量化模型与构建方式 1. 模型名称：天弘量化投资框架（多模型融合预测体系）[24][26] 模型构建思路： 以获取“稳定持续且低相关的超额收益”为核心目标，在传统多因子模型基础上，全面引入人工智能技术，构建从特征工程、多模型融合到多期限预测的闭环投资体系，以剥离行业和风格Beta，聚焦个股选择Alpha[24][26]。 模型具体构建过程： 该框架包含以下关键步骤： * 因子挖掘： 覆盖400多个基于投资逻辑构建的传统Alpha因子，并引入遗传规划、混频序列等机器学习因子[24]。同时，利用Level2逐笔数据还原订单簿结构，计算不同价格层级的挂单、撤单与成交分布，结合秒级快照、集合竞价、逐笔成交与撤单等多个特征集，构建上万个微观结构算子[24][26]。 * 多期限模型构建： 构建了日内预测模型、短期预测模型、中期预测模型与长期预测模型，分别对应不同的投资决策周期[26]。 * 模型融合与动态调度： 不同模型之间通过注意力机制、门控循环网络、多层感知机等深度学习结构，根据市场状态、风格因子与行业信息进行动态门控调度。模型融合层进一步综合多个专家模型的预测信息，学习在不同市场环境下赋予不同模型合理的权重[26]。 2. 模型名称：天弘风险模型[28] 模型构建思路： 在Barra风险模型基础上进行本土化创新，旨在更精细、动态地监控和约束投资组合的风险敞口，特别是行业和风格暴露，确保超额收益来源于个股特质Alpha[28]。 模型具体构建过程： * 引入LLM风格因子： 基于上市公司年报文本、专利文本、会议纪要等非结构化信息，利用大语言模型（LLM）构建风格因子体系[28]。 * 构建概念监控体系： 构建股票相似度矩阵与概念监控体系，以识别传统行业分类之外的关联风险[28]。 * 动态行业划分： 行业划分不再是静态分类，而是通过行业连续变量来表征企业主营业务的变化，实现更动态、精细的风险归因[28]。 * 协方差矩阵重构： 优化对尾部风险、交易拥挤、困境反转、宏观风险等维度的监控[28]。 * 严格约束： 在实际组合构建中，严格约束成分股权重、个股主动权重、跟踪误差、换手率以及各类风险因子的敞口[28]。 量化因子与构建方式 1. 因子类别：传统Alpha因子[24] 因子的构建思路： 基于经典的投资逻辑（如价值、成长、质量、动量等）构建，作为量化模型预测收益的基础输入[24]。 因子具体构建过程： 报告未提供具体因子的构建公式，但指出天弘量化团队覆盖了超过400个此类因子[24]。 2. 因子类别：机器学习因子[24] 因子的构建思路： 利用遗传规划、混频序列等机器学习方法，从海量数据中自动挖掘非线性关系和有效特征，以拓展有效信息的使用边界[24]。 因子具体构建过程： 报告未提供具体机器学习因子的构建公式，仅提及了方法类型[24]。 3. 因子类别：微观结构算子[24][26] 因子的构建思路： 利用高频的Level2逐笔数据，深度刻画市场微观结构中的交易行为模式，旨在捕捉传统日间数据无法触及的短期预测信号[24][26]。 因子具体构建过程： 通过Level2逐笔数据还原订单簿结构，计算不同价格层级下的挂单、撤单与成交分布，并结合秒级快照、集合竞价、逐笔成交与撤单等多个特征集，构建出上万个算子[24][26]。 4. 因子类别：风格因子（用于风险模型）[28][55][66][78] 因子的构建思路： 用于衡量投资组合在特定风格维度（如市值、价值、动量、波动率等）上相对于基准指数的暴露程度，是风险控制的核心[28]。 因子具体构建过程： 报告列出了天弘风险模型及业绩归因中使用的风格因子列表，包括：Value（价值）、Dividend（分红）、Quality（质量）、Leverage（杠杆）、NLSize（非线性市值）、Momentum（动量）、Reversal（反转）、Liquidity（流动性）、Profitability（盈利）、Beta（贝塔）、Size（市值）、Volatility（波动率）、Growth（成长）[55][66][78]。具体计算公式未在报告中提供。 模型的回测效果 报告主要展示的是基于上述模型和因子构建的具体基金产品的业绩表现，而非单独模型的回测结果。因此，此部分无直接对应的模型回测指标。 因子的回测效果 报告未提供单个因子（如价值因子、动量因子等）的独立测试结果（如IC值、IR值等）。报告中展示的风格因子暴露值是基金组合相对于基准的暴露情况，用于说明风险控制效果，而非因子本身的收益预测能力测试[55][66][78]。