量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[12][43] * **模型构建思路**：为准确计算股指期货的升贴水，需要精确估计指数成分股在期货合约存续期内分红所导致的指数点位自然滑落（即分红点数）[12][43]。该模型通过精细化处理成分股权重、分红金额、除息日等核心要素，实现对指数分红点位的预测[12][43]。 * **模型具体构建过程**： 1. **核心公式**：指数从当前时刻 `t` 到期货合约到期日 `T` 期间的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，求和仅针对除权除息日 `τ` 满足 `t < τ ≤ T` 的成分股[43]。 2. **数据获取与处理流程**：如图16所示，首先获取指数成分股及其日度权重[44][49][50]。然后对每只成分股进行以下判断与估计[46]： * **已公布分红方案**：若公司已公布分红金额和除息日，则直接采用[46]。 * **未公布分红方案**：需依次预测**分红金额**和**除息日**[46]。 * **分红金额预测**：分红金额 = 净利润 × 股息支付率[51]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”[53]。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；否则，根据其历史季度盈利分布是否稳定进行分类预测（见图17）[53]。 * **股息支付率预测**：采用历史数据替代[54]。 * 若去年分红，则以去年股息支付率为预测值[57]。 * 若去年不分红，则以最近3年平均股息支付率为预测值[57]。 * 若从未分红，则默认今年不分红[57]。 * 若预测值大于100%，则进行截尾处理[57]。 * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”[55]。具体步骤如图18所示[60]： * 若已公布除息日，则直接采用[60]。 * 若未公布分红预案，则参考去年或前年的分红日期，并判断其合理性（是否在当前时点前、距离太近或在股东大会前），不合理则采用默认日期[60]。 * 若已公布分红预案，则根据所处阶段（预案或决案），判断历史从该阶段公告日到除息日的间隔天数是否稳定。若稳定，则用历史平均间隔天数与今年公告日进行线性外推；若不稳定，则参考历史分红日期[60]。 * 若无可靠历史日期或过去两年未分红，则采用默认日期（根据预测时间点，设为7月31日、8月31日或9月30日）[60]。 * **模型评价**：模型对于上证50和沪深300指数的预测准确度较高，对于中证500和中证1000指数的预测误差稍大但基本稳定[65]。整体来看，对各股指期货合约的股息点预测效果较好[65]。 2. **模型/因子名称：成分股权重日度估算模型**[49] * **模型构建思路**：由于指数成分股权重每日变动，而数据提供商通常只提供月末权重，因此需要一种方法估算日度权重，以更精确地计算分红影响[49]。 * **模型具体构建过程**： * **估算公式**：假设最近一次公布权重日期为 `t_0`，成分股 `n` 的权重为 `w_n0`。从 `t_0` 到当前日 `t`，个股非复权涨跌幅为 `r_n`，则当前日权重 `W_{n,t}` 估算为： $$W_{n,t}={\frac{w_{n0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$[49] * **精确替代**：报告指出，为更准确并避免成分股调整、解禁等事件的影响，最终采用了中证指数公司每日披露的日度收盘权重数据，而非上述估算值[50]。 3. **因子名称：已实现股息率与剩余股息率**[17] * **因子构建思路**：用于衡量指数成分股中，本年度已经完成现金分红和尚未进行现金分红的部分，分别占指数总市值的比例，以反映分红进度[17]。 * **因子具体构建过程**： * **已实现股息率**：计算指数中本年度已现金分红的公司，其分红金额总和占这些公司总市值的比例，并按个股权重加权[17]。 * **剩余股息率**：计算指数中本年度尚未现金分红的公司，其预计分红金额总和占这些公司总市值的比例，并按个股权重加权[17]。 * 公式描述：设 `N1` 和 `N2` 分别为指数中已分红和未分红的公司数量，则： * 全年已实现股息率 = Σ(个股已分红金额 / 个股总市值 × 个股权重)，对 `N1` 家公司求和[17]。 * 全年剩余股息率 = Σ(个股待分红金额 / 个股总市值 × 个股权重)，对 `N2` 家公司求和[17]。 模型的回测效果 1. **股指分红点位测算模型**[65] * **预测误差（2024年 & 2025年）**：对上证50和沪深300指数的预测误差基本在5个点左右；对中证500和中证1000指数的预测误差稍大，基本稳定在10个点左右[65]。 * **预测准确性**：对2024年及2025年各股指期货当月主力合约的预测股息点与实际股息点对比显示，模型对各合约都具有较好的预测准确性[65]。 量化因子与构建方式 1. **因子名称：行业股息率中位数**[15] * **因子构建思路**：统计各行业内已披露分红预案的个股的股息率，并取中位数，以比较不同行业的分红吸引力[15]。 * **因子具体构建过程**：对于每个行业，计算所有已公布分红预案股票的“预案分红金额/当前总市值”，然后取该组数据的中位数[15]。 因子的回测效果 （报告未提供相关因子的历史回测表现指标，如IC、IR、多空收益等。）

量化模型与构建方式 1. **模型名称：宏观资金面信号择时策略**[70] * **模型构建思路**：通过监测外部宏观利率环境（美债收益率）和汇率资金面（人民币汇率）的变化，构建一个综合信号来对A股市场进行择时判断[70]。 * **模型具体构建过程**： 1. **美债信号（长期宏观信号）**：计算10年期美债收益率的18个月移动平均值。当最新收益率低于该均值时，发出偏多信号（+1）；当最新收益率高于该均值时，发出偏空信号（-1）[74][75]。 * 公式：$$Signal_{bond} = \begin{cases} +1, & \text{if } Y_{10Y\_UST} < MA(Y_{10Y\_UST}, 18M) \\ -1, & \text{if } Y_{10Y\_UST} > MA(Y_{10Y\_UST}, 18M) \end{cases}$$ * 其中，$Y_{10Y\_UST}$ 为10年期美债收益率，$MA(\cdot, 18M)$ 表示18个月移动平均。 2. **汇率信号（短期资金信号）**：观察美元兑人民币汇率（USDCNY）的月度变化。若月度涨跌幅为负（人民币升值），则发出偏多信号（+1）；若月度涨跌幅为正（人民币贬值），则发出偏空信号（-1）[76]。 * 公式：$$Signal_{fx} = \begin{cases} +1, & \text{if } \Delta USDCNY_{monthly} < 0 \\ -1, & \text{if } \Delta USDCNY_{monthly} > 0 \end{cases}$$ * 其中，$\Delta USDCNY_{monthly}$ 为USDCNY汇率的月度涨跌幅。 3. **综合信号**：将美债信号与汇率信号结合，形成最终的宏观资金面择时信号。