财务数据和关键指标变化 - 第四季度营收环比第三季度提升约6000万美元 [1] - 第四季度外汇（FX）因素对绝对美元金额产生负面影响，导致顺风减少500-700万美元，约合1% [3] - 公司预计2026年营收增长2-3%，调整后营业利润率达到28% [54][56] 各条业务线数据和关键指标变化 - **生命科学业务**：市场活动增加，尤其是在仪器方面，从第三季度到第四季度的季节性提升属于正常范畴，而非大规模预算集中释放 [1][2] - **诊断业务**：非中国市场（ex-China）表现优异，免疫诊断业务表现良好，且第四季度基数较低 [1][2][50] - **软件业务（Signals）**：2025年增长远超预期，年度投资组合价值（APV）增长约19%，长期规划（LRP）预计增长9-11%，但实际增长在12-13% [19][27][28] - **试剂业务**：在低迷市场环境中，过去五个季度保持个位数或低个位数有机增长 [10] - **生殖健康与新生儿筛查业务**：生殖健康业务增长中个位数，新生儿筛查业务增长高个位数至接近低双位数 [46] 各个市场数据和关键指标变化 - **中国市场**：是公司第二大市场，目前占总营收约14%，其中生命科学占7-8%，诊断业务占5-6% [40][43] - **非中国市场（ex-China）**：整体表现强劲，生命科学和诊断业务均表现良好 [1] - **美国市场（免疫诊断）**：从收购EUROIMMUN时占总营收5%增长至15-20%，长期目标份额为40-45% [36] 公司战略和发展方向和行业竞争 - **软件与AI战略**：公司正大力投资Signals软件业务，认为未来5-10年药物发现将越来越多地利用机器学习和AI，Signals软件旨在成为药物发现的平台或市场 [21][22][31] - **AI应用三大支柱**：产品AI（如显微镜、体内成像仪器的自动化）、企业AI（提升内部效率）、以及AI治理与质量控制 [34][35] - **中国市场战略**：致力于像一家中国本土公司一样运营和竞争，通过本地化、加快NMPA审批、以及专注于生殖健康和新生儿筛查等领域进行创新 [40][42][44] - **收购战略**：公司具有收购倾向，但会保持战略和财务上的理性，近期收购ACD/Labs是一个例子，旨在利用Signals的基础设施和渠道 [57] - **竞争与市场份额**：在试剂业务方面，公司认为在低迷的市场环境中实现了增长，并可能夺取了部分市场份额 [10] - **行业趋势**：生物制药领域政策风险有所缓解，客户对话更活跃，资本支出（CapEx）有松动迹象，并购活动是市场正常化的早期信号 [6][14][15] 管理层对经营环境和未来前景的评论 - **市场环境**：整体市场动态与之前相比基本相似，未发生重大变化 [1] - **生物制药前景**：生物制药市场正在显现正常化迹象，混乱和不确定性正在平息，预计未来几个季度将回归常态增长 [5][6][7] - **试剂业务展望**：市场确定性的任何迹象（如美英药品贸易关税协议、生物技术并购活动）都是回归正常增长的积极信号 [9] - **仪器业务展望**：观察到仪器端活动增加，订单和询价增多，这是市场复苏的初步迹象，高内涵筛选（high-content screening）领域的活动尤其令人鼓舞 [12][13] - **中国诊断业务展望**：短期内仍会有一些波动，但影响已大部分体现，随着按疾病诊断相关分组（DRG）支付改革的影响在几个季度内被完全消化，市场将趋于稳定 [42][44] - **2026年展望**：公司对给出的2026年营收和利润目标感到满意，已考虑到稳定的市场环境以及中国免疫诊断业务改革影响的消化 [56] 其他重要信息 - **Genomics England合同**：该合同在第三季度贡献约200万美元，第四季度贡献约700万美元，是第四季度营收提升的驱动因素之一 [1] - **政府停摆影响**：学术和政府机构业务占公司总营收5%，占美国营收12%，政府停摆产生了适度影响，但影响不大 [8] - **软件业务构成**：SaaS部分目前仅占软件总业务的33-35%，增长较快，但导致有机增长数据波动较大 [24] - **新产品发布**：Signals Clinical和Signals Synergy已发布并开始表现良好，BioDesign计划在明年第一季度推出，将进军大分子和生物分子领域，是Signals业务下一个主要增长动力 [29] - **资本配置**：除战略性收购外，公司认为其股票是很好的机会，将继续伺机进行股票回购 [57] 总结问答环节所有的提问和回答 问题: 生命科学诊断业务中，试剂方面略显疲软，政府停摆和生物技术敏感部分的影响如何 [4] - 试剂业务中约一半是BioLegend，在学术和政府端受到停摆的适度影响，而制药生物技术部分持续表现良好，并开始显现回归正常的迹象 [5] 问题: 生物技术资金复苏对公司业务的影响速度有多快 [6] - 复苏并非单一事件驱动，而是随着市场混乱和不确定性平息，更多确定性出现（如并购活动），预计需要一两个季度看到回归常态的路径 [6][7] 问题: 政府停摆的实际影响是否与预期相符 [8] - 停摆时间比预期长几周，对公司总营收（5%）和美国营收（12%）有适度影响，但影响不大 [8] 问题: 如何看待试剂业务在2026年回归正常的路径和关键指标 [9] - 任何增加制药生物技术运营环境确定性的事件都是积极信号，例如美英药品贸易关税协议和生物技术并购活动 [9] 问题: 试剂业务竞争格局是否有变化，是否出现市场份额转移 [10] - 公司试剂业务在低迷市场中表现良好，实现个位数有机增长，可能夺取了市场份额，市场不确定性（如收购）为公司提供了获取份额的机会 [10] 问题: 生命科学仪器业务的前景和预算预期如何 [11] - 观察到的是正常的季节性提升，而非预算集中释放，关键迹象是仪器活动增加，订单和询价增多，尤其是高内涵筛选领域，表明资本支出有所松动 [12][13] 问题: 生物制药客户对话的基调是否变得更加乐观 [14] - 与客户的讨论更加活跃，虽然不会立即转化为订单，但活动增加是市场复苏的迹象，特别是在高资本支出的专业化仪器领域 [15] 问题: 中国生命科学业务前景如何，公司为何表现相对优于同行 [16] - 中国生命科学业务一直是增长动力，尤其是在试剂方面，合同研究组织（CRO）活动依然活跃，市场正接近或回归正常水平 [17] 问题: 中国刺激政策是否对公司业务产生影响 [18] - 在剥离PerkinElmer业务后，刺激政策对公司影响不大 [18] 问题: 软件业务（Signals）为何大幅超越增长指引 [19] - 得益于持续的投资、客户互动以及庞大的装机基础，公司认为未来药物发现将转向机器学习和AI，Signals平台定位良好 [20][21][22] 问题: 软件业务增长中，新签约和续约各自占比及贡献如何 [24] - 增长来自两方面，SaaS部分增长更快但目前只占33-35%，导致有机增长波动，年度投资组合价值（APV）是更好的衡量指标，续约为新产品渗透提供了机会 [24][25] 问题: 面对2025年的高基数，2026年软件业务增长轨迹应如何考量 [26] - 在SaaS占比从34-35%提升至60-65%之前，有机增长会有波动，应从APV角度看待该业务，公司对长期增长前景保持信心 [27][28] 问题: 软件业务在不同规模客户（大、中、小）中的扩张机会如何 [29] - 公司已覆盖绝大多数顶级制药生物技术公司，新产品的推出（如BioDesign）和未来专注于AI的药物发现平台将是关键增长动力 [29][30][31] 问题: AI对公司带来的机遇有哪些，包括内部和外部（软件） [32] - AI应用分为三大支柱：产品AI（自动化仪器与数据解读）、企业AI（提升运营效率）、以及AI治理与质量控制，在诊断业务（如新生儿筛查）中也有应用机会 [34][35] 问题: 中国以外的免疫诊断（ImmunoDx）业务表现和前景如何 [36] - 非中国市场增长中高个位数至接近双位数，美国市场是主要增长动力，份额从5%增至15-20%，长期目标40-45%，自身免疫测试市场渗透不足，机会巨大 [36][37] 问题: 在美国市场实现份额增长的关键机会和驱动因素是什么 [38] - 公司在某些细分领域（如神经免疫学、肾病学）拥有知识产权和领先地位，专注于专业和特殊检测，增长依赖于时间、审批以及持续引入自动化和新检测方法 [38] 问题: 中国诊断业务市场波动情况如何，是否已趋于稳定 [39] - 中国市场重要但面临挑战（如DRG、VBP、阳光采购等政策），公司战略是像本土公司一样创新运营，预计再经历几个季度消化DRG影响后，市场将趋于稳定 [40][41][42] 问题: 中国诊断业务在2026年的展望，如何理解一次性影响和未来增长 [43] - 