本报告基于对逐笔成交数据买卖单号的还原，针对大单界定偏度明显的问题，提出对数调整及多日滚动窗口筛选大单的新方法，构建了大单净买入占比与强度因子。回测显示，两类因子剔除常规低频因子影响后，依然具有显著且稳健的月度选股能力，月均IC达0.03~0.05，年化ICIR超过3.5，月度胜率超80%，部分超90%。在沪深300及中证500不同选股空间均表现优异，且对大单筛选阈值参数敏感性较低，阈值设在“均值+0~1倍标准差”区间效果较好。引入绝对金额阈值在标准差阈值较低时能改善因子表现。将大单因子纳入多因子模型能有效提升沪深300增强组合收益表现。市场流动性、系统性风险及政策变化或影响策略表现 [page::0][page::4][page::6][page::8][page::9][page::10][page::12][page::13]
本报告针对最新披露 ROE 因子滞后于当期真实 ROE 的选股效果不足问题，提出结合一致预期 ROE 及 ROE 历史波动率倒数加权两步法提升预测当期真实 ROE 精度。实证结果显示，新构建的 ROE 因子在因子 IC 和月均溢价上均较传统最新披露 ROE 有约50%的提升，更接近理论最优的当期真实 ROE，显著增强选股能力。同时，不同行业ROE波动特征差异明显，未来有进一步细化行业模型空间 [page::0][page::4][page::7][page::10][page::13]
本报告基于个股风格特征（市值、估值、盈利、关注度）利用K-means算法进行股票重新分类，结果显示风格分类与传统行业分类相似度低但稳定性良好。类别中性化处理提升了多类因子的选股稳定性和信息比，且风格分类中性化在风险控制上较行业中性化提升超额收益和收益的稳定性。A股市场存在显著的风格分类动量溢出效应，该效应与行业动量溢出效应相对独立，二者同时具有选股价值 [page::0][page::4][page::6][page::9][page::11][page::13]
本报告基于沪深交易所逐笔委托Level2数据，系统介绍了限价订单簿（LOB）的还原方法及其在模拟撮合、TWAP算法交易策略改进及高频价量因子挖掘中的应用。报告通过构建基于LOB指标的买卖成交概率预测模型，有效提升TWAP策略限价单成交率并降低强制成交比例，提升交易成本效率；同时借助LOB数据分解买入意愿因子，验证了其选股效果，揭示了更多市场微观结构信息。最终强调非线性模型（如深度学习）在高频交易信号生成中的潜力[page::0][page::4][page::6][page::12][page::15][page::19]
本文基于上交所逐笔委托数据，构建了以"RNN+NN"为核心框架的深度学习高频因子，使用30分钟级别的164条高频指标序列挖掘周度高频因子。回测发现该因子周均IC约0.08，周度胜率超过80%，选股效果显著且与传统低频因子相关性低。引入该因子对中证500指数增强组合年化超额收益提升至32%，较基础模型提升6%。此外，GRU模型在参数更少且训练更快的条件下，表现与LSTM相当，且在沪深300内单独训练的因子表现更优。本文提出的深度学习高频因子为传统多因子组合带来稳定超额收益，具备较强应用价值与进一步研究潜力[page::0][page::4][page::6][page::8][page::12][page::13]
本文系统介绍了构造 A股价值组合的三种范式：深度价值组合、低估值组合以及有基本面支撑的低估值组合。研究表明，深度价值组合虽安全边际高但个股稀缺，收益实现需较长持有期且稳定性有限；低估值组合在控制市值、换手率、风格后展现明显价值风格，年化超额收益达4%-5%，且低估值因子在个股选择中的收益及稳定性优于行业选择；而加入基本面支撑的低估值组合（PB-盈利组合和估值-增长组合）不仅防御性更强，还提升进攻性，年化超额分别达到23.0%和25.2%。两种基本面组合重合度低，结合应用有望获得更优风险收益特征。报告详实展示了因子构建、优化筛选方法及多维度回测结果，具有较强的实操指导价值与风险提示 [page::0][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13][page::14]
