广发三连发：中观资金面利率择时、Level-2逐笔订单改造分钟频因子、PB-ROE三重过滤；长江把AI智能体落成投研工具链

0. 近月脉络

近月主线集中在：深度学习因子的去风格化与稳定性（国盛WPE/CDE、广发StableAlpha）、长江高频因子的算子化方法论体系、广发把关系网络引入特征拆解（双重同伴效应），以及多模型融合与AI智能体重构投研流程。本期方向明显外扩：从股票截面因子延伸到债券利率择时的中观资金面因子库、Level-2逐笔订单对分钟频因子的整体改造，以及经典价值框架的精细化手术——“把老框架做深”与”把新数据吃透”这两条路同时被推进。

1. 本期研究灵感 ⭐

灵感点1：利率择时的”中观层”——用12大类、74个资金面指标建因子库，做日频动态投票择时并落成久期轮动 ^[1]

• 灵感点：广发金工指出利率择时此前只有两条路——宏观基本面因子（逻辑稳健但低频）与微观价量技术指标（反应敏捷但纯价格驱动），而介于两者之间的”中观资金面”维度被系统性忽略。报告构建了覆盖财政政策、参考利率、拆借利率、回购利率、央行操作等12大类、74个细分指标的因子库（候选104个，剔除缺失10%以上的指标后再做前向填充、按发布延迟滞后、一阶差分）。日频单因子用20日窗口滚动回归对中债-国债总净价（7-10年）指数择时，49个日频因子全部获得正收益且跑赢基准，表现最好的三类是：同业存单发行利率（3M兼顾灵敏度与稳定性，效果最优）、关键期限债券收益率（1Y国开/国债、10Y国债、5Y地方债、30Y美债）、资金与衍生品利率（GC001、5Y IRS）。多因子环节因资金面因子彼此高度相关，放弃回归改用”VIF剔除冗余 + 动态因子选取 + 投票模型”，11因子组合的累积收益最优（回测区间19.78%）。一个关键负面结论：月频择时基本失效（降频严重滞后+月初资金面状态难以预测整月），说明资金面因子天然是高频信号。最终应用于长债/短债/货基的久期轮动，双边万二成本下，相比等权配置长债与货基，年化收益提升1.26%的同时最大回撤降低0.61%。
• 出处：广发金工张超/陈原文/安宁宁团队——《资金面利率择时量化模型：哪些资金面指标具有利率预测性》（“量化·精选·致远-2026深度研究”第九篇）。报告自述2025年以来国债7-10年收益率震荡、传统价量择时阶段性失效，而资金面指标从另一维度仍能给出相对准确的信号。
• 启发 / 怎么用：这篇最有价值的不是某个指标，而是它示范的”中观维度补位”研究范式——当某个资产的择时信号在两端（宏观/微观）都已被挖透、且中间层还没人系统整理时，“把中间层的原始指标全量收集→做平稳性/滞后处理→单因子扫描→相关性强则改投票”是一条成本很低的路径，可平移到信用债、可转债、汇率甚至商品的内外盘价差。两个可直接借鉴的工程细节：①因子做一阶差分是必需的（同类资金面因子原始水平的相关性热力图极高，本质反映同一件事）；②当因子池内相关性高时，VIF筛选+投票比线性加权回归更稳，这个”高相关因子池的合成方案”在股票端同样适用。值得警惕的是，滚动回归窗口只有20日、样本区间2016年底起，且月频失效恰恰说明这类信号的半衰期很短，实盘需认真评估换手与冲击成本。

灵感点2：用逐笔订单数据”翻译”分钟频因子——把日内重点时段做成123个Level-2因子 ^[2]