预计中国诊断业务将稳定在公司总营收的5-6%，自身免疫诊断占较大比重，公司战略上希望中国业务占比在10-13%左右 [43] 问题: 中国诊断业务是增长市场还是面临能见度挑战 [44] - 短期仍有波动，但主要影响已发生，公司重点是通过本地化、加快审批和战略合作来把握“在中国，为中国”的机会 [44] 问题: 新生儿筛查业务增长驱动因素和未来前景如何 [45] - 增长源于持续引入新检测方法、地域扩张（如埃及）、以及与政府和机构合作提供从样本到结果的解决方案，与Sanofi合作筛查青少年糖尿病是新的增长范例 [46][47][48] 问题: 第四季度营收指引的信心和能见度如何，关键变量是什么 [49] - 指引基于三个驱动因素：生命科学仪器活动、Genomics England合同、以及非中国免疫诊断业务的低基数，外汇对绝对金额有约500-600万美元的负面影响 [50][51] 问题: 第四季度利润率环比提升的驱动因素是什么 [52] - 利润率提升得益于多项举措，包括重组、整合收购、采购优化等从损益表顶部到底部的持续改进 [53] 问题: 2026年2-3%增长目标的构成和能见度如何 [54] - 该目标基于稳定的市场环境，并已考虑中国免疫诊断业务改革影响的消化，公司对此感到满意 [56] 问题: 当前的资本配置优先级和收购意愿如何 [57] - 公司具有收购倾向，但会保持战略和财务理性，ACD/Labs是近期例子，此外，股票回购也是机会性选择 [57]

文章核心观点 - 材料科学正以前所未有的速度推动产业变革与创新，2026年将迎来十大核心趋势[2] - 这些趋势涵盖可持续材料、智能材料、纳米技术等多个方向，将深远影响制造、能源、交通、电子等多个行业[2] - 新材料的创新旨在满足全球可持续发展目标、工业智能化升级及消费市场对高性能材料的迫切需求[2] 可持续材料 - 全球可持续材料市场2024年估值约为3333.1亿美元，预计到2034年将增长至约10737.3亿美元，复合年增长率为12.41%[4] - 为减少碳足迹和减轻废弃物负担，建筑、汽车、包装和制造等行业正重新评估其材料生命周期工艺[4] 响应式和智能材料 - 材料科学进步推动开发具有可编程特性、能对外部刺激做出反应的智能材料，特性包括热变色、电变色、形状记忆等[7] - 压电智能材料市场预计2024年至2028年复合年增长率为15.63%，市场规模预计将增长394.9亿美元[7] 纳米技术 - 全球纳米材料市场2024年估值为226亿美元，预计2025年至2035年复合年增长率达14.3%，到2035年将达到983亿美元[9] - 纳米纤维、纳米管、量子点等纳米材料在原子层面提升工业产品性能，电子、能源、出行和制造业正利用其保持竞争优势[10][12] 增材制造 - 3D打印技术推动金属、合金、陶瓷、纤维等材料改进，并促进新型耐用聚合物耗材发展[14] - 预计到2029年，3D打印材料市场将达到69.2亿美元，反映增材制造中对创新材料需求的增长[14] 轻量化 - 为提升燃油效率和操控性，航空航天到出行等行业寻求创新方法减轻重量，推动对铝、镁、钛、碳纤维等材料的研究[17] - 全球轻质材料市场规模预计到2030年达2764亿美元，2023-2030年复合年增长率为8.3%[17] 材料信息学 - 大型企业正采用数据驱动方法，利用信息学、机器学习人工智能系统组织和建模材料数据[19] - 材料信息学市场2024年估值为1.5478亿美元，预计从2025年1.7992亿美元增长至2034年7.0521亿美元，复合年增长率16.4%[19] - 该方法优化从复杂材料数据中提取科学洞见，并加快研发进度节省时间和劳动力[21] 先进复合材料 - 先进复合材料由两种或多种不同性质成分组成，以卓越强度重量比、耐腐蚀性和耐用性著称[23] - 全球复合材料市场预计到2027年达1686亿美元，2022-2027年复合年增长率为8.2%[23] - 广泛应用于航空航天飞机零部件、汽车轻量化车辆、建筑耐用结构等多个行业[23] 石墨烯与二维材料 - 石墨烯作为首个成功商业化的二维材料，提供更高抗拉强度、电子迁移率、柔韧性和热阻性[25] - 全球石墨烯市场2023年规模2.689亿美元，预计到2030年增长至27亿美元，复合年增长率38.9%[25] - 应用遍及电子显示屏、超级电容器、汽车、建筑涂料和塑料制造等多个行业[25] 表面工程 - 工业表面需要涂层以增强耐用性，保护汽车、工业、农业、海洋和制造业资产[27] - 表面视觉与检测市场2023年估值254.6亿美元，预计2024年达277亿美元，复合增长率8.89%，到2030年达462.2亿美元[27] - 技术进步推动开发具有疏水、自清洁特性的表面，疫情后加大抗菌涂层研发力度[27] 材料管理4.0 - 工业4.0推动物料管理、处理和加工的数字化，涵盖自主挖矿、自动化制造到机器人云计算[29] - 推动材料行业快速数字化和互联，新材料的创造与第四次工业革命工业技术整合同步进行[29]

