2024年金融工程2025年度策略：LLM破局Alpha困境，拥抱Beta大时代

一、大模型加速迭代，开启智能投研新纪元

当前，大模型头部格局已基本确定，技术迭代速度逐步放慢。海外的闭源大模型已经形成 以 ChatGPT 模型为首，Gemini、Claude 等模型紧随的格局，开源模型方向则是以 Llama 系 列最为突出，此外也有部分模型能在一些差异化应用场景中表现突出，各厂商均有代表性 的模型产品。开源闭源模型差距逐步缩小。同时为了适配终端算力受限的场景，小参数模 型也在快速发展。展望 2025 年，我们认为大模型层面将有以下发展趋势：

1.1 交互型多模态大模型将成为主流

多模态指文字、音频、视频等不同模态的输入信息可以在同一个模型中得到反馈；而交互 型则是对大模型的响应速度做出更高要求。多个模态之间信息可以起到互补作用，多模态 的互动更贴合人类实际交流方式。因此这类模型能满足更多样的使用需求，开拓更丰富的 大模型应用场景，加速大模型在各类场景中的应用落地。

在 GPT-4o 模型之前，我们想要通过大模型实现语音对话功能实际上需要多个步骤，即从 音频中识别文字输入大模型，得到回答后再由文本转回音频。这一过程实际会损失大量信 息，包括语气、音调等，此外图像、视频中包含的丰富信息也无法有效使用。GPT-4o 模型 将图像、文字、语音等模态的训练集成到同一个神经网络中，是实现原生多模态的大模型。 这类模型能够捕捉相同对象在不同模态中的相似特征，并在生成时能以指定的模态进行输 出。 交互型大模型要求模型能做到极低延迟，能实现人类正常对话式的相应速度。GPT-4o 在 低延时的基础上，还能实现对话的随时打断，更贴近人类真实对话场景，实际上这得益于 端到端架构与流式输入模式的结合。大模型能在用户输入的过程中就准备回应，对用户的 暂停进行实时反馈，使交流更加流畅。 除了 GPT-4o 之外，Google 的 PaLM-E、Gemini 与 Meta 的 Chameleon 等也是原生多模态模 型，均能将不同模态的输入通过整合输入同一个 Transformer 模型中，而不需要单独的图 像或文本编码器。

国内方面，目前大模型产品也在迅速跟进多模态方面的功能，例如商汤的日日新 5o、智谱 清言等也已实现类似的多模态实时交互能力，此外如豆包、通义千问大模型应用还只能实 现音频通话，底层也是基于语音转文字后再得到反馈再以语音输出的形式，交互流畅性上 较一般。因此，国内大模型在多模态交互方面将有较多发展。

1.2 强化学习是模型智能提升的主要方法

OpenAI 于 2024 年 9 月推出的 o1 模型通过模仿人类的思维过程，实现了在定理推导、代 码撰写等专业领域推理能力的显著增强，其中使用到的就是强化学习与“思维链”技术。 具体而言，OpenAI 通过强化学习帮助 o1 模型学会生成更加准确的思维链，对高质量思维 链的使用也能显著提升模型在长程思维问题方面的表现。

这实现了 Self-play RL 的训练模式，类似于围棋领域深度学习模型 AlphaGo 向 AlphaZero 的转变。传统的思维链技术只是基于结果正确与否对思维链的生成进行反馈，模型只能进 行被动学习；而强化学习则是对思维链的生成设计了一套奖惩机制，使得模型能自主地探 索最优思维链的生成。 强化学习使得模型能够在参数量不变的前提下，获得显著的推理能力提升。这一改进不再 关注于模型预训练（Pre-Training）能力的提升，而是在后训练（Post-Training）阶段 带来突破，是绕开预训练 Scaling Law 提升模型推理能力的新范式。不过，强化学习的应 用也对训练算力的要求大幅上升，此外训练后的模型只在特定领域内推理能力有显著上升， 且只在领域内具有较好的泛化能力。 强化学习的引入为大模型能力提升带来了新的思路，后续模型算力增加、训练效率提升， 以及如何在特点领域的数据中更好地发挥强化学习的能力，还有大量可持续推进的内容。

1.3 训练数据是模型长期发展的关键

根据 Scaling Law，训练数据量是大模型性能力的决定性因素之一，且目前模型并未触及 理论上限，越多的训练数据仍将带来更好的模型效果。但人类生成的语言与视觉数据是有 限的，训练数据将在可见的未来首先面临耗尽的问题。 据 Epoch AI 预测，人类生成数据集将基本在 2028 年前后被全部利用于模型训练，在 2032 年之前将完全耗尽。届时，人类生成数据量的不足可能成为大模型发展的最大限制。

