炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
中金点睛
市场展望
市场择时：短期震荡，中长期或有上行机会。
我们基于2000-01-01至2024-10-31市场历史数据的统计，发现A股市场出现5天内上涨超15%这类快速反弹的情况后，短期回调的概率较大，后续一个月内的收益平均为-4%左右，而中长期来看收益情况相对较好，宽基指数后续一年的收益平均接近10%。因此我们认为短期内市场整体的走势以震荡为主，中长期存在上行机会。
风格判断：成长弹性可期，关注小盘。
首先，我们从定量角度回顾了历史上3次市场触底反弹前后的风格表现，尽管三次触底反弹的宏观、政策环境有所差异，但从历史数据统计的结果来看，前期弱势的风格在市场反弹后上涨幅度更大。因此此前承压的成长风格未来表现可能优于其他风格。
其次，从成长与价值风格盈利差的维度来判断。a）宏观逻辑方面，相关宏观指标提示我国经济可能即将进入见底回升的拐点，利好成长风格未来盈利。b）中观逻辑方面，目前成长与价值风格处于获利期的企业数量差边际上行，从企业生命周期的角度来看，成长风格未来盈利能力相对更强。c）微观视角方面，成长与价值风格分析师一致预期EPS的差值处于上升状态，说明卖方分析师对于成长风格未来盈利改善的看好程度更强。
同时，宏观环境市场状态和短期拥挤度的风格研究框架[1]表明：a）投资者情绪回暖期成长风格往往表现出色，红利风格相对偏弱，而由于近期偏股基金募资额的快速提升，红利风格的相对优势可能承压。b）微观层面，由于市场快速上涨吸引大量投资者入市，主要风格的拥挤度都在快速上升。成长、红利风格先后在9月27日、10月8日发出拥挤信号。因此市场主流风格包括市场整体，短期需要一段时间震荡消化。
最后，并购浪潮或利好中小盘及新质生产力相关行业：a）我们发现并购活动多发生在中小盘，且在小盘风格并购数量较多的2015年，小盘股整体表现较好，因此我们认为在2024年新的政策支持下，未来的并购市场活跃度或将提升，或利好中小盘表现。b）2024年政策引导上市公司向新质生产力方向转型升级，我们判断并购项目未来或将集中发生于新质生产力相关行业。基于历史数据统计，我们认为并购活跃的行业或有更好的收益表现，未来非银、新质生产力行业、“两创”板块公司可能存在结构性机会。
量化策略与产品
回顾2024：大盘价值彰显优势，反弹期间量化具优势。
1）市场表现维度：大盘与价值风格在今年表现出色，因子方面则是价值因子总体优于成长因子；2）公募量化产品：公募指数增强产品相对于主动管理产品展现出一定优势，特别是在9月份市场大幅反弹期间，其收益表现相对出色。
量化产品：小盘成长环境中可关注主动量化产品。
回顾历史在2010、2013、2015和2021年小盘成长风格占优阶段，主动量化产品整体具有较好的收益表现，我们认为量化投资在机构参与度低的小盘成长风格的股票中或具有一定优势，因此若后市风格偏向小盘成长，可考虑关注主动量化产品。
量化策略：另类数据+机器学习仍有发展潜力。
我们认为量化策略发展主要依赖两条路径：数据边界的拓展[2]与新模型的开发[3]。一方面机器学习如大语言模型可以帮助探索之前金融领域无法充分利用的另类数据资源，另一方面不断发展的深度学习模型也能够更加充分挖掘现有数据的非线性信息。我们前期开发的机器学习选股因子[4]和另类数据模型[5]在2024年的高波动环境下依然可以取得稳健的样本外表现，表明其仍具有发展潜力。
风险提示：分析均基于历史数据，历史数据存在不被重复验证的风险。
市场展望
量化择时：短期震荡，中长期或有机会
情景分析：市场快速拉升后短期震荡概率大
2024国庆节前的一系列市场提振政策出台后，市场参与者给出了较积极的反应，A股主要宽基指数在节前的5天内都完成了较大幅度的反弹，且在国庆节后也出现了一定的调整。市场短期的快速上涨，吸引大量投资者参与，往往会带来市场热点和风格的切换。我们以沪深300指数作为市场代表指数，统计了A股历史上5天内累计涨幅超过15%的情况下，未来一个月、一个季度、半年及一年内，市场主要指数和风格的走势。
图表1：沪深300快速上涨后的不同周期收益
注：数据统计区间为2000-01-01至2024-10-31；快速上涨定义为5天内累计涨幅超过15%的情况；图表中均为交易日统计，假定1个月为20个交易日
资料来源：Wind，中金公司研究部
