DeepSeek-V3.2发布：推理性价比的长足突破
　　2025年12月1日，DeepSeek官方同时发布两个正式版模型DeepSeek-V3.2和DeepSeek-V3.2-Speciale，官方网页端、App和API均已更新为正式版DeepSeek-V3.2，并在Huggingface与魔搭开源。DeepSeek-V3.2在V3.1-Terminus基础上引入DeepSeek Sparse Attention（DSA）稀疏注意力机制，在几乎不牺牲效果的前提下显著提升长文本训练与推理效率，128K上下文场景下的单位token成本明显低于前代模型。配合大幅提升的后训练算力投入、可扩展的强化学习框架以及“thinking in tool-use”等设计，V3.2在数学、编程和代理任务上的综合推理能力已接近甚至部分场景对标GPT-5、Gemini-3.0-Pro，而API定价仅为每百万输入token 0.2–2元、输出3元，性价比优势突出。在金融场景评测中，我们基于CFLUE数据集对DeepSeek系列与GPT-5.1、Gemini-3-Pro等模型进行了系统对比。结果显示，DeepSeek-V3.2-reasoner尤其是Speciale长思考增强版，在中文语境的金融知识问答、文本分类、文本生成及中英互译等任务中整体表现领先。
　　国证2000指数增强策略
　　经过因子测试与筛选，包括技术、反转、特异波动率等在内的因子在国证2000指数成分股上均有出色表现，我们所合成的各个大类因子也基本都起到了很好的提升效果。11月该因子表现恢复出色，IC值12.54%。样本外整体策略表现出色，11月策略的超额收益为1.84%。
　　基于多目标、多模型的机器学习指数增强策略
　　根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》，原策略中我们选取了GBDT和NN两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，最终构建出的GBDT+NN机器学习选股因子在A股各类宽基指数上历史表现优异。但在今年以来，尤其是近期市场风格出现调整后有失效表现。
　　对此，我们根据《Alpha掘金系列之十八：基于TimeMixer改进的选股因子到ETF轮动策略》，创新性地将其多尺度混合与季节/趋势分解机制引入GRU模型，通过LightGBM集成TSGRU隐向量与传统量化因子，构建了改进的机器学习选股模型，该模型能更好地捕捉近期的市场信息，表现出色。
　　为贴合交易实际，我们构建了基于TSGRU+LGBM因子的机器学习模型的指数增强策略，通过对投资组合的跟踪误差进行控制，最大化因子暴露。回测区间自2018年2月1日开始，假定手续费率单边千二，每月月初调仓。沪深300指数增强策略、中证500指数增强策略和中证1000指数增强策略上月超额收益率分别为3.49%、1.60%和0.99%。后续随着市场恢复正常，超额收益有望进一步提升。
　　基于红利风格择时+红利股优选的固收+策略
　　我们使用经济增长和货币流动性共10个指标，通过动态事件因子的体系构建的红利指数择时策略表现优异，相较于中证红利指数全收益有显著的稳定性提升。在选股方面，我们利用AI模型在中证红利指数成分股内进行测试，得到因子表现相对较好，能够长期获得较稳定的超额收益。上月选股策略获取-0.07%的绝对收益率，择时策略收益率为-1.33%。固收+策略收益率为-0.03%，整体表现平稳。
　　风险提示
　　以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在失效的风险。