合成数据是目前业界解决数据缺乏问题的主要途径。我们可以通过一个大模型生成训练数 据，再用于另一个大模型的训练，以此完成模型从被动输入数据的学习转向自动创造数据 的自主学习。但目前合成数据的技术并不成熟，合成数据的质量较差，这也导致合成数据 在用于模型训练时存在局限性。也因此我们判断相关技术将在未来继续演进，并相对模型 架构等其他研究领域率先获得突破。

1.4 端侧小模型发展加速

我们预测，小参数模型将拥有更广泛的应用场景发展。目前有许多应用场景面临端侧算力 受限的情况，譬如在离线终端设备上运行大模型，此时我们只能使用参数量较小的小模型。 在未来，除了 AIPC 与手机，小模型还可能部署在汽车、机器人等终端上，因此定性看， 小模型的训练和推理需求依旧较高。 当前，Google 的 Gemini Nano 模型是典型代表，其包含 1.8B 和 3.25B 两个版本，已经实 现在 Pixel 8 Pro 手机上的部署；此外也有开源的 Mixtral 8*7B，在多项测评中表现甚 至超过了 GPT-3.5。 另一个趋势是，厂商在尝试将性能较好的大模型通过“蒸馏“等训练方法进行参数量的压 缩，使其迁移到参数量更小的模型上去。譬如 Google 发布的 Gemini 1.5 Flash 就是在 Gemini Pro 的基础上得到，在相近的模型性能之下求得更快的响应速度，10 月份更是推 出了 Gemini 1.5 Flash-8B，进一步追求参数量的缩减。

除了以上几点之外，其他诸如 Agent 的应用研究、RAG 技术的广泛应用等也都是大模型相 关研究的发展前景，我们也在此前的报告中提及。模型自身的效果提升也将进一步推进应 用研究，大模型在金融领域的应用方面也同样有开阔的展望空间。

1.5 模型应用展望

伴随大模型响应速度的提升、交互能力的增强，我们判断未来将有大量相关应用快速落地。 在教育、医疗、办公、游戏等领域，大模型将凭借出色的交互能力发挥优势，提供软件类 应用。以教育为例，在大模型辅助下传统的线上教育将更加便利，可以轻松针对不同的学 习者制定一对一计划，且更贴近真人的交互体验将使得教育效果明显提升；在数学、编程 等课程上，大模型还将发挥其逻辑推理的优势，帮助使用者更好完成学习任务。 除了纯软件形式的服务，若我们赋予大模型环境交互能力，也能带来“具身智能”类型的 应用。这类应用允许大模型通过接口直接操作现实物体。当前业界正在探索的人形机器人、 智能座舱和智能家居等，正属于这一类型。比如 Figure AI 与 OpenAI 合作推出的人形机 器人，实现了人类语言控制机器人进行实际操作，背后就是借助了大模型来实现语义理解、 指令生成等步骤。

而在金融领域，我们认为大模型同样拥有广泛的应用空间。大模型为挖掘非结构化数据打 开了丰富的想象空间。此前 BERT、TF-IDF 等传统的 NLP 模型只能针对文本进行简单的情 感判断和语义识别任务，判断准确度一般且使用方法单一，只适用于构建舆情策略。相比 之下，大模型的能力圈更广泛，可完成的任务也更多样。

1.6 主动投研赋能

大模型可以为为日常工作带来诸多便利。我们可以使用大模型来帮助报告阅读、纪要整理 等，减轻日常工作的负荷。借由大模型对文本的整理与分析能力，我们能从文本中自动找 出关键的观点段落，或是让大模型对研报、纪要进行总结，提升寻找关键信息的效率。 除了辅助日常工作之外，大模型也可以为专业投资工作带来帮助，将投资判断的流程大幅 度自动化。譬如我们需要汇总不同证券研究团队对市场、行业的判断，就可以通过大模型 批量化读取文件，并按照设计好的提示词模板从文件中提取我们需要的观点部分，最后对 全市场的报告观点进行汇总，总结当前各机构观点之间的共性与分歧。这一流程省去了我 们大批量的重复性工作，提升效率。

此外，大模型同样可以应用于报告撰写、交易询价、合规风控、智能问答等金融场景中， 起到为从业者提升工作效率的作用，这些都属于大模型为日常工作的赋能范围。 实际上，当前已有许多这方面的应用推出，譬如辅助读研报的 WarrenQ、AlphaEngine，辅 助分析会议纪要的 Alpha 派等，都是较成熟的大模型投研赋能工具。我们认为未来将会有 更多类似的大模型应用或产品出现，提供其他金融场景解决方案。