择时层面上看，A股市场出现类似快速反弹的情况后，短期有可能出现回调从而导致20个交易日和60个交易日（一个月和一个季度）内的收益平均为-4%左右，今年国庆节后市场走势也验证了这一点。但中长期维度上的收益情况相对较好，宽基指数（上证综指、沪深300）一年维度上的收益均值接近10%。当然，一年维度上的收益表现受宏观经济、企业盈利的影响更大，数据统计的结论对短期市场走势的指示性更强。
图表2：沪深300快速上涨对应的日期、盈利估值分位以及后续市场表现（120个交易日）
注：截至2024-10-31 资料来源：Wind，中金公司研究部
对应不同的快速上涨时期指数的估值分位情况我们发现其中的规律并不单调。2002年的情况属于估值高位的快速反弹从而后续表现一般，但2004年的估值低位反弹后并未带来进一步的上涨。2014年末的快速反弹时市场处于中低估值分位，同时结合多维的外部因素影响才导致的一轮大牛市。
因此，基于历史数据统计，我们认为，短期内市场整体的走势以震荡为主，中长期存在机会，但幅度多大，可能取决于宏观经济政策的力度和企业盈利的改善情况。
风格判断：成长弹性可期，关注小盘
情景分析：反弹前后风格切换概率大，成长风格弹性更强
为了探寻市场主流风格在当前市场状态下未来将如何演绎，我们从定量的角度回顾了历史上3次较大级别触底反弹前后的风格表现：
a）2008-10-28：全球金融危机后政府出台一系列经济刺激政策，股市触底反弹。
b）2014-07-21：经过前几年经济增速的退档，“国九条”的公布和杠杆资金入市拉动A股触底反弹。
c）2019-01-04：国内持续降息降准，加之部分公司业绩利空出尽，市场触底反弹。
尽管市场三次触底反弹的宏观、政策环境有所差异，但从数据统计的结果来看，前期弱势的风格在市场反弹后上涨幅度更大。例如2008年5月到10月表现较差的小盘和成长风格，在大盘反弹时弹性较好。2014年7月前后的大盘和价值风格也出现明显反弹。
图表3：历史上3次市场触底反弹前后风格表现对比
注：色阶为单列收益由红至蓝降序排列
资料来源：Wind，中金公司研究部
从触底反弹前后风格收益率的相关性来看，2008、2014、2019年对应相关性分别为-0.79、-0.45、-0.36，均为较显著负相关，说明触底反弹前跌幅越大的风格在触底反弹阶段的上涨潜力越大。其背后逻辑可能在于：
1）增量资金往往出于风格性价比原因，优先考虑投资之前表现差的风格；
2）之前超跌的风格存在一定错杀可能性，市场回暖期修正了错误定价。
因此我们认为，如果市场能够延续反弹趋势走出一波上涨行情，前期表现较好的风格（例如红利、价值等）上涨潜力大概率低于其他风格（例如成长）。
主动量化：盈利差与估值差维度均看好成长风格
上述观点也可以从主观量化方面得到佐证。我们在报告《量化配置系列（17）成长价值轮动的底层逻辑与收益来源》中，指出成长和价值的轮动判断可以归结为对两风格盈利差和估值差的判断。其中风格盈利差的底层逻辑主要有以下两个方面：①宏观层面的地产周期与经济拐点，②中观层面的企业生命周期；同时具有微观的一致预测EPS这一个观测维度。风格估值差认为存在以下三个关键逻辑：①盈利不变时，增量资金推动估值变化，②估值达到极端位置后，未来可能会均值回复，③市场普涨时，高BETA风格估值提升更高。
图表4：成长价值轮动的主观逻辑框架
资料来源：中金公司研究部
截至2024年10月底，从盈利差变化的底层逻辑来看：
► 宏观逻辑方面，目前经济拐点因子处于触底回升状态，同时工业增加值同比、M2同比、物价同比、国债利率同比、美债利率同比均边际上升，我们认为这些指标指示我国经济可能即将进入见底回升的拐点，利好成长风格未来盈利。
► 中观逻辑方面，目前成长与价值风格处于获利期（成长与成熟期）的企业数量差边际上行，说明从企业生命周期的角度来看，成长风格未来盈利能力相对更强。
► 微观视角方面，目前成长与价值风格分析师一致预期EPS的差值处于上升状态，说明卖方分析师对于成长风格未来盈利改善的看好程度更强。
根据上述3方面内容，我们认为在未来6个月左右的时间维度，成长相对价值的盈利提升程度更高。
从估值差变化的底层逻辑来看：
► 资金面逻辑方面，目前①截至2季末的保险资金处于净流入状态，利好价值风格估值提升；②截至10月底的EPFR口径下海外资金处于净流入状态，利好成长风格估值提升；③信托数据暂未公布2季末数据；④截至10月底的其他（私募、产业资本、个人投资者等）类资金处于净流入状态，利好成长风格估值提升。综合数据公布时点和影响方面，我们认为近期资金面利好成长风格估值的提升。
