性成果 [15][33] 基金与理财市场动态 - 全球化资产配置需求提升，QDII基金总规模持续增长，截至1月20日达到9700亿元，逼近1万亿元，较去年同期的6100亿元增长59%，占全市场基金总规模的2.6% [14][31][32] - 部分中小银行理财业务格局生变，太仓农商行等四家银行2025年末理财产品存续规模均较2024年末出现下滑，行业生态持续重塑 [16][17][34] 银行信贷市场调查 - 调查发现，部分贷款中介宣称银行在冲刺信贷“开门红”期间放宽审批标准多为营销话术，有银行经理表示当前是阶段性利率低点并可协助后续贷款更改 [3][20]

财政政策与宏观环境 - 2026年财政部将继续实施更加积极的财政政策，核心是“总量增加、结构更优、效益更好、动能更强”，以支持稳就业、稳企业、稳市场、稳预期，确保“十五五”良好开局 [1] - 2026年初，财政部等部门发布了六项政策，其中四项支持民间投资，两项支持促进消费，包括中小微企业贷款贴息、民间投资专项担保计划、设备更新贷款财政贴息等 [3] 资本市场与投资策略 - 2025年量化指数增强产品全年平均回报率达45.08%，近九成产品实现正超额收益，中小盘指增策略领跑，行业头部效应明显，AI深度融合与创新策略成为主流 [2] - 截至1月20日，A股共有525家公司披露2025年业绩预告或快报，其中约200家预计业绩增长，逾百家公司预计归母净利润最高增幅超过100% [5] - 2026年初，A股市场结构性机遇涌现，脑机接口、商业航天、具身智能等热门概念板块轮番活跃，相关上市公司成为机构调研焦点 [1] - 2026年以来，已有5家公司因涉及资金占用等违法违规行为收到地方证监局“罚单”，其中2家为已退市公司 [7] 科技与新兴产业 - 2025年，在AI技术赋能下，科技领域多个细分赛道保持高景气，大量企业实现业绩稳健增长 [5] - 机器人领域快速发展，2025年机器人减速器、工业机器人、服务机器人产量分别增长63.9%、28.0%、16.1%，预计中国减速器市场规模将增至1510亿元，谐波减速器销量将增至95.75万台，RV减速器消费量将增至64.62万台，多家上市公司加码布局 [8] - 字节跳动旗下AI Agent平台“扣子”宣布2.0品牌升级，集成多项AI能力，2026年以来证券市场AI智能体概念热度高，但部分概念股已出现回撤，回撤20%以上的概念股中有17只2026年以来获融资净买入超1亿元 [6] 有色金属与大宗商品 - 上海印发《加强期现联动 提升有色金属大宗商品能级行动方案》，旨在提升上海市有色金属大宗商品能级和全球定价影响力 [4] - 1月20日，全球贵金属市场延续强势，黄金、白银价格再度刷新历史纪录，工业金属与小金属亦多数走强 [5] - 截至1月20日，已有16只有色金属股发布2025年度业绩相关数据，其中12股预计归母净利润同比增长，报喜比例超八成，2026年以来已有17只有色金属股获机构调研 [5][6] - 白银在工业领域需求占比超六成，光伏发电是其最大需求领域，银价上涨使光伏电池成本承压，下游企业正寻求以铜等贱金属替代银的方案 [7] 保险行业 - 2025年上市险企业绩指标均有望实现增长，已披露数据的公司整体呈现保费、利润“双增”态势，市场认为其业绩明显受益于2025年权益市场较好表现 [3] 行业业绩分化 - 2025年，光伏、白酒、生猪养殖等细分领域受市场环境波动、供需格局调整等因素影响，企业业绩承压 [5]

幻方量化业绩与资金实力 - 公司2025年收益均值达56.55%，在管理规模超百亿的量化私募中位列第二 [1] - 公司近三年收益均值为85.15%，近五年收益均值为114.35% [1] - 公司当前管理规模已超700亿元，稳居国内私募量化投资领域第一梯队 [1] - 据业内人士估算，基于1%管理费和20%业绩提成，公司去年强劲表现可能带来超过7亿美元的收入 [2] 幻方量化与DeepSeek的关联 - 公司创始团队自2008年即开始使用机器学习技术探索全自动量化交易 [2] - 公司于2023年7月孵化出杭州深度求索人工智能基础技术研究有限公司（DeepSeek），正式进军通用人工智能 [2] - 公司创始人梁文锋持有DeepSeek多数股权，且DeepSeek的研究经费来源于公司的研发预算 [2] - 公司的丰厚收益能为DeepSeek的大模型研发提供坚强的资金支持 [1][2] DeepSeek大模型研发进展与对比 - DeepSeek计划在2026年2月春节前后发布新一代AI模型DeepSeek-V4，该模型是V3的迭代版，具备强大的编程能力 [3] - 内部初步测试显示，V4在编程能力上超过了Anthropic的Claude和OpenAI的GPT系列等市场上的其他顶级模型 [3] - DeepSeek曾披露其V3模型的总训练成本预算为557万美元 [2] - 作为对比，智谱截至2025年上半年累计研发投入约44亿元，MiniMax截至2025年第三季度累计研发开支约4.5亿美元（约31.6亿元人民币） [3] 公司技术背景与监管动态 - 公司策略和开发团队由多学科顶尖人才组成，包括奥林匹克学科竞赛奖牌得主、AI领域专家及各学科博士 [1] - 公司于2016年10月首次上线由深度学习生成的交易仓位，2017年全面应用深度学习技术进行交易 [2] - 公司于2019年和2021年分别投资建成“萤火一号”和“萤火二号”AI训练平台 [2] - 意大利反垄断机构AGCM已于2026年1月5日结束针对DeepSeek的调查，并以具有约束力的承诺作为结案条件，该调查始于2025年6月，涉及公司涉嫌未警告用户其模型可能产生虚假讯息 [3][4]

