一、基本面因子的权重在往上提
4月份以来，量化策略里基本面因子的权重明显提高了。之前可能更多看量价、看资金流，现在财报数据在决策里的占比被调高了。
原因也不复杂：流动性没那么宽裕了，市场开始给真实盈利能力定价。模型只能跟着市场走。
从历史数据看，财报季通常会有几类因子表现不错：超预期因子、成长因子。而防御性的因子（比如低估值、低波动）相对平淡，小市值因子更是普遍不行。
二、真正的重点是“预期差”
跟几个做量化的朋友聊下来，大家反复提到一个词：预期差。
什么意思？不是简单买“业绩最好的那些票”。因为你看到的好，市场早就看到了。如果业绩亮眼但已经被充分定价，财报出来那天反而可能跌。
量化要算的是：哪些公司的业绩，比市场预期的要好？ 这个“超预期的程度”，才是超额收益的来源。
逻辑很简单：一家公司业绩增长20%，如果市场都以为只有10%，那超预期，股价还能涨；如果市场以为有30%，那就算真涨了20%，也是不及预期。
三、AI已经开始帮忙读财报了
今年财报季一个新变化：大模型开始被用上了。
以前券商研报、财报里那些文本内容，量化模型基本无视，因为看不懂。现在不一样了，有机构已经用大模型做两件事：
一是提取“硬数据”——营收、利润、超预期幅度这些，其实传统方法也能做。
二是在挖“软信息”——比如财报里的管理层讨论、风险提示、未来指引。这些东西以前是分析师手动看的，现在大模型可以批量扫一遍。
还有人用知识图谱梳理关联交易，或者用异常检测算法跨季度比对会计政策。过去花几小时翻一份财报的工作，现在十几分钟能扫完几百份。
当然，大模型现在更多是“干苦力”的角色，理解上也还有偏差。但这条路，已经在走了。
财报季的量化博弈，核心不是“买谁业绩高”，而是“算谁被低估了”。
AI只是工具，帮研究员从翻财报的体力活里解放出来。真正的判断，还是得靠人。
