量化模型与因子总结 量化模型与构建方式 1. **模型名称**：多因子模型[2][15] * **模型构建思路**：该模型是量化基金广泛采用的一种策略模型，通过综合多个能够预测股票未来收益的因子（如价值、成长、动量、质量等）来构建投资组合，旨在获取超越基准指数的超额收益[2][15]。 * **模型具体构建过程**：研报未提供具体的多因子模型构建细节、因子定义、权重分配方法或组合优化过程。 2. **模型名称**：大数据驱动主动投资模型[2][15] * **模型构建思路**：该模型利用海量、多样化的另类数据（如网络舆情、电商数据、卫星图像等），通过机器学习、自然语言处理等技术提取有效信息，并将其融入投资决策过程，以发现传统数据难以捕捉的投资机会[2][15]。 * **模型具体构建过程**：研报未提供具体的大数据模型构建细节、数据来源、特征工程方法或算法模型。 3. **模型名称**：行业主题轮动模型[2][15] * **模型构建思路**：该模型旨在根据宏观经济周期、产业政策、市场情绪等因素，动态调整在不同行业或主题上的配置权重，以捕捉不同阶段表现突出的板块机会[2][15]。 * **模型具体构建过程**：研报未提供具体的行业轮动模型构建细节、轮动信号生成方法或权重调整机制。 模型的回测效果 1. **多因子模型**，本周收益中位数**3.78%**[19]，本月收益中位数**11.32%**[19]，本季度收益中位数**11.32%**[19]，本年度收益中位数**11.32%**[19]。 2. **大数据驱动主动投资模型**，本周收益中位数**1.50%**[20]，本月收益中位数**8.61%**[20]，本季度收益中位数**8.61%**[20]，本年度收益中位数**8.61%**[20]。 3. **行业主题轮动模型**，本周收益中位数**1.71%**[18]，本月收益中位数**7.19%**[18]，本季度收益中位数**7.19%**[18]，本年度收益中位数**7.19%**[18]。 量化因子与构建方式 * 研报中提及了“多因子”策略，但未具体列出或描述任何单一因子的名称、构建思路、具体构建过程及公式[2][15][19]。 因子的回测效果 * 研报未提供任何单一因子的独立测试结果（如IC值、IR值、多空收益等）。

基金经理杨冬的投资框架与产品布局 - 基金经理杨冬采用“主观多头+量化投资”相结合的融合投资框架，主观部分基于基本面深度研究寻找赔率大的优质标的，量化部分通过统计规律辅助组合稳健跑赢基准，共同追求景气与估值的均衡[1] - 其管理的产品主要分为“底仓型”和“风格增强型”两类，底仓型以沪深300、中证800等主流指数为业绩基准，风格增强型则在贝塔收益基础上做增强，并包括定位于板块增强的“智选”系列基金[3] - 目前共管理10只基金，总管理规模达360.45亿元，其中广发多因子规模最大，为168.64亿元[1][6] 代表产品历史业绩与策略 - 广发多因子在2021年实现全年89.03%的回报，管理规模从当年6月底的不足42亿元跃升至233.30亿元[2] - 广发价值领航自成立以来累计收益达126.75%，年化收益为25.23%，是“主观选股”的代表产品[2] - 广发稳健策略在杨冬任职以来收益为62.40%，年化回报为26.69%，在同类3954只产品中排名第1062位，该基金主打红利风格增强[2] 近期策略调整与市场表现 - 2024年一季度，广发稳健策略大幅调整持仓，减持部分景气度下行的A股价值股，增持港股高分红标的和A股高股息资产，该操作使基金在2024年全年获得11.07%的超额收益（基金净值增长25.52%，基准收益14.45%）[5] - 2025年以来市场风格转向，该基金坚守价值风格，重仓电力设备、交运、金融等传统行业，截至2025年9月底前十大重仓股包括金风科技、渤海轮渡、民生银行、中国平安等，未配置AI、算力等纯成长赛道[5] - 坚守价值风格导致产品近期收益承压，截至1月20日，广发稳健策略最近1年收益为34.13%，低于同类平均的40.90%，在4425只同类产品中排名第2583位[5] 新产品布局与未来发展 - 为应对价值风格与市场行情的适配矛盾并补充收益弹性，2025年以来陆续推出“智选”系列板块增强产品，包括广发制造智选、广发科技智选、广发资源智选，这些产品融合主观优选、主动量化和AI量化方法[5] - 近期新成立两只基金：广发质量优选（2025年12月23日成立，规模37.59亿元）和广发研究智选（2026年1月20日成立，规模72.21亿元），合计为投资组合新增109.8亿元规模[6] - 新成立的“智选”系列产品目前规模相对较小，策略处于市场验证阶段，其稳定性和在高波动市场下的风控能力有待观察[6]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：估值因子** [9] * **因子构建思路**：基于公司基本面价值指标，衡量股票价格相对于其内在价值的便宜程度，通常认为估值较低的股票未来收益更高[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分估值因子合成。报告中列出的细分因子包括： * **估值-EP**：盈利价格比，通常为每股收益除以股价。 * **估值-BP**：账面市值比，通常为每股净资产除以股价。 * **估值-SP**：销售收入价格比，通常为每股营业收入除以股价。 * **股息率**：每股股息除以股价。 2. **因子名称：成长因子** [9] * **因子构建思路**：衡量公司未来增长潜力的指标，通常认为成长性高的公司未来股价表现更好[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分成长因子合成。报告中列出的细分因子包括： * **营业收入增长率**：衡量公司营业收入的增长情况。 * **净利润增长率**：衡量公司净利润的增长情况。 * **ROE增长率**：衡量公司净资产收益率（ROE）的增长情况。 3. **因子名称：盈利因子** [9] * **因子构建思路**：衡量公司盈利能力和质量的指标，通常认为盈利能力强的公司更受市场青睐[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分盈利因子合成。报告中列出的细分因子包括： * **ROE**：净资产收益率，衡量公司运用自有资本的效率。 * **ROA**：总资产收益率，衡量公司运用全部资产的效率。 * **毛利率**：衡量公司核心业务的盈利能力。 * **净利率**：衡量公司最终的整体盈利能力。 4. **因子名称：小市值因子** [9] * **因子构建思路**：基于公司总市值的指标，通常认为小市值公司相比大市值公司具有更高的风险溢价和成长潜力，从而可能带来超额收益[9]。 