量化模型与构建方式 1. 模型名称：单因子波动率管理组合 * **模型构建思路**：针对单个因子，通过其历史波动率的倒数对因子收益进行缩放，构建一个波动率管理版本的因子，然后将原始因子与其管理版本进行均值-方差优化，形成最终组合[30][31]。 * **模型具体构建过程**： 1. 对于第k个因子，计算其在t月的已实现方差 $\sigma_{k,t}^{2}$，通过该月内因子日度收益的样本方差估算得到[30]。 2. 构建第k个因子的波动率管理版本收益 $r_{k,t+1}^{\sigma}$，公式为： $$r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$$ 其中，$r_{k,t+1}$ 是第k个未管理因子在t+1月的收益，$c$ 是缩放参数，目的是使管理后因子的波动率与未管理因子保持一致[30][31]。 3. 将未管理因子 $r_{k,t+1}$ 与其波动率管理版本 $r_{k,t+1}^{\sigma}$ 进行组合，通过最大化均值-方差效用（假设投资者风险厌恶系数 $\gamma = 5$）来确定两者的最优权重，从而得到单因子波动率管理组合[49]。 2. 模型名称：条件固定权重多因子投资组合 (CFW) * **模型构建思路**：先构建一个无条件均值-方差多因子组合，然后根据该组合上月收益方差的倒数进行整体缩放，得到一个波动率管理版本，最后将无条件组合与其管理版本进行均值-方差优化[32]。 * **模型具体构建过程**： 1. 首先，使用所有K个因子，通过最大化扣费前的均值-方差效用，构建一个无条件多因子投资组合（UMV）[32]。 2. 将该无条件组合的整体权重按其上月收益方差的倒数进行缩放，得到该组合的波动率管理版本[32]。 3. 将原始的无条件多因子组合与其波动率管理版本进行均值-方差优化，形成最终的条件固定权重组合。该组合对所有因子的相对权重与原始无条件组合完全一致[32]。 3. 模型名称：条件均值-方差多因子投资组合 (CMV) * **模型构建思路**：构建一个多因子组合，其中每个因子的权重是市场波动率倒数的仿射函数，允许不同因子的权重随市场波动率进行差异化调整。组合权重通过最大化扣减交易成本后的均值-方差效用来优化[4][32][33]。 * **模型具体构建过程**： 1. **定义因子权重**：设第k个因子在t期的权重为 $\theta_{k,t}$，将其参数化为市场波动率倒数的仿射函数： $$\theta_{k,t}=a_{k}+b_{k}\frac{1}{\sigma_{t}}$$ 其中，$\sigma_{t}$ 是t月的已实现市场波动率（由该月市场日度收益的样本波动率估算），$a_k$ 和 $b_k$ 为待估参数。$b_k > 0$ 意味着当市场波动率升高时，组合会降低对第k个因子的暴露[33][38]。 2. **定义组合收益**：条件多因子组合在t+1期的收益 $r_{p,t+1}(\theta_{t})$ 为各因子收益与其权重的加权和： $$r_{p,t+1}(\theta_{t})=\sum_{k=1}^{K}r_{k,t+1}\theta_{k,t}=\sum_{k=1}^{K}r_{k,t+1}\left(a_{k}+b_{k}\,\frac{1}{\sigma_{t}}\right)$$ 其中，$r_{k,t+1}$ 是第k个因子在t+1期的收益[34]。 3. **构建优化问题**：通过定义扩展因子收益向量和权重向量，将组合构建转化为一个优化问题。目标是找到扩展因子权重向量 $\eta$（包含所有 $a_k$ 和 $b_k$ 参数），以最大化扣减交易成本后的样本均值-方差效用[37]： $$\max_{\eta\geq0}\widehat{\mu_{\rm ext}}\eta-{\rm TC}(\eta)-\frac{\gamma}{2}\eta^{\prime}\widehat{\Sigma_{\rm ext}}\eta$$ 其中，$\widehat{\mu_{\rm ext}}$ 和 $\widehat{\Sigma_{\rm ext}}$ 分别是扩展因子收益向量的样本均值和样本协方差矩阵，${\rm TC}(\eta)$ 是该组合的样本交易成本，$\gamma$ 是风险厌恶系数[37]。优化施加约束 $a_k \geq 0$ 和 $b_k \geq 0$，确保对未管理因子的暴露为正，且在波动率高时降低暴露[38]。 4. 模型名称：无条件均值-方差多因子投资组合 (UMV) * **模型构建思路**：在条件均值-方差多因子组合（CMV）的优化框架下，施加额外约束 $b_k = 0$（即因子权重不随市场波动率变化），从而得到一个静态权重的多因子最优组合[56]。 * **模型具体构建过程**：与CMV组合的构建过程相同，但在求解优化问题(6)时，对所有因子k施加约束 $b_k = 0$，这意味着因子权重 $\theta_{k,t} = a_k$ 为常数，不随时间变化[56]。 5. 因子名称：九大基础因子 * **因子构建思路**：采用文献中常用的多空组合构建方法，代表不同的风险溢价来源[28]。 * **因子具体构建过程**：从相关作者网站获取九个因子的超额收益数据。除市场因子（MKT）和押注低贝塔因子（BAB）外，每个因子都是一个多空股票投资组合的收益，多头和空头头寸各为一美元。MKT和BAB因子也是零成本投资组合[28]。具体因子包括： * 市场因子（MKT） * 小市值减大市值因子（SMB） * 高账面市值比减低账面市值比因子（HML） * 稳健型减激进型因子（RMW） * 保守型减激进型因子（CMA） * 动量因子（UMD） * 盈利性因子（ROE） * 投资因子（IA） * 押注低贝塔因子（BAB）[28] 6. 因子名称：波动率管理因子 * **因子构建思路**：对每个基础因子，根据其自身历史波动率进行缩放，以生成一个波动率管理版本的因子收益序列[30]。 * **因子具体构建过程**：对于第k个基础因子，其波动率管理版本的收益 $r_{k,t+1}^{\sigma}$ 按以下公式计算： $$r_{k,t+1}^{\sigma}=\frac{c}{\sigma_{k,t}^{2}}r_{k,t+1}$$ 其中，$r_{k,t+1}$ 是基础因子收益，$\sigma_{k,t}^{2}$ 是该因子在t月的已实现方差，$c$ 为缩放常数[30]。 7. 模型/因子评价 * **单因子波动率管理组合**：在样本内且不考虑交易成本时能提升夏普比率，但样本外表现受估计误差和交易成本严重侵蚀，考虑交易分散化仅能部分缓解，通常无法显著跑赢未管理因子[50][51][53][55]。 * **条件均值-方差多因子组合 (CMV)**：表现优异，其优势源于三个驱动因素：1) 跨因子交易轧差带来的交易分散化效应显著降低了高成本的管理型因子交易损耗；2) 在优化中直接纳入了交易成本模型；3) 允许因子权重随市场波动率差异化调整，能够积极择时并盘活某些低效因子[5][18][71][80][86]。 * **因子风险-收益权衡**：研究发现，所有九个因子的风险-收益权衡关系均随市场波动率上升而减弱，这与传统理论预期相悖，挑战了“风险-收益对应”的基本前提[3][19][92][103]。 模型的回测效果 （以下结果均基于样本外区间：1977年1月至2020年12月，且为扣除交易成本后的表现，除非特别说明） 1. 单因子波动率管理组合 * **测试场景**：样本外，扣除交易成本，并考虑交易分散化（对应图表4面板E）[52][54] * **MKT因子**：夏普比率(SR) 0.433[54] * **SMB因子**：夏普比率(SR) 0.035[54] * **HML因子**：夏普比率(SR) 0.089[54] * **RMW因子**：夏普比率(SR) 0.226[54] * **CMA因子**：夏普比率(SR) 0.153[54] * **UMD因子**：夏普比率(SR) 0.209[54] * **ROE因子**：夏普比率(SR) 0.324[54] * **IA因子**：夏普比率(SR) 0.193[54] * **BAB因子**：夏普比率(SR) 0.746[54] 2. 条件均值-方差多因子投资组合 (CMV) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(6)列）[61][73] * **年化收益率均值**：0.477[61] * **年化标准差**：0.449[61] * **夏普比率(SR)**：1.062[61] * **年化阿尔法(α)**：0.066[61] * **阿尔法t统计量**：3.637[61] * **年化交易成本(TC)**：0.213[61] 3. 无条件均值-方差多因子投资组合 (UMV) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表6和图表8面板D第(4)列）[61][73] * **年化收益率均值**：0.430[61] * **年化标准差**：0.458[61] * **夏普比率(SR)**：0.940[61] * **年化交易成本(TC)**：0.163[61] 4. 条件固定权重多因子投资组合 (CFW) * **测试场景**：样本外，扣除交易成本，并考虑交易分散化，且优化时已计入交易成本（对应图表8面板D第(5)列）[73] * **夏普比率(SR)**：1.026[73] * **年化阿尔法(α)**：0.046[73] * **阿尔法t统计量**：3.407[73] * **年化交易成本(TC)**：0.169[73]

产品上市与概况 - 兴业基金旗下兴业中证科技优势成长50策略ETF于2月27日在上海证券交易所上市交易 [1] - 该产品跟踪中证科技优势成长50策略指数 为投资者提供多因子策略的投资工具 [1] 指数策略与产品设计 - 跟踪指数在A股科技板块中采用成长、创新、质量等因子进行量化选股和加权 [1] - 指数创新性地引入了分析师一致预期因子 以增强对上市公司未来营收、业绩变化的预测能力 [1] - 产品设计使投资者能跳出传统行业选择逻辑 直接配置计算机、半导体、电子、通信设备、数字媒体、生物科技、航空航天与国防等“硬科技”含量较高的行业 [1] - 在上述行业中通过复杂精细的指数量化手段 为投资者遴选出兼具成长性和一定安全边际的优质资产 [1] 市场观点与投资主线 - 兴业基金相关人士认为 2026年权益市场的投资主线依然将围绕科技展开 [1] - 后续科技风格的演绎更多体现在产业成长趋势与业绩实际兑现的相互印证 [1] - 业绩的确定性有望成为2026年科技主题投资的核心线索 [1]

