本报告提出:大模型多模态与Agentic AI将成为投研工具链的核心,带来信息源和自动化投研效率的跃升;同时在资产配置上判断2026年为“科技 + 周期”双主线,市场驱动将从估值向盈利进一步偏移;在选股与量化策略上,针对指增/AI因子拥挤和失效问题,报告提出外围多周期择时框架与模型层面的针对性优化(LightGBM样本加权+Huber Loss,GRU引入Attention/Memory+CVaR Loss),实证显示能明显降低回撤并提升风险调整后收益
| 指标 | 值 |
|---|---|
| 年化收益 | 22.32% |
| 年化超额 | 4.15% |
| 年化波动率 | 5.42% |
| 最大回撤 | -3.10% |
| Calmar 比率 | 4.12 |
| 卡玛比率 (Calmar?) | 7.21 |
| Sortino | 9.88 |
| 信息比率 (IR) | 1.42 |
| 买入胜率 | 77.78% |
| 卖出胜率 | 75.00% |
元数据与概览(引言与报告概览)
报告标题为“国金证券金融工程2026年度策略:拥抱AI投研巨浪,迎接量化投资新篇章”,发布机构为国金证券研究所,发布日期显示为2025年12月31日/2026年1月1日(报告页脚与末尾信息),报告作者列示为国金金融工程团队与多位证券分析师(如高智威、赵妍、许坤圣、胡正阳)并给出联系方式与SAC执业编号。
报告核心议题聚焦三条主线:一是大模型生态与投研应用(多模态 + Agentic AI)将加速落地并改变投研流程;二是2026年资产配置的宏观与风格判断(“科技 + 周期”双主线、市场从估值驱动向盈利驱动迁移);三是量化/指增类AI选股策略的失效原因分析及模型/外围风控优化(包括LightGBM与GRU的具体改进、全自动择时框架与因子挖掘的前沿技术路线)。
逐节深度解读
一、大模型生态与投研应用展望(章节1)
核心结论与脉络:报告认为闭源模型仍占主导,但开源模型份额提升且国产开源在国内使用中占比较高;多模态与工具调用能力成为竞争关键,Agentic AI 基础设施趋于成熟并促成投研专家型Agent的落地。
证据与数据解读:Open Router 的Token使用量统计显示闭源模型在大多数通用场景占比约80%,但中国开源模型使用量呈上升并在重要开源模型发布时出现显著跃升(如DeepSeek-R1、Qwen3系列发布点)。报告并指出Open Router为海外平台,可能低估国产模型的真实占比。
多模态与Benchmark:报告列举多模态、工具调用、长上下文等多维评价基准(表格列出MMLU、AgentBench、MMMU等代表性测试集),指出评价维度已多元化并将影响模型选型与产品矩阵化策略。该表强调在投研环节,模型的“工具调用/行动规划/多模态理解”能力与Token效率同样关键。
Agentic AI:报告指出工具调用(Function Calling)与MCP生态的完善,使得Agent产品(如智能编程IDE、DeepResearch类系统)落地门槛降低并迅速增长,推理类模型使用量在一年内占比上升至超过50%。该上升由OpenRouter/a16z统计图支持,反映出Agent/推理任务在模型调用中的比重正在快速攀升。
投研落地场景与样例:报告举例说明多模态在投研的具体用途——包括直接识别K线图、从视频/图像中提取第一手信息、自动生成PPT与数字人路演等应用,并展示Gemini3Pro对K线图的识别与PPT生成示例,表明多模态能提升信息利用率与工作效率。
逻辑与假设检视:报告假设多模态/Agent能力持续提升将带来投研工具替代与效率改进,但同时承认合规性要求导致“本地部署 + 定制化”成为金融机构落地的常态路径。该现实约束影响到数据接入、隐私隔离与外部模型调用选择。
二、2026年资产配置年度策略展望(章节2)
宏观判断要点:报告把中国当前经济判定为“弱复苏”,制造业PMI回升但斜率不高;上下游通胀处于触底回升,海外降息与AI基建资本开支将支持2026年上游通胀回升;内需仍需政策托底,地产拖累有望逐步缓和。
图表解析(图表14-15):图表显示中采制造业PMI与PPI+工业增加值组合的历史走势,报告据此判断2025至今属弱复苏区间;上下游通胀(PPI、CPI)图表同样显示回升迹象但幅度有限。
