报告行业投资评级 无 报告的核心观点 - 邓欣雨在固收+投资中较多利用基本面量化方法 ，旗下中欧鼎利和中欧增强回报业绩表现良好 ，呈现不同风格收益特征 [5][6] - 中欧鼎利是中高波二级债基 ，采用量化景气成长策略 ，收益高波动高 ，投资者赚钱效应随持有时间拉长提升 [8][26][27] - 中欧增强回报是低波绝对收益产品 ，强调安全边际 ，核心指标居行业前列 ，投资者赚钱效应也随持有时间拉长提升 [38][39][41] 根据相关目录分别进行总结 中欧基金邓欣雨：基本面量化的固收+践行者 - 邓欣雨历任博时基金多职 ，2023 年 10 月加入中欧基金 ，管理多只基金 ，规模达 87.68 亿元 ，产品类型覆盖一级债基、二级债基和灵活配置型基金 [4][5] - 其投资框架中固收+的“加”部分用基本面量化方法 ，有股息、价值等多个策略 ，还有基于宏观判断的大类资产配置框架 [6][7] 中欧鼎利：景气成长策略的中高波二级债基 - 定位中高波二级债基 ，采用量化的景气成长策略 ，有三层嵌套 ，强调从景气中获利 [8] - 景气度判断来自财报三个维度 ：财务健康度、盈利持续性和成长动能 [10] - 与量化其他风格产品相比 ，成长风格波动大但长期收益高 ，2025 年以来表现突出 ，中欧鼎利权益部分收益超成长指数 [24] - 呈现高收益风险性价比特征 ，2025 年以来收益 11.41% ，年化波动率 8.44% ，夏普比指标占优 [26] - 投资者赚钱效应随持有时间拉长提升 ，持有 1、2、3 个月收益率均值分别为 2.16%、4.50%、6.88% ，持有胜率皆为 100% [27] - 股票仓位 16.29%、转债仓位 13.14% ，行业配置倾向成长性行业 ，转债投资以电子等行业为主 ，偏股转债仓位较高 [31] 中欧增强回报：低波动绝对收益产品 - 定位于低波绝对收益产品 ，力争在 2%回撤目标下创造绝对回报 [38] - 投资框架在权益资产上强调安全边际 ，用估值刻画 [39] - 多项核心指标居行业前列 ，2025 年以来以 2.26%年化波动率创造 3.53%累计收益 [40] - 投资者赚钱效应随持有时间拉长提升 ，持有 1、2、3 个月收益率均值分别为 0.49%、1.08%、1.54% ，持有 2、3 个月胜率为 100% [41]

报告行业投资评级 未提及 报告的核心观点 报告主要介绍中欧基金邓欣雨及其管理的中欧鼎利、中欧增强回报基金 邓欣雨在固收+投资中运用基本面量化方法 中欧鼎利是中高波二级债基，采用量化景气成长策略，收益高、波动高、性价比优 中欧增强回报是低波动绝对收益产品，注重安全边际，核心指标居行业前列 两只基金投资者赚钱效应随持有时间拉长提升 [3][12][44] 根据相关目录分别进行总结 中欧基金邓欣雨：基本面量化的固收+践行者 - 邓欣雨履历丰富，现任中欧基金固收投决会委员等职，管理多只固收+产品，规模达87.68亿元，中欧鼎利、中欧增强回报任职以来业绩分别超7%和2% [7][8] - 其投资框架中固收+的“加”部分用基本面量化方法，准备多个策略，还有基于宏观判断的大类资产配置框架 [9][11] 中欧鼎利：景气成长策略的中高波二级债基 - 定位中高波二级债基，采用量化景气成长策略，有三层嵌套，从量化方法论、量化基本面、景气收益三方面构建 [12] - 该策略判断上市公司景气度从财务健康度、盈利持续性、成长动能三个财报维度进行 [14] - 与量化其他风格产品对比，成长风格波动大但收益高，2025年表现突出，中欧鼎利稳定以景气成长风格运作有稀缺性 [30][31] - 中欧鼎利收益风险性价比高，2025年以来收益11.41%、年化波动率8.44%，夏普比占优 