1.7 投资决策生成

除了使用大模型辅助投资工作外，我们还可以使用大模型给出投资决策，搭建完整的投资 策略。两者的区别在于，后者与投资的结合更加紧密，且通常需要借助 Agent 概念搭建一 个复杂的系统来完成任务。 最简单的，我们可以发挥大语言模型对文本情感的识别能力，用于判断新闻、论坛评论等 文本数据的情感倾向，并最终综合出量化打分，由此构建选股或择时策略。相比之下，大 模型对文本情感判断更准确，得到的策略效果更好。实际上，这是大模型较为初级的使用 方法，并没有跳脱出传统 NLP 模型在投资领域的应用思路，也没有完全发挥出大模型的优 势。 我们在此给出另一个大模型用于投资决策生成的案例：热点概念解构。我们可以设计一个 Agent 专门用于梳理投资概念的产业链上下游图谱与概念股结果。针对我们指定的任意概 念名称，它能模仿人类研究员自动搜索相关的研报、新闻等信息作为补充的知识，并从中 梳理出产业链上下游结构，再更进一步从文本中识别出相关的概念股。对一些刚出现的概 念，这一应用能帮助投资者在短时间内快速把握投资概念，不错过潜在的投资机会。

国金金融工程团队已在大模型研究方面进行布局，并不断探索大模型应用的前沿场景。目 前我们已经基于大模型实现了纪要研报分析、核心信息提取、数据智能筛选、热点投资解 构等多项成果，我们认为可以构建大模型应用来完成以下任务中的投资决策生成：行业投 研智能体设计、宏观产业政策解析、定性+定量智能化选基框架。

我们预测，2025 年也将有更多类似的基于大模型的投资策略或工具被设计出来，在各细 分领域帮助投资者提升效率。

二、 2025 年权益基金投资展望：拥抱 Beta 的时代来临

2.1 FOF 基金经理关注点变化：对基金优选关注度减弱

我们整理了 2018-2023 年年报及 2024 年三季度报告中股票型 FOF 及混合型 FOF 基金经理 的基金运作回顾和市场展望内容，并使用 ChatGPT 大语言模型对基金经理的观点逐一进行 分类，判断观点中是否关注基金优选。 我们统计了每期观点中，关注基金优选的观点比例，数据显示，FOF 基金经理对基金优选 的关注度在 2019 年至 2022 年间呈现持续上升趋势，但自 2022 年后出现下降。截至 2024 年三季度，重视基金优选的 FOF 基金比例进一步下降至 69.93%，显示出近年来基金经理 在基金优选方面的关注度正在持续减弱。此外，ETF 在 FOF 投资组合中的占比逐年升高， 2024 年以来持仓中 ETF 市值占 FOF 净值比已超过 16%。

2.2 结构性行情下的核心+卫星策略——主动基金+ETF

我们预计 A 股市场将继续呈现结构性行情，风格轮动行情仍将持续。在此背景下，核心+ 卫星策略的配置模式能够有效适应市场的风格变化。 核心底仓旨在追求投资组合的均衡性与稳健性，适应结构性行情中的多变市场环。核心部 分的配置占比较高，主要负责组合的安全垫，提供稳定的收益。我们建议在核心底仓中配 置具有均衡风格的宽基 ETF 及全市场配置的风格轮动型主动基金产品，以应对可能发生的 市场风格切换，确保组合在长期内的稳健表现。 卫星仓位则注重灵活性和短期的 Beta 收益捕捉。由于卫星部分的配置占比较低，灵活性 要求较高，适合在 FOF 基金经理阶段性看好特定板块或风格时进行配置。我们建议在该部 分配置交易成本低、灵活性高、满仓运行的 ETF，如特定行业 ETF 和 SmartBeta ETF，以 实现对特定行业和风格的精准暴露，捕捉短期的市场投资机会。

2.3 核心底仓配置思路：均衡风格 ETF+风格轮动型主动基金

2.3.1 主动权益基金的 Beta 选择逻辑

主动权益型基金产品因其可能存在的 Alpha，受到投资者青睐。我们将以常见宽基指数（沪 深 300、中证 500、中证 800 等）为基准、行业配置相对均衡的主动权益基金收益率进行 拆解，以回归方式剔除市场、风格因素，剥离基金的 Alpha。我们以滚动 250 个交易日的 方式进行 Alpha 的计算，并统计了 2014 年以来每个月月末的主动权益型基金 Alpha 中位 数。

结果显示，部分主动基金尽管表现出较高的 Alpha，如果将行业因素继续剥离，Alpha 可 能大幅下降，因此部分基金的高 Alpha 大部分实际上来源于 Beta 暴露，尤其是在 2014 至 2015 年间表现尤为明显。 从 2019 年到 2021 年上半年，主动权益型基金获得了较高的 Alpha，基金业绩表现亮眼， 吸引了大量资金流入。然而，自 2022 年以来，主动基金的 Alpha 水平呈现持续下降趋势。 尽管自 2024 年起主动基金的 Alpha 略有恢复，但整体仍保持在较低水平，反映出当前市 场环境下 Alpha 捕捉难度的增加。因此，如果以追求 Alpha 为目的进行主动权益型基金的 投资，在当前 Alpha 水平较低的市场环境下，难以获得较高的超额收益率。