5. **因子名称：反转因子** [9] * **因子构建思路**：基于股票过去一段时间收益率表现的指标，认为过去表现较差的股票未来可能反弹，而过去表现较好的股票未来可能回调[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分反转因子合成。报告中列出的细分因子包括： * **1个月反转**：基于过去1个月收益率的反转因子。 * **3个月反转**：基于过去3个月收益率的反转因子。 * **衰减换手率加权3个月反转**：在3个月反转因子的基础上，使用衰减换手率对历史收益率进行加权，以降低近期高换手率对因子信号的干扰。 * **衰减换手率加权6个月反转**：在6个月反转因子的基础上，使用衰减换手率对历史收益率进行加权。 6. **因子名称：波动率因子** [9] * **因子构建思路**：衡量股票价格波动风险的指标，通常认为低波动率的股票风险更低，可能带来更稳定的超额收益[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分波动率因子合成。报告中列出的细分因子包括： * **1个月波动率**：基于过去1个月收益率计算的波动率。 * **3个月波动率**：基于过去3个月收益率计算的波动率。 * **FF三因子残差1个月波动率**：基于过去1个月收益率，剔除Fama-French三因子（市场、市值、估值）影响后的残差波动率。 * **FF三因子残差3个月波动率**：基于过去3个月收益率，剔除Fama-French三因子影响后的残差波动率。 7. **因子名称：换手率因子** [9] * **因子构建思路**：衡量股票流动性和交易活跃度的指标，通常认为换手率过高可能意味着投机情绪浓厚，未来收益可能不佳[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分换手率因子合成。报告中列出的细分因子包括： * **1个月日均换手率**：过去1个月的日均换手率。 * **3个月日均换手率**：过去3个月的日均换手率。 * **近1个月/近2年的日均换手率**：近期换手率与长期换手率的比值，用于衡量换手率的异常变化。 8. **因子名称：超预期因子** [9] * **因子构建思路**：基于公司实际财务数据与市场一致预期之间的差异，认为业绩超预期的公司未来股价表现更好[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分超预期因子合成。报告中列出的细分因子包括： * **SUR**：营收超预期因子，衡量实际营业收入与一致预期营收的差异。 * **SUE**：盈利超预期因子，衡量实际每股收益与一致预期每股收益的差异。 9. **因子名称：预期估值因子** [9] * **因子构建思路**：基于分析师对未来财务数据的一致预期构建的估值指标，衡量股票相对于其未来盈利或增长预期的估值水平[9]。 * **因子具体构建过程**：该因子为合成大类因子，由多个细分预期估值因子合成。报告中列出的细分因子包括： * **预期EP_FY1**：基于未来12个月（FY1）一致预期每股收益计算的预期盈利价格比。 * **预期PEG倒数_FY1**：基于未来12个月（FY1）一致预期盈利增长率和预期市盈率计算的PEG比率倒数，用于衡量增长与估值的匹配度。 * **预期BP_FY1**：基于未来12个月（FY1）一致预期每股净资产计算的预期账面市值比。 10. **因子名称：预期净利润复合增速FY1** [9] * **因子构建思路**：基于分析师对未来净利润增长率的一致预期，衡量公司未来的盈利增长潜力[9]。 11. **模型名称：因子多空组合模型** [14] * **模型构建思路**：为了更贴近实际投资场景，评估因子在优选头部股票和规避尾部股票方面的能力，通过构建行业中性的多空组合来模拟因子收益[14]。 * **模型具体构建过程**： 1. 在每个股票池（如沪深300、中证500等）内，计算每个股票的大类因子综合评分[14]。 2. 根据因子评分，选取排名位于前20%的股票作为多头组合，排名位于后20%的股票作为空头组合[14]。 3. 对多头组合和空头组合分别进行行业中性化处理，以控制行业风险暴露[14]。 4. 多头组合和空头组合均采用等权重配置[14]。 5. 多空组合的收益为多头组合收益减去空头组合收益[14]。 因子的回测效果 (Rank IC均值) *注：所有指标均为月频Rank IC，截至2026年1月23日[10][11][12][13]。* 1. **估值因子** * 本月以来：沪深300 (-4.46%)， 中证500 (-12.10%)， 中证1000 (-8.56%)， 全A股 (-3.32%)[10][11][12][13] * 近一季度：沪深300 (5.78%)， 中证500 (0.79%)， 中证1000 (-1.63%)， 全A股 (3.24%)[10][11][12][13] * 今年以来：沪深300 (-4.46%)， 中证500 (-12.10%)， 中证1000 (-8.56%)， 全A股 (-3.32%)[10][11][12][13] * 2015年以来：沪深300 (4.56%)， 中证500 (5.00%)， 中证1000 (4.77%)， 全A股 (6.23%)[10][11][12][13] 2. **成长因子** * 本月以来：沪深300 (0.91%)， 中证500 (-4.46%)， 中证1000 (8.83%)， 全A股 (8.11%)[10][11][12][13] * 近一季度：沪深300 (4.84%)， 中证500 (-4.72%)， 中证1000 (3.86%)， 全A股 (3.27%)[10][11][12][13] * 今年以来：沪深300 (0.91%)， 中证500 (-4.46%)， 中证1000 (8.83%)， 全A股 (8.11%)[10][11][12][13] * 2015年以来：沪深300 (1.30%)， 中证500 (3.67%)， 中证1000 (3.81%)， 全A股 (2.96%)[10][11][12][13] 3. **盈利因子** * 本月以来：沪深300 (3.55%)， 中证500 (-10.47%)， 中证1000 (0.19%)， 全A股 (4.23%)[10][11][12][13] * 近一季度：沪深300 (7.17%)， 中证500 (0.02%)， 中证1000 (2.28%)， 全A股 (2.77%)[10][11][12][13] * 今年以来：沪深300 (3.55%)， 中证500 (-10.47%)， 中证1000 (0.19%)， 