投资者持有赚钱效应随时间拉长提升，持有1、2、3个月收益率均值分别为2.16%、4.50%、6.88%，胜率皆为100% [32][33] - 最新投资组合股票仓位16.29%、转债仓位13.14%，行业配置倾向电子等成长板块，转债投资以电子等行业为主，偏股转债仓位高 [37] 中欧增强回报：低波动绝对收益产品 - 定位于低波绝对收益产品，力争在2%回撤目标下创造绝对回报，权益资产强调安全边际，用估值刻画 [44][45] - 2025年以来以2.26%年化波动率创造3.53%累计收益，多项核心指标居行业前列，体现基金经理综合管理能力 [45][46] - 投资者赚钱效应随持有时间拉长提升，持有1、2、3个月收益率均值分别为0.49%、1.08%、1.54%，持有2、3个月胜率为100% [47]

投资理念：绝对收益导向 - 投资的本源是力争让每一笔交易都挣到钱，而非超越基准或追求相对排名[2][8] - 绝对收益与相对收益并不矛盾，长期看两者统一，例如3-5年年化收益达到双位数的基金经理自然会有靠前的排名和超额收益[8] - 主动产品若波动过大，会损害零售客户的持有体验，控制回撤能降低其买入难度并提升长期持有体验[5][31] 核心策略：三价打分体系 - 通过“三价打分体系”（买入价、极限底价、卖出价）进行标的定价，该体系能解决60%-70%甚至更多的波动控制问题，确保组合绝对收益[2][9][11] - 买入价必须从DCF模型得出，是深度研究后的认知；极限底价参考公司历史净利润最差时的估值低位；卖出价结合基本面与市场热度、情绪等量化指标[11][13] - 系统覆盖500多个标的并强制打分，市场好时组合加权打分降低，系统会提示基金经理调仓至高分标的，长期重复此动作以控制波动和保障收益[16] 科学与艺术的结合：量化与主动的协同 - 投资本质是“科学”与“艺术”的结合，量化负责捕捉高股息、低估值等客观规律，主动负责处理无法量化的内容[1][5][18] - 采用“基本面量化”模式，量化团队将基本面研究员的投资逻辑抽离出来，按行业建模，建立指标与股价的可跟踪、可检验的映射关系[6][11][18] - 先用量化策略打底提高成功概率，再用主观研究深化，要求所有量化模型从基本面或行业研究员的知识体系中抽离逻辑，本质是模仿研究员的认知过程[18][19] 组合构建与风险管理 - 组合构建以保持整体高分状态为基础，通常持有40-50家公司，前十大持仓占比30%-40%，通过自上而下判断选择方向并避免单一行业过度暴露[21] - 绝对收益策略中，60%-70%依赖选股，20%-30%靠关键点择时（如两年一次的大级别仓位调整），10%-20%靠系统减少错误投资行为[9][22] - 系统作为“尺子”约束非理性行为，例如股价高位时提示避免追高，在标的跌破极限底价时提示加仓，触及卖出价时提示减持[3][17] 团队管理与考核机制 - 考核机制以绝对收益为导向，当年产品亏损则不及格，但极端市场下可用相对高排名弥补，以平衡波动控制和避免过度保守[26] - 研究员考核以实盘贡献为主，只有“推荐→买入→上涨”才能获得高分，引导研究转化为实际收益，并通过系统留痕形成投研互动闭环[26] - 投资总监对所有产品质量负责，以最差产品为考量，旨在提升团队整体业绩而非依赖个别明星产品，体现平台和团队能力[26] 市场观点与投资方向 - 当前基本面企稳概率较大，依据是“资本开支/折旧摊销”指标接近2007年以来下限，同时企业盈利、库存均处历史低位，三季度可能是盈利底[23] - 看好两个方向：一是与资本开支周期相关、出清充分的中游资本品和化工行业；二是全球份额上升快的出口领域，受欧美制造业周期上行支撑[24]