报告提出两种股票久期模型：基于现金流折现的隐含久期和统计学角度的债券相似度。隐含久期与估值、盈利、增长密切相关，具有较强的风险敏感性和预测未来波动率能力；债券相似度相关性较弱但稳定。实证发现，久期与股票收益负相关，短久期股票表现优异，隐含久期因子多空收益年化9.8%，债券相似度因子多空收益年化4.5%。此外，久期因子表现受利率变动影响，利率上行时表现更佳。将久期因子纳入指数增强策略，有助降低风险并提升风险调整收益。[page::0][page::4][page::6][page::8][page::11][page::13][page::14][page::16]
本报告聚焦无形资产调整后的PB因子（PB_INT），通过资本化内部研发与销售管理支出构建无形资产估值，解决传统PB因子对高研发和品牌投入公司的估值偏差问题。实证显示PB_INT因子表现稳定，信息比高，且在价值风格回撤期回撤较小，具备显著选股alpha。此外，基于PB_INT因子的多种组合（无形资产高投入、低估值、价值组合及指数增强组合）均展现优异的风险调整后表现，为价值投资提供更加合理的估值锚点和选股策略 [page::0][page::4][page::5][page::6][page::7][page::8][page::10][page::11][page::12][page::13][page::14][page::15]。
本文提出盈利加速因子，以标准化EPS同比变动衡量盈利增速变化，显著正相关股票收益，具备独立选股价值（以EAV因子为主）。基于盈利加速因子构建的复合高增长组合长期年化收益达34.2%，显著跑赢全市场。引入小市值因子和估值筛选进一步提升组合表现，且组合在成长风格强势时期表现突出。盈利加速因子在基础化工、新能源、通信等行业分布较多，具有对未来净利润增长的增量预测能力，助力提升投资策略收益。[page::0][page::4][page::5][page::6][page::7][page::8][page::9][page::10][page::11][page::12][page::13]
本报告系统研究了2005年以来A股常见选股因子的季节效应，主要包含月历效应与假日效应。结果显示市场存在显著的小盘价值风格与成长风格交替规律，2-3月小盘异象明显，5-6月成长风格与基本面因子表现优异，节前市场偏好高盈利大盘蓝筹股，节后则偏好小市值高成长股。基于此，报告提出在特定时间段采用卫星策略或放松风控模型对风格因子的约束，以有效提升指数增强组合的超额收益率和稳定性 [page::0][page::5][page::6][page::13][page::15][page::17].
本报告基于买卖单逐笔成交数据，定义了买单与卖单的主动成交度因子，重点构建并测试了小单主动成交度因子的选股能力。研究发现，小单主动成交度因子表现出显著的正向月度和周度选股能力，且小买单主动成交度较小卖单更优。因子在不同选股空间中均具有效果，尤其在中证800外表现更为突出。将该因子引入不含深度学习高频因子的中证500和中证1000指数增强组合中，可提升年化超额收益约0.5%-1.5%。报告还分析了因子的正交特性与风险提示，对量化组合优化具有重要参考价值[page::0][page::4][page::6][page::14]。
本报告围绕多颗粒度深度学习模型在量价数据中的应用，重点探索了多级频率特征融合与改进方案。通过单颗粒度与多颗粒度模型对比，发现多颗粒度输出集成显著提升因子有效性，年化费前超额收益最高达31.5%。引入注意力机制的双向AGRU模型进一步缓解信息遗忘，Rank IC和多头超额收益全面提升，Top10%组合费前超额达33%，Top100组合达40%。复现微软亚研院多颗粒度残差学习网络，发现效果未超过输出集成模型。基于双向AGRU多颗粒度模型，构建中证500和中证1000指数增强组合，分别实现年化超额收益15%-20%与25%-30%，且在2023年亦保持较好收益表现，成分股约束会产生一定的收益下降 [page::0][page::4][page::5][page::6][page::7][page::8][page::10][page::11][page::12][page::14]。
本报告针对2023年买入评级因子表现大幅下滑现象，系统分析报告类型、报告发布时间滞后及基本面支撑等影响因素，并构建了新增且有基本面支撑的买入评级因子，显著改善选股表现。进一步基于该因子，在大盘股中设计多因子复合的大盘优选策略，回测显示该组合年化收益最高达17.6%，大幅跑赢沪深300指数，且风险指标表现稳健，为大盘股Smart beta选股提供有效工具 [page::0][page::4][page::10][page::14]