当两者均发出偏多信号时，综合信号为偏多[77]。 量化因子与构建方式 1. **因子名称：股指期货基差比例**[16][22] * **因子构建思路**：通过计算股指期货价格相对于其标的指数现货价格的溢价或折价比例（基差），来反映市场情绪和套利力量[16][24]。 * **因子具体构建过程**：使用股指期货次月合约的结算价与对应标的指数收盘价进行计算[16][22]。 * 公式：$$Basis\ Ratio = \frac{Futures\ Price}{Underlying\ Index\ Price} - 1$$ * 其中，$Futures\ Price$ 为股指期货次月合约价格，$Underlying\ Index\ Price$ 为对应的标的指数价格。结果为正表示升水（期货价格高于现货），为负表示贴水（期货价格低于现货）[22]。 * **因子评价**：该因子是衡量市场情绪、流动性预期和套利成本的重要指标。升水通常表示市场看涨情绪或存在正向套利空间，贴水则可能反映看跌情绪或流动性紧张[24]。 2. **因子名称：国债期货隐含收益率**[41][43] * **因子构建思路**：通过国债期货价格反推出的债券到期收益率，反映期货市场参与者对未来利率水平的预期[33]。 * **因子具体构建过程**：基于国债期货合约的价格，使用债券定价模型反算出的对应期限国债的到期收益率[41][43]。 * 公式：由国债期货价格 $P_{futures}$ 通过债券定价公式反解出到期收益率 $y$，满足 $$P_{futures} = \sum_{i=1}^{n} \frac{CF_i}{(1+y/f)^{t_i}}$$ * 其中，$CF_i$ 为第 $i$ 期现金流，$f$ 为年付息频率，$t_i$ 为第 $i$ 期现金流的时间（年）。 * **因子评价**：该因子是连接期货市场与现货市场利率预期的桥梁。与现货收益率比较，可以反映市场对未来利率走势的乐观或悲观情绪[41]。 3. **因子名称：期权波动率指数（VIX）**[54][56] * **因子构建思路**：通过期权市场价格计算得出的波动率指数，反映市场对未来30天标的资产价格波动率的预期[54]。 * **因子具体构建过程**：通常采用CBOE的VIX计算方法，利用近月和次近月一系列看涨、看跌期权的价格，通过模型计算得出隐含波动率，并加权合成未来30天的预期波动率[56]。 * （报告未给出具体计算公式，仅说明其为反映未来30天波动率预期的指数[54]） * **因子评价**：被称为“恐慌指数”，是衡量市场风险情绪和不确定性程度的关键指标。VIX上升通常伴随市场担忧加剧，下降则反映市场情绪趋于平稳[54][57]。 4. **因子名称：期权持仓量PCR（Put/Call Ratio）**[60] * **因子构建思路**：计算看跌期权（Put）与看涨期权（Call）的持仓量比值，用以衡量市场多空情绪和风险偏好[60]。 * **因子具体构建过程**：选取特定标的（如50ETF、300ETF）的期权合约，统计所有上市合约的看跌期权总持仓量与看涨期权总持仓量，并计算其比值[62][65]。 * 公式：$$PCR_{OI} = \frac{Total\ Put\ Open\ Interest}{Total\ Call\ Open\ Interest}$$ * **因子评价**：PCR上升可能意味着市场避险情绪升温（买入看跌期权保护增多），下降则可能反映市场投机或看涨情绪占优。是观测市场情绪变化的常用指标[60][66]。 模型的回测效果 1. **宏观资金面信号择时策略**[80][83] * 年化收益率：**16.7%**[83] * 年化波动率：**19.2%**[83] * 夏普比率：**0.87**[83] * 最大回撤：**-25.1%**[83] * 信息比率（IR）：**1.21**[83] 因子的回测效果 （注：报告未提供单个因子的独立回测绩效指标，如IC、IR、多空收益等。报告主要展示了各因子在特定时间窗口的观测值，用于定性判断市场状态。）

量化模型与构建方式 1. **模型名称：优质CoT联合投票策略** [4] * **模型构建思路**：基于从研报中动态提取并验证有效的“投资思维链”，构建多专家投票机制。每条有效的思维链被视为一个“投资专家”，各自对个股进行判断，通过汇总投票结果来筛选最终持仓股票[4][37]。 * **模型具体构建过程**： 1. **思维链提取与验证**：使用大模型从历史研报中提取“驱动因素→推理链条→投资结论”的完整思维链，并进行滚动回测，筛选出信息比率（IR）表现最优的前1/3（最多约7条）作为当期“优质思维链”[4][24][33][34]。 2. **个股符合度判断**：每条优质思维链根据当前截面的个股信息（研报+实时新闻），判断其与自身逻辑的“符合程度”（不符合/较符合/完全符合）并给出置信度打分[4][33][41]。 3. **投票与持仓构建**：每条思维链判断为“完全符合”的个股记为一票。每月初，汇总所有优质思维链的投票，将获得至少3票的股票纳入持仓。若当月无符合持仓条件的股票，则维持上期持仓不变[4][46]。 2. **模型名称：优质CoT加权选股策略** [4] * **模型构建思路**：在联合投票策略的基础上进行优化，根据每条优质思维链的历史表现（信息比率）赋予其不同的权重，表现越好的思维链，其选中的股票得分越高，以此提升策略的风险控制能力[4][58]。 * **模型具体构建过程**： 1. **优质思维链筛选**：与投票策略相同，筛选出信息比率表现最优的前1/3思维链[4][58]。 2. **权重赋值**：根据每条思维链在检验期间的信息比率分位数构建权重，表现越优异，权重越高[58]。 3. **个股得分计算**：每条优质思维链对其判断为“完全符合”的个股，赋予该链对应的权重分数。每月初，汇总每只股票获得的所有权重分数，得到累计得分[58]。 4. **持仓构建**：将累计得分高于设定阈值（报告中为3.5分）的股票纳入持仓。若当月无股票得分超过阈值，则维持上期持仓不变[58]。 模型的回测效果 *测试基准：分析师等权基准，回测区间：2021年1月-2026年1月，费率：千分之三[4][46]* 1. **优质CoT联合投票策略**，年化超额收益率17.16%，年化波动率35.87%，最大回撤43.99%，信息比率（IR）0.48[4][57]。 2. **优质CoT加权选股策略**，年化超额收益率16.21%，年化波动率31.94%，最大回撤44.17%，信息比率（IR）0.51[4][61]。 量化因子与构建方式 *注：本报告的核心是构建基于“思维链”的选股模型，并未构建传统的量化因子。报告将每条“投资思维链”本身视为一种动态的、非结构化的选股逻辑单元，并通过模型化的方式（投票、加权）进行应用。因此，以下总结的是构成模型的底层“思维链”的构建与验证过程。* 1. **因子/逻辑单元名称：主观投资思维链（CoT）** [3][19] * **构建思路**：利用大语言模型（LLM）的思维链（Chain of Thought, CoT）技术，从海量的非结构化卖方研报文本中，自动化提取分析师完整的投资推理逻辑，形成“核心驱动要素→传导路径→投资结论”的逻辑链条[2][3][19]。 * **具体构建过程**： 1. **数据准备与筛选**：收集特定行业（如医药生物）的卖方研报，通过研报筛选器进行行业分类和质量加权（如研报长度、分析师权威性）[24]。 