针对月内日频序列，使用动态时间规整（DTW）计算每只股票当月日频序列与历史特定‘上涨模式’或‘反转模式’原型序列的距离，作为新因子。
【西部金工】日度量价因子的统一线性框架 预期: 能够捕捉序列形状的非线性相似性，可能提取出线性回归遗漏的形态模式信息。 使用GBDT或轻量级神经网络替换弹性网络回归，或在特征中加入日度成交额、波动率序列构建多维统一框架。
【西部金工】日度量价因子的统一线性框架 预期: 提升因子预测能力，多空收益及IC有望进一步增加，信息利用更充分。 用动态时间规整(DTW)距离替代Pearson相关系数来衡量收益序列相似度，并在欧几里得距离中加入行业哑变量和风格因子暴露作为特征维度
【广发金工】基于相似度的因子研究 预期: DTW能捕捉收益序列的非线性形状相似性，加入行业特征可更精准定位同行业内的领先滞后关系，预期IC提升1-2个百分点，多空收益提升10-15% 将相似度因子与反转因子结合——对相似股票近期高收益但目标股票尚未跟随的情况，区分'信息扩散中'（做多）和'过度反应'（做空反转）两种状态
【广发金工】基于相似度的因子研究 预期: 通过区分信息扩散和过度反应两种状态，可同时捕捉领先滞后效应和反转效应，预期多空夏普比率从1.96提升至2.3+ 用图神经网络(GNN)学习股票间的相似性权重，替代手工设计的欧几里得距离+相关系数加权方案
【广发金工】基于相似度的因子研究 预期: GNN可自适应学习股票间复杂非线性关系，预期IC提升至8-9%，且可发现人工难以发现的隐含相似性模式 使用基于深度学习的自编码器提取残差因子作为隐性风险替代
【国信金工】风险模型全攻略——恪守、衍进与实践 预期: 自编码器能提取更稳健的非线性隐式因子，且可微性更好，能够直接融入端到端的组合优化网络中，相较图聚类算法在处理高维连续特征时可能具有更好的泛化能力。 使用公开高频数据构建日内隔夜动量及行业龙头股动量，替换原有的专有行业轮动模型
结合行业轮动的沪深300指数增强测试 预期: 降低对专有因子的数据依赖，提升策略的普适性和外部可复现性，同时保留动量切割的核心逻辑。 引入基于行业动量信号强度或市场波动状态的动态行业偏离参数η
结合行业轮动的沪深300指数增强测试 预期: 在趋势行情中适度放大行业偏离获取更高收益，在震荡行情中收敛偏离以控制回撤，提升策略的夏普比率。 用主动买卖单金额（订单流不平衡）代替原始成交量进行放量/缩量判断
基于分钟K线的“主力波动率”构造及应用 | 民生金工 预期: 更精确刻画主力资金净流入流出方向，提升状态划分与主力行为的对应性，预期提高因子IC和收益稳定性。 用滚动分位数阈值替代固定极值比较判断放量状态
基于分钟K线的“主力波动率”构造及应用 | 民生金工 预期: 提升状态划分鲁棒性，减少异常成交量扰动，增强因子稳定性。 用IC加权或IR加权替代等权合成4个状态因子
基于分钟K线的“主力波动率”构造及应用 | 民生金工 预期: 提升合成因子的信息效率，预期提高IC和多空收益。 利用大单主动买入净额占比变化替代复杂的订单激进度划分，结合分钟级VWAP偏离度定义高低位，构建简化的高频放量事件簇。
【国盛金工 量价选股】高/低位放量事件簇：正负向信号的有机结合 预期: 降低数据依赖与计算复杂度，提高实盘可复现性，同时保留高低位资金流向核心逻辑。 在置换检验构造零假设分布时，采用底层股票池归属随机化（按原始域规模分配）替代IC序列标签打乱
因子布阵手册：从“盲打”到“精准”的分域选股实战 预期: 获得更纯粹的域结构破坏效果，使得检验结论对极不均衡域（如大小盘分域）更加稳健 引入在线学习或隐马尔可夫模型动态识别因子-域匹配关系的状态，替代静态滚动窗口检验
因子布阵手册：从“盲打”到“精准”的分域选股实战 预期: 提高分域策略的适应性，减少因关系反转带来的换手损失和回撤 用北向资金净流入金额的变化率替代持股占比变化——持股占比变化受市值波动干扰（股价上涨导致占比被动变化），净流入金额变化率=（本期北向持股变动市值-本期股价涨跌导致的被动变动）/流通市值，更纯粹反映外资主动交易行为
北向因子能否长期有效?——来自亚太地区的实证 预期: 减少市值被动波动噪音，提升动态因子的IC和稳定性，预计ICIR提升20-30% 区分北向资金内部结构——按托管行类型（中资港资券商vs外资投行）或交易行为（配置型vs交易型）拆分北向资金，仅使用配置型外资的持股变化构建因子
北向因子能否长期有效?——来自亚太地区的实证 预期: 过滤交易型短期资金的噪音信号，提取配置型长线资金的选股alpha，提升因子信息比率 构建北向资金行业相对超低配信号+个股选因子的多层次策略——先计算北向在各行业内的相对持仓偏离作为行业轮动信号，再在超配行业内用个股北向因子选股
北向因子能否长期有效?——来自亚太地区的实证 预期: 增加行业维度alpha，形成行业轮动+个股精选的双层增强，预计年化超额提升5-10% 用Hurst指数替代OLS回归截距刻画长期记忆性
订单流系列：挂单方向长期记忆性的讨论与应用 | 开源金工 预期: 避免ACF衰减形态假设,更鲁棒地刻画记忆性强度,可能提升IC和ICIR 对挂单方向序列做马尔可夫链转移概率矩阵分析,提取转移矩阵特征值作为因子
订单流系列：挂单方向长期记忆性的讨论与应用 | 开源金工 预期: 捕捉非线性的方向持续性特征,与线性ACF因子互补,提供增量Alpha 构建挂单方向与委托金额/价格的联合自相关函数,而非仅用方向序列
订单流系列：挂单方向长期记忆性的讨论与应用 | 开源金工 预期: 更准确区分算法拆单与随机同向委托,降低噪声,提升因子区分度 用变分模态分解(VMD)替代FFT,自适应分解挂单方向序列的不同频率成分
订单流系列：挂单方向长期记忆性的讨论与应用 | 开源金工 预期: 更精确提取拆单周期性特征,OST因子效果可能显著提升 基于基金重仓股的网络拓扑结构选股增强
【国信金工】基于优秀基金持仓的业绩增强策略 预期: 通过构建基金重仓股共现网络，使用PageRank等中心性指标挖掘基金共识度高且隐蔽的持仓联动股，可以规避传统多因子在公募重仓股池内高度拥挤和失效的问题，捕获网络效应带来的增量Alpha。 基于量价微观结构特征构建多模态快照Agent
Harness Engineering：构建自主进化的金融Agent | 国联民生金工 预期: 将快照从纯文本扩展为包含订单簿失衡、成交量分布等多模态数据，或能提升高频/日内场景下的预测精度 引入跨资产横截面对比机制
Harness Engineering：构建自主进化的金融Agent | 国联民生金工 预期: 利用同行业或相关资产的Wyckoff阶段对比，可能提升对主力资金轮动判断的准确性 构建“资金流向不对称修正因子”
【方正金工】成交量激增与骤降时刻的对称性与“一视同仁”因子构建——多因子选股系列研究之十八 预期: 预期增加因子信息维度，不仅能反映量价不对称，还能体现多空力量在突变时刻的真实非理性程度，提升增量Alpha收益。 基于“主动成交净额峰值”替代成交量峰值进行时段划分，并使用订单簿不平衡(IOB)的偏度替代收益偏离度偏度。
日内“动量脉冲”与股价过度反应的精细刻画 | 民生金工 预期: 预期能剥离更多被动成交量带来的噪音，更纯粹地刻画主动交易情绪的脉冲，从而提升纯净因子的多头超额收益并降低与低流动性风格的相关性。 引入研报文本RAG与多模态因子挖掘
即插即用LLM因子挖掘：MMR、RAG与自反馈机制 预期: 提升因子的经济学逻辑深度，挖掘出更具基本面支撑的非线性量价因子，进一步降低与传统量价因子的相关性，预期IC提升10%-15%。 使用强化学习（如PPO算法）替代改进的Transformer直接输出仓位，并将交易成本、滑点等直接纳入Reward函数进行端到端训练。
基于动量Transformer模型的日内和隔夜交易策略 预期: 可显著降低无效的高频调仓，提升费后真实超额收益，并增强策略在上涨行情中的净收益弹性。 动态权重合成景气度指数
重构A股景气度指数：全A利润预测与结构解析 | 民生金工 预期: 通过根据最新财报的利润占比动态调整金融与工业权重，进一步提升全A预测的长期稳健性 引入利率或信贷因子改进金融业宏观预测
重构A股景气度指数：全A利润预测与结构解析 | 民生金工 预期: 通过挖掘国债收益率曲线、社融等高频宏观因子，与分析师预期融合，降低对单一数据源的依赖 多维度切割：将20日涨跌幅按『平均单笔成交金额×日均换手率』二维排序，取双高10日vs双低10日相减，或仅取双高组作为纯反转信号，可能提升信息纯度
因子切割论 | 开源金融工程团队 预期: 预期IC提升10-20%，因子稳定性提升，因双高组更精准定位跟风交易活跃日 动态切割比例：用信息系数最大化或方差比率准则自适应确定高低组切割点（如7:13或12:8），替代固定50:50
因子切割论 | 开源金融工程团队 预期: 预期多空收益提升5-15%，适应性增强 切割指标滚动优化：定期（如季度）评估候选切割指标（单笔金额、大单占比、买卖价差等）的切割效果，动态选择最优切割指标
因子切割论 | 开源金融工程团队 预期: 降低因子回撤风险，延长因子生命周期 相似逻辑+不同构造：使用扩散模型进行因子生成。将因子表达式序列化，通过自回归扩散模型生成因子token序列。
基于GFlowNet生成流网络的低相关性量价因子挖掘策略 预期: 扩散模型在生成多样性样本方面表现优异，可能进一步提升因子池的丰富度和探索效率，同时具有可控的生成过程。 将弹力势差的上涨段弹性系数推广为成交量加权的信息熵指标：对上涨段每根3分钟K线的成交量占比计算Shannon熵，熵越高代表量能分散越均匀、推动越不稳定，替代简单总涨跌幅/总成交量比值。同时引入下跌段的弹性熵做差，捕捉非对称均值回归的完整信号。
基于资金推动力的“价量张力”因子构建 | 国联民生金工 预期: 信息熵能更精确刻画量能分布的集中度差异，预期Rank IC提升1-2个百分点，且对极端值更鲁棒 将量能分歧的收盘价分界线替换为VWAP或过去N日均价，并引入时间衰减权重：近期成交的浮盈浮亏情绪权重高于远期，替代简单等权积分。同时按多档价位（非仅高低二分）分别积分构建分歧曲面。
基于资金推动力的“价量张力”因子构建 | 国联民生金工 预期: 更准确刻画投资者真实成本结构与情绪衰减，预期多头超额从7.12%提升至8-9% 对弹力势差因子引入跨股票的弹性系数横截面排序：计算个股弹性系数在行业内的分位数而非绝对值，消除行业层面成交量结构差异，再做预期差计算。
基于资金推动力的“价量张力”因子构建 | 国联民生金工 预期: 减少行业偏差，提升纯净因子超额收益，预期从1.76%提升至3-4% 使用历史量化预测的ROE或内生增长率替代外部分析师一致预期增速来计算股利再投资价值。
超额收益增长模型AEG：PE估值的内涵逻辑 | 民生金工 预期: 提升因子在分析师覆盖度低的小盘股中的普适性和数据更新频率，同时规避分析师过度乐观带来的预期误差。 构建基于机器学习的动态预期股息率因子：使用LightGBM等树模型，结合宏观流动性、公司基本面变化趋势（如盈利加速度、现金流波动率）及历史分红连续性特征，动态预测下期股息支付概率及支付率，替代简单的历史均值法。
【国信金工】红利投资全攻略 预期: 提升预期股息支付率预测的准确性，特别是在公司基本面发生拐点时，从而提升因子RankIC及多空收益。 基于相似反转逻辑，在因子构造环节加入行业与市值中性化处理，并剔除极端收益样本。
【方正金工】ChatGPT在投资研究工作中的应用初探——ChatGPT应用探讨系列之一 预期: 原始反转效应可能来源于微盘股的异常波动或行业聚集。通过行业市值中性化及剔除极端值，可以获得更纯粹、换手更低的反转超额收益，提升策略稳健性。 引入机器学习模型（如XGBoost或LightGBM）替代等权合成与两阶段线性筛选。将各个单事件信号作为特征输入，预测未来收益率，让模型自动学习各事件在不同市场环境下的权重，从而实现非线性动态合成。
【国盛金工 量价选股】事件簇：量价事件驱动信号的规模化生产——以趋势资金入场信号为例 预期: 可能进一步提升信息比率，降低单一事件噪音，并减少大量信号筛选过程中的过拟合风险。 使用快照数据的买卖盘深度构建订单簿不平衡度与价格变化的相关系数因子，替换纯成交量的相关系数
基于高频快照数据的量价背离选股因子 预期: 买卖盘挂单包含更多未成交的潜在供需信息，可能比已成交量更能反映市场分歧，有望提升因子IC和多头收益 用TF-IDF或注意力权重对概念向量加权聚合替代等权求和,使重要概念在股票向量中占比更高
基于概念文本相似度聚类的组合优化方案 预期: 提升股票向量对个股真实相似性的刻画精度,预期改善聚类质量与组合优化IR 用概念共现频率或概念向量相似度构建概念关系图,再通过图神经网络(如GraphSAGE)生成股票节点嵌入,替代简单的向量求和
基于概念文本相似度聚类的组合优化方案 预期: 捕捉概念间复杂关联与股票间间接相似性,对业务多元的大市值股票刻画更完整 将概念聚类与量价/基本面因子相似性进行集成,通过多视角相似度加权融合或联合聚类,而非仅用概念聚类替代行业分类
基于概念文本相似度聚类的组合优化方案 预期: 融合多维度相似性信息,互补概念相似性与量价/基本面相似性,提升组合优化的鲁棒性 基于成交量分布加权的订单不平衡因子(VWOFI)
订单流不平衡性（OFI）的应用初探 预期: 更能过滤虚假挂单，提升因子抗干扰能力和IC稳定性 结合订单簿斜率的非线性OFI因子