全A股 (4.23%)[10][11][12][13] * 2015年以来：沪深300 (1.80%)， 中证500 (2.20%)， 中证1000 (3.51%)， 全A股 (3.09%)[10][11][12][13] 4. **小市值因子** * 本月以来：沪深300 (21.54%)， 中证500 (-4.30%)， 中证1000 (3.60%)， 全A股 (8.42%)[10][11][12][13] * 近一季度：沪深300 (4.45%)， 中证500 (-3.55%)， 中证1000 (3.73%)， 全A股 (1.26%)[10][11][12][13] * 今年以来：沪深300 (21.54%)， 中证500 (-4.30%)， 中证1000 (3.60%)， 全A股 (8.42%)[10][11][12][13] * 2015年以来：沪深300 (-1.70%)， 中证500 (1.04%)， 中证1000 (4.97%)， 全A股 (4.46%)[10][11][12][13] 5. **反转因子** * 本月以来：沪深300 (7.56%)， 中证500 (-14.06%)， 中证1000 (3.13%)， 全A股 (1.42%)[10][11][12][13] * 近一季度：沪深300 (0.61%)， 中证500 (-1.29%)， 中证1000 (4.50%)， 全A股 (5.56%)[10][11][12][13] * 今年以来：沪深300 (7.56%)， 中证500 (-14.06%)， 中证1000 (3.13%)， 全A股 (1.42%)[10][11][12][13] * 2015年以来：沪深300 (4.08%)， 中证500 (4.89%)， 中证1000 (7.75%)， 全A股 (8.85%)[10][11][12][13] 6. **波动率因子** * 本月以来：沪深300 (4.93%)， 中证500 (-14.60%)， 中证1000 (-2.65%)， 全A股 (-1.99%)[10][11][12][13] * 近一季度：沪深300 (7.81%)， 中证500 (-1.03%)， 中证1000 (3.44%)， 全A股 (7.26%)[10][11][12][13] * 今年以来：沪深300 (4.93%)， 中证500 (-14.60%)， 中证1000 (-2.65%)， 全A股 (-1.99%)[10][11][12][13] * 2015年以来：沪深300 (4.78%)， 中证500 (6.70%)， 中证1000 (8.13%)， 全A股 (9.20%)[10][11][12][13] 7. **换手率因子** * 本月以来：沪深300 (2.33%)， 中证500 (-13.08%)， 中证1000 (-1.94%)， 全A股 (-2.19%)[10][11][12][13] * 近一季度：沪深300 (9.53%)， 中证500 (1.52%)， 中证1000 (4.39%)， 全A股 (5.42%)[10][11][12][13] * 今年以来：沪深300 (2.33%)， 中证500 (-13.08%)， 中证1000 (-1.94%)， 全A股 (-2.19%)[10][11][12][13] * 2015年以来：沪深300 (4.03%)， 中证500 (6.85%)， 中证1000 (9.05%)， 全A股 (9.49%)[10][11][12][13] 8. **超预期因子** * 本月以来：沪深300 (-0.36%)， 中证500 (3.21%)， 中证1000 (8.04%)， 全A股 (8.60%)[10][11][12][13] * 近一季度：沪深300 (-2.81%)， 中证500 (-3.84%)， 中证1000 (4.10%)， 全A股 (2.38%)[10][11][12][13] * 今年以来：沪深300 (-0.36%)， 中证500 (3.21%)， 中证1000 (8.04%)， 全A股 (8.60%)[10][11][12][13] * 2015年以来：沪深300 (2.63%)， 中证500 (3.19%)， 中证1000 (3.00%)， 全A股 (2.64%)[10][11][12][13] 9. **预期估值因子** * 本月以来：沪深300 (-5.56%)， 中证500 (-6.83%)， 中证1000 (-10.84%)， 全A股 (-7.29%)[10][11][12][13] * 近一季度：沪深300 (1.81%)， 中证500 (-1.21%)， 中证1000 (-5.10%)， 全A股 (-3.41%)[10][11][12][13] * 今年以来：沪深300 (-5.56%)， 中证500 (-6.83%)， 中证1000 (-10.84%)， 全A股 (-7.29%)[10][11][12][13] * 2015年以来：沪深300 (-0.55%)， 中证500 (0.24%)， 中证1000 (-0.35%)， 全A股 (0.40%)[10][11][12][13] 10. **预期净利润复合增速FY1因子** * 本月以来：沪深300 (3.92%)， 中证500 (-1.54%)， 中证1000 (-2.85%)， 全A股 (4.47%)[10][11][12][13] * 近一季度：沪深300 (3.36%)， 中证500 (-1.52%)， 中证1000 (-0.62%)， 全A股 (1.78%)[10][11][12][13] * 今年以来：沪深300 (3.92%)， 中证500 (-1.54%)， 中证1000 (-2.85%)， 全A股 (4.47%)[10][11][12][13] * 2015年以来：沪深300 (-0.25%)， 中证500 (0.47%)， 中证1000 (1.21%)， 全A股 (1.09%)[10][11][12][13] 模型（因子多空组合）的回测效果 *注：所有指标均为“本月以来”收益，截至2026年1月23日[20][21][22][16][18]。* 1. **因子多空组合模型（各股票池平均收益）** * 小市值因子：约1.5%[20] * 预期净利润复合增速FY1因子：约1.0%[20] * 超预期因子：约0.8%[20] * 成长因子：约0.6%[20] * 盈利因子：约0.2%[20] * 预期估值因子：约-0.2%[20] * 估值因子：约-0.4%[20] * 反转因子：约-0.6%[20] * 换手率因子：约-1.0%[20] * 波动率因子：约-1.2%[20] 2. **因子多空组合模型（沪深300股票池）** * 小市值因子：约7.5%[21] * 反转因子：约4.

