本报告深入分析了2024年9月24日以来A股市场的表现及其背后的资金驱动因素，并从早盘交易集中度、委托金额、筹码充足率、程序化交易比例四个微观视角观察市场特征。同时，报告回顾了2023年以来多种高频因子的表现，发现“拆单”相关因子表现亮眼。

• 市场热情的点燃: 2024年9月24日，国家出台了一系列超预期举措，包括“降息”、创设新的货币政策工具以及引导提升上市公司质量等，迅速点燃了A股市场的投资热情。上证指数在9月24日至10月8日期间累计涨幅超过26%。
• 成交量屡创新高: 价格上涨进一步盘活了市场交易量，2024年10月8日京沪深三市成交额更是创下3.48万亿的历史纪录，此后成交规模屡破万亿。
• 被动投资的重要性: 被动投资在行情初期发挥了重要作用。报告指出，“沪深300指数成分股内ETF持仓占比近4个季度有所增加”，投资者通过购买ETF为指数上涨提供了流动性，并提升了整体投资情绪。
• 杠杆资金的支撑: 融资融券余额的快速增长是放量行情的重要支撑。截至2025年8月4日，全市场融资融券余额已超过1.99万亿，突破2024年以来历史高点，并自7月份以来呈现加速抬升的迹象。
• 量价齐升与散户参与: 量价齐升，赚钱效应放大是此轮行情的核心驱动因素。市场赚钱效应刺激下，散户参与意愿增加，这与2017年以来机构占比增加的大体趋势有所不同，对量价规律产生影响。

报告从四个微观维度推测投资者结构变化，而非进行确定数值测算：

• 早盘交易集中度:
• 定义: 早盘（9:30-10:00）成交的股票数量与全天成交量之比，反映投资者对股票交易的急迫性。
• 观察: 截至2025年8月4日，集中比例约为25%，维持在2024年“新国九条”颁布以前的水平。
• 含义: 比值过高表明交易产生拥挤，需注意后续下跌风险。
• 委托金额:
• 定义: 平均一笔订单委托金额的变化，间接反映市场中机构和散户参与比例的动态变化。
• 观察: “当前各市场平均单笔金额相比2024年8月都有明显的提高。”
• 含义: 游资和机构交易占比提升，大额订单涌入抬高了委托金额平均水平。
• 筹码充足率:
• 定义: 除总成交量外，结合股票订单簿（盘口）状态判断市场交易筹码是否充足，通过订单簿厚度（金额深度）和交易冲击成本衡量。
• 观察: “2024年9月以来订单簿逐渐增厚”，“伴随订单簿厚度增加，冲击成本降低”。
• 含义: 本轮行情资金驱动特征在微盘股中尤其明显。2025年1月和4月微盘股回调是因为流动性供给不足，而当前流动性供给相对充足。
• 程序化交易比例:
• 定义: 高频（挂单时长小于1秒）订单的撤回数量占全部撤单的比例，描述程序化交易在交易中的影响。
• 观察: “高频撤单的平均比例在逐渐增加，程序化交易在A股市场内被广泛使用”。2024年“新国九条”等政策限制高频交易后，其使用变得克制，但在放量阶段，高交易活跃度为调整后的高频策略提供了更多空间，因此“高频撤单比例在2024年9月以来明显增长”。

报告回顾了多项高频因子在2023年以来的表现：

• 高维记忆_MEMO因子:
• 原理: 通过符号处理方法，刻画一笔订单与后续几笔订单的关系，关联性越强，说明机构在交易中贡献度越高。
• 表现: “2023年以来多空收益29.3%”。
• 强反转_SR因子:
• 原理: 在分钟级别上，利用分钟频单笔成交金额对日内涨跌幅进行切割，构造强反转因子。
• 表现: “2023年以来多空收益19.7%”。
• 彩票委托_LOTTERY因子:
• 原理: 报价习惯上，以“彩票博弈”心理在涨停价挂卖单或跌停价挂买单通常是散户行为。该类委托占比越高，说明交易者结构中散户特征占主导，缺乏机构投资者的标的价格表现往往偏差。
• 表现: “2023年以来多空收益32.9%”。