• 灵感点：广发金工此前基于分钟频数据构建过一批有效Alpha因子，核心逻辑是先用成交量、涨跌幅、股价等指标区分日内”重点分钟时段”，再统计这些时段内的量价特征。本文把这一逻辑整体搬到逐笔订单数据上：对同一套重点时段（KeyPeriod）定义，用逐笔订单的订单类别、主买/主卖、价格、数量、金额等字段重新刻画，构建涨跌、价格、成交金额、量价协同四大类共123个因子，并对每类设置不同阈值的划分标准（如涨跌类的横盘时段、下跌前5%时段；价格类的低价时段；成交金额类的大额前30%、小额后50%；量价协同类的背离后50%）。实证（2020/1/1-2025/11/28，全市场月度换仓）：成交金额类因子最强——大成交金额时段因子RankIC均值11.23%、胜率84.8%，小成交金额时段因子-10.50%；涨跌类的横盘时段因子-5.36%/胜率85.1%；价格类低价时段因子5.59%/85.3%；量价协同类背离因子6.00%/81.5%。最值得注意的是相关性检验：涨跌、价格、量价协同三类共4个因子与Barra风格因子、深度学习因子以及同系列前序的大小单/长短单/集合竞价/市价单因子的相关系数基本在10%以内，两个成交金额类因子也控制在50%以内。
• 出处：广发金工安宁宁/陈原文/林涛团队——《用逐笔订单数据改进分钟频因子》（“海量Level 2数据因子挖掘”系列第六篇）。
• 启发 / 怎么用：这是一条”不发明新经济含义、只更换数据精度”的增量路径：同一套时段划分逻辑，从分钟频升级到逐笔订单，就能批量产出与原有因子低相关的新因子簇——对任何已有时段/事件类因子库（开盘半小时、尾盘、涨跌停打开、集合竞价）都值得照此”逐笔重算”一遍。三个细节可迁移：①”主买/主卖区分”与”多阈值划分”是两个正交的因子放大维度，等于在同一逻辑上做组合爆炸式扩张；②报告用”与深度学习因子相关性<10%“作为新因子独立性的验收标准，这个习惯值得固化；③成交金额类因子效果最强但相关性也最高，说明它对存量模型更像”已有信息的高精度版”，而涨跌/价格/量价协同类才是真正的新增量，配权时应区别对待。

灵感点3：PB-ROE的三重过滤——剔除商誉、剔除高权益乘数、要求营收增速为正 ^[3]

• 灵感点：广发金工承认PB-ROE是”富有生命力”的框架，但指出两个指标本身很粗：PB的估值锚（净资产）高度依赖会计政策选择，ROE作为账面后验指标容易被盈利之外的因素污染。改进在保留框架简洁性的前提下做三重过滤：①在低PB分段内剔除商誉占净资产比例高的公司，理由是商誉直接计入净资产会制造”估值洼地”假象，一旦减值PB会被动抬升——对照组低PB池超额7.1%、信息比0.74、相对回撤34%，剔除后改善为超额7.7%、信息比0.81、相对回撤29.6%；②剔除高权益乘数公司，用杜邦分解区分”经营所得”与”杠杆所得”——组合年化15.3%、超额9.8%、信息比0.98；③要求营业收入增速>0以识别”价值陷阱”（刻意不做营收增速排序，避免引入成长Beta）——年化15.8%、超额10.3%、信息比1.12、相对回撤19.9%。三重叠加后综合组合扣费年化19.1%、夏普0.76、相对中证全指全收益超额13.6%、信息比1.33（基础PB-ROE为14.4%/0.97/8.9%）。回测区间2010/1/29-2026/4/30，月度调仓，双边千二。
• 出处：广发金工周飞鹏/陈原文/安宁宁团队——《PB-ROE选股探讨》（“量化·精选·致远-2026深度研究”第五篇）。
• 启发 / 怎么用：这套”三重过滤”的本质是把”指标的粗糙度”当作研究对象：不新增因子，而是找出估值锚在哪几个环节会失真（会计政策、财务杠杆、业务衰退），每个失真点对应一个剔除条件，最后用单维度对照+综合组合证明增量。这个流程可原样移植到其他经典框架（PB-ROE之外的PE-G、股息率+低波、PEG），尤其”区分经营所得与杠杆所得”和”用静态指标筛出价值陷阱”是A股财务结构下的通用清洗步骤。报告刻意避免用营收增速排序、以防引入成长Beta，体现了”改动价值策略时保持风格纯度”的自觉，这一点在自建价值增强产品时尤其值得坚持。

灵感点4：用TCN学筹码分布，用多步DQN做日频择时——长江神经网络因子挖掘系列的两条技术线 ^[4]

