核心观点 - 指数增强基金是一种介于被动与主动之间的投资工具，在严格跟踪偏离约束下，通过主动优化力求获得超越基准指数的回报，其长期历史表现显示能获得正向超额收益且未显著放大风险 [1][2][12] - 投资者选择指数增强基金应采取“先看指数本身，再选增强方式”的两步法，并根据自身投资目标与风险偏好在指数增强基金和普通指数基金之间进行匹配 [11][13][14] 指数增强基金与普通指数基金的区别 - **投资目标不同**：普通指数基金力求紧密跟踪指数表现，严格控制跟踪误差；指数增强基金则在严格偏离约束下进行主动优化，以期获得超越指数的回报 [2] - **资产配置要求**：指数增强基金通常要将不低于80%的非现金基金资产投资于指数成份股及其备选成份股，大部分表现仍由指数决定，剩余部分为争取超额收益的空间 [2] 指数增强基金的常见增强策略 - **量化模型选股**：加入量化因子构建系统化评分模型，从多维度进行打分优选，常见因子包括基本面因子、估值因子、技术因子、情绪因子，并可引入AI技术从海量数据中寻找规律 [3][4] - **基本面增强**：基于财务质量、盈利能力、估值等基本面指标，在指数框架内对成份股进行横向比较和调整，多配置基本面更好、投资价值更高的公司 [5] - **组合与交易层面优化**：通过调仓节奏、交易成本控制、风险约束等方式，减少无效波动对长期收益的侵蚀 [6] 指数增强基金的历史表现 - **长期收益率领先**：以“增强指数型基金指数”和“被动指数型基金指数”为代表对比，在近5年、近10年的时间区间内，增强指数型基金指数的收益率数据均保持领先，且随时间拉长领先优势进一步扩大 [7][8] - **风险控制相当**：最大回撤并未显著放大，表明指数增强基金并非通过放大风险来换取收益，而是在整体风险水平与普通指数基金相近的前提下，通过持续“微幅优化”在长期累积出更具优势的收益结果 [8] 如何选择指数增强基金 - **第一步：选择基准指数**：指数增强基金的业绩表现大部分取决于基准指数本身，投资者需依据自身需求选择，例如宽基指数市场代表性更强，行业主题指数则聚焦特定赛道 [11] - **基准指数的影响**：增强策略受益于选股空间的广度，基准指数的成份股覆盖面越广、市值越下沉，增强策略发挥空间越大，例如中证500因行业分布广、成份股多、定价效率相对较低，为模型提供了更大的寻找超额收益的空间 [11] - **第二步：关注增强策略**：不同指数增强基金在增强方式上存在差异，随着AI技术的发展，不少基金在量化模型中结合机器学习算法，捕捉因子间的非线性关系以争取超额收益 [11] 适合的投资者类型 - **指数增强基金**：更适合那些能接受指数本身波动、同时希望在长期获得一定超额收益的投资者 [12] - **普通指数基金**：对于追求紧密跟踪指数，不想冒跑输指数的风险的投资者，可能是更贴合需求的选择 [13] 市场现状 - **产品数量**：截至目前，市场上已经有超过470只指数增强基金 [10]

公司产品业绩表现 - 截至2026年1月30日，公司旗下成立超1年的5只指数增强基金过去1年均实现超额回报 [2] - 鹏华国证2000指数增强A近1年净值增长率61.80%，实现18.16%的历史超额回报 [2] - 鹏华中证1000指数增强A近1年净值增长率达55.83%，超越基准16.86% [2] 公司产品线布局 - 公司量化指数增强产品家族共涵盖8只基金，构建了覆盖不同市值、不同赛道的全维度矩阵 [3] - 在传统宽基指数领域实现全市值覆盖，包括沪深300、中证500、中证1000、国证2000 [3] - 积极布局新兴宽基与特色赛道，包括中证A500指数增强、科创50增强ETF、上证科创100指数增强A及上证科创板综合指数增强A [3] 公司量化投资方法论 - 核心优势在于通过“融合”实现“1+1>2”的效果，例如在因子库上实现“基本面因子+量价因子+另类数据因子”的三维融合 [4] - 在模型融合上将经典多因子模型与机器学习模型相结合，兼顾策略稳定性与灵活性 [4] - 团队精选200-300个有效因子纳入模型，并持续跟踪学术前沿与市场动态以开发新因子 [5] 公司技术支撑体系 - 团队搭建自研金融科技平台，部署顶级算力集群，实现微秒级行情捕捉与高效模型训练 [5] - 结合海量多维数据清洗与分析，将数据资产转化为高置信度的投资信号 [5] 行业发展趋势 - 指增基金正迎来发展黄金期，政策引导下“长钱”持续注入，居民储蓄向投资端迁移，为产品提供了广阔发展空间 [6]

国信金工指数增强组合表现 - 沪深300指数增强组合本周超额收益为0.00%，本年累计超额收益为3.00% [1][6] - 中证500指数增强组合本周超额收益为0.01%，本年累计超额收益为-0.88% [1][6] - 中证1000指数增强组合本周超额收益为0.90%，本年累计超额收益为2.17% [1][6] - 中证A500指数增强组合本周超额收益为-0.53%，本年累计超额收益为2.90% [1][6] 不同样本空间选股因子表现 - **沪深300样本空间**：最近一周，预期PEG（超额收益0.95%）、单季ROA（0.77%）、EPTTM（0.63%）等因子表现较好；三个月反转（-0.80%）、预期净利润环比（-0.62%）、一个月换手（-0.61%）等因子表现较差 [7][9] - **中证500样本空间**：最近一周，股息率（2.36%）、EPTTM（2.24%）、BP（2.17%）等因子表现较好；预期净利润环比（-1.56%）、单季营利同比增速（-1.01%）、三个月机构覆盖（-0.92%）等因子表现较差 [11] - **中证1000样本空间**：最近一周，单季ROA（2.40%）、单季ROE（2.17%）、标准化预期外收入（2.02%）等因子表现较好；一个月反转（-1.18%）、单季净利同比增速（-1.12%）、三个月反转（-0.68%）等因子表现较差 [12][13] - **中证A500样本空间**：最近一周，股息率（1.47%）、单季营收同比增速（1.42%）、单季ROA（1.25%）等因子表现较好；预期净利润环比（-1.11%）、单季净利同比增速（-0.93%）、单季营利同比增速（-0.87%）等因子表现较差 [14][15] - **公募重仓股样本空间**：最近一周，股息率（1.20%）、单季ROA（1.19%）、DELTAROA（0.96%）等因子表现较好；三个月反转（-1.08%）、三个月机构覆盖（-1.05%）、单季净利同比增速（-0.60%）等因子表现较差 [16][17] 公募基金指数增强产品概况 - 沪深300指数增强产品共79只，总规模755亿元 [19] - 中证500指数增强产品共79只，总规模509亿元 [19] - 中证1000指数增强产品共46只，总规模209亿元 [19] - 中证A500指数增强产品共73只，总规模248亿元 [19] 公募基金指数增强产品表现 - **沪深300指数增强产品**：本周超额收益最高1.08%，最低-1.05%，中位数-0.02%；今年以来超额收益最高4.07%，最低-0.82%，中位数1.24% [1][22] - **中证500指数增强产品**：本周超额收益最高1.72%，最低-0.67%，中位数0.29%；今年以来超额收益最高1.25%，最低-4.49%，中位数-1.18% [1][24] - **中证1000指数增强产品**：本周超额收益最高0.96%，最低-0.97%，中位数0.18%；今年以来超额收益最高3.06%，最低-1.32%，中位数1.35% [1][23][27] - **中证A500指数增强产品**：本周超额收益最高1.14%，最低-1.73%，中位数-0.00%；今年以来超额收益最高3.99%，最低-1.58%，中位数0.53% [1][25][28] 研究方法论 - 采用最大化单因子暴露组合（MFE组合）来检验因子在控制行业、风格等实际约束下的有效性 [29][30] - MFE组合构建通过组合优化模型实现，目标为最大化单因子暴露，并约束风格偏离、行业偏离、个股权重偏离等 [30][31] - 公募重仓指数构建基于普通股票型及偏股混合型基金的定期报告持仓，选取累计权重达90%的股票作为成分股 [33][34]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国信金工指数增强模型**[11][12] * **模型构建思路**：以多因子选股为核心，结合风险控制和组合优化，构建能够稳定战胜特定基准指数（如沪深300、中证500等）的投资组合[11][12]。 * **模型具体构建过程**：构建流程主要包括三部分： 1. **收益预测**：基于多因子模型对股票未来收益进行预测。 2. **风险控制**：对组合的风险暴露进行约束。 3. **组合优化**：在满足风险约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或信息比率[12]。 2. **模型名称：单因子MFE组合模型**[15][40] * **模型构建思路**：为了在更贴近实际投资约束（如行业中性、风格中性）的条件下检验单个因子的有效性，构建最大化该因子暴露的投资组合（Maximized Factor Exposure Portfolio），通过观察该组合相对于基准的超额收益来判断因子在给定约束下的有效性[15][40]。 * **模型具体构建过程**：采用组合优化模型构建，具体步骤如下： 1. **设定约束条件**：包括控制组合相对于基准指数的风格暴露、行业暴露、个股权重偏离度、成分股内权重占比、禁止卖空及权重上限等[40][41][44]。 2. **构建优化问题**：目标函数为最大化组合在目标因子上的暴露。优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中，`f`为因子取值向量，`w`为待求解的股票权重向量，`w_b`为基准指数成分股权重向量。`X`为风格因子暴露矩阵，`H`为行业暴露矩阵，`B_b`为成分股标识向量。`s_l`, `s_h`, `h_l`, `h_h`, `w_l`, `w_h`, `b_l`, `b_h`, `l`分别为各项约束的上下限[40][41]。 3. **月度换仓**：在每个月末，根据最新的因子数据和约束条件，重新求解优化问题，构建每个单因子的MFE组合[44]。 4. **回测评估**：计算MFE组合历史收益，扣除交易费用（双边0.3%）后，计算其相对于基准指数的各项收益风险指标[44]。 3. **模型名称：公募重仓指数**[42][43] * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金定期报告的持仓信息，构建一个反映公募基金整体重仓股情况的指数，作为因子测试的新样本空间[42]。 * **模型具体构建过程**： 1. **样本基金筛选**：选取普通股票型及偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[43]。 2. **持仓数据合成**：获取符合条件基金的最新定期报告（年报、半年报或季报）持仓信息，将所有基金对每只股票的持仓权重进行平均，得到公募基金平均持仓[43]。 3. **成分股选取**：将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股，构建公募重仓指数[43]。 量化因子与构建方式 报告跟踪了来自估值、反转、成长、盈利、流动性、波动、公司治理和分析师等多个维度的30余个常见选股因子[16]。以下是部分因子的具体构建方式： 1. **因子名称：BP（市净率倒数）**[17] * **因子构建思路**：属于估值类因子，衡量公司净资产与市值的比率，值越高代表估值可能越低。 * **因子具体构建过程**：$$BP = \frac{净资产}{总市值}$$[17] 2. **因子名称：EPTTM（滚动市盈率倒数）**[17] * **因子构建思路**：属于估值类因子，衡量公司过去十二个月（TTM）的净利润与市值的比率。 * **因子具体构建过程**：$$EPTTM = \frac{归母净利润TTM}{总市值}$$[17] 3. **因子名称：股息率**[17] * **因子构建思路**：属于估值类因子，衡量公司现金分红回报。 * **因子具体构建过程**：$$股息率 = \frac{最近四个季度预案分红金额}{总市值}$$[17] 4. **因子名称：一个月反转**[17] * **因子构建思路**：属于反转类因子，认为过去短期内跌幅较大的股票未来可能反弹，涨幅较大的股票可能回调。 * **因子具体构建过程**：$$一个月反转 = 过去20个交易日涨跌幅$$[17] 5. **因子名称：三个月反转**[17] * **因子构建思路**：属于反转类因子，考察稍长周期的反转效应。 * **因子具体构建过程**：$$三个月反转 = 过去60个交易日涨跌幅$$[17] 6. **因子名称：单季营收同比增速**[17] * **因子构建思路**：属于成长类因子，衡量公司营业收入的最新增长情况。 * **因子具体构建过程**：$$单季营收同比增速 = 单季度营业收入同比增长率$$[17] 7. **因子名称：单季净利同比增速**[17] * **因子构建思路**：属于成长类因子，衡量公司净利润的最新增长情况。 * **因子具体构建过程**：$$单季净利同比增速 = 单季度净利润同比增长率$$[17] 8. **因子名称：SUE（标准化预期外盈利）**[17] * **因子构建思路**：属于成长类因子，衡量公司实际盈利超出市场一致预期的程度，并进行标准化处理。 * **因子具体构建过程**：$$SUE = \frac{单季度实际净利润 - 预期净利润}{预期净利润标准差}$$[17] 9. **因子名称：单季ROA**[17] * **因子构建思路**：属于盈利类因子，衡量公司总资产的盈利能力。 * **因子具体构建过程**：$$单季ROA = \frac{单季度归母净利润 \times 2}{期初归母总资产 + 期末归母总资产}$$[17] 10. **因子名称：单季ROE**[17] * **因子构建思路**：属于盈利类因子，衡量公司净资产的盈利能力。 * **因子具体构建过程**：$$单季ROE = \frac{单季度归母净利润 \times 2}{期初归母净资产 + 期末归母净资产}$$[17] 11. **因子名称：DELTAROA**[17] * **因子构建思路**：属于盈利类因子，衡量公司盈利能力（ROA）的同比改善情况。 * **因子具体构建过程**：$$DELTAROA = 单季度总资产收益率 - 去年同期单季度总资产收益率$$[17] 12. **因子名称：一个月换手**[17] * **因子构建思路**：属于流动性因子，通常认为换手率过高可能预示短期情绪过热。 * **因子具体构建过程**：$$一个月换手 = 过去20个交易日换手率均值$$[17] 13. **因子名称：特异度**[17] * **因子构建思路**：属于波动类因子，衡量股票收益中不能被常见风险因子（如Fama-French三因子）解释的部分，即特质波动。 * **因子具体构建过程**：$$特异度 = 1 - 过去20个交易日Fama-French三因子回归的拟合度$$[17] 14. **因子名称：预期PEG**[17] * **因子构建思路**：属于分析师预期类因子，在市盈率（PE）基础上结合成长性（G），衡量成长性估值水平。 * **因子具体构建过程**：$$预期PEG = 一致预期PEG$$[17] 15. **因子名称：预期净利润环比**[17] * **因子构建思路**：属于分析师预期类因子，反映分析师对公司未来净利润增长预期的变化。 * **因子具体构建过程**：$$预期净利润环比 = \frac{一致预期净利润}{3个月前一致预期净利润}$$[17] 16. **因子名称：三个月机构覆盖**[17] * **因子构建思路**：属于分析师类因子，反映机构对公司的关注度。 * **因子具体构建过程**：$$三个月机构覆盖 = 过去3个月内机构覆盖数量$$[17] 模型的回测效果 1. **国信金工沪深300指数增强组合**，本周超额收益0.00%，本年超额收益3.00%[5][14]。 2. **国信金工中证500指数增强组合**，本周超额收益0.01%，本年超额收益-0.88%[5][14]。 3. **国信金工中证1000指数增强组合**，本周超额收益0.90%，本年超额收益2.17%[5][14]。 4. **国信金工中证A500指数增强组合**，本周超额收益-0.53%，本年超额收益2.90%[5][14]。 因子的回测效果 （以下为以中证500指数为样本空间的单因子MFE组合部分表现示例，数据为“最近一周”超额收益）[21] 1. **股息率因子**，超额收益2.36%[21]。 2. **EPTTM因子**，超额收益2.24%[21]。 3. **BP因子**，超额收益2.17%[21]。 4. **预期BP因子**，超额收益2.09%[21]。 5. **一个月波动因子**，超额收益1.79%[21]。 6. **三个月波动因子**，超额收益1.73%[21]。 7. **DELTAROA因子**，超额收益1.72%[21]。 8. **单季EP因子**，超额收益1.42%[21]。 9. **EPTTM年分位点因子**，超额收益1.34%[21]。 10. **一个月换手因子**，超额收益1.02%[21]。 11. **预期EPTTM因子**，超额收益0.96%[21]。 12. **三个月换手因子**，超额收益0.88%[21]。 13. **一个月反转因子**，超额收益0.84%[21]。 14. **单季营收同比增速因子**，超额收益0.80%[21]。 15. **标准化预期外收入因子**，超额收益0.79%[21]。 16. **DELTAROE因子**，超额收益0.74%[21]。 17. **单季ROE因子**，超额收益0.70%[21]。 18. **标准化预期外盈利(SUE)因子**，超额收益0.67%[21]。 19. **单季SP因子**，超额收益0.67%[21]。 20. **特异度因子**，超额收益0.66%[21]。 21. **单季超预期幅度因子**，超额收益0.60%[21]。 22. **SPTTM因子**，超额收益0.57%[21]。 23. **一年动量因子**，超额收益0.55%[21]。 24. **非流动性冲击因子**，超额收益0.38%[21]。 25. **单季ROA因子**，超额收益0.13%[21]。 26. **3个月盈利上下调因子**，超额收益0.05%[21]。 27. **预期PEG因子**，超额收益-0.07%[21]。 28. **高管薪酬因子**，超额收益-0.33%[21]。 29. **单季净利同比增速因子**，超额收益-0.64%[21]。 30. **三个月反转因子**，超额收益-0.86%[21]。 31. **三个月机构覆盖因子**，超额收益-0.92%[21]。 32. **单季营利同比增速因子**，超额收益-1.01%[21]。 33. **预期净利润环比因子**，超额收益-1.56%[21]。

量化模型与构建方式 1. **模型名称：国信金工多因子指数增强模型**[11][12] * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个核心步骤，构建能够稳定战胜特定基准指数（如沪深300、中证500等）的增强组合[11][12]。 * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票未来收益进行预测[12]。 2. **风险控制**：在组合优化中施加多种约束以控制风险，包括行业暴露、风格暴露、个股权重偏离、换手率等[12][40]。 3. **组合优化**：在满足上述约束的条件下，通过优化算法求解最优的股票权重，目标通常是最大化预期收益或最大化风险调整后收益[12][40]。具体优化模型形式如下（以最大化单因子暴露为例）[40]： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ * **公式说明**： * $f$ 为因子取值向量，$w$ 为待求解的股票权重向量，$f^{T}w$ 表示组合在该因子上的加权暴露[40][41]。 * $w_b$ 为基准指数成分股的权重向量[41]。 * $X$ 为股票对风格因子的暴露矩阵，$s_l$, $s_h$ 为风格因子相对暴露的下限及上限，此约束控制组合的风格暴露[41]。 * $H$ 为股票的行业暴露矩阵（One-Hot编码），$h_l$, $h_h$ 为组合行业偏离的下限及上限，此约束控制组合的行业暴露[41]。 * $w_l$, $w_h$ 为个股相对于基准权重的偏离下限及上限，此约束控制个股权重偏离[41]。 * $B_b$ 为个股是否属于基准指数成分股的0-1向量，$b_l$, $b_h$ 为成分股内权重的下限及上限，此约束控制组合在成分股内的权重占比[41]。 * $0 \leq w \leq l$ 约束禁止卖空并限制个股权重上限[41]。 * $1^{T}w=1$ 约束要求权重和为1，即满仓运作[41][42]。 2. **模型名称：单因子MFE（Maximized Factor Exposure）组合模型**[15][40] * **模型构建思路**：为了在更贴近实际投资约束（如行业、风格中性）的条件下检验单因子的有效性，通过组合优化的方式，构建一个在满足所有约束条件下最大化该因子暴露的投资组合，并通过该组合相对于基准的表现来判断因子有效性[15][40]。 * **模型具体构建过程**[40][44]： 1. **设定约束**：根据目标基准指数，设定MFE组合的约束条件，包括控制行业暴露为0、控制市值等风格因子暴露为0、限制个股相对于基准的最大偏离权重（如0.5%-1%）、要求成分股内权重占比100%等[44]。 2. **构建组合**：在每个调仓日（如月末），将待检验的因子值向量 $f$ 代入上述优化模型的目标函数，在设定的约束条件下求解最优权重 $w$，得到该因子的MFE组合[40][44]。 3. **回测评估**：在回测期内定期（如每月）换仓，计算MFE组合的历史收益，扣除交易费用（如双边0.3%）后，计算其相对于基准指数的各项收益风险指标，以评估因子表现[44]。 3. **模型名称：公募重仓指数模型**[42] * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金定期报告持仓，构建一个代表公募基金整体重仓股构成的指数，作为新的因子测试样本空间[42]。 * **模型具体构建过程**[42][43]： 1. **样本筛选**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[43]。 2. **持仓合并**：获取符合条件的基金最新定期报告（年报、半年报或季报）的全部持仓信息。对于季报，需结合前期的年报或半年报信息来构建完整的持仓数据[43]。 3. **权重平均与排序**：将所有基金的持仓股票权重进行平均，得到公募基金平均持仓。将平均后的股票权重降序排序[43]。 4. **选取成分股**：选取累计权重达到90%的股票作为成分股，以此构建公募基金重仓指数[43]。 量化因子与构建方式 （报告共列出30余个因子，分为7大类，以下按类别及表1内容详细列出）[16][17] 1. **估值类因子** * **因子名称**：BP * **因子构建思路**：衡量市净率的倒数，属于价值因子。 * **因子具体构建过程**：净资产 / 总市值[17]。 * **因子名称**：单季EP * **因子构建思路**：衡量单季度盈利与市值的比率。 * **因子具体构建过程**：单季度归母净利润 / 总市值[17]。 * **因子名称**：单季SP * **因子构建思路**：衡量单季度营收与市值的比率。 * **因子具体构建过程**：单季度营业收入 / 总市值[17]。 * **因子名称**：EPTTM * **因子构建思路**：衡量滚动盈利与市值的比率。 * **因子具体构建过程**：归母净利润TTM / 总市值[17]。 * **因子名称**：SPTTM * **因子构建思路**：衡量滚动营收与市值的比率。 * **因子具体构建过程**：营业收入TTM / 总市值[17]。 * **因子名称**：EPTTM分位点 * **因子构建思路**：衡量当前EPTTM在历史区间内的相对位置。 * **因子具体构建过程**：EPTTM在过去一年中的分位点[17]。 * **因子名称**：股息率 * **因子构建思路**：衡量公司分红回报。 * **因子具体构建过程**：最近四个季度预案分红金额 / 总市值[17]。 2. **反转类因子** * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应。 * **因子具体构建过程**：过去20个交易日涨跌幅[17]。 * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应。 * **因子具体构建过程**：过去60个交易日涨跌幅[17]。 * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应。 * **因子具体构建过程**：近一年除近一月后动量[17]。 3. **成长类因子** * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长。 * **因子具体构建过程**：单季度净利润同比增长率[17]。 * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长。 * **因子具体构建过程**：单季度营业收入同比增长率[17]。 * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长。 * **因子具体构建过程**：单季度营业利润同比增长率[17]。 * **因子名称**：SUE (Standardized Unexpected Earnings) * **因子构建思路**：衡量盈利超出预期的标准化幅度。 * **因子具体构建过程**：（单季度实际净利润 - 预期净利润）/ 预期净利润标准差[17]。 * **因子名称**：SUR (Standardized Unexpected Revenue) * **因子构建思路**：衡量营收超出预期的标准化幅度。 * **因子具体构建过程**：（单季度实际营业收入 - 预期营业收入）/ 预期营业收入标准差[17]。 * **因子名称**：单季超预期幅度 * **因子构建思路**：衡量盈利超预期的相对幅度。 * **因子具体构建过程**：预期单季度净利润 / 财报单季度净利润[17]。 4. **盈利类因子** * **因子名称**：单季ROE * **因子构建思路**：衡量单季度净资产收益率。 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母净资产 + 期末归母净资产)[17]。 * **因子名称**：单季ROA * **因子构建思路**：衡量单季度总资产收益率。 * **因子具体构建过程**：单季度归母净利润 * 2 / (期初归母总资产 + 期末归母总资产)[17]。 * **因子名称**：DELTAROE * **因子构建思路**：衡量ROE的同比变化。 * **因子具体构建过程**：单季度净资产收益率 - 去年同期单季度净资产收益率[17]。 * **因子名称**：DELTAROA * **因子构建思路**：衡量ROA的同比变化。 * **因子具体构建过程**：单季度总资产收益率 - 去年同期单季度总资产收益率[17]。 5. **流动性类因子** * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额引起的价格冲击。 * **因子具体构建过程**：过去20个交易日的日涨跌幅绝对值 / 成交额的均值[17]。 * **因子名称**：一个月换手 * **因子构建思路**：衡量短期交易活跃度。 * **因子具体构建过程**：过去20个交易日换手率均值[17]。 * **因子名称**：三个月换手 * **因子构建思路**：衡量中期交易活跃度。 * **因子具体构建过程**：过去60个交易日换手率均值[17]。 6. **波动类因子** * **因子名称**：特异度 * **因子构建思路**：衡量个股收益中不能被常见风险因子解释的部分（异质波动）。 * **因子具体构建过程**：1 - 过去20个交易日Fama-French三因子回归的拟合度[17]。 * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动。 * **因子具体构建过程**：过去20个交易日日内真实波幅均值[17]。 * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动。 * **因子具体构建过程**：过去60个交易日日内真实波幅均值[17]。 7. **公司治理类因子** * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司治理水平（之一）。 * **因子具体构建过程**：前三高管报酬总额取对数[17]。 8. **分析师类因子** * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期的滚动盈利市值比。 * **因子具体构建过程**：一致预期滚动EP[17]。 * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期的滚动市净率倒数。 * **因子具体构建过程**：一致预期滚动PB[17]。 * **因子名称**：预期PEG * **因子构建思路**：结合成长性与估值。 * **因子具体构建过程**：一致预期PEG[17]。 * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来盈利增长预期的变化。 * **因子具体构建过程**：一致预期净利润 / 3个月前一致预期净利润[17]。 * **因子名称**：三个月盈利上下调 * **因子构建思路**：衡量分析师盈利预测调整的净情绪。 * **因子具体构建过程**：过去3个月内分析师（上调家数 - 下调家数）/ 总家数[17]。 * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量公司受机构关注度。 * **因子具体构建过程**：过去3个月内机构覆盖数量[17]。 模型的回测效果 1. **国信金工沪深300指数增强组合**，本周超额收益0.00%，本年超额收益3.00%[5][14]。 2. **国信金工中证500指数增强组合**，本周超额收益0.01%，本年超额收益-0.88%[5][14]。 3. **国信金工中证1000指数增强组合**，本周超额收益0.90%，本年超额收益2.17%[5][14]。 4. **国信金工中证A500指数增强组合**，本周超额收益-0.53%，本年超额收益2.90%[5][14]。 因子的回测效果 （以下因子表现数据均摘自各样本空间下“最近一周”、“最近一月”、“今年以来”和“历史年化”四个维度的MFE组合超额收益。数据来源为报告中对应图表，此处仅选取部分代表性因子及完整数据行进行展示，以说明格式。）[19][21][23][25][27] 1. **中证500样本空间因子表现示例**[21]： * **股息率因子**，因子方向正向，最近一周2.36%，最近一月0.06%，今年以来0.42%，历史年化5.61%[21]。 * **EPTTM因子**，因子方向正向，最近一周2.24%，最近一月2.60%，今年以来-2.33%，历史年化4.36%[21]。 * **BP因子**，因子方向正向，最近一周2.17%，最近一月0.42%，今年以来0.37%，历史年化3.52%[21]。 * **三个月反转因子**，因子方向反向，最近一周-0.86%，最近一月-5.83%，今年以来-5.05%，历史年化-2.45%[21]。 2. **中证1000样本空间因子表现示例**[23]： * **单季ROA因子**，因子方向正向，最近一周2.40%，最近一月1.34%，今年以来1.78%，历史年化6.93%[23]。 * **单季ROE因子**，因子方向正向，最近一周2.17%，最近一月2.74%，今年以来3.15%，历史年化7.79%[23]。 * **一个月反转因子**，因子方向反向，最近一周-1.18%，最近一月-3.01%，今年以来-2.34%，历史年化4.33%[23]。 3. **中证A500样本空间因子表现示例**[25]： * **股息率因子**，因子方向正向，最近一周1.47%，最近一月-0.05%，今年以来-0.35%，历史年化3.32%[25]。 * **单季营收同比增速因子**，因子方向正向，最近一周1.42%，最近一月0.40%，今年以来0.85%，历史年化2.67%[25]。 * **预期净利润环比因子**，因子方向正向，最近一周-1.11%，最近一月-0.93%，今年以来-1.09%，历史年化3.70%[25]。

市场与行业背景 - 2025年A股市场表现强劲，上证指数、深证成指、创业板指年内分别上涨18.41%、29.87%、49.57%，创出2020年以来最佳年度表现 [1][22] - 公募基金行业规模在2025年首次突破37万亿元，标志着资管行业整体迈入新发展阶段 [1][22] 华商基金2025年业绩亮点 - 2025年，华商基金主动权益基金按规模加权的平均回报率为64.91% [2][23] - 公司旗下4只基金（AC份额分开计算）当年净值增长率超100%，其中华商均衡成长混合A年内涨幅高达137.15% [2][23] - 华商均衡成长混合C以135.75%的年内涨幅在1490只同类基金中排名第3位 [2][31] - 华商优势行业灵活配置混合A和华商龙头优势混合同期涨幅分别高达105.40%和101.63% [2][23] 长期投资业绩与行业认可 - 截至2025年末，华商基金主动权益类基金近五年绝对收益率达90.58%，在139家可比公司中排名第5 [4][26] - 主动权益类基金近七年收益率高达341.72%，在121家公司中排名第4，近十年在97家可比公司中高居第3位 [4][26] - 2025年12月30日，华商基金在第22届中国基金业金牛奖评选中荣获“主动权益投资金牛基金公司奖” [4][26] - 在固定收益领域，其主动固收类基金近五年、近七年绝对收益率分别为45.22%与100.14%，在128家和112家可比公司中均排名第1 [4][26] - 近7年，公司旗下44只有可比排名的基金产品中，27只基金业绩位列同类前1/3，占比高达61% [5][26] 为持有人创造的回报 - 凭借股债双优的业绩，华商基金为持有人累计创造投资收益522.52亿元 [5][27] - 截至2025年12月31日，公司累计分红回报达286.37亿元 [5][27] 投资理念与未来展望 - 公司坚持“深度研究驱动投资”理念，基金经理张明昕的投资策略是“基于价值驱动的产业趋势投资” [2][24] - 张明昕认为，深度价值的均值回归与基于产业爆发的成长价值创造是最稳固的投资范式 [3][24] - 展望2026年，投资将聚焦“政策呵护+产业驱动”双支撑，关注AI产业链深化应用、机器人量产进程、创新药出海等方向的结构性机会 [3][24] 指数增强业务布局与发展战略 - 在坚守主动管理核心的同时，公司积极布局指数增强产品，以“主动赋能被动”的逻辑拓展能力边界 [7][28] - 自2009年起系统布局指数化投资，组建了融合主动与量化背景的复合型团队 [7][28] - 2024至2025年，指数增强产品布局提速，目前已覆盖沪深300、中证A500、中证500、科创综指等主流宽基指数 [7][28] - 公司认为指增产品的核心竞争力在于“投”与“顾”的结合，未来将借助深度学习等技术提升策略适应性，并加强投资者引导 [7][28] - 下一阶段计划深化指增产品线，关注新宽基指数，细化风格策略，并探索多资产、跨市场领域，构建更完善的产品矩阵 [8][29]

一、本周指数增强组合表现 沪深300指数增强组合本周超额收益0.88%，本年超额收益2.99%。 中证500指数增强组合本周超额收益0.68%，本年超额收益-0.92%。 中证1000指数增强组合本周超额收益1.44%，本年超额收益1.18%。 中证A500指数增强组合本周超额收益1.76%，本年超额收益3.50%。 二、本周选股因子表现跟踪 沪深300成分股中三个月波动、非流动性冲击、BP等因子表现较好。 中证500成分股中SPTTM、单季SP、单季超预期幅度等因子表现较好。 中证1000成分股中标准化预期外收入、单季EP、预期BP等因子表现较好。 中证A500指数成分股中三个月换手、三个月波动、一个月换手等因子表现较 好。 公募基金重仓股中BP、预期BP、单季SP等因子表现较好。 三、本周公募基金指数增强产品表现跟踪 沪深300指数增强产品本周超额收益最高2.44%，最低-0.52%，中位数 0.38%。 中证500指数增强产品本周超额收益最高1.77%，最低-1.45%，中位数 0.07%。 中证1000指数增强产品本周超额收益最高3.29%，最低-0.00%，中位数 0.86%。 中证A500指数增强 ...