• 报告强调，所有模型均基于历史数据测试，未来市场可能发生变化，因此存在风险。

本研究报告旨在解决A股市场市值风格择时难题，通过结合趋势模型和拐点模型，构建了一个有效的市值因子择时模型。该模型能够显著提升收益，同时降低最大回撤和最长新高天数，并已成功应用于沪深300与中证2000的轮动策略中。

为了确保择时结论的普适性和可应用性，报告对市值因子进行了合理定义，使其既贴合BARRA定义以应用于指数增强产品，又兼顾主流宽基指数成分股范围以应用于宽基指数ETF轮动。

定义包括以下步骤：

• 剔除上市不满63个交易日的股票。
• 剔除过去63日平均成交额位于后10%的股票。
• 剔除ST、*ST、停牌的股票和北交所股票。
• 在剩余股票中，按过去63日平均总市值从高到低划分为十组，第一组为大市值组，第十组为小市值组。
• “小市值组个股每日对数收益率的均值，减去大市值组个股每日对数收益率的均值，等于市值因子每日收益率。”

趋势模型旨在从宏观层面捕捉市值因子的中长期走势，信号偏右侧。

• 组成维度： 经济增长和流动性。
• 判断方法： 采用“多组双均线系统”判断趋势，以应对指标噪声和降低参数敏感性，通过统计45组参数的金叉/死叉比例来评分。
• 市值因子自身趋势择时表现不佳： “在训练集上，市值因子自身趋势的择时效果差强人意。……无论X取何值，最长新高天数相较基准改善均有限。” 这表明仅依赖市值因子自身趋势难以有效捕捉大幅突破或破位行情。
• 经济增长维度：先验逻辑： “经济增长越景气，大市值公司的盈利状况越好，其股价越容易跑赢小市值公司，即景气利空小市值是本节的先验逻辑。”
• 指标： 选取了5个高频经济增长指标，涵盖外需和内需。
• 回测表现： 各种X取值下，业绩指标相较基准均有显著改善，且参数鲁棒。最优X值为0.65。
• 流动性维度：先验逻辑： “流动性越宽松，小市值公司越容易以低成本的资金开展经营，其估值端弹性相较大市值公司更大，即宽松利好小市值是本节的先验逻辑。”
• 指标： 选取了4个高频流动性指标，涵盖短端到长端利率。
• 回测表现： 各种X取值下，业绩指标相较基准均有显著改善，且参数鲁棒。最优X值为0.60。

拐点模型旨在从交易情绪出发，捕捉市值风格在极端交易情绪后的反转机会，信号偏左侧。

• 核心理念： 交易拥挤度，即当市场出现高动量、高成交、高波动、趋势趋同等特点时，风格可能面临反转风险。
• 指标类型： 构建了十类拥挤度指标，包括：

1. 动量之差（14个子指标）
2. 成交额之比（14个子指标）
3. 换手率之比（14个子指标）
4. 波动率之比（12个子指标）
5. 真实波幅之比（14个子指标）
6. 涨跌比之差（14个子指标）
7. 强势股占比之差（6个子指标）
8. 配对相关性之差（6个子指标）
9. 第一主成分贡献率之差（6个子指标）
10. 风险对冲系数之差（6个子指标）

• 有效性检验： 采用“门限测试”检验子指标能否有效提示市值风格的反转机会。测试要求子指标对小市值和大市值风格反转均有效。
• 通过门限测试的指标： 共有8类指标（除波动率之比和强势股占比之差外）的38个子指标通过了门限测试。
• 拥挤度得分计算： 通过逐层整合子指标，最终得到小市值拥挤度得分和大市值拥挤度得分。“市值拥挤度得分在训练集上也是可以通过门限测试的。”
• 小市值拥挤度得分越接近100%越拥挤，大市值拥挤度得分越接近0%越拥挤。
• 拥挤度得分通常能在市值因子反转之前达到极端值，提供提前20个交易日的预警。例如：“2024-01-10 小市值风格发生反转，而小市值风格拥挤度自 2023-10-24 起一直大于 95%。”