订单流不平衡性（OFI）的应用初探 预期: 捕捉更深层次的流动性供给变化 结合Level-2主买/主卖订单流数据，用主买金额占比与主买成交量占比的差值替代原始的成交金额占比与成交量占比差值，或在放量状态判定中引入剔除虚假撤单的大单委托特征
【方正金工|曹春晓团队】个股交易放量期间的买入强度刻画与“激流勇进”因子构建——多因子选股系列研究之十九 预期: 进一步过滤市场噪音，提升买入意愿刻画的精准度，大概率能提升纯净因子表现及在沪深300内的选股效果 将行业指数替换为更细分的概念板块或产业链指数，测试个股与细分概念的共振效应；权重计算引入个股当日成交额占行业总成交额的比例作为加权系数。
【国信金工】个股与行业的共振——联合动量因子 预期: 更精准捕捉资金合力方向，减少行业内部对冲噪音，进一步提升因子的多头收益和ICIR。 构建基于大模型反馈的自动化因子挖掘与回测系统。利用相似逻辑，将自然语言描述的因子逻辑交由大模型生成计算代码，放入回测引擎运行，将报错信息和回测指标反馈给大模型进行迭代修正，形成自动化闭环。
【方正金工】不同大语言模型产品操作性能及进阶应用比较——ChatGPT应用探讨系列之三 预期: 大幅降低因子研发的人力成本，将研究员从底层代码编写中解放，专注于因子逻辑的构思与描述，提升整体研发效率。 使用连续的振幅Z-Score作为权重，对基本面因子和价量因子进行动态线性插值混合，替代离散的三组分层。
A股分层效应的普适规律与底层逻辑 | 开源金工 预期: 消除离散分组边界处的因子跃变和换手跳跃，进一步降低组合换手率和交易成本，提升IR的平滑度。 引入主买/主卖方向的W式切割
A股反转之力的微观来源 预期: 大单成交中蕴含的反转力量可能存在方向性(如主买大单的过度买入引发更大的反转)。通过区分主动买入和主动卖出的成交金额分位数进行切割，预期可剥离被动成交的噪音，进一步提升反转因子的纯度、IR绝对值及胜率。 用百度指数/微信指数/雪球讨论量等公开可得数据替代同花顺热度数据，构建类似的'热点漂移'与'热点反转'因子，降低数据依赖
用动态阈值（如Hampel滤波器或EWMA控制图）替代固定±5σ阈值检测异常，使异常检测自适应不同股票的热度分布特征
将热度-股价背离场景推广为通用框架：用北向资金净流入/大单净买入替代热度变化，与股价涨跌幅构建方向背离因子
对热点反转因子中的两种背离场景分别建模，用IC加权或逻辑回归替代等权合成，动态调整两个场景的权重
引入热度变化的持续性/衰减速度特征（如热度上升后维持的天数、热度衰减半衰期），补充热度变化幅度和异常时刻两个维度
将多目标预测与多模型集成转化为多任务学习网络。设计一个共享底层特征的Transformer网络，在不同的任务头分别输出超额收益、IR和Calmar，并在损失函数中加入不同任务的权重。同时将GBDT叶子节点输出作为NN的Embedding输入。
基于多目标、多模型的机器学习指数增强策略 预期: 减少多模型分别训练的计算开销，通过共享表征学习捕获跨任务的相关性，预期提升预测IC稳定性和组合夏普比率。 在组合优化层面引入风险因子暴露约束与换手率惩罚项。
基于多目标、多模型的机器学习指数增强策略 预期: 报告展示的超额回撤极低可能过度拟合了某些风险因子，增加Barra风险因子约束和换手率惩罚可进一步提升策略实盘可投资性与鲁棒性。 引入Regime-Switching（状态切换）模型动态调整3年滚动窗口的权重或对冲配对的比例
全天候策略逐帧解析与本土化ETF对冲构型 | 国联民生金工 预期: 在市场发生结构性突变时，能够比静态3年滚动窗口更快调整对冲权重，降低滞后性带来的尾部回撤风险，预计可提升极端行情下的夏普比率。 用LightGBM替代线性z-score等权合成，将所有超预期相关特征(8种事件标记+基本面3因子+技术面5因子+行业/市值等)作为输入，端到端学习最优打分函数，捕获非线性交互
【国信金工】超预期投资全攻略 预期: 提升因子合成效率，预计IC提升20-30%，年化超额收益提升3-5% 使用NLP对分析师研报全文做情感分析，构建连续超预期强度信号替代二元关键词匹配(标题/摘要含'超预期')，并融合研报语气、确定性等维度
【国信金工】超预期投资全攻略 预期: 更早捕获弱超预期信号，减少关键词遗漏，预计事件命中率提升15-20% 将分析师季度化分解方法扩展为时间衰减加权：对(T_prev, T]区间内的预测按距T的天数做指数衰减加权，临近公告日的预测赋予更高权重
【国信金工】超预期投资全攻略 预期: 提高预期值时效性，减少陈旧预测噪声，预计超预期幅度因子IC提升10-15% 在事件股票池构建中加入行业中性化约束：每个行业最多选N只超预期股票，避免组合集中于某些高景气行业(如TMT、医药)
【国信金工】超预期投资全攻略 预期: 降低行业暴露风险，改善组合Sharpe ratio，预计相对最大回撤降低2-3% 全市场市价单代理因子：针对上交所无订单类型标记的问题，可利用订单成交特征构建“类市价单”代理指标（例如：订单到达时若直接吃掉对手方多档行情且无撤单、或成交价优于发送时的最优价），从而将市价单逻辑扩展至全A股。
【广发金工】牛市中的市价订单与相关因子 预期: 扩大策略容量，消除单边市场偏差，提升全市场选股能力与资金利用率。 引入Attention机制的Transformer模型替代GRU/TCN，并使用MSE+IC的复合损失函数
国泰海通金工 | 专题：基于GRU、TCN模型的深度学习因子选股效果研究——权益配置因子研究09 预期: Transformer的自注意力机制能更好地捕捉全局序列依赖，复合损失函数可同时保证预测精度和因子单调性，有望提升沪深300等大盘股池的rankIC和超额收益。 引入更高频的分钟级量价特征或订单簿不平衡特征替代日频/周频特征
国泰海通金工 | 专题：基于GRU、TCN模型的深度学习因子选股效果研究——权益配置因子研究09 预期: 在控制过拟合的前提下，提取分钟级短周期反转特征，可能显著提升5日预测模型的精度，并降低与低流动性因子的相关性。 使用基于期权隐含波动率(VIX)或期权偏度代替历史波动率作为分歧度，同时使用北向资金净流入或融资融券余额代替成交额作为流动性代理，景气度可使用分析师盈利预期变化(高频化)代替混频宏观指标拟合
分歧度、流动性、景气度——三维指数择时框架 ｜ 民生金工 预期: 提高前瞻性，更早捕捉拐点，减少景气度拟合误差带来的信号偏差 将价量图表的固定标准化改为自适应标准化：对每个截面按当期全市场分位数归一化K线价格区间和成交量，而非按个股历史区间；同时引入注意力机制在4路特征融合时自动学习各模态权重，替代简单拼接
【广发金工】股价预测之多模态多尺度 预期: 预期RankIC均值提升0.5-1.5%，尤其是在横截面分散度大的小盘股池(国证2000/全市场)中效果更显著；注意力权重还可作为模态贡献度的可解释性工具 引入滚动训练机制：每半年/一年使用最近8年数据重新训练模型，替换固定2008-2016训练集；同时加入对抗训练(在输入价量数据上施加小幅扰动)增强模型对市场结构变化的鲁棒性
【广发金工】股价预测之多模态多尺度 预期: 预期在2022-2024年市场风格切换期RankIC稳定性提升，胜率提升2-5个百分点；对抗训练可降低极端行情下的预测波动 将55组高频因子替换为基于深度学习的高频特征自动提取：用1D-CNN或TCN直接对1分钟频价量序列做特征提取，替代手工因子化；同时在输出端增加排序学习目标(ListMLE/Pairwise Loss)替代纯MSE回归
【广发金工】股价预测之多模态多尺度 预期: 预期RankIC均值提升1-2%，因排序损失直接优化相对排序而非绝对收益；自动特征提取可能发现手工因子未捕获的微观结构模式 使用基金净值回归估算实时持仓，替代滞后的季报重仓股
【方正金工】基于Wind偏股混合型基金指数的增强选股策略——多因子选股系列研究之七 预期: 减小持仓滞后期带来的失真，更准确地拟合基金指数的真实成分及风格，从而提升基准拟合度并扩大选股增强的样本空间（不局限于前十大重仓股）。 基于订单簿不平衡(OBI)与主动买卖方向交互构建因子
【国信金工】基于主动买卖特征的高频订单因子改进 预期: 订单簿不平衡反映未成交的流动性供需，与已成交的主动买卖方向互补，可能提供独立的信息增量，预期RankICIR提升5-10%。 基于成交节奏（VPIN）与主动买卖特征的动态因子
【国信金工】基于主动买卖特征的高频订单因子改进 预期: 动态买卖压力更能反映实时信息流入方向，预期对短期（日内或周频）收益预测力更强，可能提升周频RankICIR 10-15%。 用多窗口扩散指标加权替代单一220日窗口
【西部金工】相对旋转图RRG框架下的行业和ETF轮动策略 预期: 结合60/120/220日三窗口的扩散指标，短期窗口捕捉边际变化，长期窗口确认趋势，预计减少震荡市回撤2-5个百分点 将RRG从二值过滤改为连续权重打分
【西部金工】相对旋转图RRG框架下的行业和ETF轮动策略 预期: 用距原点距离×象限权重构建连续得分，替换0/1打分，提升信号分辨率和信息利用率 引入行业波动率状态识别进行动态仓位管理
【西部金工】相对旋转图RRG框架下的行业和ETF轮动策略 预期: 用行业间收益相关性或横截面波动率识别市场状态，震荡市降低仓位/增加约束，预计最大回撤从35%降至25-30% RRG旋转速度因子替代RS-Momentum
【西部金工】相对旋转图RRG框架下的行业和ETF轮动策略 预期: 计算RRG图中行业点在二维空间的旋转角速度（atan2方法），捕捉趋势加速/减速，预期提升信号前瞻性 使用Logit或Probit模型替代线性概率模型(LPM)
【西部金工】动量因子改进之“方向动量” 预期: 消除LPM预测概率越界带来的极端异常值，提升因子在尾部分组的单调性与经济学解释力 引入市场状态依赖的动态权重或交互项
【西部金工】动量因子改进之“方向动量” 预期: 在市场情绪极端反转期主动降低动量暴露，进一步压缩多空组合的尾部回撤风险 用轻量级Transformer（如Informer或PatchTST）替代Mamba2或与Mamba2进一步合成，或使用频域分解（小波变换）先对高频量价数据去噪后再输入模型。
基于Mamba2模型的端到端选股框架 预期: 提升高频选股的IC与多头超额收益，进一步丰富合成层信号多样性。 基于隐马尔可夫模型（HMM）或聚类算法将市场分为多个状态（牛市/熊市/震荡市），在每个状态下分别训练或动态调整模型权重，替代简单附加市场信息的做法。
基于Mamba2模型的端到端选股框架 预期: 更精细捕捉市场状态切换，提升模型自适应能力与回撤控制。 在LGBM合成层之后引入截面中性化与行业/风格约束的组合优化器，而非直接根据预测值排序选股。
基于Mamba2模型的端到端选股框架 预期: 控制策略的风格暴露与回撤，提升稳健性与可解释性。 使用行业或概念板块的成分股作为候选池，以分钟级资金流净流入的余弦相似度替代价格符号匹配来定义协同股票，再计算个股相对板块均值的超额收益。
【方正金工】日内协同股票性价比度量与“协同效应”因子构建——多因子选股系列研究之十六 预期: 大幅降低计算复杂度从O(N^2)降至O(N*K)，同时引入主动资金信息，提升因子对聪明钱行为的刻画深度。 构建动态边际变化因子，例如资本化研发支出增速与费用化研发支出增速之差，衡量管理层研发预期的边际改善。
【广发金工】财务附注中寻找低频Alpha增量：财务附注因子挖掘系列研究（一） 预期: 增速差能更敏锐地捕捉研发项目从早期向落地期转换的拐点，提升因子在计算机、医药等研发驱动型行业的前瞻性选股能力。 基于订单簿不平衡(OFI)与DPIN的协同改进
【广发金融工程】日内价量数据因子化研究：高频数据因子研究系列八 预期: DPIN主要基于成交后的量价特征，具有一定滞后性。引入订单簿主动买卖不平衡度(OFI)作为前向指标，当非预期收益产生时，结合OFI的方向性确认信息优势交易者的意图，能提高知情交易概率度量的准确性和时效性，从而提升因子IC与稳定性。 将基于价格形态的支撑阻力因子与基于真实资金流向（如北向资金净流入或主力净流入）或行业景气度指标相结合，构建量价与基本面共振的增强型因子
ETF的聚类优选与热点趋势策略构建| 民生金工 预期: 提高趋势判断胜率，减少在震荡市或假突破行情中的无效交易磨损 对最高价与最低价斜率进行横截面Z-score标准化，并引入波动率调整，构建跨品种可比的趋势强度因子
ETF的聚类优选与热点趋势策略构建| 民生金工 预期: 消除绝对价格差异带来的因子偏差，增强因子在不同价格区间ETF间的横截面区分度 构建自适应微观结构的动态大小单阈值因子
订单流系列：关于市场微观结构变迁的故事 | 开源金工 预期: 通过基于股票近期待成交流动性或盘口报价深度自适应调整大单阈值，提升资金流因子在当前高频拆单环境下的有效性。 隔夜跳空与早盘成交量交互的纯日内反转因子
订单流系列：关于市场微观结构变迁的故事 | 开源金工 预期: 剔除盘初流动性冲击和隔夜消息影响，提取纯日内反转信号，提升反转因子的稳定性。 高频撤单占比异常波动风险因子
订单流系列：关于市场微观结构变迁的故事 | 开源金工 预期: 构建针对个股撤单比例突增的风险预警因子，规避机构博弈带来的尾部流动性风险。 使用深度学习模型（如LSTM/Transformer）直接对日内分钟量价序列进行建模，以端到端的方式综合提取大单成交、聪明钱及早尾盘行为特征，替代原先的人工特征工程与ICIR线性加权
