> Dashboard

借鉴海外文献，利用月内日度收益率及排序序列构建弹性网络回归模型，得到DRI及DTI因子，等权复合后的DMI_2因子表现优于传统函数类量价因子。

基于价格、市值、估值、盈利、投资五维特征，用欧几里得距离筛选相似股票，并以收益相关系数加权构建SIM_corr因子，捕捉羊群效应中的领先滞后关系。

国信金工提出了一种基于显性风险与隐性风险双管齐下的全流程组合风险控制模型，通过事前预防、事中控制和事后处理显著降低了指数增强组合的回撤并提升了收益回撤比。

本报告通过在沪深300指数增强组合优化器中引入龙头股和黄金律行业轮动信号，动态调整行业暴露，显著提升了超额收益与夏普比率。

基于日内1分钟量价K线划分放量上涨/下跌及持续状态，提取主力行为区间收益率，经截面标准化及绝对值调整后计算20日标准差合成“主力波动率”因子。

利用高频量价数据多维度识别高/低位放量事件簇，合成综合信号构建通道策略，并与传统指增策略有机结合以提升收益降低回撤。

提出基于置换检验与BH校正的因子分域有效性预检验框架，并通过域内排名转换剥离域整体效应，最后以取消域内标准化叠加Alpha动量的两步法实现分域选股与域间配置。

通过中国台湾、韩国市场的长期实证验证外资持股占比因子在大市值股票中的选股有效性，并在沪深300中构建北向复合因子+分析师预期ROE改善的三因子精选组合，2017年以来年化超额31.31%

挂单方向(+1/-1编码)的1-100阶自相关系数经OLS回归截距/统计指标刻画长期记忆性,反映算法拆单行为,IC达0.06,Rank ICIR>4。

以优选公募基金持仓为选股池，采用动态RankICIR加权的多因子模型进行增强，构建超越股基中位数的业绩增强组合。

基于Harness Engineering思想，构建了包含预测、批判、反思、进化四个子Agent的威科夫技术分析Agent，实现自主进化的金融投研决策。

方正金工通过比较个股日内成交量“激增时刻”与“骤降时刻”在波动率与收益率层面的不对称性，对日收益率进行加权修正，构建了“一视同仁”因子，在全市场月频测试中表现出色。

通过对日内交易时段进行自适应划分（基于市场偏离度偏度的动量时刻和基于成交量峰值的递归二分时段），精细化刻画过度反应，构建了反转因子“动量脉冲”。

提出基于MMR、RAG与自反馈机制的即插即用LLM因子挖掘框架，通过模块化迭代提升因子质量与多样性，在全A及宽基指增策略中表现优异。

改进动量Transformer模型用于A股宽基指数及ETF的日内+隔夜时序交易，通过信息比率损失与多尺度特征输入，实现与截面策略低相关的超额收益。

通过拆分A股利润结构，采用分析师预期预测金融业利润、宏观混频数据预测工业利润，重构A股景气度指数2.0，修正了旧指数与实际利润增速的背离并降低择时回撤。

提出因子切割论方法论，以切割指标将具有可加性的目标变量拆分为差异化子集并重构，提取隐蔽的市场行为信息。

基于GFlowNet生成流网络挖掘低相关性量价因子，在日频和分钟频数据上均表现优异，并显著提升Mamba和GRU模型的选股效果。

基于日内资金推动价格的弹性形变逻辑，通过3分钟K线趋势划分构建弹力势差因子与量能分歧因子，等权合成为价量张力因子

基于AEG模型还原股利再投资带来的带息收益，重构传统PE估值与EP因子，在红利择时与选股组合上取得显著超额收益。

本研报围绕红利投资，通过构建“预期股息率因子”和基于自适应跟踪误差的“中证红利指数增强策略”，并结合事件驱动型“潜伏高股息组合”，实现了高收益低回撤的红利增强及固收+策略。

本报告探讨了ChatGPT在量化投研工作中的应用，涵盖了文本与表格交互、利用大模型生成Python代码进行数据获取、分析与策略回测等场景，并展示了具体的代码生成及运行结果。

国盛金工提出“事件簇”理念，基于高频量价数据多维度识别趋势资金入场行为，批量生产事件信号并等权合成综合信号，构建出年化超额10.31%的通道策略。

基于3秒高频快照数据计算日内量价相关系数构建量价背离因子，降频至周频并中性化后结合传统因子构建中证1000指数增强策略。

利用大语言模型从研报与公告中自动提取投资概念,经Embedding向量化聚合为股票向量,降维聚类后替换传统行业分类用于指数增强组合优化,显著提升信息比率。

基于3秒盘口数据构建分钟级订单流不平衡性(OFI)因子，通过统计聚合和GRU模型将其低频化，发现十档ofi的峰度因子及GRU模型对中长期收益具有显著预测能力。

通过刻画个股放量下跌期间的买入力量强度构建“激流勇进”因子，表现出色且具备增量信息，与其他量价因子正交合成后多空年化达48.54%。

本报告提出行业联合动量因子，利用个股大涨/大跌时的行业表现（大势与“小势”共振）来捕捉具有坚实支撑的动量效应，有效区分能持续上涨的明星股与单纯投机的彩票型股票。

报告对比了GPT3.5、GPT4、文心一言、讯飞星火、Bard和New Bing在表格分析、文本模仿及代码生成等量化研究场景中的能力，发现GPT4与New Bing在代码生成任务中表现最优。