报告行业投资评级 未提及 报告的核心观点 未提及 根据相关目录分别进行总结 ETF业绩表现 - 上周股票型ETF周度收益率中位数为0.95%，宽基ETF中中证500ETF涨跌幅中位数为4.34%收益最高；按板块划分，周期ETF涨跌幅中位数为3.52%收益最高；按主题分类，光伏ETF涨跌幅中位数为6.87%收益最高 [1][12][15] - 商品型、债券型、货币型、跨境型ETF涨跌幅中位数分别为7.51%、0.11%、0.02%、 - 0.67% [12] ETF规模变动及净申赎 - 截至上周五，股票型、跨境型、债券型ETF规模分别为35290亿元、10447亿元、7346亿元，商品型、货币型ETF规模分别为3076亿元、1535亿元 [18] - 宽基ETF中沪深300、A500ETF规模较大分别为8538亿元、2823亿元，科创板、中证500、创业板类、上证50、中证1000ETF规模相对较小 [18] - 分板块，截至上周五科技板块ETF规模为5515亿元，周期板块ETF规模为3176亿元，消费、大金融ETF规模相对较小 [25] - 按热门主题，截至上周五芯片、证券、医药ETF规模最高分别为1925亿元、1405亿元、1116亿元 [25] - 上周股票型ETF净赎回3380.98亿元，总体规模减少3098.29亿元；货币型ETF净申购19.95亿元，总体规模增加20.09亿元 [27] - 宽基ETF中，中证500ETF净赎回最少为84.27亿元，沪深300ETF净赎回最多为2372.52亿元 [27] - 按板块，上周周期ETF净申购最多为293.38亿元，大金融ETF净申购最少为19.79亿元 [30] - 按热点主题，上周芯片ETF净申购最多为127.74亿元，新能车ETF净赎回最多为2.40亿元 [30] ETF基准指数估值情况 - 截至上周五，宽基ETF中上证50、沪深300等的市盈率和市净率处于不同分位数水平，科创板类ETF市盈率和市净率分别处于95.38%、83.91%分位数水平 [33][35] - 截至上周五，周期、大金融等板块ETF的市盈率和市净率处于不同分位数水平，与前周相比，消费ETF估值分位数明显降低 [39] - 截至上周五，军工、光伏等主题ETF的市盈率和市净率分位数有高有低，与前周相比，银行ETF估值分位数明显降低 [41][42] - 总体来看，宽基ETF中创业板类、上证50ETF估值分位数相对较低；按板块，大金融、消费ETF估值分位数相对温和；按细分主题，酒、新能车ETF估值分位数相对较低 [45] ETF融资融券情况 - 近一年内股票型ETF融资余额和融券余量双升，截至上周四，股票型ETF融资余额由前周539.10亿元下降至534.56亿元，融券余量由前周22.76亿份上升至23.03亿份 [46] - 上周一至周四，日均融资买入额较高的为科创板ETF和中证500ETF，日均融券卖出量较高的是中证1000ETF和中证500ETF [47][48][50] ETF管理人 - 截至上周五，华夏、易方达、华泰柏瑞三家基金公司已上市、非货币ETF总规模排名前三 [52] - 上周新成立9只ETF，本周将有华安中证有色金属矿业主题ETF等6只ETF发行 [55]

公司发展历程与战略 - 公司故事始于2014年，由创始人张祥方创立，凭借在期货量化领域的深刻理解与执行力，在自营交易中积累了市场认知与原始资本[2] - 2021年是公司发展的关键转折点，陈昊炜、吴比亚、陈开泰作为合伙人加入，形成了独特的“双核驱动”模式[2] - 战略互补体现在：张祥方把握公司战略与运营，陈昊炜负责投研体系技术路线与系统集成，陈开泰攻坚前沿模型与AI实盘落地，吴比亚聚焦硬件加速与底层交易系统[2] - 公司目标是从零打造一套世界级的量化方法论，在中国打造“下一代量化旗舰”[1][2] 核心团队与技术文化 - 核心合伙人团队由拥有海外对冲基金顶尖背景的“架构师”组成，包括创始人张祥方、投资总监陈昊炜、研究总监陈开泰、技术总监吴比亚[1][2] - 团队氛围类似顶尖大学实验室或早期科技创业团队，以共同的技术信仰与热情为凝聚力，专注于最新的论文思路或模型架构[3] - 投资总监陈昊炜将摄影中“观察”与“降噪”的哲学渗透进因子构建与模型设计，强调从海量市场数据中剥离噪音、找到真正信号[3] NOVA核心操作系统 - NOVA系统是公司耗时多年、投入重金打造的“下一代量化旗舰”核心操作系统，被定义为“AI合伙人”而非传统工具[3][4] - 系统包含三大核心智能体模块：NOVA Matrix（基座智能体）基于知识图谱技术构建高维金融关联网络，解决数据清洗与环境搭建问题[4] - NOVA Go（策略智能体）能够理解自然语言指令，辅助生成策略代码并推荐阿尔法因子构建方向，将策略研发推进到人机对话阶段[4][5] - NOVA Pilot（风控与组合优化智能体）是实时解析市场环境、进行多周期组合优化的动态中枢，能在严格约束下自适应寻找风险与收益最优解[5] - NOVA系统的最终目标是实现“人类定义范式-AI生成解决方案-人类校验逻辑”的深度协同[5] 策略进化与风控实践 - NOVA系统赋能公司从单一风格迈向“全频段阿尔法”的进化，策略库涵盖从短周期量价到中长周期基本面的全频谱信号[5] - 通过NOVA Pilot进行动态权重调配，使公司在不同市场环境下均能保持适应力与战斗力[5] - 2024年春节假期前后的市场极端波动检验了系统风控成色，公司依托内嵌的“拥挤度模型”与“流动性模型”提前预警，并通过系统化纪律自动执行风控指令，平稳穿越市场风暴[6] 组织生态与人才管理 - 公司构建“贝尔实验室”式的组织生态，旨在留住顶尖人才并激发持续创新，拒绝雇佣兵模式的内耗和流水线模式对人的异化[6] - 通过“全栈式贡献归因系统”激励员工，该系统不仅与最终业绩挂钩，更追踪全程贡献权重，让基础研究和“助攻”者同样获得尊重与回报，激励知识共享[6] - 通过“知识资产深度复用”机制，借助NOVA平台将成熟研究模块封装成标准化积木并向全员开放，提升效率并赋予研究员全局视野[6] - “实习生计划”让实习生从第一天起接触实盘级项目与代码，在高强度实践中筛选出既有顶尖技术又认同长期主义与协作精神的人才[7] 未来展望 - 公司展望下一个十年，将继续围绕NOVA系统进行工业化与智能化的深度升级[7] - 计划包括对算力基建的饱和式投入，为AI竞争储备充足弹药[7] - 计划在全球范围吸引顶尖人才，追求“极致的人才密度”，让个体在强大系统赋能下释放最大潜能[7] - 公司认为量化行业没有永恒的护城河，唯一的护城河就是整体的进化速度，进化的源头在于同心同德的合伙人、自主进化的智能系统以及能让智慧良性循环的组织生态[7]

