推荐指数：★★☆☆☆
AI速读：报告解析公募与私募指数增强基金的十大核心问题，指出公募指增在风控和沪深300增强赛道有优势、2024年300/500/1000增强平均超额分别为0.86%/1.63%/4.47%，私募在500/1000增强超额更高（3.45%/10.29%）但回撤更大；通过聚类分析可识别基金经理流派、特殊交易日表现反映策略风格，部分公募“含AI量”高且AI技术广泛应用，规模对超额的影响需分截面（未必负相关）和时序（可能负相关）看待；配置上公募指增超额弱均值回复、短期回撤或为时机，私募适合持有，国证2000等小市值及行业平衡指数增强具潜力，指增ETF费率低透明可替代被动ETF；主动权益适合牛市及大盘成长风格，被动依赖Beta配置能力，指增需优选赛道与管理人，公募私募各有优劣、选品核心在管理人能力，需警惕历史规律失效风险并结合市场风格与自身需求决策。
2. 研报标题：20250210-招商证券-由宏观周期下行业轮动策略引发的思考：行业动量策略的改进与ETF组合落地 ]article_adlist-->推荐指数：★★★☆☆
AI速读：报告首先分析行业动量效应成因，指出龙头股因信息透明、流动性好等因素呈现动量效应，而行业指数因市值加权特性继承这一效应，同时发现行业动量在熊市、高波动或牛熊快速切换、拥挤度过高时易失效。基于此，报告提出改进策略：将行业动量拆分为龙头股动量和非龙头股反转因子，结合牛熊、高波环境判断进行动量择时，并叠加拥挤度惩罚，构建的拥挤度惩罚复合修正动量择时策略，2010年底以来多头年化收益达16.20%，RankIC均值9.82%。在策略落地方面，构建等权和基于中证800权重的不等权ETF行业轮动策略，2018年底以来年化收益分别为18.46%和25.23%，后者与中证800结合的指数增强策略年化超额7.64%。
3. 研报标题：20250211-国金证券-量化漫谈系列之十四：DeepSeek部署与蒸馏模型推理评测 ]article_adlist-->推荐指数：★★☆☆☆
AI速读：报告介绍了DeepSeek模型的多种使用方式，包括通过OpenAISDK、ollama工具及vllm库进行调用和本地化部署，展示了不同部署方式的代码示例，tp官方网站下载app如使用OpenAI接口实现对话和推理、通过ollama运行模型以及利用vllm进行模型推理等。同时提及模型配置与性能对比相关内容， tp官方网站下载app但文档中具体对比数据未详细呈现。最后提示了大语言模型存在输出随机性、迭代导致结论差异及可能出现错误答案等风险。
4. 研报标题：20250211-国盛证券-量化专题报告：“量价淘金”选股因子系列研究（十），订单簿资金流因子簇的构建与生产加速——基于Memory Map的分段读取性能优势 ]article_adlist-->推荐指数：★★★★☆
AI速读：在数据存储与读写方面，Memory Map技术展现显著性能优势，其分段读取速度约为Parquet的280倍、CSV的350倍，大幅提升因子计算效率。因子构建上，通过“设计资金流指标—是否标准化—计算因子”三步骤，基于订单簿数据设计多维度指标，结合分段数据降频处理，构建约 10 万个因子并筛选出 50 个有效因子组成因子簇。其中，样本内信息比率最高的 10 因子等权合成的综合因子表现优异，2016-2024 年全体 A 股中月度 RankIC 均值 0.110，年化 RankICIR 达 4.24，10 分组多空对冲年化收益 41.37%。基于该综合因子构建的沪深 300、中证 500、中证 1000 指数增强组合，超额年化收益分别为 6.66%、10.72%、15.97%。
5. 研报标题：20250214-华福证券-金融工程专题：风格强弱势区间中行业K线形态的运转逻辑 ]article_adlist-->推荐指数：★★★★☆
AI速读：报告首先将K线形态分为单根K线、多根K线组合、成交量、价格区间四类，通过定量规则划分形态分类，发现单一形态有一定预测胜率，组合形态胜率更高。不同风格区间下形态运转差异显著：价值占优时，成交量放量、价格顶部等形态对负向收益提示更有效；成长占优时，成交量放量、价格底部、均线收敛至低位等形态对正向收益提示更优。基于此构建买卖点策略，成长占优阶段捕捉买点，价值占优阶段规避卖点，结合相对夏普比测算风格占优概率调整策略。回测显示，2015年1月至2025年1月，因子排名前3、5、6名的行业组合年化收益分别为9.78%、9.11%、7.60%，胜率58.33%-60.00%。2025年2月策略推荐关注家电、轻工制造、建材、传媒、农林牧渔、建筑行业。
6. 研报标题：20250216-国泰君安-金融工程2025年春季策略报告：AI赋能金工研究，量化配置稳健守正 ]article_adlist-->推荐指数：★★★☆☆
AI速读：报告聚焦AI赋能金融工程研究，探讨量化配置策略。报告指出，通过深度学习模型（如TCN、TimesNet、MASTER+GRU）构建选股因子，可提升全市场选股、风格轮动及行业轮动策略表现，例如周度调仓的深度学习因子RankIC约10%，多头组年化超额收益达30%。在风格轮动方面，结合宏观、估值、基本面等维度构建月度模型，纯量价周度模型辅助调整，2016年以来月度模型超额年化收益8.15%，周度模型超额年化收益7.19%。资产配置层面，基于风险平价和动量风险预算策略，结合风格轮动信号优化股债等资产配置，风险平价策略年化收益5.07%，动量风险预算策略年化收益5.83%，均优于传统基准。
上文中所提到的研报，可以点击标题跳转到原公众号文章，或者扫描知识星球二维码下载。
风险提示：本文中的所有内容仅代表个人立场，不代表所在机构或其它任何机构的观点，更不构成任何投资建议。 本文根据国际和行业通行的准则，以合法渠道取得这些信息，尽可能保证可靠、准确和完整，但并不保证报告所述信息的准确性和完整性。本报告不能作为投资研究决策的依据，不能作为道义的、责任的和法律的依据或者凭证，无论是否已经明示或暗示。
]article_adlist-->（转自：浪说量化）