2. **思维链生成**：设计提示词引导大模型（如DeepSeek-R1）阅读研报，要求其识别核心驱动因素（trigger），推导出从驱动因素到投资结论的严密传导路径（CoT），并给出信号强度（signal）打分，生成不少于15条投资推理链条[24][26][29]。 3. **时序处理与更新**：以半年为频率，对思维链组进行合并、补缺和迭代更新。确保每个时间截面的思维链组仅包含该时点及之前的所有信息，避免未来信息泄露，并根据新信息对旧逻辑的信号强度进行自适应衰减[24][26]。 * **因子评价**：该方法能够穿透文本，提取复杂的因果推演逻辑，将非结构化的主观投资框架转化为可量化、可验证的策略信号[2][13][68]。 2. **因子/逻辑单元验证机制：滚动单链回测** [3][33] * **构建思路**：对提取出的每一条投资思维链进行独立的历史回测，定量验证其在不同市场环境下的选股有效性，并动态筛选出当前有效的“优质思维链”[3][33]。 * **具体构建过程**： 1. **信息输入**：对于每个回测截面，为每只个股汇总该时间点的研报信息和实时新闻数据[33]。 2. **符合度判断**：每条思维链基于汇总信息，判断每只个股是否符合自身逻辑，给出“不符合/较符合/完全符合”的定性判断及0%-100%的置信度打分[33][34]。 3. **持仓与绩效计算**：根据阈值（如只持仓“完全符合”的个股）构建该思维链的模拟持仓组合（0-12只），计算其相对于行业基准（如医药全指）的年化超额收益率、跟踪误差和信息比率（IR）[34]。 4. **动态筛选**：根据回测结果（主要是信息比率IR），在每个周期（如半年）筛选出表现最优的思维链组，用于下一周期的选股策略[4][45]。 因子的回测效果 *测试基准：医药全指，测试结果为2025H2截面示例[35]* 1. **新产品研发与商业化进展思维链**，年化超额收益率26.32%，跟踪误差14.33%，信息比率（IR）1.84[35]。 2. **产品结构优化与高端转型思维链**，年化超额收益率22.26%，跟踪误差18.07%，信息比率（IR）1.23[35]。 3. **刚性需求增长与基本面稳固思维链**，年化超额收益率9.78%，跟踪误差11.07%，信息比率（IR）0.88[35]。 4. **产能建设与供应链强化思维链**，年化超额收益率9.35%，跟踪误差20.04%，信息比率（IR）0.47[35]。 5. **销售渠道深化与市场渗透率提升思维链**，年化超额收益率8.40%，跟踪误差18.44%，信息比率（IR）0.46[35]。 *（注：报告中列出了共17条思维链的回测结果，此处仅列举IR较高的前5条作为示例）*

量化模型与构建方式 1. **模型名称：条件选股模型**[48] * **模型构建思路**：基于给定的财务指标（总市值、市盈率）对A股全市场股票进行筛选，构建符合条件的投资组合，并进行历史回测[48]。 * **模型具体构建过程**： 1. 从数据库（如Wind）获取全部A股的最新数据[48]。 2. 设定筛选条件：总市值小于500亿元，市盈率（TTM）大于0且小于300倍[48]。 3. 对满足筛选条件的股票，构建等权重投资组合[48]。 4. 以筛选日（例如2026-03-06）为起点，回测该等权组合在过去10个交易日的收益率表现[48]。 2. **模型名称：形态学量化策略（黄包车夫形态）**[52] * **模型构建思路**：基于特定的K线形态（黄包车夫形态）识别交易信号，以形态出现后的第二天开盘价作为买入价，统计不同持有期后的收益情况，以验证该形态的有效性[52]。 * **模型具体构建过程**： 1. 从数据库获取目标股票（如寒武纪，688256.SH）的全部历史日K线数据[52]。 2. 定义并识别“黄包车夫”（Rickshaw Man）K线形态。该形态需满足以下条件[52]： * 实体极小：$$ \frac{|收盘价 - 开盘价|}{开盘价} < 0.58 $$ * 上下影线都较长：上影线长度 > 实体长度 × 2，且下影线长度 > 实体长度 × 2。 * 上下影线接近：$$ 0.5 \leq \frac{上影线长度}{下影线长度} \leq 2.0 $$ * 当日有足够振幅：$$ \frac{最高价 - 最低价}{最低价} > 2\% $$ 3. 每当识别到该形态，即以形态出现日的下一个交易日的开盘价作为模拟买入价[52]。 4. 分别计算买入后持有1天、3天、5天、8天、10天、20天的收益率[52]。 5. 对所有识别到的形态进行统计，计算各持有期的平均收益率、胜率、最大收益和最小收益[52]。 3. **模型名称：指数仿制策略（南华综合指数模拟）**[53] * **模型构建思路**：通过筛选A股中与大宗商品相关的股票，并按照南华综合指数的品类权重分配板块及个股权重，构建一个股票组合来模拟南华综合指数的走势[53]。 * **模型具体构建过程**： 1. **确定选股范围**：根据申万行业分类，筛选出与大宗商品相关的A股，涵盖煤炭、石油、有色金属、钢铁、化工、农产品加工等行业，共得到397只股票[53]。 2. **设定板块权重**：参照南华综合指数的构成，为不同板块分配目标权重。例如：能源30%、工业金属25%、黑色系20%、贵金属10%、化工10%、农产品5%[53]。 3. **构建组合**：在每个板块内部，按照成分股的流通市值进行加权，计算各股票在板块内的权重。再将板块权重分配到板块内各股票，得到股票在模拟组合中的最终权重[53]。 4. **回测与评估**：在回测区间（例如2025-03-06至2026-03-06）内，计算模拟组合的净值曲线，并评估其相对于基准（南华综合指数）的表现，计算各项绩效指标[53]。 模型的回测效果 1. **条件选股模型**[48] * 选股日期：2026-03-06 * 筛选结果：共筛选出3,197只符合条件的A股[48] * （注：报告未提供该等权组合在过去10个交易日的具体收益率数值）[48] 2. **形态学量化策略（黄包车夫形态）**[52] * 测试标的：寒武纪 (688256.SH) * 数据区间：2020-07-20 至 2026-03-06 (共1364个交易日) * 形态出现次数：65次 * 各持有期表现统计[52]： | 持有天数 | 平均收益率 | 胜率 | 最大收益率 | 最小收益率 | |:--------:|:----------:|:------:|:----------:|:----------:| | 1日 | +1.45% | 53.85% | +17.81% | -7.21% | | 3日 | +3.21% | 58.46% | +32.40% | -11.08% | | 5日 | +3.88% | 55.38% | +45.74% | -18.47% | | 8日 | +5.00% | 55.38% | +67.10% | -20.13% | | 10日 | +4.81% | 49.23% | +85.35% | -23.64% | | 20日 | +6.10% | 36.92% | +150.28% | -25.84% | 3. **指数仿制策略（南华综合指数模拟）**[53] * 回测区间：2025-03-06 至 2026-03-06 (共243个交易日) * 累计收益率：+61.79%[53] * 年化收益率：+64.70%[53] * 年化波动率：19.11%[53] * 夏普比率：3.281[53] * 最大回撤：-10.37%[53] * 前五大持仓：中国石油(11.59%)、中国神华(5.48%)、宝钢股份(4.47%)、中国石化(3.13%)、紫金矿业(2.71%)[53] 量化因子与构建方式 （注：本篇研报核心内容在于介绍AI工具（Skills）的安装使用和在金融场景下的应用案例，并展示了利用这些工具构建和回测量化策略的过程。报告本身并未独立提出或详细定义新的量化因子。所涉及的选股条件（如市值、市盈率）和形态识别（黄包车夫形态）是作为策略模型的组成部分进行应用的，并非报告重点阐述的独立因子构建方法。[48][52]）