从追求 Beta 收益的视角进行基金优选是另外一种基金配置思路，在市场风格频繁切换的 行情下筛选具有获取 Beta 收益能力的基金经理，也可能获得更稳定的收益。我们曾在 2023 年 2 月 9 日发布的《智能化选基系列之二：风格轮动型基金智能识别与量化优选》、2023 年 6 月 23 日发布的《量化漫谈系列之四：成长价值和大小盘双风格轮动基金如何识别与 优选？》中，对风格轮动型基金进行了识别与探究。我们目前基于成长价值与大小盘两个 维度，根据基金在两个报告期的股票持仓，构建基金绝对主动轮动指标，对基金是否为风 格轮动型基金或风格稳定型基金进行了识别。随后，我们根据主动轮动收益因子，刻画基 金风格轮动的效果，并在风格轮动型基金中进行了基金优选。 我们统计了各中报、年报披露时间点，全市场配置的均衡基金的绝对主动风格轮动指标及 主动轮动收益指标的中位数。绝对主动风格轮动指标体现出基金在成长价值和大小盘两个 维度的轮动程度，指标越大说明报告期之间风格调整幅度较大，轮动程度较大。数据显示 主动权益基金可能存在一定的风格主动调整，且自 2020 年以来，超过半数基金能从中获 得部分风格轮动收益。因此，筛选偏好并擅长风格轮动的均衡型基金经理，成为构建主动 权益基金 Beta 配置的重要逻辑依据。

2.3.2 大语言模型助力：定性+定量识别风格轮动型基金

我们曾从基金持仓信息与风格因子指标出发，采用定量分析方法筛选出擅长进行风格轮动 的基金经理。然而，定量方法具有一定的结果导向性，难以从投资动机的角度去刻画基金 经理的风格轮动行为。 借助大语言模型强大的文本处理能力，我们可以结合基金经理的调研纪要、季报观点等文 本信息，从定性分析的角度深入分析基金经理的投资理念，结合定量数据分析结果综合判 断其是否具备风格轮动的特征。大语言模型能够高效地进行大规模文本数据的分析，为识 别基金经理的风格轮动主观倾向提供了重要支持。

2.3.3 风格均衡的宽基 ETF 选择——中证 A500ETF

2024 年 11 月，中证 A500ETF 陆续申报、上市，吸引了大量资金流入。中证 A500 指数从 各行业选取市值较大、流动性较好的 500 只证券作为指数样本，并经过 ESG 指标的筛选， 反映了各行业最具代表性上市公司证券的整体表现。截至2024年11月15日，中证A500ETF 的总规模已达到 1283.7 亿元，中证 A500ETF 联接基金也陆续发行。 相比于中证 500 指数及沪深 300 指数，中证 A500 指数成分股兼顾大小市值股票，市值风 格分布相对更均衡。而行业方面，中证 A500 指数行业配置也更为均衡，并且，相比于沪 深 300，中证 A500 指数在高成长性行业也有更高的权重，更符合我们对未来看好成长风 格的判断。

2.4 卫星仓位配置：高度灵活的 ETF

卫星仓位的配置，我们推荐以 ETF 为投资标的，ETF 可以精准暴露行业和风格，种类丰富、 调仓灵活、二级市场交易费率低、满仓运作，能够有效实现多样性的配置需求。 当前国内 ETF 市场持续扩张，交易日趋活跃。截至 2024 年 11 月 15 日，非货币类 ETF 数 量达 984 只，总规模达到 35522.06 亿元，同比增长了 18064.93 亿元。随着 ETF 市场规模 的扩张，ETF 的日总成交额显著提升，从 2018 年末的不足 500 亿元增长到 2024 年三季度 末的 4236.50 亿元。ETF 市值占开放式基金市值比持续提高，截至 2024 年 11 月 19 日， 该占比已提高到 11.55%。 国内 ETF 产品种类日渐丰富，ETF 品种已覆盖股票型、跨境、商品型和债券型四大类别， 除了被动投资的 ETF，增强策略 ETF 也陆续发行，覆盖多种宽基指数。截至 2024 年 11 月 8 日，股票型 ETF 合计 806 只，包含了大量的行业主题 ETF、宽基 ETF、SmartBeta ETF、 增强策略 ETF 等产品，为投资者提供了多样化的配置选择。

此外，ETF 具有显著的费率优势。相比于全部股票型、混合型、债券型、QDII 基金，ETF 平均管理费率仅有 0.43%，平均托管费率仅有 0.09%。在主动管理产品 Alpha 减弱的情况 下，费率的优势进一步突出了 ETF 的投资价值。