交易行为因子的2019年 预期: 捕获非线性微观量价特征，有望克服人工构造因子在特定年份（如2019年APM）失效的问题，进一步提升信息比率。 引入标准化的预期外盈利（SUE）的加速度构建纯基本面预期惯性因子
【方正金工】超预期陷阱与估值动态及“预期惯性”因子构建—多因子选股系列研究之十五 预期: 分析师一致预期可能存在主观滞后，通过实际财报公布的净利润与预期之差（SUE）求取加速度，能更客观反映市场预期的真实破灭与超预期程度，可能进一步提升因子的即时性和多空区分度。 结合订单簿不平衡(OBI)与撤单率改进跳跃因子
【广发金工】基于Level 2数据的跳跃因子 预期: 通过引入Level 2快照中的10档买卖挂单比例及撤单量，过滤因流动性枯竭或幌骗导致的“伪跳跃”，可提升真信息冲击跳跃的信噪比，预计IC及ICIR可进一步提升10%-20%，并降低换手率。 基于Level-2盘口数据构建“主买大单跟随因子”，通过分解主动买入大单引发的后续被动跟风量，并剥离日内波动率影响，增强原“待著而救”因子的信噪比
【方正金工】高频因子低频化系列2023年表现回顾 预期: 更精准识别知情交易者与散户的非理性跟风行为，预期提升因子的Rank ICIR及在沪深300成分内的多头超额稳定性 使用图神经网络(GNN)或集 Set Transformer 替代简单的均值聚合来提取市场偏好和风格动量，并将风格偏离惩罚从损失函数端转移到模型结构端（如构建正交化层）
深度学习模型如何控制策略风险？ | 民生金工 预期: GNN能更好地捕捉股票间的相对风格关系，结构正交化能比Loss惩罚更硬性地保证风格中性，进一步降低极端情况下的风格偏移风险，且收敛可能更稳定。 基于隐马尔可夫模型(HMM)或机器学习聚类动态识别分红状态
红利策略优化: “高股息陷阱”与股息预测 | 民生金工 预期: 引入HMM可刻画公司在不同分红状态间的转移概率，更精准捕捉分红政策切换的拐点，预期可进一步提升预测DPS的准确率和因子的Rank IC。 引入分红意愿与能力的联合打分机制替代负向清单硬剔除
红利策略优化: “高股息陷阱”与股息预测 | 民生金工 预期: 将负债率、股价动量等作为连续变量输入机器学习模型进行软打分，能保留更多有效样本，减少组合换手率并可能提升信息比率。 将'下跌趋势'严格量化为：过去125个交易日收盘价的线性回归斜率为负 且 半年内月度收益率负值月份占比≥60%；将'底部反弹突破年线'定义为：过去20个交易日内存在收盘价从MA250下方穿越至上方的cross信号，且突破日成交量≥过去20日均量的1.2倍确认有效突破。同时加入行业中性化处理避免银行/煤炭等高股息行业过度集中，并加入换手率分位数约束（处于近半年30分位以下）确认底部缩量特征。
【方正金工】自进化AI智能体Hermes Agent：核心机制解析与金融投研深度应用——AI Agent赋能金融投研应用系列之五 预期: 预计可将策略年化超额收益稳定性提升，降低行业集中度风险，夏普比率从估计的0.6-0.8提升至0.9-1.1，最大回撤从25-35%降低至15-20% 将固定阈值参数化并进行网格搜索：ROE阈值∈{8%,10%,12%,15%}、股息率阈值∈{2%,3%,4%,5%}、年线偏离区间∈{±5%,±10%,±15%}、最大反弹涨幅∈{30%,40%,50%,60%}，结合滚动窗口IC分析与组合换手率约束，寻找最优参数组合。同时引入参数稳定性检验（不同子样本最优参数一致性）。
构建基本面与技术面信号加权打分模型替代硬阈值AND逻辑：对ROE、股息率、下跌趋势强度、距年线偏离度、反弹幅度等五个维度分别打分（0-100），按行业截面排名并加权求和（权重通过历史IC优化），取综合得分前N只股票。相比AND逻辑，加权打分可避免单一条件不满足导致优质标的被剔除，提升组合多样性。
基于日内时段切分的主动买卖因子。将日频收益率切分改为按日内特定时段（如早盘前30分钟、尾盘最后10分钟）的涨跌幅进行切分，提取特定时段的主力资金行为特征。
主动买卖因子的正确用法 预期: 可能进一步提升信号信噪比，因为分离了日内不同资金群体的活跃时间窗，捕捉更精细的微观行为特征。 使用FinGPT对券商研报文本进行情感分析构建研报情绪因子
当FinGPT遇到论坛数据——沪深300另类舆情增强因子 预期: 研报文本信噪比远高于论坛评论，分析师观点更具专业性和前瞻性，预期因子IC更高、更稳定；研报情绪与论坛情绪可互补使用形成复合情绪因子 对论坛用户进行质量分层加权——根据用户历史发帖量、准确率、影响力等赋予不同权重后聚合情感得分
当FinGPT遇到论坛数据——沪深300另类舆情增强因子 预期: 资深投资者情绪信号信噪比更高，加权后因子IC预计提升20-30%，减少水军和噪音干扰 构建情绪动量因子（情感变化率）和情绪反转因子（极端情绪反转信号），与情感表达因子形成三因子情绪体系
当FinGPT遇到论坛数据——沪深300另类舆情增强因子 预期: 情绪变化率捕捉边际改善信号，极端情绪反转捕捉均值回归信号，三因子组合预计提升多空收益至15%+ 对乐观情感因子做市值和行业中性化处理后重新测试
当FinGPT遇到论坛数据——沪深300另类舆情增强因子 预期: 中性化后若IC仍显著则证明情绪因子的纯Alpha属性，提升因子在多因子模型中的增量价值 行业自适应的动量剥离机制
【方正金工】剥离分析师预期调整中的动量效应与真知灼见因子构建—多因子选股系列研究之十二 预期: 根据各行业因子表现历史，动态决定是否剥离动量或调整回归权重，预期可消除负向剔除带来的损失，进一步提升因子全市场ICIR及多空收益。 引入产业链上下游关系及产品层级数据替代宽泛的中信三级行业，更精确刻画细分市场壁垒；对高效运营采用全因子生产率（TFP）或DEA模型测算相对效率，代替简单的费用率与周转率组合。
迈向价值之路：竞争壁垒分析框架下的选股逻辑 | 民生金工 预期: 更精准识别企业真实竞争优势和运营效率，提升选股胜率并减少行业代理偏差带来的噪音。 通过另类数据（如招标网中标率、专利申请量、市占率高频调研数据）验证和补充未上市企业竞争信息，修正伪壁垒风险。
迈向价值之路：竞争壁垒分析框架下的选股逻辑 | 民生金工 预期: 降低伪壁垒行业误判，提高壁垒护盾型行业识别准确度。 将单一IC提升准入门槛扩展为多目标优化（如加入换手率约束、ICIR最大化、收益回撤比等），优化SOTA准入机制。
RD-Agent实测：AI驱动的因子挖掘框架 | 国联民生金工 预期: 挖掘出的因子不仅在统计上显著（IC），而且在实盘交易中具有更好的稳定性和成本效益（高ICIR，低换手）。 在CoSTEER代码实现环节的Prompt中注入A股特定机制（如停复牌、涨跌停价格展期规则）和标准算子库约束。
RD-Agent实测：AI驱动的因子挖掘框架 | 国联民生金工 预期: 减少LLM生成无效或存在前视偏差的因子代码，提升首次生成成功率和因子实盘有效性。 用量化方法替代主观技术形态识别：用波动率压缩比率（如ATR/历史ATR分位数）+ 成交量萎缩度 + 价格区间收敛度来自动识别三角形突破时点，而非依赖人工判断技术形态
【国信金工】寻找关键时刻的领头羊—时点动量全解析 预期: 提高关键时点识别的客观性和可复现性，减少参数调优空间，同时可能发现更多有效时点 相似逻辑不同构造——用时点资金流向强度替代涨跌幅：在关键时点用大单净流入/流出比率、主力资金净买入占比等资金流指标替代简单涨跌幅作为时点动量因子值，捕捉更深层的资金选择信号
【国信金工】寻找关键时刻的领头羊—时点动量全解析 预期: 可能提升因子预测力，尤其在涨跌幅受涨跌停限制时资金流信号更充分，且资金流数据可区分主动买入和被动跟风 动态持有期+信号衰减退出：用关键时点后每日的RankIC衰减曲线确定最优持有期，或设定动量信号失效条件（如行业排名反转、涨幅回撤超阈值）作为动态退出机制
【国信金工】寻找关键时刻的领头羊—时点动量全解析 预期: 提高资金使用效率，减少动量衰减后的无效持有期，提升策略整体夏普比 构建“集合竞价方向性撤单净比例”因子来替代简单的总撤单比例。不仅衡量撤单规模，还衡量撤单方向（如买方撤单量减卖方撤单量除以总撤单量），以更精准刻画多空分歧的方向性。
将早盘撤单比例因子推广至全市场所有交易日的截面选股，并引入集合竞价阶段的隐含波动率特征，构建非事件驱动的常态化微观结构Alpha因子。
【方正金工】订单簿视角的开盘分歧刻画与跳空博弈因子多因子选股系列研究之二十一 预期: 扩大因子覆盖范围，获取更持续的高频低频化Alpha，可能构建出有效的周频或双周频策略。 引入自动结构化特征搜索（如AutoFIS或DeepFM）替代人工显式构造交互因子
Vibe Coding：打造一人量化团队 | 国联民生金工 预期: 通过神经网络自动学习特征间的高阶交互，减少人工特征工程的依赖，可能发掘更丰富的高阶非线性关系，进一步提升RankICIR。 在OpenClaw的Agent协同中引入强化学习反馈机制
Vibe Coding：打造一人量化团队 | 国联民生金工 预期: 让Agent根据滚动回测的实盘表现自动调整特征构造逻辑与模型参数，实现策略的闭环自适应进化。 使用动态图神经网络(Dynamic GNN)或时序Transformer替代当前的GRU+静态GAT组合，直接对动态演变的股票关联图进行端到端建模
深度学习赋能因子挖掘2.0：综合应用方案 | 开源金工 预期: 能够更敏锐地捕捉股票间关系的动态变化与时序演化，提升截面Alpha挖掘的时效性，减少滞后权重分配带来的回撤 引入对比学习对多特征集进行预训练，在特征空间内拉近相似股票表征，再输入下游因子生成网络
深度学习赋能因子挖掘2.0：综合应用方案 | 开源金工 预期: 提升不同特征集表征的鲁棒性，减少冗余计算，可能在小样本或极端行情下提升模型泛化能力 引入委托价格偏离度构建相似逻辑的因子
【广发金工】2024精选深度报告系列之十五：集合竞价相关因子 预期: 单纯数量比例未考虑价格意图，可计算撤单委托价格与最终成交价的偏离度，偏离度越大的撤单越可能是虚假挂单，预期可提升对虚假交易的捕捉精度，增加RankIC绝对值。 将截面翻转的二元分类替换为基于连续跳跃度的平滑加权函数(如Sigmoid函数)，同时结合当日成交量异常放大作为博彩偏好的辅助验证，对传统振幅进行连续加权修正。
【方正金工】个股股价跳跃及其对振幅因子的改进——多因子选股系列研究之六 预期: 减少阈值切分带来的信息损失和因子不稳定性，提升跳跃识别和博彩偏好捕捉的准确性。 构建基于本地开源大模型（如Qwen2.5）的私有化多Agent路由与缓存系统
【方正金工】OpenClaw赋能金融投研应用进阶：多Agent协作、Token优化、Skills应用与开发——AI Agent赋能金融投研应用系列之四 预期: 在保障数据安全不出域的前提下，通过路由简单任务至本地小模型、复杂任务至云端大模型，并缓存常用研报模板与数据提取结果，可进一步降低90%以上的API调用成本与Token消耗。 将挂单金额阈值替换为按个股价格/流通市值自适应分位数阈值，并引入主动买卖方向，构造'散户净买入强度因子'：对每只股票计算小单主动买入额/小单总成交额的过去20日均值，再对超大单同类指标做截面回归取残差，最后市值+行业双重中性化
交易者行为与市值风格 预期: 自适应阈值消除股价水平偏差，引入买卖方向区分信息不对称方向，双重中性化进一步剥离风格与行业暴露，预期ICIR可从-1.90提升至-2.2以上且多空收益更稳定 将EVL因子的构造从静态截面OLS扩展为滚动窗口的时变系数回归，用过去60日的时序回归系数预测当期残差，构造动态EVL因子
交易者行为与市值风格 预期: 捕捉交易者行为关系的时变特征，在风格切换期可能获得更高收益，预期最大回撤从6.09%进一步压缩 利用成交单的逐笔撤单率或订单簿不平衡(OFI)特征构建新的高频残差因子
大小单资金流alpha探究2.0：变量精筛与高频测算 | 开源金工 预期: 减少对固定金额阈值的依赖，更直接反映真实买卖意图，可能提升因子的稳定性和普适性 引入自适应阈值（如按个股过去20日均价的特定分位数划分大中小单）
大小单资金流alpha探究2.0：变量精筛与高频测算 | 开源金工 预期: 适应不同价位股票的成交结构，减少高价股小单被误判或低价股大单被稀释的误差 构建基于‘大单净买入量突变点’的离散化量价因子
【国盛金工 量价选股】“高频数据+离散化构建方式”在因子研究中的重要性 预期: 相比一般放量点，大单突变更能反映主力资金的主动交易意图，可能进一步提升因子的信息比率及行业中性化后的纯度 相似逻辑：利用股票间相关性提取关系状态；不同构造：将提取关系状态的Transformer替换为图注意力网络(GAT/GNN)，直接使用风格因子或行业关系构建动态股票关系图进行图卷积聚合，而非简单拼接协方差矩阵或邻接矩阵。
StockFormer：基于Transformer的强化学习模型探究 | 民生金工 预期: 更有效地捕捉股票间的非线性拓扑结构与产业链传导关系，克服原模型固定股票池的局限，降低计算复杂度并提升关系状态特征的表征能力。 基于个股自身微观状态切片的资金流残差因子
