本次直播聚焦AI在量化选股领域的应用，重点分享AI增强的成长趋势选股策略及多模态Proactive架构下的混频因子合成方法。
AI增强成长趋势选股策略
- 策略逻辑：通过构建加速增长的基础池，剔除负面特征个股，结合进攻性和防御性因子综合打分，最终选出30只股票。核心在于识别未来能延续高增长的优质成长股。
- AI应用：利用大模型处理非结构化文本信息（如年报、半年报），提取行业竞争格局等关键信息，弥补原有策略的行业信息缺失，提升选股质量。
- 效果：结合大模型后，策略年化收益接近20%，且每年均有超额收益。文本信息年化贡献达10个百分点，尤其在2024年后表现显著增强，因行业K型分化背景下优质行业选取贡献突出。
大模型文本分析稳定性与策略应用
- 评分标准与稳定性：通过设计明确评分标准（如九个问题模板）并验证重复提问的评分一致性（大部分问题稳定，但“产品渗透率”评分波动较大），确保模型外推能力与策略稳定性。
- 策略整合：将文本评分转化为结构化数据，筛选行业需求上行且可信度高的公司，增强策略效果。回测显示自2021年起表现优于原策略。
多模态Proactive架构下的混频因子合成
- 方法：提出STD模型，利用交叉注意力机制处理日频和月频因子相关性，通过中证疫情指数成分股训练测试，构建多头组合年化超额收益23.48%。
- 模型设计：
- 输入：四维张量（样本数×因子频率×股票数量×因子数量），日频140因子，月频88因子。
- 核心机制：
- 一维卷积网络映射不同频率因子至统一特征空间。
- QKV机制动态生成相关性矩阵，增强日频信息并保持维度一致。
- 自注意力机制学习截面股票间相关性（传统模型如GRU无法实现）。
- 训练机制：滚动窗口训练（2013-2021训练，2022H1验证，2022H2-2026.3测试），引入梯度累积等工程化设计确保稳定性。
- 效果：STAR模型SR达1.36，年化超额23.48%，低频/高频任务均表现良好。消融实验显示增加网络模块和一维卷积网络均提升性能。
结论：AI（特别是大模型）通过处理非结构化文本和构建多模态因子合成模型，显著提升量化选股策略的收益和稳定性，尤其在行业分化背景下优势明显。
