金融工程2026年度策略：拥抱AI投研巨浪迎接量化投资新篇章

内容目录一、模生与用望：模与AgenticAI推动研用速代 6模迭速未，模生趋已本定 6研域多与AgenticAI加大应用迭代 8二、2026年产置策略望通再行下，何风和业行配？ 12前观态宏一致期 12格置：年仍强但于衡 15业置维对本面子关注 17三、2026年子股：增AI策失分优化式 18场观构迁与AI策的应危机 18风范的烈动与子转应 18线与线策在极环下绩分化 19略质困与效的层计归因 21全动时架构建辑层设计 22择策的证现 23LightGBM型优化动高量本权与HuberLoss棒强 24GRU架重：意力与CVaR险记忆络 25前沿技术应用展望：从单点预测走向系统生态 26生式AI强习：动因挖体的构建 26时图经络TGNN：捉业传板块动 26四、2025年益金展望主权基超收益归 272025年动益金Alpha回归 27响动益金alpha因分析 29技周双线下，动益金Alpha或将续 30绩准规，股Alpha为要超收益源 30宽为准基将如选？ 31技周基哑配置辑的动被择 31于AI测个股Beta息的ETF轮策持续化代 32五、结 33六、险示 33图表目录图表1：闭模、开源型其开模的Token用量 6图表2：大型元评价准 6图表3：MMMU基中模态型名况 7图表4：推类型用量一内比升8图表5：Gemini3Pro别K图势进分析 9图表6：DeepSeek规划PPT面容入生型 9图表7：NanoBananaPro基模生成PPT页面 9图表8：DeepResearch框架发时线 10图表9：DeepResearch框架核流程 10图表10：主投赋能Agent成与来索向 10图表11：智体资策流程 11图表12：大型子掘框图 11图表13：Agent的改进块炼子掘路总结 11图表14：25处经增长() 12图表15：上游胀于触回阶() 12图表16：Polymarket测美储席选概率 13图表17：联基利期货含息率 13图表18：美超规云数商2026年本占自经现流比 13图表19：今出强（） 13图表20：美补持（） 13图表21：IMF预发济体年济速 13图表22：社低震) 14图表23：地拖项望收企() 14图表24：2026年场观一预期 14图表25：2026年场观一预_续 14图表26：全部A年净利同预测 15图表27：科板创板的度利同预测 15图表28：大盘额值与产发资成累计比() 15图表29：大盘额值与M1比() 15图表30：万微股历择净表现 16图表31：万微股茅指轮策略 16图表32：2005年今证红月胜率 16图表33：基宏事驱动中红择策略 16图表34：行轮大因子空益现 17图表35：行轮大因子空益现 17图表36：行轮大因子年来现 17图表37：盈和析预期子空值与M1-M2剪差势 18图表38：预质因明年现续 18图表39：估动因今年来头置业 18图表40：估动因多空值势 18图表41：2025风因对比统&AI策超净值现1 19图表42：2025风因对比统&AI策超净值现2 19图表43：AI传线策略VS优300增品超净值 20图表44：AI传线策略VS优500增品超净值 20图表45：AI传线策略VS优1000指品超净值 21图表46：AI子深300增金联时图 21图表47：AI子证500增金联时图 22图表48：AI子证1000指基关性图 22图表49：传择策构建程 23图表50：择框优化 23图表51：择策持净值表现 24图表52：择策分度表现 24图表53：择策指表现（2022.01-2025.12） 24图表54：因净对比 25图表55：因净对比 26图表56：因表分析 26图表57：强学生因子流程 26图表58：多态语模型子掘程意图 27图表59：2025年得股混型金数时赢万全A和深30028图表60：各行主基金2025年额益 28图表61：2025年半主动益金Alpha有回归 29图表62：万偏混型基指相表与增长业比关较高 29图表63：科行走与内个基面化度 30图表64：周行走与内个基面化度 30图表65：2025Q3动益基重股业布） 30图表66：2025年金仓指估有回，未至史位 30图表67：以深300基准主基组业归因 31图表68：以深300基准主基组风暴露 31图表69：科+期型配框架 32图表70：ETF产在时具纯优势 