报告行业投资评级 未提及 报告的核心观点 - 关注棉花、PX中期交易机会，推荐中期单边做多棉花主力和PX主力 [1][4][6] 各章节总结 策略精选 - 棉花主力策略：中期单边做多，初始仓位5%，持仓直至RCMS发出平仓信号，按RCMS每日调仓信号增减仓位；1月30日触发RCMS模型负相关开多信号，多个重点席位净持仓与价格走势中高度负相关；技术面棉花加权月度K线图突破并站上5、13周期SMMA均线，当前价格处于历史中低百分位，向上潜在空间大 [4][5] - PX主力策略：中期单边做多，初始仓位5%，持仓直至RCMS发出平仓信号，按RCMS每日调仓信号增减仓位；1月30日触发RCMS模型负相关开多信号，重点席位净持仓与价格走势高度负相关；技术面PX加权周度K线图突破并站上5、13、34周期多条SMMA均线，处于均线多头排列震荡延续行情 [6][7] 多因子策略跟踪 - 策略简介：以多维度相关性构建，用皮尔逊相关系数公式计算席位净持仓与品种价格相关系数及波动率构建模型；平均单品种投资周期中长期，大部分品种持仓1个月至一年；投资范围为期货市场全品种 [14] - 棉花开仓依据：多个重点席位及前十名、前二十名合计净持仓与价格走势高度负相关，按RCMS模型开仓信号开多；技术面棉花加权月度K线图突破并站上5、13周期SMMA均线，历史上突破并形成金叉后走出较大波动空间概率高，当前价格处于历史中低位 [21] - PX开仓依据：重点席位A及前十名、前二十名合计净持仓与价格走势高度负相关，按RCMS模型开仓信号开多；技术面PX加权周度K线图突破并站上5、13、34周期多条SMMA均线，处于均线多头排列震荡延续行情 [28] - 策略表现：1月最后一个交易日新设立模拟盘，暂无净值、收益率等数据，后续周报、月报跟进更新；当前策略持仓仓位10% [29] 主要品种与席位相关性 - 金融板块：展示股指（IC、IM、IF）、贵金属（沪银、PT）各席位净持仓与价格走势关系 [32][41] - 有色板块：展示沪铜、沪铝、碳酸锂、沪镍、沪锡、沪锌、沪铅各品种不同席位净持仓与价格走势关系 [44][52][61][66][74][79] - 黑色板块：展示铁矿石、不锈钢、锰硅各品种席位A净持仓与价格走势关系 [87] - 能化板块：展示甲醇前五名合计、席位A、前十名合计净持仓与价格走势关系 [93] - 农产品板块：展示玉米、淀粉、生猪、白糖、菜籽油、菜籽粕、豆一各品种不同席位净持仓与价格走势关系 [100][106]

科技50策略指数介绍 - 指数全称为中证科技优势成长50策略指数（931696.CSI），旨在为投资者提供基于科技行业的多因子策略投资标的 [1] - 样本空间来自中证全指，筛选过去一年日均成交金额排名前80%的证券，并限定在计算机、半导体、电子、通信设备及技术服务、游戏、互动媒体、其他数字媒体、航空航天与国防、化学药、生物药品、制药与生物科技服务、医疗器械等行业 [1] - 选股与加权方法：对样本空间内的股票，分别计算成长、研发创新、一致预期、动量、价值、低波、盈利、偿债能力、运营效率、财务稳健和投资稳健等11个因子的倾斜得分，结合自由流通市值占比基础得分，得到调整后总分，选取排名前50的证券作为指数样本 [1] - 加权方式为调整后得分加权，单个样本权重上限为10%，下限为0.1% [2] - 指数样本每季度调整一次，调整实施时间为每年3月、6月、9月和12月的第二个星期五的下一交易日 [2] 指数成分股特征 - 截至2025年12月31日，前十大成分股权重之和为30.93%，前五大成分股权重之和为17.63%，权重集中度较为适中 [2] - 前十大成分股覆盖通信设备、半导体、化学制药、军工电子、游戏、消费电子、医疗服务、元件等多个科技细分领域，均为各领域头部公司 [2][3] - 具体前十大成分股及权重为：中际旭创（4.64%）、新易盛（3.67%）、寒武纪-U（3.25%）、恒瑞医药（3.18%）、高德红外（2.89%）、吉比特（2.88%）、工业富联（2.72%）、巨人网络（2.59%）、药明康德（2.58%）、深南电路（2.52%）[3] - 指数成分股总市值分布偏向大市值，总市值超过1000亿元的成分股有31只，总市值小于100亿元的成分股仅有2只 [3] - 在行业分布上，指数侧重电子行业，同时在通信、计算机、医药生物等行业也具有一定权重 [3] 因子在样本空间内的测试表现 - 回测期间为2010年12月31日至2025年9月30日，每季度统计因子选股表现，从因子RankIC和因子分组收益两个维度进行评估 [6] - 