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[31] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气度变化的指数[31] * **模型具体构建过程**：报告未详细描述该指数的具体构建公式和步骤，仅说明其构建详情需参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[31] 2. **模型名称：A股情绪指数择时系统**[36][47] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并据此构建择时信号[36] * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[36] 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余三个象限均为显著正收益[36] 3. 基于此规律，构造了包含“见底预警”与“见顶预警”两个维度的A股情绪指数系统[36] 4. 根据当前波动率与成交额所处的象限生成综合择时信号[39] 3. **模型名称：主题挖掘算法**[47] * **模型构建思路**：通过处理新闻和研报文本，挖掘近期热度异动较高的投资主题及关联个股[47] * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[47] 4. **模型名称：中证500指数增强模型**[47][50] * **模型构建思路**：通过量化策略构建投资组合，旨在持续跑赢中证500指数基准[47] * **模型具体构建过程**：报告未披露该增强模型的具体因子构成和权重配置方法，仅展示了其持仓明细和业绩表现[50][52][54] 5. **模型名称：沪深300指数增强模型**[55][56] * **模型构建思路**：通过量化策略构建投资组合，旨在持续跑赢沪深300指数基准[55] * **模型具体构建过程**：报告未披露该增强模型的具体因子构成和权重配置方法，仅展示了其持仓明细和业绩表现[55][59] 6. **模型名称：风格因子模型（参照BARRA）**[60] * **模型构建思路**：参照BARRA多因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合归因[60] * **模型具体构建过程**：报告列出了十大类风格因子，但未给出每个因子的具体计算公式。十大类风格因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[60] 量化因子与构建方式 1. **因子名称：十大类风格因子**[60] * **因子构建思路**：从不同维度刻画股票的特征，包括规模、风险、动量、波动、估值、流动性、基本面质量等[60] * **因子具体构建过程**：报告未提供每个风格因子的具体计算公式，仅列出了因子名称[60] * **因子评价**：该因子体系是进行风格分析、风险管理和绩效归因的基础工具[60][69] 模型的回测效果 1. **A股情绪指数择时系统**，历史择时表现参见图表17[47] 2. **中证500增强组合**，本周收益4.01%，跑输基准0.33%；2020年至今累计超额收益48.49%，最大回撤-9.51%[47][50] 3. **沪深300增强组合**，本周收益0.81%，跑赢基准1.43%；2020年至今累计超额收益45.73%，最大回撤-5.86%[55] 因子的回测效果 1. **风格因子（近一周表现）**，纯因子收益率显示：Beta因子超额收益较高，市值因子呈较为显著的负向超额收益[61][67] 2. **行业因子（近一周表现）**，纯因子收益率显示：石油石化、有色金属、建材等行业因子超额收益较高；银行、保险等行业因子回撤较多[61][65]

量化模型与构建方式 1. **模型名称：全频段量价融合因子模型**[6] * **模型构建思路**：整合不同频率（高频与低频）的量价数据，通过深度学习模型分别挖掘其蕴含的选股信息，最终融合成一个综合因子[6]。 * **模型具体构建过程**： 1. **高频因子构建**：使用深度学习模型，以分钟和Level2等高频数据为输入特征，训练得到27个高频深度学习因子[6][11]。 2. **低频因子构建**：利用多任务学习模型，对日频、周频、月频等低频量价数据进行端到端挖掘，得到低频多任务因子[6]。 3. **因子融合**：将上述得到的高频深度学习因子与低频多任务因子合成为最终的全频段融合因子[6]。 2. **模型名称：AI中证1000增强组合模型**[1][7] * **模型构建思路**：基于全频段融合因子，在跟踪中证1000指数的基础上构建增强组合，以获取稳定的超额收益[1][7]。 * **模型具体构建过程**： 1. **选股与赋权**：使用全频段融合因子作为核心选股指标[1][7]。 2. **组合约束**：组合构建时遵循以下规则：对中证1000指数成分股的权重不低于80%；个股权重相对于基准的偏离上限为0.8%；对Barra风险模型的暴露控制在0.3以内；周双边换手率目标为30%[9]。 3. **调仓与交易**：采用周频调仓，交易费用假设为双边千分之四[9]。 3. **模型名称：文本LLM-FADT选股模型**[2][14][17] * **模型构建思路**：在传统文本分析模型（BERT-FADT）基础上，引入大语言模型（LLM）对分析师研报进行多维度深度解读，生成更丰富的文本特征，以提升选股效果[2][14]。 * **模型具体构建过程**： 1. **文本增强**：对原始研报的标题和摘要，使用大语言模型从“标题新解”、“行情催化剂”、“言外之意”、“潜在风险”、“收益指引”五个额外视角进行解读和补充[14][17]。 