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]

量化模型与构建方式 1. 模型名称：国信金工指数增强组合模型 * **模型构建思路**：以多因子选股为主体，通过收益预测、风险控制和组合优化三个主要步骤，构建能够稳定战胜特定基准指数的增强组合[10][11] * **模型具体构建过程**： 1. **收益预测**：基于多因子模型对股票的未来收益进行预测[11] 2. **风险控制**：控制组合相对于基准指数在行业、风格等方面的暴露[11] 3. **组合优化**：在满足风险控制约束的条件下，通过优化算法求解最优的股票权重，以最大化预期收益或控制跟踪误差[11] * **模型评价**：该模型是一个系统化的多因子增强框架，旨在通过量化方法获取稳定的超额收益 2. 模型名称：单因子MFE组合模型 * **模型构建思路**：为了在更贴近实际投资约束的条件下检验单因子的有效性，通过组合优化的方式，构建一个在控制行业、风格等暴露后，最大化该因子暴露的投资组合（Maximized Factor Exposure Portfolio）[14][40] * **模型具体构建过程**： 1. 设定优化目标为最大化组合在目标因子上的暴露[40] 2. 在优化过程中加入一系列实际投资中的约束条件，包括： * 控制组合相对于基准指数的风格因子暴露偏离度[40][41] * 控制组合相对于基准指数的行业偏离度[40][41] * 控制个股相对于其在基准指数中权重的偏离幅度（通常设置为0.5%-1%）[41][42] * 控制组合在基准指数成分股内的权重占比[40][41] * 禁止卖空，并设置个股权重上限[41] * 要求组合满仓运作（权重和为1）[41][42] 3. 具体的组合优化模型如下： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中： * $$f$$ 为股票的因子取值向量 * $$w$$ 为待求解的股票权重向量 * $$w_b$$ 为基准指数成分股的权重向量 * $$X$$ 为股票对风格因子的暴露矩阵 * $$s_l, s_h$$ 为风格因子相对暴露的下限及上限 * $$H$$ 为股票的行业暴露矩阵 * $$h_l, h_h$$ 为行业偏离的下限及上限 * $$w_l, w_h$$ 为个股权重偏离的下限及上限 * $$B_b$$ 为个股是否属于基准指数成分股的0-1向量 * $$b_l, b_h$$ 为成分股内权重的下限及上限 * $$l$$ 为个股权重上限 * $$\mathbf{1}^{T}\ w=1$$ 表示权重和为1[40][41] 4. 在回测中，每月末根据上述模型构建各因子的MFE组合，换仓时扣除双边0.3%的交易费用[44] 3. 模型名称：公募重仓指数 * **模型构建思路**：为了测试因子在公募基金这一重要市场参与者持仓风格下的有效性，通过汇总公募基金的持仓信息，构建一个代表“机构风格”的股票指数作为新的因子测试样本空间[42] * **模型具体构建过程**： 1. **确定样本基金**：选取普通股票型基金和偏股混合型基金，剔除规模小于五千万且上市不足半年的基金，若基金转型则使用转型后半年以上的数据[43] 2. **获取持仓数据**：从基金的定期报告（年报、半年报、季报）中获取持股信息。若最新报告为季报，需结合前期的年报或半年报信息来构建完整的持仓数据[43] 3. **计算平均持仓**：将所有符合条件的基金持仓合并，计算每只股票在所有基金中的平均权重[43] 4. **筛选成分股**：将股票按平均权重从高到低排序，选取累计权重达到90%的股票作为成分股，构建公募重仓指数[43] 量化因子与构建方式 报告涉及超过30个因子，涵盖估值、反转、成长、盈利、流动性、波动、公司治理和分析师等多个维度[15][16]。 1. 估值类因子 * **因子名称**：BP * **因子构建思路**：衡量公司的市净率倒数，属于价值因子[16] * **因子具体构建过程**：$$BP = \frac{净资产}{总市值}$$[16] * **因子名称**：单季EP * **因子构建思路**：使用单季度净利润计算的市盈率倒数[16] * **因子具体构建过程**：$$单季 EP = \frac{单季度归母净利润}{总市值}$$[16] * **因子名称**：单季SP * **因子构建思路**：使用单季度营业收入计算的市销率倒数[16] * **因子具体构建过程**：$$单季 SP = \frac{单季度营业收入}{总市值}$$[16] * **因子名称**：EPTTM * **因子构建思路**：使用过去十二个月（TTM）净利润计算的市盈率倒数[16] * **因子具体构建过程**：$$EPTTM = \frac{归母净利润 TTM}{总市值}$$[16] * **因子名称**：SPTTM * **因子构建思路**：使用过去十二个月（TTM）营业收入计算的市销率倒数[16] * **因子具体构建过程**：$$SPTTM = \frac{营业收入 TTM}{总市值}$$[16] * **因子名称**：EPTTM分位点 * **因子构建思路**：衡量当前EPTTM在历史一年中的相对位置[16] * **因子具体构建过程**：计算股票当前EPTTM值在过去一年中的分位数[16] * **因子名称**：股息率 * **因子构建思路**：衡量公司的现金分红回报率[16] * **因子具体构建过程**：$$股息率 = \frac{最近四个季度预案分红金额}{总市值}$$[16] 2. 反转与动量类因子 * **因子名称**：一个月反转 * **因子构建思路**：捕捉短期价格反转效应[16] * **因子具体构建过程**：计算过去20个交易日的涨跌幅[16] * **因子名称**：三个月反转 * **因子构建思路**：捕捉中期价格反转效应[16] * **因子具体构建过程**：计算过去60个交易日的涨跌幅[16] * **因子名称**：一年动量 * **因子构建思路**：捕捉长期价格动量效应，通常排除最近一个月以避免与短期反转冲突[16] * **因子具体构建过程**：计算近一年（排除最近一个月）的累计涨跌幅[16] 3. 