证券研究报告 | 2025年07月05日 AI 赋能资产配置追踪（2025.7） AI 提示货币信用体系占优 策略研究·策略快评 | 证券分析师： | 王开 | 021-60933132 | wangkai8@guosen.com.cn | 执证编码：S0980521030001 | | --- | --- | --- | --- | --- | | 证券分析师： | 陈凯畅 | 021-60375429 | chenkaichang@guosen.com.cn | 执证编码：S0980523090002 | | 证券分析师： | 董德志 | 021-60933158 | dongdz@guosen.com.cn | 执证编码：S0980513100001 | | 联系人： | 郭兰滨 | 010-88005497 | guolanbin@guosen.com.cn | | 事项： 国信总量团队开发了 AI 赋能投研体系，将五大周期框架有机结合，通过动态赋权、回测调优对当月乃至 年内的股债胜率进行预测，以实现分析师主动框架与人工智能多模态分析的协调统一，将人工智能应用于 主动投研领域，定期跟踪预测市场表现。 ...

【金融工程】传统多因子打分行业轮动策略*郭策 李腾。本报告介绍了一种 季频换仓偏配置思路的行业轮动策略，采用传统量化多因子打分的方式，分 别从"估值"、"质量"、"流动性"、"动量"四个维度下各优选 2 个单 因子，再进行等权 rank 复合，形成复合因子。整体策略思路偏配置，优先选 择低估值、低拥挤度、景气度上行、近一年价格动量向上，近 3 年价格处于 低位的行业持有。最终复合策略在回测区间（2014/4/1-2025/6/6）实现年化 收益 19.64%，行业等权基准实现年化收益 7.55%，对应年化超额 12.09%。 期间超额累计净值最大回撤-13.25%。 【机械设备】芯碁微装*苏凌瑶。芯碁微装公告新签 1.46 亿元大单，约占 2024 年营收的 15%。AI 基建热潮投推动 PCB 投资热，公司有望受益于 PCB 厂商 积极扩产潮。 行业表现（申万一级） | 指数名称 | 涨跌% | 指数名称 | 涨跌% | | --- | --- | --- | --- | | 银行 | 1.01 | 汽车 | (1.37) | | 通信 | 0.77 | 非银金融 | (1.20) | | 国防军工 | 0 ...

