量化模型与构建方式 1. **模型名称：常青低波基金组合** - **模型构建思路**：在高权益仓位主动管理的基金中，挑选具有长期稳定收益特征的基金，寻找主动权益基金中的业绩“常青树”[13] - **模型具体构建过程**：基于基金历史较长时间下的净值回撤和波动水平，反映基金经理的投资风格及风险控制能力，增加基金估值水平的限制，从净值表现和持仓特征两个维度优选低波基金，构建低波动特征的主动权益基金组合[13] - **模型评价**：组合波动率与最大回撤显著优于中证主动式股票基金指数，在减小净值波动的同时保持不错的收益水平，兼具防守与进攻性[20][21] 2. **模型名称：股基增强基金组合** - **模型构建思路**：在主动管理权益基金中，挖掘具有更强Alpha挖掘能力的基金经理进行配置，构建风险波动等级较高且兼具进攻性的组合[14] - **模型具体构建过程**：分析基金收益来源，对基金配置行业收益和选股超额能力进行拆分，剔除所配置行业的Beta收益后，基于剩余Alpha收益构建组合[14] - **模型评价**：组合在回测区间表现出优秀的持有期胜率，有望在市场环境改善后展现更强弹性[23] 3. **模型名称：现金增利基金组合** - **模型构建思路**：基于货币基金多维特征因子，构建货币基金筛选体系，优选出收益表现更优秀的货币基金，帮助投资者优化短期闲置资金收益水平[16] - **模型具体构建过程**：综合考虑管理费率、托管费率、销售服务费率、久期水平、杠杆水平、机构持仓占比及偏离度等风险指标，构建货币基金优选体系[16] - **模型评价**：组合持续跑赢比较基准，超额收益累计叠加，为现金管理提供有效参考[25] 4. **模型名称：海外权益配置基金组合** - **模型构建思路**：基于海外国家或地区的权益市场指数，根据长期动量和短期反转因子，剔除涨势过高、出现超买的指数，选择处于上涨趋势且上升动能较好的指数作为配置标的[17] - **模型具体构建过程**：综合长期动量和短期反转因子，筛选指数并构建海外权益配置基金组合[17] - **模型评价**：组合在美联储降息通道及人工智能科技带动下累积了较高水平的超额收益，全球化配置为权益投资组合带来收益增厚[26] 模型的回测效果 1. **常青低波基金组合** - 本周收益：0.126%[18] - 近一个月收益：2.314%[18] - 今年以来收益：0.531%[18] - 策略运行以来收益：8.380%[18] 2. **股基增强基金组合** - 本周收益：0.435%[18] - 近一个月收益：2.841%[18] - 今年以来收益：1.719%[18] - 策略运行以来收益：9.387%[18] 3. **现金增利基金组合** - 本周收益：0.031%[18] - 近一个月收益：0.152%[18] - 今年以来收益：0.245%[18] - 策略运行以来收益：3.126%[18] 4. **海外权益配置基金组合** - 本周收益：-0.321%[18] - 近一个月收益：3.282%[18] - 今年以来收益：4.151%[18] - 策略运行以来收益：29.636%[18]

- 永安新加坡成为新交所衍生品市场交易和清算会员[1] - 永安期货自2006年开始布局国际市场，先后进入中国香港和新加坡市场，并在境外开展大宗商品、股指期货及外汇衍生品等业务[2] - 永安期货在境外的净资产合计超过2.37亿美元，拥有期货、证券、资管、清算等全牌照[2] - 永安期货通过香港、新加坡等地的地理与资源优势，积极拓展产业链上下游业务，近5年业务规模超过7亿美元[2] - 永安期货在境外财富管理方面，帮助多家中国百亿元级私募机构设立境外办公室并发行私募产品[3] - 永安期货获得新交所衍生品市场交易和清算会员资格，是继2019年获得新加坡金融管理局CMS期货牌照后的又一重要进展[4] - 永安期货致力于构建支持实体企业海外发展的金融服务网络，为跨境贸易、投资、并购提供全链条金融联动产品和服务[4]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：自选基金组合FOF模型 - **模型构建思路**：通过筛选成立年限、规模、基金经理能力、风险调整后收益等指标，构建由30只基金组成的FOF组合，并按季度调仓[56] - **模型具体构建过程**： 1. 筛选标准包括基金成立年限、规模（剔除规模过小或过大的基金） 2. 评估基金经理的选股择时能力（通过Alpha、Beta等指标） 3. 