金融工程研究报告：2026年策略展望与2025年研究回顾

目录1. 2026年展望 71.1. 回顾 71.2. 展望 10确定不定 10一致分化 10高波低波 101.2.4. 总结 102025年基本面研究回顾和2026年研究发展展望 资产负债表财务附注质量因子 2.1.1. 介绍 存货理力子果示 12坏账理力子果示 14盈利偏度和估值偏度因子 182.2.1. 介绍 18营业润偏因结展示 18POP（业润值度因结展示 20自由现金流策略分析与组合实践 212.3.1. 介绍 21自由金指表现 22现流Beta组合 24自由金动组合 24自由金成组合 25量化基本面研究发展展望 262025年机器学习研究回顾和2026年研究发展展望 28融合订单簿信息的深度学习选股模型 283.1.1. 介绍 283.1.2. 信号策表现 30Mamba-MoE：风险中性化与多模型融合 303.2.1. 介绍 303.2.2. 信号策表现 32时间序列重采样与多尺度多窗口信息融合模型 363.3.1. 介绍 363.3.2. 信号策表现 37机器学习研究发展展望 412025年资产配置研究回顾和2026年研究发展展望 42多资产相关性研究 424.1.1. 介绍 42相关预的用 42PCA+风平价 44宏观因子组合及股债相关性再探索 464.2.1. 介绍 46宏观子合绍 46测试果 48量化资产配置研究发展展望 492025年行为金融研究回顾和2026年研究发展展望 50历史研究 50行为金融研究发展展望 502025年量价因子研究回顾和2026年研究发展展望 50特质波动率因子的重构 50显著上行特质波动率因子表现 50量价因子研究发展展望 52风险提示 52图表目录图1：国内各风指数势 9图2：国债到期益率化 9图3：存货管理力因净值--等权 12图4：存货管理力因子RankIC 12图5：存货管理力因净值--市值加权 13图6：存货管理力因宽度 13图7：存货管理子各股域多头和超额对比 13图8：存货管理子各股域IC和ICIR对比 13图9：存货管理子沪深300选股净值 14图10：存货管理因子证500选股净值 14图存货管理因子证1000选股净值 14图12：存货管理因子证2000选股净值 14图13：坏账管理能力因净值--等权 15图14：坏账管理能力子RankIC 15图15：坏账管理能力因净值--市值加权 15图16：坏账管理能力因宽度 15图17：坏账管理因子各股域多头和超额对比 17图18：坏账管理因子各股域IC和ICIR对比 17图19：坏账管理因子深300选股净值 17图20：坏账管理因子证500选股净值 17图21：坏账管理因子证1000选股净值 17图22：坏账管理因子证2000选股净值 17图23：营业利润率偏度子IC测试 19图24：营业利润率偏度子分组测试净值 19图25：营业利润率偏度子分组测试相对净值 19图26：POP偏度因子IC测试 20图27：POP偏度因子组测试净值 21图28：POP偏度因子组测试相对净值 21图29：自由现金流指数值表现 23图30：宽基自由现金流数净值表现 23图31：自由现金流全收指数超额净值表现 24图32：宽基自由现金流收益指数超额净值现 24图33：自由现金流动量合净值表现 25图34：自由现金流成长合净值表现 26图35：PatchDPT模型架构示意图 28图36：PatchDPT模型计算细节 29图37：PatchStock多类别多尺度信息预测股收益 29图38：Mamba块架构图 31图39：MoE模型架构图 32图40：基于Mamba的风险中性化模型示意图 32图41：双任务设定因子测 33图42：双任务设定因子RankIC 33图43：单任务（原始标）因子回测 33图44：单任务（原始标）因子RankIC 33图45：单任务（中性化签）因子回测 33图46：单任务（中性化签）因子RankIC 33图47：Mamba-10不同训练设定下的风格相性比图 34图48：沪深300指数增策略表现 35图49：中证500指数增策略表现 35图50：中证1000指数强策略表现 36图51：多窗口信息融合型 37图52：多尺度多窗口信融合模型 37图53：多窗口信息融合型（月频）分组回测 38图54：多窗口信息融合型（月频）RankIC 38图55：多窗口信息融合型（周频）分组回测 38图56：多窗口信息融合型（周频）RankIC 38图57：全回测区间上风相关性对比图 39图58：沪深300指数增策略表现 40图59：中证500指数增策略表现 40图60：中证1000指数强策略表现 41图61：PCA因子载荷 43图62：PCA因子净值势 44图63：相关性调整前后风险平价指数组合值 44图64：相关性调整前后风险平价ETF组合值 45图65：宏观因子风险平净值 48图66：RESVOL60_JUP_FF3因子IC测试 51图67：RESVOL60_JUP_FF3因子分组净值 51图68：RESVOL60_JUP_FF3因子分组测试对值 51表1：各国股票场年风险收益统计 7表2：国内各行指数内风险收益统计 8表3：存货管理力因风险收益指标等权 12表4：存货管理力因风险收益指标市值加权 13表5：坏账管理力因风险收益指标等权 15表6：坏账管理力因风险收益指标市值加权 16表7：营业利润偏度子回测结果 19表8：营业利润偏度子分年业绩表现 20表9：POP偏度因子回结果 21表10：POP偏度因子年业绩表现 21表自由现金流指数绩表现（2014年-2024年） 23表12：自由现金流指数额业绩表现（2014年-2024年） 24表13：自由现金流动量合业绩表现 25表14：自由现金流成长合业绩表现 26表15：PatchStock模型回测结果 30表16：去除不同数据集结果的影响 30表17：多标签测试结果 30表18：Mamba-10模型回测结果 33表19：多标签测试结果 34表20：指数增强策略表现 34表21：多窗口信息融合型回测结果 38表22：等成交额采样与时间采样回测结果比 38表23：单窗口与多窗口型回测结果对比 38表24：不同信息融合方的回测结果对比 38表25：单尺度与多尺度型回测结果对比 39表26：多尺度多窗口模回测结果 39表27：指数增强策略表现 39表28：指数与ETF标的 42表29：相关性调整前后风险平价指数组合现 45表30：相关性调整前后风险平价ETF组合现 45表31：宏观因子风险平风险收益指标 48表32：宏观因子风险平风险分年度收益风指标 49表33：RESVOL60_JUP_FF3因子回测结果 51表34：RESVOL60_JUP_FF3因子分年业绩现 521. 