► 拥挤度逻辑方面，目前我们的拥挤度模型指示成长和价值风格均未到拥挤阈值，对成长和价值风格估值差的影响偏中性。
► BETA逻辑方面，当前我们的择时模型显示A股当前在估值、情绪、资金等维度处于偏高状态，但成交额能为市场进行一定托底，未来整体走势或以震荡上行为主，小幅利好成长风格估值的提升。
根据上述3方面内容，我们认为在未来1个月左右的时间维度，成长相对价值的估值提升程度更高。
综合盈利和估值的判断，我们认为未来短期（1个月左右）内，成长风格更高的估值提升会使得成长跑赢价值，中长期（6个月左右）内，有望进一步看到成长风格更高的盈利改善，使得成长继续跑赢价值。即短期和中长期，我们都认为成长风格具有更高的配置价值。
风格判断量化框架：红利风格相对优势或下降
接下来我们再从两个大的维度来综合的量化分析市场关注的主流风格的走势：包括中长期的宏观环境与市场状态，和短期的拥挤度指标。
宏观环境与市场状态是影响股市整体走势以及风格走势的重要因素，它们决定了市场的基本面和流动性条件。通过分析宏观经济指标和市场状态，可以理解市场风格在不同经济周期和政策环境下的表现。这有助于识别哪些风格在特定环境下可能表现更好，从而制定更为精确的投资策略。
市场的短期波动易受到交易拥挤度的影响。当某一风格或行业吸引了大量投资者的共识和集中交易时，股票价格可能会短期内偏离其内在价值，从而在交易热潮退却后面临回调风险。正如2021年8月至9月间，煤炭行业的快速上涨后随之而来的回撤，便是市场拥挤度影响的案例。
因此我们建议结合对宏观环境与市场状态的分析和对市场拥挤度的监测，以实现对市场风格的准确把握。在宏观条件有利于特定风格时进行投资布局，同时密切关注市场交易行为，避免在过度拥挤的市场环境中过度集中投资，从而降低潜在的风险暴露。
图表5：量化风格配置框架
资料来源：中金公司研究部
参考上述风格研究框架，我们发现：
a） 中长期维度上，由于偏股基金募资额近期的快速提升，红利风格的相对优势可能承压。偏股基金募资额代表近期公募偏股型基金的募资能力，也代表了市场投资者的入场意愿。是红利相对净值的反向指标。当市场情绪回暖，投资者通过基金入市的资金量出现提升时，历史数据表明此种情形下红利风格可能会相对跑输市场，而此时成长风格往往可以获得超越市场的收益表现。
b） 成长风格常受益于市场景气抬升，例如PMI同比指标与成长风格超额收益呈现正相关。当PMI同比上行时，意味着经济总量上行，有利于公司盈利增长，成长风格相对占优；反之，则意味着经济总量的下行，成长风格相对弱势。因此，我们认为在市场基本面预期有所改善的前提下成长风格或有相对优势。
c） 最后，微观层面，由于市场短期快速上涨，吸引大量投资者进入市场，主要风格的拥挤度都在快速上升。成长、红利风格先后在9月27日、10月8日发出拥挤信号。因此，从短期来看，市场主流风格，包括市场整体，短期都可能需要一段时间震荡消化。
图表6：偏股基金募资额与红利风格走势
注：截至2024-10-31；偏股基金募资额单位为千亿元资料来源：Wind，中金公司研究部
图表7：偏股基金募资额不同状态下红利风格表现
注：截至2024-10-31资料来源：Wind，中金公司研究部
图表8：PMI同比与成长风格走势
注：截至2024-10-31，右轴：PMI同比_MA（%）资料来源：Wind，中金公司研究部
图表9：PMI同比指标不同状态下成长风格表现
注：截至2024-10-31资料来源：Wind，中金公司研究部
图表10：成长风格拥挤度信号
注：截至2024-10-31 资料来源：Wind，中金公司研究部
图表11：红利风格拥挤度信号
注：截至2024-10-31资料来源：Wind，中金公司研究部
并购浪潮或利好小盘风格及新质生产力相关行业
2024年政策层面旨在促进健康的并购重组活动。近期国务院、证监会发布了一系列政策以支持上市公司跨行业并购和未盈利资产收购[6]，引导资源要素向新质生产力方向聚集。从2014年促进并购活动[7]，2016年抑制投机“炒壳”[8]，再到2024年对并购活动进一步深化改革[9]，政策的不断优化旨在促进健康、有序的并购重组活动，支持经济结构调整和产业升级，引导资源向新质生产力聚集。
图表12：并购政策历史沿革梳理
