（来源：中金量化及ESG）

中金研究

Attention注意力机制具备高效的信息融合能力与特征提取能力，在大模型领域已得到广泛的实践；其中Cross-Attention的核心优势在于能够跨序列地捕捉异质信息间的动态交互关系，天然契合金融场景下多源、多频率因子的对齐与融合需求。我们将该机制应用于混频因子合成任务，构建了以日频价量因子与月频基本面因子为输入的交叉注意力模型，实现对月度收益率的联合预测；在中证1000指数成分股范围内，模型月频调仓取得了样本外年化超额收益23.48%的选股表现。

Abstract

摘要

因子选股中的"多模态任务"

中金量化策略团队共开发日度价量因子、日度高频因子和月度基本面因子共三大类因子，它们在时间颗粒度、信息密度与经济含义上存在本质差异，如何有效融合异质频率信息成为了多因子模型的核心挑战。从任务结构来看，混频因子合成可以类比为金融领域的多模态融合问题。日频与月频因子分别刻画市场短期交易行为与公司长期基本面质量，如同视觉-语言多模态任务中图像与文本所承载的异质语义信息。我们认为这种"异源、异频、异质"的结构特征，令混频因子合成任务与多模态融合任务具有高度的相似性。

STAR模型：因子、时序、截面相关性全面建模

近年来，Cross-Attention已成为多模态基础模型中的关键模块之一，适用于图像-文本、语音-文本、视频-文本等多模态任务，我们由此获得启发，提出了基于Cross-Attention模块的混频因子合成模型STAR，从三个维度进行建模：一是因子维度，分别对日频因子与月频因子进行内部特征融合，学习同类因子间的协同结构并完成统一的维度映射；二是时序维度，通过对日频序列不同时间步的Query与月频Key的交互，捕捉高低频信号在时间轴上的动态关联，实现跨频率的信息检索与对齐；三是截面维度，通过股票间的注意力计算，学习不同个股在融合因子表征空间中的横截面相对关系，捕捉个股间的共性模式与差异特征。三个层次在统一的网络框架内完成从因子内部、跨频时序到截面横向的全链路相关性建模，为收益率的预测提供丰富且结构化的因子表征。

样本外中证1000范围月频选股年化超额23.48%，显著优于常见机器学习模型

本文将STAR和树模型、时序基础模型在内的常见机器学习模型进行了对比，选择中证1000指数历史成分股2013-01-01至2026-03-31区间内的因子数据作为数据集。样本外（2022-07-01至2026-03-31）的实验结果表明，STAR在因子有效性、收益能力等多数指标上均取得领先水平：ICIR为1.36，多头年化超额为23.48%，超额夏普为2.16。在策略稳定性方面，STAR的超额波动率及最大回撤两个指标也接近表现相对更高的模型GRU。我们认为该结果有效说明STAR不仅兼具主流截面和时序预测模型的优势，能够较好捕捉输入数据维度及时序维度的相关性，还具备这两类模型所欠缺的能力，即对截面股票相关性的学习。

在选股策略的风格暴露方面，经过Barra归因分析，我们的组合相对中证1000基准风格暴露较为适中，时序存在一定波动，整体呈现一定的低估值、低波动和小市值选股风格。

风险提示

本文所有结果均基于历史数据测试，不代表未来表现。当模型版本、底层数据及测试区间等外部条件发生变化时，测试的结果可能也会有相应变化。

Text

正文

Cross-Attention：从多模态到因子合成

Cross-Attention在多模态任务中的应用

注意力机制的革新催生了Transformer架构[1]，孕育了以ChatGPT为代表的现代大语言模型（LLMs），深刻改变了人工智能应用的格局。其核心思想源于人类视觉与认知系统的选择性注意能力——即在处理复杂信息时，能够动态地聚焦于当前任务最相关的部分。

在深度学习领域，Attention机制通过对输入特征赋予可学习的动态权重，实现了对关键信息的自适应提取。目前主流的Attention机制由三个核心要素构成：Query（查询）、Key（键）、Value（值），其基本运算逻辑可理解为一种"软检索"过程。通过计算Query与各Key之间的相似度，模型得到一组注意力权重，再以此对Value进行加权求和，最终得到融合后的特征表示：