根据RankIC均值，在样本空间内选股效果突出的因子包括：成长因子（RankIC均值4.95%）、价值因子（RankIC均值5.05%）、一致预期因子（RankIC均值3.45%）、动量因子（RankIC均值4.02%）[7] - 低波因子在样本空间内表现出显著的负向选股效果，其RankIC均值为-10.25% [7] - 投资稳健因子的RankIC均值为2.12%，也显示出一定的选股效果 [7] - 结合因子RankIC和分组收益表现，在样本空间内，成长、一致预期、低波等因子具有较为突出的选股效果 [20] 与其他科技科创类指数的历史业绩比较 - 比较对象包括科创50、科创创业50、科技100、智选科创价值50、中证科技等5只代表性科技科创类指数，回测期间为2020年1月1日至2025年12月31日 [20] - 在整个回测期间，科技50策略指数的累计收益为97.26%，年化收益为11.96%，在6只指数中排名第3 [22] - 科技50策略指数的年化波动率为27.10%，夏普比率为0.44，在6只指数中夏普比率排名第2 [22] - 科技50策略指数的最大回撤为-47.92%，优于科创50（-61.89%）和科创创业50（-59.91%）[22] - 分年度看，指数在科技行情好的年份表现突出：2020年收益率为49.65%，2025年收益率为49.53% [22][24] 成长性比较 - 在营收增速的波动性上，科技50策略指数相比其他5只科技科创类指数的波动性更低，营收增速更为稳健 [25] - 根据Wind一致预期数据，科技50策略指数预期2026年营收增速为33.65%，高于其他5只比较指数 [25][29] - 历史及预期营收增速具体数据：2022年22.08%，2023年12.78%，2024年23.87%，2025年预期6.98%，2026年预期33.65% [26][29] - 科技50策略指数营收增速的标准差为10.33%，显著低于科创50（28.96%）、科创创业50（26.44%）和科技100（32.38%）[29] 指数选股因子比较 - 与单纯按市值选股的科创50、科创创业50不同，科技50策略指数与科技100、智选科创价值50、中证科技均采用多因子选股方法，可比性更高 [31] - 科技50策略指数在选取成分股时使用了11个因子进行综合打分，涵盖成长、研发创新、一致预期、动量、价值、低波、盈利、偿债能力、运营效率、财务稳健和投资稳健等多个维度 [31][32] - 其他多因子指数选股时更集中在少数几个因子：科技100侧重研发强度、盈利能力、成长能力3个因子；智选科创价值50侧重质量、价值、低波3个因子；中证科技侧重基本面质量、激励机制以及科技创新3个因子 [31][32] - 科技50策略指数补充了分析师一致预期因子，该因子是对上市公司未来营收、业绩变化的重要前瞻来源 [31]

报告核心观点 中证科技优势成长50策略指数（科技50策略）是一个融合了成长、创新、价值、低波、质量等多因子的科技行业策略指数，旨在为投资者提供基于科技行业的多因子策略投资标的[1][7]。报告通过历史回测和横向比较，认为该指数在历史业绩、成长稳健性和因子策略的全面性方面具备优势[1][47][59][61][67]。 指数编制方法与特征 - **编制方法**：指数从中证全指中筛选出计算机、半导体、电子、通信、医药生物等科技相关行业的证券作为待选样本[7]。对样本股计算**成长、研发创新、一致预期、动量、价值、低波、盈利、偿债能力、运营效率、财务稳健和投资稳健**共11个因子的倾斜得分，并与自由流通市值基础得分相加，选取综合得分前50的证券作为成分股，并按调整后得分加权[7][9]。 - **成分股特征**：指数权重集中度适中，前五大权重股权重之和为**17.63%**，前十大权重股权重之和为**30.93%**[1][9]。成分股多为各科技细分领域头部公司，例如中际旭创、新易盛（通信设备）、寒武纪-U（半导体）、恒瑞医药（化学制药）等[1][9][10]。 - **市值与行业分布**：指数偏向大市值，截至2025年12月31日，总市值超过**1000亿元**的成分股有**31只**，总市值小于**100亿元**的仅**2只**[1][11]。行业分布侧重电子，同时在通信、计算机、医药生物等行业也有一定权重[1][11]。 因子有效性测试 - 在2010年12月31日至2025年9月30日的样本空间内测试显示，**成长、一致预期、低波**等因子具有较为突出的选股效果[47]。 - 具体因子RankIC均值表现：成长因子为**4.95%**，一致预期因子为**3.45%**，动量因子为**4.02%**，价值因子为**5.05%**，低波因子为**-10.25%**（负值表示低波动股票表现更优）[20][23]。 与其他科技/科创类指数比较 - **历史业绩比较（2020/1/1~2025/12/31）**： - 科技50策略指数年化收益为**11.96%**，在对比的6只指数中排名第**3**；夏普比率为**0.44**，排名第**2**[1][59]。 - 指数弹性较好，在科技行情好的年份表现突出：2020年收益率为**49.65%**，2025年收益率为**49.53%**[1][59][60]。 - 指数年化波动率为**27.10%**，最大回撤为**-47.92%**[59]。 - **成长性比较**： - 科技50策略指数营收增速波动性更低，历史营收增速更为稳健[1][61]。 - 根据Wind一致预期，该指数2026年预期营收增速为**33.65%**，高于其他5只对比指数[1][61][62]。 - **因子策略比较**： - 相较于其他多因子指数（如科技100、智选科创价值50、中证科技），科技50策略指数在选股时使用了更多维度的因子（共11个），而其他指数多集中在3个因子上[67][68]。 - 科技50策略指数补充了**分析师一致预期因子**，该因子是对上市公司未来业绩变化的重要前瞻来源[1][67]。 产品信息 - 兴业中证科技优势成长50策略ETF（认购代码：563563，交易代码：563560）正在募集，认购时间为2025年11月4日至2026年1月30日，跟踪基准即为本指数[6]。

行业趋势：AI发展与主动量化基金崛起 - 2025年AI是贯穿全年的核心主题，其爆发式发展不仅带火了指数基金，更让主动量化基金受到市场高度关注 [1][2] - 主动量化基金通过人机结合实现了“1+1>2”的效果，在行业轮动和个股分化的市场条件下，展现出穿越周期、获取超额收益并降低波动风险的能力 [2] - 机构投资者正大手笔布局主动量化基金，截至2025年三季度末，全市场292只主动量化基金（份额合并计算）总份额达805亿份，较去年年末增长27%（170亿份），其中仅第二季度单季就增长了144亿份 [2] - 截至2025年中报，所有主动量化基金总份额为661亿份，其中机构投资者持有份额达465亿份，占比超过70% [3] 机构青睐的主动量化基金概览 - 根据2025年中报数据，机构投资者持有份额排名前十的主动量化基金（A类份额）包括博道远航A、华安事件驱动量化策略A、长信量化价值驱动A等 [3][4] - 前十名基金的具体数据（截至指定日期）如下：博道远航A（规模40.93亿元，机构持有13.88亿份）、华安事件驱动量化策略A（规模47.22亿元，机构持有11.10亿份）、长信量化价值驱动A（规模21.79亿元，机构持有9.99亿份）、东吴安盈量化A（规模11.78亿元，机构持有9.34亿份）、博时智选量化多因子A（规模26.66亿元，机构持有9.18亿份）、博道成长智航A（规模53.65亿元，机构持有9.13亿份）、国金量化多策略A（规模40.67亿元，机构持有8.09亿份）、招商成长量化选股A（规模30.97亿元，机构持有7.82亿份）、国金量化多因子A（规模64.22亿元，机构持有7.48亿份）、中信保诚多策略A（规模20.63亿元，机构持有7.11亿份） [4] 华安事件驱动量化策略A深度分析 - 该基金是一只对标偏股基金指数的“类指增”产品，但其表现显著优于许多同类基金 [4][5] - 业绩表现突出：华安事件驱动A已连续6个完整自然年跑赢沪深300指数，2025年大幅领先，有望达成连续7年跑赢的成就 [6] - 历史年度回报数据（截至2025年12月22日）：2025年回报35.77%（基准14.04%，沪深300为17.20%），2024年回报21.82%（基准11.01%，沪深300为14.68%），2023年回报-8.63%（沪深300为-11.38%），2022年回报-17.86%（沪深300为-21.63%），2021年回报30.84%（沪深300为-5.20%），2020年回报59.19%（沪深300为27.21%），2019年回报37.37%（沪深300为36.07%） [8] - 风险收益比优异：在近一年（2024年12月23日至2025年12月22日）的数据中，该基金在年化收益率（33.02%，同类平均24.08%）、年化波动率（16.23%，同类平均16.69%）、最大回撤（-9.96%，同类平均-12.50%）、年化夏普比率（1.76，同类平均1.20）、卡玛比率（3.32，同类平均2.13）、日度正收益概率（55.56%，同类平均53.33%）六项指标上均优于同类基金 [9][10] - 基金经理张序为量化投资研究出身，其管理策略在采用主流“量化指增”方法的同时，特别注重行业轮动，根据市场风格主动进行行业切换和选择 [13][14][15] - 该基金的选股策略不仅使用多因子模型，还加入了事件驱动策略，将宏观数据、政策事件转化为因子，以多元化超额收益来源 [17][18] 博道远航A基金分析 - 该基金被许多基金视为业绩对比的标杆 [20] - 其特点是高收益与低波动并存，近三年年化收益率为13.40%，年化波动率为17.75%，最大回撤为-25.16%，各项风险指标均远低于同类平均水平（同类平均年化收益率5.79%，年化波动率21.76%，最大回撤-36.56%） [21][22] - 基金经理杨梦是量化投资领域的资深人士，其投资理念强调“均衡稳健、穿越周期”，注重策略风格的清晰与稳定，通过因子与方法的均衡配置来降低对单一市场风格的依赖 [22][23][24] 国金量化多因子A基金分析 - 该基金是国金基金的王牌产品，在2022年和2023年A股市场调整期间逆势取得正收益，分别获得12.23%和13.68%的回报，2022年的表现曾引起市场轰动 [25][26] - 历史年度回报数据：2025年回报44.66%（基准22.74%，沪深300为17.20%），2024年回报-3.29%（基准6.51%，沪深300为14.68%），2023年回报13.68%（基准-5.52%，沪深300为-11.38%），2022年回报12.23%（基准-16.88%，沪深300为-21.63%） [28] - 基金经理马芳是主动量化领域成功的女性基金经理，其策略建立在多因子框架和机器学习算法之上，动态捕捉全市场机会，不固守特定因子 [29] - 国金量化团队持续对模型进行迭代优化，以使基金适应不同的市场环境 [29] - 马芳在2025年8月卸任了两只指数增强基金的基金经理职务，这可能意味着其未来工作重心将更侧重于主动量化产品 [29]

报告核心观点 - 量化固收+基金是一类以固定收益资产为核心底仓，通过量化模型驱动权益、可转债等增强类资产配置，在控制组合波动与最大回撤的基础上，追求“固定收益+超额收益”的产品 [7] - 量化策略是固收+基金权益部分配置的重要思路，需要结合大类资产的配置策略在牛市增厚收益、熊市减少回撤 [185] - 量化策略的业绩表现主要取决于是否能够结合宏观环境选对因子 [185] 量化固收+定义与核心特征 - 产品以纯债资产为核心底仓，结合久期、仓位、券种选择等策略优化配置，保障本金安全与组合稳健收益 [8] - 依托多因子、指数增强、红利低波等量化策略进行仓位择时和选股，获取可持续的超额回报 [8] - 常见运行方式包括固收基金经理+量化基金经理、量化基金经理单独管理、固收基金经理+量化团队支持三种模式 [8] 常用的量化固收+策略 - **红利低波策略**：聚焦红利和低波动单一明确收益驱动因子，通过因子打分筛选符合相应特征的标的，获取该因子长期带来的超额收益，因子定义清晰、透明可复制，但需承受单一因子阶段性失效的风险 [10] - **指数增强策略**：以宽基指数（如沪深300、中证500）为基准，通过量化模型超配有效因子或择时交易，在控制跟踪误差的前提下争取超越基准的超额收益，依赖多因子模型筛选标的，目标是“长期跑赢基准 + 控制波动” [10] - **多因子策略**：认为资产收益由多个独立风险因子共同驱动，通过量化模型筛选并组合价值、成长、动量、低波等有效因子打分较高的个股，分散单一因子风险，追求更稳健的超额收益，覆盖股票、可转债等多个资产，通过因子权重动态调整适应市场变化 [10] - **小市值策略**：偏好中小盘或微盘股，认为这类标的市场关注度较低易存在估值洼地，通过挖掘小市值资产的定价偏差获取收益，聚焦中证1000、中证2000等中小盘指数成分股，部分采用高频调仓优化收益 [10] - **量化择时策略**：基于宏观经济指标、市场情绪、技术信号等数据，通过量化模型判断市场方向或资产轮动趋势，动态调整股票、债券等资产的仓位比例，模型对数据敏感性高，难点在于精准捕捉市场拐点 [12] - **多策略融合**：整合指数增强、多因子、择时等多种独立策略，利用不同策略在不同市场环境下的非相关性平滑组合波动，通过量化模型动态分配各策略权重，优先选择表现占优的策略 [12] 绩优量化固收+基金剖析：红利低波策略 - 策略在权益部分配置持续分红、现金流稳定且股价波动小的公司，长期获得不错的风险调整后收益，代表性基金A1和A2合计规模分别为50.54亿元和1.62亿元 [13][25] - 红利低波指数过去20年年化收益率达13.52%，年化波动率24.28%，最大回撤-66.79%，夏普比率0.63，表现优于中证红利指数（年化收益率9.94%）和沪深300指数（年化收益率8.48%） [15][22] - 常用红利因子包括高股息率（D/P）、适中分红率（D/E）、每股股利增长率、高盈利质量（如ROE）和分红连续性；低波因子侧重低历史波动率，需规避行业过度集中风险 [16] - A1基金自2023年9月12日成立以来年化收益率3.96%，年化波动率1.67%，夏普比率1.55，最大回撤-1.01%，Calmar比率3.91，波动率远低于万得混合债券型二级指数（年化波动率3.17%） [26][32] - 资产配置方面，股票仓位在6.0%-10.5%范围内波动，围绕8%配置目标小幅调整，可转债仓位在指数低位时积极加仓，上涨阶段逐步减仓，债券部分通过久期管理（牛市拉长、熊市压缩）优化收益 [36][43][49] - 行业配置高度集中，重仓银行、钢铁、煤炭、交通运输、基础化工等典型红利低波行业，前五大行业集中度维持高位，持股数量约220只，风格稳定不随意切换 [56] - 五因子模型显示A1基金市场因子暴露度仅0.0924，与其他因子敏感度接近0，严格贴合红利低波指数风格，超额收益主要来源于特质和市场因子，凸显选股和策略管理能力 [63] 绩优量化固收+基金剖析：指数增强策略 - 