Quantitative Models and Construction Methods Single Strategy Models - **Model Name**: High Prosperity Industry Rotation Strategy **Construction Idea**: Tracks industry profitability expectations using multi-factor models based on analysts' consensus data to select industries with upward profitability trends [13][15][16] **Construction Process**: 1. Constructs three types of factors: - Type 1: Long-term profitability factors (e.g., ROE_FY2, ROE_FY1) - Type 2: Quarterly changes in profitability (e.g., EPS_F2_qoq, EPS_F3_mom) - Type 3: Monthly changes in profitability (e.g., EPS_F3_qoq_d1m) 2. Filters industries with extreme valuations using PB percentile thresholds [30] 3. Selects top 3 industries based on composite factor rankings and allocates equally [21][30] **Evaluation**: Demonstrates strong performance in tracking industry cycles and avoiding valuation bubbles [13][26] - **Model Name**: Implicit Sentiment Momentum Strategy **Construction Idea**: Captures "unverified sentiment" by removing the relationship between turnover rate changes and returns, aiming to identify market sentiment-driven opportunities [32][33] **Construction Process**: 1. Uses OLS regression to remove "expected sentiment" from daily industry returns, leaving residuals as "unverified sentiment" [34] 2. Constructs momentum factors based on cumulative "unverified sentiment" returns over various time windows (e.g., 1 month, 12 months) [35] 3. Enhances the strategy by neutralizing fundamental impacts, adjusting for volatility, and applying composite factor methods [36] **Evaluation**: Effectively captures sentiment-driven market dynamics ahead of fundamental data releases [32][37] - **Model Name**: Macro Indicator Style Rotation Strategy **Construction Idea**: Uses macroeconomic indicators to predict industry styles (e.g., value, momentum) and maps them to industry selection [43][44] **Construction Process**: 1. Constructs macro indicators (e.g., PMI, CPI, M1) using historical positioning, surprise, and marginal change metrics [48][49] 2. Builds style factors (e.g., Value, Beta, Momentum) based on industry exposures [50][51] 3. Maps style predictions to industry scores and selects top industries [61] **Evaluation**: Addresses limitations of traditional top-down models by incorporating style-based predictions [43][61] - **Model Name**: Mid-to-Long-Term Momentum Reversal Strategy **Construction Idea**: Explores the "momentum-reversal" structure in industry returns, combining short-term momentum and long-term reversal factors [70][71] **Construction Process**: 1. Constructs momentum factors based on single-month returns and reversal factors based on multi-month returns (e.g., 12-month momentum, 24-36 month reversal) [76][78] 2. Combines factors using rank-weighted methods and adjusts for turnover rates [80][85] **Evaluation**: Balances short-term trends and long-term recovery opportunities effectively [70][84] - **Model Name**: Fund Flow Industry Rotation Strategy **Construction Idea**: Tracks institutional and tail-end fund flows to identify industry momentum [91][92] **Construction Process**: 1. Constructs "institutional trend strength factors" based on net buy amounts [93][94] 2. Constructs "tail-end inflow strength factors" based on post-14:30 net inflow data [96][103] 3. Combines factors and excludes high-concentration industries [100][101] **Evaluation**: Enhances stability by avoiding crowded trades [91][101] - **Model Name**: Financial Report Failure Reversal Strategy **Construction Idea**: Utilizes mean-reversion characteristics of long-term effective financial factors after short-term failures [108][109] **Construction Process**: 1. Constructs financial factors (e.g., ROA, YOY) using profit and balance sheet data [110][114] 2. Identifies "long-term effective factors" and "recently failed factors" based on rolling windows [116][117] 3. Combines factors using zscore methods [117] **Evaluation**: Captures recovery opportunities in temporarily underperforming factors [108][118] - **Model Name**: Traditional Low-Frequency Multi-Factor Scoring Strategy **Construction Idea**: Combines factors from four dimensions (momentum, valuation, liquidity, quality) for quarterly industry rotation [122][123] **Construction Process**: 1. Selects top-performing factors from each dimension (e.g., 1-year momentum, ROE_TTM) [124][125] 2. Combines factors using rank-weighted methods [135] 3. Filters industries with low weights in the CSI 800 index [135] **Evaluation**: Suitable for long-term holding with robust risk control [122][129] Composite Strategy Models - **Model Name**: Volatility-Controlled Composite Strategy **Construction Idea**: Allocates funds across single strategies based on inverse negative volatility [138][139] **Construction Process**: 1. Calculates negative volatility for each strategy over a rolling window (e.g., 63 days) [139][140] 2. Allocates funds proportionally to inverse negative volatility [139][147] 3. Adjusts allocation frequencies to match individual strategy cycles (weekly, monthly, quarterly) [141][146] **Evaluation**: Balances risk and return effectively, achieving high annualized excess returns [138][144] --- Model Backtest Results Single Strategy Results - **High Prosperity Strategy**: Annualized excess return 16.69%, max drawdown -12.95%, IR 1.29 [26] - **Implicit Sentiment Strategy**: Annualized excess return 18.61%, max drawdown -17.83%, IR 1.04 [37] - **Macro Style Strategy**: Annualized excess return 7.01%, max drawdown -23.46%, IR 0.30 [63] - **Momentum Reversal Strategy**: Annualized excess return 11.42%, max drawdown -14.91%, IR 0.77 [84] - **Fund Flow Strategy**: Annualized excess return 11.64%, max drawdown -12.16%, IR 0.96 [101] - **Financial Report Strategy**: Annualized excess return 9.13%, max drawdown -10.54%, IR 0.87 [118] - **Low-Frequency Multi-Factor Strategy**: Annualized excess return 12.00%, max drawdown -13.25%, IR 0.91 [129] Composite Strategy Results - **Volatility-Controlled Composite Strategy**: Annualized excess return 12.2%, max drawdown -6.8%, IR 1.80 [144][147]