32图表71：人智能ETF轮动略代程 32图表72：人智能ETF轮动略期赢深300指数 33一、大模型生态与应用展望：多模态与AgenticAI推动投研应用加速迭代一、大模型生态与应用展望：多模态与AgenticAI推动投研应用加速迭代2025AgenticAIAgentOpenRouter（8202527DeepSeek-R1Qwen3-235B-A22B-ThinkingOpenRouter图表1：闭源模型、中国开源模型与其他开源模型的Token使用量OpenRouter，a16z（Benchmark）如下表所示，当前模型的评价维度已逐步囊括多模态、工具调用、Token效率等多个维度。图表2：大模型多元化的评价基准评价维度 代表性测试集(Benchmark)指标知识推理 Humanity’sLastExam,MMLU,GPQA,AIME2025指令跟随 IFEval,MultiChallenge代码编程 SWE-bench,HumanEval,MBPP评价维度 代表性测试集(Benchmark)指长上下文 NIAH,OpenAI-MRCR工具调用 BFCL,AgentBench,API-Bank多模态理解力 ARC-AGI,MMMU,Video-MMMU现实问题 Vending-Bench,ScreenSpot-Pro文生图模型能力 CLIPScore，FGA_BLIP2Score，ImageReward音频模型能力 Full-Duplex-Bench，UltraEval-Audio其他对比维度 速度（TPM，价格（/Moes）等大模型的差异化竞争已成为主要趋势。当前针对不同任务挑选最合适模型的情况越来越常见，就算同样是文本处理任务，也会综合考虑能力、性价比等多个方面进行模型选型。Gemini3ProThinkingFlashProGoogleNanoBananaProNativeAudio……GPT-5.2Gemini3ProClaude-4.5、Grok-4MMMUdots.vlm1811。图表3：MMMU基准中各多模态模型排名情况MMMUAgentAgenticAI当前来看，AgenticAI落地已经具备坚实的基础支撑。从以下方面，我们可以看出Agent理论与应用的探索已有丰富成果，相关基础设施的搭建也较为完备：模型底层能力支持，GPT、DeepSeekClaudeFunctionCallingAgenticAIMCPAgent𝜏^2-BenchComplexFuncBenchDify、CozeUIAI，VibeWorkflowAgentAgentIDE底层逻辑是将本地代码做成知识库以便更好理解用户需求，同时通过工具调用实现50AgenticAI图表4：推理类模型的使用量在一年内占比上升50OpenRouter，a16zAgenticAIa)Agentc)、大模型与投研实务深度融合，从资料收集、个性化分析到投资结论输出全流程结合。3Proa、对投研能力的增强：利用率不高，一般只提取其中的文字部分。多模态能力增强使得模型可以理解图像，提升信息的利用率。解析视频数据，扩充信息来源。当前有大量信息来源于社交媒体中的视频，譬如大V、KOL等发布的观点、解读等，多模态模型可直接读取一手资料，无需通过字幕提取->大模型分析的链路处理。图表5：Gemini3Pro识别K线图走势并进行分析Google，b)、提升工作效率：PPTPPT图表6：DeepSeek规划PPT页面容输入文生图模型 图表7：NanoBananaPro基于模板生成PPT页面Google，DeepSeek Google，DeepSeekAgentAgenticAIa、主动投研赋能：金融投研领域的DeepResearch类应用将快速落地。当前，DeepResearch类型的通用Agent应用已有较多成果。OpenAI、Google等大模型厂商均有类似的产品，从效果上来看贴合投研对信息获取与整合的需求。Agent图表8：DeepResearch框架的发展时间线 图表9：DeepResearch框架的核心流程AComprehensiveSurveyofDeepResearch:Systems,Methodologies, AComprehensiveSurveyofDeepResearch:Systems,Methodologies,andApplications