2026年展望对于国内主流投资者来说，2025年似乎终于迎来了守得云开的清明感，无论是权益市场上几乎直线右上的趋势，还是黄金价格的一路高歌，都与此前几年投资组合负回报的情形形成反差。横看全球权益市场情况都不可谓不壮阔，科技浪潮风起云涌，AI投资持续加码，科技标的选择和重仓幅度成了今年收益排名的胜负手；商品市场上，国际宏观事件冲击减弱，但美元贬值叠加可预期的中长期弱势局面，助推黄金价格继续一路向北，虽已经创下历史最高水平，但短期来看似乎在高位仍有所支撑；国内固收市场则急转进入寒冬，年内多轮震荡使得收益获取难度极高，理财收益稳定性遭到破坏，在资产荒仍有可能持续的情况下，债市投资仍面临较大考验。而对于2026年，一方面短期来看不确定性有所降低，市场逐渐对关税扰动脱敏，地缘局势也已不再掀起较大波浪，国内迎来十五五开局之年，更是为国内经济情况和投资预期提高了能见度；另一方面资金虽然仍将保持risk-on，但资产走势的连续性料有所下降，需要从大开大放式的投资逐渐切换到基本面+估值+流动性等多重考量上。回顾20252025/10/31)A171.18%表1：各国股票市场年内风险收益统计，10表2：国内各行业指数年内风险收益统计，图1：国内各风格指数走势，与权益市场表现不同，国内固收市场在连续几年牛市行情后，在2025年初就经历各期限到期收益率快速上行的较大的冲击，也埋下了全年走势呈多轮震荡的基调。年初各期限到期收益率快速上行，其中以短端涨幅较高，债券基金普遍下跌；而年内多轮几轮波动，使得不同持仓结构特征的债券基金收益情况均不太乐观。近期，长端收益率波动有所缓解，叠加央行官宣重启国债买卖等影响，各期限的不稳定情况料将会收敛。明年资产荒影响减弱，基本面因素重要性增加，利率运行中枢持平或小幅抬升，债市投资难度仍会较大。图2：国债到期收益率变化，展望在2025年的策略报告中，我们给出的展望有三个主题，分别为确定与不确定、一致与分化、低波与高波，各方面的预期均有所兑现。在经历了迷雾中行进到逐渐清明的2025年后，我们认为从可预期的确定性有所提高，而全球经济情况的分化还将持续，资产的高波短期不会重新回归下行趋势，主动投资仍较较大收益可能，但部分获利资金或有转向低波资产的需求。但我们仍将使用此前的三个主题，针对不同维度情况进行对比展望。AI20262025risk-on+而在国内的股债资产对比上，当前利率空间较此前有所收窄，中枢持平，资金需求高、配置难度大，虽然从传统性价比相关指标来看，权益资产的配置价值已不如年初，但收益可能性上仍高于债券。总结20252026AI投资、率延续大市值优于小市值的走势。此外，为平滑不确定性，配置上可适当增加对冲类、衍生品对冲类策略，通过分散资产风险和beta影响，平滑曲线。20252026年研究发展展望资产负债表财务附注质量因子介绍完整报告《资产负债表财务附注质量因子--因子选股系列之十一》发布于2025/08/24。本文包括两个资产负债表财务附注相关因子，分别表现上市公司存货管理能力和坏账管理能力，且虽然同与资产负债表质量相关，由于两个因子相关性较低，简单复合后具备较高的月均RankIC和较稳定的多空收益及超额收益。在本文所使用的数据范围内，直接计算资产负债表财务附注涉及的简单比率或增速变化基本无选股能力。考虑到资产负债表的相关因子多与经营和财务质量相关，因此本文尝试从经济逻辑出发，分别归纳出存货管理能力和坏账管理能力两个质量因子，两个因子的主要逻辑如下：RankICRankIC为300RankIC具体地，存货管理能力因子定义如下：factor=当期在产品占存货比/历史6个截面在产品占存货比的波动率坏账管理能力因子定义如下：𝑟𝑎𝑡𝑖𝑜=(应收账款坏账准备+存货坏账准备)/流动资产factor=std(ratio)t=1,⋯,62017/04/30--2025/07/3182017/04/30--2025/07/312021RankIC1.82%，ICIR0.588。图3：存货管理力因净值--等权 图4：存货管理力因子RankIC表3：存货管理能力因子风险收益指标--等权图5：存货管理力因净值--市值加权 图6：存货管理力因宽度表4：存货管理能力因子风险收益指标--市值加权300/500/1000/2000300图7：存货管理子各股域多头和超额对比 图8：存货管理子各股域IC和ICIR对比 图存货管理因子证1000选股净值 图12：存货管理因子证2000选股净值2017/04/30--2025/07/31RankIC均值为-2.31%，ICIR为-0.460。 表5：坏账管理能力因子风险收益指标--等权图15：坏账管理能力因净值--市值加权 图16：坏账管理能力因宽度 300/500/1000/2000图17：坏账管理因子各股域多头和超额对比 图18：坏账管理因子各股域IC和ICIR对比图19：坏账管理因子深300选股净值 图20：坏账管理因子证500选股净值图21：坏账管理因子证1000选股净值 图22：坏账管理因子证2000选股净值 盈利偏度和估值偏度因子介绍完整报告《盈利偏度和估值偏度因子》发布于2025/06/03。