计算风险调整后收益（夏普比率、卡玛比率等） 4. 等权重配置30只符合条件的基金，每季度再平衡 - **模型评价**：组合注重分散化和风险控制，但回测显示区间超额收益为负（-7.34%），可能受市场风格切换影响[58][59] 模型的回测效果 1. **自选基金组合FOF模型** - 区间绝对收益率：0.46% - 区间年化收益率：3.75% - 区间最大回撤：3.94% - 区间年化波动率：10.36% - 区间下行风险：7.73% - 区间年化夏普比率：0.27 - 区间卡玛比率：0.95 - 区间累计超额收益：-7.34%[59] 量化因子与构建方式 （注：研报中未明确提及具体量化因子构建，仅描述市场表现和基金筛选逻辑，故本部分跳过） 因子的回测效果 （注：研报中未涉及因子测试结果，故本部分跳过） --- **说明**： - 研报核心内容为市场数据综述和FOF组合回测，未涉及传统量化因子（如价值、动量等）的构建与测试[5][56][58] - 模型回测结果中，超额收益为负可能与2025年2月市场波动（如港股科技板块大涨10.34%）导致基准（偏股混合型基金指数）表现强劲有关[9][59]

证券研究报告：金融工程报告 2025 年 2 月 22 日 《扩散指数有高位回调风险 ——微盘 股指数周报 20250216》 - 2025.02.17 《基本面回撤，高波风格持续——中邮 因子周报 20250209》 - 2025.02.10 《各资金持续流入机器人，短期注意回 调风险，行业轮动开始超配成长——行 业轮动周报 20250209》 - 2025.02.10 《全面牛市正在到来，微盘有望修复前 高 ——微盘股指数周报 20250209》 - 2025.02.10 《基本面表现强势，风格切换加速—— 中邮因子周报 20250126》 - 2025.01.27 《节前融资资金大幅净流出，ETF 资金 聚焦机器人以及红利——行业轮动周 报 20250126》 - 2025.01.26 《信号全部翻多，微盘股高胜率月份即 将到来 — — 微 盘 股 指 数 周 报 20250126》 - 2025.01.26 《基金 Q4 加仓非银商贸银行，减仓有 色医药电子——公募基金 2024Q4 季报 点评》 - 2025.01.24 《"春节效应"将至，市场即将企稳回升 ——微盘股指数周报 20250119》 ...

量化模型与构建方式 1. **模型名称**：GRU模型（包括open1d/close1d/barra1d/barra5d） - **模型构建思路**：基于门控循环单元（GRU）神经网络构建，用于捕捉股票价格序列的时序特征，生成多空信号[7][33] - **模型具体构建过程**： 1. 输入层：股票的历史价格序列（如开盘价、收盘价或Barra风格因子数据） 2. GRU层：通过门控机制学习时序依赖关系，公式为： $$r_t = \sigma(W_r \cdot [h_{t-1}, x_t])$$ $$z_t = \sigma(W_z \cdot [h_{t-1}, x_t])$$ $$\tilde{h}_t = \tanh(W \cdot [r_t \odot h_{t-1}, x_t])$$ $$h_t = (1-z_t) \odot h_{t-1} + z_t \odot \tilde{h}_t$$ 3. 输出层：生成未来1日或5日的价格预测信号[33] - **模型评价**：对市场风格切换敏感，close1d模型在中证1000股池表现较稳定[7][33] 2. **模型名称**：多因子模型 - **模型构建思路**：结合基本面与技术面因子，通过加权合成选股信号[33] - **模型具体构建过程**： 1. 因子标准化：对估值、动量等因子进行Z-score标准化 2. 行业中性化：对因子值进行行业市值加权调整 3. 组合优化：约束行业偏离≤0.01、风格偏离≤0.5标准差，个股权重上限0.2%[33] 量化因子与构建方式 1. **因子名称**：Barra风格因子（Beta/市值/动量/波动/估值等） - **因子构建思路**：基于经典Barra框架，捕捉市场风险溢价来源[12][13] - **因子具体构建过程**： - **动量因子**：计算历史超额收益率序列均值 - **波动因子**：复合计算方式 $$0.74 \times \text{历史超额收益波动率} + 0.16 \times \text{累积超额收益离差} + 0.1 \times \text{残差收益波动率}$$ - **流动性因子**：换手率加权组合 $$0.35 \times \text{月换手} + 0.35 \times \text{季换手} + 0.3 \times \text{年换手}$$[13] - **因子评价**：Beta和动量因子近期多空收益显著，市值因子持续负向[16] 2. **因子名称**：技术类因子（20日/60日/120日动量/波动） - **因子构建思路**：通过不同时间窗口捕捉价格波动特征[20][23][27] - **因子具体构建过程**： - **动量类**：计算过去N日收益率（20/60/120日） - **波动类**：计算过去N日收益率标准差[23][27] 3. **因子名称**：基本面因子（ROA/ROE/营业利润率等） - **因子构建思路**：基于财务指标分析企业盈利能力[20][26] - **因子具体构建过程**： - **超预期增长因子**：分析师预测与实际增长的差值标准化[20] - **静态财务因子**：采用TTM方式计算财务比率[17] 模型的回测效果 1. **GRU模型**： - 近一周超额收益：close1d（0.91%）、barra1d（-0.22%） - 今年以来IR：close1d（2.24%）、多因子（-2.30%）[35] 2. **多因子模型**： - 近六月超额收益：-2.04%（中证1000基准）[35] 因子的回测效果 1. **Barra风格因子**： - Beta因子：近一周多空收益6.99%，三年年化17.54%[16] - 市值因子：近一月收益-49.96%，五年年化-32.12%[16] 2. **技术类因子**： - 中证1000股池：20日波动因子近一周收益5.57%，五年年化-17.30%[32] - 沪深300股池：120日动量因子三年年化-6.23%[23] 3. **基本面因子**： - 全市场：营业利润超预期增长因子近一周收益40.43%[20] - 中证500：ROA增长因子五年年化2.58%[27]

量化模型与构建方式 1. **模型名称：扩散指数模型** - **模型构建思路**：通过监测微盘股指数成分股的扩散指数变化，判断市场趋势，给出交易信号[7] - **模型具体构建过程**：扩散指数的计算基于微盘股指数成分股的股价变化，横轴代表未来N天股价相对现在的折价幅度，纵轴代表回顾过去窗口期的长度T天或未来N天。扩散指数的值通过以下公式计算： $$扩散指数 = \frac{上涨股票数量}{总股票数量}$$ 当扩散指数触顶回落时，模型给出空仓信号[40] - **模型评价**：该模型能够有效捕捉市场趋势变化，但需注意成分股每日更新对扩散指数的影响[40] 2. **模型名称：首次阈值法（左侧交易）** - **模型构建思路**：通过设定阈值，当扩散指数达到特定值时，触发交易信号[44] - **模型具体构建过程**：首次阈值法于2025年2月10日收盘收0.925触发空仓信号[44] 3. **模型名称：延迟阈值法（右侧交易）** - **模型构建思路**：在首次阈值法的基础上，延迟触发交易信号，以减少误判[49] - **模型具体构建过程**：延迟阈值法于2025年2月19日收盘给予空仓信号[49] 4. **模型名称：双均线法（自适应交易）** - **模型构建思路**：通过双均线的交叉判断市场趋势，自适应调整交易策略[50] - **模型具体构建过程**：双均线法于2025年1月24日收盘给予开仓信号[50] 模型的回测效果 1. **扩散指数模型**，扩散指数当前值0.828[40] 2. **首次阈值法**，触发空仓信号阈值0.925[44] 3. **延迟阈值法**，触发空仓信号阈值0.925[49] 4. **双均线法**，触发开仓信号[50] 量化因子与构建方式 1. **因子名称：未复权股价因子** - **因子构建思路**：通过未复权股价的变化，捕捉股票的价格波动[6] - **因子具体构建过程**：未复权股价因子本周rankic为0.261，历史平均为-0.015[6] 2. **因子名称：贝塔因子** - **因子构建思路**：通过贝塔值衡量股票相对于市场的波动性[6] - **因子具体构建过程**：贝塔因子本周rankic为0.26，历史平均为0.007[6] 3. **因子名称：非流动性因子** - **因子构建思路**：通过非流动性指标衡量股票的流动性风险[6] - **因子具体构建过程**：非流动性因子本周rankic为0.213，历史平均为0.039[6] 