AI赋能资产配置（十七）：AI盯盘：“9·24”行情案例

策略研究·策略解读 证券分析师：王开021-60933132wangkai8@guosen.com.cn执证编码：S0980521030001 证券分析师：陈凯畅021-60375429chenkaichang@guosen.com.cn 执证编码：S0980523090002 事项： 金融市场中的短期内快速上涨行情往往因情绪驱动而非基本面改善，容易导致阶段性追高。传统技术分析（如KDJ、RSI、MACD、均线体系、成交量、换手率及估值水平等单一指标）虽能提供部分洞察，但其信号纷杂、滞后性强且受主观经验影响较大，难以有效预警此类脉冲式行情的风险。 为系统性地解决这一问题，本研究旨在构建一个多维度、量化、由人工智能驱动的综合研判框架。研究首先从趋势、动量、资金流向、估值四个核心维度出发，构建了十二个关键原始指标，形成一个全面刻画市场状态的多因子体系，并初步判断和市场趋势的关系，确保模型的可行性以及避免机器学习的“黑箱”现象。随后，本研究创新性地引入以HistGradientBoosting为代表的机器学习算法作为“AI辅助”核心引擎，在两大关键环节实现优化： 在因子处理层面：利用AI方法自动化完成因子的去极值、标准化、分位化与特征重要性筛选，显著提升因子数据的稳定性和有效性，克服了传统人工选择因子的主观性与过拟合缺陷。在模型建模层面：利用HistGradientBoosting模型的非线性拟合能力，深度捕捉多个技术因子与估值因子之间复杂的交互效应与协同关系，从而生成更为精准、稳健的复合择时信号。 本研究的核心价值在于解答两个关键问题：第一，在A股市场的特定环境下，市场因子对于规避短期顶部风险具有显著的预测能力？第二，相较于传统的线性模型或经验判断，AI辅助的融合框架能否在策略胜率、夏普比率与最大回撤控制上表现出更优的性能，尤其在于类似“9·24”行情的临界点识别上。 我们预期，该AI增强型的多因子择时策略不仅能为投资者提供一个客观、系统的A股风险预警工具，减少盲目追高带来的损失，同时也为人工智能技术在中国金融市场量化实践中的应用潜力与可解释性提供了有力的实证参考。 报告首先通过趋势、动量、资金流向和估值四个维度的图表验证了单点指标在市场波动中能够捕捉趋势拐点与风险信号，为量化建模提供了实证基础。在此基础上，研究团队将12个核心指标及其衍生因子系统化处理，统一标准化和分位化，并通过IC检验筛选出具备解释力的因子。随后引入直方图梯度提升（HistGradientBoosting）模型，利用其非线性拟合与交互捕捉能力生成复合择时信号。回测结果显示，策略年化收益率达36.41%，夏普比率2.30，最大回撤-19.51%，显著优于万得全A指数，尤其在“9·24”行情等高波动场景中展现出“追涨不追高、下跌能抗跌”的特征。由此证明，AI辅助的多因子量化框架不仅能将单一指标的局部关联转化为系统化策略，还能有效提升风险控制与收益稳定性。 观点： 从“9·24”说起，四维度打造市场放大器 回顾2024年9月下旬，A股市场曾经历了一波短暂而迅猛的“9·24”快速上涨行情。9月24日万得全A指数收盘于4079点，随后在短短四个交易日内连续拉升，于9月30日收至4941点，累计涨幅超过21%。10月8日更是一度冲高至5294点。然而行情并未延续，10月9日起市场快速回落，至10月11日已跌回4742点附近，短期内形成“急涨—急跌”的典型脉冲式行情。这一波动使大量追高资金被套在阶段性高点， 验证了市场在缺乏基本面支撑时情绪驱动上涨的脆弱性与高风险性。这一案例清晰揭示出：仅凭市场情绪推动的短期脉冲上涨，往往缺乏坚实的基本面支撑，其脆弱性极易对趋势交易者造成显著伤害。也因此引发了一个值得深度探讨的核心问题：类似“9·24”行情这种突如其来的短期急涨，市场中哪些指标可以提前反应出来，以及在右侧高频监测风险呢？ 