报告系统分析了红利投资的概念、优势及其适用环境。红利投资通过投资高股息公司实现稳定现金分红及相对防御特性，适合追求稳健的中长期资产增值者。报告结合国内外市场数据，指出美债利率上行、社融同比下降及市场波动放大时红利投资表现优异。文章进一步构建并回测了增强型红利指数及三种“红利+”组合策略，展示“红利+”成长和低波策略较纯红利组合在收益和风险控制上均有显著提升，且可应用于“杠铃式”配置和“固收+”策略中，有效平衡收益弹性与防御性，提升组合稳健性与收益表现。[page::4][page::10][page::16][page::20][page::22][page::23][page::24]
本文以交易金额占成交额之比、盘口流动性成本和大单冲击成本为筛选条件，确定可交易股票池，深入分析组合规模、交易成本及大单冲击对多类选股因子（基本面、技术面、高频及深度学习因子）IC表现的影响。结论显示，随着组合规模扩大，因子的选股能力显著下降，特别是在周度换仓短周期策略下影响更为明显。模型预测显示月度换仓下大单冲击成本影响较弱，而周度换仓因大单交易频繁，对因子表现产生较大负面影响，需谨慎评估因子在实际应用中的有效性 [page::0][page::5][page::8][page::9][page::11][page::13][page::15][page::17]。
本报告系统分析了组合约束对多因子选股模型表现的影响，提出通过加权最小二乘回归和蒙特卡洛模拟调整股票权重参考系数，有效提升纯多头及指数增强组合的超额收益，尤其是在换手率和行业权重等复杂约束下表现更优，展示了约束环境下改进因子收益计算方法的潜力与不足，为量化组合优化提供了实证支持与方法路径[page::0][page::4][page::5][page::8][page::10][page::12][page::13]。
报告提出对AlphaNet深度学习股票因子挖掘模型的三大改进：特征提取层自定义Dropout机制以降低计算开销并防止过拟合；损失函数加入中性化机制以剔除Barra风格因子暴露，挖掘更纯粹Alpha因子；提高多头样本权重以增强多头收益能力。各项改进均在中证500增强策略回测中实现收益稳健提升及风险控制改善，且具有较好的模型泛化性与易用性 [page::0][page::5][page::6][page::10][page::13][page::15][page::16]
本报告基于条件生成对抗网络（cGAN）技术，突破宏观经济样本稀缺瓶颈，实现基于历史4季度数据生成未来9季度宏观指标的模拟与预测。报告通过对美国和中国主要宏观指标的训练，展示了cGAN在情景分析和冲击响应分析中的优势及应用价值，模型能够较好拟合指标自相关特征，并对未来经济走势做出合理预判，尤其在2019年末的中美情景分析中体现出预测潜力。另一方面，模型对极端事件预测能力有限，且存在过拟合风险，未来优化空间包括样本增补与网络结构改进等[page::0][page::3][page::21]。
本文提出基于条件生成对抗网络（cGAN）的量化策略参数调优框架，通过生成大量拟真未来收益率路径，批量回测备选参数，依据大数定律甄别参数本质表现以降低模型过拟合风险。以中债-国债总净价指数为标的，采用滚动训练方式，实证显示基于cGAN调参的趋势择时策略在样本内外均表现优于传统历史调参方法，夏普比率高达1.85，最大回撤低至3.54%，且策略稳健性良好，随机数种子影响有限，且方法适用于不同债券指数，体现了cGAN生成样本在量化策略参数选择中的显著优势。[page::0][page::3][page::12][page::16][page::18][page::20]
本报告介绍SinGAN在金融时间序列生成中的应用，SinGAN基于单样本多层级GAN结构解决传统GAN样本量和序列长度不足问题。实证测试显示SinGAN在金融资产收益率生成任务中，尤其是样本量有限时，表现优于传统WGAN，能够更完整捕捉数据的频域特征和长时程周期，有助于量化研究中低频策略的检验与验证 [page::0][page::3][page::13][page::19][page::20]
