雪球大V用户的选股行为alpha | 开源金工
本文基于雪球大V用户的自选股与模拟组合数据，构建多维度选股能力评价体系，分析粉丝数和用户类型对选股绩效影响，证明大V用户自选股信息含量显著优于模拟组合调仓信息，基于历史绩效改进事件组合策略，优选组合年化收益率显著提升至25.6%，为选股策略提供实证支持 [page::0][page::9][page::10]
金融研报AI分析
选基因子体系迭代与FOF组合应用 | 开源金工
本报告系统构建与迭代了基金选基因子体系2.0，包含八类评价维度共94个因子，覆盖多种市场风格及回看期。通过因子IC检验与多空组合收益测试，筛选有效因子并比较等权、动态、分域三类合成方式，揭示分域合成为最佳合成方案。基于选基因子构建FOF组合，实现策略配置增强与指数选基增强两类目标，分别实现相对偏股基金与中证800指数的显著超额收益，最大回撤可控，组合风险收益表现优异 [page::0][page::3][page::8][page::12][page::15][page::17]。
选基因子改进：基金业绩动量中的beta识别与剥离 | 开源金工
本报告针对主动权益基金中的选基因子，特别是业绩动量类因子在风格切换时期易出现回撤的问题，提出了基于基金净值收益率相关系数构建相似网络的“相似中性化”方法，有效剥离因子得分中的beta成分，显著提升因子在全区间及风格切换时期的稳定性和信息比率，进而构建稳健的动态合成因子组合，实证显示年化收益率达到7.02%，信息比率达2.07，最大回撤降低至5.93%[page::0][page::1][page::3][page::6][page::10]
形态识别：均线的收敛与发散 | 开源金工
本报告系统研究了价格、成交量、成交额及换手率均线的收敛与发散形态对未来个股收益的预测能力。构建了多个因子，其中换手率收敛因子（TRCF）表现最佳，且在不同宽基指数中具备显著增强效果。提高调仓频率和增加样本均线数量均能提升因子绩效稳定性和显著性，为量化选股策略提供重要参考 [page::0][page::1][page::8][page::12][page::15]
行业泡沫膨胀与破裂的识别--以 拥挤 之名 | 开源金工
本报告围绕行业泡沫的膨胀与破裂阶段，通过构建并测试多个拥挤度代理变量，发现单一拥挤指标存在局限性。资产集中度和相对价值模型在A股市场适用性有限，无法有效预测泡沫破裂。研究指出，结合配对相关性与换手率指标表现更优，能较好识别泡沫存在及破裂时间节点，辅助行业轮动模型进行拥挤行业剔除，提高年化收益率约2个百分点。基于换手率与动量构建的双维度行业筛选策略表现出色，年化收益18.8%，最大回撤42.9%，显著改善策略风控与收益表现，为量化行业轮动提供新思路[page::0][page::1][page::11][page::12][page::14]
行业轮动3.0：范式、模型迭代与ETF轮动应用 | 开源金工
本报告构建了行业轮动3.0模型，在“一级行业+双周频率”最优频率与颗粒度下，结合交易行为、景气度、资金流、筹码结构、宏观驱动和技术分析六大维度因子，提出动态最小化排名跟踪误差法动态调权合成因子，实现对市场变化的自适应。基于该信号，设计了ETF行业轮动应用方案，验证了组合自2017年以来年化收益25.5%、超额信息比1.16的优异表现，系统性地提升了行业轮动的效能和应用深度[page::0][page::2][page::18][page::19][page::23]
行业动力学的周频应用 | 开源金工
本报告基于A股市场行业与个股涨跌幅反向效应的动力学关系，构建了包含龙头股因子和涨跌停因子的行业动力学模型，揭示行业动量和反转效应的短期周频特性，并进一步提出结合Ret10因子和滞后一周处理的涨跌停因子的周频行业轮动解决方案。实证显示，行业动力学因子在多种市场环境下表现优异，尤其是周频因子在近两年显著改善了波动率和最大回撤，提升了组合的稳健性和超额收益能力，为行业轮动策略提供关键参考价值[page::0][page::1][page::2][page::4][page::5][page::6][page::7][page::8][page::9]
信创板块优选的量化解决方案 | 开源金工
