核心观点：

基本面事件策略中，分析师预期修正增强选股策略从2021年1月开始样本外跟踪，截至2024年6月底，累计绝对收益41.74%，累计超额中证500收益75.84%。高频量价因子中，ESI因子年化多空收益36.81%，夏普比率1.90，IC均值11.35%，年化IC_IR达到2.81，效果最好。Factor Zoo基于机器学习算法，在各大类因子中筛选出九个表现较好的因子，整体因子间相关性较低，且与传统的Barra风格因子也不存在明显相关性。长期陪伴式FOF组合聚焦行业均衡分散并且具有适度轮动能力的基金，2024年开始样本外跟踪，2024Q1和2024Q2的组合收益率分别为4.05%和1.98%。

分析师预期修正增强选股策略样本外累计超额75.84%，月胜率69%

分析师预期修正增强选股策略经过历史样本内回测和样本外跟踪，从2010年1月至2024年（截至6月底）14年时间，组合年化收益27.03%，相对中证500指数的年化超额收益为25.76%。2021年1月开始样本外跟踪，截至2024年6月底，累计绝对收益41.74%，累计超额中证500收益75.84%，样本外跟踪42个月只有13个月超额收益为负，月度胜率69%，回撤-11.30%，样本外表现非常优秀。

“预期双击”行业轮动策略样本外累计超额26.82%

“选股策略”从2022年年初开始样本外跟踪，截至2024年6月底，累计绝对收益-8.27%，累计超额收益31.20%。“行业轮动策略”从2022年年初开始样本外跟踪，截至2024年6月底，累计绝对收益-4.2%，累计超额收益26.82%，我们基于最新2024年6月底的分析师预期数据进行行业选择，“预期双击”组合行业轮动所选五个行业分别为有色、银行、军工、消费者服务、电力设备及新能源。

事件追踪正向效应中超预期信息-增速表现最好，60日CAR达3.2%

事件效应跟踪：超预期信息-增速60日CAR达3.2%，负面公告-立案调查60日CAR达-8.8%。事件组合跟踪：300内负面公告组合(1个月)累计超额达25.4%，300内股东减持组合(1月)累计超额达-26.5%。

量化产品跟踪：指增超额表现亮眼，1000增强近1年中位累计超额收益达7.58%

指增产品跟踪：近1年，500增强中位超额达5.59%，1000增强中位超额达7.58%。主动量化产品整体配置偏向小盘成长风格，相较于上年同期，增配比例最大的是大盘价值（+6.57%），减配比例最大的是小盘成长（-8.63%）。

流动性高频因子与投资者注意力因子多空年化收益在4%-36%之间，其中ESI因子年化多空收益36.81%

本文研究了基于交易成本构建的流动性指标、投资者注意力理论在量化选股中的应用，结果表明流动性指标、投资者注意力理论在单因子回测中有不错的表现。其中ESI因子年化多空收益36.81%，夏普比率1.90，IC均值11.35%，年化IC_IR达到2.81，效果最好。

投资者有限关注及注意力捕捉与溢出

本文重点研究了行为金融学中的投资者有限关注理论在量化选股中的应用，并进一步拓展至投资者注意力的捕捉与溢出理论。结果表明这三类因子在单因子回测中都表现出较强的选股能力。其中，有限关注复合因子年化多空收益33.60%，夏普比率2.67，IC均值-10.81%，年化IC_IR为3.98；投资者注意力捕捉复合因子年化多空20.48%，夏普比率2.33，IC均值-7.33%，年化IC_IR为3.60；注意力溢出因子年化多空均达到25%以上。

技术指标因子高频化

技术分析基于三个基本假设：市场涵盖一切信息、价格跟随趋势移动以及历史会重演，主要利用股票历史量价信息预测未来走势。本文重点研究了技术指标在量化选股中的应用，并进一步构建了高频化技术指标。结果表明技术指标高频因子在单因子回测中表现出较强的选股能力。其中Money_Flow因子表现最好，年化多空收益36.55%，夏普比率1.94，IC均值-11.51%，年化IC_IR达到2.78。

基于XAI的可解释性：模型预测受特征集、训练期、预处理方法的影响显著

我们具体选择四种解释方法并做了适配，分别为TIG、TOCC、TSHAP和TATT。根据预测阶段解释结果，模型受截面处理方法影响显著，对小市值与低预测高敏感性，贡献分布随预测期和特征集的调整变化显著。根据训练阶段解释结果，适中学习率利于训练，特征集间的组合搭配可识别冗余特征；近期模型较早期模型出现模式突变。

Factor Zoo I

本文批量构建了振幅、标准差、高阶矩、成交占比、流动性、动量、量价相关性、极值位置等几大类上千个日内因子，通过优化因子框架，能够高效灵活的挖掘以及检验因子，最终在各大类因子中筛选出九个表现较好的因子，对其进行进一步分析表明，整体因子间相关性较低，且与传统的Barra风格因子也不存在明显相关性。

基于数亿新闻上下文的本地RAG系统用于市场择时及行业轮动

本研究通过融合新闻数据与先进的大型语言模型，成功构建了一个本地化的RAG（Retrieval-Augmented Generation）系统。该系统充分利用了大型语言模型在文本总结、分析和推理方面的强，并结合市场新闻和状态信息，以实现对一系列复杂下游任务的有效处理。我们依据大型语言模型生成的预测信号，进一步设计并实施了三种策略：市场择时策略、行业轮动策略以及综合行业轮动与市场择时的复合策略。通过对这些策略的实证分析，我们发现RAG系统在实际应用中展现出了卓越的性能。

基于新闻、研报、财务、技术指标的大模型个股分析框架初探

本文融合了技术指标、财务数据、新闻资讯以及研究报告数据，构建了综合提示词，进而结合大语言模型对股票走势进行深入分析。该系统的优势在于，它不仅能够预测股票的未来收益，而且与传统模型相比，还能对分析结果提供清晰的解释，并且通过对比可以看出各类数据对于预测结果的影响程度，显著提升了模型的可解释性，有效克服了传统模型在解释性方面的不足。

基金组合策略

长期陪伴式FOF组合聚焦行业均衡分散并且具有适度轮动能力的基金，一方面通过均衡分散配置降低组合风险，另一方面通过适度轮动配置及时把握不同行业阶段性投资机会。同时，考虑选基因子的阶段性有效性，进行动态选基。策略的样本外为2024年至今，2024年入选的重点因子为行业拥挤度、下行风险、基于多层归因模型的个股能力和价值因子。2024年Q1和2024Q2的组合收益率分别为4.05%和1.98%，2024年Q3入选基金主要有摩根双息平衡、汇添富红利增长、上银鑫卓、中信保诚四季红、宏利市值优选、汇添富外延增长主题、南方智慧精选、国投瑞银瑞利等20只均衡型基金。