andApplications我们给出以下框架来说明主动投研赋能方向有许多Agent应用可落地。图表10：主动投研赋能Agent成果与未来探索方向不过需要明确的是，由于金融企业对合规性的要求较高，私有数据与外部的数据或应用之间会存在互相隔离的情况，因此目前仅有本地部署+定制化解决方案这一种途径。b、投资决策生成：在投资决策方面，Agent需要与金融领域知识进行更紧密的结合，才能产出专业的决策结果。我们认为Agent应用的发力点在于将主动投资逻辑与量化方法进行有机结合。我们借助投资大师Agent与因子智能挖掘Agent两个案例来说明如何搭建投研专家Agent。投资专家智能体Agent的提示词Agent图表11：智能体投资决策流程AIHedgefund大模型自动挖因子Agent。遗传算法挖因子的方法一直面临因子难以解释、缺乏逻辑性的问题。大模型在因子回测后进行归因与逻辑改进，并构建知识库存储因子改进的思路，挖掘出的因子更注重可解释性。以此打造一个挖因子专家Agent，可实现724小时的高质量因子自动挖掘。图表12：大模型因子挖掘框架图图表13：Agent中的反思改进模块提炼因子挖掘思路总结原因子 改进后因子公式 Mean(Ref(Log(volume),5)-Log(volume),20)/Std(close,60)Rank(Mean(Ref(Log(volume),10)-Log(volume),20))/Std(high-low,30)原因子 改进后因子该因子通过计算成交量五日前对数值与当前值的差异，再LLM解释

取2060取收益。

这个因子通过计算最近10天成交量衰减幅度在20天内的平均30会，因子用排名选出最可能反弹的标的。①成交量窗口从5天延长至10天，捕捉更持续的资金流出；Rank30Rank泛化思路：针对趋势延续性调整时间窗口，通过标准化排序增强因子区分度，选择更贴合交易行为的波动指标。关于2026年宏观展望方面，我们本次报告通过结合当前宏观环境所处位置以及市场给出的2026年宏观指标一致预期共同判断。PMIPPI2023Q4通胀方面，上下游通胀缓步回升,但整体增速水平仍然偏低，待后续更多促内需政策落地推动通胀回升。结合经济增长和通胀水平来看，目前市场仍然处于弱复苏的阶段。图表14：25年处于经济增长期() 图表15：上下游通胀处于触回阶段()55535553514947453020100

1781267 42 2-3 0-8 -2经济增长 经济回落中采制造业PMI_MA6 PPI同比+工业增加值同比(右轴)

PPI:同比 CPI:当月同比右轴注：据至2025年11月 注：据至2025年11月AI20262-3AI包括2026图表16：Polymarket预测美联储主席候选人概率候选人 现/过往职务 近年公开立场与要点 货币政策倾向 Polymarket预测当选概率(截至12月16日)凯文·沃什(Kevin

前美联储理事（2006–2011）

沃什在白宫会面中直接表达了对降息的支持，认为当前利率应该更低。

偏鸽 46.00凯文·哈塞特(Kevin

白宫国家经济委员会（NEC）CEA

与总统的政策诉求一致，公开倾向更快降息 偏鸽 42.00Polymarket图表17：联邦基金利率期货含息概率 图表18：美国超大规模云数据商2026年资本开支占自由经金流占比80.00%80.00%70.00%60.00%50.00%40.00%30.00%20.00%2017 2018 2019 2020 2021 2022 2023 2024 2025 2026美国超大规模云数据商资本开支占自由经营现金流比例彭博一致预期CME注：据至2025年12月16日 注：据至2025年12月16日202611IMF图表19：今年出口强劲（） 图表20：美国补库持续（）806040200-20-40-60出口金额:累计同比 出口金额:当月值_MA6:同比CRB现货指数:同比_lead6