根据Query和Key、Value是否来自同一输入序列，注意力机制可进一步分为自注意力机制（Self-Attention）和交叉注意力机制（Cross-Attention）。其中自注意力机制更强调学习同一条序列中token间的关联，而交叉注意力机制则倾向于建立两个异质序列间的动态交互关系。

图表1：Self-Attention和Cross-Attention对比

资料来源：Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. In *Advances in Neural Information Processing Systems* (pp. 5998–6008).，中金公司研究部

近年来，Cross-Attention已成为多模态基础模型中的关键模块之一，适用于图像-文本、语音-文本、视频-文本等多模态任务：一方面，不同模态在数据形态、统计分布和语义粒度上存在显著差异；另一方面，下游任务往往要求模型在生成或判别过程中，动态判断另一模态中哪些信息对当前预测最有帮助。因此，Cross-Attention可被视作多模态模型中的信息交互接口，其核心功能并非简单拼接特征，而是在任务目标驱动下实现异质信息的选择性读取与融合。本文借助Cross-Attention处理日频技术面因子和月频基本面因子的合成任务正是由此获得启发。

Cross-Attention应用于混频因子合成任务

这两类频率因子从不同维度对市场信息进行了统计和刻画。技术面因子侧重于捕捉股票日内下单交易行为、市场短期动量及微观结构信息，基本面因子则承载着公司长期价值的信号。我们统计了日度价量因子、日度高频因子和月度基本面因子在预测稳定性和收益能力两方面的表现情况：两类日度因子具有相对更高的预测稳定性和换手率，反映其在短周期预测较强的信息捕捉能力以及对市场微观结构变化的敏感性；反观基本面因子由于更新频率偏低、经济含义偏宏观，因此具有明显更低的换手率，但在部分样本中仍可贡献较好的收益表现。

上述三类因子并非简单的替代关系，在预测周期、信息来源、风险暴露等维度上具有互补性。但由于时间颗粒度、信息密度与经济含义上的本质差异，如何有效融合异质频率信息成为了多因子模型的核心挑战。

图表2：因子ICIR绝对值分布情况

注：统计时间为2018-01-01至2024-08-30

资料来源：Wind，中金公司研究部

图表3：因子多头年化超额收益率箱状图

注：统计时间为2018-01-01至2024-08-30资料来源：Wind，中金公司研究部

图表4：因子单边换手率分布情况

注：统计时间为2018-01-01至2024-08-30   

资料来源：Wind，中金公司研究部  

图表5：因子多头超额最大回撤分布情况

从任务结构来看，混频因子合成可以类比为金融领域的多模态融合问题。日频与月频因子在信息来源、更新频率与经济含义上均存在本质差异，二者分别刻画市场短期交易行为与公司长期基本面质量，如同视觉-语言多模态任务中图像与文本所承载的异质语义信息。正是这种"异源、异频、异质"的结构特征，使得混频因子合成任务与多模态融合任务具有高度的方法论相似性。本文将交叉注意力机制引入混频因子合成框架，相比于简单拼接、线性加权或机器学习模型等传统因子合成方法，Cross-Attention无需对原始数据进行频率层面的硬对齐，能够在预测目标的驱动下动态判断不同频率因子的相对重要性，显式刻画价量信息与基本面信息之间的非线性交互关系。

目前，在学术领域已有相关研究尝试将Cross-Attention机制应用于金融多源异质信息融合任务。例如一类研究关注文本与价格序列的交互，将金融新闻或研报文本经语言模型编码后与历史价格序列共同输入模型，通过Co-Attention学习新闻语义与价格动态之间的双向关联[2]；另一类研究则进一步将技术指标、动态文本与公司关系图等多源信息纳入统一框架，通过Gated Cross-Attention控制不同来源信息的融合强度，以缓解金融数据低信噪比与多源冲突问题[3]。

从不同维度建模相关性的交叉注意力机制模型STAR

本文提出了基于Cross-Attention模块的混频因子合成模型STAR，将从三个维度进行建模：一是因子维度，分别对日频因子与月频因子进行内部特征融合，学习同类因子间的协同结构并完成统一的维度映射；二是时序维度，通过对日频序列不同时间步的Query与月频Key的交互，捕捉高低频信号在时间轴上的动态关联，实现跨频率的信息检索与对齐；三是截面维度，通过股票间的注意力计算，学习不同个股在融合因子表征空间中的横截面相对关系，捕捉个股间的共性模式与差异特征。三个层次在统一的网络框架内完成从因子内部、跨频时序到截面横向的全链路相关性建模，为收益率的预测提供丰富且结构化的因子表征。