公司招聘策略与人才需求 - 公司正在上海、深圳、北京三地同时招聘量化选股、量化固收和基金研究三个岗位的研究人员 [1][4][7] - 所有岗位的简历投递截止日期均为2026年4月30日 [1][4][7] - 公司要求所有岗位的应聘者工作年限在五年以内 [3][6][8] 岗位职责与业务方向 - 量化选股研究岗负责开发与跟踪因子选股、行业轮动、择时等金融工程策略模型 [1] - 量化固收研究岗负责国债、可转债等固收方向的量化策略开发与跟踪 [4] - 基金研究岗负责基金经理调研、基金优选及相关专题策略研究 [7] 任职要求与核心能力 - 量化选股与量化固收岗位要求硕士研究生及以上学历，专业背景为数学、统计、计算机、物理或金融工程等相关专业 [2][5] - 基金研究岗要求硕士研究生及以上学历，专业背景为金融工程等相关专业 [8] - 所有岗位均要求熟练掌握Python、Matlab等至少一种编程语言，并能熟练运用Oracle、SQL Server等数据库及数据库语言，具备良好的编程能力与规范 [2][5][8] 应聘流程与材料规范 - 应聘者需将简历投递至指定邮箱：chenyuanwen@gf.com.cn 及 anningning@gf.com.cn [9] - 简历必须以PDF格式发送，邮件标题需严格按“【金融工程组】-【姓名】-【毕业学校】-【专业】”格式命名，例如“【金融工程】-【张三】-【清华大学】-【基础数学】” [10] - 公司将在简历收集截止后，对合格候选人尽快安排笔试和面试 [10]

量化模型与构建方式 1. **模型名称：进取组合与平衡组合[7][10]** * **模型构建思路：** 基于多因子模型构建的股票组合，旨在获取相对于基准指数（中证500）的超额收益[10] * **模型具体构建过程：** 报告未详细说明具体的因子构成、权重分配及组合构建步骤 2. **模型名称：沪深300/中证500/中证1000指数增强组合[5][7][13][15]** * **模型构建思路：** 在各自基准指数（沪深300、中证500、中证1000）成分股范围内，通过量化模型优选股票，构建旨在跑赢基准的组合[5][13][15] * **模型具体构建过程：** 报告未详细说明具体的增强策略、因子构成及组合构建步骤 3. **模型名称：绩优基金的独门重仓股组合[5][7][26]** * **模型构建思路：** 选取绩优基金持有的独门重仓股构建组合，旨在获取超越股票型基金平均水平的收益[5][26] * **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”的定义及组合构建的具体步骤 4. **模型名称：盈利、增长、现金流三者兼优组合[7][28]** * **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组合[7][28] * **模型具体构建过程：** 报告未详细说明“盈利”、“增长”、“现金流”的具体衡量指标、筛选阈值以及组合构建的具体步骤 5. **模型名称：PB-盈利优选组合[5][7][30][33]** * **模型构建思路：** 结合低估值（PB）与高盈利指标，筛选有基本面支撑的低估值股票构建组合[7][30] * **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、结合方式以及组合构建的具体步骤 6. **模型名称：GARP组合[9][35]** * **模型构建思路：** 采用GARP（Growth at a Reasonable Price）策略，寻找价格合理且具有成长性的股票构建组合[9][35] * **模型具体构建过程：** 报告未详细说明衡量“合理价格”和“成长性”的具体指标、筛选标准以及组合构建的具体步骤 7. **模型名称：小盘价值优选组合1/2[9][36][39]** * **模型构建思路：** 在小盘股范围内，筛选具有价值属性的股票构建组合，以微盘股指数为基准[9][36][39] * **模型具体构建过程：** 报告未详细说明“小盘”的定义、“价值”属性的具体衡量指标以及两个组合的具体差异 8. **模型名称：小盘成长组合[5][7][41]** * **模型构建思路：** 在小盘股范围内，筛选具有成长属性的股票构建组合，以微盘股指数为基准[5][41] * **模型具体构建过程：** 报告未详细说明“小盘”和“成长”的具体衡量指标及组合构建步骤 模型的回测效果 1. **进取组合**，周收益率-2.81%[9][10]，周超额收益（vs 中证500）0.63%[9][10]，2026年以来累计收益率18.21%[9][11]，2026年以来累计超额收益（vs 中证500）6.23%[9][11]，跟踪误差23.38%[9]，最大相对回撤6.14%[9] 2. **平衡组合**，周收益率-2.76%[9][10]，周超额收益（vs 中证500）0.68%[9][10]，2026年以来累计收益率15.44%[9][11]，2026年以来累计超额收益（vs 中证500）3.45%[9][11]，跟踪误差19.68%[9]，最大相对回撤4.99%[9] 3. **沪深300增强组合**，周收益率-0.32%[9][13]，周超额收益（vs 沪深300）0.75%[5][9][13]，2026年以来累计收益率9.42%[9][15]，2026年以来累计超额收益（vs 沪深300）8.76%[5][9][15]，跟踪误差6.52%[9]，最大相对回撤2.09%[9] 4. **中证500增强组合**，周收益率-2.79%[9][13]，周超额收益（vs 中证500）0.65%[9][13]，2026年以来累计收益率10.99%[9][15]，2026年以来累计超额收益（vs 中证500）-0.99%[9][15]，跟踪误差8.38%[9]，最大相对回撤3.17%[9] 5. **中证1000增强组合**，周收益率-3.57%[9][15]，周超额收益（vs 中证1000）0.08%[9][15]，2026年以来累计收益率10.95%[9][15]，2026年以来累计超额收益（vs 中证1000）2.34%[9][15]，跟踪误差8.46%[9]，最大相对回撤2.23%[9] 6. **绩优基金的独门重仓股组合**，周收益率-6.14%[5][9][26]，周超额收益（vs 股票型基金总指数）-3.38%[5][9][26]，2026年以来累计收益率10.20%[5][9][26]，2026年以来累计超额收益（vs 股票型基金总指数）6.36%[5][9][26]，跟踪误差26.00%[9]，最大相对回撤5.18%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率-5.33%[9][28]，周超额收益（vs 