目錄1. 2026年展望 71.1. 回顧 71.2. 展望 10確定不定 10一致分化 10高波低波 101.2.4. 總結(jié) 102025年基本面研究回顧和2026年研究發(fā)展展望 資產(chǎn)負債表財務(wù)附注質(zhì)量因子 2.1.1. 介紹 存貨理力子果示 12壞賬理力子果示 14盈利偏度和估值偏度因子 182.2.1. 介紹 18營業(yè)潤偏因結(jié)展示 18POP（業(yè)潤值度因結(jié)展示 20自由現(xiàn)金流策略分析與組合實踐 212.3.1. 介紹 21自由金指表現(xiàn) 22現(xiàn)流Beta組合 24自由金動組合 24自由金成組合 25量化基本面研究發(fā)展展望 262025年機器學(xué)習(xí)研究回顧和2026年研究發(fā)展展望 28融合訂單簿信息的深度學(xué)習(xí)選股模型 283.1.1. 介紹 283.1.2. 信號策表現(xiàn) 30Mamba-MoE：風(fēng)險中性化與多模型融合 303.2.1. 介紹 303.2.2. 信號策表現(xiàn) 32時間序列重采樣與多尺度多窗口信息融合模型 363.3.1. 介紹 363.3.2. 信號策表現(xiàn) 37機器學(xué)習(xí)研究發(fā)展展望 412025年資產(chǎn)配置研究回顧和2026年研究發(fā)展展望 42多資產(chǎn)相關(guān)性研究 424.1.1. 介紹 42相關(guān)預(yù)的用 42PCA+風(fēng)平價 44宏觀因子組合及股債相關(guān)性再探索 464.2.1. 介紹 46宏觀子合紹 46測試果 48量化資產(chǎn)配置研究發(fā)展展望 492025年行為金融研究回顧和2026年研究發(fā)展展望 50歷史研究 50行為金融研究發(fā)展展望 502025年量價因子研究回顧和2026年研究發(fā)展展望 50特質(zhì)波動率因子的重構(gòu) 50顯著上行特質(zhì)波動率因子表現(xiàn) 50量價因子研究發(fā)展展望 52風(fēng)險提示 52圖表目錄圖1：國內(nèi)各風(fēng)指數(shù)勢 9圖2：國債到期益率化 9圖3：存貨管理力因凈值--等權(quán) 12圖4：存貨管理力因子RankIC 12圖5：存貨管理力因凈值--市值加權(quán) 13圖6：存貨管理力因?qū)挾?13圖7：存貨管理子各股域多頭和超額對比 13圖8：存貨管理子各股域IC和ICIR對比 13圖9：存貨管理子滬深300選股凈值 14圖10：存貨管理因子證500選股凈值 14圖存貨管理因子證1000選股凈值 14圖12：存貨管理因子證2000選股凈值 14圖13：壞賬管理能力因凈值--等權(quán) 15圖14：壞賬管理能力子RankIC 15圖15：壞賬管理能力因凈值--市值加權(quán) 15圖16：壞賬管理能力因?qū)挾?15圖17：壞賬管理因子各股域多頭和超額對比 17圖18：壞賬管理因子各股域IC和ICIR對比 17圖19：壞賬管理因子深300選股凈值 17圖20：壞賬管理因子證500選股凈值 17圖21：壞賬管理因子證1000選股凈值 17圖22：壞賬管理因子證2000選股凈值 17圖23：營業(yè)利潤率偏度子IC測試 19圖24：營業(yè)利潤率偏度子分組測試凈值 19圖25：營業(yè)利潤率偏度子分組測試相對凈值 19圖26：POP偏度因子IC測試 20圖27：POP偏度因子組測試凈值 21圖28：POP偏度因子組測試相對凈值 21圖29：自由現(xiàn)金流指數(shù)值表現(xiàn) 23圖30：寬基自由現(xiàn)金流數(shù)凈值表現(xiàn) 23圖31：自由現(xiàn)金流全收指數(shù)超額凈值表現(xiàn) 24圖32：寬基自由現(xiàn)金流收益指數(shù)超額凈值現(xiàn) 24圖33：自由現(xiàn)金流動量合凈值表現(xiàn) 25圖34：自由現(xiàn)金流成長合凈值表現(xiàn) 26圖35：PatchDPT模型架構(gòu)示意圖 28圖36：PatchDPT模型計算細節(jié) 29圖37：PatchStock多類別多尺度信息預(yù)測股收益 29圖38：Mamba塊架構(gòu)圖 31圖39：MoE模型架構(gòu)圖 32圖40：基于Mamba的風(fēng)險中性化模型示意圖 32圖41：雙任務(wù)設(shè)定因子測 33圖42：雙任務(wù)設(shè)定因子RankIC 33圖43：單任務(wù)（原始標）因子回測 33圖44：單任務(wù)（原始標）因子RankIC 33圖45：單任務(wù)（中性化簽）因子回測 33圖46：單任務(wù)（中性化簽）因子RankIC 33圖47：Mamba-10不同訓(xùn)練設(shè)定下的風(fēng)格相性比圖 34圖48：滬深300指數(shù)增策略表現(xiàn) 35圖49：中證500指數(shù)增策略表現(xiàn) 35圖50：中證1000指數(shù)強策略表現(xiàn) 36圖51：多窗口信息融合型 37圖52：多尺度多窗口信融合模型 37圖53：多窗口信息融合型（月頻）分組回測 38圖54：多窗口信息融合型（月頻）RankIC 38圖55：多窗口信息融合型（周頻）分組回測 38圖56：多窗口信息融合型（周頻）RankIC 38圖57：全回測區(qū)間上風(fēng)相關(guān)性對比圖 39圖58：滬深300指數(shù)增策略表現(xiàn) 40圖59：中證500指數(shù)增策略表現(xiàn) 40圖60：中證1000指數(shù)強策略表現(xiàn) 41圖61：PCA因子載荷 43圖62：PCA因子凈值勢 44圖63：相關(guān)性調(diào)整前后風(fēng)險平價指數(shù)組合值 44圖64：相關(guān)性調(diào)整前后風(fēng)險平價ETF組合值 45圖65：宏觀因子風(fēng)險平凈值 48圖66：RESVOL60_JUP_FF3因子IC測試 51圖67：RESVOL60_JUP_FF3因子分組凈值 51圖68：RESVOL60_JUP_FF3因子分組測試對值 51表1：各國股票場年風(fēng)險收益統(tǒng)計 7表2：國內(nèi)各行指數(shù)內(nèi)風(fēng)險收益統(tǒng)計 8表3：存貨管理力因風(fēng)險收益指標等權(quán) 12表4：存貨管理力因風(fēng)險收益指標市值加權(quán) 13表5：壞賬管理力因風(fēng)險收益指標等權(quán) 15表6：壞賬管理力因風(fēng)險收益指標市值加權(quán) 16表7：營業(yè)利潤偏度子回測結(jié)果 19表8：營業(yè)利潤偏度子分年業(yè)績表現(xiàn) 20表9：POP偏度因子回結(jié)果 21表10：POP偏度因子年業(yè)績表現(xiàn) 