提出A股振幅分层效应，基于双因素模型解释因子有效性随振幅变化的规律，并据此构建分层组合提升收益风险比。

开源证券提出W式切割改进方案，用高分位数代替平均值切割过去20日涨跌幅，发现大单成交是A股反转之力的微观来源，并构造出稳健的M_high_13/16反转因子。

基于同花顺15分钟级股票舆情热度数据，分别从热度平稳变化和异常变化两个维度构建'热点漂移'与'热点反转'因子，等权合成'热点反应'因子，周度IC 5.08%，年化ICIR 7.34。

本研报使用GBDT与神经网络模型对多目标（超额收益、信息比率、Calmar比率）进行预测，等权合成选股信号，并通过均值方差优化构建年化跟踪误差约束在5%以内的指数增强策略。

深度还原桥水全天候策略逻辑，基于国内可投资ETF资产池，通过波动率调整后的三年滚动收益率相关性挖掘低频稳定对冲关系，构建四层或五层循环对冲的风险平价组合，实现无杠杆、纯ETF的本土化稳健绝对收益。

基于朝阳永续超预期事件数据库，构建分析师全部调升+研报标题超预期事件股票池，再用基本面+技术面因子双层筛选，精选30只股票等权构建组合，相对中证500年化超额41%。

广发金工基于深交所Level-2逐笔订单数据中的订单类型标记，构建市价订单与限价订单比例因子，发现市价卖单/限价卖单比例因子具有显著的负向选股能力。

国泰海通金工基于GRU和TCN深度学习模型训练量价因子，在中小盘实现显著超额收益，GRU与10日预测效果更佳，因子具低波低流动性风格暴露。

基于波动率(分歧度)、成交额(流动性)与宏观景气度构建的沪深300三维择时框架，通过大小窗口法划分状态，有效规避了2022年量价框架在向下合力阴跌区间的误判。

广发金工提出多模态多尺度股价预测模型，融合日/周度价量图表CNN、日频时序模型、高频因子时序模型四路特征，端到端训练回归+分类双头，全市场RankIC均值8.7%，多头超额年化12.97%。

基于Wind偏股混合型基金指数，通过优选基金穿透至重仓股构建基准，结合多因子选股及组合优化构建增强策略，实现年化19.07%收益和11.67%超额收益。

基于逐笔成交数据，提出结合成交价格及委托时间的主动买卖特征划分法，通过迭代分裂法筛选订单大小、成交时长、主动买卖特征等多维度有效子因子，构建精选复合因子，月频RankIC达8.93%，年化RankICIR达5.21。

以扩散指标选长期动量行业，用RRG三、四象限剔除短期走弱者，组合优化映射至ETF，构建行业/ETF轮动及沪深300增强策略。

使用线性概率模型，将个股历史收益率、特质波动率及多频率正负收益持续期等指标转化为预测下一期收益方向的哑变量，构建增强方向动量(D-MOM)因子，以抵御传统动量崩溃风险并提升A股选股能力。