将趋势模型和拐点模型融合，以实现更优的市值因子择时效果。

• 趋势模型得分： 经济增长维度和流动性维度各提供+1（看好小市值）、-1（看好大市值）、0（维持前期）分，总分在-2到+2之间。
• 拐点模型得分： 具有“一票否决”作用，得分设定为+2、-2或0。
• 若最近20个交易日有两个交易日小市值拥挤度得分大于阈值C（提示小市值风格拥挤），则记为-2分。
• 若最近20个交易日有两个交易日大市值拥挤度得分小于阈值1-C（提示大市值风格拥挤），则记为+2分。
• 其他情况记为0分。
• 总得分： 趋势模型得分与拐点模型得分相加。
• 总得分≥1：开仓市值因子。
• 总得分≤-1：清仓市值因子。
• 总得分=0：维持先前仓位。
• 最优方案： “趋势(开仓阈值0.60)与拐点(高拥挤阈值95%)模型结合的方案在市值因子择时上的表现最优。”
• 相较市值因子基准，年化收益和回归年化收益分别提升13.09 pct和12.69 pct。
• 最大回撤下降31.94 pct。
• 最长新高天数下降1100个交易日。
• 调仓频率较低，仅17次开仓。

将最优择时方案应用于沪深300（大市值代表）与中证2000（小市值代表）的轮动策略。

• 回测区间： 2014年6月30日至2025年4月30日。
• 策略表现：年化收益率为21.02%，跑赢等权基准13.74%。
• 回归年化收益提升14.27 pct。
• 夏普比率提升0.50。
• 最大回撤下降7.75 pct。
• 最长新高天数为600个交易日，而基准组合至今未修复2015年高点。
• 存在问题： 2021年以来，轮动组合相对基准组合的超额收益波动增大，信号胜率下降，这可能与中证2000指数的成分股演变有关，其已不再是纯粹的小市值风格代表。

• 过拟合挑战： 择时模型普遍存在过拟合问题。本研究通过多指标打分、多组双均线系统等方法降低敏感性，但指标选取仍有风险。
• 提升模型可靠性： “模型的可靠性等于信号的IC乘以样本宽度”，因此在固定训练集情况下，只能提升采样频率（使用高频宏观数据和日频交易数据）。
• 实际应用建议： “小市值风格拥挤只是小市值风格回撤的必要非充分条件，回撤的发生还需要实质性利空事件的“点火”。” 建议在实际操作中结合主观判断和宏观事件，灵活运用模型信号，避免机械遵循。

1. 历史规律失效： 模型基于历史规律总结，但历史规律可能失效，特别是中国经济转型过程中，传统制造业指标的指示意义可能下降。
2. 方法学迁移限制： 本方法学不一定能直接迁移到其他A股风格（例如红利风格）。
3. 指数不代表投资意见： 报告涉及的宽基指数不代表任何投资意见，投资者应谨慎理性看待。

> 20250724-招商证券-基本面量化系列研究之三：基于自由现金流的投资全解析

本报告是招商证券基本面量化系列研究的第三篇，深入探讨了“自由现金流（Free Cash Flow to Firm, FCFF）”这一核心财务指标在A股市场的应用。报告旨在全面解析A股上市公司自由现金流的概况、行业特征、与红利的关系，以及其在不同市场环境下的表现。在此基础上，报告构建了基于自由现金流的择时策略和主动量化选股策略，并取得了显著的超额收益。

