核心观点 - 报告展示了多种基于人工智能（AI）和深度学习模型的量化投资策略，包括文本选股、量价因子选股、行业轮动和主题/概念指数轮动，这些策略在历史回测中均取得了显著的超额收益 [1][2][3][4] - 核心策略均围绕“全频段量价融合因子”展开，该因子通过深度学习模型融合高频与低频市场数据构建，展现出稳定的选股能力 [6][36] - 近期（截至2025年12月26日）部分策略超额收益出现收窄或回撤，但长期历史表现优异 [1][2][7] 文本选股策略 (LLM-FADT) - 策略在前期BERT-FADT模型基础上，引入大语言模型（LLM）对分析师研报进行“博观”解读，补充了标题新解、行情催化剂、“言外之意”、潜在风险和收益指引五类额外文本信息，以丰富模型输入 [12][15] - 截至2025年12月26日，LLM-FADT组合本月相对中证500超额收益为-1.5%，今年以来超额收益为2.9%，本周出现回撤 [1][18] - 自2017年初回测以来，该策略年化收益率为29.05%，相对中证500的年化超额收益为26.56%，夏普比率为1.13，信息比率为2.08 [1][18][20] - 与仅使用原始文本的BERT-FADT策略相比，LLM-FADT策略表现更为稳定，超额回撤相对较小，且自2024年10月以来其超额收益持续跑赢BERT-FADT [1][21] 全频段量价融合因子表现 - 该因子通过深度学习模型训练27个高频因子得到高频深度学习因子，并利用多任务学习对低频量价数据进行端到端挖掘得到低频多任务因子，最终合成 [6] - 截至2025年12月26日，因子TOP层（即排名靠前的股票组合）今年以来相对全A等权基准的超额收益为19.98% [2][6] - 自2017年初回测以来，因子TOP层年化超额收益率为29.57%，5日RankIC均值为0.115 [2][6][7] AI中证1000指数增强组合 - 该组合基于全频段量价融合因子构建，采用严格的组合约束，包括成分股权重不低于80%、个股权重偏离上限0.8%、控制行业暴露等，并假设周双边换手率30%及双边千分之四的交易费用 [7][9] - 截至2025年12月26日，该组合本周超额收益为-0.40%，但今年以来超额收益高达24.24% [2][7] - 自2017年初回测以来，组合相对中证1000指数的年化超额收益率为21.89%，年化跟踪误差为6.05%，信息比率高达3.62，超额收益最大回撤为7.55%，Calmar比率为2.90 [2][7][10] - 回测期内，组合年化收益率为20.37%，而同期中证1000指数年化收益率为-1.53% [10] AI行业轮动模型 - 模型使用全频段量价融合因子对32个一级行业进行打分，每周选取得分最高的5个行业进行等权配置，执行周频调仓 [3][40] - 自2017年初回测以来，模型年化收益率为26.49%，相对行业等权基准的年化超额收益率为19.53%，超额收益最大回撤为12.43%，超额夏普比率为1.90 [3][38] - 截至2025年12月26日，模型今年以来收益率为29.13%，超额收益率为0.48% [38] - 模型预测未来一周（截至2025年12月26日）推荐持有的五个行业是：非银行金融、石油石化、饮料、钢铁、电力及公用事业 [3][41] - 同期行业得分前十名还包括交通运输、食品、建筑、家电和贵金属 [42] AI主题指数轮动模型 - 模型从133个主题指数池中，使用全频段量价融合因子对指数进行打分，每周选取得分最高的10个主题指数等权配置，执行周频调仓，交易成本为双边万分之四 [4][29] - 自2018年初回测以来，模型年化收益率为16.58%，相对等权基准的年化超额收益率为9.98%，超额收益最大回撤为20.79% [4][28] - 截至2025年12月26日，模型今年以来收益率为26.56% [28] - 模型预测未来一周推荐持有的主题指数包括：石化产业、300非银、深证红利、中证基建等 [4][28] - 同期模型得分前15的指数还涵盖中证旅游、新材料、建筑材料、央企创新、上证金融等 [30] AI概念指数轮动模型 - 模型从72个Wind热门概念指数池中，使用全频段量价融合因子进行打分，每周选取得分最高的10个概念指数等权配置，执行周频调仓，交易成本为双边万分之四 [33][35] - 自2018年初回测以来，模型年化收益率为22.29%，相对等权基准的年化超额收益率为9.84%，超额收益最大回撤为19.19%，超额夏普比率为0.84 [33] - 模型预测未来一周推荐持有的概念指数包括：保险精选、证券精选、万得微盘股、钢铁等 [33] - 同期模型得分前20的指数还包括银行精选、电力、农业、仿制药、万得低价股等 [34]