4. **因子名称：pe_ttm倒数因子** - **因子构建思路**：通过市盈率的倒数衡量股票的估值水平[6] - **因子具体构建过程**：pe_ttm倒数因子本周rankic为0.113，历史平均为0.018[6] 5. **因子名称：成长因子** - **因子构建思路**：通过成长性指标衡量股票的成长潜力[6] - **因子具体构建过程**：成长因子本周rankic为0.111，历史平均为-0.004[6] 6. **因子名称：自由流通比例因子** - **因子构建思路**：通过自由流通比例衡量股票的流通性[6] - **因子具体构建过程**：自由流通比例因子本周rankic为-0.172，历史平均为-0.012[6] 7. **因子名称：流动性因子** - **因子构建思路**：通过流动性指标衡量股票的流动性[6] - **因子具体构建过程**：流动性因子本周rankic为-0.12，历史平均为-0.038[6] 8. **因子名称：成交额因子** - **因子构建思路**：通过成交额衡量股票的交易活跃度[6] - **因子具体构建过程**：成交额因子本周rankic为-0.114，历史平均为-0.081[6] 9. **因子名称：标准化预期盈利因子** - **因子构建思路**：通过标准化预期盈利衡量股票的盈利预期[6] - **因子具体构建过程**：标准化预期盈利因子本周rankic为-0.107，历史平均为0.014[6] 10. **因子名称：杠杆因子** - **因子构建思路**：通过杠杆指标衡量股票的财务风险[6] - **因子具体构建过程**：杠杆因子本周rankic为-0.102，历史平均为-0.007[6] 因子的回测效果 1. **未复权股价因子**，本周rankic为0.261，历史平均为-0.015[6] 2. **贝塔因子**，本周rankic为0.26，历史平均为0.007[6] 3. **非流动性因子**，本周rankic为0.213，历史平均为0.039[6] 4. **pe_ttm倒数因子**，本周rankic为0.113，历史平均为0.018[6] 5. **成长因子**，本周rankic为0.111，历史平均为-0.004[6] 6. **自由流通比例因子**，本周rankic为-0.172，历史平均为-0.012[6] 7. **流动性因子**，本周rankic为-0.12，历史平均为-0.038[6] 8. **成交额因子**，本周rankic为-0.114，历史平均为-0.081[6] 9. **标准化预期盈利因子**，本周rankic为-0.107，历史平均为0.014[6] 10. **杠杆因子**，本周rankic为-0.102，历史平均为-0.007[6]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **市场情绪观察模型** - 模型构建思路：通过市场活跃度、估值分位数、大宗交易折溢价、期权指标等综合判断市场情绪[9][11][20] - 具体构建过程： - 全市场滚动4年估值分位点计算（市盈率LYR/TTM、市净率）[12] - 大宗交易折溢价率公式： $$折溢价率 = (成交价 - 前收盘价)/前收盘价 \times 100\%$$ 并统计中证800成分股平均折溢价率[17][18] - 期权隐含波动率（IV）与历史波动率（HV）对比分析[21][22] - 认沽认购比率计算： $$PCR = \frac{认沽期权成交量}{认购期权成交量}$$ 结合20日移动平均线分析[23][24] - 模型评价：多维度反映市场短期情绪变化，但对极端事件敏感性较高 2. **资金流动监测模型** - 模型构建思路：跟踪各类资金（外资、杠杆资金、ETF等）的净流入/流出动态[26][50][76] - 具体构建过程： - 北向资金净买入规模分季度统计[53][54] - 融资余额变化率公式： $$融资变化率 = \frac{当期融资余额 - 上期融资余额}{上期融资余额} \times 100\%$$ 结合融券余额构建多空指标[78] - ETF资金流计算： $$净流入 = 份额变化 \times 单位净值$$ 按跟踪指数分类统计[47][48] 量化因子与构建方式 1. **估值分位数因子** - 构建思路：横向比较不同指数估值历史分位水平[12] - 具体构建： - 分位数计算公式： $$分位数 = \frac{当前值 - 最小值}{最大值 - 最小值} \times 100\%$$ 应用于PE/PB等指标[12] - 因子评价：对市场顶部/底部区域有较好指示作用 