【大浪淘沙】每周研报精选（2025年第22期）（20250714-20250727）

主要观点总结

这些研报涵盖了基于深度学习选股模型、利率择时策略、量化策略研究、小微盘投资、主动权益基金控制基准偏离、形态学在ETF轮动上的研究、利率择时模型优化、基于大语言模型的新型风险评估与波动率预测、舆情分诊台赋能AI量价因子、大模型视角下的量化分析、高频成交量的峰、岭、谷信息、基于超图卷积神经网络和时间残差对比学习的股票收益预测模型、资产间相关性的时变与机制切换研究、全球宏观对冲基金及代表性策略简介、多策略配置、成长风格的三种表达、基于自由现金流的投资全解析、因子切割论与深度学习的结合应用等多个主题。它们探讨了利用逐笔成交数据、国债期货隐含利率、机构投资者行为、龙虎榜数据、主动权益基金控制基准偏离、形态学方法、利率择时模型优化、大语言模型、舆情分诊台赋能AI量价因子、大模型、高频成交量、超图卷积神经网络、资产间相关性、全球宏观对冲基金、多策略配置、成长风格、自由现金流、因子切割论与深度学习等方法或策略进行量化投资、风险管理、策略优化等。

关键观点总结

关键观点1: 基于深度学习选股模型

报告通过挖掘逐笔成交数据中的alpha信号，从资金流和事件驱动两大维度构建并优化深度学习选股模型，验证其指数增强效果。

关键观点2: 利率择时策略

报告围绕债券ETF的久期轮动策略展开，核心是挖掘国债期货隐含利率的信号价值以优化固收组合收益。

关键观点3: 量化策略研究

报告围绕机构投资者行为构建买卖方双因子策略，通过回测验证其选股有效性。

关键观点4: 小微盘投资

报告核心是聚焦龙虎榜数据挖掘活跃资金动向，构建小微盘投资择时策略。

关键观点5: 控制基准偏离

报告围绕证监会2025年5月要求，以对标中证500的主动权益基金为研究对象，通过构建模拟组合测试三种量化策略的效果。

关键观点6: 形态学在ETF轮动上的研究

报告将形态学方法从单一基金ETF轮动扩展至全市场ETF，通过成分股信号合成构建轮动策略并验证效果。

关键观点7: 利率择时模型优化

报告核心是对2025年3月发布的胜率近80%的利率择时模型进行优化，提升准确性与实用性。

关键观点8: 基于大语言模型的新型风险评估与波动率预测

报告核心是整合大语言模型对定性风险的分析与传统定量技术，构建新型金融风险评估框架，以提升特质波动率预测能力。

关键观点9: 舆情分诊台赋能AI量价因子

报告提出LLMRouter-GRU神经网络，将大语言模型的舆情情感分析能力与AI量价模型融合，构建“舆情分诊台”以提升指数增强组合表现。

关键观点10: 大模型视角下的量化分析

报告利用大语言模型识别业绩预告驱动因素，探究不同因素对市场反应的影响，以判断中报超预期的“成色”。

关键观点11: 高频成交量的峰、岭、谷信息

报告通过划分日内分钟成交量的“峰、岭、谷”状态挖掘alpha信息，构建并验证量化因子效果。

关键观点12: 基于超图卷积神经网络和时间残差对比学习的股票收益预测模型

报告以HIST模型为基础，融合超图卷积神经网络与时间残差对比学习构建DFQ-FactorGCL股票收益预测模型。

关键观点13: 资产间相关性的时变与机制切换研究

报告围绕资产间相关性的动态特征、驱动因素及战术配置应用展开，核心是突破“资产相关性恒定”的传统假设，挖掘时变规律并构建机制转换策略。

关键观点14: 全球宏观对冲基金及代表性策略简介

报告围绕全球宏观对冲基金展开全面分析，涵盖行业概况、发展历程、子策略类型、业绩表现及代表性公司策略。

关键观点15: 多策略配置

报告围绕价值风格与成长风格的因子特征、指数表现及增强策略展开分析，核心是针对不同板块价值逻辑差异优化价值策略与提出成长风格的三种核心表达。

关键观点16: 基于自由现金流的投资全解析

报告围绕自由现金流展开全方位分析，涵盖A股自由现金流特征、与红利的关联、市场环境适配性、指数对比、因子有效性及选股策略构建。

关键观点17: 因子切割论与深度学习的结合应用

报告核心是将因子切割论与深度学习融合，构建双分支差异网络模型（DBD-GRU）以提升因子选股效果。