报告概述
本报告为华安证券“学海拾珠”系列跟踪月报，每月汇总整理40余本国际权威金融与量化研究期刊及顶级学术会议的最新成果。本期共收录73篇量化金融相关文献，覆盖宏观经济、行为金融、计量方法、机器学习（含DL/LLM/RL）、权益量化选股、资产配置、固收、基金及衍生品等核心领域。报告按照权益（非ESG）、固收、基金、资产配置、机器学习、ESG、宏观计量七大主题进行分类综述，并提供完整的文献列表和来源说明，旨在帮助研究者及时把握学术前沿动态，为量化投资策略开发提供理论基础与实证参考。
报告的核心结论
AI在量化投资中的应用持续深化
本期机器学习类文献共17篇，涵盖深度学习、大语言模型与强化学习三大范式。AlphaCFG等自动化Alpha挖掘框架通过语法引导与蒙特卡洛树搜索实现可解释因子发现，EvoAlpha利用LLM进化框架在美股与A股市场均超越现有最优方法，标志着AI因子挖掘进入新阶段。
另类数据成为权益量化选股新热点
基于卫星热红外辐射数据追踪中国上市公司工厂经营活动的研究表明，TIR数据可有力预测企业销售、利润及未来股票收益，尤其在信息不透明企业中效果显著，为基本面量化分析师提供了全新的另类因子来源。
ESG与气候风险测度出现创新工具
本期文献提出“碳贝塔”指标，基于个股收益对污染型与清洁型组合的敏感度构建气候转型风险敞口测度。规模更小、杠杆更高、研发更低的企业碳贝塔更高，在气候风险显现月份高碳贝塔股票收益更低，可用于气候风险对冲。
固收研究引入大语言模型取得突破
基于微调大语言模型的Chat2Trade债券询价解析系统已在券商部署近一年，可使经纪人平均交易量提升3.67倍，表明LLM在固定收益领域的自动化应用已从理论进入实际生产阶段。
报告回答的关键问题
学海拾珠月报202605有哪些核心文献？
本期月报共收录73篇文献，重点推荐包括：自动化Alpha挖掘框架AlphaCFG与EvoAlpha、知情交易测度QIDres、股权溢价可预测性研究、稳健均值-方差-标准差准则以及指数投资资产定价理论。这些文献分别来自JF、JFQA、MF等顶级期刊。
机器学习在量化选股中有哪些新方法？
本期有14篇机器学习选股/择时研究，涵盖深度因子建模、自动化Alpha挖掘、LLM金融应用及模型稳健性。深度模型如DCAH、REAKA通过分解与Koopman动力学提升预测能力；AlphaCFG与EvoAlpha在中美市场均超越最先进水平；AI-Trader等基准研究揭示风险控制是跨市场稳健交易的关键。
什么是碳贝塔？如何衡量气候风险？
碳贝塔是由本期一篇FAJ文献提出的市场型气候转型风险测度指标。它通过计算个股收益对污染型组合与清洁型组合收益率差值的敏感度来构建。实证显示，较小、较高杠杆、较低研发投入的企业碳贝塔更高，在气候风险加剧的月份，高碳贝塔股票收益相对更低。
量化金融学术研究有哪些新趋势？
本期文献突出三大趋势：一是AI全面渗透，从因子挖掘到交易执行均出现自动化框架；二是另类数据扩展，卫星热红外、期权隐含信息等纳入研究；三是方法论精细化，如奇异VAR、非参数选择模型等计量新工具为量化建模提供更坚实基础。
报告中的代表性数据
本期文献总量
2026年4-5月，本期新增量化金融相关研究文献共计73篇，覆盖宏观经济、机器学习、权益选股等8大核心领域。
Chat2Trade系统对经纪人交易量的提升倍数
2026年5月，基于微调大语言模型的债券询价解析系统Chat2Trade已在券商部署近一年，使经纪人平均交易量提升3.67倍。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 73篇学术文献的完整列表，包含文献标题、作者、发表期刊及发表时间，并标注重点推荐篇目。
- 机器学习类文献（17篇）的深度综述，涵盖深度学习选股、LLM宏观配置、强化学习交易等前沿方向，附具体模型框架与回测结果。
- 权益量化选股10篇文献的详细分析，包括基本面、量价、资金面、另类及主动量化六大细分方向的独立综述。
- 固收类3篇研究的完整解读，涉及公司债报价竞争、外资结构变化及LLM在RFQ中的应用案例。
- 资产配置类6篇传统方法与3篇机器学习方法的对比综述，含最优股债配比、稳健均值-方差准则等关键理论。
- ESG与气候风险2篇研究的详细阐述，重点介绍碳贝塔指标构建方法与欧洲企业ESG评级影响研究。
- 宏观计量5篇方法论文献的摘要，涵盖奇异VAR、非参数选择模型、半非参数匹配等前沿计量工具。
- 附录：文献来源说明，列明40余本跟踪期刊与会议清单，并提供历史跟踪结果的获取方式。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
