本报告基于对基金经理主动调整持仓技术相似性（ATS）指标的研究，发现高ATS基金显著取得超额收益，尤其是在技术创新驱动日益突出的时期。ATS作为衡量基金经理信息获取能力的重要指标，与传统基金特征指标正交，且结合历史Alpha、行业集中度等指标能更好地识别优秀基金。增加ATS相关交易是基金获得正异常收益的主要来源，实证结果对基金业绩预测具有较强的稳定性和经济意义[page::0][page::3][page::6][page::7][page::14]。
本报告基于分析师共同覆盖视角提出了“共同分析师覆盖”指标，有效识别动量溢出效应。实证显示该因子具备强预测能力，市值加权五因子α达1.19%，等权重达2.10%。CF动量因子优于行业、地域等传统因子，且在国际市场同样有效。研究揭示分析师覆盖对信息流动及股票未来收益的影响，证实信息处理迟缓导致的反应不足机制，为量化动量策略提供重要参考[pag::0][page::3][page::6][page::8][page::10][page::14]
本报告提出了基于日内相邻时间区间收益协方差的价格张力指标RES，克服了传统流动性度量的不足，能够同时反映流动性冲击的价格影响及其持续性。实证结果显示，RES与未来股票收益呈显著负相关，体现了非流动性溢价，在等权重和市值加权投资组合中，未来月收益差达到33-57个基点。该指标稳健性高，在控除市值、小股样本、其他流动性指标及信息冲击后均显著有效，且对大市值股票依然适用，体现了较强的资产定价能力，为流动性风险管理提供新的量化工具 [page::0][page::3][page::5][page::6][page::9][page::11][page::15]。
本报告研究了基于波动率的IH期货和50ETF期权策略择时，发现单一趋势跟踪或卖期权策略表现有限，但两者负相关，合理组合可提升效果。隐含波动率（IV）及其变化率对策略择时效果显著，回测显示组合策略年化收益最高可达18.46%，夏普比率1.64，优于单策略表现，为衍生品策略择时提供实证依据 [page::0][page::6][page::7][page::8][page::12]。
本报告提出基于改进条件表格生成对抗网络（CTGAN-Plus-Features）的资产配置优化方法，通过结合CTGAN生成感知市场环境的合成数据与收益风险的CVaR约束，实现投资组合的有效性提升。实证案例显示，添加国债收益率期限结构特征能显著改善资产配置的样本外表现，且该方法在收益、风险控制及分散度方面均优于传统基于历史数据的优化模型，交易成本对收益影响有限，为中长期资产配置提供新思路。[page::0][page::3][page::8][page::9][page::11][page::16][page::20]
本报告基于高频日度后验概率模型，创新区分知情买入和卖出概率，研究公司并购公告及盈利公告前后知情交易行为。结果显示并购公告前知情买入提前反映并购信息，公告后知情交易预测投标撤回和竞价者出现概率，同时盈利公告前知情交易削弱公告收益反应，公告后知情交易则显著预测未来股票收益。[page::0][page::3][page::5][page::8][page::9][page::15][page::21]
本报告回顾了2014年沪深300指数筑底回升的行情，单向做多量化交易策略实现净值涨幅24.46%，超额收益率5%。通过详实数据及图表分析，展示了投资组合与沪深300指数净值及月度收益率的对比，同时对已完结交易收益率、持仓分析进行全面梳理，验证策略在2014年市场环境下的有效性，为2015年策略展望奠定基础 [page::0][page::2][page::5][page::6][page::8][page::9]
本报告从盈利加速度视角提出量化成长因子，使用业绩指标同比增速的同比变化构建9种盈利加速度因子，其中以营业利润加速度OPER_PROFIT_EAV表现最佳，IC均值2.68%、年化ICIR2.30，年化超额收益达6.87%。该因子在中证500表现优异，年化超额收益约9.39%，分行业有效性存在差异。基于盈利增长模式，构建稳健加速增长精选50策略，自2009年起相对中证全指年化超额收益约17.64%，表现稳健。[page::0][page::6][page::12][page::14][page::22][page::24]
本报告提出动态均衡估值因子BET，融合估值与成长性，弥补传统PE和PEG的局限，具备更合理的投资回收期刻画及因子表现。在全市场及主要指数（沪深300、中证500）内，动态均衡估值因子表现卓越，2021年累计多头超额收益最高达21.45%，多头组合的最大回撤较低且稳定。报告还基于该因子精选了12月沪深300和中证500股票组合，提供实际持仓参考。因子构建考虑了盈利增速的保守估计方法与季度加权法，保证了因子的稳健性和样本外表现的优异。[page::0][page::3][page::4][page::5][page::6][page::8][page::9][page::10][page::12]
报告研究了宏观经济变量与投资者情绪变量在股市择时中的表现，基于机器学习方法发现，单独使用任一类变量均难以提升策略夏普比率，但结合两类变量后夏普比率显著提升至0.62，且最大回撤减少约30%。此外，宏观经济变量在市场扩张期表现优于情绪变量，而衰退晚期情绪变量信息显著，二者互补性强。该研究对机器学习在择时策略中的应用及变量选择提供了理论支持和实证依据，为投资者控制风险同时提升收益指明方向 [page::0][page::4][page::13][page::14]