维度一：因子相关性

我们所使用的因子包含140个日度技术面因子和88个月度基本面因子，这些因子间并不正交，同类型因子之间存在高度相关性（如动量因子、波动率因子等），且不同类别的因子在某些市场状态下会发生突发性耦合。若直接将原始因子集作为下游注意力机制模块的输入，实质隐含了"各因子相互独立"的假设，将损失大量结构化信息。因此，本文将因子相关性建模显式置于框架最底层，定位为单一时间步内因子间成对关系的学习。

图表6：因子相关性建模示意

资料来源：中金公司研究部

维度二：时序相关性

日频技术面数据采样频率高、噪声大但对市场变化敏感；月频财务与基本面数据采样频率低、信号稳定但存在披露滞后。传统处理方式通常有两条思路：其一，将高低频数据对齐至同一频率统一建模，然而对于填充的低频数据来说很难采集到有价值的时序特征；其二，分别使用两条独立时序模型分支后拼接向量，但难以刻画两条序列间的相关性。该维度的核心设计是让高频序列主动检索低频序列：以日频T1步序列构建Query，以月频T2步序列构建Key与Value，动态生成每个样本的关注矩阵α。

图表7：时序相关性建模示意

维度三：截面相关性

经过前两层处理后，模型对每只股票的编码仍然是截面独立的—同一交易日内股票i与股票j之间不存在任何信息流动。而A股截面收益的核心特征恰恰是"龙头引领效应"：行业内成分股共享共同因子暴露，板块龙头先动，跟随股后动；同一主题持仓在风格切换时同步起落。

因此，本文引入第三层结构化建模，专注于截面相关性的显式学习。模型动态生成一张"截面相关性矩阵"B。与因子相关性A和时序相关性α不同，B在网络架构下不是恒等映射的扩展，而是原始Encoder所不具备的归纳偏置。

图表8：股票相关性建模示意

相比图神经网络（GNN）将行业归属或历史相关性矩阵作为固定先验邻接结构输入模型，自注意力机制直接由端到端的损失函数驱动，从数据中自适应地学习股票间关系矩阵，该设计规避了GNN方案中潜在的循环依赖问题[4]。此外，自注意力机制所学习的关系矩阵是当日因子状态的动态函数，能够随市场环境的变化实时调整股票间的关联结构，自然刻画股票关系在不同市场状态（如风格切换、行业轮动）下的时变特性；而固定邻接结构的GNN在市场状态发生切换时，难以对股票间关系进行动态修正。

Stock-Temporal cross-Attention Ranker模型架构

本文针对混频因子合成任务提出了基于Cross-Attention模块的模型，命名为STAR（"Stock-Temporal cross-Attention Ranker"）。它包含五个主要阶段：因子嵌入（DataEmbedding）、时序编码（CrossAttentionEncoder）、时序池化（TemporalPool）、截面自注意力（CrossSectionAttention）和回归预测。

总体结构

输入层接受两路异频数据：日频技术面因子序列

与月频基本面因子序列

，以及月频侧padding有效性编码

第一阶段（因子嵌入）：两路输入分别经过DataEmbedding模块处理。在送入嵌入层前，股票维度被折叠进Batch维，每只股票被视为一条独立的多变量时间序列，因此在该阶段因子相关性的学习只发生在单只股票的单一时间步层面上，与截面维度完全解耦。经嵌入后，两路数据分别投影至统一维度d，再经线性投影生成

和

第二阶段（时序编码）：Q、K、V输入CrossAttentionEncoder，执行L层堆叠编码。其中第一层执行日频特征对月频特征的交叉注意力学习，输出跨频关注矩阵

；后续各层对日频序列执行自注意力机制，进一步精炼时序表征。编码器输出形状为[B, N, T1, d]。

第三阶段（时序池化）：对编码器输出沿T1维进行等权平均池化，将时序维压缩，得到截面特征

。

第四阶段（截面自注意力）：输入CrossSectionAttention模块，在股票维度N上执行自注意力机制，学习截面股票间的动态关联结构，输出相关性矩阵

，输出形状为[B, N, d]（与输入一致）。

第五阶段（预测回归）：经线性层映射

，输出每只股票的截面收益预测值

损失函数：可微Rank-IC

我们选择Rank-IC作为损失函数的主项，但排序操作不可微分无法直接用于梯度优化。本文采用Soft-Rank近似，对预测值的排名进行可微替代。损失函数定义为可投资截面上预测排名与真实排名的负相关系数