基于Mamba2（SSD架构）与GRU多频端到端选股模型，通过引入市场状态信息与LGBM二层合成架构，在三大宽基指增上获得显著超额收益。

基于分钟频数据识别股票日内协同走势，从成交量和收益率两个维度度量股票在协同组中的辨识度与性价比，构建负向的“协同效应”因子。

广发金工通过挖掘上市公司财务附注中的研发投入数据，构建并测试18个研发相关因子，发现多个因子在细分申万一级行业中具备显著的选股能力。

基于日内高频量价数据与非预期收益方向，构造动态知情交易概率(DPIN)因子，刻画日内交易结构特征并在A股市场获取显著超额收益。

基于k-means++聚类与多维评价优选ETF池，并通过最高价最低价形态的支撑阻力因子与短期换手率提升构建风险平价周度调仓组合。

高频因子近期回撤源于市场微观结构变迁（交易机构化而非持仓机构化），体现为委托速度提升、挂单金额缩小和开盘成交占比增加。

开源证券提出理想反转、聪明钱和APM等交易行为因子，通过微观结构识别投资者行为，其ICIR加权合成因子在全历史区间及2019年均表现出稳健且优异的选股能力。

报告指出2021年后市场估值驱动逻辑转向，通过将“真知灼见”因子加速度化构建“预期惯性”因子，有效捕捉估值动态变化，并在高频调仓下表现优异。

基于Level 2逐笔成交数据构建跳跃波动率、跳跃累计值及成交额关联因子，有效捕捉微观结构中的信息冲击并产生显著超额收益。

方正金工将11个高频量价因子进行月度平滑低频化处理，合成综合因子在2023年表现出色，周频调仓能进一步提升收益。

针对深度学习模型在年初风格切换中的大幅回撤，提出高频数据优化、风格暴露惩罚与元增量学习三种方法，显著提升了策略的风险调整后收益并有效控制了回撤。

通过分类分红模式并利用时间衰减加权预测股息率，结合负向清单与低波因子，构建红利低波增强策略以规避“高股息陷阱”。

方正金工介绍开源AI Agent产品Hermes Agent的核心机制（闭环学习+分层记忆+技能沉淀）及其在金融投研中的七个应用案例，重点演示了基本面+技术面复合条件选股策略的自动化实现。

利用“因子切割论”对主动买卖因子按市场涨跌情境进行切割，发现大中单在高收益日具正向预测力，小单在低收益日具负向预测力，合成的ACT正向因子选股能力显著提升。

使用开源大模型FinGPT对金融论坛评论进行情感分析，构建乐观情感因子在沪深300上实现月频增强策略

基于分析师个体预期调整构建AFR因子，并通过依次剥离两次报告间及调仓前的超额动量得到真知灼见因子(PAFR)，显著提升选股效果。

基于竞争壁垒分析框架，在低估值壁垒护盾型行业中筛选唯一主导与合作共赢企业，并在非壁垒行业中筛选高效运营企业，合成竞争优势组合实现长期稳健超额收益。

实测微软开源的RD-Agent（fin_factor场景），通过LLM自主完成假设-代码-回测闭环，36个Loop内将双周频组合IC从0.0621提升至0.0699，验证了AI驱动因子挖掘的可行性与辅助价值。

报告提出时点动量因子，利用市场关键转折时点（大跌反弹、顶部切换、三角形突破、外部冲击等）当日行业/个股涨跌幅预测未来收益，在行业轮动和选股上均表现优异且与传统因子低相关。

从估值端和交易端刻画开盘分歧，构建“跳空博弈”因子以修复传统PEAD因子失效问题。

基于Claude Code与OpenClaw的Vibe Coding范式，通过自然语言驱动AI Agent自主完成代码编写与工作流编排，实现量化策略的高效开发与迭代。

开源金工提出因子挖掘2.0框架，通过GRU+GAT双网络结合多源特征，并用Barra风格因子收益实现SA动态加权融合，合成ML_C因子在多领域应用表现优异。

基于Level2逐笔订单数据构建集合竞价期间的成交与撤单比例因子，挖掘出具有显著选股能力的微观结构因子。

基于单复利差和泰勒残项衡量股价跳跃程度，通过截面翻转将传统振幅划分为“太阳型”与“火把型”予以修正，合成“飞蛾扑火”因子以捕捉博彩偏好反转效应。

本文详细介绍了OpenClaw在金融投研中的进阶应用，提出了多Agent协作架构、四层Token优化方案及四类高频投研Skills组合方案，实现降本增效与流程自动化。

本报告从交易者微观结构视角解析市值风格因子收益来源，按挂单金额划分交易者，构造成交占比因子与成交额因子，并通过因子间残差中性化提纯出独立于市值的EVL因子和小单成交额因子，分别获得ICIR 2.39与-1.90的市值中性化后表现。

开源金工对大小单残差和散户羊群效应因子进行变量精筛与高频测算改进，合成的大小单综合资金流因子多空信息比率达4.82。

论证了在量价因子研究中，“逐笔等高频数据+离散化的因子构建方式”是获取组合层面低相关增量信息的关键路径。

StockFormer基于Transformer预测市场状态并结合SAC强化学习直接输出交易决策，在中证1000指增策略上表现显著优于传统Transformer基线。

基于逐笔成交数据合成分钟资金流，通过切割、时段、情景三种维度重构大单/小单残差因子，显著提升选股效果。

以多期限改进LLT价格比为自变量做截面回归取残差，对过去8期周频残差求均值构建因子，在全市场周频调仓多空夏普1.33。

通过截面回归取残差构建跌幅时间重心偏离因子，剥离干扰因素后得到增强的TGD因子，能有效捕捉日内分钟收益率时序特征中的Alpha。

结合大语言模型(LLM)与蒙特卡洛树搜索(MCTS)构建因子迭代框架，通过LLM生成带金融逻辑的候选因子，MCTS进行多维度评测与路径搜索，实现日频及高频因子的自动化挖掘与改造。

广发金融工程AI量化及基本面量化系列专题报告合集目录，涵盖深度学习、强化学习、知识图谱等前沿量化技术。

本文详细介绍了开源AI助手OpenClaw在金融投研中的17个应用案例，包括文件管理、数据API自动化接入、浏览器接管及策略构建，展现了AI Agent在大幅提升投研效率方面的潜力。