我们也可以通过 ETF 轮动策略，实现卫星仓位中 ETF 的投资。在《智能化选基系列之七： 基于 AI 预测中的个股 Beta 信息构建 ETF 轮动策略》中，我们基于前期构建的 AI 选股框 架，将个股 Alpha 聚合到指数层面，考虑策略的实际可投资性，在每个指数在当期所有对 应 ETF 中筛选出规模最大的一只作为最终的投资标的。

从 2015 年 2 月至 2024 年 11 月 15 日，我们得到的人工智能 ETF 轮动策略相对于沪深 300 指数年化超额 12.05%，超额最大回撤 17.31%，信息比率为 0.68。

三、2025 年资产配置年度策略展望：宏观择时、风格配置与行业配置

3.1 目前宏观状态及宏观一致预期

关于 2025 年宏观展望方面，我们本次报告通过结合当前宏观环境所处位置以及市场给出 的 2025 年宏观指标一致预期共同判断。 整体经济方面，我们通过景气度指标中采制造业 PMI 以及 PPI 同比+工业增加值同比两者 共同判断当下的所处的环境阶段。从划分的阶段可以看出，自 2023 年 Q4 至今，尽管经济 在 2024 年 5 月至 8 月期间出现了一定的震荡回落，但整体增速呈现逐步回升的趋势，另 外我们能看到，制造业 PMI 从 2024 年 9 月开始也已经重新回升。 通胀方面，上下游通胀缓步回升,但整体增速水平仍然偏低，待后续更多促内需政策落地 推动通胀回升。结合经济增长和通胀水平来看，目前市场仍然处于弱复苏的阶段。

而出口外需方面，今年表现超预期强劲，也为今年国内经济提供了支撑。今年出口的强劲， 我们分析下来这主要是由于美国的补库行为。随着明年美国经济增速大概率回落，海外补 库存行为或暂时告一段落。此外，潜在落地的特朗普关税政策也可能对出口产生负面影响， 导致明年我国外需增长速度或放缓。

内需方面，今年增速整体偏缓。我们如果用 M1 同比指标（代表居民和企业的存款活期化 程度）来代表内需的增速水平的话，可以看到数据方面相对疲弱。另外代表消费情况的社 零增速整体也呈现回落状态。不过值得欣喜的是，三季度之后内需开始出现了拐向的迹象。 社会消费品零售总额当月同比数值从 9 月开始拐头。10 月 M1 同比也开始回升。未来一年， 由于外需增速大概率放缓，可以期待政府来年会出台更多政策提振内需进一步的回暖，对 冲外需明年的潜在疲弱，从而维持较稳定的经济增速。

本次年度展望报告，除了自行分析，我们也汇总了市场的宏观一致预期观点，从而获得一 个较为客观的市场预期，方便投资者了解目前机构投资者的整体宏观判断。 截至 2024 年 11 月 12 日的数据，目前分析师定价未来一年：内需消费、外需出口以及总 量经济增速或略有放缓，根据彭博预期，其中出口金额同比从 4.5%下降至 3%回落幅度最 大，GDP 同比、社零同比、中国 10 年起国债利率分别下降至 4.5%、3.5%和 2.02%；而进口 需求、固定资产投资以及上下游通胀增速有望回升，为总量经济提供支撑。根据 Wind 预 期，固定资产投资:房地产开发增速回升幅度最大，从-9.93%上升至-5%；根据彭博预期， 进口金额、固定资产投资、CPI、PPI 和 M2 增速分别上升至 2.8%、4.2%、0.7%、0%和 7.4%。 同时，国内外利率下行，市场流动性有望继续提升，政府及企业融资成本有望进一步降低。 关于未来一年的关键宏观变量，我们认为是国内各类刺激经济政策的出台是否符合或超出 预期。这将直接影响未来一年国内权益市场以及风格的走势。若政府政策能及时有效的出 台且实施，我们预期这能持续推动市场资金的活化，带动内需经济的回暖。目前我们对于 未来一年的基准假设是各类政策出台能符合或超预期，从而推动股市以及经济的逐步回暖； 但若不符合预期，投资策略则需切换回防守型策略。

3.2 宏观择时策略展望

对于未来一年市场的择时判断，我们前期有构建了基于宏观事件的择时策略。具体策略细 节可参考《Beta 猎手系列：基于动态宏观事件因子的股债轮动策略》。但是原先的策略模 型的分年度表现上看出，在市场震荡上行的阶段，择时表现会弱于 Wind 全 A。这是由于 原策略更多聚焦于通过规避宏观下行风险来获取超额收益，在市场上行的阶段，由于经济 增长和货币流动性多数情况下没法同时发出高信号强度，会出现阶段性跑输指数。 从 2018 年到 2020 年这段时间的策略净值和每月策略仓位能够看出，跑输指数的原因主要 是策略给出的信号强度不够，这可能是因为市场演绎政策预期，经济面仍未回暖导致经济 面因子未发出开仓信号。