量化模型与构建方式 1. **模型名称：AI行业轮动模型** - 模型构建思路：使用全频段量价融合因子对32个一级行业打分，构建周频调仓策略，每周选取5个行业等权配置[1][16][23] - 模型具体构建过程： 1. 行业池：32个一级行业（拆分食品饮料、有色金属等）[23] 2. 因子：全频段量价融合因子，通过行业成分股因子得分加权计算行业得分[16][23] 3. 策略规则：每周最后一个交易日选择得分最高的5个行业，以下周首个交易日收盘价买入，周频调仓[23] 2. **模型名称：AI主题指数轮动模型** - 模型构建思路：基于全频段量价融合因子对133个主题指数打分，每周选取10个指数等权配置[2][9][15] - 模型具体构建过程： 1. 指数池：Wind主题ETF跟踪的133个指数[9] 2. 因子：全频段量价融合因子，通过成分股因子得分加权计算指数得分[9][15] 3. 策略规则：每周最后一个交易日选择得分最高的10个指数，以下周首个交易日开盘价买入，交易成本双边万分之四[9] 3. **模型名称：AI概念指数轮动模型** - 模型构建思路：对72个Wind热门概念指数应用全频段量价融合因子，每周选取10个指数等权配置[11][13][15] - 模型具体构建过程： 1. 指数池：72个Wind概念指数[15] 2. 因子：全频段量价融合因子，通过成分股因子得分加权计算指数得分[15] 3. 策略规则：每周最后一个交易日选择得分最高的10个指数，交易成本双边万分之四[15] 4. **模型名称：AI中证1000增强组合** - 模型构建思路：基于全频段融合因子构建中证1000指数增强策略[28][29] - 模型具体构建过程： 1. 因子：全频段融合因子[28] 2. 组合规则：成分股权重≥80%，个股权重偏离上限0.8%，Barra暴露<0.3，周双边换手率控制30%，交易成本双边千分之四[29] 5. **模型名称：文本FADT_BERT选股组合** - 模型构建思路：基于盈利预测调整文本因子（forecast_adjust_txt_bert）构建多头选股组合[32][36] - 模型具体构建过程： 1. 因子：forecast_adjust_txt_bert因子[32] 2. 策略规则：选取因子排名前25的股票构建组合[32] --- 量化因子与构建方式 1. **因子名称：全频段量价融合因子** - 因子构建思路：结合高频深度学习因子与低频多任务因子合成[26][28] - 因子具体构建过程： 1. 高频部分：深度学习模型提取27个高频量价特征[26] 2. 低频部分：多任务学习挖掘低频量价数据[26] 3. 合成方法：高频与低频因子加权融合[26] 2. **因子名称：forecast_adjust_txt_bert** - 因子构建思路：基于BERT模型升级盈利预测调整文本因子[32] - 因子评价：在历史回测中展现较强选股能力[32] --- 模型的回测效果 1. **AI行业轮动模型** - 年化收益率：24.95%[1][22] - 年化超额收益率（vs等权基准）：20.80%[1][22] - 超额收益最大回撤：12.43%[22] - 超额夏普比率：2.00[22] - 今年以来收益率：4.88%[22] 2. **AI主题指数轮动模型** - 年化收益率：16.03%[2][8] - 年化超额收益率：13.10%[2][8] - 超额收益最大回撤：16.55%[8] - 今年以来超额收益率：10.43%[2][8] 3. **AI概念指数轮动模型** - 年化收益率：22.42%[13] - 年化超额收益率：12.68%[13] - 超额收益最大回撤：17.96%[13] 4. **全频段融合因子分层测试** - TOP层年化超额收益率（vs全A等权）：31.47%[26][28] - 5日RankIC均值：0.116[28] - 今年以来TOP层超额收益：15.04%[26][28] 5. **AI中证1000增强组合** - 年化超额收益率（vs中证1000）：22.17%[28][30] - 年化跟踪误差：6.07%[28] - IR：3.65[28] - 超额收益最大回撤：7.55%[28] 6. **文本FADT_BERT组合** - 成立以来年化收益率：39.29%[32][38] - 年化超额收益率（vs中证500）：31.74%[32][38] - 夏普比率：1.36[32] - 最大回撤：48.69%[38]