分钟资金流因子的构建方法 | 开源金工 预期: 上证指数切片反映市场整体情景，对个股自身微观异动刻画可能不够精确。若改为按个股自身的分钟级微观状态（如个股自身分钟Order Imbalance高位、分钟突放量前50%状态）切片筛选资金流，可能提取出更贴合个股自身主力交易节奏的Alpha，进一步提升因子IR和特异性。 用同一框架但替换LLT为MACDhist或KAMA做多期限截面回归残差因子
【广发金工】2024精选深度报告系列之六：基于多期限残差的因子选股研究 预期: 捕捉不同技术指标族的特异性残差动量，可能与LLT版形成低相关增量 引入成交量加权的时间重心及分位数回归
日内分钟收益率的时序特征：逻辑讨论与因子增强 | 开源金工 预期: 预计能进一步降低极端分钟样本对重心计算的干扰，提升因子在震荡市或个股剧烈波动时的稳定性和Rank IC。 将搜索扩展阶段的LLM由单模型生成改为多智能体辩论机制，引入不同金融视角的Agent(如量价Agent、基本面Agent)提出假说，增强候选因子的多样性
基于Transformer架构结合基本面文本数据进行多模态多尺度选股因子挖掘
【广发金融工程】2025年量化精选——AI量化及基本面量化系列专题报告 预期: 利用大语言模型提取研报/财报文本的情感与预期因子，与量价Transformer特征在多尺度上进行融合，预期可提升传统量价模型在基本面拐点处的预测能力，降低换手率并提升超额收益的稳健性。 利用OpenClaw构建闭环的量化策略迭代系统，让其根据回测的IC/IR等绩效指标自动调优因子参数或修改策略代码
【方正金工】OpenClaw赋能金融投研：17个高效应用案例详解——AI Agent赋能金融投研应用系列之三 预期: 实现从数据清洗、因子构造、回测反馈到参数调优的全自动化，进一步降低量化投研人员的编程门槛并提升迭代效率。 结合同行业横向对比基准
解码管理层论述：AI 驱动的年报 MD&A 分析与选股 | 民生金工 预期: 不仅验证公司自身论述与财务的一致性，还通过大模型生成同行业可比公司的对比问题，分析管理层归因是否合理（如将利润下降归因于行业，但同行未降），提升因子的区分度。 引入时间序列动态一致性分析
解码管理层论述：AI 驱动的年报 MD&A 分析与选股 | 民生金工 预期: 不仅对单期报告进行验证，还通过RAG提取历史多年MD&A的承诺与实际兑现情况，构建管理层‘承诺兑现率’因子，可能增强对长期价值创造特征的捕捉能力。 使用Transformer架构替换DCGAN作为生成器，并结合Tree-LSTM或递归神经网络解析逆波兰表达式的树形结构进行预测器建模，以更好地捕捉算子与特征间的层级与长距离依赖关系。
【广发金工】AlphaForge：基于梯度下降的因子挖掘 预期: 提高复杂长公式生成的合理性和预测器对因子表达式深度语义的拟合精度，进而提升挖掘出高质量高阶因子的概率，降低因子库冗余。 利用GraphRAG提取的实体关系网络，结合K线波动率/收益率相关性，构建事件驱动型因子（如'供应链网络中心度因子'）
【广发金工】从知识库到知识图谱：DeepSeek&GraphRAG 预期: 将非结构化文本知识图谱转化为可量化的关联度因子，预测供应链核心/节点公司的收益表现，提供全新Alpha源 使用东方财富股吧发帖量结合发帖情感构建关注度偏离度（如剔除一般讨论后的极端情感帖增速），替代同花顺IFind股票热度数据构建凸显效应因子。
【方正金工】新闻中的有限注意力和“凸显效应”因子构建——多因子选股系列研究之十七 预期: 减少热度数据中可能包含的被动浏览噪音，更精确捕捉散户极端情绪发酵点，进一步提升反映有限注意力的Alpha收益并降低市值风格依赖。 基于因子模型残差的高频相关性与共同流动性的改进构造
【方正金工】个股成交额的市场跟随性与“水中行舟”因子——多因子选股系列研究之九 预期: 原研报直接使用原始成交额计算相关性，可能受大盘系统性波动或板块联动干扰。若先用横截面回归剥离市场收益与行业收益，用个股残差成交额与市场残差成交额计算相关性，可进一步提升因子的纯Alpha属性，预计能降低与风格因子的相关性并提升稳健性。 构造'成交额不对称RSI因子'：以分钟成交额方向替代涨跌方向，即RSI_额 = 上涨分钟成交额均值 / (上涨分钟成交额均值 + 下跌分钟成交额均值)，再用换手率加权。当前RSI仅统计涨跌幅度方向，未区分大单与小单。用成交额加权可直接刻画资金流向的结构性不对称，更精准捕捉主力资金的过度交易行为。
【国盛金工 量价选股】如何基于RSI技术指标构建有效的选股因子？ 预期: 成交额方向比纯价格方向更能反映信息交易者的真实意图，预计可提升ICIR 10-20%，并与现有RSI因子形成低相关的互补alpha 构造'日内分时段RSI因子'：将全天1分钟数据分为早盘（9:30-10:30）、午盘（10:30-13:00）、尾盘（13:00-15:00）三段，分别计算RSI，再以各时段成交额为权重加权。不同时段的多空力量可能携带不同信息——尾盘RSI可能更具预测力（信息交易者倾向于收盘前操作）。
【国盛金工 量价选股】如何基于RSI技术指标构建有效的选股因子？ 预期: 分时段拆分可提取时段维度的增量信息，尾盘RSI权重自然更高，预计可小幅提升IC并增强因子解释力 用横截面收益率分布的尾部比率(如90分位/10分位收益率之比)结合Gini系数替代标准差刻画分化度，再叠加融资余额变化率或北向资金净流入变化率作为状态变量，用滚动分位数阈值替代固定8%，并采用softmax连续插值在趋势与反转权重间过渡
【广发金融工程】精选量化研究系列之三：从个股分化看风格轮动 预期: 降低过拟合风险，提升状态判断的前瞻性，预计在风格切换点(如2014年底、2021年初)减少回撤，年化超额提升1-3个百分点 将VADI状态判断从'二选一硬切换'改为'软门控'：用sigmoid(VADI-F)作为趋势权重与反转权重的混合系数，实现连续过渡
使用异常点检测算法(如孤立森林或LOF)替代简单的均值±标准差来定义资金流极端突破
以大小单为核心，构建年化收益20%+的行业轮动组合 | 开源金工 预期: 非参数化方法能更好适应资金流分布的非正态特征，可能挖掘出更隐蔽的极端异常资金流信号，提升事件因子的信噪比。 利用隐马尔可夫模型(HMM)或基于宏观指标(如PMI、利率)的量化规则来自动判定经济周期，动态切换财务因子
以大小单为核心，构建年化收益20%+的行业轮动组合 | 开源金工 预期: 将模糊的'经济上下行'具象化为可计算的宏观状态转移概率，提高财务负向剔除维度的时效性和客观性。 引入互信息或HSIC正则项替代线性正交层，在Loss中惩罚深度因子与手工因子的非线性相关性。
深度学习如何提升手工量价因子表现——利用深度学习解释现有手工选股因子残差方案与实践 预期: 能避免过度截断同源Alpha，同时更彻底地消除非线性共线性，提升多因子组合的稳健性。 针对大市值预测不足的问题，在正交层或损失函数中加入市值加权机制，或在网络中引入市值特征作为条件变量。
深度学习如何提升手工量价因子表现——利用深度学习解释现有手工选股因子残差方案与实践 预期: 提升模型在大盘股上的泛化能力和预测精度，从而改善沪深300等大盘指数增强组合的表现。 “主买大单跟随效应”因子：结合大单方向（如特大单主买），计算后续N分钟主买单量与原主买单量的比值，衡量散户对特定方向大单的跟随程度，以更好捕捉单边上涨后的反应过度。
【方正金工】大单成交后的跟随效应与“待著而救”因子——多因子选股系列研究之十一 预期: 预计能提升因子多头端的超额收益，降低空头端误判（如上涨放量跟风 vs 下跌放量跟风）。 动态预期红利因子
港股财务数据处理六问及因子复现手册 | 国联民生金工 预期: 研报指出传统TTM股息率在两池均有效。改进方案：结合公司过去3-5年的分红比率稳定性与分析师一致预期EPS，构建动态预期股息率因子。相似逻辑：衡量股东回报能力；不同构造：引入前瞻性预期数据代替纯历史TTM。预期可过滤掉一次性特别分红带来的噪音，提升因子的IC胜率和多头收益稳定性。 残差动量因子
港股财务数据处理六问及因子复现手册 | 国联民生金工 预期: 港股受宏观与行业beta影响大。改进方案：计算个股收益率对恒生指数及行业指数回归的残差，使用残差累加作为动量因子。相似逻辑：捕捉中长期趋势；不同构造：剥离系统性风险后的特质动量。预期能降低动量因子在牛熊转换期的回撤，提升多空夏普比。 引入深度学习自编码器提取隐式因子
【国信金工】隐式框架下的特质类因子改进 预期: 通过Autoencoder提取的非线性隐式因子能更精准剥离非线性共同风险，可能进一步提升特质因子的信息纯度和预测能力。 用成交额分位数加权替代固定4万元阈值识别散户交易，并用日内收益率偏度替代分钟波动率作为情绪度量
【方正金工】显著效应、极端收益扭曲决策权重和“草木皆兵”因子——多因子选股系列研究之八 预期: 降低数据依赖（无需逐笔数据），提高跨市场适用性；日内偏度能区分上跳和下跳的极端性，比对称的标准差更有信息量 用横截面惊恐排名替代时间序列惊恐度，将个股当日收益率在截面的排名分位数作为偏离度量
用注意力衰减的连续版本（指数衰减权重）替代离散的减均值置NaN方法
用连续加权代替0-1硬翻转
【方正金工】个股动量效应的识别及“球队硬币”因子构建——多因子选股系列研究之四 预期: 预期减少边界处股票符号跳变带来的换手损耗，提升因子的稳定性和ICIR，同时保留动量与反转效应的自然过渡。 采用下行风险指标（如半方差或条件在险价值CVaR）替代传统的标准差作为低波动因子的构造，并在组合优化阶段使用最小方差或风险平价模型替代因子加权。
【国信金工】稳健型选股策略探析 预期: 减少对向上波动的不必要惩罚，更专注于控制极端下行风险，有望进一步提升组合的风险调整后收益。 将分析师预期因子的构建精细化，使用分析师预期的边际变化（如预期净利润的上调幅度）替代静态的绝对预期值。
【国信金工】稳健型选股策略探析 预期: 更敏锐地捕捉基本面景气度的边际改善，提升增强因子的多头超额收益。 将点数图横向列数替换为基于成交量加权的'有效震荡次数'因子：在交易区间内，统计每次格值反转时对应的成交量占比，以成交量加权的反转次数作为筹码换手密度的度量，替代简单的列数计数。再用该因子对目标价公式进行修正。
威科夫点数图的绘制与应用：股票涨跌空间判断 | 民生金工 预期: 成交量加权的震荡次数能更好反映主力资金的真实参与程度，可能提升目标价预测精度，尤其是在初始空间>50%的极端情形下改善预测偏差。 用机器学习方法替代硬编码的交易区间识别规则：将点数图的列属性(方向、长度、与前后列重叠度)作为特征，用标注好的威科夫吸筹/派发区间作为标签，训练轻量级分类器(如XGBoost)自动识别交易区间。
威科夫点数图的绘制与应用：股票涨跌空间判断 | 民生金工 预期: 数据驱动的区间识别可能更适应不同市场状态，减少手工调参，提升泛化能力。 基于订单簿失衡(OFI)与DPIN结合的知情交易因子改进
【广发金工】日内高频知情交易因子：海量Level 2数据因子挖掘系列（七） 预期: 将最优买卖十档的挂单撤单量与成交不平衡结合，构建基于订单簿动态演变的微观知情交易因子，有望更早捕捉知情资金的建仓意图，提升因子前瞻性与RankIC 构建“多锚点锚定效应”高频因子。利用逐笔成交价与日内VWAP、开盘价、前日收盘价等多个关键心理价位的偏离程度，结合订单大小和尾盘时间，衡量投资者对不同价格锚点的非理性坚持，替代单纯的收盘价锚定。
高频逐笔成交+行为金融：遗憾规避选股因子 预期: 可能捕捉到更丰富的投资者心理锚点偏差，提升因子的覆盖面和稳健性，减少对单一收盘价指标的过度依赖。 在Alpha挖掘能力维度，引入剥离市场风格Beta后的纯Alpha收益(如基于Barra模型残差收益)替代简单的相对行业超额收益，并使用时间衰减权重替代等权合成以更敏感反映分析师近期状态。
如何定量评价卖方分析师的推票能力？ 预期: 剥离风格暴露后能更纯粹地衡量分析师的选股能力，提升因子的IC稳定性和策略的信息比率。 利用Level2逐笔成交数据与主买主卖方向替代Wind大小单分类，重构支撑阻力成交量与均价指标。
【国盛金工 量价选股】基于趋势资金日内交易行为的事件驱动策略 预期: 消除Wind大小单定义不透明带来的噪音，更精准刻画主动买入力量，提升信号胜率及超额收益。 将固定90%分位数阈值改进为自适应阈值，结合个股近期波动率或市场环境动态调整。
【国盛金工 量价选股】基于趋势资金日内交易行为的事件驱动策略 预期: 适应不同活跃度股票及牛熊市场环境，减少假信号触发。 将ROE稳定性度量从年度ROE标准差替换为ROE的Hurts指数或最大回撤，更能刻画ROE路径质量；同时在精选阶段加入ROE趋势加速度(ROE的二阶导)作为进攻因子，捕捉ROE正在加速改善的公司
【国信金工】探寻股价回报的源动力—基于ROE的高质量选股策略 预期: 预期提升多头组合的年化收益1-2个百分点，同时降低组合最大回撤 将稳健高ROE池筛选中的'历史ROE水平'替换为'杜邦分解后的ROE结构匹配度'：用净利率、周转率、权益乘数三维向量与历史高收益公司聚类中心匹配，筛选ROE结构最优而非ROE绝对值最高的公司
【国信金工】探寻股价回报的源动力—基于ROE的高质量选股策略 预期: 预期提升未来ROE持续性预测准确率，减少因高杠杆导致的高ROE假阳性 在复合因子增强阶段引入ROE均值回归因子：计算当前ROE相对过去3年ROE趋势的偏离度，卖出偏离过大(向上)的股票、买入偏离适中且趋势向上的股票，捕捉ROE动量与均值回归的平衡点