利用DeepSeek-R1结合优化的RAG知识库对A股年报MD&A进行深度解析，构建财务一致性及短期利润指引因子，实现显著超额收益。

广发金工详述了DeepSeek本地化部署流程，并结合微软开源GraphRAG框架与DeepSeek-R1模型，在金融研报数据上构建金融知识图谱，实现投研实体关系的有效梳理。

本报告基于大模型情感打分、新闻发布后市场微观反馈以及同花顺股票热度数据，构建了包含glm4_news_emo、news_reaction、凸显效应及热度异常等四个选股因子，揭示了市场有限注意力下“热度越高、收益越低”的规律。

基于个股成交额在不同市场状态(价格高位/市场低分化)下的跟随性差异构造“水中行舟”因子，月频Rank IC达-9.36%。

将传统日频RSI指标提升至分钟频率，并以每日换手率为权重计算20日加权均值，构建成交量配合RSI因子，全市场多空对冲IR达2.26。

用个股横截面收益率标准差经成交量修正得到分化度VADI，低分化用趋势策略、高分化用反转策略动态切换风格权重。

通过改进行业主动超大单强度和羊群效应，结合大单和外资极端突破事件，并辅以动量、财务、拥挤度等负向剔除，构建周频行业轮动策略，扣费后年化收益超20%。

将手工量价因子加入深度学习模型正交层，构建低相关且选股效果良好的残差因子，提升多因子组合表现。

基于1分钟频数据提取大单成交后的市场跟随程度构建“待著而救”因子，发现过度跟随预示反应过度风险，未来收益较低，反之亦然。

系统解决港股财务数据六大处理痛点，构建并测试114个基本面与150个价量因子，明确全港股剔除仙股池因子有效性优于港股通。

使用PCA提取第一主成分作为隐式因子剥离共同波动，构建特质类复合因子，表现优于传统显式因子模型，并经定价效率中性化后进一步提升。

基于显著理论构造'草木皆兵'因子：用个股收益率相对市场收益率的偏离度（惊恐度）作为极端收益扭曲决策权重的度量，叠加日内波动率、个人投资者交易占比和注意力衰减调整，对20日反转因子进行改进，月频Rank IC达-8.90%，多空年化32.50

基于Moskowitz可知性理论，通过波动率和换手率变化识别个股的动量与反转属性，对判定为动量的股票收益取反，构建出表现强劲的“球队硬币”因子。

本报告基于低波动、低估值、低换手、高股息四因子构建稳健股票池，并利用动量、成长、分析师预期、股息率与高频因子进行增强，构建出长期战胜红利低波基准的稳健精选组合。

基于威科夫因果关系原则，利用三点点数图识别交易区间并测算目标价，结合大盘流动性择时筛选高弹性标的，构建择时+选股策略。

基于Level-2逐笔订单数据构建VPIN和DPIN两类日内高频知情交易因子，刻画多空订单流不平衡及知情交易行为，实现稳健超额收益。

基于高频逐笔成交数据和行为金融学遗憾规避理论，构建反映投资者惜售及不愿买回心理的选股因子，经小单与尾盘改进后在中证1000上指增效果显著。

构建基于Alpha挖掘能力、预测胜率、报告勤奋度三维度等权合成的卖方分析师团队评价因子，用于金股优选增强，策略年化超额收益达8.48%。

报告利用分钟级量价数据构建趋势资金均价与净支撑量指标，结合小单净流出进行多日多类型信号融合降频，构建事件驱动策略及多因子精选组合。

通过历史ROE水平、机构认可度、ROE波动率及分析师预期四维筛选稳健高ROE股票池，再用进攻+防守复合因子打分精选50只股票构建高质量组合。

结合FinBERT2情感分类与BERTopic+LLM主题分类挖掘股吧舆情因子，发现情绪反转与噪音交易者效应在小市值中更显著，周频策略在中证1000获8.69%年化超额。

本报告构建了一套基于转折点检测与HSAR算法的平台突破选股模型，并利用技术信息因子对信号进行增强过滤，在全市场及指数增强策略中均取得显著超额收益。

将历史日频行情涨跌符号化构建语料库，使用6阶统计语言模型计算条件概率预测市场涨跌方向进行择时交易，并辅以1%日内止损机制。

通过使用ChatGPT3.5对医药新闻的分析结果作为软标签，LoRA微调ChatGLM2构建周度舆情精选策略，实现低成本本地化大模型投研辅助，单边千二手续费下年化超额收益12.17%。