21表自由現(xiàn)金流指數(shù)績表現(xiàn)（2014年-2024年） 23表12：自由現(xiàn)金流指數(shù)額業(yè)績表現(xiàn)（2014年-2024年） 24表13：自由現(xiàn)金流動量合業(yè)績表現(xiàn) 25表14：自由現(xiàn)金流成長合業(yè)績表現(xiàn) 26表15：PatchStock模型回測結(jié)果 30表16：去除不同數(shù)據(jù)集結(jié)果的影響 30表17：多標簽測試結(jié)果 30表18：Mamba-10模型回測結(jié)果 33表19：多標簽測試結(jié)果 34表20：指數(shù)增強策略表現(xiàn) 34表21：多窗口信息融合型回測結(jié)果 38表22：等成交額采樣與時間采樣回測結(jié)果比 38表23：單窗口與多窗口型回測結(jié)果對比 38表24：不同信息融合方的回測結(jié)果對比 38表25：單尺度與多尺度型回測結(jié)果對比 39表26：多尺度多窗口?；販y結(jié)果 39表27：指數(shù)增強策略表現(xiàn) 39表28：指數(shù)與ETF標的 42表29：相關(guān)性調(diào)整前后風(fēng)險平價指數(shù)組合現(xiàn) 45表30：相關(guān)性調(diào)整前后風(fēng)險平價ETF組合現(xiàn) 45表31：宏觀因子風(fēng)險平風(fēng)險收益指標 48表32：宏觀因子風(fēng)險平風(fēng)險分年度收益風(fēng)指標 49表33：RESVOL60_JUP_FF3因子回測結(jié)果 51表34：RESVOL60_JUP_FF3因子分年業(yè)績現(xiàn) 521. 2026年展望對于國內(nèi)主流投資者來說，2025年似乎終于迎來了守得云開的清明感，無論是權(quán)益市場上幾乎直線右上的趨勢，還是黃金價格的一路高歌，都與此前幾年投資組合負回報的情形形成反差。橫看全球權(quán)益市場情況都不可謂不壯闊，科技浪潮風(fēng)起云涌，AI投資持續(xù)加碼，科技標的選擇和重倉幅度成了今年收益排名的勝負手；商品市場上，國際宏觀事件沖擊減弱，但美元貶值疊加可預(yù)期的中長期弱勢局面，助推黃金價格繼續(xù)一路向北，雖已經(jīng)創(chuàng)下歷史最高水平，但短期來看似乎在高位仍有所支撐；國內(nèi)固收市場則急轉(zhuǎn)進入寒冬，年內(nèi)多輪震蕩使得收益獲取難度極高，理財收益穩(wěn)定性遭到破壞，在資產(chǎn)荒仍有可能持續(xù)的情況下，債市投資仍面臨較大考驗。而對于2026年，一方面短期來看不確定性有所降低，市場逐漸對關(guān)稅擾動脫敏，地緣局勢也已不再掀起較大波浪，國內(nèi)迎來十五五開局之年，更是為國內(nèi)經(jīng)濟情況和投資預(yù)期提高了能見度；另一方面資金雖然仍將保持risk-on，但資產(chǎn)走勢的連續(xù)性料有所下降，需要從大開大放式的投資逐漸切換到基本面+估值+流動性等多重考量上?；仡?0252025/10/31)A171.18%表1：各國股票市場年內(nèi)風(fēng)險收益統(tǒng)計，10表2：國內(nèi)各行業(yè)指數(shù)年內(nèi)風(fēng)險收益統(tǒng)計，圖1：國內(nèi)各風(fēng)格指數(shù)走勢，與權(quán)益市場表現(xiàn)不同，國內(nèi)固收市場在連續(xù)幾年牛市行情后，在2025年初就經(jīng)歷各期限到期收益率快速上行的較大的沖擊，也埋下了全年走勢呈多輪震蕩的基調(diào)。年初各期限到期收益率快速上行，其中以短端漲幅較高，債券基金普遍下跌；而年內(nèi)多輪幾輪波動，使得不同持倉結(jié)構(gòu)特征的債券基金收益情況均不太樂觀。近期，長端收益率波動有所緩解，疊加央行官宣重啟國債買賣等影響，各期限的不穩(wěn)定情況料將會收斂。明年資產(chǎn)荒影響減弱，基本面因素重要性增加，利率運行中樞持平或小幅抬升，債市投資難度仍會較大。圖2：國債到期收益率變化，展望在2025年的策略報告中，我們給出的展望有三個主題，分別為確定與不確定、一致與分化、低波與高波，各方面的預(yù)期均有所兌現(xiàn)。在經(jīng)歷了迷霧中行進到逐漸清明的2025年后，我們認為從可預(yù)期的確定性有所提高，而全球經(jīng)濟情況的分化還將持續(xù)，資產(chǎn)的高波短期不會重新回歸下行趨勢，主動投資仍較較大收益可能，但部分獲利資金或有轉(zhuǎn)向低波資產(chǎn)的需求。但我們?nèi)詫⑹褂么饲暗娜齻€主題，針對不同維度情況進行對比展望。AI20262025risk-on+而在國內(nèi)的股債資產(chǎn)對比上，當前利率空間較此前有所收窄，中樞持平，資金需求高、配置難度大，雖然從傳統(tǒng)性價比相關(guān)指標來看，權(quán)益資產(chǎn)的配置價值已不如年初，但收益可能性上仍高于債券?？偨Y(jié)20252026AI投資、率延續(xù)大市值優(yōu)于小市值的走勢。此外，為平滑不確定性，配置上可適當增加對沖類、衍生品對沖類策略，通過分散資產(chǎn)風(fēng)險和beta影響，平滑曲線。20252026年研究發(fā)展展望資產(chǎn)負債表財務(wù)附注質(zhì)量因子介紹完整報告《資產(chǎn)負債表財務(wù)附注質(zhì)量因子--因子選股系列之十一》發(fā)布于2025/08/24。本文包括兩個資產(chǎn)負債表財務(wù)附注相關(guān)因子，分別表現(xiàn)上市公司存貨管理能力和壞賬管理能力，且雖然同與資產(chǎn)負債表質(zhì)量相關(guān)，由于兩個因子相關(guān)性較低，簡單復(fù)合后具備較高的月均RankIC和較穩(wěn)定的多空收益及超額收益。在本文所使用的數(shù)據(jù)范圍內(nèi)，直接計算資產(chǎn)負債表財務(wù)附注涉及的簡單比率或增速變化基本無選股能力?？紤]到資產(chǎn)負債表的相關(guān)因子多與經(jīng)營和財務(wù)質(zhì)量相關(guān)，因此本文嘗試從經(jīng)濟邏輯出發(fā)，分別歸納出存貨管理能力和壞賬管理能力兩個質(zhì)量因子，兩個因子的主要邏輯如下：RankICRankIC為300RankIC具體地，存貨管理能力因子定義如下：factor=當期在產(chǎn)品占存貨比/歷史6個截面在產(chǎn)品占存貨比的波動率壞賬管理能力因子定義如下：??????????=(應(yīng)收賬款壞賬準備+存貨壞賬準備)/流動資產(chǎn)factor=std(ratio)t=1,?,62017/04/30--2025/07/3182017/04/30--2025/07/312021RankIC1.82%，ICIR0.588。