• 灵感点：（1）筹码分布因子：基于Level-1高频数据构建更精确的筹码分布估计方法，并构造75个具有逻辑的筹码衍生特征，结合TCN（时序卷积网络）建模，因子RankIC达9.05%、多头超额收益21.76%；报告进一步优化GRU+Transformer资金流模型，合成因子在中证全指内实现32.13%的年化超额。（2）强化学习混频Multi-Step DQN择时：把DQN用于中证1000指数日频择时，学习给定市场状态下最优交易动作的潜在价值，多空策略年化收益64.9%，仓位变动连续合理、避免高频无意义切换；多步优化的DQN把多空年化收益进一步提升至79.4%。
• 出处：长江证券金融工程团队——“神经网络因子挖掘”系列第五篇（Multi-Step DQN择时）与第六篇（筹码分布因子），见《长江金工2026深度研究合集——因子选股系列》。
• 启发 / 怎么用：两条线各有独立启发。筹码分布这条线提示”把技术分析里的经典概念（筹码、成本分布）用高频数据做更精确的估计，再交给神经网络学非线性映射”，是一条既有经济学含义、又不受制于传统量价因子同质化的路径——75个衍生特征本身就是可复用的特征工程模板。DQN择时这条线最值得注意的是”仓位变动连续合理、避免高频无意义切换”这一点：强化学习用于择时常被诟病的正是动作抖动与交易磨损，报告把”连续换仓的合理性”当成正面结果来报告，说明其动作空间或奖励设计已含平滑约束，值得在自己的RL择时实验里把”动作平滑度/换手”作为显式评价指标而非事后修补。两篇均为合集摘要，训练细节（状态空间、奖励函数、调参）披露有限，落地需自行复现。

灵感点5：把AI投研做成可交付的工具链——CJPY数据服务 + MCP协议 + Skill矩阵 + WorkBuddy任务执行 ^[5]

• 灵感点：长江金工”AI投研”系列给出了三件具体产物。其一，CJPY Table——基于天软TS-OPI开发的轻量级投研数据服务，支持99张结构化数据表与40张宏观数据表，覆盖证券、基金、债券、衍生品、汇率、因子与宏观，提供交易日、行情与实时订阅能力；Python接口面向批量查询、计算、回测与落盘，并通过MCP协议以17个数据工具、文档资源和6个投研任务模板为交互查询与多步研究提供统一入口。其二，在CJPY之上延伸出”Skill矩阵”，其中行业四象限监控Skill用于跟踪行业变化、把握市场脉络。其三，WorkBuddy金融投研应用——能直接操作文件和程序，把功能从内容生成延伸到任务执行；以某化工龙头的年报更新为案例，设计研究雷达、AI投委会和投研知识库三类应用，并把结果汇总到”决策驾驶舱”页面，集中列示当前判断、证据与未决问题。
• 出处：长江证券金融工程团队——“AI投研”系列（一）（二）（三），见《长江金工2026深度研究合集——量化赋能系列》；同系列合集中还包含”投研工具箱”（一）至（八）的Excel轻量工具（ETF资金流跟踪、业绩报告监控、利率趋势择时、行业拥挤度、业绩预告、风格轮动信号、组合偏离、风险溢价）。
• 启发 / 怎么用：与近月各家访谈里”AI重构投研流程”的定性讨论相比，这篇的增量在于给出了可复制的工程分层：数据层用MCP把专业数据源标准化成工具（解决幻觉与信息滞后的根源是数据接口而非模型），流程层用Skill把专家解题步骤封装成可调用单元（免去模型反复自主拆解），执行层用WorkBuddy承接文件与程序操作，最后用”决策驾驶舱”这种”判断—证据—未决问题”三栏式页面强制留痕。最后这一点对研究团队最有价值：它把AI输出从”一段结论”变成”可审计的证据链”，与各家反复强调的”因子可溯源”是同一逻辑在流程层的落地。注意该系列为工具建设类报告，不含策略回测与效果对比，收益贡献需自行验证。

