东吴精工量化选股策略及模型研究会议纪要

东吴精工公司在量化选股领域的研究与实践主要涵盖智能因子生成、因子优化、高频因子探索、深度学习应用以及模型动态调整等方面。

智能因子研究
公司开发了动物单元模型智能因子，通过基础因子快速生成多维度、科技性强的因子，适用于因子探索阶段。同时，基于择时模型，将模型观点应用于全股选股，通过持续择时强化选股行为，提升选股效率和模型结构回报。

AI优化因子计算
通过AI模型优化因子计算逻辑，提升IC值，实现量化交易策略改进。研究中，针对29类因子进行优化，其中12个因子IC提升，15个因子IC提升1.2倍，10个因子IC提升1.5倍。优化过程包括因子表达式改进、自我迭代循环及效果评估，确保改进方向正确并提升交易策略表现。

因子改进与成交量加权研究
通过三次改进，引入价格波动、成交量加权及正弦函数等元素，优化因子计算方法，有效提升了因子表现，特别是在多头超额收益方面。研究表明，结合波动和反转的非线性因子优于单纯波动或反转因子，且在样本外跟踪中表现稳健。

AI模型在因子生成与改进中的应用
采用直接生成因子的方法，结合经验样例教学，AI模型成功迭代出五个效果显著的新因子，其ICR均值达0.8以上，且与参考样例相关性低，表明模型具备创新生成能力。2025年跟踪数据显示，新因子在实际应用中效果稳定，IC均值3%，ICR最高1.26，多空超额年化收益达34%。

基本面与量价因子差异及高频因子探索
讨论了基本面因子与量价因子在变量数量和计算复杂度上的差异，以及如何利用大模型生成有效基本面因子，如现金流、质量类因子和成长类因子。通过模型理解和逻辑修正，生成了如现金毛利、修正后的毛利等新型因子，这些因子在量化研究中展现出优于传统因子的性能。最后，提及了对高频因子领域数据生成的探索意图。

AI在高频因子生成中的应用
利用大模型直接生成代码以模拟人类开发过程，特别是在高频量化领域。通过让AI调用预设分析函数，分析全天波动等，提高效果。同时，引入前期动物军工开发的经验作为参考，提升AI在高频因子生成上的表现。

高频因子构建与投机狂热域分析
通过分析盘中放量与巨大分歧的投机狂热域，揭示了其在利好消息下的不稳定特性。研究显示，该因子在周频IC、IR及年化多空超额收益方面表现优异，具有显著的市场预测能力。

深度学习在阿尔法因素生成与择时选股中的应用
通过神经网络模型，实现对未来市场走势预测的精准指导，自动调整阿尔法因素的风格，提高投资组合的适应性和收益潜力，避免人为设定的局限性。

多彩轮动统一框架下的格式模型应用
通过多彩轮动统一框架下的格式模型，成功规避了三月份天鹅第一波冲突的下跌，模型在四月至五月底持看多观点，七月初开始转为空头，有效应对七月份的下跌。该模型对国证A指、沪深300、中证1000和创业板指等指数均展现出良好的看多胜率和看空赔率，证明了模型的稳定性和跨市场有效性。

量价因子与择时模型在量化交易中的应用
通过神经网络处理因子并结合择时观点，尝试提升选股效果。模型在18年初至26年上半年表现良好，但今年上半年因量价因子表现疲软而回撤。择时模型在当前环境下效果较好，有望反哺选股，提升超额收益。

提升投资收益预测模型的策略
通过不同策略提升投资收益预测模型的表现。对比了仅输入国证A收益预测与输入四个指数收益预测的效果，发现后者能显著提升IC值和超额收益。介绍了特征线性强制方法，通过调整因子的方差和均值来优化模型表现，同样提升了IC值和超额收益。

动态权重调整与超额收益提升策略
通过动态调整四大因子权重来提升超额收益的策略，该策略基于历史表现分配权重，实证结果显示2026年的超额收益和IC值有显著提升。模型能有效反映市场有效性变化，调整因子权重，如从2020年5月到6月，高频因子权重提升，低频因子下降，操作事后验证正确，最终整合风格因子形成混合模型，提升预测收益。

风格与阿尔法融合的动态调整模型
结合风格预测与阿尔法得分的模型，通过动态调整市值等风格因子的权重，以优化股票评分。模型利用神经网络实现风格与阿尔法得分的融合，提高了预测效果，展示了对历史和当前风格观点的观测能力。

阿尔法模型增强策略及其在多种模型中的应用
通过将模型结构从1000个音CLP调整为接收月K线和周K线，并采用GRU处理，提取最后一个时间步拼接后再过一个LP，形成了新的基线模型。实验结果显示，2026年的IC和超额收益均有显著提升。进一步论证表明，该模型增强策略对阿尔法端并不敏感，即使更换模型也能有效。

多专家网络模型在金融预测中的应用
通过动态调整神经网络参数以适应不同市场环境，提高预测准确性。模型通过八个专家网络对市场情况进行差异化分析，每个专家根据市场状态调整其权重，实现更精准的选股策略。实验结果显示，采用MOE方法后，模型的IC值和超额收益均有显著提升。

深度学习模型与指数预测在选股中的应用
利用深度学习模型预测指数未来收益，并将其应用于选股策略，以提升阿尔法因子效果。研究显示，引入少量具有预测能力的外部特征（如指数未来收益预测值）能显著提高超额收益，证明择时的重要性及动态换手约束的有效性。核心在于通过结合指数预测与选股模型，优化投资组合，实现超额收益的提升。