圖3：存貨管理力因凈值--等權(quán) 圖4：存貨管理力因子RankIC表3：存貨管理能力因子風(fēng)險收益指標--等權(quán)圖5：存貨管理力因凈值--市值加權(quán) 圖6：存貨管理力因?qū)挾缺?：存貨管理能力因子風(fēng)險收益指標--市值加權(quán)300/500/1000/2000300圖7：存貨管理子各股域多頭和超額對比 圖8：存貨管理子各股域IC和ICIR對比 圖存貨管理因子證1000選股凈值 圖12：存貨管理因子證2000選股凈值2017/04/30--2025/07/31RankIC均值為-2.31%，ICIR為-0.460。 表5：壞賬管理能力因子風(fēng)險收益指標--等權(quán)圖15：壞賬管理能力因凈值--市值加權(quán) 圖16：壞賬管理能力因?qū)挾?300/500/1000/2000圖17：壞賬管理因子各股域多頭和超額對比 圖18：壞賬管理因子各股域IC和ICIR對比圖19：壞賬管理因子深300選股凈值 圖20：壞賬管理因子證500選股凈值圖21：壞賬管理因子證1000選股凈值 圖22：壞賬管理因子證2000選股凈值 盈利偏度和估值偏度因子介紹完整報告《盈利偏度和估值偏度因子》發(fā)布于2025/06/03。本文著重于研究基本面信息的偏度中蘊含的alpha究基本面信息的偏度與APEJia&ProfitabilitySkewnessandStockReturn（ProfitabilitySkewness）TTM8POP252后文將展示兩個因子的回測結(jié)果，因子測試的參數(shù)如下：（1）測試區(qū)間：2015.12.31-2025.5.30；樣本空間：剔除ST、ST、上市不足半年股票后的滬深A(yù)股。）；ICSpearman5組；圖23：營業(yè)利潤率偏度因子IC測試，圖24：營業(yè)利潤率偏度子分組測試凈值 圖25：營業(yè)利潤率偏度子分組測試相對凈值， ，表7：營業(yè)利潤率偏度因子回測結(jié)果年化收益夏普比率卡瑪比率多頭換手RankICICIR多頭組3.73%0.150.082.061.68%0.54基準0.84%0.030.02超額2.87%1.700.73多空6.18%2.191.48，表8：營業(yè)利潤率偏度因子分年業(yè)績表現(xiàn)多頭年化基準年化超額年化超額夏普超額卡瑪多空年化多空夏普多空卡瑪全區(qū)間3.73%0.84%2.87%1.700.736.18%2.191.482016年-7.96%-10.39%2.72%1.843.203.88%1.561.932017年-10.06%-14.36%5.01%3.595.718.25%3.748.782018年-28.30%-30.31%2.89%1.914.756.27%2.345.552019年28.59%27.08%1.19%0.760.678.33%2.792.322020年23.14%18.76%3.69%1.982.938.77%2.913.942021年28.69%26.72%1.55%0.650.444.76%1.301.142022年-10.12%-10.67%0.62%0.350.302.98%1.060.762023年9.92%7.00%2.73%1.992.264.61%1.861.982024年7.81%2.05%5.64%3.634.999.54%3.424.032025年25.68%22.52%2.59%1.551.942.45%0.851.11注：其中2025年數(shù)據(jù)于2025年5月30日截止。，2016年以來營業(yè)利潤率偏度因子RankIC為1.68%，ICIR為0.54，年化超額收益為0.73POP（圖26：POP偏度因子IC測試，圖27：POP偏度因子組測試凈值 圖28：POP偏度因子組測試相對凈值， ，表9：POP偏度因子回測結(jié)果夏普比率卡瑪比率多頭換手RankICICIR多頭組5.39%0.230.123.59-2.94%-0.73基準1.69%0.070.03超額3.64%1.781.29多空9.07%2.642.11，表10：POP偏度因子分年業(yè)績表現(xiàn)多頭年化基準年化超額年化超額夏普超額卡瑪多空夏普多空卡瑪全區(qū)間5.39%1.69%3.64%1.781.299.07%2.642.112016年-12.48%-11.35%-1.28%-0.58-0.45-1.50%-0.49-0.382017年-8.03%-11.45%3.86%2.364.016.66%2.514.202018年-26.96%-28.70%2.44%1.532.088.46%3.606.422019年32.51%28.97%2.74%1.682.336.51%2.122.402020年30.19%21.81%6.88%2.895.7518.77%4.618.552021年32.34%26.22%4.85%2.184.7715.27%4.2110.732022年-6.46%-10.93%5.02%2.554.3411.85%3.428.472023年10.18%6.07%3.87%2.452.856.68%2.433.232024年7.30%4.12%3.05%1.241.859.75%2.562.392025年28.09%19.04%7.60%2.526.2210.27%1.713.45注：其中2025年數(shù)據(jù)于2025年5月30日截止。，2016年以來OP偏度因子RankC為2.4CR為0.7364，1.781.29自由現(xiàn)金流策略分析與組合實踐介紹完整報告《自由現(xiàn)金流策略分析與組合實踐》發(fā)布于2025/03/10。alphaSmartBeta策略也SmartBetaBeta企業(yè)自由現(xiàn)金流（Freecashflowforthefirm,FCFF）是指企業(yè)在支付了所有運營費用和資本支出后，剩余的可以自由分配給股東或債權(quán)人的現(xiàn)金。它是衡量企業(yè)財務(wù)健康狀況、盈利能力和成長潛力的關(guān)鍵指標。自由現(xiàn)金流充裕的企業(yè)通常具備更強的抗風(fēng)險能力，能夠在經(jīng)濟波動或危機中保持穩(wěn)定運營，并且有更多的資金用于分紅、回購股票或投資新項目。2.3.100也提供了在主要寬基指數(shù)中投資自由現(xiàn)金流的指數(shù)方案，如300現(xiàn)金流（932366.CSI）500（932367.CSI）800（932368.CSI）1000現(xiàn)金流（932369.CSI）等。自由現(xiàn)金流指數(shù)的編制為投資自由現(xiàn)金流策略提供了新的投資，這指篩出了由金率量較的資了具有長期資值股組年來已知募基公發(fā)了由金指數(shù)相的ETF品如泰富國A自由流焦ETF（159399.SZ ）、華夏證由流ETF（159201.SZ）20142024年期間中證現(xiàn)金流全收益指數(shù)年化收益率為20.21%，領(lǐng)先中證紅利全收益指數(shù)6.63%。