组合约束精细化为偏度峰度控制、深度学习多市场状态融合、基金经理能力圈因子化

0. 近月脉络

近几周灵感简报持续覆盖申万宏源对组合约束的精细化迭代（因子分域、波动率五档、高动量中性）、兴业金工对深度学习模型的持续改进（此前已有基线GRU及分域训练），以及广发/国盛在因子挖掘AI化与高频/另类数据上的拓展。本期三篇报告分别将这三条线推到了新深度：申万的偏度峰度约束是此前分域思路的进阶变体；兴业的深度学习框架在模型内部引入市场状态残差化与外部条件化两条增强路径；国盛的选基因子则将能力评估从收益截面下沉到板块行为胜率。

1. 本期研究灵感 ⭐

灵感点1：因子偏度与峰度约束——从分布和极值两个维度精细控制组合暴露
^[1]

• 灵感点：申万宏源将此前”波动率分五档偏离”（偏度控制）和”高动量前10%中性”（峰度控制）统一到偏度峰度框架下，系统测试了动量、波动、市值三个因子的峰度中性效果，发现对高波动极值的峰度控制收益提升和回撤改善均优于动量。最终推荐”四约束方案”：波动率分布五档中性（偏度）+ 高波动/动量/大市值前10%中性（三因子峰度）。在六个不同alpha组合上平均年化超额提升1.15%，回撤改善超4%，且在2026年”一九行情”样本外有效。
• 出处：申万宏源杨俊文/邓虎团队——“申万金工因子观察第12期”，是分域约束系列研究的深化升级。
• 启发/怎么用：这一方案的价值在于将优化约束从”对某个风格暴露设上限”提升到”控制因子分布的偏度和峰度”，本质上是用统计矩的思维做组合管理。研究者可以直接将”四约束”套用到自己的多因子组合中，只需在优化器里加入三条额外约束：要求组合在波动率上的五组权重与指数一致，并对波动、动量、市值因子得分前10%的个股总权重与指数中性。该方法对中证500/1000效果最显著，建议优先在此类股票池测试。另外可以尝试扩展——对更多因子（如流动性、反转）做峰度控制，看是否有新发现。

灵感点2：深度学习选股模型的系统化增强：从长短信号到内外市场状态融合
^[2]

• 灵感点：兴业金工以GRU时序模型为基础，逐步构建四层增强：第一步通过多任务（10D+5D）与PCGrad梯度修正、加上路径监督，强化长短信号结合（沪深300超额从5.60%提升至11.71%）；第二步引入内生市场状态分支，从股票隐藏状态的横截面中自动识别潜在市场状态并做残差化剥离，显著降低了超额回撤（沪深300超额最大回撤从8.58%降至4.96%）；第三步引入外部市场信息（宽基量价）通过FiLM机制对股票隐藏状态进行条件化调制，提升收益（沪深300超额升至13.52%）；第四步将内外分支合并，在大盘股票池上持续提供增量。
• 出处：兴业证券郑兆磊/陈子轩团队——“机器学习系列十一”，是系列模型的系统化演进。
• 启发/怎么用：这篇报告展示了一条清晰且可复制的深度学习模型改进路径。最值得借鉴的是”潜在市场状态残差化”这一设计——它不是简单地分状态训练，而是从横截面统计中生成状态方向然后从个股表征中减去共同成分，这种”剥离共同风险暴露”的思路可以迁移到任何时序模型（LSTM、Transformer）中做风险调整。此外，外部FiLM调制方法也适用于多源数据融合（如宏观指标+量价特征）。研究者可以用其提供的完备框架做”自查”：你的模型目前处于哪一层？如果只有基模，可以依次加入长短信号、市场状态。

灵感点3：基金经理能力圈因子——广度与稀缺度的FOF选基新框架
^[3]

• 灵感点：国盛金工首次将基金经理的板块选股能力量化为两个选基因子。广度因子：统计基金经理在各板块的主动增仓股票后续是否跑赢板块平均，胜率跨板块加权后得到能力圈广度，Rank IC均值5.27%，多头年化超额6.81%。稀缺度因子：衡量基金经理擅长板块的竞争格局（该板块中擅长者越少则稀缺度越高），Rank IC均值4.52%，多头超额4.56%。两个因子相关性低（0.36），组合时采用”先选广度Top50、再剔除稀缺度后50%“的复合策略，FOF组合年化超额7.84%，信息比1.52，且在牛熊市均有较好表现。同时提供了板块定向选基的标签化应用。
• 出处：国盛金工杨昕宇/沈芷琦团队——“国盛金工’选基因子’系列研究（一）“，是全新的选基因子构建框架。
• 启发/怎么用：这篇报告将基金经理的选股能力从”整体超额收益”下沉到”板块层面的增仓胜率”，提供了更精细的分析粒度。研究者可以复用其框架：用自己定义的板块划分（如中信行业、主题板块），计算每只基金各板块的增仓胜率，再合成广度因子。稀缺度因子的加入提醒我们：能力圈的”独特性”本身也是Alpha——在竞争激烈的板块即使胜率高也可能最终被摊薄。这套方法可扩展到私募基金或海外基金，也可用于指数基金经理评价。

2. 方法论主题归类

• 新因子构建：申万宏源将”因子偏度/峰度”本身作为优化目标，提出四约束方案^[1]；国盛金工构建了基金经理能力圈广度因子和稀缺度因子^[3]。
• 模型与算法：兴业金工在深度学习选股中创新性地融合了多任务路径监督、内生市场状态残差化、外部市场FiLM调制等增强机制^[2]。
• 框架与方法：申万宏源的偏度峰度约束方案为组合优化提供了新视角^[1]；国盛金工的选基因子框架为FOF选基提供了从持仓行为到板块标签的完整方法论^[3]。

3. 值得持续追踪的系列

• 申万宏源 “申万金工因子观察”系列：第12期《量化组合的因子偏度和峰度约束方案》^[1]，延续了该系列对组合优化约束的精细化迭代，可关注后续是否拓展到其他因子或市场。
• 兴业金工 “机器学习系列”：第11期《长短信号与市场状态结合下的深度学习模型改进》^[2]，系列已从基础GRU演进到内外市场状态融合，后续可关注其在端到端合模型或风格因子建模上的应用。
• 国盛金工 “选基因子系列”：首期《基金经理能力圈：广度、稀缺度与标签化选基》^[3]，该系列可能后续拓展到不同基金类型或与Barra因子结合。

---

附：补充信源

• 本期其余报告（^[4][5][6][7]）为跟踪型周报（多因子选股周报、主动量化策略周报、因子风格周报、择时周报），无方法论或新因子创新。^[8]为基金经理访谈，虽包含方法理念但无可复现的实证细节，未单独展开。

本报告为卖方金工研究的灵感摘录，方法与结论以各家原始报告为准，不构成投资建议。