2. **特征提取**：将原始文本及上述5个增强后的文本，共计6类文本，输入微调版的FinBERT模型，分别转化为文本特征向量[17]。 3. **预测建模**：将得到的多组文本特征向量作为输入，使用XGBoost模型进行训练，预测股票未来收益[17]。 4. **模型名称：AI行业轮动模型**[3][38][43] * **模型构建思路**：利用全频段量价融合因子，自下而上地对行业进行打分，选择得分最高的行业构建轮动策略[3][38]。 * **模型具体构建过程**： 1. **行业池**：主要覆盖32个一级行业，其中对食品饮料、有色金属进行了细分，排除了综合和综合金融[43]。 2. **行业打分**：使用行业内成分股的全频段量价融合因子得分，对每个行业进行打分[38][43]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的5个行业，于下周第一个交易日收盘价等权买入，周频调仓，策略回测中不计交易成本[3][43]。 5. **模型名称：AI主题指数轮动模型**[4][31] * **模型构建思路**：利用全频段量价融合因子，对主题指数进行打分，选择得分高的指数构建轮动策略[4][31]。 * **模型具体构建过程**： 1. **指数池**：根据Wind的ETF基金分类，选取133个有对应ETF的主题指数构成备选池[31]。 2. **指数打分**：使用指数成分股的全频段量价融合因子得分，对每个主题指数进行打分[31]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的10个主题指数，于下周第一个交易日开盘价等权买入，周频调仓，交易成本为双边万分之四[4][31]。 6. **模型名称：AI概念指数轮动模型**[4][37] * **模型构建思路**：利用全频段量价融合因子，对概念指数进行打分，选择得分高的指数构建轮动策略[4][37]。 * **模型具体构建过程**： 1. **指数池**：选取Wind热门概念指数，共72个构成备选池[37]。 2. **指数打分**：使用指数成分股的全频段量价融合因子得分，对每个概念指数进行打分[37]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的10个概念指数，于下周第一个交易日开盘价等权买入，周频调仓，交易成本为双边万分之四[4][37]。 量化因子与构建方式 1. **因子名称：全频段量价融合因子**[6] * **因子构建思路**：通过深度学习技术分别挖掘高频和低频量价数据中的有效信息，并将它们融合成一个综合性的选股因子[6]。 * **因子具体构建过程**：参见上述“全频段量价融合因子模型”的具体构建过程[6]。 * **因子评价**：该因子的主要收益贡献来源于日频、周频、月频等低频量价数据[1][11]。在2025年表现非常显著，但在2026年初经历了一定回撤[11]。相比之下，基于纯高频数据（如分钟、Level2）的深度学习因子在2026年初回撤较小，且在2024年极端市场环境中表现更优[11]。 2. **因子名称：高频深度学习因子**[6][11] * **因子构建思路**：专注于从分钟级和Level2等高频率量价数据中，通过深度学习模型提取能够预测股票收益的特征[6][11]。 * **因子具体构建过程**：使用深度学习模型，以分钟和Level2数据作为输入特征进行训练，得到27个因子[6]。 3. **因子名称：低频多任务因子**[6] * **因子构建思路**：专注于从日频、周频、月频等低频率量价数据中，通过多任务学习模型进行端到端的信息挖掘[6]。 * **因子具体构建过程**：利用多任务学习模型对低频量价数据进行端到端训练得到[6]。 模型的回测效果 1. **AI中证1000增强组合模型**[1][7][11] * 年化收益率：21.37%[11] * 年化波动率：23.27%[11] * 夏普比率：0.92[11] * 最大回撤：33.08%[11] * 年化超额收益率（相对中证1000）：21.60%[1][7][11] * 年化跟踪误差：6.06%[1][7][11] * 信息比率（IR）：3.57[1][7][11] * 超额收益最大回撤：7.55%[1][7][11] * 超额收益Calmar比率：2.86[1][7][11] * 相对基准月胜率：78.50%[11] * 年化双边换手率：32.56%[11] 2. **文本LLM-FADT选股模型（中证500增强）**[2][20][24] * 年化收益率：30.10%[2][20][24] * 年化波动率：25.57%[24] * 夏普比率：1.18[2][20][24] * 最大回撤：36.70%[24] * Calmar比率：0.82[24] * 年化超额收益率（相对中证500）：25.52%[2][20][24] * 年化跟踪误差：12.76%[24] * 信息比率（IR）：2.00[2][20][24] * 超额收益最大回撤：22.89%[24] * 超额收益Calmar比率：1.11[24] * 相对基准月胜率：75.00%[24] * 年化双边换手率：14.88%[24] 3. **AI行业轮动模型**[3][41] * 年化收益率：26.87%[3][41] * 年化超额收益率（相对行业等权基准）：19.02%[3][41] * 超额收益最大回撤：12.43%[41] * 超额夏普比率：1.85[41] * 今年以来收益率（截至2026/1/23）：4.22%[41] 4. **AI主题指数轮动模型**[4][30] * 年化收益率：16.92%[4][30] * 年化超额收益率（相对主题指数等权基准）：9.37%[4][30] * 超额收益最大回撤：20.79%[30] * 超额夏普比率：0.73[30] * 今年以来收益率（截至2026/1/23）：3.78%[30] 5. **AI概念指数轮动模型**[4][35] * 年化收益率：23.22%[4][35] * 年化超额收益率（相对概念指数等权基准）：9.74%[35] * 超额收益最大回撤：20.16%[35] * 超额夏普比率：0.82[35] * 今年以来收益率（截至2026/1/23）：4.41%[35] 因子的回测效果 1. **全频段量价融合因子**[6] * 5日RankIC均值：0.114[6][7] * TOP层年化超额收益率（相对全A等权基准）：29.38%[6] * 今年以来TOP层超额收益率（截至2026/1/23）：0.40%[6]