這是因為自由現(xiàn)金流指數(shù)不僅具備紅利資產(chǎn)的防御性，還具有一定的成長隨著國內(nèi)利率的下行，紅利風(fēng)格等具有穩(wěn)定分紅的股票資產(chǎn)開始越來越受投資者偏好，而自由現(xiàn)金流是高分紅的基礎(chǔ)，企業(yè)只有具有充足的自由現(xiàn)金流才能保證穩(wěn)定的分紅，并且高自由現(xiàn)金流的企業(yè)群體中也不乏成長性較好的公司，因此高自由現(xiàn)金流的投資策略或許是紅利投資策略的延伸和替代方案。圖29：自由現(xiàn)金流指數(shù)值表現(xiàn) 圖30：寬基自由現(xiàn)金流數(shù)凈值表現(xiàn)表11：自由現(xiàn)金流指數(shù)業(yè)績表現(xiàn)（2014年-2024年）年化收益率年化波動率夏普比率最大回撤卡瑪比率中證現(xiàn)金流全收益19.69%23.00%0.8644.06%0.45自由現(xiàn)金流R19.88%23.33%0.8550.19%0.40現(xiàn)金流100全收益15.56%22.19%0.7040.63%0.38中證全指全收益6.50%22.49%0.2955.78%0.12300現(xiàn)金流全收益15.01%21.30%0.7044.60%0.34500現(xiàn)金流全收益13.10%25.90%0.5150.51%0.26800現(xiàn)金流全收益19.73%22.92%0.8643.56%0.451000現(xiàn)金流全收益13.75%25.87%0.5356.08%0.25R100202419.69%19.88%6.50%800現(xiàn)金80019.73%0.86，0.45300500100015.01%13.10%0.70、0.510.530.34、0.260.25。圖31：自由現(xiàn)金流全收指數(shù)超額凈值表現(xiàn) 圖32：寬基自由現(xiàn)金流收益指數(shù)超額凈值現(xiàn) 表12：自由現(xiàn)金流指數(shù)超額業(yè)績表現(xiàn)（2014年-2024年）年化收益率年化波動率夏普比率最大回撤卡瑪比率中證現(xiàn)金流超額12.38%13.79%0.9029.25%0.42自由現(xiàn)金流超額12.57%13.84%0.9131.17%0.40現(xiàn)金流100超額8.50%11.05%0.7718.23%0.47300現(xiàn)金流超額7.07%10.54%0.6730.44%0.23500現(xiàn)金流超額7.41%12.00%0.6222.15%0.33800現(xiàn)金流超額12.08%13.22%0.9134.50%0.351000現(xiàn)金流超額9.62%11.83%0.8120.28%0.47R10012.38%12.57%8.50%0.900.91、0.770.42、0.400.47。3003007.07%0.670.23；500中證507410620.33；8008000.910.35；100010009.62%0.810.47。Beta組合SmartBeta121A（3-6）A圖33：自由現(xiàn)金流動量組合凈值表現(xiàn)表13：自由現(xiàn)金流動量組合業(yè)績表現(xiàn)中證現(xiàn)金

相對最大

絕對最大

收益回撤流全收益回撤流全收益回撤回撤比201751.53% 41.75%9.78%2.18%5.50%2.350.034.482018-13.20% -15.21%2.01%3.22%24.92%0.630.040.62201925.58% 25.52%0.05%4.50%14.64%0.030.030.01202033.58% 13.87%19.72%3.66%16.16%2.240.085.39202142.75% 35.53%7.22%8.15%28.83%0.660.090.8920229.02% -2.76%11.78%6.51%15.86%1.480.081.81202332.23% 20.75%11.47%3.92%11.56%1.680.062.93202432.15% 40.94%-8.79%9.62%17.01%-1.060.06-0.9120250228-2.02% -7.69%5.66%1.52%5.87%3.950.113.72全樣本期25.30% 17.54%7.76%11.55%28.83%1.040.060.67

超額收益

信息比 跟蹤誤差2017年-202522825.30%7.76%1.040.672024成長投資策略是一種專注于投資具有高增長潛力的公司或行業(yè)的策略，其核心思想是尋找業(yè)績增速較高、發(fā)展?jié)摿Ω蟮囊幌盗泄善保砷L策略是一類具有高收益彈Beta,圖34：自由現(xiàn)金流成長組合凈值表現(xiàn)表14：自由現(xiàn)金流成長組合業(yè)績表現(xiàn)中證現(xiàn)金

相對最大

絕對最大

收益回撤流全收益回撤流全收益回撤回撤比201747.79% 41.75%6.04%8.87%5.47%0.520.090.682018-13.70% -15.21%1.51%3.23%25.90%0.410.050.47201927.66% 25.52%2.14%5.28%20.02%0.290.070.41202036.63% 13.87%22.77%3.86%16.48%2.360.085.90202152.90% 35.53%17.37%10.44%15.08%1.100.121.662022-8.12% -2.76%-5.36%17.07%24.95%-0.380.13-0.31202346.66% 20.75%25.91%10.95%13.09%1.350.162.37202434.41% 40.94%-6.53%21.35%23.89%-0.260.15-0.3120250228-3.57% -7.69%4.12%3.03%7.05%2.380.131.36全樣本期25.47% 17.54%7.94%30.10%26.94%0.640.110.26

超額收益