本文着重于研究基本面信息的偏度中蕴含的alpha究基本面信息的偏度与APEJia&ProfitabilitySkewnessandStockReturn（ProfitabilitySkewness）TTM8POP252后文将展示两个因子的回测结果，因子测试的参数如下：（1）测试区间：2015.12.31-2025.5.30；样本空间：剔除ST、ST、上市不足半年股票后的沪深A股。）；ICSpearman5组；图23：营业利润率偏度因子IC测试，图24：营业利润率偏度子分组测试净值 图25：营业利润率偏度子分组测试相对净值， ，表7：营业利润率偏度因子回测结果年化收益夏普比率卡玛比率多头换手RankICICIR多头组3.73%0.150.082.061.68%0.54基准0.84%0.030.02超额2.87%1.700.73多空6.18%2.191.48，表8：营业利润率偏度因子分年业绩表现多头年化基准年化超额年化超额夏普超额卡玛多空年化多空夏普多空卡玛全区间3.73%0.84%2.87%1.700.736.18%2.191.482016年-7.96%-10.39%2.72%1.843.203.88%1.561.932017年-10.06%-14.36%5.01%3.595.718.25%3.748.782018年-28.30%-30.31%2.89%1.914.756.27%2.345.552019年28.59%27.08%1.19%0.760.678.33%2.792.322020年23.14%18.76%3.69%1.982.938.77%2.913.942021年28.69%26.72%1.55%0.650.444.76%1.301.142022年-10.12%-10.67%0.62%0.350.302.98%1.060.762023年9.92%7.00%2.73%1.992.264.61%1.861.982024年7.81%2.05%5.64%3.634.999.54%3.424.032025年25.68%22.52%2.59%1.551.942.45%0.851.11注：其中2025年数据于2025年5月30日截止。，2016年以来营业利润率偏度因子RankIC为1.68%，ICIR为0.54，年化超额收益为0.73POP（图26：POP偏度因子IC测试，图27：POP偏度因子组测试净值 图28：POP偏度因子组测试相对净值， ，表9：POP偏度因子回测结果夏普比率卡玛比率多头换手RankICICIR多头组5.39%0.230.123.59-2.94%-0.73基准1.69%0.070.03超额3.64%1.781.29多空9.07%2.642.11，表10：POP偏度因子分年业绩表现多头年化基准年化超额年化超额夏普超额卡玛多空夏普多空卡玛全区间5.39%1.69%3.64%1.781.299.07%2.642.112016年-12.48%-11.35%-1.28%-0.58-0.45-1.50%-0.49-0.382017年-8.03%-11.45%3.86%2.364.016.66%2.514.202018年-26.96%-28.70%2.44%1.532.088.46%3.606.422019年32.51%28.97%2.74%1.682.336.51%2.122.402020年30.19%21.81%6.88%2.895.7518.77%4.618.552021年32.34%26.22%4.85%2.184.7715.27%4.2110.732022年-6.46%-10.93%5.02%2.554.3411.85%3.428.472023年10.18%6.07%3.87%2.452.856.68%2.433.232024年7.30%4.12%3.05%1.241.859.75%2.562.392025年28.09%19.04%7.60%2.526.2210.27%1.713.45注：其中2025年数据于2025年5月30日截止。，2016年以来OP偏度因子RankC为2.4CR为0.7364，1.781.29自由现金流策略分析与组合实践介绍完整报告《自由现金流策略分析与组合实践》发布于2025/03/10。alphaSmartBeta策略也SmartBetaBeta企业自由现金流（Freecashflowforthefirm,FCFF）是指企业在支付了所有运营费用和资本支出后，剩余的可以自由分配给股东或债权人的现金。它是衡量企业财务健康状况、盈利能力和成长潜力的关键指标。自由现金流充裕的企业通常具备更强的抗风险能力，能够在经济波动或危机中保持稳定运营，并且有更多的资金用于分红、回购股票或投资新项目。2.3.100也提供了在主要宽基指数中投资自由现金流的指数方案，如300现金流（932366.CSI）500（932367.CSI）800（932368.CSI）1000现金流（932369.CSI）等。自由现金流指数的编制为投资自由现金流策略提供了新的投资，这指筛出了由金率量较的资了具有长期资值股组年来已知募基公发了由金指数相的ETF品如泰富国A自由流焦ETF（159399.SZ ）、华夏证由流ETF（159201.SZ）20142024年期间中证现金流全收益指数年化收益率为20.21%，领先中证红利全收益指数6.63%。这是因为自由现金流指数不仅具备红利资产的防御性，还具有一定的成长随着国内利率的下行，红利风格等具有稳定分红的股票资产开始越来越受投资者偏好，而自由现金流是高分红的基础，企业只有具有充足的自由现金流才能保证稳定的分红，并且高自由现金流的企业群体中也不乏成长性较好的公司，因此高自由现金流的投资策略或许是红利投资策略的延伸和替代方案。