6050403020100-10-20-30出口金额:累计同比 美国:PPI:YoY 美国:制造商库存:同比注：据至2025年11月 注：据至2025年11月图表21：IMF预测发达经济体明年经济增速地区/经济体 2025 2026全球产出33.1发达经济体1.51.6美国1.92地区/经济体 2025 2026欧元区11.2德国0.10.9法国0.61意大利0.50.8西班牙2.51.8日本0.70.5英国1.21.4加拿大1.61.9其他发达经济体1.62.1IMF图表22：社零低位震荡() 图表23：地产拖累项有望收企稳()2520151050-5社会消费品零售总额:当月同比

0-20-40-60商品房销售面积:累计同比 商品房销售额:累计同比20251217图表24：2026年市场宏观一致预期 图表25：2026年市场宏观一致预期_续2025F 2026F 2025F 2026FGDP同比4.884.89GDP同比4.884.89彭博4.94.5社会消费品零售同比4.084.38彭博4.54.6中国:10美国:10彭博彭博1.761.664.064.06出口金额同比进口金额同比4.794.27-0.122.11固定资产投资同比彭博-1.550.72.413.8CPI同比彭博0.0500.540.7PPI同比彭博-2.26-2.6-0.49-1M2同比彭博8.0187.797.5，彭博20251217

，彭博注：数据截至2025年12月17日2026图表26：全部A股年度净利润同预测 图表27：科创板和创业板的度利润同比预测50.00%40.00%30.00%20.00%10.00%0.00%-10.00%-20.00%

210全部A股 全部A股(非金融)

-12017201820192020202120222023202420252026科创板 创业板注：据至2025年12月16日 注：据至2025年12月16日成长价值风格方面，我们主要观察M1-M2剪刀差指标。当M1-M2剪刀差上行阶段，市场成长风格占优的可能性较大。今年以来，国内流动性方面，M1M2剪刀差回升明显，资金活期化率提升，带动高弹性成长风格占优。而今年中国央行在第三季度货币执行报告中明确提及，贷款增速略低一些也是合理的，……逐步淡化对数量目标的关注。这意味着后续央行不会为了维持高的贷款增速超量使用货币政策。我们据此推断明年市场的信用增速会从高位稍有回落，从而使得明年的市场风格更显均衡，而不是如同今年的成长风格明显占优。图表28：大小盘差额净值与产发投资完成额累计比() 图表29：大小盘差额净值与M1同()32.521.510.50

-30-20-1001020304050

1 211150-5 -1-20.80.70.60.50.4 注：据至2025年12月17日 注：据至2025年12月17日2005202016、412502021BetaM1M120223M1A图表30：万得微盘股日历择净表现 图表31：万得微盘股和茅指轮策略胜率1月2月3月胜率1月2月3月4月5月6月40.00%85.71%66.67%47.62%61.90%57.14%7月8月9月10月11月12月52.38%61.90%61.90%52.38%71.43%42.86%210-0.52021-1-4

2022-1-4

2023-1-4

2024-1-4 2025-1-4万得微盘股指数 日历择时策

，彭博20251216

注：数据截至2025年12月16日50300300611另外我们在前期研究《BETA猎手系列之十一：基于红利风格择时+红利股优选构建的固收+策略》中，也构建了对于中证红利的月频择时策略。对于长期配置红利资产的资金，我们推荐每月关注我们的红利择时策略信号。图表32：2005年至今中证红利月胜率 图表33：基于宏观事件驱动中红利择时策时策略 中证红利全收益注：据至2024年12月16日 注：据至2024年12月16日涨靠前，头额收分是9.89和7.93。调活动、析预期盈利6.33、4.182.94图表34：行业轮动大类因子空益表现 图表35：行业轮动大类因子空益表现121086420盈利 质量 估值动量超预期 分析师预期 调研活动