信息比 跟蹤誤差7.94%0.6420222024量化基本面研究發(fā)展展望alphaManNumericSmartBeta20252026年研究發(fā)展展望融合訂單簿信息的深度學(xué)習(xí)選股模型介紹完整報告《融合訂單簿信息的深度學(xué)習(xí)選股模型—機器學(xué)習(xí)系列之八》發(fā)布于2025/02/28。AlphaPatchDPTPatchingTransformer構(gòu)TransformerPatchTransformer架Log-signature圖35：PatchDPT模型架構(gòu)示意圖圖36：PatchDPT模型計算細節(jié)PatchStockPatchStock從基2020Alpha圖37：PatchStock多類別多尺度信息預(yù)測股票收益PatchStockPatchStock月度因子Rank19.49%；PatchStockRank29.40%表15：PatchStock模型回測結(jié)果4.32%4.32%5.3235%5.%28.485.34%17%10.1.208%6.8PatchStock-20neu行業(yè)風(fēng)格中性化4.98%4.5122%5.54%23.4.53%33%9.1.194%5.9PatchStock-20行業(yè)風(fēng)格中性化0%8.45.447.99%43.48%11.90%17.03%1.9713.15%PatchStock-20neu行業(yè)市值中性化%10.874.518.20%37.00%%10.0415.09%1.6011.96%化PatchStock12.57%4.5111.57%52.12%17.39%22.78%1.6915.59%PatchStock-20neu18.92%4.1912.50%52.40%18.09%23.50%1.3715.50%PatchStock-20RankICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動率多空SharpeRatio多空最大回撤因子名稱，Ricequant表16：去除不同數(shù)據(jù)集對結(jié)果的影響因子 ICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動率多空SharpeRatio多空最大回撤PatchSt50%1.3723.50%18.09%52.40%12.50%4.1918.92%w/o基本面信息15.02%1.2922.98%17.57%51.11%12.66%4.0418.57%w/o日頻量價信息14.65%1.2421.69%16.28%49.72%12.53%3.9719.23%w/o分鐘頻量價信息13.94%1.1320.17%14.76%47.92%13.58%3.5220.86%w/o訂單簿信息14.06%1.1820.36%14.95%48.46%13.93%3.4820.11%，Ricequant表17：多標簽測試結(jié)果因子名稱RankICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動率多空SharpeRatio多空最大回撤PatchStock-2015.50%1.3723.50%18.09%52.40%12.50%4.1918.92%PatchStock-3015.44%1.3323.44%18.03%51.70%14.35%3.6024.36%PatchStock月度因子16.16%1.4024.90%19.49%55.16%13.49%4.0922.19%PatchStock-511.33%0.9933.43%28.02%91.96%11.20%8.2113.51%PatchStock-1012.11%1.0032.75%27.34%90.22%13.04%6.9213.88%PatchStock周度因子12.37%1.0734.81%29.40%97.80%11.86%8.2510.01%，RicequantPatchStock3008.06%5009.72%1000200016.42%變化，獲取AlphaPatchStock33.13%31.31%Mamba-MoE：風(fēng)險中性化與多模型融合介紹完整報告《Mamba-MoE：風(fēng)險中性化與多模型融合—機器學(xué)習(xí)系列之九》發(fā)布于2025/05/29。Alpha與Beta多模型融合能夠提供信息增益。單一的模型可能存在著一定的隨機性，而不同結(jié)構(gòu)的模型、不同的訓(xùn)練方式與設(shè)定具有不同的側(cè)重點，多模型集成過程一方面將噪聲部分相抵消，另一方面能夠綜合各模型的優(yōu)勢。傳統(tǒng)的訓(xùn)練方式中，驗證集的選擇一般為近期，但樣本外數(shù)據(jù)分布并不一定與驗證集分布相似，例如在事件沖擊或劇烈的風(fēng)格切換后，選擇近期驗證集上最優(yōu)的模型可能面臨著樣本外泛化性不足的風(fēng)險。K折交叉驗證能夠在一定程度上緩解數(shù)據(jù)分布漂移問題，集成多個驗證集上最優(yōu)的模型能夠讓結(jié)果更加穩(wěn)健。Mamba-MoE在高效提取時間序列特征的同時，將線性與非線性的風(fēng)險約束納入訓(xùn)練過程，并通過交叉驗證與多模型集成的方式提升穩(wěn)健性。Mamba相比于Transformer具有更低的計算復(fù)雜度，相比于RNN類模型其訓(xùn)練過程支持并行，能夠快速有效地進行特征提取。另外，模型訓(xùn)練過程引入了對風(fēng)險因子的約束，從而避免在組合優(yōu)化中因限制風(fēng)格偏離而對信號產(chǎn)生的影響；同時也考慮了非線性風(fēng)險因子，包含風(fēng)險因子間的非線性交互信息以及股票間行業(yè)層面與交易層面的關(guān)聯(lián)信息。最后通過交叉驗證與專家混合模型進行多模型集成，提升泛化性。圖38：Mamba塊架構(gòu)圖圖39：MoE模型架構(gòu)圖圖40：基于Mamba的風(fēng)險中性化模型示意圖Mamba-MoEMamba-MoE因子周度RankIC：13.22%，ICIR：1.2833.01%Sharperatio：9.25表18：Mamba-10模型回測結(jié)果訓(xùn)練設(shè)定RankICICIR多頭年化收益多空年化收益多空年化波動率多空SharpeRatio多空最大回撤雙任務(wù)12.83%1.2830.06%114.76%13.59%8.4411.71%單任務(wù)（原始標簽）13.09%1.1731.62%110.37%14.30%7.7214.27%單任務(wù)（中性化標簽）12.92%1.2229.49%110.90%13.78%8.0512.45%，ricequant圖41：雙任務(wù)設(shè)定因子測 圖42：雙任務(wù)設(shè)定因子RankIC，ricequant ，ricequant圖43：單任務(wù)（原始標）因子回測 圖44：單任務(wù)（原始標）因子RankIC，ricequant ，ricequant圖45：單任務(wù)（中性化簽）因子回測 圖46：單任務(wù)（中性化簽）因子RankIC，ricequant ，ricequant15.00%10.00%5.00%0.00%-5.00%-10.00%-15.00%-20.00%-25.00%-30.00%-35.00%雙任務(wù) 單任務(wù)（原始標簽） 單任務(wù)（中性化標簽），ricequant表19：多標簽測試結(jié)果訓(xùn)練設(shè)定RankICICIR多頭年化收益多空年化收益多空年化波動率多空SharpeRatio多空最大回撤Mamba-512.75%1.3231.21%119.05%12.85%9.2611.31%Mamba-1012.83%1.2830.06%114.76%13.59%8.4411.71%等權(quán)合成13.08%1.2931.76%123.83%13.31%9.3011.97%Mamba-MoE合成13.22%1.2833.01%125.32%13.55%9.2512.21%，ricequant2018202543009.02%4.26%500增強組4.92%10005.52%表20：指數(shù)增強策略表現(xiàn)策略年化收益率換手率超額年化收益率年化跟蹤誤差 超額SharpeRatio滬深300增強7.68%22.369.02%4.