人工智能交易的行业影响与规模 - 人工智能技术为金融市场带来效率、准确性和速度的革命性提升 [1] - 到2025年，人工智能将处理全球近89%的交易量，覆盖高频股票交易和去中心化加密生态系统 [1][10] 核心技术驱动因素 - 人工智能交易平台利用先进算法、机器学习、神经网络和实时数据分析实现自动化交易 [1][10] - 关键AI技术包括监督学习、强化学习、自然语言处理、量子计算和多模态人工智能等 [12] - 市场每日产生并处理超过250万兆字节的多维数据，包括新闻、社交媒体和卫星图像 [13] - 人工智能系统实现纳秒级交易响应，速度较人类提升数个量级 [13] 主流交易策略与应用 - 人工智能交易策略结合机器学习、预测分析和神经网络以优化金融交易决策 [14] - 策略涵盖量化交易、算法交易、情绪分析和强化学习，旨在最大化收益并管理风险 [14] - 高级交易技术包括基于数学模型的算法交易、情绪分析、混合自适应策略和回测平台 [15] 平台类型与市场参与者 - 人工智能交易平台主要分为机构平台、零售平台和加密货币平台 [13] - 监管机构如美国证交会通过批准新型AI驱动订单类别，赋予自主交易系统合法地位 [13] - 市场参与者对执行效率与风险管理最大化的工具需求日益迫切 [13] 行业入门指南 - 新手入门需构建知识基础、选择用户友好且安全的交易平台 [16][17] - 关键步骤包括制定数据驱动策略、进行回测、从小额投资开始并持续学习 [17] - 建议参与社区论坛以保持信息更新 [17]

核心人事变动 - 苹果公司高级副总裁、机器学习与人工智能战略负责人约翰·詹南德里亚将于2026年春季退休，卸任前继续担任公司顾问 [1] - 微软前高管阿马尔·苏布拉马尼亚加入苹果，出任人工智能副总裁，直接向软件工程高级副总裁克雷格·费德里吉汇报 [3] 詹南德里亚的贡献与影响 - 詹南德里亚自2018年加入苹果，主导了公司机器学习与人工智能战略的全面布局 [3] - 其推动了Siri语音助手、计算机视觉、自然语言处理等核心技术的迭代升级 [3] - 在其任内，苹果在AI隐私保护领域取得突破，2021年主导推出“差分隐私”与“设备端机器学习”框架 [3] - 其力推的Apple Neural Engine（神经网络引擎）已集成至全系产品，为实时AI计算提供硬件支撑 [3] 未来产品与技术展望 - 据供应链消息，2026年秋季发布的iPhone 18系列可能搭载升级版Siri，支持更复杂的上下文理解与多任务处理 [3] - 同时，Apple Watch或引入健康风险预测功能，利用AI分析用户生物数据 [3]

核心观点 - 医学专家团队开发了一种基于泪液的新型无创诊断方法 仅需10纳升泪液并在30秒内即可实现对糖尿病性白内障的精准诊断 该方法具有快速、高灵敏度、高通量等显著优势 并揭示了疾病相关的代谢重编程规律 有望转化为常规筛查工具 [1][2] 技术方法与创新 - 研究团队构建了高性能的纳米颗粒增强激光解吸电离质谱平台 将代谢物检测的信号响应提升了1个至3个数量级 [2] - 该技术平台实现了高通量 每个样本检测时间少于30秒 高灵敏度 检测限低至0.1ng 以及高重复性 完美契合痕量泪液代谢分析需求 [2] - 传统液相色谱-质谱联用技术所需样本量大、前处理复杂、分析时间长 难以应用于临床泪液样本的高通量检测 [1] 诊断模型与机制发现 - 通过对泪液代谢指纹进行机器学习 研究团队成功构建了一个仅包含三个关键代谢特征的诊断模型 该模型在验证队列中表现出色 [2] - 研究揭示了1,5-脱水葡萄糖醇水平降低可能是糖尿病性白内障发生发展的重要环节 [2] - 研究成功揭示了糖尿病性白内障在眼表与眼内独特且密切相关的代谢重编程规律 [1] 应用前景与优势 - 该方法具有无创、快速、样本需求量极低 仅需10纳升、准确性高的显著优势 [1][2] - 该方法有望在未来转化为一种适用于眼科门诊的常规筛查工具 [2] - 该技术为实现糖尿病性白内障的早期诊断、风险预警和个性化治疗提供强有力的技术支撑 [2] - 泪液是一种完全无创、易于获取的眼部体液 蕴含着丰富的疾病分子信息 是理想的无创诊断生物标志物来源 [1]

