华泰金工 | AI量价、文本策略齐遇回撤

AI中证1000指增策略超额收益持续回撤

截至2026年5月22日，全频段融合因子今年以来TOP层相对全A等权基准的超额收益为1.95%，自2017年初回测以来TOP层年化超额收益率28.48%，5日RankIC均值11.2%。基于全频段因子构建的AI中证1000增强组合本周超额收益为-1.48%，今年以来超额收益为-4.58%，自2017年初回测以来相对中证1000年化超额收益率为20.42%，年化跟踪误差为6.13%，信息比率为3.33，超额收益最大回撤为10.22%，超额收益Calmar比率为2.00。

文本LLM-FADT组合2026年超额收益转负

在前期BERT-FADT基础上，我们借助大模型（LLM）补充标题新解、行情催化剂、“言外之意”、潜在风险、收益指引等额外解读，构建LLM-FADT文本选股策略。截至2026年5月22日，文本LLM-FADT组合5月相对中证500超额收益-2.5%，2026年超额收益-1.6%，本周超额收益遭遇回撤。自2017年初回测以来年化收益率29.23%，相对中证500超额年化收益24.87%，组合夏普比率1.14，信息比率1.96。

AI行业轮动模型：未来一周推荐煤炭、非银、石油石化等行业

AI行业轮动模型使用全频段量价融合因子对32个一级行业打分并构建周频调仓策略，每周选取5个行业等权配置。截至2026年5月22日，模型2017年初回测以来年化收益率为26.54%，相对等权基准年化超额收益率为19.44%，今年以来绝对收益9.32%，超额收益7.67%。模型未来一周将持有煤炭、非银行金融、石油石化、消费者服务、银行5个行业。

AI主题概念指数轮动：未来一周推荐物流、微盘股等指数

AI主题指数轮动模型使用全频段量价融合因子对133个主题指数打分并构建周频调仓策略，每周选取10个主题指数等权配置。截至2026年5月22日，模型2018年初回测以来年化收益率为16.18%，相对等权基准年化超额收益率为9.05%，今年以来绝对收益3.24%，超额收益-3.11%，AI主题指数轮动模型未来一周推荐持有CS物流、国证油气、金融科技、中证旅游、中证影视等指数。AI概念指数轮动模型未来一周推荐持有万得微盘股、乳业、水产、银行精选、煤炭等指数。

全频段融合因子表现跟踪

华泰金工研报《基于全频段量价特征的选股模型》（2023.12.8）中，首先用深度学习模型训练27个高频因子，得到高频深度学习因子；接着利用多任务学习对低频量价数据进行端到端挖掘，得到低频多任务因子；最后合成为全频段融合因子。

华泰金工中证1000增强组合构建方法如下：

1.因子：全频段融合因子。

2.组合构建方式：成分股权重不低于80%，个股权重偏离上限为0.8%，Barra暴露小于0.3，周双边换手率控制为30%，周频调仓，交易费用为双边千分之四。

文本LLM-FADT选股组合近期表现跟踪

在前期研究《人工智能92：LLM-FADT：大模型增强文本选股》（2025-06-10）中，我们考虑到原始分析师研报虽然通常以精确有效的信息传达为核心目标，然而受限于篇幅、语言组织等方面，对于读者而言，研报中或多或少蕴含着需要额外梳理的信息。我们对研报标题及摘要提出多个问题，例如“标题是否聚焦核心信息，是否需要重构”，“内容是否着重凸显行情催化剂”，“原文内容之外隐含哪些信息”，“有无潜在风险尚无明确表达或遗漏”，“对于股票未来收益指引如何”，要求大模型逐一发表见解，以体现大模型对文本的“博观”解读。

LLM-FADT构建流程与前期报告《人工智能63：再探文本FADT选股》（20221028）基本一致。不同之处在于，输入给微调版FinBERT的研报文本包括6类：原始文本、标题新解、行情催化剂、“言外之意”、潜在风险、收益指引，后5个部分即为大模型对原始文本进行额外解读的视角。FinBERT将以上文本逐一转化为文本特征向量，由此一来，后续的XGBoost模型训练时将获得更为丰富的文本信息输入。

相比于仅依赖原始文本的BERT-FADT，LLM-FADT策略总体更为稳定，超额回撤相对较小。自2024年10月以来，LLM-FADT策略超额总体稳定跑赢BERT-FADT，近期LLM-FADT超额持续反弹，优于BERT-FADT。

AI行业轮动模型表现跟踪

华泰金工使用深度学习模型对全频段量价数据进行信息提取，得到具有不错选股效果的因子（参见2023年12月8日发布的报告《基于全频段量价特征的选股模型》）。进一步使用行业成分股的量价因子得分对每个行业打分，选择得分最高的5个行业等权配置，构建自下而上的行业轮动策略。AI行业轮动模型能够利用AI模型的特征提取能力，充分挖掘多频段量价数据中的规律，与自上而下策略形成互补。

华泰金工AI行业轮动模型构建方法如下：

1.行业池：主要为一级行业，其中食品饮料拆成食品、饮料和酒类，有色金属拆成工业金属、贵金属和稀有金属，不考虑综合和综合金融，共有32个行业。

2.因子：全频段量价融合因子。使用行业成分股的因子得分对每个行业打分。

3.策略规则：每周最后一个交易日选择模型得分最高的5个行业等权配置，以下周第一个交易日收盘价买入，周频调仓，不计交易成本。

AI主题指数轮动模型表现跟踪

华泰金工AI主题指数轮动模型构建方法如下：

1.主题指数池：根据Wind的ETF基金分类，选取主题ETF基金跟踪的指数形成主题指数池，共有133个主题指数。

2.因子：全频段量价融合因子，参见报告《基于全频段量价特征的选股模型》（2023.12.8）。使用主题指数成分股的因子得分对每个主题指数打分。

3.策略规则：每周最后一个交易日选择模型得分最高的10个主题指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四。

AI概念指数轮动模型表现跟踪

华泰金工AI概念指数轮动模型构建方法如下：

1.概念指数池：选取Wind热门概念指数，共有72个概念指数。

2.因子：全频段量价融合因子。使用概念指数成分股的因子得分对每个概念指数打分。

3.策略规则：每周最后一个交易日选择模型得分最高的10个概念指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四。

风险提示

通过人工智能模型构建选股策略是历史经验的总结，若市场规律改变，存在失效的可能。人工智能模型可解释程度较低，归因较困难，使用须谨慎。

研报《金工：  AI量价、文本策略齐遇回撤》2026年5月24日