本报告围绕信创产业板块，结合国家政策驱动与行业特点，构建了基于SUE因子、APM因子及理想振幅因子的量化选股模型。该模型通过因子去极值、标准化及合成选择前20只股票，形成优选组合。研究显示，从2020年以来，该组合实现年化收益37.8%，显著优于行业指数的17.3%；且最大回撤显著降低，彰显稳健性。2022年市场整体波动较大时，优选组合依然跑赢信创板块指数，表现出较强的抗跌性和进攻性，特别在行情反弹阶段实现超额收益。组合持仓结构以计算机及电子行业为主，且分析师覆盖度高，行业关注度强。报告最后提示模型基于历史数据，存在未来市场不确定风险[page::0][page::1][page::2][page::3][page::4][page::5][page::6]。
新型因子：资金流动力学与散户羊群效应 | 开源金工
本报告首次系统探讨资金流动力学中各类资金流间的相关性结构，揭示同步相关性和错位相关性蕴含了丰富的alpha信息。研究发现，超大单与小单资金流的同步相关性具备显著选股能力，但其alpha来源属于“伪动力学”，主要由资金流强度驱动。相比之下，小单的错位相关性反映了散户“追涨杀跌”的羊群效应，表现出较强的选股和行业轮动能力。构建的散户羊群效应因子在沪深300、中证500和中证1000等多样本空间均表现稳健，且经过Barra因子中性化后仍具备独立选股价值，对行业配置同样展现良好的轮动效果，为A股市场投资提供新视角和量化参考 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9][page::10]
新闻舆情数据选股能力初探 | 开源金工
本报告聚焦新闻舆情数据在量化选股中的应用价值，基于通联数据487万条新闻情感评分构建$\Delta MS_N$因子，实证发现该因子在中证500选股域上表现优异，尤其以回看20天数据的变化量表现最佳，年化收益率可达12%，且与传统因子相关性较低，具备独特的Alpha贡献能力，为突破因子拥挤困境提供了重要路径[page::0][page::1][page::2][page::3][page::4][page::5]。
小市值股票怎么选？ 【中泰金工 小市值 专题系列一】
本报告系统介绍了一种基于四因子的周频调仓小市值股票选股策略，覆盖全市场，因子包括市净率PB、市盈率、股息率、年化波动率和总市值。报告详细展示了小市值30组合与100组合的收益及风险表现，小市值30组合年内收益高达73.29%，夏普率3.76，最大回撤-17.01%，明显优于市场基准。报告还结合图表展示了策略自2021年以来的持续超额收益，验证了小市值因子选股策略的有效性与抗风险能力 [page::0][page::1][page::2][page::3].
投资者结构与因子收益 | 开源金工
本报告基于A股公开持股数据，系统刻画投资者结构特征，剖析机构与个人投资者持股比例的时间和行业差异，深入研究投资者结构对量价及基本面因子收益的影响，揭示机构持股比例变化与因子选股效果的动态关系。报告发现高机构持股比例下量价因子效应减弱，基本面因子选股能力提升，但并不单调，同时机构抱团导致部分因子失效。基于机构持股比例因子，建立行业机构行情与非机构行情情景切分，并提出融合机构持股权重动态调整的分析师超预期股票池组合增强方案，显著提升组合收益表现，为动态跟踪市场风格与投资决策提供量化参考 [page::0][page::1][page::2][page::3][page::4][page::5][page::6][page::7][page::8][page::9]。
识别假外资：内地营业部与北上经纪商的共振
本报告基于龙虎榜与港交所托管数据分析，识别出八家北上异动经纪商，这些经纪商与内地量化私募营业部行为高度共振，显示出资金关联特征。2021年异动经纪商持股广度和持仓规模显著大于其他经纪商，偏好高Beta、高换手、高动量及小市值个股，在周期资源板块高配、大金融板块低配，其参与的热门N倍股换手率及涨幅均显著提升，且其持仓变动因子表现优异，展现出卓越的选股和调整能力，为监管“假外资”提供新的辨识视角 [page::0][page::1][page::4][page::5][page::6][page::7][page::8][page::9][page::10]
深度学习赋能交易行为因子 | 开源金工