趋势角度：趋势启动，趋势延续和震荡回调信号 从数据上看，9月24日万得全A收盘价为4079点，当时MA5>MA10>MA20已经开始显现，均线形成了初步的“多头排列”。到9月30日收盘价升至4941点，MA5、MA10、MA20完全打开，典型的趋势启动信号。在“9·24”行情冲高至10月8日后，市场很快进入震荡回调阶段。具体来看，10月10日开始，MA5已 经 逐 步 贴 近 收 盘 价 ， 显 示 短 期 上 行 动 能 减 弱 ； 至10月15日 至17日 ， 均 线 关 系 出 现了MA10>MA5>MA20的结构，反映出短期均线被中期均线压制，行情由单边上行转向震荡整理。与此同时，布林带宽度在快速扩张后开始收敛，进一步印证了趋势持续性减弱。整体上，这一均线““反压”与波动收缩的组合，构成了较为清晰的回调预警信号，提示追高资金的风险正在加速累积。 资料来源：万得，国信证券经济研究所整理 动量角度：上涨波段的动量极值，回调启动的动量转折以及波段循环的临界点 在上涨波段中，KDJ和RSI指标同步进入极高区间，往往预示着动量已经进入加速阶段。以“9·24”行情为例，指数从4079点拉升至4941点期间，KDJ升至接近90，RSI_6更是逼近97，显示市场处于典型的超买状态。这种动量极值往往出现在波段尾声，是短期行情见顶的重要信号。随后在行情回调启动阶段，KDJ与RSI快速从高位跌落，动量指标同步转弱。10月9日至11日，随着指数回落至4742点，KDJ从89急降至66，再到56，RSI也从98跌至58，短短数日内跌破关键阈值60。这一动量转折明确释放了行情结束的预警。 从更长的波动循环来看，KDJ在90附近往往对应波段高点，而在20–30附近对应底部；RSI则以60一线为分界，上破60通常意味着新一轮上涨启动，下破60则提示上涨结束。因此，KDJ的极值与RSI的分界线共同构成了波段循环的临界点，有助于投资者在短期急涨急跌行情中把握节奏。 资料来源：万得，国信证券经济研究所整理 资金流向角度：成交额与价格的联动和背离 在“9·24”行情中，成交额的起伏与指数的上涨幅度高度相关。9月24日万得全A成交额仅为9744亿，但随着行情启动，9月27日成交额迅速放大至14556亿，9月30日更是飙升至26115亿，与指数从4079点上涨至4941点高度同步。随后10月8日冲顶至5295点，成交额达到34835亿的阶段高点。数据表明，成交额的相对起伏越大，价格的攀升幅度往往也越大。 量能启动先于价格突破：值得注意的是，成交额的爆发往往领先于价格的快速拉升。例如在9月25–27日期间，成交额连续放大至1.16万亿~1.45万亿，而指数则在9月27日之后才加速突破至4500点上方。这说明，量能的提前启动是行情加速的重要前置信号，投资者若能及时捕捉这一变化，往往可以更早发现趋势性机会。 在10月9日之后，指数虽仍在4900–5000点一带震荡，但成交额已明显回落：10月9日成交额从34835亿降至29666亿，10月11日进一步降至15871亿。这种量能萎缩与价格高位震荡形成背离，预示行情的动能减弱，随后指数便快速下探至4742点，验证了资金流出对行情见顶的警示作用。值得一提的是，2025/4/1到5/1出现了一个比较明显的价量背离，这表明成交额先行萎缩，价格仍在惯性冲高，它提示行情缺乏新的资金支撑，涨势难以长久，后期价格果然回调。到了5/6以后，成交额突然放大，才真正配合价格突破。所以4月的背离实际上是一个“警示阶段”，而5月初的补量才是真正确认行情能走远的信号。 资料来源：万得，国信证券经济研究所整理 估值角度：估值抬升预告风险积累，高分位与技术超买共振增加风险 从2024/9/24的PE(TTM)15.63、5年分位仅3.6%，到2024/9/30时PE已经攀升至18.45，分位数飙升至65%。进一步在2024/10/8，PE达到19.55、分位74%，正好对应行情高点（5295点）。