1盈利 质量 估值动量超预期 分析师期 调研活动注：据至2025年11月 注：据至2025年11月图表36：行业轮动大类因子今年以来表现多头超额收益 多空收益 IC均值盈利0%-3.13%质量9.89%26.56% 5.95%估值动量-12.61%-1.45%-1.56%分析师预期4.18%12.96%1.72%超预期7.93% 13.83%1.47%调研活动6.33%12.14%8.19% 注：数据截至2025年11月M1-M2M1-M2(M1-M2)图表37：盈利和分析师预期因子多空净值同比与M1-M2剪刀差走势

图表38：预估质量因子明年表现延续10盈利 分析师预期 M1-M2

20151050-5-10-15-20

2.52.32.11.91.71.51.31.12011-1-42012-1-42011-1-42012-1-42013-1-42014-1-42015-1-42016-1-42017-1-42018-1-42019-1-42020-1-42021-1-42022-1-42023-1-42024-1-42025-1-4

质量因子净值 质量因子同比_右

0.50.40.30.20.10-0.1-0.2注：据至2024年10月31日 注：据至2024年10月31日而对于估值动量因子，由于其因子逻辑为12个月板块估值长期动量逻辑，2024年9月市9图表39：估值动量因子今年来头配置行业 图表40：估值动量因子多空值势1第1组 第6组 多空差额注：1）数据截至2025年12月3日2）标红为当月上涨行业，加粗为涨跌幅大于2的行业

注：数据截至2025年12月3日三、2026年因子选股展望：指增AI策略失效分析及优化方式三、2026年因子选股展望：指增AI策略失效分析及优化方式AI2024-2025年A股交易逻辑先由价值/低波切向小盘/动量，再聚于一致预期/成长；2025Q4宏观不确定升温，资金转求确定性，成长溢价急跌，质量、价值、低波反弹。8-9月市值因子拥挤度达历史峰值后触发均值回归，与量化集体回撤同步。图表41：2025风格因子对比传统&AI策略超额净值表现11.31.251.21.151.11.0510.950.90.852025/01/02 2025/02/10 2025/03/24 2025/05/06 2025/06/16 2025/07/28

2025/09/08

2025/10/20 2025/12/01分析师一致预期 成长 动量 质量 传统线性策略 GBDTNN机器学习策略图表42：2025风格因子对比传统&AI策略超额净值表现21.31.251.21.151.11.0510.950.90.852025/01/02 2025/02/10 2025/03/24 2025/05/06 2025/06/16 2025/07/28

2025/09/08

2025/10/20 2025/12/01技术面 价值 波动 市值 传统线性策略 GBDTNN机器学习策略3.1.2线性与非线性策略在极端环境下的绩效分化AI8-9AI图表43：AI与传统线性策略VS绩优300指增产品超额净值1.2 11.15 0.81.1 0.61.05 0.41 0.20.95 02025/01/02 2025/02/14 2025/03/21 2025/04/28 2025/06/06 2025/07/11 2025/08/15 2025/09/19 2025/11/03量化策略超额撤段 GBDTNN机器学习策略 传统线性策略 沪深300指增产超额图表44：AI与传统线性策略VS绩优500指增产品超额净值1.25 11.2

0.90.81.15

0.70.61.1 0.51.05

0.40.30.210.10.95 02025/01/02 2025/02/14 2025/03/21 2025/04/28 2025/06/06 2025/07/11 2025/08/15 2025/09/19 2025/11/03量化策略超额撤段 GBDTNN机器学习策略 传统线性策略 中证500指增产超额图表45：AI与传统线性策略VS绩优1000指增产品超额净值1.25 11.2

