主动量化组合跟踪：DeepSeek-V3.2发布，性价比再度拉升，金融任务评测表现亮眼

敬请参阅最后一页特别声明 1 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。 金融工程专题报告 敬请参阅最后一页特别声明 2 内容目录 一、DeepSeek-V3.2 发布：从架构优化到推理性价比跃升 ............................................. 4 1 DSA 为长文本做减法：架构效率提升与推理成本下探 ........................................... 4 2 可扩展强化学习（RL）框架：在工具场景内思考 ............................................... 5 3 金融任务系列评测：多维度考察表现亮眼 ..................................................... 6 二、国证 2000 指数增强策略 ...................................................................... 7 1 策略构建 ................................................................................. 7 2 国证 2000 指数选股因子跟踪 ................................................................ 7 3 国证 2000 指数增强策略跟踪 ................................................................ 8 4 最新策略信号 ............................................................................. 9 三、基于多目标、多模型的机器学习指数增强策略 .................................................. 10 1 策略构建 ................................................................................ 10 2 基于 TimeMixer 改进的 GRU+LGBM 沪深 300 指数增强策略跟踪 ................................... 10 3 基于 TimeMixer 改进的 GRU+LGBM 中证 500 指数增强策略跟踪 ................................... 11 4 基于 TimeMixer 改进的 GRU+LGBM 中证 1000 指数增强策略跟踪 .................................. 12 四、基于红利风格择时+红利股优选构建的固收+策略 ................................................ 13 风险提示 ...................................................................................... 15 图表目录 图表 1： DeepSeek