AI量化研究系列 - 深度学习应用于股指期货日内交易策略开发 [2] - 深度学习算法用于Alpha因子挖掘和再挖掘 [2] - 趋势策略通过深度学习技术进行增强 [2] - 风险中性的深度学习选股策略构建 [2] - 深度学习在指数增强策略上的应用实践 [2] - 高频数据因子在深度学习框架下进行挖掘 [2] - 基本面因子模型通过深度学习技术增强 [2] - 条件随机场应用于周频择时策略开发 [2] - 机器学习多因子动态调仓策略研究 [2] - 人工智能在资产管理行业的应用和前景展望 [2] - 涨跌模式识别用于指数和行业择时策略 [2] - 隐马尔科夫模型应用于选股策略研究 [2] - 机器学习模型在因子选股上的比较分析 [2] - 多周期机器学习选股模型构建 [2] - 卷积神经网络用于股价走势识别与分类 [2] - Transformer架构下的量价选股策略研究 [2] - Visibility Graph-CNN创新架构用于高效股价预测 [2] - 卷积神经网络应用于ETF轮动策略 [2] - 多模态多尺度股价预测方法研究 [2] - DeepSeek工具用于提高投研效率 [2] - 知识库到知识图谱转换通过DeepSeek+GraphRAG实现 [3] - 神经常微分方程与液态神经网络技术研究 [3] - AlphaForge基于梯度下降进行因子挖掘 [3] - 强化学习应用于价格择时策略 [3] - 机器学习选股训练手册编制 [3] 基本面量化研究系列 - 多视角探寻长线选股策略研究 [3] - 景气向上且持续增长企业的挖掘方法 [3] - 寻找"物美价廉"优质企业的策略研究 [3] - 高估值股中投资机会的挖掘方法 [3] - 财务指标选股策略深入研究 [3] - 叠加反转效应下的财务指标选股策略 [3] - 细分行业景气盈利轮动策略开发 [3] 转债风险管理 - 转债退市风险与信用风险监控系统构建 [6] 研究团队信息 - 广发金融工程团队负责相关研究 [4]

科创债/信用债ETF配置策略 - 信用债ETF配置策略主要考虑保留现金或配置债券、寻求弹性或静态收益、久期或信用下沉选择、期限结构哑铃或子弹型四个问题[4] - 历史复盘显示信用债ETF在行情偏弱时持有现金概率不高 在低利率环境下主动博取静态收益性价比低 利率恢复震荡时会拉长久期寻求弹性[4] - 大部分ETF产品上市后普遍快速提升久期 信用评级动态适配 高评级在债市走强或走弱阶段主导 期限结构偏哑铃型居多[4] 当前科创债ETF配置偏好 - 当前市场环境下科创债ETF配置偏好与回调期信用债ETF相似 择券维持高弹性为主 偏好高评级和哑铃型期限结构[5] - 回调后科创债票息吸引力未明显增加 久期已较长可能先稳住久期 信用维度延续高评级坚守 保持AAA级及以上仓位主导[5] - 期限结构或转向哑铃策略以平衡防御与弹性 博弈曲线走平[5] 科创债扩容预期下择券策略 - 成分券与非成分券利差收窄 截至8月29日科创债成分券与可比券利差为-10BP 较7月18日收窄0.7BP 永续债收窄幅度更大[6] - 扩容预期下永续(非次级)科创债配置需求有望抬升 第一批10只科创债ETF中3家配置永续债 第二批上市后普通科创债可得性可能下降[6] - 债市调整阶段科创债一级新发挖掘空间抬升 7月以来每周平均发行规模427亿元(交易所242亿/银行间184亿) 新发利差为-4.5BP[6] 基本面量化风格与行业轮动 - 2025Q3大小盘轮动发出小盘信号 8月小盘相对大盘月超额1.34% 价值成长轮动发出成长信号 8月成长相对价值月超额12.76%[11] - 8月行业轮动组合绝对收益均超12% 超额均在4%以上 单因子多策略月收益率13.19% 