2. 方法论主题归类

• 新因子构建：广发以”商誉/权益乘数/营收增速”三重过滤重构PB-ROE ^[3]；长江给出筹码分布因子（75个衍生特征+TCN）与分析师预期偏离因子（盈利变动与估值变动之差刻画未反应错误定价）^[4]。共同特征是”不发明新逻辑，而是对经典指标做粗糙度手术”。
• 模型与算法：长江的TCN/GRU-Transformer因子合成与Multi-Step DQN择时 ^[4]、把AI智能体落成工具链的AI投研系列 ^[5]，延续了近月”从单因子生产转向系统化能力整合”的主线。
• 数据驱动：广发用逐笔订单数据整体改造分钟频因子（123个KeyPeriod因子、与既有因子相关性<10%）^[2]；长江基于Level-1高频做更精确的筹码分布估计 ^[4]。两条线都在”同一逻辑、更高数据精度”的维度上找增量。
• 框架与方法：广发把利率择时从宏观/微观推进到中观资金面维度，并示范了”高相关因子池→VIF筛选+投票模型”的合成方案，最后落到久期轮动这一可交易表达 ^[1]。

3. 值得持续追踪的系列

• 广发金工”量化·精选·致远-2026深度研究”：本期连发第五篇（PB-ROE选股探讨）^[3]、第六篇（Level-2改进分钟频因子）^[2]、第九篇（资金面利率择时）^[1]，是本周方法论密度最高的系列。
• 广发金工”海量Level 2数据因子挖掘”系列：本期第六篇 ^[2]，前五篇已积累大小单、长短单、集合竞价、市价单等因子，第六篇把战火烧到”重点时段”这一新切面，可关注后续是否覆盖撤单、订单簿失衡等更细粒度字段。
• 长江金工”神经网络因子挖掘”系列：第五篇Multi-Step DQN择时、第六篇筹码分布因子 ^[4]，是该团队”高频数据+神经网络”路线的主干，值得跟踪其状态空间/奖励设计与合成因子在中证全指外的落地。
• 长江金工”AI投研”系列：一至三篇 ^[5]，从数据服务（CJPY）→Skill矩阵→任务执行（WorkBuddy）三层递进，配套”投研工具箱”已更新至第八期，是观察卖方投研基础设施化最完整的样本。
• 长江金工”多因子选股”与”高频因子”系列：多因子选股已至第二十二期（分析师预期偏离因子）^[4]，高频因子已至第二十期（时间点划分因子）^[4]，前者延续”财务/预期数据的信息分解”路线，后者延续离散向量算子分类学。
• 申万金工”因子观察”系列：已更新至第13期（视觉大模型ViT选股）与第12期（因子偏度与峰度约束方案）^[6][7]，其中ViT一篇早前简报已详述，此处仅作系列追踪。

附：补充信源

• ^[8] 申万金工 — 价值风格指数：策略差异解构与配置价值（SmartBeta策略研究系列）：用聚类把百余只价值指数分为港股通/大盘/小微盘/智选/复合/中盘/小盘七类，指出大盘、中小微盘、智选复合、港股通四类超额相关性多在10%以内，并据此用风险平价构建多策略价值组合，年化约11%，显著优于传统价值指数约6.5%。
• ^[7] 申万金工 — 因子观察第12期：以因子五组权重偏离平方和定义偏度、以前10%极值股票暴露偏差定义峰度，实证”波动率五档中性 + 高波/动量/大市值峰度中性”的四约束方案在六个不同Alpha模型上普适有效。
• ^[4] 长江金工 — 多因子选股（二十二）：分析师预期偏离因子——把价格变动拆为盈利变动驱动与估值变动驱动，两者差值视为预期未完全反应的错误定价。
• ^[9] 长江金工 — 主动量化系列：分析师盈利预期的行业轮动因子（超预期/预期增长/首次覆盖后量价驱动的有效性排序）、黄金对实际利率的非对称定价、GARP策略的PE-PEG九宫格分类体系。
• ^[10] 兴证金工 — 近一年深度合集：基于剪接交换算法的稀疏学习、基于条件异质性识别的高频因子构建、长短信号与市场状态结合下的深度学习模型改进。
• ^[11] 国盛金工 — 成果精选：基于流动性冲击事件的逐笔羊群效应因子（“高频数据+离散化”理念的具体实践）、基于订单聚集现象的高频量价因子。
• ^[12] 国信金工 — 年度成果精选：隐式框架下的特质类因子改进、财务报表中的Alpha因子扩容与增强、日内特殊时刻蕴含的主力资金Alpha信息。
• ^[6] 申万金工 — 成果巡礼：基于吸收率的A股风险识别框架、使用因子分域提升指数增强组合超额收益、基于资金流数据的筹码结构因子。

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。