报告指出，自由现金流是评估企业盈利能力、资本配置效率和财务健康度的关键指标，它代表了企业在覆盖所有必要经营费用和投资支出后，可供自主分配的现金余额，直接体现了企业对权益投资者和债权人的价值创造能力，是投资分析中的核心跟踪指标。

• 定义与计算： 自由现金流（FCFF）的概念由汤姆·卡普兰教授于1990年系统阐述，其计算公式为： $$ {FCFF} = {EBIT} + D& A - {Tax} - \text{Working Capital Changes - Capital Expenditure} $$ 其中，EBIT为息税前利润，D&A为折旧和摊销，Tax为税款，Working Capital Changes为净营运资本变动，Capital Expenditure为资本支出。
• 整体趋势： 2010-2024年间，A股上市公司（非金融地产）的自由现金流整体呈现稳健上行趋势，尽管伴有周期性波动。同期，自由现金流为正的企业比例持续攀升，而为负的企业比重同步回落，印证了A股市场整体现金创造能力的提升和财务结构的优化。
• 构成项分析：现金流入（EBITDA）： A股上市公司的EBITDA平均水平持续提升。
• 现金流出： 资本支出占比最高，且近年来规模整体扩张，但资本支出的平均回报产出持续改善，EBITDA与资本支出的差额始终维持正值。所得税支出占比小且稳定。净营运资本变动波动较大，但近年来整体呈现边际改善趋势，表明上市公司经营效率提高。
• 现金转化效率： A股上市公司将盈利转化为自由现金流的效率（FCFF/EBITDA）自2010年以来整体提升。

• 行业分布： “上游重资产行业凭借其强劲的盈利能力、高效的营运资本管理和国有企业主导的行业格局，展现出更优的自由现金流水平。” 煤炭、钢铁、交通运输等行业的自由现金流为正的公司占比平均最高，近六年基本保持在60%以上，其自由现金流/企业价值平均值也更为优异。
• 原因分析：高盈利能力： 煤炭、钢铁、交通运输等中上游重资产行业进入门槛高，多为国有企业经营，形成“护城河”保障其高盈利。
• 高效营运资本管理： 煤炭和钢铁等上游重资产行业的净营运资本增量均值多为负值，表明运营效率持续提升。这与国企稳健经营、短期偿债压力小、以及供给侧改革带来的更强议价能力和更低交易成本有关。
• 高资本开支： 电力及公用事业、煤炭、石油石化、交通运输、基础化工、钢铁等重资产行业普遍资本开支较大。

• 显著关联： 自由现金流与红利之间存在显著关联，中证现金流全收益指数与中证红利全收益指数的相关系数高达0.96。
• “蓄水池”作用： “自由现金流是企业经营活动产生的现金净额扣除必要支出后的剩余现金，体现了企业可自由分配给投资者的现金储备。简单来说，自由现金流可以看作是企业分红的‘蓄水池’——它代表了企业潜在的分红能力，是未兑现的分红。”
• 前瞻性： 自由现金流对于红利具有前瞻性。自由现金流为正的公司，其分红公司数量占比和平均股息率均显著更高，表明充裕的自由现金流为企业分红提供了财务基础和支付能力。

• 预测能力： 报告指出，自由现金流对未来分红有很强的预测能力。“以历史自由现金流水平筛选出的公司，其未来实际分红能力甚至优于历史高分红的公司。” 2014-2024年间，800现金流指数与中证现金流指数的平均股息率均高于中证红利指数，尤其在2017、2022和2023年表现出显著优势。

• 协同效应： 自由现金流充裕且分红意愿强的公司，其股价表现更优。“高自由现金流且分红意愿强的公司股价表现更优，即在自由现金流策略中引入红利因子，可进一步提升策略表现。” 在中证现金流指数成分股中，股息率因子和股息支付率因子均表现良好，验证了红利因子对自由现金流策略的增强作用。