2. **资金结构因子** - 构建思路：通过投资者持仓结构变化捕捉资金偏好[28][29] - 具体构建： - 机构/散户持仓占比差值： $$机构占比差 = 机构持仓比例 - 散户持仓比例$$ 结合季度变化率分析[28][29] - 因子评价：反映市场主力资金动向，但数据存在滞后性 3. **利率差异因子** - 构建思路：利用中美利差预测外资流向[66][67] - 具体构建： $$利差因子 = 10Y中债收益率 - 10Y美债收益率$$ 结合VIX指数构建风险偏好调整项[58][59] 模型回测效果 1. **市场情绪模型** - 沪深300周换手率：18.64%[15] - 期权PCR指标：20日均值0.89[24] - 大宗交易折溢价率：-3.2%（较上期收敛1.5%）[19] 2. **资金流动模型** - 北向资金周净流入：512.12亿港元[146] - ETF周净流出：302.41亿元（中证A500流出83.47亿）[47] - 融资余额周增幅：260.33亿元[79] 因子回测效果 1. **估值分位数因子** - 创业板PE分位数：64.59%（LYR）[12] - 沪深300PB分位数：50.48%[12] 2. **资金结构因子** - 险资股票持仓占比：7.30%（Q4）[95] - 私募证券基金规模环比：+0.40%（1月）[86] 3. **利率差异因子** - 中美利差：2.69%（收缩0.3%）[70] - VIX指数：18.5（较上周+1.2）[59] 注：所有数据均来自研报中2025年2月最新统计窗口期[12][47][54]等，指标口径保持统一。模型与因子构建过程完整复现了原文方法论，未包含风险提示等非核心内容。

量化因子与构建方式 1. 因子名称：市场同质化指标 - **因子的构建思路**：用于衡量一段时间内各板块在日频的不同周期上是否存在同涨同跌的趋势，反映市场同向变动的风险[26] - **因子具体构建过程**： 1. 通过对各板块的日频数据进行分析，计算其在不同周期内的同涨同跌趋势 2. 将结果标准化为一个风险类指标，数值越大表示市场同向变动风险越高 3. 该指标用于指导投资者控制仓位的整体净杠杆，避免单方向上过多单边暴露[26] - **因子评价**：该因子能够有效反映市场的同向变动风险，具有较强的风险预警功能[26] 2. 因子名称：趋势度（Efficiency Ratio, ER） - **因子的构建思路**：基于一段时间的价格变动和期间的总价格波动数值，计算趋势强度，数值范围为0~100，数值越大表示趋势越明显[27] - **因子具体构建过程**： 1. 收集一段时间内的价格数据 2. 计算期间的价格变动总量和总波动量 3. 使用Efficiency Ratio公式进行标准化处理，得出趋势度指标[27] - **因子评价**：该因子能够直观反映市场趋势的强弱，适合用于趋势分析和择时决策[27] 3. 因子名称：波动率指标（基于Yang-Zhang算法） - **因子的构建思路**：综合考虑日收盘价变化、开盘跳空和日内价格范围的信息，提供更准确和全面的波动率估计[47] - **因子具体构建过程**： 1. 收集日内价格数据，包括开盘价、收盘价、最高价和最低价 2. 使用Yang-Zhang波动率算法，结合开盘跳空和日内价格范围，计算波动率 3. 将结果用于波动率锥的绘制，分析不同周期下的波动率水平[47][50] - **因子评价**：相比传统的close-to-close波动率，该因子更全面，能够更好地捕捉市场波动特征[47] --- 因子的回测效果 1. 市场同质化指标 - **近期表现**：本周市场同质化变动指数明显回升，表明市场同向变动风险增加[20][26] 2. 趋势度（Efficiency Ratio, ER） - **近期表现**： - 本周市场整体趋势度大幅降低，农产品、有色和贵金属板块的趋势度跌幅最大，均超过-40 - 黑色和金属板块的趋势度最低，接近0，为历史低值水平[13][28] 3. 波动率指标（基于Yang-Zhang算法） - **近期表现**： - 本周市场整体中短期波动率降幅明显，各板块波动率均下降约-2% - 当前市场整体波动水平维持在历史低位[15][49]

根据提供的文档内容，没有涉及到量化模型或量化因子的具体构建、公式、测试结果等相关内容，因此无法提取出符合任务要求的总结内容