通过分钟级波动率的波动率（模糊性）刻画投资者模糊性厌恶，利用起雾时刻成交量与成交金额的微小差异构建反应过度与补涨逻辑，构造云开雾散因子实现优异选股效果。

基于高频限价订单簿前十档数据构建斜率凸性因子，衡量供需弹性与投资者耐心，在大市值股票上周频调仓获显著超额，结合基本因子的中证800指增年化超额达19.91%。

基于价格分解与频域分析构建流动性弹性因子，测量暂时价格向基本价值恢复的速度，在A股市场表现出显著的分层选股能力。

基于逐笔成交数据中单笔订单的大小、成交时长、时间及价格属性，构建“改进大单交易占比”与“漫长订单交易占比”等因子，合成后的复合因子表现优异。

本报告将主观的威科夫技术分析转化为量化的概率云表达，通过MACD划分波段，利用似然度函数量化事件形态，构建了个股中期择时策略，实现25.04%的费后年化收益。

西部量化提出隔夜-日内拉锯因子（TOI），通过计算隔夜与日内收益率之差及日内成交量占比的相关系数，捕捉A股隔夜上涨与日内反转中的隐藏alpha。

基于盈余公告后5日内分析师研报标题的文本模式匹配及预期净利润上下调行为，构建分析师认可度因子，在高增速股票池中精选真正具备成长性的股票。

以战胜主动股基中位数为目标，通过业绩分层优选基金、持仓补全及多因子增强构建组合，实现年化超额13.59%且每年稳定排名前30%。

利用ALSTM和SAC强化学习模型对5分钟频量价及集合竞价数据进行建模，预测日内最佳买卖时点，显著提升高换手组合超额收益。

本文基于个股日内相对成交量分布的香农熵与成交量激增时刻的价格弹性构建“暗流涌动”因子，刻画日内流动性与交易信息驱动的特异性，在全市场月频调仓多空年化收益达29.17%。

基于逐笔数据构建订单聚集因子簇，通过订单分类、聚集识别、统计量提取和日内聚合四步生成高频量价因子，多空对冲信息比率达3.69。

国盛金工基于Memory Map技术加速高频数据分段读取，系统化构建订单簿资金流因子簇，综合因子月度RankIC达0.110，年化RankICIR达4.24，并在沪深300、中证500、中证1000指增组合中均获得显著超额收益。

基于分钟频数据，通过日内成交量/振幅与收益率/日内相对位置排序的差值衡量多空博弈激烈程度，并使用均值距离化构建“多空博弈”反转因子，月频选股表现优异。

基于财报附注文本提取公司业务词汇集，通过计算公司间业务相似度(SIM)构建股票收益联动因子，捕捉市场信息摩擦下的动量溢出收益。

基于主买/主卖成交量构建“主买成交特异性”和“虹吸效应”因子，等权合成为“引力场”因子，月频多空夏普达3.64，周频年化收益超66%。

测试ChatGPT投资相关插件功能，重点使用Noteable插件构建LSTM沪深300择时模型和A股财务造假预测模型

回顾了2023年以来市场微观结构的变化及三个核心高频因子（MEMO、SR、LOTTERY）的表现。

将经典的高/低位放量形态从事件驱动拓展为横截面选股因子，通过计算不同价格水平下的波动率占比或不同波动率水平下的价格占比，构建出具有显著选股效果的量价综合因子。

基于Level 2逐笔成交数据，通过统计买卖订单号的实际成交完成时长并利用均值+N倍标准差划分长短单，结合订单方向解耦构建出22个微观结构因子，精选组合在全市场取得显著超额收益。

广发金工基于Level 2逐笔订单数据，将分钟频因子的时段划分逻辑下沉至逐笔级别，构建了涨跌、价格、成交金额、量价协同4大类123个日内重点时段因子。

开源金工提出DBD-GRU模型，将因子切割论的'切割-相减'思想编码为双分支GRU网络结构，有效提升了量价因子的预测能力与稳健性。

通过日内分钟级数据识别趋势资金后的极端跟随行为，构建羊群效应因子，负向预测股票未来收益。

通过构建FinLLM，利用GLM4清洗多源异构文本数据，并结合COT、对比分析与反事实推理的三角验证体系及LoRA微调量价数据，实现高精度的中证800选股。

利用大语言模型标注样本训练BERT-TextCNN模型对金融论坛股评进行情感分类，构建多维度周频舆情因子等权合成选股，实现中证1000指数增强。

本报告通过提取日内成交量激增时刻的价格波动与收益特征，构建了衡量投资者反应过度或不足程度的“适度冒险”因子，在全A股月频选股中表现出色。

通过GRU及其变体(双层/Attention/CNN)、三类数据(资金流/分钟频/衍生高频)和三种时间跨度(1/2/3年)共36个因子等权融合，构建深度学习选股因子，10日Rank IC达0.131，应用于指数增强策略。

