量化选基月报：小红书开源首个AI文本大模型，Qwen3金融文本分析测评

Qwen3金融文本分析测评 我们分别从市场数据点评、财经新闻点评、基金经理调研纪要分析等维度测评了Qwen3的模型性能。从测评结果来看，Qwen3能够较好的完成上述金融文本分析任务，但DeepSeek得到的结果更加简洁严谨，表现更优。 5月份科创50ETF资金流入明显，医药主题基金业绩优异 宽基ETF中多类指数本月资金大规模净流出，其中沪深300ETF与中证A500ETF资金净流出额均超过100亿元。而科创50ETF本月资金呈净流入状态，资金净流入额超过70亿元。行业ETF中，本月各类行业ETF资金净流入额整体上均呈现分化的状态。其中科技ETF资金净流入额最高，而消费、医药ETF的资金呈现净流出状态。 从中位数来看，本月医药、金融地产主题基金有较好的表现，收益率中位数分别为6.31%、5.10%，而TMT主题基金业绩整体回调。 风格轮动型基金优选组合业绩跟踪 我们目前基于成长价值与大小盘两个维度，根据基金在两个报告期的股票持仓，构建基金绝对主动轮动指标，对基金是否为风格轮动型基金或风格稳定型基金进行了识别。随后，我们根据主动轮动收益因子，刻画基金风格轮动的效果，并在风格轮动型基金中进行了基金优选。本策略采用半年频调仓的策略，在每年3月末/8月末进行调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本。我们对该策略在2025年5月份的表现进行了跟踪。 本月风格轮动型基金优选组合未能跑赢万得偏股混合型基金指数。2025年5月份，本策略取得-0.08%的收益率，相对于偏股混合型基金指数的超额收益率为-1.11%。 基于基金特征和基金能力的综合选基策略跟踪 我们从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建了选基因子，并进行等权重合成。策略采用季频调仓的方式，在每年1、4、7、10四个月末进行调仓，并扣除交易成本。我们对该策略5月份的净值表现进行了跟踪。 本月基于基金特征和基金能力的综合选基策略未能跑赢万得偏股混合型基金指数。2025年5月份，本策略取得0.18%的收益率，相对万得偏股混合型基金指数的超额收益率为-0.88。 基于交易动机因子及股票价差收益因子的选基策略跟踪 本月基于交易动机因子及股票价差收益因子的选基策略未能跑赢万得偏股混合型基金指数。2025年5月份，策略获得-0.96%的收益率，相对万得偏股混合型基金指数的超额收益率为-1.98%。 基金经理持股网络交易独特性选基策略跟踪 我们根据基金经理持股、交易的明细构建网络并由此构建了客户基金经理交易独特性的指标，构建了选基策略。本策略采用半年频调仓的策略，在每年4月初/9月初进行调仓，我们对该策略在2025年5月份的表现进行了跟踪。 本月交易独特基金组合未能跑赢万得偏股混合型基金指数。2025年5月份，本策略取得-0.06%的收益率，相对于万得偏股混合型基金指数的超额收益率为-1.09%。 风险提示 以上结果通过历史数据统计、建模和测算完成，在市场环境发生变化时模型存在失效的风险；当交易成本或其他条件改变时，可能导致策略收益下降甚至出现亏损。基金相关信息及数据仅作为基金研究使用，不作为募集材料或者宣传材料。本文涉及所有基金历史业绩均不代表未来表现。 一、小红书开源首个AI文本大模型，Qwen3金融文本分析测评 1.1小红书开源首个AI文本大模型 2025年6月10日，小红书公布首个开源AI大模型dots.llm1，这是小红书人文智能实验室自研的MoE文本大模型，总参数量达142B，每次推理仅激活14B，模型已在GitHub和HuggingFace上面开源。 dots.llm1采用轻量激活的MoE架构，基于高质量真实语料训练，据模型技术文件介绍，该模型性能媲美Qwen2.5-72B模型。 