策略通过量化模型优化权益资产配置，在跟踪基准指数基础上超配有效因子评分高的个股，常用沪深300、中证500等宽基指数，因子包括基本面（价值、盈利、成长）、技术面（流动性、动量）和事件因子（盈利预测上调） [73] - 代表性基金B1（跟踪沪深300）、B2（跟踪中证500）和B3（高弹性）自2018年管理人任职以来年化收益率分别为4.99%、4.92%和7.52%，均优于业绩基准和万得混合债券型二级指数（年化收益率4.17%），B3基金累计总回报最高 [75][76][85] - B1基金股票部分采用多因子增强策略，结合机器学习确定因子权重，债券部分以高等级短久期信用债为底仓，利率债进行动量交易，可转债借鉴股票多因子模型选券 [78] - 资产配置显示B1基金可转债仓位操作偏左侧，行情启动前加仓（如2020年），阶段性高点前减仓；权益仓位波动较小，市场下跌阶段适度提升仓位强化增强效果 [89][97] - 债券部分利息收入贡献主要收益，久期管理顺应市场牛熊周期；行业配置高度分散，动态调整电力设备、电子、非银金融、医药生物和基础化工等行业权重，持股数量超500只 [104][112] - 五因子模型显示B1基金对市场因子正向暴露较高，偏向中小盘成长股，低配价值股，收益主要来源于特质因子；行业增强能力显著，2025年中超配电子、传媒和通信行业，低配公用事业、银行，Brinson模型验证行业选择贡献超额收益 [119][125] 绩优量化固收+基金剖析：多因子策略 - 策略通过多维度因子（基本面、技术面、情绪、另类如ESG）构建评分体系，自下而上全市场选股，超配高分个股，适应不同市场环境，降低单一因子失效风险 [129] - 代表性C基金自2020年12月29日管理人任职以来年化收益率3.56%，年化波动率5.16%，夏普比率0.41，最大回撤-8.92%，业绩与万得混债二级指数接近但波动控制更优 [132][139] - 资产配置采用SAA（债券70%、股票15%、转债15%）结合TAA（宏观、估值、资金、情绪四维度月度打分调整仓位），股票部分按月通过基本面（60%）、估值（20%）、动量/情绪（20%）因子筛选个股，不对齐指数 [133] - 可转债配置采用“双低”策略（低价+低转股溢价率），配合条款博弈和流动性筛选；债券部分以票息为核心，通过久期调整和个券选择增强收益 [133][160] - 行业配置分散度高，动态调整金融、公用事业（估值因子占优）或电子、制造（动量/成长因子占优）等行业权重，前五大行业集中度趋势性下降，持股广泛 [167] - 五因子归因显示C基金市场因子暴露较高，偏向成长属性，收益主要来源于市场因子和特质因子，凸显个股精选能力；Brinson模型分析2025年中个股选择在公用事业、汽车和传媒行业贡献超额收益 [174][182] 三种量化固收+策略总结对比 - **红利低波策略**：权益配置逻辑为高分红+低波动双因子选股，行业分散度低，收益来源于分红收益+选股Alpha，波动控制能力强，风格因子暴露纯净 [184] - **指数增强策略**：权益配置逻辑为基准跟踪+因子增强，行业分散度中等，收益来源于指数Beta收益+因子Alpha收益，波动控制能力中等，风格以市场主导为主 [184] - **量化多因子策略**：权益配置逻辑为多维度因子全市场选股，行业分散度高，收益来源于市场Beta影响+选股Alpha收益，波动控制能力较强，风格切换和因子轮动活跃 [184]

核心观点 - 报告聚焦基于ETF的A股因子配置研究，提出利用ETF进行风格配置的有效策略，突破传统因子策略ETF的限制[2] - 风格因子是影响A股策略收益的重要因素，近10年出现4轮典型风格行情，配置与主线风格一致的组合可获得显著超额收益，如2021年8月至2024年1月小盘低估值组合取得26.42%正回报，超额收益达42.35%[2][8][10] - 现有因子策略ETF存在风格覆盖不全和流动性不足问题，107个产品规模1270.62亿元仅占股票型ETF总规模4.09%，35个产品规模不足1亿元，41个成立未满1年[2][14][17] - 提出从持股风格出发的股票型ETF因子配置方案，以红利低波为例构建的组合与中证红利低波全收益指数日度收益率相关系数达93.88%[2][30][32] - 基于"反内卷"政策构建风格互补的多因子策略，高质量成长组合2019年以来累计收益114.83%，高安全边际组合累计收益159.25%，两者相关性仅45.03%[2][55][56] 随市场发展ETF成为A股因子配置的便捷工具 - 风格因子是影响A股策略收益的重要因素，近10年出现小盘价值、大盘价值、大盘成长、小盘价值4轮典型风格行情[7][8][13] - 配置与主线风格一致的组合可获得丰厚超额回报，如2021年8月至2023年12月市场整体下跌15.93%时小盘低估值组合取得26.42%正回报[10][13] - 我国现有109个因子策略ETF，资产净值1270.62亿元占股票型ETF总规模4.09%，其中红利低波指数相关ETF规模最大达222.47亿元[14][16] - 