广发金工提出将高频价量数据低频化为73个日频因子，结合3个低频风格因子，用7层全连接神经网络提取高阶特征，并通过截面回归特征组合方法构建选股策略。

构建结合GAT+GRU的深度风险模型与PPO的强化风险模型以提升收益解释度，并利用LinSAT网络实现端到端组合优化，显著提升指数增强策略的信息比率。

对可微RankIC损失函数进行分域加权与时序平滑正则改造，结合HiPreNets渐进式残差级联训练，提升指数增强策略表现。

基于分钟成交量分位数动态识别日内趋势资金交易时段，从量价偏离与净支撑量两个维度构建综合选股因子。

方正金工通过将1分钟频因子扩展至30秒、15秒频并多频率等权合成，发现多数因子的选股能力及收益表现均获得显著信息增量与改善。

本研报将日频振幅因子切割思想引入高频领域，通过分钟合并切割和日内切割合成两种方式构造了分钟理想振幅因子与日内振幅切割因子，等权合成得到的高频振幅合成因子在全市场rankICIR达-4.58，多空年化收益22.4%。

采用DDQN强化学习模型对A股ETF及个股进行10分钟频择时，样本外平均胜率约53%，显著跑赢基准。

使用7层全连接神经网络对76个高频低频化日频因子提取高阶特征，通过截面回归组合特征构建选股策略，在中证1000内获42.4%年化超额。

设计并实施了两套基于LLM的自动化因子生成与验证框架，证明AI在基本面和高频因子挖掘中能有效复现、优化传统因子并发现具备增量Alpha的新颖信号。

基于逐笔委托数据刻画A股撤单行为规律，构建三小将_TRI与毒流动性_TOX因子，合成后全市场多空收益达43.4%。

广发金工系统梳理机器学习选股全流程，对比GBDT与神经网络模型，通过SHAP特征筛选、截面标准化预测目标、NDCG损失函数等优化，构建沪深300/中证500/中证1000指增策略，年化超额分别达10.03%/8.41%/11.44%。

本研报从“数据”和“算子”双维度扩容挖掘约10万个财务因子，通过Leiden聚类与增量筛选构建聚类增强因子，实现优异选股效果。

以遗传规划(GEP)挖掘115个价量风险因子，定量剥离部分价量风险改进反转/波动/换手alpha因子，中证500增强年化超额15.81%→17.04%，信息比3.47→3.79。

以现金流结构划分A股企业生命周期为四阶段，并在每阶段用差异化多因子打分构建优选组合，再按指数权重复合形成指数增强策略。

资金流CNIR因子失效源于市场微观结构变化导致的拆单识别困难和截面回归未充分处理大小市值流动性差异，而非策略拥挤。

国信金工提出风险溢价视角下的动量反转统一框架(UMR)，通过时序均值调整后的日度风险指标判定每日收益的“动量”或“反转”属性，并加权构建出选股能力极强的统一因子。

基于PLS模型动态调整因子敞口并辅以GARP50卫星策略，构建复合中证500指数增强策略，显著提升超额收益与稳健性。

以券商金股为选股池，采用组合优化对标公募基金指数构建业绩增强策略，并利用基本面与技术面双维度筛选构建精选组合，实现稳定战胜普通股票型基金指数及中证500。

通过净流入金额绝对值标准化和横截面回归剥离涨跌幅影响，构造出残差资金流强度因子及残差反转因子，显著提升了大单与小单资金流的选股效果。

理想反转因子通过W式切割将过去20日涨跌幅按单笔成交额分为强反转组与动量组，提取纯粹的反转效应，样本外表现稳健且优于传统价量因子。

方正金工对开源多智能体交易框架TradingAgents进行本地化部署与改进，接入Wind数据源并在A股进行历史回测分析。

通过分层构建多粒度深度学习因子与基本面多因子子策略，经分步筛选与比例复合后再通过优化器进行权重配置，有效提升了500指数增强组合的超额收益与信息比。

基于DDM模型推导，通过基本面与风险变量对估值倍数回归提取残差，构建非理性估值溢价因子以寻找业绩与估值错配。

基于多维度资金流指标计算个股与基准指数分钟序列的相关系数与超额方向，构建异动雷达事件簇，并通过资金通道策略实现稳定超额收益。

利用ChatGPT的提示工程引导大语言模型挖掘高频买卖盘力量因子，并成功降频构建中证1000指数增强策略。

基于进门财经平台线上路演结构化数据，构建分析师覆盖度与首次覆盖事件驱动策略，并应用于指数增强与行业轮动。

基于时域分形理论，利用日内早盘指数收益率序列匹配历史相似片段，预测午后走势并进行股指期货低频T+0交易的策略。

广发金工研报提出基于高频价量数据的因子化方法，通过日内价量特征提取并平滑处理后构建周频选股因子，筛选出12个表现较好的高频因子。

利用遗传算法结合特色切割算子挖掘交易行为因子，解决了超大单等资金流痛点，并构造了交易情绪不稳定性等有效因子。

用分段线性回归等方法对高频非线性及阶段性失效因子进行线性化与动态纠正，构建的周频线性重构增强因子在中证1000指数增强策略中实现23.24%年化超额收益。

开源证券通过“纵向切割”（日内动量与隔夜反转）和“横向切割”（龙头股动量与普通股反转）剖析行业动量精细结构，构建黄金律和龙头股模型，有效提升行业轮动IR至1.15。