沪深300）-4.26%[9][28]，2026年以来累计收益率-8.57%[9][28]，2026年以来累计超额收益（vs 沪深300）-9.23%[9][28]，跟踪误差15.85%[9]，最大相对回撤12.01%[9] 8. **PB-盈利优选组合**，周收益率-1.51%[5][9][30]，周超额收益（vs 沪深300）-0.44%[5][9][30]，2026年以来累计收益率6.23%[5][9][33]，2026年以来累计超额收益（vs 沪深300）5.57%[5][9][33]，跟踪误差12.73%[9]，最大相对回撤2.38%[9] 9. **GARP组合**，周收益率-1.14%[9][35]，周超额收益（vs 沪深300）-0.07%[9][35]，2026年以来累计收益率12.76%[9][35]，2026年以来累计超额收益（vs 沪深300）12.10%[9][35]，跟踪误差11.54%[9]，最大相对回撤1.53%[9] 10. **小盘价值优选组合1**，周收益率-2.24%[9][36]，周超额收益（vs 微盘股指数）-0.39%[9][36]，2026年以来累计收益率9.86%[9][36]，2026年以来累计超额收益（vs 微盘股指数）-5.98%[9][36]，跟踪误差10.62%[9]，最大相对回撤8.23%[9] 11. **小盘价值优选组合2**，周收益率-2.23%[9][39]，周超额收益（vs 微盘股指数）-0.38%[9][39]，2026年以来累计收益率15.97%[9][39]，2026年以来累计超额收益（vs 微盘股指数）0.13%[9][39]，跟踪误差12.02%[9]，最大相对回撤5.62%[9] 12. **小盘成长组合**，周收益率-2.42%[5][9][41]，周超额收益（vs 微盘股指数）-0.57%[5][9][41]，2026年以来累计收益率11.31%[5][9][41]，2026年以来累计超额收益（vs 微盘股指数）-4.53%[5][9][41]，跟踪误差10.50%[9]，最大相对回撤6.37%[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：** 报告未详细说明具体计算方式（如总市值、流通市值等） * **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[5][44] 2. **因子名称：PB因子[44]** * **因子构建思路：** 衡量公司估值水平的风格因子[44] * **因子具体构建过程：** 报告未详细说明具体计算方式（如市净率） * **因子评价：** 上周全市场范围内，低估值（低PB）股票表现优于高估值股票[5][44] 3. **因子名称：PE_TTM因子[44]** * **因子构建思路：** 衡量公司估值水平的风格因子[44] * **因子具体构建过程：** 报告未详细说明具体计算方式（如滚动市盈率） * **因子评价：** 上周全市场范围内，低估值（低PE_TTM）股票表现优于高估值股票[44] 4. **因子名称：反转因子[50][52]** * **因子构建思路：** 技术类因子，认为过去一段时间表现差的股票未来可能反弹，表现好的股票可能回调[50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期的收益率） 5. **因子名称：换手率因子[5][50][52]** * **因子构建思路：** 技术类因子，衡量股票的交易活跃度[5][50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期的平均换手率） * **因子评价：** 上周全市场范围内，低换手率股票表现突出，贡献正收益[5][50] 6. **因子名称：波动率因子[5][50][52]** * **因子构建思路：** 技术类因子，衡量股票价格的波动程度[5][50][52] * **因子具体构建过程：** 报告未详细说明具体计算方式（如过去N期收益率的标准差） * **因子评价：** 上周全市场范围内，低波动率股票表现突出，贡献正收益[5][50] 7. **因子名称：ROE因子[54]** * **因子构建思路：** 基本面因子，衡量公司的盈利能力[54] * **因子具体构建过程：** 报告未详细说明具体计算方式（如净资产收益率） * **因子评价：** 上周全市场范围内，高盈利（高ROE）股票超额收益为正[5][54] 8. **因子名称：SUE因子[54]** * **因子构建思路：** 基本面因子，衡量公司的盈利增长（SUE通常指标准化未预期盈余）[54] * **因子具体构建过程：** 报告未详细说明具体计算方式 * **因子评价：** 上周全市场范围内，高增长（高SUE）股票超额收益为正[5][54] 9. **因子名称：预期净利润调整因子[54]** * **因子构建思路：** 基本面因子，反映分析师对公司未来盈利预期的调整[54] * **因子具体构建过程：** 报告未详细说明具体计算方式（如分析师一致预期净利润的调整幅度） * **因子评价：** 上周全市场范围内，高预期净利润调整股票超额收益为正[5][54] 因子的回测效果 （测试方法：按因子值排序，取最高与最低的10%股票构建等权组合，计算多空收益[43]） 1. **市值因子**，上周全市场多空收益-0.34%[44]，2026年3月以来全市场多空收益-0.34%[44]，2026年以来全市场多空收益6.14%[45] 2. **PB因子**，上周全市场多空收益2.52%[44]，2026年3月以来全市场多空收益2.52%[44]，2026年以来全市场多空收益0.60%[45] 3. **PE_TTM因子**，上周全市场多空收益1.30%[44]，2026年3月以来全市场多空收益1.30%[44]，2026年以来全市场多空收益0.66%[45] 4. **反转因子**，上周全市场多空收益-2.79%[50][52]，2026年3月以来全市场多空收益-2.79%[52]，2026年以来全市场多空收益-8.81%[52] 5. **换手率因子**，上周全市场多空收益0.94%[50][52]，2026年3月以来全市场多空收益0.94%[52]，2026年以来全市场多空收益0.70%[52] 6. **波动率因子**，上周全市场多空收益0.79%[50][52]，2026年3月以来全市场多空收益0.79%[52]，2026年以来全市场多空收益-1.61%[52] 7. **ROE因子**，上周全市场多空收益0.63%[54]，2026年3月以来全市场多空收益0.63%[54]，2026年以来全市场多空收益2.96%[55] 8. **SUE因子**，上周全市场多空收益0.14%[54]，2026年3月以来全市场多空收益0.14%[54]，2026年以来全市场多空收益2.53%[55] 9. **预期净利润调整因子**，上周全市场多空收益1.05%[54]，2026年3月以来全市场多空收益1.05%[54]，2026年以来全市场多空收益1.07%[55]

