公司调研情况 - 知名私募天倚道投资近期对晶盛机电进行了特定对象调研 [1] - 晶盛机电报告期内实现营业收入175.77亿元，净利润25.10亿元 [1] - 公司加速推进半导体装备国产替代，成功开发多种12英寸半导体装备，产品指标达国际先进水平 [1] - 在半导体衬底材料方面，公司快速推进8英寸碳化硅衬底产能爬坡，市场拓展成果显著 [1] - 石英坩埚业务通过全自动化生产平台提升效率，晶鸿精密成为核心零部件供应商 [1] - 主要客户包括TCL中环、长电科技等知名上市公司或大型企业，在手订单基本为下游头部客户订单，付款履约情况良好 [1] - 公司未来将坚持"先进材料、先进装备"发展战略，打造多元业务协同发展的平台型公司 [1] 机构背景 - 天倚道投资注册资本1000万元，是第一批拿到私募资格并经过证监会备案的公司之一 [2] - 2016年取得新股网下配售资格，2017年成为中国基金业协会会员，已具有3+3投顾资质 [2] - 2019年获得科创板网下配售资格，管理规模累计50亿元以上 [2] - 产品运作策略以多策略为主，结合人工智能、量化选股、程序化TO等策略 [2] - 有股票多头系列、量化对冲系列、指数增强系列产品，紧密跟踪指数并动态调整策略 [2] - 历经多轮牛熊市考验，管理规模日益壮大，在业内有良好信誉口碑 [2]

文章核心观点 - 2024年以来债市维持强势，权益类资产整体震荡但局部有行情，部分"固收+"产品在复杂市场环境中表现突出[2] - 选取了四只采用不同策略的"固收+"产品进行分析，包括"固收+可转债"、"固收+周期股"、"固收+红利"和"固收+量化选股"策略[2] - 不同策略的"固收+"产品具有各自独特的风险收益特征，为投资者提供了丰富的选择[2][15] 华安强化收益债券 - 采用"固收+可转债"策略，基金经理郑伟山过去1年收益11.41%，排名同类前2%[3] - 债券持仓以可转债为主(70%以上)，国债和金融债为辅，不持有公司信用债[3][4] - 股票持仓行业分散(10-15个)，偏好成长和周期类行业龙头股，坚持"少而精"思路[6] - 基金经理权益投研出身，投资风格积极灵活，偏好弹性较高资产[5][6] 华泰柏瑞鼎利灵活配置混合 - 采用"固收+周期股(主要是黄金股)"策略，近1年收益率6.72%[7] - 债券持仓以金融债为主(30%-65%)，公司信用债和同业存单为辅，不持有可转债[7] - 股票持仓择时操作明显，黄金股占比28%-40%，个股数量100个以上，分散程度高[8] - 两位基金经理分工明确，固收部分追求稳定票息收益，权益部分专注周期股灵活投资[8] 易方达瑞锦混合 - 采用"固收+红利"策略，近1年收益10.90%[10] - 债券持仓以金融债和公司信用债为主(50%以上)，较少投资国债和可转债[10] - 股票持仓根据市净率指标择时，加仓银行、公用事业等高股息资产[11] - 基金经理坚持绝对收益思路，债券以票息收益为主，股票以高股息资产为主[11] 招商安阳债券 - 采用"固收+量化选股"策略，近1年收益9.72%[12] - 债券持仓以金融债和公司信用债为主，2024年下半年国债持仓提升至10%[12][13] - 股票采用"多因子选股+行业轮动模型"量化策略，行业配置灵活调整[13] - 基金经理分工明确，固收部分控制信用风险，权益部分定量定性结合[14] 结语 - "固收+"产品策略丰富多样，不同策略在过往市场中实现了多元化超额收益[15] - 投资者需根据自身风险偏好和投资目标选择合适的产品[15]

神经常微分方程与液态神经网络 - 神经常微分方程（Neural ODE）通过将离散残差结构连续化，提出用同一常微分方程求解无限堆叠残差结构的参数，显著降低计算复杂度 [1][5][6] - 液态神经网络（LTC/NCP/CFC）基于Neural ODE思想，将循环神经网络离散时间步连续化，提升表征能力并增强抗噪声鲁棒性 [2][13][28] - LTC网络通过生物神经元启发的微分方程设计，在时间序列预测任务中相比传统RNN提升5%-70%性能 [14][15][20] - NCP网络模仿线虫神经系统结构，采用稀疏连接和分层设计，参数量仅为LSTM的4.3%（1,065 vs 24,897）但保持相当性能 [26][31][32] - CFC网络通过推导LTC微分方程的闭式解，避免数值求解过程，训练速度比ODE-RNN快97倍（0.084 vs 7.71分钟/epoch） [33][36][37] 量化选股实证结果 - 液态神经网络显存需求仅为GRU的5%-67%（CFC 6Gb vs GRU 120Gb），实现同等选股效果下大幅降低计算资源消耗 [40][41] - 不同液态网络因子与GRU的相关系数0.69-0.82，显示模型能从相同数据中提取差异化价量特征 [42][43] - NCP结构在2020-2024年回测中表现最优，多头年化收益率24.38%超过GRU的24.21%，夏普比率0.95优于GRU的0.88 [44][50][54] - CFC网络在2024年极端市场中保持稳健，多空年化收益率42.64%显著高于GRU的39.36% [45][58] - 液态神经网络整体多空夏普比率5.22-5.66，优于传统GRU的5.22，显示更强的风险调整后收益能力 [45][50] 技术优势比较 - 参数量：NCP(19神经元)仅253个突触连接，全连接LSTM(64神经元)需24,640个连接 [25][26][32] - 计算效率：CFC训练速度达ODE-RNN的92倍（0.097 vs 8.49分钟/epoch），LTC采用半隐式欧拉法平衡精度与速度 [17][36][37] - 鲁棒性：NCP在噪声环境下碰撞次数比LSTM低63%，异常数据识别准确率保持85%以上 [28][30] - 可解释性：NCP神经元分工明确，可通过微分方程分析单个神经元对决策贡献 [32][38] - 内存占用：CFC前向传播内存复杂度O(1)，传统BPTT方法为O(L×T) [19][33]