0.90.81.15

0.70.61.1 0.51.05

0.40.30.210.10.95 02025/01/02 2025/02/14 2025/03/21 2025/04/28 2025/06/06 2025/07/11 2025/08/15 2025/09/19 2025/11/03量化策略超额撤段 传统线性策略 GBDTNN机器学习策略 指增品额除了市场环境的客观因素，行业内部的策略同质化是导致本次回撤的内生核心原因。随着AI技术在量化投资中的普及，目前神经网络（如GRU）和树模型（如LightGBM）已成为行业通用的基座模型。我们计算了这些主流模型生成的因子与公募指增基金净值的动态相关性，结果显示二者的相关系数不仅持续走高，且长期维持在高位。图表46：AI因子与沪深300指增基金关联性时序图0.250.20.150.10.052023-1-32023-3-32023-5-32023-7-32023-9-32023-11-32024-1-32024-3-32024-5-32024-7-32024-9-32024-11-32025-1-32025-3-32025-5-32025-7-32025-9-302023-1-32023-3-32023-5-32023-7-32023-9-32023-11-32024-1-32024-3-32024-5-32024-7-32024-9-32024-11-32025-1-32025-3-32025-5-32025-7-32025-9-3-0.05300_GRU 300_LGBM图表47：AI因子与中证500指增基金关联性时序图0.50.40.30.20.12023-1-32023-3-32023-5-32023-7-32023-9-32023-11-32024-1-32024-3-32024-5-32024-7-32024-9-32024-11-32025-1-32025-3-32025-5-32025-7-32025-9-302023-1-32023-3-32023-5-32023-7-32023-9-32023-11-32024-1-32024-3-32024-5-32024-7-32024-9-32024-11-32025-1-32025-3-32025-5-32025-7-32025-9-3-0.1500_GRU 500_LGBM图表48：AI因子与中证1000指增基金关联性时序图0.50.40.30.20.12023-1-32023-3-32023-5-32023-7-32023-9-32023-11-32024-1-32024-3-32024-5-32024-7-32024-9-32024-11-32025-1-32025-3-32025-5-32025-7-32025-9-302023-1-32023-3-32023-5-32023-7-32023-9-32023-11-32024-1-32024-3-32024-5-32024-7-32024-9-32024-11-32025-1-32025-3-32025-5-32025-7-32025-9-3-0.11000_GRU 1000_LGBMAI——数据清洗层HPKalman指标预处理层（DTW（（Yo、环比（o）Softmax图表49：传统择时策略构建流程图表50：择时框架优化27GRUGRU20242025后，AI略年超额益定在4.15但夏比高达4.12，玛比大幅7.21图表51：择时策略持仓净值与表现2.5 12 0.81.5 0.61 0.40.5 0.20 0策略持仓 策略净值 基准图表52：择时策略分年度表现35.00%30.22%24.65%19.38%24.65%19.38%12.81%25.00%20.00%15.00%10.00%5.00%0.00%