【国信金工】探寻股价回报的源动力—基于ROE的高质量选股策略 预期: 预期降低组合在ROE见顶回落时的回撤，提升夏普比率0.1-0.2 引入发帖者权重与网络拓扑特征：利用发帖者历史准确率、粉丝数或互动数构建权重，对帖子进行加权而非简单等权统计；同时使用图神经网络（GNN）分析股票间舆情的传染网络，构建舆情共振因子。
论坛散户观点有价值吗？——散户舆情选股投资手册 预期: 提高信噪比，减少噪音干扰，有望在沪深300大盘股池中挖掘出有效的主题类因子，扩大策略资金容量。 结合量价特征构建情绪分歧度因子：不仅统计正负面比例，而是计算多空情绪的分歧度（如正负情感帖子数量的标准差或熵值），并结合该股票当周的量价波动特征，构建情绪-量价共振反转因子。
论坛散户观点有价值吗？——散户舆情选股投资手册 预期: 剥离传统量价反转因子的暴露，提取纯情绪分歧带来的特异性Alpha，提升因子的独立性和IR。 基于筹码分布的阻力突破增强
长江金工 | 平台突破——时序选股模型（一） 预期: 将HSAR水平线阻力替换为基于历史换手率分布的筹码密集峰阻力，当价格突破筹码密集峰时触发信号，可更真实反映套牢盘消化情况，进一步提升突破有效性与胜率。 引入微观结构与资金面过滤
长江金工 | 平台突破——时序选股模型（一） 预期: 在技术增强模型中加入大单净流入占比、订单簿不平衡(OIR)或分钟级主动买入比例等特征，以区分真假突破，降低最大回撤。 引入波动率与成交量状态构建多维符号序列，并使用自适应动态止损
【广发金融工程】精选量化研究系列之七：基于统计语言模型（SLM）的择时交易研究 预期: 提高模型对市场环境的刻画能力，减少单一价格序列的过拟合，进一步提升胜率与风险调整后收益 采用多模型集成标签或强化学习反馈(RLHF)替代单一ChatGPT3.5标签，并引入更精细的因子化处理（如将情感极性转化为连续分值而非离散标签）
ChatGLM的医药行业舆情精选策略——大模型微调指南 预期: 提升标签质量和信息含量，减少离散化带来的信息损失，预期进一步提高策略超额收益和稳健性 使用起雾时刻的分钟VWAP与全天VWAP的偏离度，或起雾时段的买卖价差（High-Low相对于成交价的比率）直接替换原有的'成交量比-金额比'间接刻画法，更直观反映流动性折价。
【方正金工】波动率的波动率与投资者模糊性厌恶——多因子选股系列研究之五 预期: 减少多步截面调整带来的信息损耗和过拟合风险，提升因子直接性和鲁棒性。 结合订单簿撤单数据，构建净留存委托量斜率凸性因子
高频订单簿+弹性与投资者耐心：斜率凸性选股因子 预期: 消除市场游资或机构利用虚假挂单造成的订单簿形态扭曲，提升因子在中小盘股票上的有效性和信号噪声比。 使用时域自回归模型(AR)的半衰期或连续时间均值回归速度直接作为弹性因子替代指标
【广发金融工程】弹性因子研究-多因子Alpha系列之四十六 预期: 避免傅里叶变换可能引入的频谱泄露和边缘效应，减少超参数设定，提升因子在大盘股的稳定性和表现，降低计算成本 引入订单失衡（OFI）与大小单结合的微观结构因子
【国信金工】高频订单成交数据蕴含的Alpha信息 预期: 改进后的大单占比因子仅考量了成交量，若结合OFI（订单流不平衡），可同时捕捉主动买卖力量的相对强弱，可能进一步提升因子的预测能力和ICIR。 基于成交时长和单笔规模的二维聚类打标签模型
【国信金工】高频订单成交数据蕴含的Alpha信息 预期: 报告是分别构建大单和漫长订单因子再等权，若按成交量分位和时长分位进行二维交叉划分（如：大且漫长的订单占比），可能提取出更具代表性的长线主力资金特征，提升因子解释力。 使用隐马尔可夫模型(HMM)或LSTM替代规则化的形态识别与概率赋分。
威科夫技术分析的概率云表达：从主观到量化 | 民生金工 预期: 模型能够自动学习价量序列与主力隐含状态之间的转移概率，避免人工设定形态阈值，可能提高泛化能力和收益稳定性。 改进因子构造形式：使用隔夜日内收益率差(OID)的均值与日内成交量占比均值的乘积，或计算OID序列加权的日内成交量占比，替代简单的皮尔逊相关系数。
隔夜上涨和日内反转中的隐藏alpha 预期: 提高因子对极端分歧事件的捕捉能力，改善多头收益和单调性。 改变分界点或划分多时段：如使用9:45或前30分钟VWAP作为隔夜分界，或将日内进一步细分为上午和下午，计算更精细的时段价量拉锯。
隔夜上涨和日内反转中的隐藏alpha 预期: 更纯粹地提取隔夜信息溢价，降低噪声。 基于FinBERT等金融预训练大模型的研报标题情感打分替代正则匹配
【国信金工】基于分析师认可度的成长股投资策略 预期: 通过深度学习模型自动提取研报标题上下文语义，能够识别未在词典中出现的新兴表达方式，提升情感打分的准确率与因子覆盖度，进一步增强因子的ICIR与稳健性。 引入基金持仓的拥挤度指标进行负面剔除
【国信金工】战胜机构投资者—再论主动股基业绩增强策略 预期: 避免买入机构高度拥挤的股票，减少因抱团瓦解带来的回撤 基于高频净值与个股收益率回归动态调整持仓权重
【国信金工】战胜机构投资者—再论主动股基业绩增强策略 预期: 提高持仓跟踪精度，降低因调仓滞后带来的收益损耗 引入Level-2逐笔成交与委托数据构建微观结构因子（如订单簿不平衡率、大单冲击），替代部分5分钟频特征，提升信号时效性
如何利用AI模型寻找日内最佳买卖点？ | 民生金工 预期: 解决早间时段因价格波动快导致信号及胜率低的问题，进一步提升多空收益并缩小理论与实际回测差距。 将价格弹性的计算从价格振幅替换为Amihud非流动性指标（收益率绝对值/成交金额），计算激增时刻与普通时刻的单位资金冲击成本比值。
【方正金工】个股日内成交量分布特征与日内流动性弹性刻画——多因子选股系列研究之二十三 预期: 提升因子对真实流动性缓冲的刻画精度，可能降低与波动率因子的相关性（当前为22.84%）。 针对成交量分布特异性，不使用香农熵，而是使用个股日内成交量序列与全市场U型曲线的余弦相似度，再进行均值距离化处理。
引入微观订单簿结构或分钟级高频数据作为函数式因子输入
AI因子挖掘的双路径实践与Skill沉淀——从表达式搜索到Agent化研究流程 预期: 相似逻辑下，将日内量价路径拆分细化为分钟级或订单流级别，可捕捉更真实的资金确认与恐慌出清行为，提升因子IC的绝对水平。 基于订单簿失衡(OFI)的动态聚集因子
【国盛金工 量价选股】基于订单聚集现象的高频量价因子研究 预期: 原报告主要基于委托量绝对值或占比构建统计量。改进思路为：在动态识别的聚集区间内，提取最优买卖十档的订单簿失衡序列(Order Flow Imbalance)，并计算其非线性动量或高阶矩。这能更直接反映聚集期内买卖盘口力量的实时动态博弈，预期提升因子对短期价格方向的预测力。 引入订单簿不平衡度（Order Imbalance）与价格冲击（Kyle's Lambda）的交互因子
使用时序注意力机制替代简单的均值/标准差统计
【国盛金工 量价选股】订单簿资金流因子簇的构建与生产加速——基于Memory Map的分段读取性能优势 预期: 自动捕捉日内资金流的非对称时序衰减特征，避免人工设计统计量的主观性，可能获取更高的单因子IR。 基于主买卖单方向与订单流失衡(OFI)重构博弈因子
【方正金工】股票日内多空博弈激烈程度度量与“多空博弈”因子构建——多因子选股系列研究之十四 预期: 原始成交量无法区分多空双方的主动进攻意愿，替换为主动买卖单后能更精准刻画真实多空力量对抗，预期可显著提升因子的信噪比与纯净Rank IC。 相似逻辑(动量溢出)+不同构造：使用TF-IDF或预训练大模型提取业务向量替代0-1词袋模型，并改用非预期盈余(盈利动量)替代月度收益率计算联动因子
财报文本中公司竞争信息刻画与ALPHA构建 | 民生金工 预期: 同时提升业务相似度刻画的精度和联动因子的信息含量，预期获得更高的ICIR 基于相似逻辑（主买特异与主卖虹吸），使用图神经网络(GNN)刻画资金在股票间的动态虹吸与回流图谱
资金流潮汐与“引力场”因子构建 | 民生金工 预期: 利用GNN捕捉非热点股资金被抽离及回流的复杂非线性传导路径，减少人为参数设定，提升对复杂资金潮汐的泛化预测能力。 将Beneish M-Score的8个分量（DSRI应收账款指数、GMI毛利率指数、AQI资产质量指数、SGI销售增长指数、DEPI折旧指数、SGAI销售管理费用指数、LVGI杠杆指数、TATA总应计资产比）与报告中的审计师意见、前一年度是否亏损、前五大股东占比等特征合并，训练XGBoost分类器，并使用SMOTE过采样或class_weight='balanced'处理类别不平衡
【方正金工】ChatGPT投资相关插件测试及策略开发——ChatGPT应用探讨系列之四 预期: 通过更全面的特征集和类别不平衡处理，预期提升精确率和召回率，F值有望从'较低'提升至0.5以上 在LSTM择时模型基础上引入注意力机制（Attention）并融合宏观经济特征（利率、汇率、PMI、社融等），使用Transformer编码器替代LSTM，序列长度扩展至60日以上
构建年报文本特征（管理层讨论与分析的情感得分、语调变化、模糊表述频率、问询函相关特征），与财务特征融合训练造假预测模型
基于订单流不平衡（OFI）改进高维记忆因子
市场微观结构观察与2023年以来的高频因子回顾 | 开源金工 预期: 原因子仅使用符号方向处理序列，改进为结合盘口十档挂单大小与方向的OFI序列计算自相关系数，能更准确衡量真实资金流入流出的长期记忆性，提升机构行为刻画精度与信噪比。 构建“主力资金流净额占比”因子
【国盛金工 量价选股】高/低位放量：从事件驱动到选股因子 预期: 波动率放大只是价格变化的表象，直接使用大单资金流向（如特大单净额）在高低价格区间的占比，能更精准、直接地刻画主力资金“高位出货、低位吸筹”的真实意图，预期可进一步提升因子的ICIR和单调性。 结合订单大小与成交时长的三维加权因子
【广发金工】2024精选深度报告系列之十一：订单维度解耦的22个长短单因子 预期: 不仅能捕捉成交时间长短，还能区分是'大单慢成交'（强主力耐心吸筹）还是'小单慢成交'，过滤散户噪声，提供更纯粹的机构行为信号，有望提升因子单调性及IC绝对值。 基于量价波动率状态划分重点时段并计算微观主买卖Imbalance
【广发金工】用逐笔订单数据改进分钟频因子：海量Level 2数据因子挖掘系列（六） 预期: 根据波动率状态区分高波/低波时段，能更好剥离知情交易与流动性需求的噪音，提升因子单调性 引入可学习的软掩码替代中位数硬掩码，如基于注意力机制或可学习的分位数生成连续权重(0~1)
因子切割论与深度学习的结合应用 | 开源金工 预期: 提升模型平滑度，避免梯度截断，增强对平稳或极端分布特征的适应性 将末端只取最后时间步的差异，改为所有时间步的差异序列并进行时序池化或加权融合
因子切割论与深度学习的结合应用 | 开源金工 预期: 捕获更长期的市场环境差异信息，而非仅依赖最后一天的隐藏状态 构建'方向性极端跟随因子'：在识别极端跟随分钟后，进一步判断该分钟的价格变动方向是否与趋势资金分钟一致（同向放大=纯追涨/追跌），计算同向极端跟随占比或同向跟随成交量比值。由于A股追涨杀跌不对称，预期'同向追涨'子因子具有更强的负向预测能力。
构建'羊群效应衰减速度因子'：对趋势资金分钟后的n分钟，计算极端跟随成交量随时间衰减的半衰期或指数衰减系数。衰减越慢说明跟风持续性越强，羊群效应越根深蒂固，未来反转概率更高。
引入'跨股票羊群共振'维度：当多只股票在相同时段出现趋势资金+极端跟随时，说明市场层面存在系统性的羊群行为。可构建个股羊群效应与市场平均羊群效应的差值因子，剥离系统性情绪后聚焦个股特异性的跟风行为。
将基于Prompt的三角验证转化为结构化动态知识图谱与图神经网络(GNN)推理。不依赖LLM即时生成对比与反事实，而是预先构建行业图谱，在推理时通过图谱路径搜索直接进行对比和反事实检验，最后将图谱节点特征作为额外向量与文本特征在Transformer层融合。
研报+公告+调研+量价全数据智能投研AI构建 | 民生金工 预期: 大幅降低推理延迟与Token消耗，消除LLM在反事实生成中的随机性，提高逻辑对比的稳定性和可解释性，使模型更适合高频调仓场景。 使用开源金融大模型直接进行Prompt Engineering生成情感连续打分，避免三分类的阈值断裂，或者使用对比学习构造更精细的情感特征，替换TextCNN提取局部特征
基于BERT-TextCNN的中证1000舆情增强策略 预期: 提高情感表达的颗粒度，减少信息丢失，增强因子与未来收益的线性关系，有望提升IC均值。 引入量价联合分布：不单独考察价格波动，而是计算激增时刻的成交量冲击与价格冲击的回归残差，用残差作为“过度反应”的度量。
【方正金工】成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一 预期: 更精确捕捉“单位成交量激增带来的价格反应”，提升因子经济逻辑纯度，降低与单纯波动率因子的共线性。 使用个股自身时间序列Z-score定义激增与适度：将日频特征减去个股自身过去N日均值除以自身标准差，再取绝对值。
【方正金工】成交量激增时刻蕴含的alpha信息——多因子选股系列研究之一 预期: 剔除个股固有波动属性的影响，更纯粹地度量当日激增反应的异常程度。 将自然语言阈值筛选改进为多因子打分模型，并引入回测模块验证Alpha收益
