报告概述
本报告为国金证券金融工程团队发布的月报，聚焦三大策略：国证2000指数增强策略、基于多目标多模型的机器学习指数增强策略（引入Mamba-2改进GRU+LGBM模型），以及基于红利风格择时与红利股优选的固收+策略。报告覆盖从因子测试、策略构建到跟踪回测的全流程，分析各策略在沪深300、中证500、中证1000及国证2000等宽基指数上的表现，为投资者提供量化选股与资产配置参考。
报告的核心结论
国证2000指数增强策略长期超额收益显著
基于技术、反转、特异波动率等因子合成的增强因子，在国证2000成分股上IC均值达12.24%，年化超额收益率12.04%，信息比率1.53。但2026年5月因子IC为-3.76%，策略超额收益为-4.18%，动量因子部分失效导致短期波动。
Mamba-2改进的机器学习模型显著提升选股表现
将Mamba-2模型与GRU、LGBM融合构建的MBGRU+LGBM因子，在沪深300、中证500和中证1000上样本外IC均值为8.79%、8.60%和11.96%，多头年化超额收益率分别达10.42%、10.65%和16.35%，较传统模型更有效捕捉近期市场信息。
红利风格择时加选股策略优于基准
利用动态宏观事件因子对中证红利指数进行择时，并结合AI选股模型构建的固收+策略，年化收益率6.97%，最大回撤仅4.93%，夏普比率2.09，显著优于80%纯债+20%红利基准。选股策略年化收益率17.22%，夏普0.83。
报告回答的关键问题
国证2000指数增强策略近期表现如何？
2026年5月，国证2000指数增强策略超额收益为-4.18%，较上月下滑。但长期来看，该策略自2014年回测以来年化超额收益率达12.04%，信息比率1.53，超额净值稳步向上。因子表现波动主要受动量因子部分失效影响，技术、反转等因子仍有效。
Mamba-2模型如何改进量化选股？
Mamba-2通过结构化状态空间模型（SSD）重写SSM计算，在保持选择性状态压缩能力的同时，与GPU硬件高度匹配，形成表达力、效率和可扩展性的平衡。将其嵌入GRU+LGBM框架后，模型能更好捕捉近期市场动态，在沪深300等指数上因子IC和超额收益均显著提升。
红利策略在当前市场是否有效？
报告显示，基于10个宏观指标（如消费者信心、发电量、利率等）构建的红利指数择时策略，结合AI选股模型，长期跑赢中证红利全收益指数。2026年选股策略年化收益率17.22%，择时信号显示6月仓位为100%。固收+策略年化6.97%，最大回撤4.93%，适合稳健投资者。
报告中的代表性数据
国证2000增强因子IC均值
2014年4月至2026年5月，基于技术、反转、波动率等因子合成的增强因子在国证2000成分股上的平均IC值，t统计量12.54。
沪深300指数增强策略年化超额收益率
2018年2月至2026年5月，基于MBGRU+LGBM因子的沪深300指数增强策略，回测区间年化超额收益率，最大回撤7.25%。
固收+策略夏普比率
历史回测至2026年5月，基于红利择时与选股构建的固收+策略，年化收益率6.97%，最大回撤4.93%，夏普比率显著高于基准的1.20。
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
- 国证2000指数增强策略的完整因子测试与合成方法，包括技术、反转、特异波动率等因子的详细IC分析。
- 基于Mamba-2改进的GRU+LGBM机器学习模型架构说明，包括SSD计算重写、模型训练与特征工程细节。
- 沪深300、中证500、中证1000指数增强策略的完整回测表现，包括净值曲线、超额收益、信息比率、最大回撤等指标。
- 红利风格择时策略的动态宏观事件因子构建方法，涵盖10个经济增长和货币流动性指标。
- 中证红利选股策略的AI模型测试结果，包括因子表现、选股组合净值走势及月度持仓列表。
- 固收+策略的资产配置比例与再平衡规则，以及择时信号生成逻辑。
- 最新一期的完整持仓名单，包括国证2000增强策略、红利选股策略的个股列表。
- 风险提示与模型失效风险分析，涵盖政策、市场环境变化等情景。
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。