以及MSE辅助项（预测结果和真实值的均方误差）之和，其中

为辅助项权重。

Rank-IC损失函数项更加侧重截面预测结果间的相对大小关系，与组合构建的实际需求具有一致性；而MSE辅助项可以为预测值提供尺度锚定。

图表9：STAR框架一览

训练机制设定

STAR采用滚动扩展窗口训练机制。每滚动一步，测试窗口便向后推进固定长度，训练区间同步向后扩展（而非滑动），每个窗口的模型训练均采用冷启动方式。最终样本外预测序列由各个窗口测试段拼接而成。在每个训练窗口内部，我们引入了三点工程化设计进一步提高模型训练的稳定性：

► 梯度累计：在单截面日的Batch设置下（即Batch_size=1）累计多步的梯度后再更新，等效扩大有效Batch_size，使梯度估计更为稳定；

► AdamW+余弦退火：参数优化与学习率调整；

► 多随机数平均：每个窗口结束时保存验证集ICIR最优的模型参数，实验重复三次，对三次预测结果使用均值处理。

与常见机器学习模型对比

在方法选择上，现有主流的机器学习模型大致可分为树模型与时序模型两类，但二者在面对混频因子合成任务时均存在结构性局限。以XGBoost为代表的树模型仅能处理截面数据，本质上是对单一时间点上因子向量的非线性函数拟合，不具备时序建模能力，且因子间交互关系完全依赖树结构的局部分裂来隐式捕捉，难以建模跨频率的动态关联。以GRU为代表的传统时序模型虽具备捕捉时序动态的能力，但在面对两类不同频率的输入序列时，通常需要将月频数据填充或插值至日频后拼接输入，这种硬对齐处理一方面为时序模式学习提供了障碍，另一方面也无法区分信息来源，令模型难以感知两类因子在经济含义上的本质差异。

图表10：Cross-Attention与主流机器学习对比

中证1000指数月频选股样本外年化超额表现为23.48%

模型训练和回测框架设定

本文选择中证1000指数历史成分股2013-01-01至2026-03-31区间内的因子数据用于测试STAR的表现。模型训练采用前文所介绍的滚动扩展窗口机制：2013-01-01至2021-12-31为第一期训练集，2022-01-01至2022-06-30为第一期验证集，2022-07-01至2022-12-31为第一期测试集。输入的样本为过去20个交易日的日频技术面因子（包括价量和日内交易两类因子共120个）以及过去6个月的月频基本面因子（共88个），预测目标为未来20个交易日的截面股票收益率。

为控制随机性影响，所有实验结果均取三次独立随机初始化训练后预测值的均值报告。我们将分析不同模型因子合成结果的稳定性、单调性、有效性和与其他常见因子的相关性等。其中因子测试框架如下：

► 股票池：中证1000指数成分股剔除ST和涨跌停股票。

► 换仓频率：月度，并在每期第一个交易日使用收盘价换仓。

► 分组回测组数：按照因子值由小到大的顺序将股票池等分为10组。

使用多种指标展示模型生成的因子有效性水平。在IC检验中，我们使用IC均值、ICIR绝对值等指标展示因子暴露与下期收益率的秩相关性，反映因子对收益率的预测能力。在分组回测中，使用多头年化收益率、多头年化超额收益率、多头超额最大回撤、双边换手率等指标展示多头组合的选股能力。

样本外表现显著优于基础时序模型和树模型

我们将STAR和因子加权复合以及树模型、时序基础模型在内的常见机器学习模型进行了对比。其中各因子复合权重取其样本内IC均值的绝对值占所有因子IC均值绝对值之和的比例，合成方向与IC均值正负一致；XGBoost输入为截面因子数据，GRU和iTransformer输入为过去20个交易日的时序数据，因子数量、训练目标及其他训练设定均与STAR保持一致。实验结果表明，STAR在因子有效性、收益能力等多数指标上均取得领先水平：ICIR为1.36，多头年化超额为23.48%，超额夏普为2.16。在策略稳定性方面，STAR的超额波动率及最大回撤两个指标也接近表现相对更高的模型GRU。此外，我们测试了STAR在双周频的预测目标及调仓设定下的表现，其多头年化超额与月频版本基本持平，换手率有较高增幅。