openclaw用同花顺官方skill进行选股 预期: 从简单的股票过滤升级为可验证的量化策略，通过因子加权融合获取更稳健的风险溢价收益，并降低单一阈值过拟合风险。 用Temporal Fusion Transformer(TFT)替代GRU变体集群
多模型、多数据、多跨度融合的深度学习GRU因子 预期: 单一模型即可捕捉多时间跨度信息，消除需训练3个不同跨度模型的冗余；变量选择网络可自动学习56/92个特征的重要性，可能优于等权处理；预期减少36个子因子到3个(3类数据各1个TFT模型)，训练成本大幅降低且解释性更强 在因子输出后增加Barra风格中性化层
多模型、多数据、多跨度融合的深度学习GRU因子 预期: 通过横截面回归剔除风格Beta，保留纯alpha，预期可显著降低2024年2月类型的回撤，提升ICIR稳定性 用Stacking/元学习替代等权融合
多模型、多数据、多跨度融合的深度学习GRU因子 预期: 通过元模型学习36个因子在不同状态(如波动率/趋势/风格)下的最优权重，预期Rank IC提升5-10%，ICIR改善更显著 分钟频数据扩展为多日输入并加入横截面标准化
多模型、多数据、多跨度融合的深度学习GRU因子 预期: 多日输入(如5日1200步)配合CNN-GRU的降维能力，可捕捉跨日微观结构模式；横截面标准化可消除股票间价格水平差异，预期分钟频GRU因子Rank IC从0.105提升至0.12+ 将3分类标注改为全样本回归或多档分类(如5档或10档分位数)，提高训练数据利用率，同时在输出层使用连续值预测而非离散分类
【广发金融工程】精选量化研究系列之八：深度学习框架下高频数据因子挖掘 预期: 训练样本增加2-3倍，特征提取更充分，IC有望提升10-20% 在神经网络中加入注意力机制对76个输入因子进行加权，学习不同因子在不同市场状态下的重要性，替代固定截面回归的特征组合
【广发金融工程】精选量化研究系列之八：深度学习框架下高频数据因子挖掘 预期: 非线性特征组合可提升选股精度，ICIR有望从~1.0提升至1.2+ 将隐含层特征提取改为对比学习框架，以正样本(未来上涨)和负样本(未来下跌)构建对比损失，替代3分类交叉熵，增强特征的区分能力
【广发金融工程】精选量化研究系列之八：深度学习框架下高频数据因子挖掘 预期: 对比学习在金融时间序列上已有成功案例，特征区分度提升，多头组合超额收益有望提升5-10% 利用真实产业链或资金流网络替代简化的Q/K/V自注意力GAT。构造真实的上下游供应链图结构，使用异构图注意力网络捕捉行业间与个股间的真实基本面关联残差。
深度风险模型与强化风险模型的构建及组合优化 | 民生金工 预期: 提升风险因子的经济可解释性，进一步剥离系统性风险，增强残差Alpha的纯度，改善组合优化的跟踪误差。 将固定分域权重改为动态自适应权重：根据近期大小盘风格强弱信号(如中证1000/中证800动量比)动态调整w1/w2/w3，风格偏向大盘时增大w1、偏向小盘时增大w3，而非固定0.025/0.8/0.175
将时序平滑正则设计为因子自相关性敏感形式：L_total = L_RankIC + λ·Σ||f_t - f_{t-1}||²·(1-| autocorr(f,5日)|)，对自身高自持(动量型)因子降低换手惩罚、对低自持(反转型)因子加重惩罚
【方正金工】再探可微RankIC的损失函数改造：基于分域加权与时序平滑正则的实证研究——机器学习选股系列研究之三 预期: 在降低整体换手的同时更精准保留有效动量信号、仅压制无效高频反转噪声，避免一刀切惩罚伤及有效反转alpha 实现残差级联的时间-类型双差异化：Model0用5日窗口+核心价量因子，Model1用20日窗口+基本面因子，Model2用60日窗口+波动率/情绪因子，并对每层输入按'对当前残差RankIC显著'动态筛选
【方正金工】再探可微RankIC的损失函数改造：基于分域加权与时序平滑正则的实证研究——机器学习选股系列研究之三 预期: 突破现有双层架构的信息容量上限，各层负责不同周期与类型的定价信号提取，有望恢复三阶残差的样本外泛化增益 引入分钟级主动买卖单方向，计算趋势资金净主买量支撑因子
【国盛金工 量价选股】基于趋势资金日内交易行为的选股因子 预期: 提升因子对真实资金意图的刻画精度，降低被动成交量的噪音，有望提高纯净因子的ICIR和收益稳定性。 在“激流勇进”因子的放量状态识别中，结合Tick级的主被动单拆单数据（如大单主动买入占比）来直接刻画买入强度，而非使用金额与量比例的差值近似。
引入资金流方向作为切割维度进行因子重构
高频振幅因子的内部切割 | 开源金工 预期: 将分钟振幅按'1分钟净主动买入金额'排序切割，替代原本的按涨跌幅切割。预期能更直接反映真实资金多空分歧，过滤单纯价格噪音，提升因子在资金驱动行情下的选股精度。 引入PPO等策略梯度算法，并扩展为连续仓位管理，同时将订单簿微观结构数据加入状态特征。
【广发金工】强化学习与价格择时 预期: 连续仓位调节可减少频繁切换带来的滑点损失，丰富特征可提升状态表征能力，预期获得更平滑的净值曲线。 使用Temporal Fusion Transformer (TFT)或CNN+LSTM直接处理原始分钟频时间序列
【广发金融工程】深度学习框架下高频数据因子挖掘 预期: 保留高频时间序列的时序依赖关系，可能提取出更丰富的高阶特征，提升超额收益稳定性 引入注意力机制(Attention Mechanism)对76个特征及不同时段切片进行动态加权
【广发金融工程】深度学习框架下高频数据因子挖掘 预期: 让模型自动学习不同因子和时段的重要性权重，取代人工切片，进一步提升模型泛化能力 在基本面因子生成中引入'横截面标准化算子'与'异常值缩尾算子'，并要求LLM在生成表达式时直接内置对极端财务异常的处理逻辑
深度学习揭秘系列之五：AI能否终结人工基本面与高频因子挖掘 预期: 降低财务数据极端异常值对因子分布的扭曲，预计可进一步提升合成因子的ICIR和多空收益波动比。 在高频因子挖掘中，除直接生成代码外，引入AST（抽象语法树）校验机制限制计算复杂度，并在'分域函数'中加入跨日高频特征（如隔夜跳空与日内波动的交互）
深度学习揭秘系列之五：AI能否终结人工基本面与高频因子挖掘 预期: 控制高频因子计算耗时并防止过拟合日内单一模式，增强高频因子在样本外的泛化能力与容量。 动态高频撤单阈值与多频段毒流动性
订单流系列：撤单行为规律初探 | 开源金工 预期: 原研报对高频的定义可能固定，不同股票流动性不同，采用自适应的高频撤单时间阈值（如相对于自身委托间隔的分位数），或融合多频段（1秒、3秒、5秒）撤单占比，可能提升因子在2018-2020年的稳定性及全市场普适性。 使用可学习的注意力权重进行端到端特征选择，替代SHAP事后解释
【广发金工】机器学习选股训练手册 预期: 简化流程为单阶段训练，可能通过端到端优化进一步提升效果；参考STG思路但改进门控机制（如使用Gumbel-Softmax替代硬门控） 将基本面特征高频化处理后输入神经网络（如将季频财务数据通过插值或事件触发机制转为日频信号）
【广发金工】机器学习选股训练手册 预期: 使神经网络能同时利用量价和基本面信息，可能提升NN模型表现至或超过树模型水平 使用对比学习损失（Contrastive Loss）构造正负股票对，直接优化多头-空头排序
【广发金工】机器学习选股训练手册 预期: 对比学习能更好学习股票间的相对关系，可能进一步提升多头区分度和因子IC 使用多任务学习框架，共享底层特征提取层，不同周期预测头并行训练
【广发金工】机器学习选股训练手册 预期: 共享底层减少过拟合风险，多周期任务互相正则化，可能提升泛化能力和训练效率 引入动态时序权重与非线性算子
【国信金工】财务报表中的Alpha因子扩容与增强 预期: 预期能挖掘出在特定宏观环境下表现更优的非线性Alpha因子，提升因子在不同市场状态下的适应性。 用Autoencoder学习价量风险因子的隐含表示替代GEP
【国信金工】价量类风险因子挖掘初探 预期: 减少因子数量(115→5-10个隐含维度)，提升可解释性，支持连续插值生成新风险因子，避免GEP的离散表达式搜索效率低问题 用强化学习替代GEP进行风险因子搜索
【国信金工】价量类风险因子挖掘初探 预期: 搜索效率提升，可利用历史搜索经验避免重复无效探索，理论上可发现GEP难以到达的复杂非线性因子结构 部分剥离方法升级为动态自适应剥离
【国信金工】价量类风险因子挖掘初探 预期: 在趋势市场中减少剥离保留收益，在震荡市场中增加剥离控制风险，预期进一步提升ICIR和降低回撤 用集合竞价成交额占比作为隔夜收益的信息权重，构造加权隔夜收益因子。集合竞价成交额占比越高说明隔夜信息冲击越大，该日隔夜收益的预测性应更强。具体: r_overnight_weighted = Σ(隔夜收益_t × 集合竞价成交额占比_t / 平均占比)，替代简单累加的RO，再构造W-OVP = r_overnight_weighted - RP
APM因子模型的进阶版 预期: 通过加权放大高信息日的贡献，预期提升因子的信息比和稳定性，减少低信息日的噪音 用隔夜收益与尾盘收益(14:30-15:00)的差异构造因子: OVP_tail = RO - R_tailclose。尾盘半小时是机构调仓和知情交易者修正仓位的主要时段，与隔夜形成信息对冲
APM因子模型的进阶版 预期: 尾盘收益可能比整个下午收益包含更多反转信息，预期因子表现提升 结合W式切割，仅选择平均单笔成交金额处于特定分位的交易日计算OVP因子，筛选出散户主导(低单笔金额)的过度反应日和机构主导(高单笔金额)的知情交易日分别构造因子
APM因子模型的进阶版 预期: 通过交易日筛选增强信号纯度，预期IC和IR显著提升 用隐马尔可夫模型(HMM)对企业生命周期进行概率软分类，替代现金流符号的硬划分。以现金流比率序列为观测变量，训练4状态HMM，输出各企业处于各阶段的概率，再用概率加权构建连续生命周期因子，避免硬边界带来的分类跳变。
国泰海通金工 | 专题：解码企业生命周期：股票投资的新范式探索 预期: 减少分类噪声、提升组合换手效率，且软分类可自然导出阶段转换概率作为风格轮动信号。 将生命周期分类从全市场截面改为行业内相对定位：以申万一级行业内企业现金流模式与上市年限相对排序划分阶段，再在行业-阶段二维网格内分别选股。
国泰海通金工 | 专题：解码企业生命周期：股票投资的新范式探索 预期: 剥离行业效应后因子有效性可能更纯粹，且便于构建行业中性增强组合控制跟踪误差。 复合权重从静态指数权重改为基于各阶段组合近期夏普比与相关性的动态配置(如风险平价或Black-Litterman)。
国泰海通金工 | 专题：解码企业生命周期：股票投资的新范式探索 预期: 预计可提升复合组合的夏普比5-15%，尤其在某阶段明显占优时增配可获取轮动收益。 构建基于订单序列聚类的主力识别模型
资金流与交易行为：因子失效原因与讨论 | 开源金工 预期: 通过无监督学习（如K-Means或DBSCAN）对订单流进行时序聚类，识别出属于同一母单的拆单序列并合并，从而恢复主力资金的真实交易意图，提升资金流因子的有效性。 引入订单簿不平衡(OBI)等高频微观结构因子替代传统资金流
资金流与交易行为：因子失效原因与讨论 | 开源金工 预期: 绕开大小单划分难题，直接利用十档挂单数据的瞬时失衡捕捉真实的主动买卖压力，可能对短期收益有更好预测力且不易被拆单干扰。 使用分位数调整代替均值调整
【国信金工】风险溢价视角下的动量反转统一框架 预期: 使用过去一段时间的分位数（如过去250日的分位数）作为基准计算偏离，能减少极端波动日的干扰，提升因子在极端行情下的稳健性。 非线性风险加权
【国信金工】风险溢价视角下的动量反转统一框架 预期: 引入Sigmoid等非线性函数对风险系数C_t进行压缩，避免极端高风险日权重过大导致因子暴露失衡，可能提升因子的ICIR。 使用成交额加权的位移路程比替代等权平滑动量，即在路程计算中以成交额加权|日收益|，使大资金参与日的价格运动权重更高，过滤散户噪音日的虚假路径
【国信金工】动量类因子全解析 预期: 预计RankIC提升0.3-0.5个百分点，IR提升0.2-0.4，因过滤散户主导日的非理性价格波动 构建'动量加速度'因子——对传统动量Ret_240_20的一阶差分(近20日动量-前20日动量)，捕获动量由弱转强的拐点而非静态强度
【国信金工】动量类因子全解析 预期: 与综合动量低相关，叠加后组合IR预计提升0.3-0.5，因捕获拐点信息 将特质动量的风格回归扩展为动态风格暴露——用过去60日滚动回归得到的风格载荷作为时变权重，而非全样本固定回归
【国信金工】动量类因子全解析 预期: 预计特质动量RankIC提升0.2-0.4个百分点，因更准确剥离时变风格暴露 用机器学习模型（如XGBoost或LightGBM）替代PLS模型进行因子收益预测，能捕捉特征间的非线性关系。
国泰海通量化选股系列（二）——中证500指数增强策略的再探索 预期: 提升因子收益预测的准确率与IC，进而增加动态敞口调整的有效性，减少因子回撤带来的损失。 引入自适应的动态权重分配（如风险平价或波动率倒数加权）替代固定的30%卫星权重，当GARP因子拥挤度上升时自动降低权重。
国泰海通量化选股系列（二）——中证500指数增强策略的再探索 预期: 进一步降低卫星组合在特定市场环境下的回撤风险，提升整体组合的信息比。 引入NLP技术对金股推荐逻辑进行深度解析与分类，构建推荐逻辑增强因子