超额4.59%[11] - 9月单因子策略推荐计算机/通信/传媒/非银行金融 复合因子策略推荐通信/电子/计算机/家电/传媒[13] 食品饮料行业表现 - 25Q2食品饮料板块收入同比+0.2% 净利润-2% 25H1收入/净利润均+1% 白酒受消费环境压制需求 行业加速去库[16] - 25Q2高端/次高端/区域白酒营收分别+3%/-5%/-27% 净利+1%/-19%/-42% 茅台为首的高端酒业绩稳定 二三线品牌分化明显[16] - 大众品表现分化:啤酒收入+2%净利+13% 黄酒收入+9%净利+64% 软饮料收入+17%净利+19% 零食收入+11%净利-54%[17] - 乳制品收入+4%净利+47% 调味品收入+6%净利+9% 餐饮供应链收入+3%利润-14% 卤制品收入-14%净利-41%[17]

行业与公司 - 医药行业被简化为医疗制造、医疗消费和医疗科技三大主线[1] - 医药板块个股数量约为500只 样本容量充足[3] - 自2013年以来 医药板块在32个一级行业中稳居前三 机构持仓比例较高[3] 核心观点与论据 分类方法 - 采用主观研究员分类与定量指标相结合的方法 确保分类准确性和动态适应性[1] - 定量分类通过资产结构、费用结构和人员结构三个维度实施[1][6] - 消费型企业：重点考察销售得分（产成品占比、销售人员占比、销售费用占比）[6] - 制造类企业：考察产能得分（固定资产占比、资本开支、生产团队、现金流与净利润匹配度）[6] - 科技类企业：重点观察创新得分（无形资产占比、研发费用占比、研发人员占比）[6] - 定量分类与主动研究员分类一致性程度较高 例如大部分CXO和创新药标的被划入科技池子[7] 选股策略 - 消费领域：围绕产品、品牌、渠道三大竞争要素选股[11] - 产品力：单季毛利率水平 - 渠道力：单季净利率同比变化 - 品牌力：细分赛道市占率 - 制造领域：三条选股逻辑[12] - 竞争力：单季度毛利率水平和销售费用率季度波动率 - 创新能力：研发费用率 - 出海能力：海外营收占比 - 科技领域：采用表征投入产出转化效果的指标[13] - 毛利率同比变化 - 资本密集度同比变化 风险控制 - 剔除高波动标的：消费和制造池子剔除综合波动率较高50%的标的 科技板块剔除长期波动率较高50%的公司[14] - 安全边际评估：[15] - 消费和制造池子：使用PB-ROE模型 剔除处于第四象限的标的 - 科技池子：使用PEG模型 剔除PEG过高标的 策略效果 - 综合策略在多数年份跑赢指数 尤其在医药整体贝塔较低、市场环境不佳时表现更佳[4] - 2024年上半年超额收益表现尤为突出[4] - 消费池自2016年以来每年相对于基础值都有超额收益 制造池在18年与20年收益弹性亮眼 科技池大部分年份超额收益超过10个点[16] - 与医药主题基金相比 该策略在2019和2020年机构抱团期间收益有所拖累 但其他年份基本能进入前50%分位[18] 其他重要内容 - 机构关注度较低但质地稳健的标的后续涨幅更稳健 超额收益更稳定 胜率更高[19] - 针对弹性行情 构建反向池子 忽略基本面考量 纳入基本面处于后50%但弹性强的标的[20] - 持仓更新频率：每次季报发布后更新 一年只调三次 选出的池子大约有50~60只标的[17][21]