图29：自由现金流指数值表现 图30：宽基自由现金流数净值表现表11：自由现金流指数业绩表现（2014年-2024年）年化收益率年化波动率夏普比率最大回撤卡玛比率中证现金流全收益19.69%23.00%0.8644.06%0.45自由现金流R19.88%23.33%0.8550.19%0.40现金流100全收益15.56%22.19%0.7040.63%0.38中证全指全收益6.50%22.49%0.2955.78%0.12300现金流全收益15.01%21.30%0.7044.60%0.34500现金流全收益13.10%25.90%0.5150.51%0.26800现金流全收益19.73%22.92%0.8643.56%0.451000现金流全收益13.75%25.87%0.5356.08%0.25R100202419.69%19.88%6.50%800现金80019.73%0.86，0.45300500100015.01%13.10%0.70、0.510.530.34、0.260.25。图31：自由现金流全收指数超额净值表现 图32：宽基自由现金流收益指数超额净值现 表12：自由现金流指数超额业绩表现（2014年-2024年）年化收益率年化波动率夏普比率最大回撤卡玛比率中证现金流超额12.38%13.79%0.9029.25%0.42自由现金流超额12.57%13.84%0.9131.17%0.40现金流100超额8.50%11.05%0.7718.23%0.47300现金流超额7.07%10.54%0.6730.44%0.23500现金流超额7.41%12.00%0.6222.15%0.33800现金流超额12.08%13.22%0.9134.50%0.351000现金流超额9.62%11.83%0.8120.28%0.47R10012.38%12.57%8.50%0.900.91、0.770.42、0.400.47。3003007.07%0.670.23；500中证507410620.33；8008000.910.35；100010009.62%0.810.47。Beta组合SmartBeta121A（3-6）A图33：自由现金流动量组合净值表现表13：自由现金流动量组合业绩表现中证现金

相对最大

绝对最大

收益回撤流全收益回撤流全收益回撤回撤比201751.53% 41.75%9.78%2.18%5.50%2.350.034.482018-13.20% -15.21%2.01%3.22%24.92%0.630.040.62201925.58% 25.52%0.05%4.50%14.64%0.030.030.01202033.58% 13.87%19.72%3.66%16.16%2.240.085.39202142.75% 35.53%7.22%8.15%28.83%0.660.090.8920229.02% -2.76%11.78%6.51%15.86%1.480.081.81202332.23% 20.75%11.47%3.92%11.56%1.680.062.93202432.15% 40.94%-8.79%9.62%17.01%-1.060.06-0.9120250228-2.02% -7.69%5.66%1.52%5.87%3.950.113.72全样本期25.30% 17.54%7.76%11.55%28.83%1.040.060.67

超额收益

信息比 跟踪误差2017年-202522825.30%7.76%1.040.672024成长投资策略是一种专注于投资具有高增长潜力的公司或行业的策略，其核心思想是寻找业绩增速较高、发展潜力更大的一系列股票，成长策略是一类具有高收益弹Beta,图34：自由现金流成长组合净值表现表14：自由现金流成长组合业绩表现中证现金

相对最大

绝对最大

收益回撤流全收益回撤流全收益回撤回撤比201747.79% 41.75%6.04%8.87%5.47%0.520.090.682018-13.70% -15.21%1.51%3.23%25.90%0.410.050.47201927.66% 25.52%2.14%5.28%20.02%0.290.070.41202036.63% 13.87%22.77%3.86%16.48%2.360.085.90202152.90% 35.53%17.37%10.44%15.08%1.100.121.662022-8.12% -2.76%-5.36%17.07%24.95%-0.380.13-0.31202346.66% 20.75%25.91%10.95%13.09%1.350.162.37202434.41% 40.94%-6.53%21.35%23.89%-0.260.15-0.3120250228-3.57% -7.69%4.12%3.03%7.05%2.380.131.36全样本期25.47% 17.54%7.94%30.10%26.94%0.640.110.26

超额收益

