东吴金工AI赋能投研：阿尔法挖掘与策略实践

研报总结

一、AI时代阿尔法来源的新探索

• 突破三大边界：拓展信息边界至非结构化数据、融合大语言模型与遗传搜索等算法生成/优化因子、开放技能给投资者
• 非结构化信息处理实践：利用大语言模型处理上市公司调研、公告文本，构建的因子与原有因子相关性低、单调性显著，在大盘股中表现更优
• 因子生成模型迭代：从1.0版（大语言模型自动组合变量生成新因子）到2.0版（引入蒙特卡洛树固化迭代方向，提升因子复杂度与可解释性）
• 工具落地：推出时空镜像、深度学习择时两项技能至阿尔法派平台，共享研究成果

二、公募基金高频持仓策略研究

• 核心目的：解决公募持仓低频滞后问题，生成连续高频仓位序列，验证其在择时、行业轮动中的增量价值
• 构建方法：分补时序（带约束回归、时间加权、稀疏化处理）与补截面（定制化季度模拟组合、还原真实持仓、港股独立处理）两步，以半年报/年报真实持仓验证，全行业平均绝对误差约千六
• 策略应用：构建公募配置趋势确认（FACT）指标，用于右侧权益择时，全样本胜率约60%-70%；将公募超配共识与价格动量结合，形成复合行业轮动因子，多头超额从0.26提升至0.9，最大回撤改善

三、二维风格择时与跨频率选指策略

• 框架设计：用月度经济信息判断成长价值、大小盘两条风格轴，形成四象限；周度用指数价量在象限内选指，每期持有2只指数
• 核心创新：交叉划分成长价值与大小盘维度，避免风格混淆；不同期限经济指标构建风格模块，保留分歧形成综合判断
• 策略效果：单成长价值轴超额年化9.67%，大小盘轴6.4%；融合四象限后超额年化15.16%，加入周度选指后提升至19.38%，近年风格切换频繁时周度调仓增量显著

四、AI Agent在主动投研的应用重构

• Agent定位：投研助手、流程引擎、知识沉淀工具，核心是数据底座与知识库构建
• 落地实践：通过万德MCP让Agent调用外部数据，封装内部数据因子库为技能；搭建内部知识库沉淀研报、笔记等，形成投研记忆；构建行业分析、指数评价等标准化技能，甚至实现投资专家讨论、结构化决策

五、衍生品指标对市场情绪的刻画与应用

• 核心逻辑：衍生品提供现货以外的未来定价信息，将指标转换为过去126个交易日的分位数，结合现货位置判断信号
• 指标体系：VIX（波动与风险）、SKEW（尾部风险）、PCR（保护程度）、基差（未来定价）
• 策略应用：结合现货高位+高VIX判断下跌信号，现货低位+高VIX判断反弹信号；样本外信号显示当前市场处于恐慌释放、修复未明的震荡阶段，大盘看VIX、中小盘看PCR与基差

六、关键结论与后续关注

• AI技术在投研中可显著拓宽数据维度、优化模型、提升效率，核心是落地到可共享的策略与工具
• 公募持仓数据、风格择时、衍生品情绪指标的结合可提升策略有效性
• 当前市场需关注波动率、基差的后续变化，确认修复行情的持续性