本报告基于量化方法系统构建FOF组合，以实现不同风险等级的绝对收益。通过严格筛选基金池、构建全面基金评价指标体系、结合风险预算资产配置及股债择时，构造了稳健型与均衡型两类FOF组合，分别达成年化收益6.55%和9.03%，展现良好抗回撤能力与风险调整收益 [page::0][page::26][page::28][page::34][page::37]
本报告基于能力平价（AP）模型，结合基金经理的选股能力与市场择时能力的权衡，构建稳健基金投资组合。AP模型在沪深300指数及五个经典模型上回测表现显著优异，实现更高年化收益率和夏普比率，且其超额收益无法被Fama-French因子解释，代表中国基金市场中一种有效的资产配置新思路 [page::0][page::8][page::11][page::17][page::18]。
本文通过引入基于日内收益的不对称交易量变量改进HAR与RSV模型，实证日本东证期货高频数据，发现非对称交易量变量显著提高已实现波动率预测精度，且基于日内收益的非对称变量优于基于日度收益者，表明考虑交易量非对称性对波动率建模和预测至关重要[page::0][page::3][page::5][page::6][page::7][page::8][page::13]
本报告研究基金竞争格局对其Alpha持续性的影响，提出基于风格空间动态识别特定基金竞争对手，并构建竞争激烈度指标。结果显示，基金过去相较竞争对手的超额Alpha（CPA）能有效预测未来Alpha，且低竞争环境下持续性更强，反映竞争限制了Alpha的实现。交易行为分析支持低竞争市场中基金能更缓慢且有效积累股票，资金流动性更优，从而支撑更稳定的业绩表现[page::0][page::3][page::5][page::14][page::15][page::22][page::23]
本报告提出DAM-GAT模型，通过引入属性敏感门控机制及动态自注意力机制，实现动态学习公司间关系，精准量化股票间动量溢出效应。模型整合高维交互特征融合及时序GRU嵌入，实现对股价趋势的有效预测，显著超越传统GCN和GAT，周频调仓下，预测因子pred5d在全样本RankIC达6.8%，费用后多空年化超额收益41.09%，中小市值股票中表现尤为突出，推动指数增强策略在沪深300、中证500、中证1000、国证2000均实现显著正超额[page::0][page::4][page::14][page::19][page::29]
本报告基于对Amihud非流动性指标ILLIQ及其组成部分IDVOL的深入分析，发现ILLIQ中忽略的非流动性信息部分对股票横截面和时间序列收益具有显著定价能力。控制了错误定价、投资者情绪及季节性因素后，非流动性溢价持续显著。市场ILLIQ对整体股票市场收益的影响优于IDVOL，表明ILLIQ对非流动性的衡量更全面，为因子投资和风险定价提供了重要参考 [page::0][page::3][page::5][page::9][page::12]。
本报告系统梳理了因子择时的预测信号及其投资逻辑，指出因子收益表现存在显著周期性且受风险暴露、投资者行为及市场摩擦影响。报告总结五类预测信号：金融环境、经济环境、情绪、价差及动量，并结合Fama-French因子实证分析，揭示了信号与因子收益的相关性及其在不同预测时长上的变化。此外，因子择时面临时变关系、选择性指标筛选及数据修正等三大挑战，提出使用简约模型和多信号模型来克服瓶颈，通过动态策略提高实际投资回报，体现因子择时虽有风险但仍具潜力价值 [page::0][page::3][page::5][page::6][page::8][page::10][page::12][page::13][page::14]。
本报告基于网络分析和机器学习技术，探讨资产因子与混合投资组合配置的关联性及优化方法。通过有向网络与关联网络分别刻画资产与因子关系，结合LASSO回归与交叉验证，实现稳健的特征选择和风险敞口管理。实证结果显示混合配置优于纯因子或纯资产配置，且网络中心性得分能有效指导配置权重，机器学习辅助提升组合表现。研究为资产配置提供了新视角与方法论支持[page::0][page::3][page::5][page::9][page::14][page::18]。
报告围绕收益与波动率之间动态非对称性现象，以收益和残差波动率的皮尔逊相关系数构建非对称性因子，采用高频和日频数据测算波动滞后、波动超前及同期效应因子，验证其在沪深300、中证1000等指数中的显著选股能力，且经过CAPM、FF3模型调整后因子表现更优。非对称性因子多头年化超额收益最高达11.4%，回撤控制良好，且对传统因子具备独立alpha信息增量。基于此，构建的指数增强模型在沪深300、中证500、中证1000及国证2000均获得显著超额收益，表现较为稳定。策略的有效性还体现在高频因子使用及因子调仓频率的优化上，具备实用投资价值 [page::0][page::4][page::9][page::12][page::15][page::23][page::26][page::28][page::30]
本报告研究晨星基金评级及其2002年改革如何通过基金资金流引发风格层面的系统性价格波动。评级变化驱动资金流，形成显著价格压力和后续反转，改革后评级趋于平衡，资金流动更均匀，价格压力减弱，风格回报差异缩小，验证了非基本面需求对股价的系统性影响 [page::0][page::3][page::6][page::8][page::12][page::17]