信息比 跟踪误差7.94%0.6420222024量化基本面研究发展展望alphaManNumericSmartBeta20252026年研究发展展望融合订单簿信息的深度学习选股模型介绍完整报告《融合订单簿信息的深度学习选股模型—机器学习系列之八》发布于2025/02/28。AlphaPatchDPTPatchingTransformer构TransformerPatchTransformer架Log-signature图35：PatchDPT模型架构示意图图36：PatchDPT模型计算细节PatchStockPatchStock从基2020Alpha图37：PatchStock多类别多尺度信息预测股票收益PatchStockPatchStock月度因子Rank19.49%；PatchStockRank29.40%表15：PatchStock模型回测结果4.32%4.32%5.3235%5.%28.485.34%17%10.1.208%6.8PatchStock-20neu行业风格中性化4.98%4.5122%5.54%23.4.53%33%9.1.194%5.9PatchStock-20行业风格中性化0%8.45.447.99%43.48%11.90%17.03%1.9713.15%PatchStock-20neu行业市值中性化%10.874.518.20%37.00%%10.0415.09%1.6011.96%化PatchStock12.57%4.5111.57%52.12%17.39%22.78%1.6915.59%PatchStock-20neu18.92%4.1912.50%52.40%18.09%23.50%1.3715.50%PatchStock-20RankICICIR多头年化收益多头年化超额多空年化收益多空年化波动率多空SharpeRatio多空最大回撤因子名称，Ricequant表16：去除不同数据集对结果的影响因子 ICICIR多头年化收益多头年化超额多空年化收益多空年化波动率多空SharpeRatio多空最大回撤PatchSt50%1.3723.50%18.09%52.40%12.50%4.1918.92%w/o基本面信息15.02%1.2922.98%17.57%51.11%12.66%4.0418.57%w/o日频量价信息14.65%1.2421.69%16.28%49.72%12.53%3.9719.23%w/o分钟频量价信息13.94%1.1320.17%14.76%47.92%13.58%3.5220.86%w/o订单簿信息14.06%1.1820.36%14.95%48.46%13.93%3.4820.11%，Ricequant表17：多标签测试结果因子名称RankICICIR多头年化收益多头年化超额多空年化收益多空年化波动率多空SharpeRatio多空最大回撤PatchStock-2015.50%1.3723.50%18.09%52.40%12.50%4.1918.92%PatchStock-3015.44%1.3323.44%18.03%51.70%14.35%3.6024.36%PatchStock月度因子16.16%1.4024.90%19.49%55.16%13.49%4.0922.19%PatchStock-511.33%0.9933.43%28.02%91.96%11.20%8.2113.51%PatchStock-1012.11%1.0032.75%27.34%90.22%13.04%6.9213.88%PatchStock周度因子12.37%1.0734.81%29.40%97.80%11.86%8.2510.01%，RicequantPatchStock3008.06%5009.72%1000200016.42%变化，获取AlphaPatchStock33.13%31.31%Mamba-MoE：风险中性化与多模型融合介绍完整报告《Mamba-MoE：风险中性化与多模型融合—机器学习系列之九》发布于2025/05/29。Alpha与Beta多模型融合能够提供信息增益。单一的模型可能存在着一定的随机性，而不同结构的模型、不同的训练方式与设定具有不同的侧重点，多模型集成过程一方面将噪声部分相抵消，另一方面能够综合各模型的优势。传统的训练方式中，验证集的选择一般为近期，但样本外数据分布并不一定与验证集分布相似，例如在事件冲击或剧烈的风格切换后，选择近期验证集上最优的模型可能面临着样本外泛化性不足的风险。K折交叉验证能够在一定程度上缓解数据分布漂移问题，集成多个验证集上最优的模型能够让结果更加稳健。Mamba-MoE在高效提取时间序列特征的同时，将线性与非线性的风险约束纳入训练过程，并通过交叉验证与多模型集成的方式提升稳健性。Mamba相比于Transformer具有更低的计算复杂度，相比于RNN类模型其训练过程支持并行，能够快速有效地进行特征提取。另外，模型训练过程引入了对风险因子的约束，从而避免在组合优化中因限制风格偏离而对信号产生的影响；同时也考虑了非线性风险因子，包含风险因子间的非线性交互信息以及股票间行业层面与交易层面的关联信息。最后通过交叉验证与专家混合模型进行多模型集成，提升泛化性。图38：Mamba块架构图图39：MoE模型架构图图40：基于Mamba的风险中性化模型示意图Mamba-MoEMamba-MoE因子周度RankIC：13.22%，ICIR：1.2833.01%Sharperatio：9.25表18：Mamba-10模型回测结果训练设定RankICICIR多头年化收益多空年化收益多空年化波动率多空SharpeRatio多空最大回撤双任务12.83%1.2830.06%114.76%13.59%8.4411.71%单任务（原始标签）13.09%1.1731.62%110.37%14.30%7.7214.27%单任务（中性化标签）12.92%1.2229.49%110.90%13.78%8.0512.45%，ricequant图41：双任务设定因子测 图42：双任务设定因子RankIC，ricequant ，ricequant图43：单任务（原始标）因子回测 图44：单任务（原始标）因子RankIC，ricequant ，ricequant图45：单任务（中性化签）因子回测 图46：单任务（中性化签）因子RankIC，ricequant ，ricequant15.00%10.00%5.00%0.00%-5.00%-10.00%-15.00%-20.00%-25.00%-30.00%-35.00%双任务 单任务（原始标签） 单任务（中性化标签），ricequant表19：多标签测试结果训练设定RankICICIR多头年化收益多空年化收益多空年化波动率多空SharpeRatio多空最大回撤Mamba-512.75%1.3231.21%119.05%12.85%9.2611.31%Mamba-1012.83%1.2830.06%114.76%13.59%8.4411.71%等权合成13.08%1.2931.76%123.83%13.31%9.3011.97%Mamba-MoE合成13.22%1.2833.01%125.32%13.55%9.2512.21%，ricequant2018202543009.02%4.26%500增强组4.92%10005.52%表20：指数增强策略表现策略年化收益率换手率超额年化收益率年化跟踪误差 超额SharpeRatio沪深300增强7.68%22.369.02%4.