国信金工提出'超额收益释放图谱'，按距正式财报预约披露日间隔天数划分'内卷期-过渡期-黄金期'，优先捕捉财报前10日超额释放最强的'黄金期'股票，结合多因子打分与四大机制构建成长组合

国金证券基于TimeMixer改进的GRU+LSTM+LightGBM集成模型提取个股Alpha并聚合至概念指数，构建了周频热门概念轮动策略，并结合FCF2EV因子筛选概念龙头股以增强可操作性与收益。

基于逐笔数据的流动性冲击事件识别趋势资金行动，通过事件后窗口内的多维量价特征刻画羊群效应，批量挖掘并合成有效因子。

系统性对比AI选股六大训练细节（预处理、训练域、训练方式、分类回归、损失函数、树集成算法），确定最优全流程配置后，GBDT+NN融合因子在沪深300/中证500/中证1000指增策略上分别取得15.43%/20.50%/32.25%的年化超

通过价格维度将振幅因子切割为高价和低价两部分并作差，构造出理想振幅因子，显著提升了低波动异象的选股能力与稳定性。

广发金工基于Level-2逐笔订单数据，从订单“大小”与“长短”双维度进行多维度解耦，构建240个微观结构因子，精选组合在全市场实现13.3%的RankIC和31.33%的年化收益。

以日内特殊时刻（跌幅大、价格低、成交高、量价背离）的标准化笔均主卖成交金额(SATD)刻画主力资金出货行为，复合因子月度RankIC达10.33%。

基于港股分析师推荐事件构建基础股票池，并通过基本面与技术面双维打分增强，构建月度调仓的港股量化精选组合。

沙特权益市场（TASI）由原油价格主导绝对收益，受美元指数影响相对收益，因其与全球股市低相关且在美股回调时具韧性，具有较高分散配置价值。

ERR因子通过合成日内最极端收益率及其前1分钟收益率（排序相加），有效提取了微观层面的反转Alpha，多空信息比率高达3.01。

开源金工通过逐笔数据将大小单阈值重定标至2万元，并采用MOD横截面回归法剥离反转效应，构造的CNIR资金流因子选股能力显著提升，多头年化达27.86%。

基于中高频量价特征与深度学习框架构建混合收益预测模型，并通过SimStock自监督相似度学习初始化GRU隐状态，实现个股到宽基/行业指数的高效择时。

通过启发式风格划分法将指数成分股划分为成长、价值及均衡三类，分别采用超预期精选、高股息精选和多因子指数增强策略构建多策略增强组合，以应对传统多因子模型Alpha衰减与回撤加大的问题。

将聪明钱因子S指标中成交量指数β从0.5优化至0.1或改用对数变换ln(V)，全市场多空信息比率从1.69提升至3.7左右

深度测评开源多智能体预测引擎MiroFish，发现其在宏观与行业趋势推演中具有强叙事性和逻辑闭环，但预测精确性未显著超越联网LLM，更适合作为逻辑推演与查漏补缺的沙盒工具。

基于5分钟高频数据，利用跳跃-扩散模型从大小和方向维度拆分已实现跳跃波动率构建选股因子，其中周度小程跳跃波动因子表现最佳。

基于Level2快照10档订单簿，记录大额主动单击穿限价单的深度与方向，日内平均形成档位突破因子，对收益率低相关、与主要风格正交，中证1000多头费后超额8.3%。

基于Level 2逐笔成交数据还原原始委托订单，采用相对成交量阈值划分大小单，并从时间和订单双向属性进行多维度解耦，构建出93个微观资金流因子。

本文测试了ChatGPT Code Interpreter在金融投研中的应用，验证了其在数据清洗、可视化及中小规模模型训练上的高效性，但也暴露了其在大规模数据训练与深度学习库支持上的资源限制。

基于分钟级收益波动比与更优波动率的协方差，提取异常高波动时段的风险补偿作为“勇攀高峰”因子，实现显著多头超额收益。

基于个股日内分钟频成交量“潮汐”过程（由低到高再回低）构造价格变动速率因子，具有显著的反转选股能力。

本文利用ChatGPT辅助构建了均线择时、四象限风格轮动、基本面景气行业轮动以及高频量价“适度冒险”因子，展示了大语言模型在量化投研全流程代码生成与策略复现中的应用潜力。