公司核心状况与战略定位 - 公司（DeepSeek）自其标志性模型R1发布一年以来，未进行任何新的外部融资，也几乎没有商业化的动作，在行业内显得特立独行 [1][2] - 公司是全球唯一一家未接受外部融资、且不隶属于任何大型科技公司的独立AI实验室，其研发经费完全来自母公司幻方量化的研发预算 [36][39] - 公司坚持纯粹的研究导向，专注于通用人工智能（AGI）的研发，模型开源、不急于产品化，资源分配上全仓押注底层训练而非高并发的应用场景 [27][28][31] 母公司财务支持与可持续性 - 母公司幻方量化在2025年业绩表现极为突出，旗下基金平均收益率达56.6%，管理的资产规模超过700亿元人民币 [8][9] - 据估算，幻方量化2025年通过管理费和业绩提成，为创始人梁文锋赚取了超过7亿美元（约50亿人民币）的利润 [4][10] - 基于母公司强大的盈利能力，公司拥有充足且可持续的研发资金，其模型训练成本极低：V3训练成本为557.6万美元，R1训练成本仅为29.4万美元 [15] - 按此成本计算，母公司去年的利润理论上可支持再生产125个V3模型或2380个R1模型，资金充裕 [16][17][18] 研发成果与团队稳定性 - 公司在学术研究上持续高产，不断产出高水平论文，例如OCR、V3.2等技术报告，并在年底为R1模型补充了长达60多页的干货内容 [33][34] - 公司团队极其稳定，R1论文发表近一年后，18位核心贡献者全部仍在职，总计100多位作者中仅有5位离开，人才流失率极低 [53][54] - 团队甚至出现了人才“回流”现象，一位去年已离开的作者（Ruiqi Ge）今年已回归团队 [3][55][56] 独特的商业模式与行业对比 - 公司的商业模式独特，背靠幻方量化成熟的量化投资业务进行交叉补贴，使其在AGI研发道路上没有短期盈利压力，内外均无阻力 [37][38][40][42] - 与OpenAI相比，公司拥有稳定的内部现金流支持，无需像OpenAI那样为融资和商业化绞尽脑汁（如寻求芯片厂商投资、探索广告等）[22][26][48] - 与谷歌相比，公司的AI业务是原生且与主营业务（量化投资）相辅相成的，不存在传统业务拖累创新或战略冲突的问题 [45][50] - 这种“既有商业模式、又AI原生”的模式，被认为集成了谷歌（稳定收入）和OpenAI（创新敏捷）双方的优势 [50] 行业影响与外部效应 - 公司的技术动态已成为二级市场的投资风向标，其发布的“硬件设计建议”能直接影响相关芯片公司的股价 [62][67] - 例如，在V3.2模型发布仅四分钟后，寒武纪宣布完成对其框架的适配，次日股价开盘跳涨近5% [68][71] - 许多投资者将公司的技术论文当作行业研究报告来解读，并据此进行投资获利 [62][72]

幻方量化业绩表现 - 2025年收益均值达56.55%，在中国管理规模超百亿的量化私募中位列第二[2] - 近三年收益均值为85.15%，近五年收益均值为114.35%[2] - 2025年管理规模已超700亿元人民币，稳居国内私募量化投资领域第一梯队[2] 幻方量化业务与团队 - 公司是一家AI量化交易公司，成立于2015年，持续投入AI算法研究[2] - 创始团队自2008年开始使用机器学习技术探索全自动量化交易[3] - 2016年10月第一份由深度学习生成的交易仓位上线，2017年全面应用深度学习技术进行交易[3] - 策略和开发团队由多学科顶尖人才组成，包括奥赛金牌得主、AI领域专家及各学科博士[2] 幻方量化技术投入与孵化 - 2019年投资建成“萤火一号”AI训练平台，2021年投资建成“萤火二号”AI训练平台[4] - 2023年7月孵化出杭州深度求索人工智能基础技术研究有限公司，正式进军通用人工智能[4] - 公司创始人与大股东梁文锋持有DeepSeek多数股权，并停止为基金引入外部资金[4] 幻方量化收入估算与资金反哺 - 据业内人士估算，基于1%管理费和20%业绩提成，公司去年强劲表现可能带来超过7亿美元收入[6] - 幻方量化的丰厚收益能反哺DeepSeek，为其大模型研发提供资金支持[2][5] DeepSeek大模型业务 - DeepSeek的研究经费来源于幻方量化的研发预算[4] - DeepSeek V3模型的总训练成本预算在557万美元[7] - 计划在2月春节前后发布新一代AI模型DeepSeek V4，内部测试显示其在编程能力上超过Claude和GPT系列[7] 行业研发投入对比 - 智谱截至2025年上半年累计研发投入约44亿元人民币[7] - MiniMax截至2025年第三季度累计研发开支约4.5亿美元[7]