我们认为上述结果有效说明STAR不仅兼具主流截面和时序预测模型的优势，能够较好捕捉输入数据维度及时序维度的相关性，还具备这两类模型所欠缺的能力，即对截面股票相关性的学习。下一小节本文将展示相关的消融实验结果。

图表11：STAR和常见机器学习模型样本外表现对比

注：回测区间2022-07-01至2026-03-31，均为三次随机数训练模型预测结果的平均值；其中STAR (Ours)为月度预测目标+月度调仓回测框架下的表现；STAR (Ours, Biweekly)为双周频预测目标+双周频调仓回测框架下的表现

图表12：STAR和常见机器学习模型样本外累计IC对比

注：回测区间2022-07-01至2026-03-31，均为三次随机数训练模型预测结果的平均值

图表13：STAR和常见机器学习模型样本外超额收益对比

多维度建模对模型性能的贡献分析

为了验证多维度建模对STAR性能的贡献分析，我们进行了相关的消融实验。下表所示的Benchmark为仅包含因子嵌入、时序编码和因子回归模块的基准模型，在此基础上我们依次加入了截面自注意力（Benchmark+CrossSectionAttention）和时序池化（即标准STAR设定）两个模块，实验结果显示每增添一个建模模块，模型的收益获取能力均有相应提升。其中相较于基准模型，本文最终提出的STAR在ICIR有38.78%的提升（0.98→1.36），多头年化超额有5.89ppt的提升（17.95%→23.84%），夏普表现也从2.00提升至2.16。

对于因子嵌入层模块的设计，STAR中采用的核心网络结构为一维卷积层，卷积核的取值为kernel_size=3。我们额外测试了kernel_size=1及kernel_size=5时STAR的性能表现。根据实验结果，我们认为该参数对性能影响较为有限，但当kernel_size=1时，会一定程度削弱模型对因子相关性学习的能力，进而削弱模型输出的预测值在因子有效性及收益能力两方面的表现。

图表14：相关性建模模块对STAR影响（数值统计）

图表15：相关性建模模块对STAR影响（累计IC）

注：回测区间2022-07-01至2026-03-31，均为三次随机数训练模型预测结果的平均值；‘w/ CroSecAttn’对应图表中的‘Benchmark+CrossSectionAttention’，‘w/ CroSecAttn+TimePool’对应图表中的‘Benchmark+CrossSectionAttention+TimePool’

图表16：相关性建模模块对STAR影响（超额收益）

图表17：DataEmbedding中kernel_size取值对STAR影响（数值统计）

图表18：DataEmbedding中kernel_size取值对STAR影响（累计IC）

图表19：DataEmbedding中kernel_size取值对STAR影响（超额收益）

STAR策略归因分析

为进一步理解STAR策略的选股逻辑与风险来源，本节基于Barra风格因子体系，对策略多头持仓的风格暴露进行系统性归因分析。回测区间为样本外（2022-07-01至2026-03-31），共覆盖45个月底截面，基准为中证1000指数。

我们统计了每个月底截面，组合对风格因子的Barra暴露值，涵盖盈利能力（EARNINGS）、市场敏感度（BETA）、成长性（GROWTH）、财务杠杆（LEVERAGE）、流动性（LIQUIDITY）、动量（MOMENTUM）、市值规模（SIZE）、估值（VALUE）、波动率（VOLATILITY）共9个风格维度。对每个风格因子k的暴露定义为持仓股票暴露的加权均值。

经过Barra归因分析，我们的组合相对中证1000基准风格暴露较为适中，时序存在一定波动，整体呈现一定的低估值、低波动和小市值选股风格。相对基准来看，VALUE超配最为显著且持续（0.338），是策略核心主动暴露；MOMENTUM低配幅度最大；SIZE持续负偏。

图表20：STAR持仓风格暴露统计

注：回测区间2022-07-01至2026-03-31，相对暴露指以中证1000指数成分股权重做同口径加权后再标准化

[1]Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. In *Advances in Neural Information Processing Systems* (pp. 5998–6008).