成长类因子 * **因子名称**：单季净利同比增速 * **因子构建思路**：衡量单季度净利润的同比增长情况[16] * **因子具体构建过程**：$$单季净利同比增速 = \frac{单季度净利润 - 去年同期单季度净利润}{去年同期单季度净利润}$$[16] * **因子名称**：单季营收同比增速 * **因子构建思路**：衡量单季度营业收入的同比增长情况[16] * **因子具体构建过程**：$$单季营收同比增速 = \frac{单季度营业收入 - 去年同期单季度营业收入}{去年同期单季度营业收入}$$[16] * **因子名称**：单季营利同比增速 * **因子构建思路**：衡量单季度营业利润的同比增长情况[16] * **因子具体构建过程**：$$单季营利同比增速 = \frac{单季度营业利润 - 去年同期单季度营业利润}{去年同期单季度营业利润}$$[16] * **因子名称**：SUE (标准化预期外盈利) * **因子构建思路**：衡量实际盈利超出分析师一致预期的程度，并经过标准化处理[16] * **因子具体构建过程**：$$SUE = \frac{单季度实际净利润 - 预期净利润}{预期净利润的标准差}$$[16] * **因子名称**：SUR (标准化预期外收入) * **因子构建思路**：衡量实际收入超出分析师一致预期的程度，并经过标准化处理[16] * **因子具体构建过程**：$$SUR = \frac{单季度实际营业收入 - 预期营业收入}{预期营业收入的标准差}$$[16] * **因子名称**：单季超预期幅度 * **因子构建思路**：直接衡量实际盈利与预期盈利的比率[16] * **因子具体构建过程**：$$单季超预期幅度 = \frac{预期单季度净利润}{财报单季度净利润}$$[16] 4. 盈利类因子 * **因子名称**：单季ROE * **因子构建思路**：衡量单季度的净资产收益率[16] * **因子具体构建过程**：$$单季 ROE = \frac{单季度归母净利润 \times 2}{期初归母净资产 + 期末归母净资产}$$[16] * **因子名称**：单季ROA * **因子构建思路**：衡量单季度的总资产收益率[16] * **因子具体构建过程**：$$单季 ROA = \frac{单季度归母净利润 \times 2}{期初归母总资产 + 期末归母总资产}$$[16] * **因子名称**：DELTAROE * **因子构建思路**：衡量净资产收益率的同比变化[16] * **因子具体构建过程**：$$DELTAROE = 单季度净资产收益率 - 去年同期单季度净资产收益率$$[16] * **因子名称**：DELTAROA * **因子构建思路**：衡量总资产收益率的同比变化[16] * **因子具体构建过程**：$$DELTAROA = 单季度总资产收益率 - 去年同期单季度总资产收益率$$[16] 5. 流动性类因子 * **因子名称**：非流动性冲击 * **因子构建思路**：衡量单位成交金额对价格产生的冲击，反映股票的流动性水平[16] * **因子具体构建过程**：$$非流动性冲击 = 过去20个交易日的 \frac{日涨跌幅绝对值}{成交额} 的均值$$[16] * **因子名称**：一个月换手 * **因子构建思路**：衡量过去一个月的平均换手率[16] * **因子具体构建过程**：计算过去20个交易日换手率的均值[16] * **因子名称**：三个月换手 * **因子构建思路**：衡量过去三个月的平均换手率[16] * **因子具体构建过程**：计算过去60个交易日换手率的均值[16] 6. 波动类因子 * **因子名称**：特异度 * **因子构建思路**：衡量股价波动中不能被常见风险因子（如Fama-French三因子）解释的部分，即 idiosyncratic risk[16] * **因子具体构建过程**：$$特异度 = 1 - 过去20个交易日 Fama-French三因子回归的拟合度 (R^2)$$[16] * **因子名称**：一个月波动 * **因子构建思路**：衡量短期股价波动率[16] * **因子具体构建过程**：计算过去20个交易日日内真实波幅（True Range）的均值[16] * **因子名称**：三个月波动 * **因子构建思路**：衡量中期股价波动率[16] * **因子具体构建过程**：计算过去60个交易日日内真实波幅（True Range）的均值[16] 7. 公司治理类因子 * **因子名称**：高管薪酬 * **因子构建思路**：衡量公司高管的薪酬水平[16] * **因子具体构建过程**：对前三名高管报酬总额取自然对数[16] 8. 分析师类因子 * **因子名称**：预期EPTTM * **因子构建思路**：基于分析师一致预期计算的未来滚动市盈率倒数[16] * **因子具体构建过程**：使用一致预期数据计算滚动EP[16] * **因子名称**：预期BP * **因子构建思路**：基于分析师一致预期计算的未来市净率倒数[16] * **因子具体构建过程**：使用一致预期数据计算滚动PB[16] * **因子名称**：预期PEG * **因子构建思路**：结合成长性与估值水平的指标[16] * **因子具体构建过程**：使用一致预期数据计算PEG[16] * **因子名称**：预期净利润环比 * **因子构建思路**：衡量分析师对未来净利润预期的环比变化[16] * **因子具体构建过程**：$$预期净利润环比 = \frac{当前一致预期净利润}{3个月前一致预期净利润}$$[16] * **因子名称**：三个月盈利上下调 * **因子构建思路**：衡量过去三个月内分析师对盈利预期上调与下调的家数净差额[16] * **因子具体构建过程**：$$三个月盈利上下调 = \frac{过去3个月内分析师上调家数 - 下调家数}{总家数}$$[16] * **因子名称**：三个月机构覆盖 * **因子构建思路**：衡量过去三个月内覆盖该公司的机构（分析师）数量[16] * **因子具体构建过程**：统计过去3个月内发布研究报告的机构数量[16] 模型的回测效果 1. 