中金公司量时度市第10期AI量化选股研究新进展

发布时间：2026-07-29 一、核心要点 1. 本次为中金公司闭门线上会议，属量时度市第10期AI量化选股研究，仅限受邀嘉宾，交流内容仅供参考不构成投资建议，可登录中金点睛平台查看回放及纪要 2. AI量化选股应用场景分两类：一是用复杂模型整合预处理特征预测收益；二是用大语言模型等处理非结构化信息转化为结构化因子 3. 成长趋势选股策略原逻辑：选利润增速与加速度均提升的1/6公司，剔除非经常性损益占比高、偿债差、低流动性、ST等负面个股，按进攻性、防御性因子打分选30只股，样本外年化收益近20% 4. AI增强策略落地逻辑：用大模型解读上市公司年报、半年报提取行业层面信息，设1-5分明确评分标准，优先选有数据支撑的上行行业公司，最终入选100余只，再经因子打分选30只 5. AI增强策略效果：新策略年化收益从原4-7%提升至10-20%，2024-2026年行业分化明显时贡献更突出，因低频行业信息适配该类行情 6. STAR模型实验核心：测试区间2022年下半年至2026年3月底，构建的多头组合相较于中证1000指数基准，年化超额收益达23.48% 7. STAR模型构成：含因子嵌入层、时序编码层、时序池化层、截面自注意力层、回归预测层共5个核心模块，输入端将日频140个、月频88个因子解耦为四维张量二、投资线索 1. 多模态混频因子建模方向：采用多模态交叉注意力机制迁移日频、月频两类因子建模逻辑 2. 损失函数与训练设计：采用Rank IC损失函数，训练用半年为周期的滚动窗口机制，辅以梯度累积等3D工程化设计保障稳定性 3. 模型效果对比：对照XGBoost、GRU、iTransformer等模型，STAR模型样本外表现领先，双周调仓版本也表现良好 4. STAR模型归因表现：风格层面呈低估值、低波动、小市值特征，行业层面前期偏好医药、机械、计算机，后期扩展至基础化工、有色金属等中信一级行业 5. 后续研究方向：将分享多模态交叉注意力架构下混频因子合成方法，整合基本面另类数据构建稳健多因子 三、风险与关注 1. 模型为黑箱属性，虽有行业配置等可解释性，但仍存在量化模型固有风险2. 测试区间外市场环境变化可能对策略效果产生影响3. 因子有效性存在随市场环境变化的衰减风险 四、研究进展补充 1. STAR标准版本年化超额收益超20%，基础版本接近18%；新增2个模块可提升边际性能2. 因子嵌入层采用借鉴Informer论文的一维卷积，样本外表现优于全连接网络，卷积核取1时模型退化为全连接网络，表现削弱但可控3. 消融实验显示STAR模型5个核心模块可提升样本外表现，完整版本夏普比率达1.36，基础版本仅为0.984. STAR模型超额夏普比率2.16，整体夏普比率1.36，为量化投资提供新建模思路