中證500增強9.73%22.55中證1000增，ricequant，ricequant圖49：中證500指數(shù)增強策略表現(xiàn)，ricequant，ricequant時間序列重采樣與多尺度多窗口信息融合模型介紹完整報告《時間序列重采樣與多尺度多窗口信息融合模型—機器學(xué)習(xí)系列之十》發(fā)布于2025/08/29。時間序列的采樣方式在一定程度上影響特征的有效性。對于高頻量價數(shù)據(jù)流，常規(guī)方法為均勻時間采樣。然而這種采樣方式可能會導(dǎo)致信息分布不均，比如早盤高成交量時段采樣過少導(dǎo)致有效信息過載而被掩蓋，午盤低成交量時段有效信息不足但采樣過多從而引入噪聲。另外，均勻時間采樣的時間序列統(tǒng)計特性一般比較差。事件驅(qū)動型的采樣方式旨在讓信息的分布更加均勻，例如基于成交筆數(shù)、成交量、成交額等維度進行采樣，而并非單一的時間維度。這種等信息量的采樣方式在保留較高精細度的同時，盡可能降低了噪聲，能夠在信息密集時段增加采樣頻率，而在信息稀疏時段降低采樣頻率。圖51：多窗口信息融合模型圖52：多尺度多窗口信息融合模型RankRank表21：多窗口信息融合模型回測結(jié)果多空Sha多空Sha25.多窗口信息融合模型（%25.491.7015.37%多窗口信息融合模型（月頻）多空年化波動率多空年化收益多頭年化超額多頭年化收益ICIRRankIC訓(xùn)練設(shè)定，ricequant圖53：多窗口信息融合型（月頻）分組回測 圖54：多窗口信息融合型（月頻）RankIC，ricequant ，ricequant圖55：多窗口信息融合型（周頻）分組回測 圖56：多窗口信息融合型（周頻）RankIC，ricequant ，ricequant表22：等成交額采樣與等時間采樣回測結(jié)果對比訓(xùn)練設(shè)定RankICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動率多空SharpeRatio多空最大回撤等成交額采樣15.37%1.7025.49%25.35%73.12%13.80%5.3012.27%等時間采樣15.11%1.6525.03%24.89%72.41%14.38%5.0413.39%等成交額采樣中性化13.56%2.1021.03%20.89%64.20%9.85%6.526.52%等時間采樣中性化13.52%2.0420.87%20.73%63.65%10.02%6.357.02%，ricequant表23：單窗口與多窗口模型回測結(jié)果對比2%2%6.56.529.85%64.20%20.89%21.03%2.1013.56%多窗口信息融合模型中性化9.36%5.169.64%49.72%16.99%17.13%1.7712.09%單窗口信息模型中性化12.27%5.3013.80%73.12%25.35%25.49%1.7015.37%多窗口信息融合模型14.37%4.0813.64%55.65%20.21%20.35%1.3913.60%單窗口信息模型多空最大回撤多空SharpeRatio多空年化波動率多空年化收益多頭年化超額多頭年化收益ICIRRankIC訓(xùn)練設(shè)定，ricequant表24：不同信息融合方法的回測結(jié)果對比訓(xùn)練設(shè)定RankICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動率多空SharpeRatio多空最大回撤多窗口信息解耦15.37%1.7025.49%25.35%73.12%13.80%5.3012.27%多窗口信息注意力融合15.16%1.6424.85%24.71%71.33%14.07%5.0713.56%多窗口信息拼接融合15.02%1.5525.14%24.99%71.63%14.38%4.9815.09%多窗13.56%2.1021.03%20.89%64.20%9.85%6.526.52%多窗口信 化13.35%2.0520.46%20.32%60.78%9.98%6.097.07%多窗口信息拼接融合中性化13.12%2.0120.51%20.37%61.63%10.29%5.997.73%，ricequant表25：單尺度與多尺度模型回測結(jié)果對比訓(xùn)練設(shè)定RankICICIR多頭年化收益多頭年化超額多空年化收益多空年化 atio多空單尺度模型15.37%1.7025.49%25.35%73.12%13.80%5.3012多尺度模型集成15.53%1.7326.05%25.90%74.92%13.19%5.6812.52%單尺度模型中性化13.56%2.1021.03%20.89%64.20%9.85%6.526.52%多尺度模型集成中性化13.71%2.1621.42%21.38%65.54%9.51%6.896.03%，ricequant表26：多尺度多窗口模型回測結(jié)果RankICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動率多空SharpeRatioRankICICIR多頭年化收益多頭年化超額多空年化收益多空年化波動率多空SharpeRatio多尺度多窗口模型（月頻）多尺度多窗口模型中性化（月頻）多尺度多窗口模型（周頻）多尺度多窗口15.53%1.7313.71%2.1613.05%26.05%21.42%25.90%21.74.92%1，ricequant圖57：全回測區(qū)間上風(fēng)險相關(guān)性對比圖30.00%20.00%10.00%0.00%-10.00%-20.00%-30.00%-40.00%-50.00%月度因子 周度因子，ricequant10%201812025830050012.97%4.93%100020.36%5.04%表27：指數(shù)增強策略表現(xiàn)策略 年化收益率 換手率 超額年化收益率 年化跟蹤誤差 超額Sharperatio 超額最大回撤滬深300增強10.24%11.9010.27%4.29%2.393.36%中證500增強12.66%12.1012.97%4.93%2.634.78%中證1000增強19.31%12.3120.36%5.04%4.045.86%，ricequant，ricequant圖59：中證500指數(shù)增強策略表現(xiàn)，ricequant圖60：中證1000指數(shù)增強策略表現(xiàn)，ricequant機器學(xué)習(xí)研究發(fā)展展望量化領(lǐng)域中的機器學(xué)習(xí)研究主要包含兩個方向，量化策略構(gòu)建以及AI大模型的應(yīng)用。