为了改善策略在市场上行阶段的择时效果，我们在本文提出两种方法： 方法一：重构因子打分方式，提升持仓权重，适配上涨行情。例如将打分方式改成只要经 济增长或者流动性信号的最大值>30%，则择时信号为 1，反之为 0。通过调整规则，提升 持仓的权重以及时长，避免错过上涨的行情，仅在风险较大时，才进行空仓操作降低风险。 我们采用方法一进行了优化，可以看到在 2018 年至 2020 年，策略超额持续上升，及时抓 住了上涨行情。 方法二：在择时框架内，增加其他偏市场情绪类指标，及时反映非宏观驱动的指数行情。

3.3 风格配置

本次展望年度展望的风格配置方面，我们将风格分别划分成大小盘，成长价值，以及较为 特殊的红利与微盘风格逐一进行分析。 在大小盘轮动方面，我们选择了地产开发投资完成额累计同比以及 M1 同比辅助分析。地 产开发投资完成额方面，从图表可以看到，若地产投资回升明显，经济回暖，顺周期涨幅 靠前，大盘占优；但结合目前宏观一致预期对于未来一年的地产投资来看，该项数值明年 预估仅小幅回升，对大盘支撑偏弱。而关于 M1 同比与大小盘走势的关系，在 M1 同比回 升，市场预期好，资金活期化率提升，我们能看到多数情况下，小盘占优。未来一年，我 们预期在不断出台的政策预期推动下，资金活化率有望提升，带动小盘走强；但若出现政 策不及预期，可预期资金会回流大盘。

成长价值风格方面，我们主要观察 M1M2 剪刀差以及 10 年美国国债收益率指标。国内流动 性方面，当 M1M2 剪刀差回升，资金活期化率提升，高弹性成长风格占优。若来年政策出 台符合预期，带动 M1 同比回升，我们预期成长风格有望占优。海外流动性方面，从目前 的宏观一致预期判断，美债利率明年大概率会继续回落，推动全球资金风险偏好提升，也 能给到成长风格一定支撑。综合来看，我们认为明年整年维度上，成长会是相对的占优风 格。但是若政策出台情况不及预期，市场可能会重新切换回价值风格。

虽然我们整体预期未来一年国内政策的逐步出台能超预期，但是为了应对可能的弱势市场， 我们本次也对红利和微盘风格进行了分析。从过去来年市场震荡承压的环境中，我们能发 现红利和微盘在弱势市场环境中相对占优。 微盘股板块攻守兼备，既有小盘的高弹性又有弱势防守属性，但在监管约束或者阶段性预 警和退市风险加大阶段会承压(1 月和 4 月份财报公布阶段)。红利板块方面，在分红结束 后，部分资金会短期撤出该板块，获利了结。综合来看，在市场预期抬升阶段，建议配置 小盘成长；预期回落阶段，推荐配置红利和微盘(若前期抬升阶段微盘涨幅靠前，则重点 关注红利)。

不过即使在弱势市场阶段内部，资金也会在红利和微盘风格内部出现轮动现象，所以相对 于单一配置红利或微盘风格，通过混合配置红利和微盘板块，整体组合表现可能更加稳健。 由于万得微盘股指数的波动率高于中证红利指数，本文尝试以 2:1 的比例构建中证红利和 万得微盘股指数的合成指数。结果表明，该合成指数在波动性上低于万得微盘股，收益上 又高于中证红利。 前期研究《Beta 猎手系列之六：基于宏观量价信号叠加的微盘股茅指数择时轮动策略》 中，我们构建了微盘股与茅指数的轮动策略，旨在经济回暖阶段配置茅指数，而在熊市中 通过配置微盘股获取相对较好的收益。然而我们发现，在熊市中微盘股也会因短期资金拥 挤或其他原因出现阶段性回落，但此时资金并非必然切换至茅指数，而是会分流至红利板 块，例如今年 1-2 月份微盘股的回撤。因此，我们更应构建的是红利微盘合成指数与茅指 数的轮动策略。

3.4 行业配置

行业配置方面，整体来看今年行业配置因子中，分析师预期因子回暖，超预期涨幅靠前， 其中超预期因子和分析师预期因子的多头超额收益分别是 4.3%和 3.6%。盈利、质量、估 值动量和调研活动因子表现欠佳。

估值动量因子的底层逻辑是做多过去 12 个月估值抬升最明显的行业组合。而过去 12 个 月，银行、煤炭和电力及公用事业等偏红利的行业则是估值抬升最为明显的板块。所以当 我们将估值动量多空净值与中证红利与 Wind 全 A 的超额净值走势对比，我们发现，估值 动量今年下半年是与红利板块一同共振回调的。而关于盈利因子，盈利水平好的公司多数 为基本面好及市值偏大的公司。所以合理推断盈利因子表现良好的阶段与大盘占优的阶段 相对一致。从盈利因子多空净值同比与沪深 300/中证 2000 相对净值的走势来看，这样的 结果也较为符合。今年以来大盘股的相对弱势，也对应了今年盈利因子效果的式微。所以 后续盈利因子回暖时机，我们预期或需等大小盘风格切换回大盘。