资料来源：中华人民共和国国务院，中国证券监督管理委员会，中金公司研究部
并购活动集中于小盘股票。并购事件在股票市值分布上倾向于小盘股票，我们对2006年以来发生并购事件的股票进行市值分布统计，其中股票市值75%分位数保持在150亿元以下，这表明大多数并购事件涉及的公司市值偏低。
图表13：参与重大境内资产重组股票总市值分布（按首次披露日期所在年份统计）
注：数据截至2024-10-15资料来源：Wind，中金公司研究部
图表14：参与重大境内资产重组股票流通市值分布（按首次披露日期所在年份统计）
注：数据截至2024-10-15资料来源：Wind，中金公司研究部
我们发现2015年预告并购活动较多的行业股票收益率也处在较高水平，并购行为或将利好部分行业。分大、小盘风格来看，2015年小盘风格的并购事件的预告数量占比相对较高，且小盘风格在2015年具有更好的收益表现。
图表15：参与重大境内资产重组股票分板块统计（按首次披露日期所在年份统计）
注：大盘风格成分股为流通市值排名前10%的股票，小盘风格成分股为流通市值排名后90%的股票
资料来源：Wind，中金公司研究部
因此，我们建议关注小盘风格和新质生产力相关行业机会：
1） 并购事件数量的增加或利好小盘风格。在小盘风格并购数量较多的2015年，小盘股整体表现较好，因此在2024年新的政策支持下，我们认为未来的并购市场活跃度或将提升，利好中小盘。
2） 新质生产力相关行业或将存在结构性机会。2024年政策引导上市公司向新质生产力方向转型升级，我们认为并购项目未来或将集中发生于新质生产力相关行业。基于统计我们发现并购活跃的行业或有更好的收益表现，我们认为因此相关行业如非银、新质生产力行业、“两创”板块公司可能存在结构性机会。
量化策略与产品
我们首先对2024年以来（2024-01-01至2024-10-31）的市场表现和量化策略表现做一个回顾，从量化的视角来观察市场运行情况。1）市场表现维度：大盘与价值风格在今年表现出色，因子方面则是价值因子总体优于成长因子；2）中金量化组合：成长、价值优选策略和低关注度掘金策略今年均表现良好；沪深300、中证500指数增强组合也均实现一定超额收益；3）公募量化产品：公募指数增强产品相对于主动管理产品展现出一定优势，特别是在9月份市场大幅反弹期间，其收益表现相对出色。
回顾2024：大盘价值彰显优势
市场表现：大盘、价值风格表现突出
A股市场实现正收益，大盘、价值风格表现突出。截至10月31日，今年沪深300、中证500、中证1000、国证2000均实现正收益，其中沪深300收益表现相对较好，实现13.4%的收益；而微盘风格表现欠佳，国证2000指数今年仅增长0.8%。价值优于成长。今年价值风格的表现延续相对优势，对应国证成长指数今年收益率为5.8%，而国证价值指数今年收益率为17.1%（截至10月31日）。
图表16：大、中、小、微盘指数今年收益表现
注：截至2024-10-31
资料来源：Wind，中金公司研究部
图表17：成长、价值指数今年收益表现
注：截至2024-10-31
资料来源：Wind，中金公司研究部
从主流因子的角度观察市场表现，我们统计了2024年以来全市场范围内的因子月度IC。在宏观不确定性较高的大环境下，防御性因子有效性相对较好。2024年前三季度的因子表现来看，衡量风险属性的因子表现维持相对优势，包括价值、股息率、安全性、低波动率等。
► 2024年以来，价值优于成长。对比成长因子和价值因子的月度IC表现，除2月、3月、6月成长因子IC略高于价值因子外，均为价值因子IC显著优于成长因子，延续了2022年以来价值因子强势的市场风格。
► 价量因子中低波、动量因子整体表现出色。动量因子今年表现略有震荡，但整体收益良好。低波因子今年表现较为出色，IC均值实现-7.0%。
图表18：基本面因子今年IC表现
注：截至2024-10-31 资料来源：Wind，朝阳永续，中金公司研究部
图表19：价量因子今年IC表现
注：截至2024-10-31 资料来源：Wind，中金公司研究部
量化组合：主动量化策略和指数增强策略今年表现良好
► 主动量化策略：成长、价值优选策略均有较好表现