AI（AlphaAIAgent資產(chǎn)類資產(chǎn)類別 指數(shù)標的代碼 標的代碼20252026年研究發(fā)展展望多資產(chǎn)相關(guān)性研究介紹完整報告《多資產(chǎn)相關(guān)性研究--量化資產(chǎn)配置系列之二》發(fā)布于2025/03/15。在資產(chǎn)配置研究中，多資產(chǎn)收益間的相關(guān)性是控制組合波動的關(guān)鍵，股票和債券作為兩大核心資產(chǎn)，其收益之間的關(guān)聯(lián)性一直都是研究的重點。本文從股債相關(guān)性切入，搭建適合衡量動態(tài)相關(guān)性的模型，將其運用于調(diào)整多資產(chǎn)收益協(xié)方差矩陣，實現(xiàn)量化資產(chǎn)配置策略的優(yōu)化。股票和債券回報之間的相關(guān)性對資產(chǎn)配置和風(fēng)險管理策略實施有著直接影響，同時一定程度上對應(yīng)市場環(huán)境的變化。在股債相關(guān)性預(yù)期較高的時期，投資者可以減少股票和債券之間的對沖效果，適當調(diào)整資產(chǎn)權(quán)重，以降低組合風(fēng)險。相反，如果預(yù)期相關(guān)性較低，可以增加債券的配置比例，利用債券的避險屬性。DCCDCC_CORR日/DCCDCC_CORRDCC_CORR預(yù)測均值與對應(yīng)窗口的相關(guān)性始0.7使用DCC712.TF7.0.9。相關(guān)性調(diào)整后PCA+風(fēng)險平價指數(shù)組合年化收益8.21%，夏普比率年化收益9.78%，夏普比率1.07。1.09，ETF組合4.1.2. 僅展示相關(guān)性預(yù)測+PCA風(fēng)險平價的結(jié)果。選擇的資產(chǎn)和對應(yīng)ETF標的為：表28：指數(shù)與ETF標的股 中證紅利指數(shù) 000922.CSI 華泰柏瑞紅利ETF510880.SH美股 標普500指數(shù) SPX.GI 博時標普500ETF513500.SH中國國債 中債國債總財富指數(shù) CBA00601.CS 年期國債ETF511260.SH黃金 上海金 AU9999.SGE 華安黃金ETF518880.SH有色金 I.SHF 大成有色金屬期ETF159980.SZ農(nóng)產(chǎn)品 大商所豆粕指數(shù) FI.DCE 華夏飼料豆粕期ETF159985.SZ（PCA）PCAPCAPCA因子本文沿用該框架，首先對2016/01-2025/02全區(qū)間資產(chǎn)標的收益率序列進行PCA轉(zhuǎn)換，得到PC1-PC3主成分載荷如下：圖61：PCA因子載荷前三主成分累計解釋波動61.27%，PC1主要由A股和商品組成，PC2主要為防御類資產(chǎn)黃金和債券，PC3主要為標普500指數(shù)，三個因子組合分別指代經(jīng)濟增長、高通脹、海外三種風(fēng)格。依照各因子中的資產(chǎn)權(quán)重，加權(quán)計算得到PCA因子的收益，凈值走勢如下：圖62：PCA因子凈值走勢4.1.3. PCA+使用DCC模型優(yōu)化PCA+風(fēng)險平價：252PC1-PC3252使用DCC由PC?；販y區(qū)間2016/01-2025/02，月頻調(diào)倉，相關(guān)性調(diào)整前后PCA+風(fēng)險平價指數(shù)組合凈值表現(xiàn)如下：圖63：相關(guān)性調(diào)整前后PCA+風(fēng)險平價指數(shù)組合凈值表29：相關(guān)性調(diào)整前后PCA+風(fēng)險平價指數(shù)組合表現(xiàn)PCA+風(fēng)險平價指數(shù)組合相關(guān)性調(diào)整后PCA+風(fēng)險平價指數(shù)組合收益波動夏普比率最大回撤收益波動夏普比率最大回撤2016/12/310.01%7.91%0.006.83%3.22%7.91%0.416.74%2017/12/317.64%4.05%1.893.26%8.10%4.06%1.993.23%2018/12/311.41%4.50%0.312.65%1.57%4.57%0.342.65%2019/12/319.88%6.01%1.645.02%10.81%6.01%1.804.45%2020/12/3120.30%12.83%1.5811.84%22.27%12.48%1.7810.77%2021/12/318.30%6.64%1.255.43%9.22%6.51%1.425.44%2022/12/31-0.24%7.64%-0.0310.31%0.02%7.71%0.0010.35%2023/12/3110.29%5.58%1.844.22%9.97%5.57%1.794.12%2024/12/0.8611.08%8.65%9.38%0.9211.36%2025/2/20.252.28%2.88%8.97%0.322.12%年化7.27%7.64%0.9513.21%8.21%7.56%1.0911.88%PCA+ETF圖64ETF表30ETFPCA+風(fēng)險平價ETF組合相關(guān)性調(diào)整后PCA+風(fēng)險平價ETF組合收益波動夏普比率最大回撤收益波動夏普比率最大回撤2020/12/3118.10%12.89%1.4012.02%20.04%12.51%1.6010.72%2021/12/318.43%6.97%1.215.47%8.94%6.82%1.315.50%2022/12/312.41%8.76%0.289.75%2.84%8.84%0.329.78%2023/12/3111.00%5.67%1.943.46%10.78%5.72%1.883.51%2024/12/0.9811.61%9.08%10.39%0.8712.01%2025/2/28-1.26%9.84%-0.133.40%-0.32%9.42%-0.032.98%年化9.33%9.33%1.0012.02%9.78%9.18%1.0712.01%相關(guān)性調(diào)整前后PCA+風(fēng)險平價指數(shù)組合年化單邊換手率分別為267%、260%，調(diào)整前后ETF組合年化單邊換手率分別為296%、290%。