量化模型与构建方式 1. **模型名称：A股技术打分模型**[2][9] * **模型构建思路**：通过挖掘技术面信息来刻画市场状态，并基于对当前状态的理解形成对未来走势的打分观点[2][9] * **模型具体构建过程**： 1. 将“市场状态”细分为价格、量能、波动、趋势和拥挤五个维度[9] 2. 在每个维度内筛选出有效的市场观测指标，共10个[9] 3. 每个指标独立发出多空择时信号[9] 4. 将10个指标的择时信号进行等权投票，综合形成一个介于-1至+1之间的打分结果[9] 5. 根据打分结果制定多空策略：得分 > +0.33时看多，得分在-0.33至+0.33之间时看平，得分 < -0.33时看空[11] 2. **模型名称：红利风格择时模型**[3][16] * **模型构建思路**：结合多个维度的趋势指标，对红利风格（以中证红利指数相对中证全指的收益率衡量）进行多空择时[3][16] * **模型具体构建过程**： 1. 选取三个择时指标： * 中证红利相对中证全指的动量（正向指标）[19] * 10Y-1Y期限利差（负向指标）[19] * 银行间质押式回购成交量（正向指标）[19] 2. 每个指标从趋势维度日频发出信号，取值为0（看平）、+1（看多）、-1（看空）[16] 3. 将三个维度的得分求和，根据其正负性作为最终多空观点[16] 4. 当模型看好红利风格时，全仓持有中证红利指数；不看好时，全仓持有中证全指[16] 3. **模型名称：大小盘风格择时模型**[3][20] * **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的趋势跟踪策略[3][20] * **模型具体构建过程**： 1. **计算拥挤度**：以沪深300指数代表大盘，万得微盘股指数代表小盘[20] * **动量得分**：计算小盘与大盘的10/20/30/40/50/60日动量之差，再计算各窗长动量之差在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘动量得分，分位数最低的3个结果取均值作为大盘动量得分[25] * **成交量得分**：计算小盘与大盘的10/20/30/40/50/60日成交额之比，再计算各窗长成交额之比在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘成交量得分，分位数最低的3个结果取均值作为大盘成交量得分[25] * **拥挤度得分**：将小盘（大盘）的动量得分和成交量得分取均值，得到小盘（大盘）拥挤度得分。小盘拥挤度得分大于90%视为触发高拥挤，大盘拥挤度得分小于10%视为触发高拥挤[25] 2. **判断运行区间**：若最近20个交易日中，小盘或大盘风格曾触发过高拥挤，则模型运行在高拥挤区间，否则运行在低拥挤区间[22] 3. **趋势择时**：在高拥挤区间，采用参数较小的双均线模型以应对可能的风格反转；在低拥挤区间，采用参数较大的双均线模型以跟踪中长期趋势[22] 4. **模型名称：遗传规划行业轮动模型**[4][28] * **模型构建思路**：采用遗传规划技术，直接对行业指数的量价、估值等特征进行因子挖掘，不再依赖人工设计打分规则，以构建行业轮动策略[4][32] * **模型具体构建过程**： 1. **因子挖掘**：使用双目标遗传规划（NSGA-II算法）对底层输入变量进行挖掘[32]。底层变量包括收盘价、开盘价、最高价、最低价、成交额、换手率、市净率等原始值、标准化值及分位数[37] 2. **因子评价**：同时使用|IC|（信息系数绝对值）和NDCG@5两个目标来评价因子的分组单调性和多头组表现，旨在挖掘出兼具单调性和优秀多头表现的因子[32] 3. **因子合成**：对挖掘得到的备选因子，结合贪心策略和方差膨胀系数（VIF），将共线性较弱的多个因子合成为行业综合得分[34] 4. **组合构建**：模型周频调仓，每周末选出多因子综合得分最高的五个行业进行等权配置[4][28] 5. **模型名称：中国境内全天候增强组合**[5][39] * **模型构建思路**：采用宏观因子风险预算框架，在四象限风险平价的基础上，基于宏观预期动量的观点主动超配看好的象限，以实现风险分散下的收益增强[5][39] * **模型具体构建过程**： 1. **宏观象限划分与资产选择**：选择增长和通胀两个宏观维度，根据是否超预期划分为四个象限（增长超预期、增长不及预期、通胀超预期、通胀不及预期）。结合定量与定性方式确定各象限适配的资产[42] 2. **象限组合构建与风险度量**：在每个象限内，将适配的资产等权构建子组合，并注重刻画象限的下行风险[42] 3. **风险预算与主动超配**：每月底，根据由“宏观预期动量指标”给出的“象限观点”来调整各象限的风险预算，从而主动超配看好的象限，实现策略增强[42] 量化因子与构建方式 1. **因子名称：技术面观测指标（10个）**[9][14] * **因子构建思路**：从价格、量能、波动、趋势、拥挤五个维度选取有效的技术指标，用于刻画市场状态[9] * **因子具体构建过程**：报告中列出了10个具体指标，包括： * **价格维度**：20日布林带、20日价格乖离率[14] * **量能维度**：20日换手乖离率、60日换手乖离率[14] * **趋势维度**：20日ADX、20日新高天数占比[14] * **波动维度**：60日换手率波动、期权隐含波动率[14] * **拥挤维度**：成分股涨停家数占比5日平均、期权持仓量PCR-5日平均[14] 2. **因子名称：遗传规划挖掘的权重最高因子**[37][38] * **因子构建思路**：通过双目标遗传规划算法从量价数据中自动挖掘出的有效行业轮动因子[37] * **因子具体构建过程**： 1. 在截面上，用全体行业标准化日度成交额对当日跳空缺口开展带有常数项的一元线性回归，取残差，记作变量A[38] 2. 