2022

2023

2024

2025图表53：择时策略指标表现（2022.01-2025.12）年化收益 年化超额年化波动率 最大回撤 Sharpe

Calmar比率

Sortino IR 买入胜率 卖出胜率4.155.424.12 7.21 9.88 1.42 75.00AILGBMGRULightGBMHuberLoss针对树模型（LightGBM）在训练过程中倾向于对所有样本赋予等同权重导致的噪音干扰与尾部敏感问题，我们提出了从预测端到训练端的双重优化方案。在预测端，核心痛点在于模型容易被大量失效的噪音样本误导。为此，我们设计了基于高质量样本的因子加权方案。具体实施上，我们回溯历史数据，筛选出在策略回撤期间依然保持较高信息系数（IC）的抗跌因子，利用这些因子对训练集中的个股样本进行综合打分，并选取综合得分排名前20的样本定义为高质量样本，在模型训练时赋予其更高的权重。这一机制在数学上强行引导梯度下降的方向向那些在极端行情下仍具有预测效力的样本特征靠拢。（MSE）HuberLoss。HuberLossMSEMAELGBM8.84显著收敛至2.8.0（iz非线性市值（NonlinearSize）及流动性（Liquidity）等风险因子的暴露度普遍收敛，证明该优化有效抑制了模型为追求短期高收益而过度暴露于投机性风格的倾向。图表54：因子净值对比65432120180103201811012019082620200624202104212022021820221213202310132024080720250610020180103201811012019082620200624202104212022021820221213202310132024080720250610style_factor_lgbm style_factor_lgbm_goodfactor_weighted_3GRUCVaRGRU首先，引入AttentionPooling（注意力池化）模块取代取末尾隐状态的简单做法。通过构建一个可学习的Query向量，对GRU输出的全序列隐状态进行加权求和。这种机制赋予了模型自适应聚焦的能力，使其能够根据当前市场状态，自动识别并重点关注时间序列中的关键转折点（如波动率放大点），解决了序列内信息利用不充分的问题。更进一步，我们创新性地引入了Memory模块与CVaRLoss（条件在险价值损失）的闭环机制。Memory模块构建了一个可读写的Key-Value记忆库，用于存储历史上的典型行情模式。而在训练目标上，我们引入CVaRLoss，专门针对预测误差最大的前20样本进行优化。在CVaRLoss的强力引导下，Memory模块被迫重点学习并存储那些最难预测的极端行情特征。当实盘遇到类似危机时，模型以当前状态为Query，从Memory中检索相似的历史极端模式，从而做出更具前瞻性的风控决策。这一以险为鉴的闭环机制效果惊人：相比引入Attention后的中间版本，最终架构将GRU模型的多头超额收益提升至25.84，最大回撤大幅压降至8.54，卡玛比率跃升超30至3.02，实现了收益弹性与风控韧性的双重突破。图表55：因子净值对比765432120180103201811012019082620200624202104212022021820221213202310132024080720250610020180103201811012019082620200624202104212022021820221213202310132024080720250610gru_raw_10d gru_raw_10d_poolattention gru_raw_10d_cvar图表56：因子表现分析因子名称 ic_meanic_ir ictlong_exc_retlong_sharpelong_irlong_exc_ddlong_calmarls_retls_sharpegru_raw_10d11.641.2717.5124.191.454.5111.112.1888.377.28gru_raw_10d_poolattention11.831.3418.5424.651.454.5610.822.2886.566.88gru_raw_10d_cvar11.771.2617.4125.841.454.508.543.0290.697.05前沿技术应用展望：从单点预测走向系统生态AI传统的因子挖掘模式主要依赖研究员的经验直觉与手工代码编写，这种方式在挖掘效率和逻辑覆盖面上存在客观瓶颈。未来的发展方向在于构建基于描述即生成的自动化挖掘体系。我们正在探索将大语言模型（LLM）与强化学习（RL）进行深度耦合。在这一架构中，大语言模型负责将抽象的投资逻辑转化为具体的因子计算代码。为了解决生成代码质量参差不齐的问题，引入强化学习算法作为反馈机制。我们将ICIR（信息比率）、换手率约束、交易成本等实战指标设定为目标函数，对大模型生成的因子代码进行多轮次的筛选与优化。通过这种逻辑生成->回测评估->策略迭代的闭环流程，能够高效挖掘出位于传统线性逻辑盲区之外的非线性Alpha因子，从而拓展策略的收益来源。图表57：强化学习生成因子全流程时空图神经网络（TGN传统量化模型通常假设资产之间相互独立，倾向于将每只股票视为孤立的时间序列进行预测，而忽略了资产间错综复杂的关联结构。然而在A股市场中，板块轮动与产业链传导效应显著，单一资产的波动往往受到关联资产的强力驱动。为了解决这一孤立分析的局限性，我们引入了时空图神经网络（STGNN）。该技术的核心在于构建一张动态的金融图谱：将上市公司作为节点，利用产业链供需关系、股权投资关系及行业分类等数据构建连接边。STGNN模型不仅能够分析单只股票历史走势的时间维度特征，还能通过图卷积网络（GCN）捕捉关联企业股价变动传导至目标股票的空间维度特征。此外，结合多模态技术，该框架支持将新闻舆情、研报观点等非结构化文本编码嵌入图中。这种从单点分析向系统关联分析的跨越，是提升模型对突发事件响应速度、捕捉复杂板块轮动规律的关键技术路径。图表58：多模态大语言模型因子挖掘流程示意图2025Alpha20142018-20202020年相对万得全A和沪深30030.4828.982022—202420252025年11月30A3006.46和自2021图表59：2025年万得偏股混合型基金指数同时跑赢万得全A和沪深300指数50%40%30%20%10%0%-10%-20%-30%-40%201420152016201720182019202020212022202320242025相对万得全A超额收益 相对沪深300超收益注：2025年数据统计截至2025年11月28日图表60：各类行业主题基金2025年超额收益

