本报告总结华泰金工基于全频段量价融合因子与大模型(LLM)增强的文本选股体系(LLM-FADT)与若干轮动/增强策略的回测与在研表现:LLM-FADT自2017年回测年化29.05%,相对中证500年化超额26.56%,今年以来超额2.9%,但本周回撤导致本月相对中证500超额-1.5%;全频段融合因子TOP层今年以来相对全A等权超额19.98%,基于该因子构建的AI中证1000增强组合今年以来超额24.24%、信息比率3.62且年化跟踪误差6.05%;另外构建的AI行业/主题/概念轮动模型表现稳健并给出下周持仓建议。
| 指标 | 数值 |
|---|---|
| 5日RankIC均值 | 0.115 |
| TOP层年化超额收益率 | 29.57% |
| 今年以来TOP层超额收益 | 19.98% |
| 指标 | 中证1000增强组合 |
|---|---|
| 今年以来超额收益 | 24.24% |
| 自2017回测以来相对中证1000年化超额 | 21.89% |
| 年化跟踪误差 | 6.05% |
| 信息比率 | 3.62 |
| 超额收益最大回撤 | 7.55% |
| 超额收益Calmar比率 | 2.90 |
| 指标 | LLM-FADT(中证500增强) |
|---|---|
| 回测期(起) | 2017-01-26 |
| 年化收益率 | 29.05% |
| 年化波动率 | 25.65% |
| 组合夏普比率 | 1.13 |
| 相对中证500年化超额 | 26.56% |
| 信息比率 | 2.08 |
| 今年以来超额 | 2.9% |
| 本月相对中证500超额 | -1.5%(本周回撤) |
元数据与概览(引言与报告概览)
逐节深度解读
图表与视觉数据深度解读(每幅图逐一说明)
图表1:全频段融合因子分层回测超额净值(全A等权基准)
图表显示了从2017年至2025年各层(第1层至第10层)按因子分层的累积超额净值,第1层(深蓝)显著跑赢其他层并持续攀升,这说明因子在选取TOP层时具有长期稳定的超额收益能力,并且分层效果明显,即高分层和低分层之间差异持续存在。
图表2:全频段融合因子累积RankIC
累积RankIC自2017年以来近线性上升至约50点,表明因子Rank相关性长期为正且较为稳定,这强化了因子在横截面预测能力上的一致性证据。
图表3(表格):全频段融合因子分层回测指标(表格形式)
表中列出的5日RankIC均值0.115、TOP层年化超额收益29.57%及今年以来TOP层超额19.9被用作对上图定量支撑,表明报告在图表与表格层面互为佐证。
图表4:中证1000增强组合超额收益时序图
图中深蓝线为累计超额收益序列,灰色区域显示超额收益回撤(右轴),该图呈现稳健的上行态势但也存在阶段性回撤,最大回撤由表格量化为7.55%,图形与数字一致提示组合的长期稳健性与有限的超额回撤风险并存。
LLM-FADT构建流程示意图(方法论可视化)
此流程图清晰展示“原始文本 + LLM解读的五类附加文本 -> FinBERT微调 -> 隐藏层向量 -> XGBoost训练 -> 信号输出”的路径,强调了额外文本视角如何在特征层面被引入并影响最终的机器学习预测。
图表8 & 图表9:LLM-FADT中证500增强策略净值与回测绩效
图表8展示了策略净值(蓝线)与基准(浅蓝)和累计超额(红线),蓝线长期显著高于基准但在近年出现波动和回撤;图表9表格给出年化收益29.05%、波动25.65%、夏普1.13、最大回撤36.7%等指标,需注意表中“最大回撤36.70%”是策略绝对回撤而非超额回撤,这与前文强调的“超额回撤较小”并不冲突但需要区分(超额回撤与绝对回撤是不同维度)。
图表10:LLM-FADT组合逐月超额收益明细表(2017-2025逐月)
表格逐年逐月列示了超额收益分布,显示多年的超额收益存在明显的季节性与持续性贡献(例如2019-2020年多月为正并出现若干高幅月份),2025年整体年超额收益为2.9%,但12月负贡献拉低当月表现,说明短期波动对单月或单季归因重要性不容忽视。
图表11:BERT-FADT与LLM-FADT策略超额对比(回测)
比较图显示两条累计超额曲线在2017-2023年总体相近,但自2024年10月起LLM-FADT(红线)超额领先且在回撤期间的灰色填充(超额回撤)总体小于BERT-FADT(蓝色填充),报告由此得出LLM增强版在稳定性和抗回撤方面优于传统BERT-FADT的结论。
图表12与图表13:AI主题指数轮动模型表现与指标
模型自2018年回测以来年化收益16.58%、年化超额收益9.98%、超额最大回撤20.79%、超额夏普0.78,图形显示模型净值(深蓝)在多个阶段领先等权基准,且超额收益(红线)在2021-2022年及2024-2025年展现波动与回撤,表明主题轮动在市场风格切换时可能出现表现分化。
图表15与图表16:AI概念指数轮动模型表现与指标
概念指数轮动回测年化收益22.29%、年化超额收益9.84%、超额最大回撤19.19%、超额夏普0.84,图形显示该模型在近三年表现强劲,尤其在2024-2025年后升势显著,这暗示概念层面轮动在近周期内对收益的贡献度提升。
图表12(page8)与图表19(page8):因子架构示意与行业轮动模型表现
因子图说明高频序列经GRU提取得到高频特征fh,日/周/月频量价共享GRU得到低频特征,最后按权重合成用于选股;行业轮动回测给出年化收益26.49%、年化超额19.53%、超额最大回撤12.43%,图形上行业轮动模型在2024年后显著跑赢等权基准,说明行业层面的因子聚合具有长期可用性与较高的年化超额潜力。
图表21:AI行业轮动模型得分前10行业(表格)
表格显示非银行金融(得分0.92)、石油石化(0.82)、饮料(0.69)、钢铁(0.47)、电力及公用事业(0.41)等为模型在2025-12-26的首要推荐行业,报告据此给出下一周的行业配置建议,表内数值为模型打分直观体现并可用于ETF或行业基金配置参考。
估值分析
风险因素评估
批判性视角与细微差别
结论性综合(要点汇总)
附:引用的关键图表(文中所述主要图示)
(完)
华泰金工 文本选股策略超额收益收窄.pdf