量化模型与构建方式 1. **模型名称**： 股债风险平价策略模型 * **模型构建思路**： 该模型旨在通过风险平价（Risk Parity）方法构建一个投资组合，其核心思想是让组合中不同资产（如股票和债券）对整体组合风险的贡献度相等，而非简单地按市值或资金等权重分配[82]。 * **模型具体构建过程**： 1. **数据获取**： 模型需要获取股票和债券的历史价格数据作为输入[82]。 2. **风险度量**： 计算各资产的历史波动率（通常用标准差表示）作为其风险度量。 3. **风险权重计算**： 根据风险平价原理，计算使各资产风险贡献相等的权重。对于包含N个资产的组合，目标是最小化各资产风险贡献的方差。一种简化的计算方法是，资产i的权重 $$w_i$$ 与其波动率 $$σ_i$$ 成反比，即 $$w_i ∝ 1/σ_i$$，然后进行归一化处理使得所有权重之和为1。 4. **组合构建**： 按照计算出的风险平价权重配置资产。 5. **回测执行**： 在历史数据上模拟该策略的运作，计算其收益、风险等指标[82]。 * **模型评价**： 该模型是经典的资产配置模型，旨在通过风险均衡来构建更加稳健的投资组合，降低对单一资产类别风险的暴露[82]。 模型的回测效果 *（报告中未提供该风险平价策略模型的具体回测数值结果，如年化收益率、夏普比率、最大回撤等指标。）* 量化因子与构建方式 *（报告中未涉及传统意义上的量化因子（如价值、动量、质量等因子）的构建与测试。）* 因子的回测效果 *（报告中未涉及量化因子的具体测试结果，如IC值、IR、多空收益等指标。）*

量化模型与因子总结 根据所提供的研报内容，该报告主要介绍了一个名为“OpenClaw”的AI智能体框架在投研领域的部署与应用，其核心是构建一个能够自动化处理投研任务的智能体系统，而非传统意义上的量化交易模型或选股因子。报告中没有涉及具体的量化交易策略模型（如多因子选股模型、CTA策略等）或用于量化选股的因子（如价值、动量、质量等因子）的构建、测试与回测结果。 报告的核心内容可以总结为以下两个部分： 一、 智能体框架与技能 (Skills) **1. 框架名称：OpenClaw AI 智能体框架** * **构建思路**：构建一个集成了大语言模型（LLM）理解能力、金融数据接口和自动化工具链的开源AI智能体框架，实现“认知、执行、记忆”的闭环，旨在将投研人员从重复性流程工作中解放出来，提升效率并增强复杂决策能力[1]。 * **具体构建过程**：该框架的部署是一个软件安装与配置过程，而非数学模型构建。主要步骤包括： 1. **运行环境准备**：在目标操作系统（Windows或MacOS）上安装Node.js（版本需>22）、Git等必要软件[11][12][13]。 2. **安装OpenClaw**：通过包管理器npm执行全局安装命令 `npm install -g openclaw@latest`[26]。 3. **启动与配置**：执行 `openclaw onboard` 命令启动配置向导，依次选择或输入以下配置[27]： * 同意用户协议和风险提示[28]。 * 选择快速启动（QuickStart）模式[28]。 * 选择大模型提供商（如Moonshot AI）并输入对应的API Key[28][31][32]。 * 选择默认使用的大模型[33]。 * 暂时跳过对话通道和Hooks的配置[37][38]。 * 选择需要安装的Skill（技能）[39]。 * 保存生成的Web UI访问链接（Gateway链接）[40][41]。 4. **配置通讯工具**：报告以飞书为例，详细说明了如何创建企业自建应用、获取凭证、配置权限、启用飞书插件并将其添加为OpenClaw的对话通道[45][46][47][48]。 * **框架评价**：OpenClaw标志着投研工作范式从“人力驱动型”向“智能体驱动型”的跃迁，能够作为“数字投研团队”7×24小时自主运行，重构信息处理、研究生产与决策支持的价值链条[1]。它降低了AI应用的门槛，无需深厚编程基础即可通过自然语言配置任务[3]。 **2. 技能 (Skill) 名称：研报分析器 (Research Report Analyzer)** * **构建思路**：创建一个能够自动分析中英文研究报告，并提取关键信息生成结构化总结的智能体技能[48]。 * **具体构建过程**：该技能通过自然语言描述其功能、触发条件和执行流程来定义[48]： 1. **触发条件**：当用户上传文件名包含“研报”、“report”、“research”的PDF/DOCX文件，或用户指令包含“分析研报”、“总结报告”时激活。 2. **执行流程**： a. 使用 `pdf_parser` 工具提取文档全文。 b. 使用大语言模型 (`llm`) 分析内容结构，识别投资评级、目标价、核心逻辑、财务预测、风险提示等，并区分中英文研报风格。 c. 使用 `table_generator` 工具整理数据对比表。 d. 使用 `doc_generator` 工具输出总结报告（Markdown/PDF格式）。 3. **输出内容**：包括研报标题、作者、日期、投资评级与目标价、核心观点摘要（3-5条）、财务预测对比表、风险提示、与上一期报告的观点差异等[48][51]。 4. **工具依赖**：该技能需要调用 `pdf_parser`, `table_generator`, `doc_generator`, `web_search` 等其他工具或技能[51]。 二、 投研应用场景与工作流 报告展示了OpenClaw框架在三个典型投研场景下的自动化应用方案，这些方案本质上是预定义或可配置的智能体工作流。 **1. 应用场景名称：公告摘报自动化工作流** * **构建思路**：将公告信息的抓取、分类、关键信息抽取与格式化输出整合为标准自动化流程，以替代传统人工处理方式[52]。 * **具体构建过程**： 1. **数据获取**：自动调用Wind等金融数据API或通过浏览器自动化抓取交易所公告[53]。 2. **分类与处理**：利用AI（NLP）自动对公告进行分类（如业绩快报、业绩预告、风险提示等），并提取摘要、关键数据和影响评估[53]。 3. **格式化输出**：自动生成结构化的Markdown、Excel或PDF文档[53]。 4. **推送**：通过定时任务将结果推送至飞书、钉钉、企业微信等协作平台[53]。 * **应用评价**：相比人工，该工作流在时效性（7×24小时监控、秒级响应）、覆盖面（全市场监控）和输出标准化方面具有显著优势[53]。 **2. 应用场景名称：大事简报自动化工作流** * **构建思路**：实现对多信源（如彭博、路透、财新、交易所公告、社交媒体）金融事件的实时监控、影响评估与关键信息推送，以解决传统人工监控存在的信息时差问题[56]。 * **具体构建过程**： 1. **跨信源监控**：7×24小时实时监控多个信息源[57]。 2. **事件评估**：AI自动评估监控到的事件的影响等级[57]。 3. **信息推送**：将筛选出的关键信息进行秒级推送[57]。 * **应用评价**：针对金融市场对重大事件反应迅速的特点，该工作流能有效解决信源割裂、信息过载和反应滞后等传统痛点[56]。 **3. 应用场景名称：研报精读自动化工作流** * **构建思路**：利用大语言模型对大量券商研报进行批量处理，实现结构化提取核心观点、论据，并生成知识图谱，以应对研报数量过载、质量参差和知识分散的挑战[61][62]。 * **具体构建过程**： 1. **批量处理**：自动批量读取研报PDF文件[62]。 2. **分析与解构**：对研报内容进行质量评分和结构化解构，提取逻辑链条[62]。 3. **知识整合**：生成观点图谱，并可能进行关联推荐[62]。 * **应用评价**：此工作流特别适用于知识密度高、深度文本分析任务重的研报精读环节，能显著提升研究效率和信息提取的深度[61]。 三、 模型/因子的回测效果 **本报告未提供任何量化模型或量化因子的历史回测数据，如年化收益率、夏普比率、最大回撤、信息比率（IR）、因子IC值、多空收益等指标。** 报告内容聚焦于AI智能体框架的部署方法及其在投研信息处理流程自动化中的应用潜力，属于金融科技与工作流效率工具范畴，而非展示具体的量化投资策略或选股因子的实证绩效。