中证500增强9.73%22.55中证1000增，ricequant，ricequant图49：中证500指数增强策略表现，ricequant，ricequant时间序列重采样与多尺度多窗口信息融合模型介绍完整报告《时间序列重采样与多尺度多窗口信息融合模型—机器学习系列之十》发布于2025/08/29。时间序列的采样方式在一定程度上影响特征的有效性。对于高频量价数据流，常规方法为均匀时间采样。然而这种采样方式可能会导致信息分布不均，比如早盘高成交量时段采样过少导致有效信息过载而被掩盖，午盘低成交量时段有效信息不足但采样过多从而引入噪声。另外，均匀时间采样的时间序列统计特性一般比较差。事件驱动型的采样方式旨在让信息的分布更加均匀，例如基于成交笔数、成交量、成交额等维度进行采样，而并非单一的时间维度。这种等信息量的采样方式在保留较高精细度的同时，尽可能降低了噪声，能够在信息密集时段增加采样频率，而在信息稀疏时段降低采样频率。图51：多窗口信息融合模型图52：多尺度多窗口信息融合模型RankRank表21：多窗口信息融合模型回测结果多空Sha多空Sha25.多窗口信息融合模型（%25.491.7015.37%多窗口信息融合模型（月频）多空年化波动率多空年化收益多头年化超额多头年化收益ICIRRankIC训练设定，ricequant图53：多窗口信息融合型（月频）分组回测 图54：多窗口信息融合型（月频）RankIC，ricequant ，ricequant图55：多窗口信息融合型（周频）分组回测 图56：多窗口信息融合型（周频）RankIC，ricequant ，ricequant表22：等成交额采样与等时间采样回测结果对比训练设定RankICICIR多头年化收益多头年化超额多空年化收益多空年化波动率多空SharpeRatio多空最大回撤等成交额采样15.37%1.7025.49%25.35%73.12%13.80%5.3012.27%等时间采样15.11%1.6525.03%24.89%72.41%14.38%5.0413.39%等成交额采样中性化13.56%2.1021.03%20.89%64.20%9.85%6.526.52%等时间采样中性化13.52%2.0420.87%20.73%63.65%10.02%6.357.02%，ricequant表23：单窗口与多窗口模型回测结果对比2%2%6.56.529.85%64.20%20.89%21.03%2.1013.56%多窗口信息融合模型中性化9.36%5.169.64%49.72%16.99%17.13%1.7712.09%单窗口信息模型中性化12.27%5.3013.80%73.12%25.35%25.49%1.7015.37%多窗口信息融合模型14.37%4.0813.64%55.65%20.21%20.35%1.3913.60%单窗口信息模型多空最大回撤多空SharpeRatio多空年化波动率多空年化收益多头年化超额多头年化收益ICIRRankIC训练设定，ricequant表24：不同信息融合方法的回测结果对比训练设定RankICICIR多头年化收益多头年化超额多空年化收益多空年化波动率多空SharpeRatio多空最大回撤多窗口信息解耦15.37%1.7025.49%25.35%73.12%13.80%5.3012.27%多窗口信息注意力融合15.16%1.6424.85%24.71%71.33%14.07%5.0713.56%多窗口信息拼接融合15.02%1.5525.14%24.99%71.63%14.38%4.9815.09%多窗13.56%2.1021.03%20.89%64.20%9.85%6.526.52%多窗口信 化13.35%2.0520.46%20.32%60.78%9.98%6.097.07%多窗口信息拼接融合中性化13.12%2.0120.51%20.37%61.63%10.29%5.997.73%，ricequant表25：单尺度与多尺度模型回测结果对比训练设定RankICICIR多头年化收益多头年化超额多空年化收益多空年化 atio多空单尺度模型15.37%1.7025.49%25.35%73.12%13.80%5.3012多尺度模型集成15.53%1.7326.05%25.90%74.92%13.19%5.6812.52%单尺度模型中性化13.56%2.1021.03%20.89%64.20%9.85%6.526.52%多尺度模型集成中性化13.71%2.1621.42%21.38%65.54%9.51%6.896.03%，ricequant表26：多尺度多窗口模型回测结果RankICICIR多头年化收益多头年化超额多空年化收益多空年化波动率多空SharpeRatioRankICICIR多头年化收益多头年化超额多空年化收益多空年化波动率多空SharpeRatio多尺度多窗口模型（月频）多尺度多窗口模型中性化（月频）多尺度多窗口模型（周频）多尺度多窗口15.53%1.7313.71%2.1613.05%26.05%21.42%25.90%21.74.92%1，ricequant图57：全回测区间上风险相关性对比图30.00%20.00%10.00%0.00%-10.00%-20.00%-30.00%-40.00%-50.00%月度因子 