成长股选股思路应从追求高增长预期切换至增长预期与估值性价比并重，改进后策略今年实现11.6%的超额收益。我们在报告《基本面量化系列（3）：业绩成长是否具有延续性》中构建了成长趋势选股策略，该策略以成长因子、分析师预期因子为核心，2022年下半年以来相对基准持续回撤，说明追求高增长预期的策略已不适应当前市场环境，因此我们在报告《基本面量化系列（12）：如何度量非理性估值定价偏差？》，对该策略进行改进，增加对股票估值性价比的考量，优化后的策略在保持较好的历史收益表现的同时，较为明显地改良了2022年以来的策略表现。截至2024-10-31，改进后的成长趋势策略YTD收益率为11.6%，超额偏股混合型基金指数7.3个百分点。
图表20：成长趋势选股策略历史表现
注：截至2024-10-31 资料来源：Wind，朝阳永续，中金公司研究部
图表21：成长趋势选股策略历史表现（2021年以来）
注：截至2024-10-31 资料来源：Wind，朝阳永续，中金公司研究部
价值优选策略和低关注度掘金策略今年实现绝对收益。我们在报告《基本面量化系列（1）：如何看待价值股的“价值”》中构建了价值股优选策略；在报告《基本面量化系列（10）：如何在低关注度股票中挖掘alpha？》中构建了低关注度掘金策略。这两个策略今年收益均表现良好，截至2024-10-31，价值股优选策略今年YTD收益率为10.4%，低关注度掘金策略YTD收益率达10.2%。
图表22：价值股优选策略历史表现
注：截至2024-10-31 资料来源：Wind，中金公司研究部
图表23：低关注度掘金策略历史表现
注：截至2024-10-31 资料来源：Wind，中金公司研究部
► 指数增强模型：300、500增强今年以来实现超额
我们基于中金量化因子库和各自适用模型搭建的沪深300和中证500指数增强模型，在今年均获得了一定超额收益。
中金量化沪深300指数增强：YTD超额3.17%。在报告《量化多因子系列（1）：QQC综合质量因子与指数增强应用》中，我们搭建了基于QQC综合质量因子的沪深300指数增强模型。组合2024年至今（截至2024-10-31）收益为18.07%，超额收益3.17%；样本外跟踪以来（2019-01-01至2024-10-31）累计收益95.88%，累计跑赢基准64.85ppt。
中金量化中证500指数增强：YTD超额3.78%。在报告《量化多因子系列（2）：非线性假设下的情景分析因子模型》中，我们阐释了情景分析因子模型的概念，并将其应用在指增模型上。我们将流动性特征分组后的不同股票池内的Alpha因子同时进行最大化IC_IR，进而将优化后的因子权重作为不同特征选股域内的因子权重，构建了中金量化中证500指数增强模型。模型在样本外分年表现均稳定战胜基准，2024年至今（截至2024-10-31）收益为12.87%，超额收益3.78%；组合样本外跟踪以来（2021-01-01至2024-10-31）累计收益37.45%，累计跑赢基准46.42ppt。
图表24：中金量化沪深300指数增强样本外净值走势
注：截至2024-10-31资料来源：Wind，中金公司研究部
图表25：中金量化中证500指数增强样本外净值走势
注：截至2024-10-31资料来源：Wind，中金公司研究部
量化产品：小盘风格环境下，可关注主动量化产品
2024年公募指数增强产品表现具有相对优势。我们在2024年展望报告《2024年量化策略展望：红利为基，稳中求进》中分析，若A股出现反弹，指增产品收益或跑赢主动产品。在2024年，公募指数增强产品相对于主动管理产品确实展现出了一定的优势，特别是在9月份市场大幅反弹期间，其收益表现相对出色。
图表26：公募产品指数2024年净值表现
资料来源：Wind，中金公司研究部
小盘成长风格环境下，可关注主动量化产品。回顾历史，在2010、2013、2015和2021年小盘成长风格占优的市场阶段，与主动权益和指数增强产品相比，主动量化产品在大部分情况下具有较好的收益表现。我们认为量化投资在机构参与度低的小盘成长风格的股票中或具有一定优势，因此若后市风格如前文分析偏向成长风格和小盘风格的话，可考虑关注主动量化产品。
图表27：历史上小盘成长风格占优阶段公募产品表现对比
注：截至2024-11-11 资料来源：Wind，中金公司研究部
策略展望：另类数据+机器学习仍有潜力
回顾历史我们认为量化策略发展主要依靠两条路径：数据边界的拓展[10]与新型模型的开发[11]。一方面性能不断提升的各类机器学习模型能够充分挖掘现有数据的非线性信息，另一方面不断发展的大语言模型则可以帮助拓展之前投资领域无法充分利用的另类数据资源[12]。