报告行业投资评级 * 报告未明确给出具体的行业投资评级 [1][2][3][5][7][8][9] 报告的核心观点 * 上周（20260224-20260227）高频选股因子整体表现优异，但多粒度因子的多头超额收益出现回撤 [1][2] * 基于人工智能（AI）的指数增强组合在上周普遍出现超额收益回撤 [2][5] 高频因子表现汇总 * 日内高频偏度因子上周、2月、2026年至今（YTD）的多空收益分别为0.49%、0.31%、4.31% [5][11] * 日内下行波动占比因子上周、2月、2026年YTD的多空收益分别为0.23%、1.06%、5.81% [5][11] * 开盘后大单净买入占比因子上周、2月、2026年YTD的多空收益分别为0.73%、2.26%、4.81% [5][11] * 开盘后大单净买入强度因子上周、2月、2026年YTD的多空收益分别为0.46%、1.84%、3.70% [5][11] * 尾盘成交占比因子上周、2月、2026年YTD的多空收益分别为0.28%、0.45%、4.75% [5][11] * 平均单笔流出金额占比因子上周、2月、2026年YTD的多空收益分别为-0.56%、-1.33%、-2.89% [5][13] * 大单推动涨幅因子上周、2月、2026年YTD的多空收益分别为-0.57%、-0.76%、0.63% [5][13] 深度学习与多粒度因子表现 * 改进GRU(50,2)+NN(10)因子上周、2月、2026年YTD的多空收益分别为1.27%、3.12%、5.26% [13] * 残差注意力LSTM(48,2)+NN(10)因子上周、2月、2026年YTD的多空收益分别为1.16%、3.84%、4.33% [13] * 多颗粒度模型（5日标签）因子上周、2月、2026年YTD的多空收益分别为0.22%、2.13%、7.62%，但多头超额收益在上周为-0.04% [5][13] * 多颗粒度模型（10日标签）因子上周、2月、2026年YTD的多空收益分别为-0.37%、1.76%、5.83%，多头超额收益在上周为-0.34% [5][13] AI增强组合表现 * 周度调仓的AI空气指增组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.13%/2.25%、1.34%/5.23%、3.74%/15.79% [5][14] * 日度调仓的AI空气指增组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-0.57%/2.81%、2.22%/6.11%、4.93%/16.98% [5][14] * 周度调仓的中证500 AI增强宽约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-2.69%/1.63%、-1.14%/2.30%、-3.99%/11.99% [5][14] * 周度调仓的中证500 AI增强严约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.54%/2.78%、0.29%/3.73%、-1.43%/14.55% [5][14] * 周度调仓的中证1000 AI增强宽约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-2.70%/1.64%、-1.03%/2.68%、0.24%/12.96% [5][14] * 周度调仓的中证1000 AI增强严约束组合上周、2月、2026年YTD的超额收益/绝对收益率分别为-1.03%/3.31%、0.06%/3.76%、0.86%/13.57% [5][14]

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，即偏度[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]。 2. **因子名称：日内下行波动占比因子** **因子构建思路：** 分解已实现波动，衡量下行波动在总波动中的占比[17]。 **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》[17]。 3. **因子名称：开盘后买入意愿占比因子** **因子构建思路：** 基于高频委托单数据，衡量开盘后一段时间内买方意愿的强度[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]。 4. **因子名称：开盘后买入意愿强度因子** **因子构建思路：** 基于高频委托单数据，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：** 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》[28]。 5. **因子名称：开盘后大单净买入占比因子** **因子构建思路：** 基于高频成交数据，衡量开盘后大单净买入的占比情况[33]。 6. **因子名称：开盘后大单净买入强度因子** **因子构建思路：** 基于高频成交数据，衡量开盘后大单净买入的强度[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，以提升选股效果[41]。 8. **因子名称：尾盘成交占比因子** **因子构建思路：** 衡量尾盘时段成交额在当日总成交额中的占比[47]。 9. **因子名称：平均单笔流出金额占比因子** **因子构建思路：** 衡量平均单笔流出金额在总流出金额中的占比[51]。 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[56]。 11. **因子名称：改进 GRU(50,2)+NN(10)** **因子构建思路：** 使用改进的GRU（门控循环单元）神经网络与全连接神经网络（NN）相结合，从高频数据中提取选股信号[61]。 12. **因子名称：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（长短期记忆）神经网络与全连接神经网络（NN）相结合，从高频数据中提取选股信号[64]。 13. **因子名称：多颗粒度模型-5日标签** **因子构建思路：** 基于双向A-GRU（注意力门控循环单元）深度学习模型训练得到的因子，使用5日收益作为训练标签[67]。 **因子具体构建过程：** 因子基于双向A-GRU训练得到[67]。 14. **因子名称：多颗粒度模型-10日标签** **因子构建思路：** 基于双向A-GRU（注意力门控循环单元）深度学习模型训练得到的因子，使用10日收益作为训练标签[70]。 **因子具体构建过程：** 因子基于双向A-GRU训练得到[70]。 