许仲翔职业经历与锐联发展历程 - 许仲翔是RAFI基本面量化策略联合发明人及SmartBeta策略开拓者 在国际量化投资圈是关键人物[1] - 2002年创立ResearchAffiliates（锐联美国） 通过策略授权模式与美国大型基金公司合作 将量化学界成果推向市场[1] - 2009年与沪深交易所以及华夏基金、嘉实基金等国内头部公募采用策略授权模式合作[1] - 2016年拆分锐联亚洲、成立锐联财智 2021年旗下上海锐联景淳投资获批成为外商控股私募基金管理人 全方位进入中国市场[1] 投资哲学与市场观点 - 反对以历史暴涨业绩为核心的基金营销 认为其本质与彩票广告无异[2][5] - 提倡"赚慢钱"是唯一可持续路径 认为持续盈利者从无暴利神话[4] - 投资核心概念简单：要么承受高风险追求高回报 要么接受低风险获取低收益 "高回报无风险"选项是骗局[5] - 认为上涨时点及领涨板块不可预测 应对之策是充分分散和量化赋能[7] 量化投资方法论 - 量化研究核心是借助海量数据验证规律的可重复性 依赖统计和数据处理进行系统性建模[8] - 股价受公司基本面和市场情绪两大因素驱动[8] - 锐联量化模型围绕基本面维度（评估公司护城河、研发投入、盈利能力等）和情绪面维度（追踪市场参与者交易行为）构建[8] - 基本面量化持仓周期长达数月甚至数年 深度参与企业成长周期[9] 中美市场比较与本土化实践 - 全球真正值得重点布局的是中美市场[11] - 中国市场数据比美国早期更"干净" 交易所全信息化 数据规范易获取[11] - 锐联依托海外市场海量数据和成熟市场演进规律 结合国内数据进行本土化调整[9] - 不会因短期监管调整或市场波动动摇对中国市场的信心[9] A股市场发展阶段与监管环境 - A股市场需经历浮躁期才能走向机构化与专业化 美国市场早年也经历过类似阶段[10] - 国内监管制度日趋完善 监管趋严源于基金经理薪水与基民收益长期背离[10] - 转型需要认知升级驱动的系统性进化 头部机构和专业媒体需协同打破对短期指标的盲目追捧[10] - 中国市场会遵循从草创到成熟的普遍规律 最终走向类似海外市场的成熟阶段[12]

量化新规影响 - 沪深两市全天成交额1 21万亿 较前一日缩量2000多亿 [1] - 高频量化对市场赚钱效应提升有限 长期利好市场健康发展 [2][3] - 头部量化机构转向基本面量化和AI选股等中长期模型 市场风格或更利于中长线投资者 [4] 电力行业分析 - 电力板块高开高走 多只个股涨停 受高温预警和用电需求激增驱动 [5][6] - 全国最大电力负荷达14 65亿千瓦 较6月底上升2亿千瓦 同比增1 5亿千瓦创历史新高 [7] - 火电板块业绩显著改善 一季度近70%上市公司净利润同比增长 主因煤价大幅下降 [9] - 行业季节性特征明显 "夏炒电"行情需注意夏季结束时的风险 [10] 房地产政策动态 - 6月以来多部门密集出台房地产利好政策 央行 银保监会 住建部等释放积极信号 [11] - 高品质住宅或迎发展机遇 建议关注核心城市布局强 拿地能力优 产品力突出的房企 [11] - 化债概念地产个股或具优先配置价值 [12] 其他行业轮动 - 固态电池 核聚变 风电 稀土 军工等板块出现轮动 但强度较弱 需精选个股 [12]

红利主题基金投资趋势 - 全球避险资产受宠背景下红利主题基金成为权益市场重要投资工具 [1] - 央行年内首次调降LPR叠加大行下调存款利率(1年期挂牌利率降至1%以下)推动资金转向红利资产 [1] - 广发稳健策略基金近半年回报11.16%显著跑赢中证红利全收益指数(2.19%) 2024年总回报达36.61%超额收益16.83% [1] 主动+量化投资策略 - 采用主观选股把握大趋势与量化模型开发多元子策略结合 通过AI非线性手段增强红利选股池 [2] - 量化团队构建特定风格子策略 包括机器学习因子筛选标的及景气度/价量因子挖掘低估品种 [2] - 持仓结构体现"主动集中+量化分散"特征 前十大重仓股头部占比超3% 90只个股持仓占比低于1% [3] 港股配置与行业调仓 - 2024年显著增加港股配置 一季度前十大含9只H股 四季度保留7只H股 因港股股息率更高且股价表现更强 [3] - 2025年一季度调仓新增6只重仓股 覆盖医药生物(科伦药业/东阿阿胶)、房地产(保利物业/招商积余)、电力设备(宁德时代)、环保(瀚蓝环境)等行业 [4]