• 超额收益： 自中证现金流指数成立以来，相对于中证红利指数取得了显著的超额收益，年化超额收益达5.90%，信息比为0.66。

• 长期有效性： “自由现金流是一种值得长期坚持的策略风格。” 自2014年以来，中证现金流全收益指数相较于中证全指、沪深300、中证500及中证1000等主流宽基指数持续实现稳健超额回报，年化超额收益分别达到11.78%、11.15%、13.10%与14.36%，年度胜率均达到66.67%以上，展现出极强的稳定性和穿越周期的能力。

• 紧货币周期优势： “在紧货币与紧信用周期中，由于流动性趋紧、利率上行、市场可贷资金萎缩，那些内部积累更加雄厚的‘现金牛’公司更有可能维系其正常的生产经营活动乃至逆势扩张。” 紧货币周期下，中证现金流指数的年化超额收益达到24.44%，信息比率为1.85，远高于宽货币周期。

• 紧信用周期优势： “当市场上的可贷资金萎缩时，内部积累更加雄厚的‘现金牛’公司资金压力更小、经营更可持续，因此更受投资者追捧。” 紧信用周期下，中证现金流指数的年化超额收益达到22.32%，信息比率为1.59，远高于宽信用周期。

• 择时策略效果：基于货币周期： 在紧货币周期持有中证自由现金流全收益指数，宽货币周期持有中证全指。自2017年以来，实现8.65%的年化超额收益。
• 基于信用周期： 在紧信用周期持有中证自由现金流全收益指数，宽信用周期持有中证全指全收益。自2017年以来，实现12.46%的年化超额收益。

• 共同点： 均通过自由现金流率排序筛选、自由现金流加权、成分股权重上限10%、剔除金融和房地产行业、季度调仓。
• 差异点： 样本空间、成分股数量和具体筛选逻辑（如富时额外关注波动性和成长性）存在差异，导致平均市值和个股集中度不同。
• 集中度： “自由现金流指数表现出极高的个股集中度，2025年6月指数调整后，中证、国证、300、800现金流指数的前五大成分股占比均接近40%，富时现金流的前五大成分股占比更是达到50%。”
• 行业分布： 成分股行业分布显著向中上游行业倾斜，石油石化、交通运输和煤炭行业占比最高（合计约39%），反映了上游重资产行业在现金流创造能力上的优势。
• 风格暴露： 各指数普遍呈现“高分红、高盈利、低估值、低波动”的风格特征。

• 中证全指自由现金流指数挂钩产品最多（12只ETF）。
• 国证现金流指数跟踪基金规模最大，合计52.15亿元。
• 华夏基金的自由现金流ETF（159201.SZ）和国泰基金的现金流ETF（159399.SZ）规模领先，分别为36.28亿元和29.02亿元，均为2025年2月成立的市场最早的自由现金流主题ETF。

• 计算方法： 报告选用FCFF3（汤姆·卡普兰教授的计算公式）作为后续自由现金流因子的计算方法，因其计算简洁、数据可靠且被主流指数广泛采用。
• FCFF与FCFE：FCFF（企业自由现金流）： 代表企业整体可自由支配现金流，适用于与企业价值匹配。
• FCFE（股权自由现金流）： 代表归属于股东的现金流，适用于与市值匹配。
• 三大维度因子： 构建了估值类、质量类和增长类自由现金流因子。

• TTM口径优势： 因子TTM（过去十二个月）口径整体优于单季度口径，能够有效平滑季节性波动和偶发因素干扰。
• FCFF优势： 企业自由现金流（FCFF）的表现普遍强于股权自由现金流（FCFE），因FCFF更全面体现企业整体自由现金流水平。
• 最优因子：估值类： FCFFEV(TTM) - Rank IC均值2.98%，Rank ICIR 1.84。剔除自由现金流为负的股票后效果显著提升。
• 质量类： 自由现金流占EBITDA比重(TTM) - Rank IC均值1.89%，Rank ICIR 1.83，多空收益6.85%，单调性强。
• 增长类： FCFF(TTM)增长率 - Rank IC均值1.12%，Rank ICIR 1.44。