从数据层面来说，使用新型另类数据开发的量化策略有望提供低相关性策略，以实现分散风险、增厚超额，随着另类数据丰富度的不断提升，其在量化策略中的应用也越来越广泛。多种另类数据的引入将不断给量化策略带来新的机会。我们尝试使用高频成交、新闻、研报、供应链等数据落地到因子构建、市场观察、主题投资等领域均取得有效表现。由于另类数据具有较高的开发壁垒，其策略有效性衰减速度总体可能慢于传统量价和基本面数据策略。例如我们在《如何优化新闻文本因子》一文中构建的新闻文本因子与传统量价和基本面因子的截面相关性均低于15%，在其基础上构建的行业轮动新闻文本因子样本外持续稳健，截至2024年10月31日最近一年样本外多头行业组合相对于中信一级行业等权收益率达16.0%。总体而言，作为量化策略开发的新型原料，另类数据对于量化策略的重要性不言而喻，其丰富的数据类型和落地模式带来的对于量化策略的增益效果可能成为未来量化策略发展重要趋势之一。
图表28：中金量化新闻文本因子分行业样本外表现持续稳健
注：统计区间截至2024-10-31 资料来源：Wind，ChinaScope，中金公司研究部
从模型角度而言，近年来机器学习模型的快速发展给量化策略的发展提供了新方向[13]。例如使用深度学习算法（例如卷积网络、图神经网络）[14]处理股票预测任务，有效发挥了深度学习模型端到端进行数据特征捕捉的优势；基于深度强化学习算法的模型AlphaGen在因子挖掘任务[15]中取得了优于传统机器模型的表现，进一步证明了强化学习在量化策略中的可行性；基于金融数据训练的大型语言模型在文本理解[16]任务上取得的领先性优势，带动了下游任务如股票预测[17]、风险评估等。
前期我们从数据和模型两方面出发，开发了一系列高频数据和机器学习主题的深度研究报告，涵盖了选股：如何结合树模型与深度学习的优势》）、行业轮动、指数增强等多个应用场景。包括使用行业前沿的强化学习模型构造自动生成因子表达式的因子生成器、行业配置优化器以及结合树模型和深度学习模型各自的优势生成收益风险比更高的因子。这些机器学习模型在今年这种高波动的市场表现仍较为稳定，我们后期也会对其样本外表现实时跟踪。
2024年以来，我们开发的强化学习行业轮动因子相对于行业等权超额达7.1%，混合深度学习模型串行结构虽然年初有一定回撤，但多头超额修复速度较快具有一定韧性，截至10月31日超额收益率为4.9%，样本外表现均优于因子等权基准。
图表29：强化学习行业轮动因子2024年以来表现
注：统计区间截至2024-10-31资料来源：Wind，中金公司研究部
图表30：深度学习模型串行结构2024年以来表现
注：统计区间截至2024-10-31资料来源：Wind，中金公司研究部
[1] 详见中金研究部量化策略报告《量化 2024 下半年展望：红利潮汐或有落，静待成长风起时》。
[2] Ashtiani M N， Raahmei B． News-based intelligent prediction of financial markets using text mining and machine learning： A systematic literature review[J]． Expert Systems with Applications， 2023： 119509．
[3] Ozbayoglu， Ahmet Murat， Mehmet Ugur Gudelek， and Omer Berat Sezer． “Deep learning for financial applications： A survey．” Applied Soft Computing 93 （2020）： 106384．
[4] 详见中金研究部量化策略报告《机器学习系列（3）：如何结合树模型与深度学习的优势》。
[5] 详见中金研究部量化策略报告《另类数据策略（2）：如何优化新闻文本因子》。
[6]《关于深化上市公司并购重组市场改革的意见》（2024-09-25）https：//www.gov.cn/lianbo/bumen/202409/content_6976331.htm
[7] 《健全上市公司并购重组制度 促进发展方式转变和经济结构调整》（2014-07-11）http://www.csrc.gov.cn/csrc/c100028/c1002094/content.shtml