超预期因子整体上仍维持稳健表现，建议持续配置，无需考虑切换。而关于分析师预期因 子，行业分析师预期因子本质上就是找到高景气度的行业。而多数市场大盘下跌的阶段， 都是经济景气承压的阶段(除了类似 2015 年的流动性牛市)。所以这导致我们能看到 2022 年年中之后，分析师预期因子多空净值的表现跟随市场回落。但是我们也能看到 2022 年 的上半年，经济和大盘市场走势也很差，但是行业分析师预期因子逆势走强。这是因为市 场内部仍然能找到结构性上有景气度上行的行业，煤炭和有色金属等。随着市场的持续下 行，景气度上行的行业逐步减少，分析师预期因子的表现也出现持续的回落，市场也彻底 进入主题投资阶段。而到了 2023 年底，随着部分行业景气度结构性上的开始改善，分析 师预期因子的表现也开始了回暖。随着后续政策的持续发力，可以预计景气度出现回暖的 行业会逐步增多，对应的分析师预期因子的表现也能持续改善，建议加大关注力度。综合 来看，建议明年重点关注分析师预期因子和超预期因子。

四、2025 年因子选股展望：AI 选股模型收益会持续吗？

4.1 中小盘宽基指增仍有 Alpha 空间

近年来，随着 A 股市场逐渐成熟，个股的误定价机会逐渐减少。我们统计了近年来主流宽 基指数的公募指增产品超额收益率的主要指标：

可以看出，各宽基指数股票池的 Alpha 获取难度逐年提升，衰减速度极快。今年沪深 300 和中证 500 的指增超额中位数已经在 0 以下。其中既与今年市场风格切换极端，资金流在 短时间内大幅变化有关，也与量化产品所用基本面与量价因子趋向同质化，Alpha 拥挤度 提高有一定关系。

进一步，我们利用日度净值数据对所有指增产品进行了 Barra 风格暴露的测试，发现在不 同股票池中，产品的 Barra 暴露存在明显差异。下图中，最上方和最下方的圆圈代表异常 值（Outliers），上下横线为极值，实体框为上下四分位数。

沪深 300 指增各产品间暴露差异较大，在小市值、动量、低波、估值上整体存在一定暴露。 中证 500 指增类似，且暴露因子情况与产品表现无直接联系。而在中证 1000 上，产品的 Barra 暴露趋于一致，普遍在小市值、低波、非流动性和成长因子上有显著暴露。我们认 为，主要由于中证 1000 上这部分因子本身仍能带来一定的超额收益空间，且产品在中证 1000 选股中更多使用 AI 模型，模型在此类因子上的暴露普遍偏高。 从时序变化来看，近几年各类产品均在低波、非流动性和估值风格上加强了暴露水平，小 市值在各类产品的暴露程度也略有加强，动量因子的暴露水平整体在逐年缩小。

面对当下超额空间逐年降低，各家管理人 Barra 暴露在不同指数上分化的情况，未来公募 基金的指增产品应该如何布局？ 我们首先从指数成分股的分析师覆盖度进行对比，发现沪深 300 和中证 500 分析师覆盖程 度均已达到较高水平，2024 年分别为 98.67%和 90.80%的水平。而中证 1000 成分股分析 师覆盖度为 76.80%，在机构跟踪相对没有特别紧密的股票池中，仍有一定的 Alpha 超额 收益空间。 此外，我们通过计算每月指数成分股的收益率十分组，构建多空组合来模拟出量化选股多 空收益的“理论极限”，发现沪深 300、中证 500 的多空收益“理论极限”已非常接近，且 连年下降至目前 30%左右的水平，而中证 1000 成分股的多空收益“理论极限”仍有一定 距离。

因此，展望未来的公募指增产品布局方向，对于沪深 300 和中证 500 股票池，应以紧密跟 踪指数&暴露特定风格因子以博取收益。而对于中证 1000 甚至更下沉的股票池，虽仍有一 定的超额收益空间，不过布局此类产品时，也需要考虑股票池整体市值偏小所带来的规模 上限，同时关注中小盘的 Beta 情况。

4.2 关注 A500 指数中沪深 300 以外成分股的 Alpha

随着 9 月底中证 A500 指数发布，其更合理的编制方案吸引了投资者的广泛关注。各家公 募基金均在积极布局相应的 ETF 或指增产品。

可以发现，A500 中，沪深 300 以外成分股有 266 只，权重占比为 21.59%。而随着市场资 金的转移，这部分股票也迎来了相对客观的超额收益。我们将 266 只股票等权构建组合， 测算组合自 9 月 23 日以来的收益情况，发现其相较于 Wind 全 A 指数已有 6.91%的超额收 益率（截至 11 月 13 日）。