根据提供的研报内容，总结如下： 量化模型与构建方式 1. **模型名称：GAN_GRU模型**[4][13] * **模型构建思路**：该模型是一种深度学习选股模型，首先利用生成式对抗网络（GAN）对量价时序特征进行增强处理，然后再利用门控循环单元（GRU）网络对处理后的时序特征进行编码，最终输出股票的预测收益作为选股因子[4][13]。 * **模型具体构建过程**： * **基础特征**：模型使用18个量价特征，包括日频特征（如前收盘价、开盘价、收盘价、最高价、最低价、成交量、成交金额、涨跌幅、振幅、换手率、均价）和月频特征（如月成交金额、月涨跌幅、月振幅、月换手率、月收盘最高价、月收盘最低价、月日均换手率）[14][17][19]。 * **数据预处理与采样**：使用所有个股过去400天内的18个量价特征，每5个交易日进行一次特征采样。每次采样的特征形状为40天*18个特征，用以预测未来20个交易日的累计收益[18]。在时序上对每个特征进行去极值和标准化处理，并在个股截面上进行标准化处理[18]。训练集与验证集的比例为80%:20%[18]。 * **基础模型（GRU+MLP）**：构建一个包含两层GRU层（GRU(128, 128)）和后续多层感知机（MLP(256, 64, 64)）的神经网络。模型最终输出的预测收益（pRet）作为选股因子[22]。 * **GAN特征增强**：为了提升特征质量，引入GAN模型对原始量价时序特征（Input_Shape=(40,18)）进行增强[33][37]。 * **生成器（G）**：采用长短期记忆网络（LSTM）作为生成器，以保留输入特征的时序性质。其目标是生成逼真的量价时序特征。生成器的损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 是随机噪声，\(G(z)\) 是生成器生成的数据，\(D(G(z))\) 是判别器判断生成数据为真实数据的概率[24][25]。 * **判别器（D）**：采用卷积神经网络（CNN）作为判别器，将量价时序特征视为二维图像进行处理。其目标是区分真实数据与生成数据。判别器的损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 是真实数据，\(D(x)\) 是判别器对真实数据的输出概率，\(D(G(z))\) 是判别器对生成数据的输出概率[27]。 * **训练过程**：生成器和判别器交替训练。先训练判别器，再训练生成器，循环迭代直至模型收敛[29][30][34]。 * **GAN_GRU整合**：将训练好的GAN模型中的生成器（G）用于处理原始量价时序特征，生成增强后的特征。然后将增强后的特征输入到前述的GRU+MLP基础模型中进行训练和预测[38]。 * **训练与预测设置**：采用半年滚动训练方式，每年6月30日和12月31日进行模型训练，用于未来半年的预测。回测采用月频调仓。选股范围为全A股，剔除ST股及上市不足半年的股票。训练超参数包括：batch_size为截面股票数量、优化器为Adam、学习速率为1e-4、损失函数为IC、早停轮数为10、最大训练轮数为50[15][18]。 量化因子与构建方式 1. **因子名称：GAN_GRU因子**[4][13] * **因子构建思路**：GAN_GRU因子是GAN_GRU模型最终输出的股票预测收益（pRet）[22]。该因子在用于测试前，会经过行业和市值中性化处理，并进行标准化[22]。 * **因子具体构建过程**：因子值直接来源于GAN_GRU模型的输出，即模型对每只股票未来20个交易日收益的预测值[18][22]。构建过程与上述GAN_GRU模型的构建过程完全一致。 