图表1：开源MoE和大语言模型的性能与成本比较 图表2：大语言模型多维度性能测试 从模型技术文件中披露的测评结果来看，dots.llm1在多个维度上的能力超越Qwen2.5-72B模型及DeepSeek-v2模型，在中文领域的得分甚至超越了Qwen3（非深度思考版本）。 1.2 Qwen3金融文本分析测评 2025年4月29日，Qwen团队发布了Qwen3系列大语言模型。Qwen3系列包含2个MoE架构的模型以及dense模型，两个MoE模型为Qwen3-235B-A22B以及Qwen3-30B-A3B。此外，六个Dense模型也已开源，包括Qwen3-32B、Qwen3-14B、Qwen3-8B、Qwen3-4B、Qwen3-1.7B和Qwen3-0.6B，均在Apache 2.0许可下开源。 从Qwen3的技术报告展示的测评结果来看，Qwen3-235B-A22B模型在大多数基准测试中的表现均超越了DeepSeek-V3模型，而参数总量仅为DeepSeek-V3模型的三分之一。 从API价格来看，不考虑缓存命中的情况，思考模式下Qwen3 API接口的输入价格低于DeepSeek-R1，但输出价格高于DeepSeek-R1。 图表3：Qwen3与DeepSeek的使用成本对比 2025年6月5日，Qwen团队发布Qwen3 Embedding系列模型，该系列模型专为文本表征、检索与排序任务设计，基于Qwen3基础模型进行训练。 图表4：Qwen3-235B-A22B-Base模型与其他开源大模型的对比 首先，我们测试了Qwen3-235B-A22B非深度思考模型与DeepSeek-V3模型对于市场数据点评任务的完成情况。在相同的提示词和数据的情况下，Qwen3撰写的市场点评更为详尽专业，DeepSeek-V3模型撰写的市场点评较为简略。 图表5：市场数据点评任务表现对比 随后，我们测试了新闻点评的任务，使用DeepSeek-R1和Qwen3(深度思考)分别撰写黄金新闻周度点评。从结果来看，Qwen3能够顺利完成任务，内容详实，但没有完全遵守提示词的要求。DeepSeek完全遵守了提示词对格式的要求，内容简练。 图表6：新闻点评任务表现对比 最后，我们测试了Qwen3-235B-A22B深度思考模型与DeepSeek-R1模型对于基金经理调研纪要的解析结果。从两个模型对于基金经理调研纪要的解析结果来看，Qwen3能够遵从提示词指令，输出符合提示词格式要求的内容，对于基金经理投资框架的分析较为全面，但部分维度的分析结果可能不够严谨，比如交易框架中“右侧交易”并未在纪要原文中提及。 而Qwen3与DeepSeek-R1对于资产配置的理解也有所不同，DeepSeek的结果更加严谨。 图表7：Qwen3模型对于基金经理调研纪要的解析 图表8：DeepSeek-R1模型对于基金经理调研纪要的解析 综上，在我们市场数据点评、新闻点评、基金经理调研纪要解析三个任务中，DeepSeek的结果往往更加简练，更遵守提示词的要求，但Qwen3也能够完成上述金融文本分析要求。 二、5月份科创50ETF资金净流入 我们按每日份额较前一日增加额乘以前一日净值的方式计算了ETF每日的净申购/赎回额，并对发生份额拆分的ETF进行处理，将日度ETF资金流汇总后，我们统计了5月份各类ETF的资金流向。 宽基ETF中多类指数本月资金大规模净流出，其中沪深300ETF与中证A500ETF资金净流出额均超过100亿元。而科创50ETF本月资金呈净流入状态，资金净流入额超过70亿元。 图表9：本月资金净流入额Top5和Bottom5的宽基ETF（亿元） 行业ETF中，本月各类行业ETF资金净流入额整体上均呈现分化的状态。其中科技ETF资金净流入额最高，而消费、医药ETF的资金呈现净流出状态。 图表10：行业ETF5月份资金净流入额（亿元） 三、主动权益型基金5月份表现跟踪 3.15月份主动量化基金表现优于主动权益基金 本月主动量化基金业绩表现整体上仍然好于主动权益基金。