国信金工指数增强组合模型 * **沪深300指数增强组合**：本周超额收益0.88%，本年超额收益2.99%[4][13] * **中证500指数增强组合**：本周超额收益0.68%，本年超额收益-0.92%[4][13] * **中证1000指数增强组合**：本周超额收益1.44%，本年超额收益1.18%[4][13] * **中证A500指数增强组合**：本周超额收益1.76%，本年超额收益3.50%[4][13] 因子的回测效果 以下为各因子在**最近一周**、**最近一月**、**今年以来**和**历史年化**四个时间窗口下，通过MFE组合构建方式测试获得的超额收益表现。数据来源于报告中对不同样本空间的跟踪结果汇总[17][18][20][22][24][26]。 1. 估值类因子 * **BP因子**：最近一周超额收益0.65% (HS300) / 0.31% (A500) / 1.33% (重仓)，最近一月超额收益0.79% (HS300) / -0.25% (A500) / 0.25% (重仓)，今年以来超额收益0.45% (HS300) / -0.66% (A500) / -0.65% (重仓)，历史年化超额收益2.73% (HS300) / 2.64% (A500) / 0.51% (重仓)[18][24][26] * **单季EP因子**：最近一周超额收益0.09% (HS300) / -0.11% (A500) / 0.54% (重仓)，最近一月超额收益0.64% (HS300) / -1.39% (A500) / -1.66% (重仓)，今年以来超额收益0.59% (HS300) / -1.17% (A500) / -2.01% (重仓)，历史年化超额收益5.33% (HS300) / 5.05% (A500) / 3.03% (重仓)[18][24][26] * **单季SP因子**：最近一周超额收益0.02% (HS300) / 0.12% (A500) / 1.10% (重仓)，最近一月超额收益-0.26% (HS300) / 0.18% (A500) / -1.11% (重仓)，今年以来超额收益-0.40% (HS300) / -0.34% (A500) / -0.99% (重仓)，历史年化超额收益2.70% (HS300) / 2.33% (A500) / 1.78% (重仓)[18][24][26] * **EPTTM因子**：最近一周超额收益0.01% (HS300) / 0.03% (A500) / 0.55% (重仓)，最近一月超额收益-0.33% (HS300) / -2.21% (A500) / -2.49% (重仓)，今年以来超额收益0.00% (HS300) / -1.72% (A500) / -2.48% (重仓)，历史年化超额收益4.14% (HS300) / 2.88% (A500) / 0.87% (重仓)[18][24][26] * **SPTTM因子**：最近一周超额收益0.05% (HS300) / 0.03% (A500) / 0.80% (重仓)，最近一月超额收益-0.03% (HS300) / -0.10% (A500) / -1.17% (重仓)，今年以来超额收益-0.25% (HS300) / -

中证1000指数增强产品的投资价值 - 中证1000指数呈现中小盘风格，覆盖A股市值排名约第801位至1800位附近的公司，行业分布侧重于电子、电气设备、医药生物、计算机等高成长行业 [4] - 该指数通常表现出更高的收益弹性，但波动幅度也更大，相比沪深300、中证500等宽基指数进攻属性更为突出，适合具备一定风险承受能力、希望通过承担阶段性波动获取潜在超额回报的投资者 [4] - 自2021年以来，国家出台一系列政策支持“专精特新”中小企业发展，截至2025年财政累计发放超百亿补贴资金，并持续加码高新技术企业税收优惠，而此类企业在中证1000成分股中占比较高，产业升级与政策红利叠加使其具备清晰的中长期成长逻辑 [7] 中证1000指数增强产品的业绩表现 - 私募中证1000指增策略指数近一年（2024.12.06-2025.12.05）收益超过36%，同期中证1000指数涨幅不足16% [7] - 拉长至近两年（2023.12.08-2025.12.05），私募中证1000指增策略指数收益超52%，而中证1000指数本身涨幅约为22% [7] - 在合适的市场环境下，筛选出表现优于中位数的管理人，投资者不仅可以分享指数上涨的Beta收益，还能通过Alpha增强显著拉开与基准的回报差距 [7] 挑选中证1000指数增强产品的新评估指标 - 传统的收益率、波动率、信息比率及胜率等指标更多刻画“结果”，难以还原投资者实际持有体验 [11] - 引入“非定投年化收益”指标，反映从某一时点一次性投入并持有至期末的年化收益，体现产品在单一入场点下“飞得多高”的能力 [12][14] - 引入“定投年化收益”指标，模拟在同一时间段内以固定频率、等额分批投入资金并换算的等效年化收益，衡量业绩在不同时点的稳定性，体现产品“飞得多稳”的能力 [13][14] - 能够在非定投年化与定投年化两个维度同时表现出色的“双优生”产品不多见，这类产品往往意味着Alpha来源更持续、分布更均匀，既适合一次性配置也适合长期定投，持有体验更友好 [14] 指数增强策略的长期复利效应 - 指数增强策略的收益构成是“Alpha+Beta”，其核心是在紧密跟踪基准指数的前提下，通过多配优质个股、少配偏弱个股来持续积累超额收益 [19] - 该策略不适合短期评估，在波动较高的A股市场中，单一阶段表现难以体现策略真实能力，应坚持长期持有 [19] - 微小的日度超额收益通过长期复利能积累显著的超额收益，例如假设每天跑赢基准0.01%，持有1年和3年可分别获得2.5%和7.6%的超额收益；若每天跑赢0.05%，则1年和3年超额收益分别可达12.5%和42.4% [20] - 长期超额的复利效应能在一定程度上抵抗Beta的起伏，长期持有是指数增强策略获得更佳投资体验和结果的“正确打开方式” [19]