周度因子，ricequant10%201812025830050012.97%4.93%100020.36%5.04%表27：指数增强策略表现策略 年化收益率 换手率 超额年化收益率 年化跟踪误差 超额Sharperatio 超额最大回撤沪深300增强10.24%11.9010.27%4.29%2.393.36%中证500增强12.66%12.1012.97%4.93%2.634.78%中证1000增强19.31%12.3120.36%5.04%4.045.86%，ricequant，ricequant图59：中证500指数增强策略表现，ricequant图60：中证1000指数增强策略表现，ricequant机器学习研究发展展望量化领域中的机器学习研究主要包含两个方向，量化策略构建以及AI大模型的应用。AI（AlphaAIAgent资产类资产类别 指数标的代码 标的代码20252026年研究发展展望多资产相关性研究介绍完整报告《多资产相关性研究--量化资产配置系列之二》发布于2025/03/15。在资产配置研究中，多资产收益间的相关性是控制组合波动的关键，股票和债券作为两大核心资产，其收益之间的关联性一直都是研究的重点。本文从股债相关性切入，搭建适合衡量动态相关性的模型，将其运用于调整多资产收益协方差矩阵，实现量化资产配置策略的优化。股票和债券回报之间的相关性对资产配置和风险管理策略实施有着直接影响，同时一定程度上对应市场环境的变化。在股债相关性预期较高的时期，投资者可以减少股票和债券之间的对冲效果，适当调整资产权重，以降低组合风险。相反，如果预期相关性较低，可以增加债券的配置比例，利用债券的避险属性。DCCDCC_CORR日/DCCDCC_CORRDCC_CORR预测均值与对应窗口的相关性始0.7使用DCC712.TF7.0.9。相关性调整后PCA+风险平价指数组合年化收益8.21%，夏普比率年化收益9.78%，夏普比率1.07。1.09，ETF组合4.1.2. 仅展示相关性预测+PCA风险平价的结果。选择的资产和对应ETF标的为：表28：指数与ETF标的股 中证红利指数 000922.CSI 华泰柏瑞红利ETF510880.SH美股 标普500指数 SPX.GI 博时标普500ETF513500.SH中国国债 中债国债总财富指数 CBA00601.CS 年期国债ETF511260.SH黄金 上海金 AU9999.SGE 华安黄金ETF518880.SH有色金 I.SHF 大成有色金属期ETF159980.SZ农产品 大商所豆粕指数 FI.DCE 华夏饲料豆粕期ETF159985.SZ（PCA）PCAPCAPCA因子本文沿用该框架，首先对2016/01-2025/02全区间资产标的收益率序列进行PCA转换，得到PC1-PC3主成分载荷如下：图61：PCA因子载荷前三主成分累计解释波动61.27%，PC1主要由A股和商品组成，PC2主要为防御类资产黄金和债券，PC3主要为标普500指数，三个因子组合分别指代经济增长、高通胀、海外三种风格。依照各因子中的资产权重，加权计算得到PCA因子的收益，净值走势如下：图62：PCA因子净值走势4.1.3. PCA+使用DCC模型优化PCA+风险平价：252PC1-PC3252使用DCC由PC。回测区间2016/01-2025/02，月频调仓，相关性调整前后PCA+风险平价指数组合净值表现如下：图63：相关性调整前后PCA+风险平价指数组合净值表29：相关性调整前后PCA+风险平价指数组合表现PCA+风险平价指数组合相关性调整后PCA+风险平价指数组合收益波动夏普比率最大回撤收益波动夏普比率最大回撤2016/12/310.01%7.91%0.006.83%3.22%7.91%0.416.74%2017/12/317.64%4.05%1.893.26%8.10%4.06%1.993.23%2018/12/311.41%4.50%0.312.65%1.57%4.57%0.342.65%2019/12/319.88%6.01%1.645.02%10.81%6.01%1.804.45%2020/12/3120.30%12.83%1.5811.84%22.27%12.48%1.7810.77%2021/12/318.30%6.64%1.255.43%9.22%6.51%1.425.44%2022/12/31-0.24%7.64%-0.0310.31%0.02%7.71%0.0010.35%2023/12/3110.29%5.58%1.844.22%9.97%5.57%1.794.12%2024/12/0.8611.08%8.65%9.38%0.9211.36%2025/2/20.252.28%2.88%8.97%0.322.12%年化7.27%7.64%0.9513.21%8.21%7.56%1.0911.88%PCA+ETF图64ETF表30ETFPCA+风险平价ETF组合相关性调整后PCA+风险平价ETF组合收益波动夏普比率最大回撤收益波动夏普比率最大回撤2020/12/3118.10%12.89%1.4012.02%20.04%12.51%1.6010.72%2021/12/318.43%6.97%1.215.47%8.94%6.82%1.315.50%2022/12/312.41%8.76%0.289.75%2.84%8.84%0.329.78%2023/12/3111.00%5.67%1.943.46%10.78%5.72%1.883.51%2024/12/0.9811.61%9.08%10.39%0.8712.01%2025/2/28-1.26%9.84%-0.133.40%-0.32%9.42%-0.032.98%年化9.33%9.33%1.0012.02%9.78%9.18%1.0712.01%相关性调整前后PCA+风险平价指数组合年化单边换手率分别为267%、260%，调整前后ETF组合年化单边换手率分别为296%、290%。