2025年5月份，主动权益基金收益率中位数为1.31%，不及主动量化型基金中位数2.41%。 上个月表现优异的主动量化基金如图表12所示，如东吴智慧医疗量化策略A、诺安多策略A等，5月份收益率分别为13.14%、7.76%。 图表11：5月份收益率中位数：主动权益型基金VS主动量化基金 图表12：2025年5月份主动量化基金收益率Top5 3.2 5月份医药、金融地产主题基金业绩领先，TMT主题基金业绩回调 我们根据主动权益基金的名称、业绩基准等定性信息，并结合股票持仓数据进行补充与复核，从主动权益型基金中筛选出若干消费、医药、TMT、制造、周期、金融地产等行业主题基金。从中位数来看，本月医药、金融地产主题基金有较好的表现，收益率中位数分别为6.31%、5.10%，而TMT主题基金业绩整体回调。 图表13：行业主题基金收益情况回顾 图表14：行业主题基金5月份收益率Top5 四、风格轮动型基金优选组合业绩跟踪 我们曾在2023年2月9日发布的《智能化选基系列之二：风格轮动型基金智能识别与量化优选》、2023年6月23日发布的《量化漫谈系列之四：成长价值和大小盘双风格轮动基金如何识别与优选？》中，对风格轮动型基金进行了识别与探究。我们目前基于成长价值与大小盘两个维度，根据基金在两个报告期的股票持仓，构建基金绝对主动轮动指标，对基金是否为风格轮动型基金或风格稳定型基金进行了识别。随后，我们根据主动轮动收益因子，刻画基金风格轮动的效果，并在风格轮动型基金中进行了基金优选。通过该策略筛选出来的基金，其持仓股票的风格暴露在不同报告期可能会发生较大的变化。因子构建方式及回测结果详见原报告或附录 本策略采用半年频调仓的策略，在每年3月末/8月末进行调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本。我们对该策略在2025年5月份的表现进行了跟踪。 本月风格轮动型基金优选组合未能跑赢万得偏股混合型基金指数。2025年5月份，本策略取得-0.08%的收益率，相对于偏股混合型基金指数的超额收益率为-1.11%。 图表15：风格轮动型基金优选策略净值表现 图表16：风格轮动型基金优选策略超额净值 图表17：风格轮动型基金优选策略表现 图表18：风格轮动型基金优选策略分年度超额收益率 五、基于基金特征和基金能力的综合选基策略跟踪 我们曾在2023年1月7日发布的《智能化选基系列：通过全方位特征预测基金业绩并构建跑赢指数的基金组合》、2023年6月6日发布的《智能化选基系列之三：基金经理多维度能力评价因子的优化》中，挖掘了基金各方面特征及能力，构建了多类选基因子，对普通股票型基金及偏股混合型基金构成的基金池进行量化优选，因子构建方式及回测结果详见原报告或附录。 我们从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建了选基因子，并进行等权重合成。策略采用季频调仓的方式，在每年1、4、7、10四个月末进行调仓，并扣除交易成本。我们对该策略2025年5月份的净值表现进行了跟踪。 本月基于基金特征和基金能力的综合选基策略未能跑赢万得偏股混合型基金指数。2025年5月份，本策略取得0.18%的收益率，相对万得偏股混合型基金指数的超额收益率为-0.88%。 图表19：基于基金特征和能力的综合选基策略业绩表现 图表20：基于基金特征和能力的综合选基策略超额净值 图表21：基于基金特征和基金能力的综合选基策略表现 从分年度收益来看，基于基金特征和能力的综合选基策略，在2013年至2021年均取得了正收益，但2022年至2023年，策略均未能跑赢万得偏股混合型基金指数。 图表22：基于基金特征和基金能力的综合选基策略分年度超额收益率 六、基于交易动机因子及股票价差收益因子的选基策略跟踪 我们在2023年10月30日发表的《智能化选基系列之五：如何刻画基金经理的交易动机并进行基金优选？》中，曾将基金的交易动机进行划分并构造了基金交易动机因子，再结合基金利润表