报告构建了一个基于自由现金流风格的主动量化选股策略，旨在实现更高的投资回报。

• 样本空间： 剔除上市不足一年、ST及*ST股票，以及金融和房地产行业股票。
• 初筛条件： 仅保留自由现金流为正、企业价值为正且过去五年经营活动现金流净额均为正的股票；剔除盈利质量后20%的个股。
• 自由现金流精选： 融合FCFFEV(TTM)、自由现金流占EBITDA比重(TTM)及FCFF(TTM)增长率三个最优因子，进行市值行业中性化处理后等权加总，形成综合自由现金流因子。筛选因子得分前50%的个股。
• 综合股票池： 将自建现金流股票池与主流现金流指数成分股合并去重，形成综合现金流股票池，平均每期包含约540只股票，最新近900只，主要集中于煤炭、交通运输、钢铁等自由现金流充裕的行业。

• 多因子增强： 引入估值、质量、分红和动量四大维度共八个细分因子对现金流股票池进行增强。
• 估值： 筛选被低估的“廉价”个股。
• 质量： 引入ROE因子和ROE稳定性因子。
• 红利： 引入红利类因子，进一步增强策略表现。
• 动量： 捕捉市场短期变化，提升策略灵活性与收益。
• 组合构建： 基于因子滚动12个月Rank ICIR加权构建复合因子，每月第一个交易日依据复合因子打分，选择得分最高的前30只股票等权构建组合，行业权重上限20%，双边千分之三交易费用。

• 总收益： 自2014年以来，该策略年化收益达33.86%。
• 超额收益： 相较于中证现金流全收益指数，年化超额收益15.41%。
• 相对于沪深300、500、800和1000现金流全收益指数，年化超额收益分别为19.76%、21.35%、15.51%和20.41%。
• 相对于中证500和中证800指数，年化超额收益分别达29.84%和29.22%，信息比分别为2.63和2.05，月度胜率分别达75.54%和69.78%。
• 排名： 策略在大多数年份表现均位居主动股基前列，自2014年以来平均排名分位点为19.20%，2021年以来始终维持在前10%。
• 组合特征： 平均市值为233亿元，月度单边换手率48%（年度单边换手率5.76倍）。
• 风格暴露： 策略组合相较于中证全指具有“低估值、低杠杆、高盈利、低波动”的风格特征。

本报告结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。

> 20250715-华鑫证券-系统化定量投资之八：掘金龙虎榜，活跃资金如何指导小微盘投资

这份研究报告深入分析了中国A股市场的资金流动，特别是通过“龙虎榜”数据揭示活跃资金（如游资）如何影响小盘股的投资。报告首先概述了影响市场涨跌的“五碗面”，并强调增量资金在决定市场主线中的关键作用。其次，它详细介绍了不同类型投资者（如外资、公募基金、险资和“国家队”）的投资偏好及其对市场板块表现的影响。最后，报告着重探讨了龙虎榜作为追踪活跃资金的重要工具，并提出了一套基于龙虎榜数据的小微盘择时策略，该策略在历史回测中表现出优异的收益和风险控制能力。

> 20250726-开源证券-市场微观结构研究系列（28）：因子切割论与深度学习的结合应用

该文件详细介绍了开源证券金融工程研究团队开发的因子切割论及其与深度学习的结合应用。报告首先回顾了因子切割论这一方法论，它旨在通过“对象”、“刀法”和“产出”三要素来剖析市场精细结构，以理想反转因子的构建为例进行了阐述。接着，文章引入了双分支差异网络模型（DBD-GRU），该模型将切割论思想与GRU模型相结合，用于改进和优化现有金融因子。报告通过实证分析，展示了DBD-GRU模型在理想振幅因子、理想反转因子和主动买卖因子上的优异表现，并强调了其信息增量和在不同宽基指数中的良好应用效果，但同时提示了基于历史数据模型的风险。