【国信金工】券商金股全解析—数据、建模与实践 预期: 利用大模型提取研报文本特征，精准区分右侧与左侧推荐，结合分析师预测上调信号，进一步提升选股的精度与胜率。 构建基于推荐家数边际变化的动量因子
【国信金工】券商金股全解析—数据、建模与实践 预期: 通过捕捉推荐家数环比增加的股票，衡量机构一致预期边际改善幅度，作为替代传统量价动量的新Alpha因子，可能具有更低的相关性和更高的超额收益。 基于特异度或换手率加权的残差资金流因子
大单与小单资金流的alpha能力 | 开源金工 预期: 大单资金流不仅与涨跌幅相关，也与市场微观活跃度强相关。将大单资金流强度同时对涨跌幅和换手率进行横截面回归取残差，预期能进一步剥离流动性噪音，提纯预见性alpha，可能使IR突破4.0。 使用订单流不平衡(OFI)或大单净流入占比作为反转强度指标，结合Corr取值方式构建新因子
理想反转因子的四年总结：理想值得坚持么？ | 开源金工 预期: OFI包含主动买卖方向信息，可能比纯成交额/量更能反映主力的多空意图，进一步提升反转因子的IC和IR 量化多因子初筛 + LLM多智能体深度验证的混合架构。先用传统量化多因子模型对全市场股票进行打分初筛，构建估值合理且具备动量的候选股票池，再让TradingAgents多智能体(基本面/新闻/多空辩论)对候选池进行深度文本解析与逻辑验证，生成最终买入信号。
【方正金工】多智能体投资交易系统TradingAgents部署与应用——AI Agent赋能金融投研应用系列之一 预期: 通过传统因子对估值和动量进行硬约束，避免LLM对特定风格过度排斥；结合LLM的文本解析优势捕获传统因子难以量化的舆情与事件驱动Alpha，提升整体策略的稳健性与信息比率。 将子策略间的固定比例加权复合改为基于风险预预算或波动率倒数加权法分配权重，并使用L1正则化优化器控制个股权重变动以平滑换手率
基于非线性模型(如XGBoost)提取非理性估值残差
【国信金工】寻找业绩与估值的错配：非理性估值溢价因子 预期: 提升因子在复杂基本面映射场景下的解释力，进一步提纯非理性残差，预期改善大市值或特定板块的IC表现 基于Tick级订单簿不平衡(OBI)的动态时间规整(DTW)异动识别
【国盛金工 量价选股】异动雷达事件簇：寻找“与众不同”的个股 预期: 皮尔逊相关系数仅衡量线性相关且对时间错配敏感。使用DTW算法衡量个股与指数资金流序列形态的距离，能更好地容忍日内资金流波动的时滞效应，更精准捕捉非同步的异动资金轨迹，有望提升信号胜率。 引入机器学习模型对异动事件进行非线性合成
【国盛金工 量价选股】异动雷达事件簇：寻找“与众不同”的个股 预期: 原方法通过相关性筛选保留5个事件构建通道，可能忽略了次优事件间的非线性互补信息。使用LightGBM等模型对批量生产的所有异动信号进行训练，预测未来收益，能更充分地挖掘高维异动特征中的增量信息。 构建基于主买/主卖成交占比的订单流不平衡因子
ChatGPT竟然已经可以挖掘高频选股因子！ 预期: 更真实反映实际成交多空力量，减少虚假挂单干扰，且通过EMA平滑可能更好地平衡因子敏感度与衰减问题，提升多空单调性和指增策略的IR。 基于路演内容的NLP语义情绪建模替代简单的覆盖度统计
【广发金融工程】基于分析师路演数据的投资策略：从量化选股到行业轮动 预期: 通过提取分析师在路演中的具体看多/看空观点及推荐评级，构建路演情绪因子，预期可大幅提升信息含量与超额收益。 结合机构买卖盘与路演覆盖度构建共振策略
【广发金融工程】基于分析师路演数据的投资策略：从量化选股到行业轮动 预期: 只有路演覆盖度提升且伴随北向资金或大单净流入的个股，其上涨确定性更高，可过滤虚假信号并提升胜率。 引入动态时间规整(DTW)和特征加权相似度匹配
【广发金融工程】精选量化研究系列之一：基于时域分形的相似性匹配日内低频交易策略（SMT） 预期: DTW能容忍时间轴上的局部拉伸或压缩，提高形态匹配的鲁棒性和胜率；加入波动率、成交量等加权特征可提升匹配质量 结合机器学习算法（如XGBoost或LSTM）对46个日频高频因子进行非线性合成，而非简单等权或线性中性化，以增强多头端Alpha表现
【广发金融工程】精选量化研究系列之二：高频价量数据的因子化方法 预期: 提升多头组合的年化超额收益，降低对空头端的依赖，缓解扣费后收益下降的问题 相似逻辑（日内价格形态）+ 不同构造：将日内收益率序列进行K-means聚类，提取典型的日内价格走势路径（如'N型'、'V型'），计算当日走势与历史反转模式的相似度作为因子
多变量条件切割：使用‘小单强度’和‘成交量波动率’双重条件进行切割提取超大单强度
【重磅专题】遗传算法赋能交易行为因子 | 开源金工 预期: 进一步提纯超大单关注度效应，过滤掉非情绪驱动的高波动期，可能提升ICIR 使用动态时间窗口或自适应参数替代固定的20天窗口进行切割算子计算
【重磅专题】遗传算法赋能交易行为因子 | 开源金工 预期: 适应不同市场周期和股票波动状态，提高因子的稳定性和泛化能力 使用滚动窗内的局部加权多项式回归（LOWESS）代替固定节点分段插值
高频非线性选股因子的线性化与失效因子的动态纠正 预期: 平滑映射预期收益，减少固定节点带来的过拟合风险，提升因子转换对不同市场环境及因子分布的自适应能力 使用大单资金净流入金额代替成交金额进行排序并构建牵引力因子
A股行业动量的精细结构 预期: 预期提取更纯粹的机构资金牵引力信息，降低散户噪音干扰，进一步提升因子IR及稳定性。 将固定60%切割比例改为基于行业内成交额集中度的自适应动态阈值
A股行业动量的精细结构 预期: 提升模型对行业结构差异的适应性，预期减少假龙头带来的噪音。 用业绩预告文本(而非研报标题)直接提取超预期信号，结合LLM对预告文本进行语义分析，提前于分析师研报入库捕获超预期事件，缩短内卷期滞后
【国信金工】超额图谱视角下的成长股投资策略 预期: 可部分获取内卷期超额(1.76%)，同时保留黄金期超额，预期年化超额提升5-10% 将距预约披露日间隔天数构造为连续型时序因子(如sigmoid加权)，替代硬分档，避免档位边界处的跳变和样本量波动
【国信金工】超额图谱视角下的成长股投资策略 预期: 减少换手、提升因子IC稳定性、降低组合波动 引入Barra风格归因和行业中性化处理，剥离组合的风格Beta暴露，检验黄金期Alpha的纯度
【国信金工】超额图谱视角下的成长股投资策略 预期: 明确Alpha来源，提升策略在不同风格环境下的稳健性 相似逻辑+不同构造：将'距预约披露日间隔'替换为'距定期报告法定披露日间隔'，扩展至所有A股(非仅超预期样本)，构建全市场财报日历效应因子
【国信金工】超额图谱视角下的成长股投资策略 预期: 扩大样本覆盖范围，提升资金容量，发现更普适的财报日历效应 使用Temporal Fusion Transformer (TFT) 替代TimeMixer进行个股Alpha预测，并在龙头筛选时结合多因子复合打分。
热门概念板块AI预测与概念龙头识别 预期: TFT能更好地引入多尺度协变量（如宏观流动性、北向资金等），且具备更好的可解释性；多因子复合（FCF2EV + 盈利质量 + 北向持仓）相比单一FCF2EV能进一步降低风格暴露风险，提升组合在不同市场环境下的稳健性。 结合订单簿不平衡(OFI)与机器学习时序建模
【国盛金工 量价选股】基于流动性冲击事件的逐笔羊群效应因子——“高频数据+离散化”理念的具体实践 预期: 将手工提取的窗口特征替换为事件触发后的订单簿快照序列，利用Transformer捕捉事件后多档盘口演化的动态模式，降低人工定义参数(如固定20笔)带来的维度灾难，有望提取更高阶的非线性羊群跟随信息。 将标签预处理从单一CSRank改为行业中性CSRank：在每个截面日内，先按行业分组，组内做Rank标准化后再合并，使标签去除行业层面的系统性差异，模型聚焦个股alpha而非行业beta
细节决定成败：人工智能选股全流程重构 预期: 预计在中证500等行业分散度较高的指数上，可降低行业暴露带来的回撤，多头超额最大回撤有望改善1-2个百分点，IC均值基本持平 将MSE损失函数替换为ListMLE排序学习损失：直接优化股票在截面内的排序似然而非数值偏差，使模型训练目标与因子评价指标（IC本质是排序相关）更一致
细节决定成败：人工智能选股全流程重构 预期: 预计IC均值提升0.5-1个百分点，多头端收益改善更明显（因为直接优化排序），同时保持回归任务的标签颗粒度优势 在一次性训练基础上引入样本时间衰减权重：对训练集样本按时间赋予指数衰减权重（如半衰期3年），既保留长期样本的稳定性又让近期市场规律占更大比重
细节决定成败：人工智能选股全流程重构 预期: 预计在市场风格切换时（如2021年初核心资产瓦解）能更快适应，多头超额最大回撤有望降低1-2个百分点，同时保持一次性训练的稳定性优势 成交量加权理想振幅因子
重磅专题：振幅因子的隐藏结构 预期: 预期可以进一步过滤掉无量的假突破，增强对真实多空分歧跃迁的捕捉能力，提升因子ICIR 引入订单簿不平衡（OFI）或撤单率特征，与订单“长短”维度进行进一步交叉，构建高低频融合因子
使用非线性的树模型（如LightGBM）或深度学习（Transformer）对240个高度共线性的解耦因子进行融合，替代简单的因子筛选合成
【广发金工】2024精选深度报告系列之十三：大小单与长短单的241个碰撞火花 预期: 减少人工筛选的过拟合风险，自动捕捉因子间的非线性交互效应，提升组合泛化能力 基于连续的加权主动卖出强度替代离散时刻切片
【国信金工】日内特殊时刻蕴含的主力资金Alpha信息 预期: 将每分钟的跌幅、成交量占比等作为权重，对所有分钟的加权主卖SATD进行连续加权汇总，可避免切片阈值不敏感带来的信息损失，减少噪声，预期提升ICIR和稳定性。 引入分析师预测分歧度因子替代部分技术面因子
【国信金工】基于分析师推荐视角的港股投资策略 预期: 分歧度反映不确定性，在港股这类机构主导市场，低分歧度的超预期事件往往具有更强确定性溢价，可能提升信息比 加入港股通资金流向特征因子
【国信金工】基于分析师推荐视角的港股投资策略 预期: 港股受南下资金影响越来越大，结合南向资金流入比率可能更精准捕捉增量资金认可的买点 构建包含非线性项与时滞的分布滞后模型(ARDL)或使用随机森林捕捉油价冲击的非对称影响
全球资产量化：沙特权益驱动因素和配置逻辑 | 民生金工 预期: 提高对油价冲击下TASI收益变动的解释度，捕捉油价向股价传导的动态时间路径。 将最极端收益替换为'最极端量价背离时刻'的收益，即寻找日内量价相关性偏离最大的bar，提取其前后收益构建因子
日内极端收益前后的反转特性与因子构建 | 开源金工 预期: 提升因子在实盘中的稳定性，降低被非理性微小波动污染的概率，可能改善换手率和冲击成本 基于分钟级数据构造主买占比因子并应用MOD修正法
大小单重定标与资金流因子改进 | 开源金工 预期: 摆脱对昂贵的逐笔数据的依赖，利用全市场分钟主买主卖数据近似刻画主力资金，提升因子覆盖度与计算效率，同时保留反转剥离带来的Alpha提纯效果。 使用图神经网络(GNN)直接对股票网络进行相似度建模并生成embedding，替代SimStock的对比学习框架，并将GNN的输出作为外部特征而非仅初始化隐状态。
Deep Timing：日内信息与相似度学习驱动择时 | 民生金工 预期: GNN能更好地捕捉股票间的非线性拓扑结构，可能进一步提升预测稳定性，并降低模型对GRU隐状态初始化的敏感度。 采用隐马尔可夫模型(HMM)或其它概率状态转移模型替代时间序列回归进行风格划分
【国信金工】启发式分域视角下的多策略增强组合 预期: 捕捉风格转换的过渡期收益，减少硬聚类带来的边界跳跃问题，提升分域准确性。 引入动态风险预算模型来决定成长、价值、均衡三个子策略的权重
【国信金工】启发式分域视角下的多策略增强组合 预期: 适应不同市场风格环境，在价值或成长占优行情中自适应调整风险敞口，进一步降低多策略组合的相对回撤。 使用净主动买入额替代总成交量V构造S指标：S=|R|/ln(|net_active_buy|+1)，其中net_active_buy=主动买入量-主动卖出量。原始S指标仅用总成交量未区分买卖方向，加入方向性信息可能提升识别精度
聪明钱因子模型的2.0版本 预期: 通过引入方向性成交量信息，预期全市场IR可提升至4.0+，尤其改善震荡市中的区分度 按市场状态动态调整β参数：用近期市场波动率/换手率划分牛熊震荡状态，分别选取最优β，构造自适应聪明钱因子
聪明钱因子模型的2.0版本 预期: 预期可提升因子在不同市场状态下的稳定性，减少因子效果的时变衰减 引入实时数据检索增强生成（Real-time RAG）机制，允许Agent在仿真过程中动态接入最新行情与新闻，修正认知偏差
MiroFish实测：多智能体宏观与行业趋势推演 | 国联民生金工 预期: 解决系统无法验证种子文件准确性的问题，提升预测的实时性与精确性，使其从纯沙盒推演向高精度预测终端演进 结合成交量构建价量联合跳跃因子
【广发金融工程】基于股价跳跃模型的因子研究：高频数据因子研究系列九 预期: 能有效区分由流动性冲击驱动的跳跃与由信息驱动（放量）的跳跃，可能提升因子对知情交易的捕捉能力，提高IC并改善换手率。 加权击穿深度因子：以被击穿各档的挂单量为权重加权击穿深度(而非简单档位计数)，并叠加时间衰减指数加权