模型的回测效果 1. **GAN_GRU模型**（基于其输出的因子进行回测，回测期间：2019年1月至2025年11月，月频调仓）[41][42] * IC均值：0.1131*** * ICIR（未年化）：0.90 * 换手率：0.83 * 年化收益率：37.52% * 年化波动率：23.52% * 信息比率（IR）：1.59 * 最大回撤率：27.29% * 年化超额收益率：23.14% 因子的回测效果 1. **GAN_GRU因子**[41][42] * 最新一期IC（截至2025年11月27日）：0.1241*** * 近一年IC均值（截至2025年11月27日）：0.0867*** * 近期行业IC表现（2025年10月当期，申万一级行业除综合）：社会服务(0.2198***)、房地产(0.2027***)、钢铁(0.1774***)、非银金融(0.1754***)、煤炭(0.1537***)[42] * 近一年行业IC均值（申万一级行业除综合）：非银金融(0.1401***)、钢铁(0.1367***)、商贸零售(0.1152***)、纺织服饰(0.1124***)、公用事业(0.1092***)[42] * 近期行业多头组合超额收益（2025年11月当期，相对行业指数）：环保(7.24%)、机械设备(4.37%)、房地产(4.03%)、纺织服饰(3.89%)、建筑材料(2.91%)[2][45] * 近一年行业多头组合月平均超额收益（相对行业指数）：建筑材料(2.15%)、房地产(1.97%)、社会服务(1.77%)、纺织服饰(1.71%)、商贸零售(1.62%)[2][46]

亚马逊研究奖2025年春季获奖概况 - 亚马逊研究奖最新一期共评选出63位获奖者，来自全球8个国家的41所大学，其中华人学者有26位，占比约41% [1][2] - 该奖项设立于2015年，为多学科研究提供资助，获奖者可访问700多个亚马逊公共数据集，使用AWS AI/ML服务与工具，并获得亚马逊专家的咨询支持 [2] AI信息安全领域 - AI信息安全方向有8位研究者获奖，其中包含3位华人学者 [3] - 加州大学欧文分校Zhou Li的研究课题为利用LLM在审计日志中实现精确且分析人员友好的攻击溯源 [4] - 弗吉尼亚大学Yu Meng的研究聚焦于弱监督RLHF，旨在建模人类偏好中的模糊性与不确定性 [5] - 东北大学Ziming Zhao的研究兴趣涵盖系统与软件安全、网络与Web安全 [6] 亚马逊广告研究方向 - 亚马逊广告研究方向共有两位获奖者，均为华人学者 [8] - 东北大学Xiaojing Liao的研究课题为理解大语言模型的攻击方式：可解释的漏洞检测与修复 [10][11] - 弗吉尼亚大学Tianhao Wang的研究方向包括差分隐私和机器学习隐私，重点在于设计实用算法 [14] AWS Agentic AI方向 - 智能体AI是亚马逊资助的热门方向，今年共有30位研究者获奖 [16] - 达特茅斯学院Cong Chen的研究目标是通过优化、经济学和AI方法推动全球能源转型，涉及面向能源用户的大语言模型 [17][19][23] - 慕尼黑工业大学Chunyang Chen的研究领域位于软件工程、人机交互与AI的交叉处，采用AI和LLM辅助自动化移动应用开发 [20][21][24] - 蒙特利尔大学Bang Liu深耕基础智能体研究，联合发起Foundation Agents开源组织，并构建材料科学大模型与智能体 [26][28][33] - 加州大学圣地亚哥分校Lianhui Qin的研究目标是构建在复杂环境中进行交互、推理与泛化的AI智能体 [30][34][35] - 威廉与玛丽学院Jindong Wang的研究兴趣涵盖机器学习、大型基础模型及面向社会科学的生成式AI，其成果曾应用于微软健康产品，减少15% token消耗 [36][38][42] - 加州大学圣地亚哥分校Xiaolong Wang的研究聚焦于利用数据中的结构学习视觉表示，特别是视频中的时空结构 [39][41][43] - 明尼苏达大学Zhi-Li Zhang的研究重点包括开发AI/ML算法以实现智能软件定义网络基础设施和边缘/云系统 [45] - 石溪大学Jiawei Zhou的研究聚焦于广义语言应用与生成式AI，致力于改进LLM和多模态模型的效率、知识增强、事实性等方面 [46][51] 在Trainium上构建 - Trainium是AWS开发的定制AI芯片系列，旨在以更低成本提供高性能的ML模型训练和推理，支持PyTorch和TensorFlow等流行框架 [48] - 该方向共有20名获奖者 [49] - 康奈尔大学Kuan Fang的研究课题为机器人感知与控制的多模态基础模型快速适应 [50][53][59] - Lieber研究所Shizhong Han的研究旨在结合多组学数据和深度学习技术揭示脑部疾病的遗传基础并开发新型治疗方法 [55][60] - 加州大学欧文分校Sitao Huang的研究兴趣包括高效硬件加速器、硬件系统的编程语言与综合流程 [58][61][79] - 加州大学默塞德分校Dong Li的研究聚焦高性能计算，并与大规模AI/ML系统密切相关 [63][68][78] - 不列颠哥伦比亚大学Xiaoxiao Li的研究集中在AI与医疗的交叉领域、通用人工智能的理论与技术 [66][69] - 早稻田大学Jiang Liu的研究兴趣包括无线通信与感知、无线网络系统 [67][70] - 加州大学默塞德分校Xiaoyi Lu的研究兴趣包括并行与分布式计算、高性能通信与I/O技术、深度学习 [72][78] - 普渡大学Xupeng Miao的研究课题为通过数据流感知优化实现大型基础模型的通信高效分布式训练 [73][74] - 明尼苏达大学Yanning Shen的研究兴趣包括机器学习、数据科学、网络科学 [76] - 加州大学伯克利分校Yun Song的研究方向为数学与计算生物学 [80] - 伊利诺伊大学厄巴纳-香槟分校Minjia Zhang的研究兴趣包括大规模深度学习与AI应用、高效算法及高效机器学习系统 [83][89] Think Big方向 - Think Big方向旨在资助通过变革性理念推进科学前沿的研究者，今年共有三位获奖者，其中一位为华人 [85] - 北卡罗来纳大学教堂山分校Tianlong Chen的研究课题为利用分子动力学赋能蛋白质AI模型 [86][88]

公司里程碑与市场参与 - 公司率先将中国国债和政策性银行债纳入其旗舰全球综合指数，并于2020年11月完成纳入工作，使人民币债券成为全球投资组合重要组成部分[2] - 公司支持债券通、互换通、人民币债券回购等一系列互联互通机制落地，并成为首家同时支持债券通和直投模式的境外电子交易平台[3] - 公司与中资金融机构深化合作，通过数据与技术帮助其提升风险管理、定价等全球业务能力，例如与最大证券公司签署战略合作协议以加速国际化[3] 中国债券市场开放现状 - 中国债券市场已成为全球第二大市场，境外投资者参与度持续提升，截至2025年8月末共有来自80个国家和地区的1170家境外机构进入，持债总量约4万亿元人民币[4] - 市场开放正从量变走向质变，可预期性、便利性和专业化程度稳步提升，境外投资者参与结构呈现更稳定、多元化发展趋势[4] - 制度型开放带来交易、结算、信息披露等方面持续优化，并引入利率互换和债券回购等衍生品，提高市场透明度、流动性和可预期性[5] 国际投资者行为与关注点 - 中国债券纳入全球指数推动国际投资者从被动投资转向主动研究，投资逻辑从关注收益率的战术性配置转向全球资产配置视角的战略性配置[6] - 国际投资者最关注市场透明度、二级市场流动性以及人民币汇率与政策预期三大因素[7] - 公司通过数据与分析工具帮助投资者实时对比中外市场数据，并举办路演活动帮助理解市场动态[7] 公司产品与服务创新 - 公司应用人工智能、机器学习等技术，提供多层级关联数据结构，帮助投资者全面理解发行主体和定价逻辑[8] - 量化解决方案BQUANT整合数据与计算能力，将传统需数天的量化流程缩短至数分钟[8] - 公司在业界率先推出人民币债券回购交易解决方案，允许全球投资者使用北向通持有债券作为抵押品进行电子化回购交易[9] 中国市场未来展望 - 中国金融市场开放方向明确，市场机制将进一步完善，人民币国际化将持续深化[11] - 未来将有更多中资金融机构融入全球市场，更多国际投资者关注和投资中国[11]

文章核心观点 - 联博基金正在发行联博中证500指数增强型基金，旨在通过其全球量化经验与本土化实践，为投资者提供参与中国经济转型与产业升级的投资工具，并致力于在中盘股领域构建持续的超额收益能力 [2][4][6] 中证500指数的投资价值 - 推动近期A股行情的主要因素包括“9·24”以来提振信心的政策组合拳、资本市场基础制度改革（如提升上市公司治理水平与分红支付率）、以及利率下行背景下的资金再配置需求 [11] - A股市场整体分红支付率已从原来的30%左右提升至40%，增强了市场的长期投资价值 [11] - 中证500指数的行业布局契合国家发展“新质生产力”的战略方向，广泛覆盖电子、医药生物、电力设备及新能源等科技创新领域 [13] - 中证500指数中民营经济占比接近50%，民营企业贡献了约70%的技术创新，政策支持提振了企业家信心与资本支出意愿，为指数注入活力 [4][13] - 指数中制造业占比约50%，能从产业升级中受益，当前动态市盈率约为28倍，基于未来三年盈利增长预期的PEG指标约为0.87，估值处于合理区间 [13] - 中盘股市场（如中证500成分股）个人投资者参与度高，市场情绪波动显著，这为系统化识别行为模式、挖掘错误定价提供了更丰富的超额收益机会 [14][15] 因子挖掘与机器学习方法论 - 联博的指数增强策略融合量化投资与机器学习，其方法论根基源自全球市场的长期积淀，并依托全球统一的算力基础设施 [17] - 联博集团拥有79名量化分析师，建立了高效的全球协作与知识共享机制，以保持策略的前瞻性 [17] - 传统量化模型追求具有强解释力的“超级因子”，而机器学习模型更注重“因子的多样性”，通过非线性建模将数百个中等偏上的因子融合成一个具有预测能力的整体，内部称之为“适者生存模型” [19] - “超级因子”具有清晰的经济学或行为金融学逻辑且统计稳健，而机器学习能发掘大量分散化、小规模的因子，这些因子可能构成难以直观解释但真实有效的“暗知识” [20] - 机器学习因子的生命周期不断缩短，迭代速度加快，行业竞争进一步压缩了迭代周期，因此持续提升算力是支撑高速迭代研究体系的关键 [5][21] - 投资者的行为模式会随市场环境（牛市/熊市）变化，有效的因子需要动态调整，但识别市场模式的方法是相对稳定的核心，需持续迭代以保持有效性 [22] 团队分工及全球协作 - 基金管理采用“资管工业化”模式，依赖于产品标准化、流程专业化分工和系统品质控制三大基石 [25] - 产品的超额收益（Alpha）主要来自两部分：一是由杨光主导的、应对市场快速迭代的机器学习策略；二是基于联博全球50年积累的因子库进行本土化引入、验证与迭代的系统化流程 [25] - 朱良的核心职责之一是担任“工业化流程”的品质控制官，确保各环节严谨衔接，整个流程由包括IT专家、投资组合管理专员、交易员在内的强大平台化团队支持 [26] - 全球经验与本土实践结合的关键在于捕捉全球共通的“韵”，即观察美股等现象后在一段时间于A股重现的规律，并灵活运用于本土实践 [27] - 面对与海外市场同频的激烈竞争，单纯依靠本土经验的内生迭代越来越困难，需融入全球智慧以构建可持续的差异化优势，避免策略高度同质化 [28]

研究核心成果 - 苏黎世联邦理工学院Yuansi Chen在arXiv上发布最新研究成果，证明了布尔超立方体上的塔拉格兰卷积猜想，结果精确到一个log log η因子 [1][3] - 该猜想由阿贝尔奖得主Michel Talagrand于1989年提出，困扰数学界约30年 [6] - 论文最终证明：ℙ_{x∼μ} (P_τ f(X) > η ∫ f dμ) ≤ c_τ (log log η) / (η √(log η))，表明猜想核心思想正确，且因log log η增长极其缓慢，该结果已接近完整解决猜想 [2][10] 研究意义与关联领域 - 该研究为理解高维离散空间中的平滑化提供了数学论证 [5] - 研究结果与机器学习息息相关，从理论上支撑了机器学习中的正则化概念 [5] - 为开发处理离散数据的生成式AI模型提供了直接的数学工具和物理直觉 [5] - 论文中使用的“反向热过程”是扩散模型在布尔超立方体上的对应，有助于理解或开发针对离散数据的扩散生成模型 [11] - 该研究有助于理解高维离散空间的几何性质，对于发展关于二值数据或逻辑函数的学习理论很有价值 [11] 研究背景与挑战 - 塔拉格兰卷积猜想认为，经过平滑处理的数据，出现极端异常值的可能性比一般理论预测的要低一个特定的量级 [7] - 此前，猜想的高斯形式已被攻克，但推广到布尔超立方体这样的离散空间是巨大挑战，因为连续空间的工具无法直接迁移 [9] - Yuansi Chen的解决思路是借鉴高斯空间随机分析的框架，利用反向热过程的特性来设计微扰，以适应布尔超立方体的离散特性 [9] 研究者背景 - 论文作者Yuansi Chen出生于1990年7月，浙江宁波人，主要研究方向包括统计机器学习、马尔可夫链蒙特卡罗方法、应用概率、高维几何等 [12] - 他于2019年博士毕业于加州大学伯克利分校，师从华人统计学家郁彬，曾任职杜克大学统计科学系助理教授，于2024年初转入苏黎世联邦理工学院任副教授 [14] - 其Google Scholar显示论文被引数为1623，h-index为13，是2023年斯隆研究奖获得者 [14][15][16]