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：** 基于深度学习因子构建指数增强组合，通过优化模型在控制跟踪误差和各项约束的前提下最大化预期超额收益[73]。 **模型具体构建过程：** * **核心信号：** 使用深度学习因子（多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5）作为股票的预期超额收益（μi）来源[73]。 * **优化目标：** 最大化预期收益。目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[76]。 * **约束条件：** 根据不同组合类型（空气指增、中证500/1000宽/严约束）施加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）暴露约束、成分股权重约束以及换手率约束[74][76]。 * **回测设置：** 假定以次日均价成交，并扣除双边3‰的交易成本[77]。 因子的回测效果 （数据来源：表2，周度高频、深度选股因子IC，RankMAE，多空收益，多头超额收益及月度胜率[11][13]） | 因子名称 | 历史IC | 2026年IC | 历史e^(-rank mae) | 2026年e^(-rank mae) | 上周多空收益 | 2月多空收益 | 2026YTD多空收益 | 2026年周胜率 | 上周多头超额 | 2月多头超额 | 2026YTD多头超额 | 2026年周胜率（多头） | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.030 | 0.324 | 0.327 | 0.49% | 0.31% | 4.31% | 6/7 | 0.18% | -0.15% | 1.89% | 5/7 | | 日内下行波动占比 | 0.016 | 0.036 | 0.323 | 0.327 | 0.23% | 1.06% | 5.81% | 6/7 | 0.08% | 0.50% | 2.94% | 5/7 | | 开盘后买入意愿占比 | 0.025 | 0.020 | 0.321 | 0.321 | 0.01% | -0.90% | 2.97% | 5/7 | -0.57% | -1.05% | 0.36% | 4/7 | | 开盘后买入意愿强度 | 0.030 | 0.024 | 0.326 | 0.327 | -0.41% | -1.93% | 2.42% | 4/7 | -0.65% | -1.48% | 0.80% | 4/7 | | 开盘后大单净买入占比 | 0.035 | 0.034 | 0.322 | 0.320 | 0.73% | 2.26% | 4.81% | 6/7 | -0.24% | 0.48% | 1.48% | 4/7 | | 开盘后大单净买入强度 | 0.024 | 0.029 | 0.320 | 0.319 | 0.46% | 1.84% | 3.70% | 5/7 | 0.04% | 0.70% | 0.87% | 5/7 | | 改进反转 | 0.030 | 0.013 | 0.330 | 0.329 | -1.12% | -0.68% | 2.06% | 4/7 | -0.08% | 0.61% | 2.95% | 5/7 | | 尾盘成交占比 | 0.026 | 0.024 | 0.322 | 0.319 | 0.28% | 0.45% | 4.75% | 5/7 | -0.41% | -0.51% | 1.77% | 4/7 | | 平均单笔流出金额占比 | 0.007 | -0.022 | 0.317 | 0.312 | -0.56% | -1.33% | -2.89% | 2/7 | 0.16% | -0.53% | -1.03% | 3/7 | | 大单推动涨幅 | 0.018 | 0.000 | 0.325 | 0.325 | -0.57% | -0.76% | 0.63% | 4/7 | 0.45% | 0.56% | 1.43% | 5/7 | | 改进 GRU(50,2)+NN(10) | 0.065 | 0.030 | 0.336 | 0.326 | 1.27% | 3.12% | 5.26% | 6/7 | 0.24% | 0.06% | 0.37% | 5/7 | | 残差注意力 LSTM(48,2)+NN(10) | 0.062 | 0.027 | 0.334 | 0.322 | 1.16% | 3.84% | 4.33% | 5/7 | 0.33% | 1.11% | 1.21% | 4/7 | | 多颗粒度模型-5日标签 | 0.079 | 0.048 | 0.343 | 0.336 | 0.22% | 2.13% | 7.62% | 7/7 | -0.04% | 0.46% | 3.74% | 6/7 | | 多颗粒度模型-10日标签 | 0.073 | 0.046 | 0.342 | 0.339 | -0.37% | 1.76% | 5.83% | 5/7 | -0.34% | 0.50% | 3.24% | 5/7 | 模型的回测效果 （数据来源：表3，周度调仓的AI增强组合超额收益及周度胜率[14]） | 模型/组合名称 | 上周超额收益 | 上周绝对收益 | 2月超额收益 | 2月绝对收益 | 2026YTD超额收益 | 2026YTD绝对收益 | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **AI空气指增** | | | | | | | | | 周度组合 | -1.13% | 2.25% | 1.34% | 5.23% | 3.74% | 15.79% | 3/7 | | 日度组合 | -0.57% | 2.81% | 2.22% | 6.11% | 4.93% | 16.98% | 3/7 | | **中证500 AI增强宽约束** | | | | | | | | | 周度组合 | -2.69% | 1.63% | -1.14% | 2.30% | -3.99% | 11.99% | 2/7 | | 日度组合 | -2.74% | 1.59% | -1.61% | 1.83% | -5.24% | 10.74% | 2/7 | | **中证500 AI增强严约束** | | | | | | | | | 周度组合 | -1.54% | 2.78% | 0.29% | 3.73% | -1.43% | 14.55% | 3/7 | | 日度组合 | -0.68% | 3.64% | 0.13% | 3.57% | -1.11% | 14.87% | 3/7 | | **中证1000 AI增强宽约束** | | | | | | | | | 周度组合 | -2.70% | 1.64% | -1.03% | 2.68% | 0.24% | 12.96% | 3/7 | | 日度组合 | -2.10% | 2.24% | -0.82% | 2.88% | -0.12% | 12.59% | 3/7 | | **中证1000 AI增强严约束** | | | | | | | | | 周度组合 | -1.03% | 3.31% | 0.06% | 3.76% | 0.86% | 13.57% | 4/7 | | 日度组合 | -1.14% | 3.20% | -0.62% | 3.09% | 1.74% | 14.45% | 4/7 |