截至最近，A500 的 ETF 产品已经有 13 只产品发行，另有 9 只产品正在募集中，发行产品 总份额以突破千亿元。A500 指增类产品中，有 1 只已经发现，另有 34 只正在审批或发行 阶段。未来随着大量资金流入，沪深 300 以外的指数成分股有望迎来相对持续的 Alpha 收 益。

4.3 AI 模型的失效与应对

在前期深度报告中，我们使用基于决策树的集成算法 GBDT 和神经网络类模型，针对不同 的特征数据集分别训练，得到的 AI 选股因子样本外整体表现优异。但近年来仍出现一定 情况的波动，经过对比分析可以看出，AI 因子回撤明显的月份主要在 2023 年 10 月和 2024 年 10 月，这也与非流动性、低波和 20 日换手三个因子的回撤区间呈现高度重叠。

这是由于，AI 模型中所投喂的量价数据会使模型天然向低波、非流动性等因子学习，与线 性因子存在同涨同跌也属正常现象，这一点在对因子进行 Barra 归因时也能得到验证。

此外，我们进一步探究 AI 因子在通过回归剥离 Barra 风格因子后的表现，发现在不同股 票池中因子表现仍有一定差异。

在沪深 300、中证 500 股票池中，剥离 Barra 后因子多头超额收益在近两年已经走平，但中证 1000 股票池中近两年整体仍保持着向上的稳定走势。因此，我们认为未来的主动量 化选股产品超额空间主要突破方向在于： 更严格的风格控制或结合市场环境的风格主动暴露。 更精细化的训练方式。 更深层次的特征挖掘。 将包括强化学习在内的方式应用到组合优化。 在风格方面，结合我们上文的宏观分析，明年 M1 若同比回升，市场预期改善，资金活化 率可能进一步提升。当 M1 增速大于 M2 时，企业活期存款增速>定期存款增速，企业和居 民交易活跃，微观主体盈利能力较强，经济的经济度提升，将有助于成长风格占优。 在训练细节方面，我们在前期报告中对比过不同股票池训练模型时使用股票域的效果差异， 可以发现在中证 500 和中证 1000 上，使用域内股票和全 A 股票池没有明显区别，但对于 沪深 300 而言，对于 GBDT 树模型使用 300 域内股票池明显具有一定优异。

我们考虑这一点与沪深 300 股票池在风格、行业上的特殊性有很大关系，其股票池属性若 与全 A 有较大差距，则最终模型所学习规律也会有较大差别，这对于对样本量不敏感的树 模型来说更加重要。因此我们建议对于树模型，使用 300 股票池进行域内训练，对于神经 网络，使用全 A 股票池训练以保证其样本量。 在另类数据方面，量化选股策略逐渐从传统的结构化数据到高频、另类以及文本数据来挖 掘超额收益。

近年来随着 LLM 的出色表现，文本数据的深入挖掘进入了新的阶段。过往在数据的使用过 程中主要有以下几个难点： 数据不规范、清洗难度大。 情绪与信息提取准确度不够。文本表达真实度有限。 相较于传统的 NLP 模型，LLM 拥有更强的信息提取能力和逻辑判断能力，在情感分析之外 提供更深层次的判断，有助于构建更优异的另类舆情因子。

五、总结

展望 2025 年，我们认为大模型自身性能会在推理能力、响应速度、多模态等多个方面持 续增强，基于大模型的金融领域应用进一步落地，覆盖面更广、功能更强大。在投研领域， 大模型将带来投研效率与投资效果的全面提升。 在基金方面，基于结构性行情及风格切换可能性的预期，建议采用核心+卫星投资组合， 核心仓位以更均衡的中证 A500ETF 及具有风格轮动能力的主动权益基金为底仓，以交易成 本低、灵活度高、满仓的 ETF 为卫星仓位，捕捉行业、风格投资机会。 在择时方面，宏观择时策略建议切换至全仓进出模式，提升仓位比例，并且建议择时模块 当中增加市场情绪指标提升信息维度；在风格方面，随着市场预期回暖，未来一年市场风 格预期往高弹性的小盘及成长风格进行切换，但如出现不及预期情况，推荐短期切换回红 利及微盘板块进行防御性配置。在行业方面，随着市场预期回暖，未来一年推荐关注分析 师预期以及超预期因子。 在选股方面，我们认为中小盘宽基仍有一定 Alpha 空间。AI 模型通过归因发现，更多暴 露低波、非流动性等因子，剥离 Barra 风格后在大盘股票池中近年已无超额收益，建议明 年在成长风格上倾斜。未来的突破方向主要在特色的训练方式、更深层次的特征挖掘和 LLM 与文本数据的结合上。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）