金融地产 消费 周期 制造 科技 医超额收益率中数（%） 跑赢基准比例右）

100.00%90.00%80.00%70.00%60.00%50.00%40.00%30.00%20.00%10.00%0.00%注：数据截至2025.12.17BarraAlpha201520212019-20212021Alpha2025Alpha图表61：2025年上半年主动权益基金Alpha有所回归选股贡献 中证800（右轴）

6000500040003000200010002010-12-31201106302010-12-3120110630201112302012062920121231201306282013123120140630201412312015063020151231201606302016123020170630201712292018062920181228201906282019123120200630202012312021063020211231202206302022123020231229202406282024123120250630注：数据统计截至2025年11月28日alphaAlpha2013合型基金指数相对于万得全AEPS30（系数为0.58图表62：万得偏股混合型基金指数相对表现与高增长行业占比相关度较高

2.42.221.81.61.41.20% 1高EPS增长中三行占比 万得偏股混合基指数/得A（轴）注：2025年数据统计截至2025年09月30日4.2.2板块内基本面分化程度决定了Alpha获得的难易程度5分位数（而更易获取超额Alpha收益。科技板块内部个股基本面分化程度较大，科技主题基金2025年超额显著。图表63：科技行业走势与内个基本面分化程度 图表64：周期行业走势与内个基本面分化程度9080706050403020100科技板块个股本分程度 CS科技指数点位

6000500040003000200010000

80 25007060 200050 15004030 100020 500100 0Alpha2026AlphaAlpha从估值水平来看，虽然2025年基金重仓指数估值水平有所回升，截至2025年11月28日，其PE_TTM为15.06倍，处于自发布日以来的70.90分位数，未至历史高位。综上，主动权益型基金的优势明年有望延续，仍然有获得Alpha的机会。图表65：2025Q3主动权益基重股行业分布（） 图表66：2025年基金重仓指数估有所回升，但未至历史高位14.00 2812.00 2410.008.00 206.004.0 162.00电子医药电力设备及新能源通信传媒有色金属机械汽车食品饮料计算机基础化工商贸零售国防军工家电银行非银行金融交通运输农林牧渔房地产石油石化电力及公用事业消费者服务轻工制造建材建筑钢铁煤炭纺织服装综合金融综合0.00 12电子医药电力设备及新能源通信传媒有色金属机械汽车食品饮料计算机基础化工商贸零售国防军工家电银行非银行金融交通运输农林牧渔房地产石油石化电力及公用事业消费者服务轻工制造建材建筑钢铁煤炭纺织服装综合金融综合201807201901201807201901201907202001202007202101202107202201202207202301202307202401202407202501202507Alpha20251031征求意见稿（长期跑输基准挂钩，形成内生约束动力另一方面，《公开募集证券投资基金主题投资风格管理指引（征求意见稿）》拟对公募基金风格漂移问题实施严格管控。新规核心措施包括：一是要求主题基金名称必须名实相符，即基金名称须明确反映其实际投资方向，且80以上非现金资产须投向该特定方向；二是强制建立风格库，入库标准需与投资方向直接相关，并优先采用权威或第三方公开数据；三是限制风格库年度更新频率（原则上每年1至12次），防止