【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

广发广发金融工程 2026-06-04 置信度: high

综合质量 4 /5

新颖性 3 /5

可复现性 2 /5

核心内容

本研报汇总了广发金融工程团队的AI量化系列（26篇）和基本面量化系列（8篇）专题报告目录。AI系列侧重于深度学习、强化学习及多种神经网络架构（如CNN、Transformer、液态神经网络等）在因子挖掘、选股、择时及高频数据中的应用，并包含大模型（DeepSeek、GraphRAG）在投研提效中的实践。基本面量化系列侧重于财务指标选股、行业景气轮动、转债退市/信用风险监控等基本面与量价结合的策略。

经济逻辑

无具体经济逻辑，本研报为目录集合，反映了研究团队在AI与基本面量化领域的探索轨迹：从传统深度学习挖掘Alpha，到引入前沿架构（Transformer、ODE、液态神经网络），再到结合大语言模型进行投研赋能和知识图谱构建，以及基本面景气度的量化映射。

超额收益逻辑

无具体超额收益逻辑，研报为目录合集，仅提示了通过深度学习挖掘非线性Alpha、多周期机器学习选股、基本面景气轮动等获取超额收益的路径。

构造细节 [config]

数据输入

: (不适用)

组合方式

未提供，本研报为目录合集，未涉及具体策略组合构建细节。

绩效

本研报为AI量化及基本面量化系列专题报告的合集目录，未提供具体策略的业绩表现数据。

收益归因

研报为目录合集，未涉及具体的收益归因分析。

稳健性

子样本稳定性: 未提供

风格偏差: 未提供

目录合集未包含策略稳健性测试信息。

数据依赖

所需数据: 根据目录推断，后续单篇报告可能需要分钟级/日级行情数据、财务报表数据、ETF/指数成分数据及新闻文本数据。

可复现性: hard

当前目录不可复现。即使获取单篇报告，因涉及深度学习、高频微观结构及液态神经网络等前沿架构，复现难度较大。

新颖性评估 [综述]

本报告为系列专题合集目录，梳理了团队在AI量化和基本面量化领域的研究脉络，涵盖从传统深度学习到大模型应用的完整演进。

不足与缺陷

本研报仅为目录合集，未提供任何实质性策略细节、公式、网络架构图或回测数据，无法直接用于复现或验证。
缺乏各单篇报告核心结论的摘要，难以快速评估各篇报告的研究深度与实际效果。

可复用元素

提供了广发金融工程在AI量化领域的完整研究框架和演进路径，可作为量化研究的选题指南。
列示了多个创新切入点，如Visibility Graph-CNN、神经常微分方程、液态神经网络在股价预测中的应用，具有较高的参考价值。

启发

AI量化的研究趋势正从单纯的量价模型向多模态、多尺度以及结合大语言模型（DeepSeek、GraphRAG）的投研赋能方向发展。
基本面量化与景气轮动依然是量化策略的基础底仓，结合反转效应和细分行业景气度可增强策略稳健性。

改进方向

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

基于: 《系列十七：Transformer 架构下的量价选股策略》与《系列二十：股价预测之多模态多尺度》预期收益: 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。