> 20250422-东方证券-因子选股系列之一一四：盈余公告异象类因子改进与挖掘

这篇研究报告探讨了在因子选股中，如何改进和挖掘基于盈余公告异象的量价因子。报告首先指出，尽管AI深度学习因子在处理大量数据时表现出色，但在盈余公告这类小样本事件中，人工因子挖掘更具优势。因此，研究聚焦于盈余公告事件窗口，旨在开发低相关性的量价因子，以弥补现有因子组合的不足。通过改进传统AOG因子的缺陷，例如跨日可比性和知情交易者干扰，研究构建了DEMAX超预期因子和QUANTILE盈利质量因子，并验证了它们稳健的选股能力和对现有因子体系的增量提升。此外，报告还提出了一个事件驱动型因子挖掘框架，并展示了如何通过复用该框架，利用其他价量特征（如最低价涨跌幅、早盘大单资金流入）衍生出更多有效的选股因子。

> 20250731-民生证券-量化专题报告：Deep_Timing，日内信息与相似度学习驱动择时

这份民生证券的量化专题报告详细阐述了基于深度学习的股票择时策略。报告首先介绍了其利用日频和分钟频数据构建股票收益预测模型的方法，并展示了其在个股择时上的显著效果。随后，报告引入了SimStock模型，通过自监督学习预测股票相似度，并将这种属性信息整合到收益预测模型中，进一步提升了策略的表现。最后，研究探讨了将个股信号合成至指数层面的择时应用，证明了该方法在宽基指数、行业及风格指数上均能跑赢大多数基准，尤其在高波动性行业中表现突出。

> 20250803【国盛金工】“量价淘金”选股因子系列研究_十三_：事件簇：量价事件驱动信号的规模化生产

这份国盛金工的研究报告，题为**“量价淘金”选股因子系列研究(十三) 事件簇：量价事件驱动信号的规模化生产**，着重探讨了在当前截面多因子策略竞争激烈的市场环境下，如何通过**“时序”视角挖掘新的Alpha信息。报告详细阐述了利用高频量价数据，多维度、多视角地识别趋势资金的交易行为，并批量生成“事件簇”，从而构建更稳定、更有效的量价事件驱动策略。此外，报告还介绍了趋势资金事件信号的其他应用**，包括构建风险股票池和用于指数择时，并提供了相关回测数据以验证其有效性，但同时提示了基于历史数据和模型的潜在风险。

> 20250805-国信证券-金融工程专题研究：财务报表中的Alpha因子扩容与增强

这份研究报告深入探讨了如何扩展和增强金融市场中的Alpha因子库，特别是侧重于从公司财务报表中挖掘更多有价值的信息。报告首先介绍了通过定义运算规则和利用多样化的财务数据源来生成大量潜在因子的方法，并在此基础上筛选出具有预测能力的有效因子。其次，研究详细阐述了通过改进传统算子和引入财务附注、业绩预告等新数据，来提升经典因子的表现和提供增量信息。最后，报告提出了一种**“聚类-扩容-合成”的新型因子合成策略**，该方法解决了传统合成中可能出现的风格偏离问题，并通过因子关联度定义和聚类技术对因子进行分类和增强，最终构建出表现显著优于传统方法的“聚类增强因子”。

> 20250804-民生证券-量化大势研判：预期成长优势差继续扩大

这份研报深入探讨了量化投资的风格判断框架，旨在解决市场风格系统性轮动难题。报告将股票资产的风格分为外延成长、质量成长、质量红利、价值红利和破产价值五种阶段，并通过**“有没有（好资产）”和“（好资产）贵不贵”的比较方法来识别最具优势的细分板块。该框架自2009年以来表现良好，特别强调预期成长和实际成长类资产的优势持续扩大**，并据此提供了2025年8月的具体行业配置建议，但同时提醒读者注意量化模型的潜在风险。