2015/01/31-2024/10/3166.10%，202480%202150%9.28.63%10.35%。宏观因子组合及股债相关性再探索介绍完整报告《多宏观因子组合及股债相关性再探索--量化资产配置系列之三》发布于2025/08/06。(PCA)的方法将资产风险贡献拆解到不同主该方法构建的优化组合结果比直接使用底层资产构建的优化组合收益表现有所提高，风险水平仍保持在较低水平，但由于穿透后底层资产配置比例变化较为剧烈，Fama-MacBethMacro-FactorMimickingPCA且PCA1)由于基于以上，本文的宏观风险因子模拟时参考了Fama-MacBeth的做法，真实宏观因子数据使用相关月度宏观指标的预测值或资产月度收益(利率/信用)，分别与各资产做单变量时序回归获得风险载荷，并对历史载荷进行半衰期加权，以平滑资产波动带来的载荷不稳定，最终通过将宏观因子风险拆解为底层资产组合构建宏观因子风险平价组合。文章还讨论了股债相关性变化的影响因素，具体信息见报告。7-10CPI/PPI-AA-财富总值指数美国通胀：美国CPIA.资产：500(20156)（8）黄金：黄金9999B.宏观因子正交：根据宏观因子逻辑，以及考虑到中美经济、利率和通胀一定的相关性，在每个期限的滚动运算中，分别对该期限中的宏观因子进行如下简单正交：~~~~C.数据期限：宏观数据起点为2012年2月。参考Fama-MacBeth进行Macro-FactorMimicking的做法，第一步对底层资产和需要模拟的宏观变量进行单变量时序回归，获得每个资产相对于各宏观风险的风险载荷。第二步使用此前获得的风险载荷进行截面回归获得宏观因子收益。根据公式，在资产权重向量为w时，各宏观风险因子对于组合的风险贡献可推导为：=𝛼𝑡+𝐵∙+Σ=B∙F∙BT+ΕσP2=wT∙Σ∙w=(wT∙B)∙F∙(BT∙w)+wT∙E∙w%RC=(wT∙B)𝑖∙

𝜕σP𝜕(wT∙

/σP=

(wT∙B)𝑖∙(F∙(BT∙w))𝑖wT∙Σ∙w其中B为时序计算的风险载荷，f为因子收益，Σ为资产风险矩阵，F为宏观因子收益风险矩阵。可以基于此结合对宏观状况的判断，进行宏观风险的敞口管理和组合优化。例如可以使用风险平价，要求各宏观风险因子的风险贡献相等，进而确定应该如何配置底层资产。我们使用滚动3612个月的资产月度/PCA动较大，导致风险载荷的稳定性较低，为了降低资产波动较大导致的载荷不稳定，使用12个月半衰期对历史载荷进行加权后与因子风险矩阵交乘。回溯结果输出起点为2015/12/31。12/4/1/2019/05/31图65：宏观因子风险平价净值，Bloomberg表31：宏观因子风险平价风险收益指标宏观因子风险平价-12个月半衰期宏观因子风险平价-无半衰期资产风险平价超额年化收益9.86%9.46%5.93%3.80%年化波动9.55%9.44%2.53%8.21%最大回撤-14.30%-15.20%-3.45%-16.69%201637.24%18.65%6.95%28.53%20172.17%7.29%3.88%-1.52%2018-5.02%-7.45%3.77%-8.38%201914.61%14.23%8.77%5.39%202012.20%7.57%6.82%5.12%202114.63%10.27%5.48%8.70%20220.36%8.15%0.80%-0.33%20235.41%3.68%7.45%-1.87%20246.83%15.40%7.37%-0.40%2025.07.317.44%11.53%3.66%3.69%，Bloomberg表32：宏观因子风险平价风险分年度收益风险指标宏观因子风险平价-12个月半衰期资产风险平价年度收益 年化波动 最大回撤年度收益年化波动最大回撤201637.24%13.82%-11.19%6.95%2.52%-3.10%20172.17%10.90%-13.88%3.88%2.34%-2.06%2018-5.02%10.54%-11.19%3.77%2.13%-1.52%201914.61%5.50%-3.38%8.77%1.82%-0.95%202012.20%11.60%-12.63%6.82%2.88%-3.45%202114.63%7.51%-4.83%5.48%1.91%-0.87%20220.36%9.92%-10.50%0.80%3.13%-3.17%20235.41%5.53%-4.58%7.45%1.69%-0.79%20246.83%8.49%-5.19%7.37%3.63%-1.51%2025.07.317.44%7.00%-4.46%3.66%2.61%-1.61%，Bloomberg量化资产配置研究发展展望+IndeterminateFactor-BasedAssetAllocation)20252026年研究发展展望历史研究2025行为金融研究发展展望传统行为金融的量化落地比较间接，仍然可能呈现理论先行，而指标确定较困难的局面。当前大部分理论的投资实践都是通过量价表现上进行解释和模拟，与基本面的结合较为困难。但当前部分主流海外机构已经将行为金融融合到投资当中，例如在PIMCO的投资流程中，将行为金融研究作为关键一环，通过与芝加哥大学相关学院的合作，在投资中加入行为模式的监督和自查，提升投资决定稳健性和风险控制能力。这或将成为未来行