行业趋势：指数增强赛道崛起 - 2025年基金行业深刻变迁，被动投资大发展，指数增强赛道悄然崛起 [1] - 截至12月25日，年内新成立权益类增强指数型基金176只，较2024年全年的42只大幅增长319%，合计发行份额达961.70亿份，逼近千亿大关 [1] - 资管行业正从“规模竞赛”迈向“质量深耕”，指数化投资迎来历史机遇，兼具纪律性约束与阿尔法潜力的指数增强基金成为资产配置重要工具 [1] 公司战略：天弘基金的指数增强业务布局 - 公司前瞻性战略布局，构建覆盖全面、业绩稳健、体验优异的指数增强量化矩阵，跻身行业“百亿阵营” [1] - 将指数业务从“被动投资工具”升维到“长期的投资解决方案”，以“精而足”的产品布局为基础设施，指数增强策略为价值放大器，客户服务与陪伴为转化器与护城河 [2] - 在指数增强领域布局可追溯至2015年，2019年8月推出首只产品天弘中证500指数增强，2025年迎来产品线“爆发期”，一年内新成立5只指增量化基金 [2] - 截至2025年三季度末，量化指增基金达19只，总管理规模突破120亿元，稳居行业前列，成为为数不多的“百亿级”量化团队之一 [5] 产品矩阵：覆盖广泛、梯队完整 - 产品矩阵涵盖三大核心板块：主流宽基指增、行业主题指增、主动量化与增强ETF [2][3] - 主流宽基指增全面覆盖沪深300、中证500、中证1000、国证2000、创业板、科创板等不同市值与风格板块 [2] - 行业主题指增精准聚焦科技、消费、医药、高端制造、新能源等代表中国经济转型方向的黄金赛道 [3] - 在红利等Smart Beta策略以及指数增强ETF领域进行创新探索，将量化模型优势与ETF产品形态相结合 [3] - 在多个细分赛道形成规模优势，例如天弘上证科创板综合指数增强规模在同业中排名第2 [5] 业绩表现：超额收益显著，回撤控制优异 - 持有天弘指增产品满6个月的投资者中，超90%的用户持有收益率跑赢同期基金业绩比较基准 [1][5] - 过去一年，天弘中证科技100指数增强A实现收益56.51%，超过业绩基准5.42个百分点；天弘中证高端装备制造增强A实现收益55.95%，超过业绩基准8.60个百分点；天弘中证新能源指数增强A实现收益51.74%，超过业绩基准5.31个百分点 [5] - 过去三年，天弘中证科技100指数增强A实现收益37.36%，超过业绩基准5.69个百分点；天弘中证高端装备制造增强A实现收益61.14%，超过业绩基准14.79个百分点 [5] - 近三年维度，行业指增产品回撤控制优于行业主动权益基金均值：天弘中证科技100指数增强A最大回撤30.76%（对比369只科技行业主动权益基金最大回撤均值44.19%）；天弘中证高端装备制造增强A最大回撤29.91%（对比128只制造行业主动权益基金最大回撤均值43.45%）；天弘国证消费100指数增强A最大回撤31.37%（对比138只消费行业主动权益基金最大回撤均值43.45%） [6] 投研体系：科学化生产与体系化作战 - 强调“体系化作战”与“科学化生产”阿尔法的能力，通过成熟、系统且可复制的投研体系支撑 [7] - 量化团队坚守行业中性的投资理念，严格控制产品相对于业绩基准在行业、风格等维度上的主动暴露，产品成立以来的平均行业偏离度和成分股偏离度均被控制在极低水平（如不超过0.7%） [7] - 构建从信号挖掘、因子构建、组合优化到绩效归因的完整量化投研闭环，核心在于阿尔法模型、风险模型与组合优化三大模块的有机协同 [8] - 风险模型在深入理解A股市场特性的基础上，对Barra体系进行重要的本土化创新与定制化改造 [8] 团队构成：经验丰富且高度稳定 - 指数与数量投资部核心成员共计8人，包括4名基金经理和4名研究员，由从业超15年、指增管理经验超10年的杨超领衔 [9] - 团队高度稳定且经验丰富，成员平均从业年限超过8年，基金经理平均从业年限更长达11年，且加入天弘的平均时间已超过6年 [9] - 团队成员采用“共同开发、协同作战”模式，自主研发了统一的AI模型基座，确保从研究到投资的高效衔接与核心技术持续迭代 [9] 技术应用：AI深度融合驱动进化 - 对AI技术的深度融合与创新应用是驱动持续进化、构建竞争壁垒的“核心引擎”，将AI系统性地嵌入投研全流程 [10] - AI被用作“超级研究员”挖掘更隐蔽的超额因子，能处理分析海量多元信息（如财报、价格、逐笔成交、文本信息），捕捉人脑难以归纳的非线性复杂关系 [10] - 以深度学习为核心，围绕“多维度特征+多模型融合+多期限预测”打造统一的AI模型基座，实现超过70%的超额因子来源于AI学习，并能够快速迭代失效因子，约75%的超额因子在一年内被迭代掉 [11] - AI被用作“风控大师”实现更精细的风险驾驭，对国际通用风险模型进行“本土化改造”，并利用大语言模型解析文本信息构建股票“相似度矩阵”，识别隐性关联风险 [11] - 以天弘中证1000指数增强策略为例，运用AI优化风险模型后，在超额收益基本不变的情况下，产品的超额最大回撤和跟踪误差均大幅降低了约一半 [12]