【广发金工】2024精选深度报告系列之十：档位突破因子 预期: 更准确反映被消耗的流动性规模，提升对真实知情交易强度刻画，预期IC与多头超额进一步提升 击穿不对称因子：分别构造买方击穿强度与卖方击穿强度，取其差值的非线性变换(如tanh或排序差)
【广发金工】2024精选深度报告系列之十：档位突破因子 预期: 捕捉多空不对称信息，减小单边噪声，提升因子在震荡市稳定性 伪突破识别过滤：仅保留导致订单簿imbalance显著反转的击穿事件，剔除做市商挂单自成交噪声
使用订单流分布的高分位数（如90%、95%分位数）或对数正态分布拟合代替'均值+N倍标准差'来界定大单。
【广发金工】2024精选深度报告系列之八：多维度解耦的94个大小单因子 预期: 能够更稳健地捕捉真实厚尾分布下的'超大单'，减少极端异常值对阈值的偏移影响，增强因子稳健性。 引入Level 2逐笔撤单数据，构建大单撤单率或虚假大单过滤因子。
【广发金工】2024精选深度报告系列之八：多维度解耦的94个大小单因子 预期: 知情交易者常利用挂单和撤单诱导市场，过滤撤单能提纯真实成交大单的信息含量，进一步提升IC。 采用“相似逻辑+不同构造”的方法：面对大规模因子数据导致的内存错误，不直接将全量数据交由Code Interpreter进行随机森林训练，而是让Code Interpreter先生成计算各因子IC/IR值及相关性矩阵的代码，筛选出前10个有效因子，再将这10个因子的较小规模数据集输入Code Interpreter进行随机森林特征重要性评估与可视化。
【方正金工】Code Interpreter在金融市场数据分析中的应用——ChatGPT应用探讨系列之五 预期: 通过将大规模训练任务降维拆解为特征工程+小规模模型训练，可完美绕过Code Interpreter的内存限制，同时保留其自动化调优代码和可视化的优势。 改进波动状态划分方法，使用固定分位数（如前10%或后10%）或隐马尔可夫模型(HMM)状态划分替代均值+标准差，以增强对不同股票波动特性的适应性
日内多次潮汐/波浪提取与加权合成
【方正金工】个股成交量的潮汐变化及“潮汐”因子构建——多因子选股系列研究之二 预期: 通过提取日内全部显著的成交量波浪高低点，构建多维度的价格变动速率特征，可能提升信息覆盖率和因子稳定性 基于Wasserstein距离的日内量价分布形态聚类因子
【方正金工】个股成交量的潮汐变化及“潮汐”因子构建——多因子选股系列研究之二 预期: 避免硬性寻找单一波峰波谷带来的不稳定，从整体分布形态捕捉微观结构的非线性变化 基于主成分与凸性的均线择时优化
【方正金工】ChatGPT在择时、风格、行业、选股中的应用实践——ChatGPT应用探讨系列之二 预期: 使用PCA对1-252日均线提取主成分趋势信号，并引入均线排列曲率(二阶导)过滤震荡行情，可降低冗余计算并显著减少虚假信号带来的换手成本，提升择时夏普比率。 在数据采集层引入验证码识别与页面有效性校验：相似逻辑（过滤无效HTML）+ 不同构造（基于DOM特征分类器自动识别captcha/error/empty页面并打标）
微信公众平台 预期: 预期可减少因反爬/验证码导致的无效入库，提升后续分析pipeline的输入质量 针对微信公众号研报来源，改用Selenium/Playwright等浏览器自动化方案配合Cookie池重试，相似逻辑（获取研报正文文本）+ 不同构造（动态渲染+滑动验证码处理而非静态抓取）
微信公众平台 预期: 预期可绕过验证码拦截，成功获取原始研报正文，使后续分析成为可能 引入订单流不平衡(OFI)或主动买卖单方向替代简单的成交额相关性
高频价格跳跃的峰、岭、谷信息 | 开源金工 预期: 提升因子对跳跃时知情交易方向的识别精度，增强在大市值股票池的Alpha表现 将1倍标准差阈值替换为基于日内波动率分布的动态分位数阈值
高频价格跳跃的峰、岭、谷信息 | 开源金工 预期: 适应不同市场波动率regime，降低极端行情下的噪音干扰 使用行业或概念板块的隔夜均价作为领先信号，个股次日开盘相对于板块的缺口作为交易信号
【广发金工】基于隔夜相关性的因子研究 预期: 减少全市场两两相关性计算的维度灾难，提高信号稳健性与执行速度，同时捕捉个股相对于所在板块的Alpha 高频化与微观结构纯化资金流羊群效应
新型因子：资金流动力学与散户羊群效应 | 开源金工 预期: 使用分钟级或Tick级数据计算日内收益率与小单流入的错位相关性，能更敏锐地捕捉散户日内追涨杀跌的微观行为，同时过滤隔夜噪音，并可通过拆单识别算法剔除机构伪装的小单，有望显著提升因子的IC与稳定性。 相似逻辑+不同构造：使用市值后1/3股票池，但放弃传统线性多因子打分，改用XGBoost等树模型非线性合成因子，并加入高频量价特征（如微盘股资金流、特异度等）与低频基本面特征交互，同时增加流动性正交化处理和换手率惩罚机制。
【国信金工】如何精选小盘股？ 预期: 提升收益预测精度，降低换手率与交易成本冲击，进一步提高实盘信息比。 基于日内成交量分位数与Hawkes自激过程的量峰建模
高频成交量的峰、岭、谷信息 | 开源金工 预期: 用日内成交量95%分位数自适应划定喷发量，解决不同股票量价分布右偏导致固定标准差阈值不适用的问题；引入Hawkes过程对量峰到达时间建模，提取自激强度因子替代简单的间隔峰度，能更稳健地刻画量峰聚集性与知情交易连续性，有望显著提升因子在大市值股票池的表现与稳健性。 基于重构报表构建核心应计异常因子
财报重构下的经营现金流拆解及盈利质量刻画 | 民生金工 预期: 利用重构后的经营利润(NOI)与重构后的经营活动现金流(CFO)之间的差额计算纯粹的'经营性应计利润'，构建Accrual因子。传统应计利润混入了金融资产收益的应计，噪声大。重构后的经营应计能更纯粹地反映企业管理层对核心经营盈余的操纵程度，预期获得比传统应计因子更高的IC和更稳定的负向预测能力。 使用带换手率约束及流动性惩罚的优化器替代等权构建超预期组合
【国信金工】基于风险预算的中证500指数增强策略 预期: 降低交易冲击成本，提升大资金容量，并可能进一步降低组合的特异性波动。 引入基于市场状态的动态风险预算机制
【国信金工】基于风险预算的中证500指数增强策略 预期: 结合市场波动率或情绪指标状态，在多因子与超预期策略间动态调整风险权重，例如在市场趋势明确时加大超预期策略预算，可能进一步增厚收益。 引入概念热度与市场注意力衰减加权，构建‘有效概念数量因子’。相似逻辑仍为计算个股概念数量，但在加总时，根据该概念过去N天的全网搜索热度、新闻曝光量或成分股平均换手率进行时间衰减加权，剔除已无人关注的老旧概念。
【西部金工】概念数量因子：文本数据的另类应用 预期: 提升RankIC绝对值，减少无效概念带来的噪音，增强因子在震荡市的多空区分度与单调性。 构建‘概念质量评估因子’，相似逻辑仍基于个股所属概念，但将计数改为给每个概念打分（如根据该概念历史胜率、政策级别、是否为核心科技等），对个股的概念得分进行加权求和而非简单计数。
【西部金工】概念数量因子：文本数据的另类应用 预期: 提高因子区分度，改善多头收益及十分组单调性，减少低质量概念对因子值的稀释。 将事件识别后的特征序列输入注意力机制网络，利用Transformer的Query对齐事件点，自动学习事件后量价序列的时序依赖关系
【国盛金工 量价选股】Memory Map在因子生产加速上的应用——以构建羊群效应因子簇为例 预期: 减少人工特征工程量，克服50万因子枚举带来的过拟合风险，同时捕捉复杂的非线性交互影响，有望进一步提升IR并降低换手率。 引入Temporal Fusion Transformer(TFT)或引入相对位置编码，并结合更丰富的多频量价特征（如分钟级VWAP、波动率、订单簿不平衡度）。
Transformer架构下的量价选股策略：ChatGPT核心算法应用于量化投资 预期: 丰富特征维度并增强对非平稳时序的适应力，降低过拟合风险，提升模型在交易拥挤情况下的泛化能力和超额收益稳定性。 采用“Transformer编码器 + 截面多因子IC损失”的架构，即将输出从分类概率改为直接预测未来收益率，并使用列表学习进行截面排序优化。
Transformer架构下的量价选股策略：ChatGPT核心算法应用于量化投资 预期: 通过直接优化Rank IC，使得模型输出的得分在截面上区分度更高，进一步提升多头组合的绝对收益与信息比率。 相似逻辑不同构造：将“小盘价值”选股策略替换为“小盘低波动”或“小盘高质量”策略，并要求OpenClaw不仅完成历史回测，还需自动生成因子IC分析、分层单调性测试及净值归因报告。
引入龙虎榜共同活跃游资或北向资金共同持股作为相似逻辑基准
【国信金工】反转因子全解析 预期: 提高反转因子在短期资金博弈激烈股票中的均值回复基准准确性，增强因子在中短期反转上的刻画能力。 基于图神经网络(GNN)或深度嵌入学习统一多维度相似度
【国信金工】反转因子全解析 预期: 消除不同维度基准切换带来的边界跳变，提升相似度刻画的鲁棒性和因子整体的IC表现。 使用门限自回归模型(TAR)或机器学习树模型将F-all的阈值内生化，替代原研报中固定的“F-all均值”作为截面翻转的硬阈值
【方正金工】推动个股价格变化的因素分解与“花隐林间”因子——多因子选股系列研究之十 预期: 自适应阈值能更好刻画不同市场状态下的信息冲击特征，优化噪声与信息的分离效果，提升多头组合的收益与稳定性 使用Lasso回归或岭回归替代OLS提取系数，或用PCA主成分分析提取多阶滞后成交量的联合信息冲击
【方正金工】推动个股价格变化的因素分解与“花隐林间”因子——多因子选股系列研究之十 预期: 提升系数估计的稳健性，提取出更纯粹的信息冲击效应，改善因子在极端行情下的表现 采用相似的“在训练中控制风险”逻辑，但引入对抗训练机制。使用一个判别网络来预测当前GRU模型输出因子在Barra风险因子上的暴露度，主模型GRU在优化收益预测损失的同时，对抗性地最小化判别网络的预测精度，从而隐式地实现风险中性。
风险信息引入深度学习模型的若干尝试 预期: 可能比直接在Loss中线性加权风险暴露项更灵活处理非线性风险特征，进一步降低极端市场风格切换下的回撤。 将数据适应器中的多重线性变换G和H替换为基于注意力机制的非线性网络(如轻量级Transformer特征对齐层)，或采用对抗训练进行领域自适应
从增量学习到元学习：深度学习训练新框架 | 民生金工 预期: 非线性变换能力更强，能更精细捕捉复杂的分布偏移，可能进一步提升预测IC并降低模型参数量。 引入更精确的客户锁定替代指标与动态WACC计算
深入价值之路：量化刻画“护城河”与安全边际 | 民生金工 预期: 可以引入研发费用率、销售费用/营业收入比、应收账款周转率等构建更立体的需求侧护城河评价体系；同时根据企业行业属性、无风险利率、beta动态估算WACC，使EPV更能反映真实的内在价值。这将提升策略筛选精度，减少单一财务指标操纵带来的假阳性，并增强安全边际因子的区分度。 构建基于成交金额的非孤立成交不平衡因子
【国盛金工 量价选股】逐笔买卖差异中的选股信息——条件成交不平衡因子 预期: 主买单数无法区分大单与小单，采用成交金额能更真实反映激进资金的体量与净流压，预期提升因子的信号噪声比和收益弹性。 将分钟单笔成交金额替换为分钟单笔主动买入净额或大单主买占比，构造分布分位数因子及主买强反转因子。
高频因子：单笔成交金额序列中的主力行为刻画 | 开源金工 预期: 预期可提升强反转因子与QUA因子在沪深300等大盘股池的选股效果，并增强因子对未来涨跌的方向性预测能力。 将离散的4类情形转化为连续化的宏观预期偏差因子：用Z-score标准化（实际值-预期值）/历史波动率，构建连续的超预期强度指标，再通过滚动回归动态映射到风格权重，避免离散信号的阈值敏感性问题
【广发金工】基于宏观预期偏差的权益风格轮动策略：量化资产配置研究之二十五 预期: 提升信号稳定性和信息利用率，连续化因子可纳入更多指标的超预期信息，预期提升IC和策略夏普比 用机器学习模型（如XGBoost或LightGBM）将多维宏观预期偏差信号与宏观技术视角信号融合，通过交叉验证自动学习各信号的权重，替代研报中未明确说明的人工融合方法
【广发金工】基于宏观预期偏差的权益风格轮动策略：量化资产配置研究之二十五 预期: 自动学习信号权重，可能提升组合年化收益1-2个百分点，同时减少人为调参 引入宏观预期偏差的变化率（二阶信号）：不仅关注本期超预期程度，还关注超预期程度相对上期的变化趋势，捕捉市场预期修正的加速度
引入高频资金流与外生宏观情绪作为多频域市场状态门控
深度学习如何自适应市场状态以提升模型稳健性？ | 民生金工 预期: 当前的宽基指数量价和隐风险因子主要为日频低频特征，对突发资金面逆转反应滞后。可引入北向资金净流入分钟级数据或宏观情绪指数，通过时频变换(如小波变换或跨频域注意力)与原有特征融合，生成高频增强的门控权重。预期能进一步减小类似2024年初的突发性回撤，提升模型在流动性突变下的稳健性。 将财务数据拼接改为Cross-Attention机制，让量价特征主动查询财务基本面特征，而非简单拼接
深度学习赋能交易行为因子 | 开源金工 预期: 可能更动态地捕捉量价异动与基本面的共振关系，进一步提升多头端分层和超额收益