本报告系统介绍基于Black-Litterman模型的多策略资产配置框架，融合量化投资时钟和单一资产择时模型，综合宏观经济预测与资产定价，实现资产配置与择时的有机结合。通过基准配置权重的逆优化及贝叶斯更新引入主观观点，提升预期收益及配置稳健性。回测覆盖股票、债券、商品、现金、黄金与原油六大类资产，显示稳健组合年化收益8.01%，最大回撤1.6%，夏普比率2.06；进攻性组合年化收益16.03%，最大回撤6.99%。模型兼顾收益与风险预算，参数敏感性分析强调Tau的关键作用，展示策略在不同经济周期及市场环境中的稳定表现和风险控制能力，为实战资产配置策略提供理论及方法支持。[page::0][page::5][page::6][page::11][page::14][page::15][page::16]
本报告基于CAPM、Fama-French三因子、五因子及Carhart四因子模型，实证研究了A股市场中基于模型残差的特质波动率纯因子的表现，发现低特质波动率组合具有显著年化超额收益和稳定的负向收益关系，且传统因子对特质波动率的解释力度有限，特质波动率纯因子收益月度均值显著为负，揭示了该因子在A股市场的独立信息和投资价值 [page::0][page::9][page::12][page::13][page::14][page::15]。
本报告以螺纹钢期货为例，深入分析了期货市场上的成交持仓比及机构前十大净持仓变化对价格波动率的预测能力，建立了基于持仓信息的期货策略模型。实证结果显示，成交持仓比与未来最大涨跌幅和波动率存在显著正相关，结合机构净持仓变化率的统计模型进一步提升策略有效性。最终构建的持仓信息策略在螺纹钢期货上表现优异，累积收益逾254%，年化收益率接近29%，最大回撤控制在10.84%，并通过敏感性分析明确了最优参数区间，为商品期货量化策略提供重要参考。[page::0][page::3][page::4][page::5][page::6][page::7]
本报告基于宏观基本面四个核心指标（经济增速、通胀、利率、风险溢价）分析其对中国市场价值与成长风格以及大盘和小盘风格配置的影响，采用多变量控制及交叉项回归检验，发现经济上行有利于价值股和大盘股配置，通胀、利率下行同样增强价值股表现，小盘股在十年国债利率和风险溢价下行时胜率显著提升。全文系统构建风格轮动配置模型并通过胜率和超额收益验证其有效性，为量化风格配置提供理论与实证支持 [page::0][page::1][page::2][page::5][page::6][page::7][page::8][page::10][page::11][page::12]
本报告围绕航空行业的核心基本面指标，包括客座率、汇率和原油价格，结合量化模型系统分析了这些指标对航空股超额收益的影响及领先性，构建了基于行业核心变量的净利润、营业收入及超额收益的TTM增速预测模型及择时、选股模型。研究发现客座率是超额行情的基石，汇率和原油价格为重要外部影响因素，三大指标在择时与指数增强模型中表现良好，策略年化超额收益分别达到5.48%和13.64%[page::0][page::1][page::2][page::3][page::5][page::7][page::9][page::10][page::11][page::12][page::13][page::14][page::15][page::16][page::17][page::18][page::19][page::20][page::22][page::23][page::24]。
本报告系统探讨了传统IC系数在单因子有效性测试中的局限，通过统计学解析，将相关系数转化为权重优化的组合构造方法，提出基于因子分级靠档的复合因子增强策略，成功实现沪深300指数的稳健超额收益，近4年夏普比率稳定超过2.5，显著提升了量化因子构建与组合权重衔接的科学性和实用性 [page::0][page::1][page::4][page::6][page::8]。
本报告从有效因子的因子轮动视角出发，区分有效因子与风格因子，构建了宏观变量、市场变量、季度效应与因子动量为自变量数据库，采用逐步回归和序数回归两种模型预测有效因子未来相对强弱并实现赋权轮动。实证结果表明该因子轮动显著提升组合的年化收益率，序数回归法表现更稳定，权重波动小、交易成本低，并验证了基本面因子与交易因子权重的动态变化规律 [page::1][page::4][page::5][page::9][page::11][page::12][page::13][page::14]。
本报告系统介绍了Barra风险模型的定义、分类、作用及其在A股市场的实证表现，深入分析了Barra模型风格因子和行业因子的显著性及风险属性，结合中信建投现有选股体系对比分析了风险剥离效果。研究证实Barra模型对沪深300等大盘股解释度较高，行业因子在风险解释中占主导地位；同时指出部分风格因子如规模因子正由Alpha因子转向风险因子，且市值等权处理对风格因子的风险剥离效果与Barra相当。最后，通过构建中证500指数增强组合，实证显示中信建投现有选股体系的指数增强表现优于Barra风险模型处理组合，提示应根据不同样本池和因子灵活应用风险剥离方法，为指数增强及多因子投资策略提供实证参考 [page::1][page::4][page::8][page::16][page::19][page::20]
本报告从市值结构、流动性等多个维度分析港股市场特征，系统测试了市值中性条件下27个技术、成长、盈利及估值类因子的选股有效性。结果显示港股无显著市值效应，但存在显著的横截面动量效应，成长性及盈利类因子（如delta_roe、eps、roe）具有稳定的超额收益和良好的风险调整表现。估值类因子表现较弱，后续将基于这些因子构建港股多因子选股策略 [page::0][page::5][page::6][page::7][page::8][page::9][page::10][page::11]