本报告系统介绍了基于LSTM模型的深度学习因子挖掘与改进方法。通过引入财务数据，构建了RankIC达到9.17%的月频因子LSTM_pro，提升了多头端的分层效果。对比遗传算法Alpha185与人工因子，深度学习因子在多头超额收益表现最优。进一步通过LSTM改进理想反转因子，显著提升了收益率和IC表现。回测结果显示，深度学习因子在中证1000指数增强上取得15.74%的超额收益，展现较强实用价值。[page::0][page::2][page::4][page::7][page::10]
深度学习赋能风格轮动与多策略融合 | 开源金工
本文基于深度学习（LSTM与Transformer）与强化学习（PPO与SAC）模型，挖掘交易行为因子并应用于风格轮动和多策略融合，通过构建指数及股票层面的风格因子，实现风格优选并融合多策略组合，实验结果显示Transformer模型优于LSTM，SAC强化学习月频调仓风格选择收益波动比高达1.70，综合风格优选后，构建的Transformer优选100因子组合年化收益率高达35.99%，显著领先市场基准[page::0][page::2][page::3][page::8][page::9][page::10]
深度学习赋能分析师行为 更稳的盈利预期调整组合 | 开源金工
本报告基于深度学习模型构建研报文本情绪因子（KY-Bert、KY-Llama3、KY-CH及其合成因子KY-Combine-ASC），结合传统数值盈利预期调整因子FYR_DISP_strength，优化选股组合策略。文本情绪因子表现稳定且能显著提升优选组合的信息比率，尤其在2022-2023年数值因子表现低迷时优势明显，改进后组合年化收益提升至27.7%，信息比率由1.44提升至2.41，行业轮动因子超额表现也得到改善，体现出了深度学习赋能在分析师行为alpha提取上的增量价值。[page::0][page::3][page::10][page::11][page::13]
上游周期板块的择时模型 | 开源金工
本报告针对上游周期板块，基于中高频产业跟踪数据，构建并验证了一个逻辑回归择时模型。通过对化工、钢铁、有色、采掘、建材五大行业的月度涨跌预测，该模型表现出较高的胜率和盈亏比，显著优于买入并持有的基准策略。板块整体策略在多种回看期下均表现稳健，尤其是N=16期获胜率达到64.6%，有效捕捉了周期板块的长牛行情，同时模型还结合了行业动量因子，提升了预测的准确性 [page::0][page::1][page::2][page::3][page::6][page::7][page::8]
上市公司招聘数据的选股能力 | 开源金工
本报告基于主流招聘网站上市公司发布的招聘数据，分析招聘数量因子的覆盖率及其对股票价格的选股能力，揭示该因子在成长风格股票池中表现更优，尤其是在高成长股票池中其选股效果显著提升，表明招聘数量因子反映了公司成长潜力与行业景气度，具有一定的预测价值，为选股模型提供新的另类数据维度参考 [page::0][page::1][page::2][page::3][page::4]。
如何使用ETF资金流指导投资？| 开源金工
本报告系统分析了A股ETF资金流对选股与行业轮动的指导作用，发现ETF资金流因子呈现显著负向预测效应，持仓占比变动和资金流入/市值因子表现尤为突出，且因子对成分股及行业收益均具备较强的负向选股能力和行业轮动预判价值。此外，不同类型ETF资金流对因子表现存在差异，非宽基、高集中度和高换手率ETF在行业轮动中的资金流因子表现更佳，为投资者构建量化因子和轮动策略提供重要参考 [page::0][page::1][page::2][page::3][page::4][page::5][page::6]
如何基于盈利预期调整构建优选组合？ | 开源金工
本报告基于盈利预期调整事件构建了高效的量化选股因子，通过定义并改进FYR_DISP因子，结合时间加权与股价跟随性权重，显著提升多空对冲信息比率，同时引入分析师羊群效应、动量反转及大单资金流等风险因子进行组合增强，最终构建优选组合，实现超额收益稳定且显著提升，历史年化超额收益达26.9%，胜率超过72%[page::0][page::4][page::7][page::8][page::15][page::16][page::17]