无法解析有效内容——研报正文为腾讯验证码页面HTML片段，无任何实质性研究内容

基于分钟振幅将日内价格跳跃划分为峰、岭、谷三类状态，并提取6个独立Alpha因子等权合成构建选股与指数增强策略。

基于股票隔夜与日间收益构建有向相关性矩阵，划分领先与滞后群组以分离信号与交易，发现A股呈现反转效应并据此构建选股因子。

本报告从资金流间的相关性结构出发，提出基于错位秩相关的散户羊群效应因子，在选股与行业轮动中均展现出显著且稳健的负向预测能力。

本报告提出在总市值最小的1/3股票池中，通过传统多因子打分精选50只股票等权构建月度换仓的小盘精选组合，实现显著超额收益。

基于日内分钟成交量的局域分布特征，将分钟划分为“峰(孤立喷发)、岭(连续喷发)、谷(温和)”，构建20个微观结构因子，挖掘知情交易与散户过度反应的alpha信息。

采用佩因曼二元分离法重构财务报表，剥离金融活动干扰，基于重构后的自由现金流和经营资产回报率(ROOI)构建现金牛组合，实现显著超额收益。

本报告通过风险预算模型将多因子指数增强组合与超预期主动量化组合复合，在略微放大波动的条件下显著提升了中证500指数增强策略的超额收益和信息比。

基于问答互动与公告文本动态追溯个股概念归属，构建经DGTW市值中性化的概念数量因子，在多头组合及指增策略中表现优异，偏好高弹性高换手的预期驱动型个股。

本文引入Memory Map数据存储技术加速因子生产，并基于事件研究框架体系化批量构建约50万个羊群效应因子，筛选出50个因子构成因子簇，合成的综合因子在全市场多空对冲及沪深300、中证500、中证1000指增组合中均获得显著超额收益。

本报告将ChatGPT核心算法Transformer应用于A股量价选股，通过处理个股涨跌幅和换手率的时序面板数据预测未来涨跌概率，在月度调仓下取得良好相对收益。

方正金工测试了个人AI助理OpenClaw的云端隔离部署，并验证了其在文件管理、研报复现、条件选股及小盘价值量化策略自动化构建与回测等金融投研场景中的应用能力。

通过分析师共同覆盖、基金共同持仓、概念共同覆盖和形态相似四个维度为股票寻找精准的均值回复基准，构建了表现更稳健的结构化反转因子。

基于分钟量价数据，通过带截距项OLS回归将股价变动拆解为市场、短期信息、中长期基本面及噪声，据此构造“花隐林间”因子选股。

通过在深度学习模型训练过程中引入含风险信息的多任务损失（GRUWLSLossControl），有效降低了对风险因子的依赖，在中证800指数增强策略中显著提升了信息比率和超额Calmar比率。

DoubleAdapt双步适应训练框架通过数据适应器与模型适应器(MAML)结合，解决增量学习中的数据分布变化问题，显著提升LSTM等深度学习模型在股票趋势预测中的多头收益与IC表现。

通过ROIC拆解企业竞争优势来源(供给侧成本领先/需求侧客户锁定/综合优势)，结合盈利能力价值(EPV)构建安全边际，形成稳定超额收益的价值策略。

基于逐笔成交数据构建非孤立成交不平衡因子，通过对同期涨跌幅正交化剔除反转效应干扰，显著提升选股效果。

报告基于分钟单笔成交金额序列，从分布特征、时序相关性和反转提纯三个维度提取微观主力行为因子。

通过比较宏观指标实际值与Wind/Bloomberg预期数据的差异定量刻画宏观预期偏差，筛选4类显著情形构建不定期与定期权益风格轮动策略，并与宏观技术视角策略结合提升表现。

本报告针对传统Transformer选股模型在极端市场适应性差的问题，提出通过MASTER模型引入市场状态特征进行自动特征选择，结合深度风险模型刻画市场偏好，并采用加权MSE与元增量学习优化训练，显著提升了模型的选股能力与稳健性。

基于LSTM框架融合日频量价、分钟频量价及大小单资金流数据挖掘因子，并在输出层前一层拼接财务数据分位点，生成的深度学习因子在中证1000指增中表现优异。

AlphaForge通过DCGAN和预测器结合构建连续可导的生成框架，利用梯度下降直接优化逆波兰表达式因子挖掘，解决传统方法优化无方向性和过拟合问题。

东吴金工提出LLM增强遗传编程和函数式代码生成双路径挖掘量价因子，并将流程封装为可迭代共享的Agent化研究Skill。

介绍同花顺问财SkillHub平台，支持通过自然语言多条件筛选进行AI选股并兼容主流AI助手。

用隔夜收益替代上午收益改进原始APM因子，解决2019年上午收益预测性反转导致的因子失效，并构造OVP因子(隔夜减下午)表现更优

报告系统梳理了A股动量因子的多种构建方式，从传统动量、刻画路径动量、基于财务公告日动量、日内及隔夜动量、特质动量五个维度构建综合动量因子，2010-2021年全样本RankIC均值6.5%、IR 2.92，多空年化收益28.2%、IR 3.