[8] 《提高重组门槛 抑制投机“炒壳”》（2016-06-20） https：//www.gov.cn/xinwen/2016-06/20/content_5083681.htm
[9]《关于深化上市公司并购重组市场改革的意见》（2024-09-25）https：//www.gov.cn/lianbo/bumen/202409/content_6976331.htm
[10] Ashtiani M N， Raahmei B． News-based intelligent prediction of financial markets using text mining and machine learning： A systematic literature review[J]． Expert Systems with Applications， 2023： 119509．
[11] Ozbayoglu， Ahmet Murat， Mehmet Ugur Gudelek， and Omer Berat Sezer． “Deep learning for financial applications： A survey．” Applied Soft Computing 93 （2020）： 106384．
[12] Xing， Frank Z．， Erik Cambria， and Roy E． Welsch． “Natural language based financial forecasting： a survey．” Artificial Intelligence Review 50.1 （2018）： 49-73．
[13] Kelly， Bryan T．， and Dacheng Xiu． Financial machine learning． No． w31502． National Bureau of Economic Research， 2023．
[14] Wang， Heyuan， et al． “Hierarchical Adaptive Temporal-Relational Modeling for Stock Trend Prediction．” IJCAI． 2021．
[15] Yu， Shuo， et al． “Generating Synergistic Formulaic Alpha Collections via Reinforcement Learning．” arXiv preprint arXiv：2306.12964 （2023）．
[16] Wu， Shijie， et al． “Bloomberggpt： A large language model for finance．” arXiv preprint arXiv：2303.17564 （2023）．
[17] Ding， Yujie， et al． “Integrating Stock Features and Global Information via Large Language Models for Enhanced Stock Return Prediction．” arXiv preprint arXiv：2310.05627 （2023）．
本文摘自：2024年11月12日已经发布的《量化策略2025年展望：震荡中寻机遇，静待成长之势》
分析员 刘均伟 SAC 执业证书编号：S0080520120002 SFC CE Ref：BQR365
分析员 周萧潇 SAC 执业证书编号：S0080521010006 SFC CE Ref：BRA090
分析员 古 翔 SAC 执业证书编号：S0080521010010 SFC CE Ref：BRE496
分析员 宋唯实 SAC 执业证书编号：S0080522080003 SFC CE Ref：BQG075
分析员 郑文才 SAC 执业证书编号：S0080523110003 SFC CE Ref：BTF578
分析员 陈宜筠 SAC 执业证书编号：S0080524080004 SFC CE Ref：BTZ190
分析员 曹钰婕 SAC 执业证书编号：S0080524020013 SFC CE Ref：BUA485
联系人 高思宇 SAC 执业证书编号：S0080124070007