海外利率与AI开支推论:报告用CME FedWatch隐含概率与Polymarket对候选美联储主席倾向数据推断美联储在2026年可能实现降息(多次会议隐含降息区间),并通过对美国大型云数据商资本开支占FCF比例的测算预期2026年数据中心建设将扩大,从而带动上游需求与价格。相关表格/图表在报告中逐项列出并作为其通胀回升逻辑的支撑。
风格与行业配置结论:在风格上,报告建议从小盘成长偏向大盘均衡(微盘向茅指数切换),红利板块保持稳健配置;行业上强调对基本面因子(质量、超预期、调研/分析师预期等)继续关注,认为质量与盈利因子在明年仍具表现机会。
三、因子选股与指增AI策略失效分析(章节3)
失效原因归纳:报告认为2024-2025年风格剧烈轮动、策略拥挤与同质化是AI选股与指增策略集体回撤的核心驱因,尤其当小市值因子拥挤触顶后发生均值回归时,基于历史路径的AI策略难以及时中性化,导致回撤放大。
外围风控与择时框架:为应对AI模型在极端中表现脆弱的事实,报告提出并实证了一个“多类、多周期事件化的全自动择时框架”(三层:数据清洗、指标预处理、事件化处理 + Softmax加权合成),并将该择时系统作为GRU模型的外围风控装置以触发空仓/减仓,从而在回测中显著提升夏普、卡玛比率并降低最大回撤。
四、AI核心模型的针对性优化(章节3.4)
LightGBM专项优化:报告在预测端引入“动态高质量样本加权”(基于信息系数IC反向筛选在回撤期仍稳健的样本并上权)并在训练端使用Huber Loss替代MSE以提高鲁棒性。实证显示多头超额最大回撤由8.84%降至5.88%,卡玛比率由2.88提升至4.07,并降低了对市值、流动性等投机风格的暴露。
GRU架构重塑:报告提出用Attention Pooling替代末态取值并加入可读写的Memory模块,同时在损失函数中纳入CVaR(针对最大20%误差样本进行目标优化),使模型学会优先记忆极端/难预测样本模式,从而在遇到相似危机时能检索并响应。该改进使GRU多头超额收益提升至25.84%、最大回撤降至8.54%、卡玛比率升至约3.02。
五、前沿技术与因子挖掘(章节3.5)
强化学习 + 生成式AI:报告规划把LLM用于“描述到代码”并以RL作为质量筛选/优化回路(目标函数包括IC/IR、换手率与交易成本),实现自动化因子生成—回测—迭代闭环,旨在跳出传统线性因子空间挖掘非线性Alpha。流程示意图展示了从数据到Alpha组合的生成与反馈回路。
时空图神经网络(STGNN):报告建议构建动态金融图谱(节点=公司,边=产业链/股权/行业关系),结合图卷积与时间序列模型以捕捉产业链传导与板块轮动,从而克服孤立时间序列分析的局限。流程图与多模态因子挖掘示意补充了技术路线。
六、权益基金展望(章节4)
主动权益基金Alpha回归(结论):报告统计显示2025年万得偏股混合型基金指数相对万得全A与沪深300的超额收益回升(分别约6.46%与14.08%),且科技主题基金在行业主题中超额收益中位数最高(约28.35%),支持“主动基金在2025年回归”的结论。
监管新规影响(结论):报告引用2025年下发的业绩比较基准与风格管理征求意见稿,认为在偏离基准受限、风格漂移监管加强的背景下,未来主动基金的超额收益将更依赖于“自下而上”的选股Alpha而非大幅偏离基准的行业/风格押注。
产品选择建议:基于“科技 + 周期哑铃型配置”框架,报告建议在科技端以主动权益基金为核心仓位并配合ETF捕捉短期赛道机会;在周期端优先主动权益以把握基本面与估值切换机会,同时推荐对标宽基的资金考虑低成本ETF替代(因主动偏离受限)。
图表深度解读(挑选关键图表并逐一解析)
图表1(Token使用量堆叠图,page 2):图示按周展示Closed/Chinese OSS/RoW OSS的Token量,结论是闭源长期占优但开源份额在2025年出现数次跳升点(对应开源模型发布),并注记OpenRouter统计口径存在地域偏差可能低估国产调用量。视觉上红色面积持续扩大但橙绿色逐渐显著,提示“闭源稳占用量+开源快速追赶”的双向趋势。限制:Token量并不等同于模型质量/付费量,且平台用户画像与接口接入差异会影响代表性。