根据提供的量化研报内容，以下是全面详细的总结： 量化模型与构建方式 1. **行业景气度-趋势-拥挤度轮动模型** - 构建思路：通过景气度、趋势强度和拥挤度三维度筛选行业，规避高拥挤板块[8] - 具体构建： 1. 景气度：采用分析师预期ROE的z-score $$ z_{ROE} = \frac{ROE_{FTTM} - \mu_{ROE}}{\sigma_{ROE}} $$ 2. 趋势：计算行业动量得分（过去3个月收益率） 3. 拥挤度：综合换手率、融资余额等指标构建分位数阈值[37] - 模型评价：进攻性强，需依赖拥挤度指标控制风险[96] 2. **行业库存景气反转模型** - 构建思路：筛选低库存分位数（<80%）、资本开支合理（<80%）、毛利率和现金流改善的行业[17] - 具体构建： 1. 剔除条件：库存/资本开支分位数>80% 或 毛利率/现金流分位数<20% 2. 补库信号：库存同比+营收同比同步回升[21][22] 3. 加权方式：结合分析师景气指数FAPI和趋势得分[94] - 模型评价：左侧布局型策略，对补库周期敏感[99] 3. **PB-ROE选股模型** - 构建思路：在行业配置基础上筛选估值性价比个股[13] - 具体构建： 1. 行业权重分配后，选取行业内PB-ROE分位数前40%股票 2. 加权方式：$$ Score = 0.6 \times \frac{1}{PB} + 0.4 \times ROE $$[13] - 模型评价：价值成长平衡型策略[107] 模型的回测效果 1. **行业景气度-趋势模型** - 2023年超额收益：+9.3%（vs Wind全A） - 2024年超额收益：+5.0% - 2025年超额收益：+2.2%（至4月底） - IR：1.74，最大回撤-7.4%[96] 2. **库存景气反转模型** - 2023年绝对收益：+13.0% - 2024年绝对收益：+25.6%（vs行业等权+14.5%） - 2025年超额收益：+1.7% - IR：1.76[99][102] 3. **PB-ROE选股组合** - 年化超额收益：22.9%（vs Wind全A） - 2024年绝对收益：+14.6% - 2025年超额收益：+1.0% - IR：2.02[107][108] 量化因子与构建方式 1. **分析师景气指数(FAPI)** - 构建思路：整合分析师盈利预测调整方向与幅度[94] - 具体构建： $$ FAPI_i = \sum_{j=1}^n w_j \cdot \frac{EPS_{i,j}^{rev} - EPS_{i,j}^{old}}{|EPS_{i,j}^{old}|} $$ 其中$w_j$为分析师权重，按历史准确性调整[94] 2. **拥挤度因子** - 构建思路：监测交易过热风险[37] - 具体构建： 1. 换手率分位数（20日） 2. 融资余额占比变化 3. 相对强弱指数RSI(14) 阈值设定为综合分位数>80%视为高拥挤[37] 因子的回测效果 1. **FAPI因子** - 国防军工行业z-score：+2.2（最高） - TMT行业z-score：-1.7（最低）[94] 2. **拥挤度因子** - 在TMT板块触发预警（分位数>90%）[8] - 有效规避2024Q4通信行业-10.1%回撤[37]