报告基于A股连续深跌技术形态，通过滚动窗口极值法识别深跌反转样本，筛选出2048只连续大幅下跌超过50%的股票，发现深跌后个股尤其是2008年样本具有显著反弹特征，但整体表现受市场大级别反弹影响明显。基于深跌样本构建等权组合，持有200交易日效果较佳，年化收益约14%，加入持仓限制与止损及择时条件后风险显著降低，年化收益最高可达近20%。此策略强调利用技术形态捕捉深跌反转机会，为量化选股提供新思路 [page::1][page::5][page::6][page::7][page::8][page::9][page::10]
本报告通过对中信一级29个行业近五年股价月度波动的系统分析，发现行业波动集中在特定月份，周期性行业多于六月波动突出，多个行业遵循净利润季度分布规律，且节假日及政策因素亦显著影响股价波动，构建了行业月度波动的多维驱动框架，为量化基本面投资提供了理论支持与实证依据[page::0][page::1][page::2][page::3][page::4]。
本报告基于行业财务基本面指标与行业指数涨幅排名的相关性分析，系统验证了净利润成长性指标与当季行业指数涨幅正相关，ROE环比涨幅具有领先预测能力，毛利率环比涨幅对同期指数涨幅有显著关联，而净资产增速与指数涨幅关联不显著，强调行业指数涨幅主要由盈利能力及成长能力驱动 [page::0][page::1][page::2][page::3][page::4]。
本报告系统总结了高送转股票投资策略，通过提前埋伏和董事会预案公告后买入两阶段方法，充分捕捉小市值风格红利及高送转事件alpha，实证表明该策略2015年获得显著超额收益，报告并推荐最新高送转股票组合，指导投资者把握未来2-3个月投资机会 [page::0][page::1]。
本报告系统阐述了中信建投量化行业基本面体系，重点分析业绩表现与股价表现的同步性，提出基于净利润TTM环比增速的行业配置策略，并以10个中信一级行业为例进行了历史回测，回测期内实现了7.5%的超额年化收益。报告强调了结合行业研究员逻辑和量化手段构建行业量化基本面体系的重要性，为行业轮动和量化配置提供理论基础与实证支持[page::0][page::1][page::5][page::6].
本报告提出GraphShield，一种创新的动态图学习模型，通过整合时空信息和风险聚类特性，有效识别隐藏风险并防止风险传播。该方法在四个真实及开源金融数据集上取得领先性能，并提供直观的风险传播可视化分析工具，助力维护金融稳定。[page::0][page::1][page::2][page::5][page::6]
本报告利用拓扑数据分析（TDA）方法检测了COVID-19疫情期间美国股票与大宗商品市场的崩盘，发现Wasserstein距离显著上升，显示崩盘期间市场拓扑结构的剧烈变化。同时，通过Granger因果关系检验揭示了股市与商品市场在崩盘期间存在双向因果关系，且股市对商品市场具备主导性。此外，报告还考察了美国各股票行业板块间的相互依赖性及其动态变化，为投资者理解疫情冲击下市场联动机制提供了新视角 [page::0][page::6][page::8][page::13][page::15]
本报告提出基于欧元区多层网络模型构建欧元区银行系统，利用多种细粒度数据来源构建多层网络的不同金融关系层次。通过分析各层的拓扑结构和中心性指标，揭示银行间多样化资金流和风险传递路径，验证不同层网络拓扑差异与实证特征。实证结果表明，多层网络层具有“无标度”和“小世界”性质，但不同层表现不一，强调建模需考虑层的异质性以精准描述系统性风险和市场动态[page::0][page::5][page::6][page::7][page::11][page::12]。
本文提出了一种将长短期记忆网络（LSTM）与图神经网络（GNN）融合的混合模型，结合时间序列与股票间关系数据，显著提升了股价预测的准确性。经扩展窗口验证训练，该模型在历史数据上的均方误差（MSE）为0.00144，较单独LSTM模型降低了10.6%。相较线性回归、卷积神经网络（CNN）和全连接网络，混合模型表现出更强的鲁棒性和泛化能力。该研究证明结合时序动态和股票关联性是提升金融市场预测效果的有效途径，为实时交易和风险管理提供了有力工具 [page::0][page::1][page::4][page::6][page::7][page::8][page::9][page::10].
本文提出了结合因果生成对抗网络（Causal GANs）与软演员评论家（Soft Actor-Critic, SAC）强化学习的混合方法，生成涵盖AAA、BAA、美国10年债券和垃圾债的高保真合成债券收益率数据，并整合12个关键宏观经济变量。基于这些数据，利用微调的大型语言模型Qwen2.5-7B进行买卖信号、风险评估和波动率预测。多维度评估结果表明，方法在平均绝对误差（MAE低至0.103）和收益率（最高60%盈利率）等方面均优于基线，且强化学习模块显著提升合成数据质量与预测性能[page::0][page::1][page::4][page::6][page::7]。
本文提出了一种基于12种限价单簿事件的事件驱动LOB模拟模型，利用Neural Hawkes过程提升对事件间非线性依赖的捕捉能力，构建了动态midprice过程。通过深度强化学习框架实现了更真实的高频做市策略回测，模拟结果在价格波动性、订单成交分布等方面与真实市场数据高度一致，验证了方法的有效性 [page::0][page::2][page::3][page::8][page::11][page::14][page::18][page::21]。
