核心观点
　　根据宏观因子跟踪体系，经济乐观预期需适度降温，但自上而下A股仍值得超配，主板(价值风格)有望在更长时间延续强势。六维度综合行业配置模型2022年2月对外跟踪以来，累计收益率17.30%，相对行业等权超额19.06%，仍是稳健的行业比较体系，但2023年中美经济显著分化后，将对行业表现特征产生历史性干扰，务必提前思考与调整。基于多维度定量增强及人工智能算法的选股策略成为机构化时代下的新方向。以面向实盘策略而开发的多维度量化模型整合，今年以来主动权益FOF策略相对基准超额13.31%，ETF组合相对基准超额6.68%，继续表现强劲。
　　市场研判：经济乐观预期需适度降温，但自上而下A股仍值得超配
　　宏观因子中，跨市场全球宏观因子体系表现回顾：近期增长类因子的美国增长、欧洲增长以下行为主，中国增长短期折返，总体来看欧美库存周期中期下行、中国内生经济中期向上不变；金融条件类因子短期略有收紧；原油供给因子近期震荡为主。
　　预计5-6月国内处于普林格六周期的阶段二，建议配置股票。中债久期择时组合最新建议为维持短久期防御配置。根据我们的A股上市公司业绩跟踪体系，一季报情况显示当前基本面尚不支持全面牛市的到来，建议精选受益于中国经济内生增长的超预期个股。
　　行业比较方法论：量化视角下的多体系行业跟踪
　　宏观因子方面，我们选择了多维度的宏观指标，对每个行业采用逐步回归法构建模型进行预测，按照预测值选前3行业的组合，2018年1月到2023年4月相对行业等权累计超额190.5%，年化超额22.13%。
　　行业基本面方面，通过梳理行业逻辑，筛选重要指标，选择其中和行业ROE、超额收益都具有高相关的指标构造单行业量化基本面择时策略，各行业的多空年化收益率均高于12%。
　　财务指标方面，基于正式财报信息构建行业财务指标，测试表明盈利和成长能力相关指标及其边际变化对行业的选择有参考意义。我们构造的复合财务因子，第一分组年化超额收益7.16%，夏普比率0.33。
　　分析师预期方面，以未来2个自然季度的ROE为目标，计算的行业成分股预期ROE上调比例、行业ROE变化值因子，超额收益率超过5%，夏普比率接近0.3。
　　基金资金流方面，基于有约束的半衰加权Lasso约束回归对股票型基金进行仓位估算，并基于此构造动量策略，使用过去半年至过去一个月板块变动最大的板块构造持有一个月的多头。策略从2011年至今年化超额收益率7.84%。
　　行业比较新思考：中美经济持续分化对行业配置影响深远
　　从中信一级各行业指数月度表现分析，2020年9月以来，以家电，地产为主的地产链以及以食品饮料为主的消费板块继续维持了与中国PMI的正相关关系，但以煤炭，有色为代表的上游周期行业则呈现与美国PMI的正相关。需正确面对本轮中国经济复苏的行业受益特征与历史的显著变化。
　　业绩报回顾：主板中小市值板块分化，非银地产等行业业绩增速环比增长超20%
　　采用超预期因子作衡量当期宽基指数表现，指标显示主板超预期而中小市值板块低于预期。在2023Q1中业绩增速环比正增长的风格板块包括周期二、金融和成长，前二者的业绩增速环比增长在10%以上。2023Q1业绩增速环比增长前五的行业为非银行金融，房地产，电力及公用事业，电力设备及新能源，传媒，其业绩增速环比增长均在20%以上。
　　量化选股：沪深300内量化精选组合年化超额收益20.79%
　　我们通过有效性检验精选有效因子，并结合六维度行业轮动ETF组合结果，实现对好行业+好个股的优中选优，构建了沪深300内量化精选组合从2016年2月至今，年化收益25.88%，相对沪深300年化超额收益20.79%，最大回撤32.19%，信息比1.85%。今年以来（截止4月30日），策略绝对收益7.55%，相对超额3.34%。
　　人工智能：AlphaZero：基于AutoML-Zero的高频数据低频化因子挖掘框架
　　基于Google的AutoML-Zero算法，将其应用到因子挖掘领域构建了AlphaZero框架，通过构建基础算子以及因子，结合进化算法进行高频低频化因子挖掘。构建AlphaZero时，我们限制了搜索空间以及优化了算子结构，提高了进化效率，但是另一方面也限制了所生成程序的可能性。从最终的结果我们也可以看出，挖掘出的因子也是在经典量价因子的基础上进行了一定的变异。
　　人工智能：基于openFE的基本面因子挖掘框架
　　基于openFE的基本面因子挖掘方法，将三大报表的数据以及基础算子之间按照一定结构进行排列组合，构建出70万个不同风格类型的因子，再利用openFE的两步筛选法，选出不同风格类型下表现最好的合成因子。对比因子的表现，动量，市值，行业最为重要，其次为估值及成长因子，质量因子表现较为一般。利用构造的合成因子以及基础因子训练月频的选股模型，回测区间内，全市场内选股的年化超额为21%，夏普比率为1.19。
　　人工智能：如何部署本地版大语言模型提高研究效率
　　对于金融工程研究而言，除了日常的网页版交互，通过ChatGPT的API接口能够使研究工作效率极