因子策略ETF存在两大问题：风格覆盖高度集中于红利策略(占比91.4%)，小盘价值等风格无覆盖；流动性不足，35个产品规模不足1亿元[17][22] 从持股风格出发的股票型ETF因子配置方案 - 借鉴Barra因子模型框架，通过"ETF-指数-股票"逻辑对ETF风格进行穿透、打分和排序[23][24] - 以红利低波为例，拆解为高股息率和低收益率标准差两个指标，构建的ETF组合与基准指数日度收益率相关系数93.88%，年化收益率14.39%[27][30][32] - ETF风格打分法具有四大优势：突破策略类型限制覆盖更多风格因子；在相关ETF规模小时提供更具流动性方案；通过定期再平衡避免风格偏离；可扩展至双因子、多因子方案[36][37] 基于A股ETF构建风格互补的多因子策略 - "反内卷"政策下构建两种风格组合：进攻端高质量成长组合关注ROE、盈利改善和成长性；防御端高安全边际组合关注股息率、波动率和市净率[43][45][46] - 高质量成长组合筛选预期ROE≥0.7且预期改善≥0.7的ETF中成长性前5名，2019年以来累计收益114.83%，年化12.83%[51][55] - 高安全边际组合筛选波动率≤0.3且股息率≥0.7的ETF中市净率最低前5名，累计收益159.25%，年化16.23%，最大回撤仅-16.54%[51][55][56] - 两组合收益率相关性45.03%，低于与wind全A指数的相关性，体现良好互补性[56]

量化投资哲学与方法论 - 量化投资本质是用科学方法对证券市场建模，寻求可证伪且未来可复现的规律[6] - 遵循波普尔"猜想-反驳"科学发现方式，在不确定世界中寻找规律并规则化[7][16] - 将量化视为思维方式而非工具，适用于各类资产投资[16] - 通过机器学习捕捉非线性规律，突破人类线性思维局限[3][30] 投资策略与业绩表现 - 微盘股策略超额收益源自"注意力价值"而非小市值因子，诺安多策略混合A类过去一年收益率达100.74%[3][26][34] - 沪深300指数增强策略严控跟踪误差，过去一年收益率15.42%，跑赢基准2.06%[3] - 采用端到端神经网络构建模型，在沪深300增强产品中实现行业领先信息比率[33] - 淡化业绩增速预期，严格衡量风格因子性价比以提高收益稳定性[19] 模型构建与技术应用 - 从多因子策略迭代至机器学习，利用AI捕捉非线性规律[3][30] - 模型注重超额收益来源本质，避免对历史规律的简单归纳[45][46] - 在微盘股投资中通过选股产生超额收益，弥补公募交易限制[28] - 神经网络模型已超越主观判断能力，投资决策完全交由模型执行[43] 市场认知与差异化优势 - A股市场存在投资者注意力轮换特征，形成显著统计规律[26][27] - 科学化系统化思维方式能发现不拥挤的超额收益领域[11][45] - 微盘股长期超额收益不会收敛，与市值因子无关[34][35] - 坚持客观规律认知，避免"思想钢印"和预设历史终局[47] 团队管理与持续进步 - 团队核心方向是深度学习模型架构改进，基金经理需参与研究[49] - 通过记录和验证保持科学态度，聚焦重要问题[52][53] - 学习人类学心理学知识，克服大脑天然不客观性[61][62] - 坚持概率正确决策，在压力下保持清醒判断[50][51]

报告行业投资评级 未提及 报告的核心观点 工银瑞信基金指数及量化投资部人员充足、研究方向多样，以“ARC”投资导航系统为核心，多位基金经理有不同投资方法，涵盖多因子和 SmartBeta 等策略，产品线丰富，能为投资者提供不同赛道解决方案，代表产品各有特色且业绩表现良好 [1][12][38] 根据相关目录分别进行总结 工银主动量化团队——前沿视角 + 多元覆盖，积极主动把握确定性投资机会 - 团队概况：工银瑞信基金指数及量化投资部有 15 位投研人员，由焦文龙牵头管理，分工明确，覆盖多领域；核心成员经验丰富，各负责多只公募基金；投资理念以“ARC”为核心，在人员和研究方向优势下可发挥最大作用 [8][9][12] - 主动量化投资框架：多位基金经理投资方法多样，多因子策略在因子构建、挖掘和模型构建有特色，SmartBeta 策略有明确决策步骤，注重策略合理性和交易辅助 [19][20][30] - 主动量化产品线：在管 11 只主动产品，涵盖多品类，各细分品类产品定位鲜明，能为投资者提供专项解决方案，目标是在不同赛道为投资者增添收益 [38][39][40] 工银主动量化代表产品投资特征分析 - 工银聚享：自 2024 年 2 月业绩超越基准，定位于高仓位固收 + 且股票端配小盘，换手率适中、持仓分散，行业配置稳定，不依靠高换手和行业偏离获超额收益 [43][45][50] - 工银瑞信中证 1000 指数增强：何顺管理后业绩领先，区间回报领先同类，交易换手贡献显著超额收益，高换手、适度涉猎微盘股，有适度行业偏离和风格因子暴露调整 [56][59][60] - 工银新价值：2024 年以来业绩领先，低换手、持股分散，持股偏大盘，有适度行业调整，主要靠选股贡献超额收益，能捕获 Beta 和 Alpha 投资机会 [72][73][81]