(1)行业轮动策略是什么 行业轮动是利用市场结构性行情获利的一种投资交易策略，其本质是利用不同投资品种强势时间的错 位，对行业品种进行切换，以达到投资收益最大化或者规避系统性风险的目的。 当股票市场出现行业轮动的结构性行情时，同一时间段内不同行业之间的收益率差异可能非常大，行业 轮动策略在这样的市场环境下会更加有效。 ②持仓透明。ETF持仓透明，每日公布持仓，底层布局的行业清晰，投资者可以清晰地知道他们投资的 是什么。相较于通过配置主动权益基金实现行业轮动策略，主动权益基金可能存在着风格漂移的风险， 其持仓数据也只在季度或年度等定期报告中披露，存在滞后性。 ③成本低廉。ETF可以在交易日内的任何时间进行交易，而传统的主动权益基金只能在收盘时按当日的 净值进行申赎，另外，ETF整体费率都较低，降低成本可以增厚投资者的收益率。 (3)如何运用ETF构建行业轮动策略 运用ETF进行行业轮动配置的方法是运用一系列行业筛选指标对ETF进行打分，然后选出在当前阶段分 数较高的ETF进行配置，直接构造ETF行业轮动策略，并定期调整。具体来说，首先计算ETF跟踪指数 成份股在基本面、技术面和资金流等多维度的表现得分，然后对个 ...

当ETF赛道深陷费率战与规模焦虑时，中证A500指数却以另类姿态撕开市场——这只诞生即被贴上"新锐"标 签的宽基指数，凭借对科创属性与中小市值的倾斜性覆盖，成为近两年机构博弈"贝塔收益"的主战场。 除了密集成立的指数基金以外，截至今年4月，全市场已有26只指数增强产品参与竞逐，不同产品之间分化 剧烈：两只成立时间间隔不到一个月的A500指数增强基金，目前的超额收益差值已经接近10%。 归根结底，A500指数"市值+行业双轮筛选"的编制原则，使得成份股市值和流动性分层显著，为量化模型留 足了"翻石头"的空间。因此，在选择A500指数增强基金时，基金经理的投资能力与增强策略变得至关重 要。 华安基金量化投资部助理总监、基金经理张序的突围密码，藏在八年磨一剑的"行业轮动+多因子"双擎模型 里。通过对行业轮动的深度理解和持续迭代，其管理的华安事件驱动量化基金自2020年执掌以来，连续五 年跑赢偏股混基指数，年化超额收益达9.3%，无论在公募量化还是主动股基均排名前1%。 而当市场还在争论主动量化与被动投资的边界时，华安基金已悄然完成中证A500产品线的战术合围。继 2024年精准卡位A500ETF之后，再次推出了由张 ...

广发证券资深金工分析师 李豪 lhao@gf.com.cn 广发证券首席金工分析师 安宁宁 anningning@gf.com.cn 广发金工安宁宁陈原文团队 摘要 大语言模型在金融领域的应用： 近年来，人工智能技术的快速发展推动了大语言模型(LLMs)的革新。作为最前沿的技术之一，大语言 模型正在广泛应用于各行各业。金融行业作为一个高度依赖数据分析和信息处理的领域，对先进的人工 智能技术有着极大的需求。而LLMs凭借其强大的文本理解能力、信息提取能力以及推理和预测能力， 正在逐步改变传统的金融分析和决策方式，为投资管理、市场分析、风险控制等多个领域带来了新的机 遇。 DeepSeek定量解析基金季报行业观点及行业轮动策略构建： 本文中，我们尝试通过DeepSeekV3模型，对于基金季报观点文本中的行业观点进行定量解析，并以此 出发构建行业轮动策略。具体来看，首先我们筛选存续时间较长的主动型权益基金样本，并提取样本基 金不同季度报告期季报中的观点部分文本；而后我们将观点文本输入至DeepSeek模型，加入特定提示 词控制输出的格式，并基于输出结果构建基金季报行业观点指标；最后我们基于基金季报行业观点指标 及观 ...

