量化模型与构建方式 1. 模型名称：创新的基本面量化模型[32] 模型构建思路：融合主动权益投资与量化投资的优势，将基本面投资逻辑进行定量化归纳和提炼，以兼顾长期逻辑与投资效率[31][33] 模型具体构建过程：该模型并非一个具体的单一模型，而是一个融合性的投资框架。其核心是将传统基本面分析的逻辑（如产业理解、深度价值挖掘）进行系统化、定量化的处理，形成可验证、可迭代的量化规则[30][33]。汇安基金基于此框架，构建了一个包含多种策略的量化策略储备体系，可以根据产品定位和客户需求进行灵活组合与定制化输出[35][37]。具体策略储备包括：适配A股市场的Barra多因子模型、小微盘精选策略、超预期策略、机构持仓精选策略、SmartBeta选股策略、红利精选策略[35]。 2. 模型名称：Brinson归因模型[56] 模型构建思路：用于分解投资组合相对于基准的超额收益来源，将超额收益拆解为配置收益、选股收益和交互收益，以评估基金经理的资产配置和个股选择能力[56] 模型具体构建过程：基于基金定期报告（半年报/年报）披露的全部持仓，模拟其下一季度的收益，并以沪深300指数作为业绩基准进行归因分析。超额收益被分解为三个部分：配置收益（行业/板块配置贡献）、选股收益（行业内个股选择贡献）和交互收益（配置与选股共同作用的贡献）。此外，还定义了交易收益，即基金实际收益与基于定期报告持仓模拟收益的差额，用于衡量持仓披露后主动交易带来的收益。具体拆解公式如下： $基金收益-指数收益=交易收益+超额收益=交易收益+配置收益+交互收益+选股收益$[56] 模型评价：该模型能有效拆解基金超额收益的来源，帮助分析基金经理的选股能力和配置能力[56]。 量化因子与构建方式 1. 因子名称：Barra风险因子[35][50] 因子构建思路：采用成熟的Barra多因子风险模型来刻画股票的风险特征，并控制组合相对于基准的风格暴露，以实现“紧约束，低偏离”的投资目标[35][46] 因子具体构建过程：报告中未详细描述Barra因子的具体构建公式，但明确指出该基金使用了适配A股市场的Barra多因子模型[35]。该模型通常包含一系列风格因子（如市值、估值、动量、波动率、流动性、成长、盈利质量等）和行业因子。通过计算基金持仓在这些因子上的暴露度，并与基准指数（沪深300）的暴露度进行对比，以评估组合的风格偏离情况[50]。 因子评价：使用Barra模型有助于严格控制组合的风格暴露，使其贴近基准，减少不必要的风格偏离风险，符合“紧约束”的策略要求[46][50]。 模型的回测效果 1. 创新的基本面量化模型（汇安沪深300指数增强A应用效果） 全样本期（2023-09-28至2026-01-16）：年化收益13.06%，年化超额收益2.29%，信息比率(IR)0.81，年化跟踪误差2.53%，最大回撤-13.65%[40][42] 2024年度：年化超额收益-0.92%，信息比率(IR)-0.26，年化跟踪误差3.31%[42] 2025年度：累计超额收益7.23%，信息比率(IR)4.74，年化跟踪误差1.28%，相对最大回撤-0.57%[3][41][42] 2. Brinson归因模型（应用于汇安沪深300指数增强A的归因结果） 2025年第一季度：选股收益0.89%，配置收益-0.19%，交互收益-0.03%，超额收益0.67%[56][59] 2025年第三季度：选股收益0.42%，配置收益1.51%，交互收益0.10%，超额收益2.03%[56][59] 2025Q1与Q3均值：平均季度选股收益0.66%[3][56][59] 因子的回测效果 1. Barra风险因子暴露分析（汇安沪深300指数增强A，2024H2至2025H1） 市值因子：暴露与沪深300基准指数几乎保持一致，无明显偏离[50] 成长因子：略有正向暴露[50] 整体风格暴露：与沪深300指数的因子暴露整体较为相近[3][50]