图表2(多元化Benchmark表,page 2):列举知识推理、指令跟随、工具调用、多模态等基准与代表测试集,支持“评价维度已多元化”的论断。限制:不同基准的评分尺度与数据集覆盖不同,单一分数无法完全衡量模型在特定行业应用(如投研)中的适配性。
图表4(推理模型使用比重,page 4):绿色区域(reasoning)自2025年上半年起快速膨胀并超过50%阈值,说明推理/Agent类任务在调用结构中占比提升,强化“Agent落地”论断。注意:定义“reasoning”的判定方法与数据预处理对该比值影响较大。
图表5(Gemini3Pro识别K线示例,page 5):示例展示模型对K线图、均线与量能特征的文字化分析,说明多模态可直接识别图形细节以用于投研。局限:示例为单点demo,未提供规模化识别准确率或多品种鲁棒性指标。
图表14-15(宏观景气与通胀图,page 8):中采制造业PMI/ PPI+工业增加值时间序列证明经济处于弱复苏;PPI与CPI显示通胀处于温和回升。限制:宏观变量受短期基数与季节性影响,外生政策冲击可能改变趋势。
图表41-45(AI与传统策略绩效对比,page 14-15):展示AI/非线性与传统线性策略在2025年中期风格切换期间的超额净值差异,结论是AI策略回撤更深,显示历史路径依赖与同质化带来的脆弱性。限制:图示为样本内表现,策略实施的实际交易成本、容量与滑点可能削弱这些回测结果。
图表51-53(择时策略绩效,page 18):展示择时策略在实证测试中的净值与分年度收益及关键指标,支撑“外围择时能有效降低AI模型尾部损失”的结论。需注意回测区间、信号延迟与实施摩擦对实盘效果的影响。
估值分析(报告中关于估值方法的说明)
风险因素评估(报告识别并量化的风险)
报告明确列出若干风险项:历史数据与模型回测在政策/市场环境改变时可能失效;国际政治摩擦或系统性同向波动风险;政策环境改变导致模型因子失效;大语言模型回答的随机性与可能错误;交易成本/执行条件变化导致策略收益下降或亏损;历史收益不代表未来。报告在“风险提示”章节对这些风险进行了详列。
另外,报告在多处提醒数据口径与样本来源限制(例如Open Router的海外偏差),并在模型优化中通过外围择时、Huber Loss、CVaR等手段尝试降低模型对极端事件与同质化风险的敏感度,但并未对未来监管变动的具体概率做量化。
批判性视角与细微差别(审慎观察)
数据代表性与外推风险:报告对大模型生态的结论在很大程度上依赖于Open Router/a16z等第三方统计数据,但报告本身也承认这些数据在国产模型调用计量上存在低估问题,这意味着一些关于“闭源占比80%”的结论需结合更完整的本地平台数据审慎解读。
回测/实证局限:文中多个优化与择时回测展示了显著提升(如卡玛比率/最大回撤改善),但报告未详细披露交易成本、容量约束、执行滑点与市场冲击假设,故实盘可复制性需进一步检验。
同质化与样本外风险:报告强调AI策略同质化问题并提出高质量样本加权与外围择时来对冲,但若行业整体因子结构发生根本转变(如政策驱动的估值重估),这些历史IC/ICIR驱动的筛选逻辑仍可能失效。
结论性综合(要点回顾与投资要点)
技术与应用结论:多模态与Agentic AI为投研工具链带来实质性变革机会(提升信息覆盖、自动化生成与流程效率),但金融合规与数据隔离促成“本地部署 + 定制化”成为落地常态。
宏观与资产配置结论:2026年展望为“科技 + 周期”双主线、市场由估值驱动向盈利驱动偏移,风格从小盘成长向大盘均衡倾斜,红利与质量因子具防御与配置价值。
量化选股结论:AI/非线性模型在常态市场能提供超额,但在风格剧烈切换与策略拥挤时脆弱;因此需通过模型端优化(Huber Loss、CVaR、注意力+Memory)与体系端保护(多类事件化择时、因子多样化、STGNN等)并举以提高稳健性。
基金与产品选择结论:在监管收紧基准偏离与风格漂移的背景下,主动权益基金的超额来源将更依赖选股Alpha;对标宽基的资金可优先考虑低成本ETF,而科技/周期主题在哑铃配置下可混合采用主动与被动工具以兼顾选股能力与成本效率。
附注(方法与溯源)
风险提示(再次提醒)
2026年度策略 拥抱AI投研巨浪,迎接量化投资新篇章.pdf