广发证券资深金工分析师 李豪 lhao@gf.com.cn 广发证券首席金工分析师 安宁宁 anningning@gf.com.cn 广发金工安宁宁陈原文团队 摘要 大语言模型在金融领域的应用： 近年来，人工智能技术的快速发展推动了大语言模型(LLMs)的革新。作为最前沿的技术之一，大语言 模型正在广泛应用于各行各业。金融行业作为一个高度依赖数据分析和信息处理的领域，对先进的人工 智能技术有着极大的需求。而LLMs凭借其强大的文本理解能力、信息提取能力以及推理和预测能力， 正在逐步改变传统的金融分析和决策方式，为投资管理、市场分析、风险控制等多个领域带来了新的机 遇。 DeepSeek定量解析基金季报行业观点及行业轮动策略构建： 本文中，我们尝试通过DeepSeekV3模型，对于基金季报观点文本中的行业观点进行定量解析，并以此 出发构建行业轮动策略。具体来看，首先我们筛选存续时间较长的主动型权益基金样本，并提取样本基 金不同季度报告期季报中的观点部分文本；而后我们将观点文本输入至DeepSeek模型，加入特定提示 词控制输出的格式，并基于输出结果构建基金季报行业观点指标；最后我们基于基金季报行业观点指标 及观 ...

动聚变产业的高质量发展。 2、 《 创新药催化剂频现 》摘 要 1 、 《 如何利用财报因子构建行业轮动策略？》摘要 ■ 一种基于财报因子有效性均值回复理论的行业轮动策略，核心是"长期有效的因子在失效后，未来 有更大概率重新变得有效"。 ■ 该策略通过每月滚动筛选长期有效因子，评估其近期表现，并做多长期有效但近期失效的因子，显 著提升了财报因子优选策略的年化超额回报。 ■ 通过对财务报表的分析，筛选了8个利润表/现金流量表指标（如净利润、营业利润等）和6个资产 负债表指标（如总资产、净资产等）。 ■ 每月基于T年滚动周期，通过年化超额回报和月均IC筛选长期有效因子，并在每类因子中选择年化 超额最高的因子进行等权复合。 ■ 在优选策略的基础上，引入了"近期失效因子"的概念，筛选出那些近3个月表现较差（超额为负） 的因子，并进行进一步筛选和加权。 ■ 3月19日，药监局发布了《药品试验数据保护实施办法（试行，征求意见稿）》和《药品试验数据 保护工作程序（征求意见稿）》，明确了不同类型药物的数据保护期和范围，其中创新药得到6年 保护期，改良药和首仿药均为3年。 ■ 改良药3年数据保护期，主要涵盖证明临床优势的临床试 ...

[Table_ReportInfo] 《大额买入与资金流向跟踪 （20250210-20250214）》2025.02.17 《风格 50 组合均跑赢均衡组合——风格 Smart beta 组合跟踪周报 （2025.02.10-2025.02.14）》2025.02.17 《下周 A 股的上行趋势不会改变——量 化择时和拥挤度预警周报（20250216）》 2025.02.16 分析师:郑雅斌 Tel:(021)23219395 Email:zhengyb@haitong.com 证书:S0850511040004 分析师:曹君豪 Tel:(021)23185657 Email:cjh13945@haitong.com [Table_MainInfo] 金融工程研究 证券研究报告 [Table_Title] 相关研究 证书:S0850524010001 联系人:付欣郁 Tel:02123183940 Email:fxy15672@haitong.com 金融工程周报 2025 年 02 月 19 日 上周159只固收+产品业绩创历史新高—— 绝 对 收 益 产 品 及 策 略 周 报 （20250210-20 ...