2015/01/31-2024/10/3166.10%，202480%202150%9.28.63%10.35%。宏觀因子組合及股債相關(guān)性再探索介紹完整報告《多宏觀因子組合及股債相關(guān)性再探索--量化資產(chǎn)配置系列之三》發(fā)布于2025/08/06。(PCA)的方法將資產(chǎn)風(fēng)險貢獻拆解到不同主該方法構(gòu)建的優(yōu)化組合結(jié)果比直接使用底層資產(chǎn)構(gòu)建的優(yōu)化組合收益表現(xiàn)有所提高，風(fēng)險水平仍保持在較低水平，但由于穿透后底層資產(chǎn)配置比例變化較為劇烈，F(xiàn)ama-MacBethMacro-FactorMimickingPCA且PCA1)由于基于以上，本文的宏觀風(fēng)險因子模擬時參考了Fama-MacBeth的做法，真實宏觀因子數(shù)據(jù)使用相關(guān)月度宏觀指標的預(yù)測值或資產(chǎn)月度收益(利率/信用)，分別與各資產(chǎn)做單變量時序回歸獲得風(fēng)險載荷，并對歷史載荷進行半衰期加權(quán)，以平滑資產(chǎn)波動帶來的載荷不穩(wěn)定，最終通過將宏觀因子風(fēng)險拆解為底層資產(chǎn)組合構(gòu)建宏觀因子風(fēng)險平價組合。文章還討論了股債相關(guān)性變化的影響因素，具體信息見報告。7-10CPI/PPI-AA-財富總值指數(shù)美國通脹：美國CPIA.資產(chǎn)：500(20156)（8）黃金：黃金9999B.宏觀因子正交：根據(jù)宏觀因子邏輯，以及考慮到中美經(jīng)濟、利率和通脹一定的相關(guān)性，在每個期限的滾動運算中，分別對該期限中的宏觀因子進行如下簡單正交：~~~~C.數(shù)據(jù)期限：宏觀數(shù)據(jù)起點為2012年2月。參考Fama-MacBeth進行Macro-FactorMimicking的做法，第一步對底層資產(chǎn)和需要模擬的宏觀變量進行單變量時序回歸，獲得每個資產(chǎn)相對于各宏觀風(fēng)險的風(fēng)險載荷。第二步使用此前獲得的風(fēng)險載荷進行截面回歸獲得宏觀因子收益。根據(jù)公式，在資產(chǎn)權(quán)重向量為w時，各宏觀風(fēng)險因子對于組合的風(fēng)險貢獻可推導(dǎo)為：=????+???+Σ=B?F?BT+ΕσP2=wT?Σ?w=(wT?B)?F?(BT?w)+wT?E?w%RC=(wT?B)???

??σP??(wT?

/σP=

(wT?B)???(F?(BT?w))??wT?Σ?w其中B為時序計算的風(fēng)險載荷，f為因子收益，Σ為資產(chǎn)風(fēng)險矩陣，F(xiàn)為宏觀因子收益風(fēng)險矩陣。可以基于此結(jié)合對宏觀狀況的判斷，進行宏觀風(fēng)險的敞口管理和組合優(yōu)化。例如可以使用風(fēng)險平價，要求各宏觀風(fēng)險因子的風(fēng)險貢獻相等，進而確定應(yīng)該如何配置底層資產(chǎn)。我們使用滾動3612個月的資產(chǎn)月度/PCA動較大，導(dǎo)致風(fēng)險載荷的穩(wěn)定性較低，為了降低資產(chǎn)波動較大導(dǎo)致的載荷不穩(wěn)定，使用12個月半衰期對歷史載荷進行加權(quán)后與因子風(fēng)險矩陣交乘?；厮萁Y(jié)果輸出起點為2015/12/31。12/4/1/2019/05/31圖65：宏觀因子風(fēng)險平價凈值，Bloomberg表31：宏觀因子風(fēng)險平價風(fēng)險收益指標宏觀因子風(fēng)險平價-12個月半衰期宏觀因子風(fēng)險平價-無半衰期資產(chǎn)風(fēng)險平價超額年化收益9.86%9.46%5.93%3.80%年化波動9.55%9.44%2.53%8.21%最大回撤-14.30%-15.20%-3.45%-16.69%201637.24%18.65%6.95%28.53%20172.17%7.29%3.88%-1.52%2018-5.02%-7.45%3.77%-8.38%201914.61%14.23%8.77%5.39%202012.20%7.57%6.82%5.12%202114.63%10.27%5.48%8.70%20220.36%8.15%0.80%-0.33%20235.41%3.68%7.45%-1.87%20246.83%15.40%7.37%-0.40%2025.07.317.44%11.53%3.66%3.69%，Bloomberg表32：宏觀因子風(fēng)險平價風(fēng)險分年度收益風(fēng)險指標宏觀因子風(fēng)險平價-12個月半衰期資產(chǎn)風(fēng)險平價年度收益 年化波動 最大回撤年度收益年化波動最大回撤201637.24%13.82%-11.19%6.95%2.52%-3.10%20172.17%10.90%-13.88%3.88%2.34%-2.06%2018-5.02%10.54%-11.19%3.77%2.13%-1.52%201914.61%5.50%-3.38%8.77%1.82%-0.95%202012.20%11.60%-12.63%6.82%2.88%-3.45%202114.63%7.51%-4.83%5.48%1.91%-0.87%20220.36%9.92%-10.50%0.80%3.13%-3.17%20235.41%5.53%-4.58%7.45%1.69%-0.79%20246.83%8.49%-5.19%7.37%3.63%-1.51%2025.07.317.44%7.00%-4.46%3.66%2.61%-1.61%，Bloomberg量化資產(chǎn)配置研究發(fā)展展望+IndeterminateFactor-BasedAssetAllocation)20252026年研究發(fā)展展望歷史研究2025行為金融研究發(fā)展展望傳統(tǒng)行為金融的量化落地比較間接，仍然可能呈現(xiàn)理論先行，而指標確定較困難的局面。當前大部分理論的投資實踐都是通過量價表現(xiàn)上進行解釋和模擬，與基本面的結(jié)合較為困難。但當前部分主流海外機構(gòu)已經(jīng)將行為金融融合到投資當中，例如在PIMCO的投資流程中，將行為金融研究作為關(guān)鍵一環(huán)，通過與芝加哥大學(xué)相關(guān)學(xué)院的合作，在投資中加入行為模式的監(jiān)督和自查，提升投資決定穩(wěn)健性和風(fēng)險控制能力。這或?qū)⒊蔀槲磥硇?/p>