这表明，当估值分位进入>70%区间时，市场已从低估快速转向高估，风险溢价明显下降。进入年底和次年初，2024/12/5和2025/1/14的分位数分别为0.701、0.715，都对应价格阶段性高点，并伴随KDJ和RSI的短期见顶。进一步到2025/3/20附近，分位数再次升至0.71，此时市场冲高乏力，很快进入4月的调整期。 整体来看，PE分位数高于70%本身意味着市场估值偏向历史高位，而当这一信号叠加动量指标的超买（如RSI超过70、KDJ在90以上），往往成为短期行情的风险提示。在多个阶段的对比中，这一组合信号都有效预示了行情的见顶和回调压力，具备较强的解释力和前瞻性。 资料来源：万得，国信证券经济研究所整理 AI驱动的量化策略流程 AI驱动的量化策略“全自动引擎”由四个核心层次构成。数据层汇集多源异构输入，包括交易数据、估值指标及基本面因子，并通过异常值剔除与标准化处理生成因子矩阵；模型层则基于AI非线性决策方法，结合方向概率预测与风险框架，利用机器学习和优化算法形成可执行的仓位方案；执行层通过多模型投票机制生成信号，并与波动率止损、杠杆与仓位控制等风控系统相结合，实现策略落地；在此之上，优化层通过强化学习反馈环与实盘表现评估，不断对奖励函数与模型进行迭代更新。整体流程形成了从数据到信号、再到执行与优化的闭环，实现了量化择时的自动化与自我进化。 特征工程是AI量化策略的关键前置环节。首先多源数据出发，经过清洗环节对缺失值进行填补，并通过异常值处理与标准化手段确保数据的一致性与可比性；随后，将数据按时间顺序切分为训练集、验证集和测试集。接着，模型根据预处理后的数据生成各类特征，包括技术指标、量价特征以及风险因子等，并整合为特征矩阵。在此基础上，还需经过防泄漏验证，确保特征构造不引入未来信息或数据穿越。最终得到的特征集能够为后续建模与策略优化提供坚实的数据基础。 整体来看，AI驱动的全自动引擎为量化择时提供了完整的框架，但要真正发挥其效能，仍需从底层指标体系出发，确保输入因子具备系统性和解释力。这也正是我们从单点指标迈向量化框架、构建原始与衍生指标体系的出发点。 资料来源：万得，国信证券经济研究所整理 资料来源：万得，国信证券经济研究所整理 从单点指标到量化框架：原始/衍生指标体系构建 虽然趋势、动量、资金和估值四个角度的指标都能反映市场运行的某些特征，但单独依赖这些指标去判断市场方向，往往存在滞后性和片面性，难以真正实现风险规避。例如，均线交叉可能在行情启动后才确认，动量指标容易在短期波动中频繁发出“假信号”，资金流向和估值分位虽然能揭示结构性风险，但也无法精准捕捉转折点。因此，仅凭这些单点指标与市场趋势的经验性关联，还不足以形成系统化的判断框架。 基于这一局限，我们需要进一步迈向量化策略的搭建。第一步，就是在公开数据库中从四个维度精选出一组代表性指标，既涵盖趋势类（MACD、MA5/MA10/MA20）、动量类（KDJ、RSI_6）、资金与市场活跃度类（成交额、换手率、振幅、涨跌幅），也包括估值类（PETTM及其分位数），再辅以收盘价作为基准。这样，我们就形成了12个核心指标池，为后续的因子处理、有效性检验以及策略构建奠定基础。这些因子具有较强的市场解释力，并在量化研究与实务交易中得到广泛应用，同时为了让指标具有更好的解释力度，我们把原始指标转换为一些衍生指标： 指数平滑异同移动平均线（MACD）是趋势分析中最常用的指标之一。它通过短期与长期指数移动平均线的差值来判断趋势的方向与力度，配合信号线的交叉，可识别趋势的启动与反转。相比原始MACD值，加速度和偏离度能够提供更多关于趋势变化速率与异常状态的信息，有助于捕捉临近的趋势转折点。因此，我们构建了： KDJ：随机指标，通过价格在一定区间内的相对位置来衡量超买超卖状态。数值偏高通常表示短期内可能存在超买风险，偏低则提示超卖机会，适合捕捉短期反转。 RSI_6：相对强弱指数的短周期版本（6日），主要反映价格的动量变化。其计算基于