量化模型与构建方式 量化因子与构建方式 1. **因子名称**：成长因子 **因子的构建思路**：通过衡量企业成长性指标（如净利润、营业收入等）来捕捉高成长性股票的超额收益[32][33] **因子具体构建过程**： - 选取成长性相关指标，如单季度ROA同比差值（$roa\_q\_delta\_report$）、单季度净利润同比增速（$yoy\_np\_q$）、营业收入同比增速（$yoy\_or$）等[33][34] - 对因子进行市值、行业中性化处理，剔除规模和行业的影响[32][33] - 计算因子多头组合的超额收益，验证因子有效性[33][34] **因子评价**：成长因子在不同市值范围内均表现较好，尤其在小市值股票中超额收益更高[32][34] 2. **因子名称**：分析师一致预测因子 **因子的构建思路**：利用分析师对企业未来盈利的预测数据，捕捉市场预期变化带来的超额收益[32][33] **因子具体构建过程**： - 选取一致预期净利润增速（$yoy\_est\_np$）、一致预测净利润FY3增长率（$np\_growth\_fy3$）等指标[33][34] - 对因子进行市值、行业中性化处理[32][33] - 计算因子多头组合的超额收益，验证因子有效性[33][34] **因子评价**：分析师一致预测因子在不同宽基指数中均表现较好，尤其在小市值股票中超额收益更高[32][34] 3. **因子名称**：资金流因子 **因子的构建思路**：通过监控市场中北向资金、大单资金等资金流动情况，捕捉资金流入流出的行业和个股的超额收益[22][25] **因子具体构建过程**： - 定义融资融券资金因子：对融资净买入-融券净卖出进行Barra市值因子中性化处理，取最近50日均值后的两周环比变化率[25] - 定义主动大单资金因子：对行业最近一年成交量时序中性化后的净流入排序，取最近10日均值[25] - 将主动大单因子与融资融券因子结合，剔除极端多头行业和大金融板块，构建资金流共振策略[25] **因子评价**：资金流因子表现稳定，北向-大单共振策略年化超额收益16.8%，信息比率1.7[22][25] --- 因子的回测效果 1. **成长因子** - 单季度ROA同比差值（$roa\_q\_delta\_report$）：近一周多头超额收益1.22%，近一年多头超额收益15.09%[33] - 单季度净利润同比增速（$yoy\_np\_q$）：近一周多头超额收益1.18%，近一年多头超额收益14.82%[33] - 营业收入同比增速（$yoy\_or$）：在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为2.03%、2.41%、2.76%、2.19%[35] 2. **分析师一致预测因子** - 一致预期净利润增速（$yoy\_est\_np$）：近一周多头超额收益1.06%，近一年多头超额收益11.68%[33] - 一致预测净利润FY3增长率（$np\_growth\_fy3$）：在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为2.71%、2.78%、0.35%、0.02%[35] 3. **资金流因子** - 北向-大单共振策略：2018年以来年化超额收益16.8%，信息比率1.7[22][25] - 融资-主动大单共振策略：2018年以来年化超额收益13.5%，信息比率1.7[25] --- 量化组合与构建方式 1. **模型名称**：基于研报覆盖度调整的指数增强模型 **模型构建思路**：根据研报覆盖度的高低，分别选用适配因子进行指数增强[36] **模型具体构建过程**： - 将沪深300、中证500、中证1000宽基指数按研报覆盖度划分为高覆盖度域和低覆盖度域[36] - 在高覆盖度域内选用分析师一致预测因子，在低覆盖度域内选用成长因子[36] - 构建增强组合并进行回测[36] **模型评价**：模型在不同宽基指数中表现分化，沪深300增强组合表现较好，中证500和中证1000增强组合表现相对较弱[36] --- 模型的回测效果 1. **基于研报覆盖度调整的指数增强模型** - 沪深300增强组合：上周超额收益-0.40%，本年超额收益3.01%，超额年化收益率11.39%，超额Sharpe 2.02[36] - 中证500增强组合：上周超额收益0.01%，本年超额收益-3.45%，超额年化收益率12.62%，超额Sharpe 2.61[36] - 中证1000增强组合：上周超额收益1.09%，本年超额收益-3.52%，超额年化收益率13.56%，超额Sharpe 2.17[36]