[2]Zhang, Y., Dong, Z., & Xu, W. (2025). Integrative stock price trend prediction via hierarchical LLM text processing and patch-based transformer with co-attention. *Expert Systems with Applications*.

[3]Zong, C., Wan, J., Cascone, L., & Zhou, H. (2025). Stock movement prediction with multimodal stable fusion via gated cross-attention mechanism. *Complex & Intelligent Systems*.

[4]若以历史收益相关性构造邻接图，则先验图本身已隐含了模型试图预测的信息，存在一定的风险。

Source

文章来源

本文摘自：2026年5月26日已经发布的《机器学习系列（5）：因子选股中的"多模态"- CrossAttention 混频因子合成》

郑文才 分析员 SAC 执证编号：S0080523110003； SFC CE Ref：BTF578

高思宇 联系人 SAC 执证编号：S0080124110003； SFC CE Ref：BWM100

周萧潇 分析员 SAC 执证编号：S0080521010006； SFC CE Ref：BRA090

刘均伟 分析员 SAC 执证编号：S0080520120002； SFC CE Ref：BQR365

Legal Disclaimer

法律声明

特别提示

本公众号不是中国国际金融股份有限公司（下称"中金公司"）研究报告的发布平台。本公众号只是转发中金公司已发布研究报告的部分观点，订阅者若使用本公众号所载资料，有可能会因缺乏对完整报告的了解或缺乏相关的解读而对资料中的关键假设、评级、目标价等内容产生理解上的歧义。订阅者如使用本资料，须寻求专业投资顾问的指导及解读。

本公众号所载信息、意见不构成所述证券或金融工具买卖的出价或征价，评级、目标价、估值、盈利预测等分析判断亦不构成对具体证券或金融工具在具体价位、具体时点、具体市场表现的投资建议。该等信息、意见在任何时候均不构成对任何人的具有针对性的、指导具体投资的操作意见，订阅者应当对本公众号中的信息和意见进行评估，根据自身情况自主做出投资决策并自行承担投资风险。

中金公司对本公众号所载资料的准确性、可靠性、时效性及完整性不作任何明示或暗示的保证。对依据或者使用本公众号所载资料所造成的任何后果，中金公司及/或其关联人员均不承担任何形式的责任。

本公众号仅面向中金公司中国内地客户，任何不符合前述条件的订阅者，敬请订阅前自行评估接收订阅内容的适当性。订阅本公众号不构成任何合同或承诺的基础，中金公司不因任何单纯订阅本公众号的行为而将订阅人视为中金公司的客户。

一般声明

本公众号仅是转发中金公司已发布报告的部分观点，所载盈利预测、目标价格、评级、估值等观点的给予是基于一系列的假设和前提条件，订阅者只有在了解相关报告中的全部信息基础上，才可能对相关观点形成比较全面的认识。如欲了解完整观点，应参见中金研究网站（http://research.cicc.com）所载完整报告。

本资料较之中金公司正式发布的报告存在延时转发的情况，并有可能因报告发布日之后的情势或其他因素的变更而不再准确或失效。本资料所载意见、评估及预测仅为报告出具日的观点和判断。该等意见、评估及预测无需通知即可随时更改。证券或金融工具的价格或价值走势可能受各种因素影响，过往的表现不应作为日后表现的预示和担保。在不同时期，中金公司可能会发出与本资料所载意见、评估及预测不一致的研究报告。中金公司的销售人员、交易人员以及其他专业人士可能会依据不同假设和标准、采用不同的分析方法而口头或书面发表与本资料意见不一致的市场评论和/或交易观点。

在法律许可的情况下，中金公司可能与本资料中提及公司正在建立或争取建立业务关系或服务关系。因此，订阅者应当考虑到中金公司及/或其相关人员可能存在影响本资料观点客观性的潜在利益冲突。与本资料相关的披露信息请访问http://research.cicc.com/disclosure_cn，亦可参见近期已发布的关于相关公司的具体研究报告。

本订阅号是由中金公司研究部建立并维护的官方订阅号。本订阅号中所有资料的版权均为中金公司所有，未经书面许可任何机构和个人不得以任何形式转发、转载、翻版、复制、刊登、发表、修改、仿制或引用本订阅号中的内容。