在过去9个交易日中，取标准化日度成交额最大的交易日索引，记作变量B[38] 3. 在过去50个交易日中，将变量A和B开展时序回归取截距项，记作变量C[38] 4. 计算过去45个交易日变量C和标准化月度开盘价的协方差，作为因子值[38] * **因子表达式**：`ts_covariance_torch(ts_regalpha_torch(xs_regres_torch(volume_st, jump_gap), ts_argmax_torch(volume_st, 9), 50), mopen_st, 45)`[37] 模型的回测效果 （回测区间：2010-01-04 至 2026-01-23，除非特别说明） 1. **A股技术打分模型**，年化收益20.78%，年化波动17.32%，最大回撤-23.74%，夏普比率1.20，Calmar比率0.88[15] 2. **红利风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益16.82%，最大回撤-25.52%，夏普比率0.92，Calmar比率0.66，YTD收益7.46%，上周收益1.77%[17] 3. **大小盘风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益28.46%，最大回撤-32.05%，夏普比率1.19，Calmar比率0.89，YTD收益11.85%，上周收益5.25%[26] 4. **遗传规划行业轮动模型**（回测区间：2022-09-30 至 2026-01-23），年化收益32.92%，年化波动17.43%，夏普比率1.89，最大回撤-19.63%，卡玛比率1.68，上周表现3.37%，YTD收益6.80%[31] 5. **中国境内全天候增强组合**（回测区间：2013-12-31 至 2026-01-23），年化收益11.93%，年化波动6.20%，夏普比率1.92，最大回撤-6.30%，卡玛比率1.89，上周表现1.54%，YTD收益3.59%[43] 因子的回测效果 （回测区间：2010-01-04 至 2026-01-23，起始日期不同者已标注） 1. **20日价格乖离率**，年化收益13.24%，年化波动23.52%，最大回撤-42.04%，夏普比率0.56，Calmar比率0.32[15] 2. **布林带**（回测起始：2015-04-09），年化收益14.82%，年化波动24.68%，最大回撤-31.45%，夏普比率0.60，Calmar比率0.47[15] 3. **20日换手率乖离率**，年化收益13.06%，年化波动23.53%，最大回撤-38.79%，夏普比率0.56，Calmar比率0.34[15] 4. **60日换手率乖离率**，年化收益17.89%，年化波动23.52%，最大回撤-29.57%，夏普比率0.76，Calmar比率0.61[15] 5. **20日ADX**，年化收益15.33%，年化波动23.52%，最大回撤-52.27%，夏普比率0.65，Calmar比率0.29[15] 6. **20日创新高占比**，年化收益8.75%，年化波动16.11%，最大回撤-32.44%，夏普比率0.54，Calmar比率0.27[15] 7. **期权隐含波动率**（回测起始：2015-03-30），年化收益11.91%，年化波动24.69%，最大回撤-50.95%，夏普比率0.48，Calmar比率0.23[15] 8. **60日换手率波动**，年化收益11.58%，年化波动14.27%，最大回撤-20.60%，夏普比率0.81，Calmar比率0.56[15] 9. **5日涨停占比平均**，年化收益14.15%，年化波动23.52%，最大回撤-34.98%，夏普比率0.60，Calmar比率0.40[15] 10. **5日持仓量PCR平均**，年化收益4.55%，年化波动23.55%，最大回撤-55.73%，夏普比率0.19，Calmar比率0.08[15]

量化模型与因子构建方式 基本面因子 市值因子 1. **因子名称**：对数总市值 (ln_mv) * **构建思路**：反映上市公司的规模特征，是基础的风格因子之一[38]。 * **具体构建过程**：使用Wind字段`S_VAL_MV`（当日总市值），计算其自然对数[39]。 $$ln\_mv = \ln(S\_VAL\_MV)$$ * **因子评价**：在港股通股票池中表现出一定的正向效应，但稳定性较弱[39]。 2. **因子名称**：对数流通市值 (ln_float_mv) * **构建思路**：反映上市公司的流通规模特征[38]。 * **具体构建过程**：使用Wind字段`S_DQ_MV`（当日流通市值），计算其自然对数[39]。 $$ln\_float\_mv = \ln(S\_DQ\_MV)$$ * **因子评价**：在两个股票池中均表现出一定的正向效应，即流通市值较大的股票长期收益略高，但稳定性较弱[39]。 3. **因子名称**：非线性市值 (nlsize) * **构建思路**：捕捉市值维度的非线性收益驱动逻辑[38]。 * **具体构建过程**：使用Wind字段`S_VAL_MV`（当日总市值），计算总市值对数的三次方对总市值对数的正交增量[39]。 * **因子评价**：在两类选股池中的有效性差异较大，在港股通中有效性较强[39]。 成长因子 1. **因子名称**：经营活动产生的现金流净额（ttm）同比增长率 (ocf_ttm_yoy) * **构建思路**：反映上市公司现金流维度的增长能力，衡量企业未来发展的持续性与确定性[42]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额），计算其TTM值相对于去年同期的增长率[43]。 $$ocf\_ttm\_yoy = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM, t}}{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM, t-12m}} - 1$$ * **因子评价**：在港股市场整体具备正向选股能力，该指标表现尤为突出，符合机构投资者看重现金流支撑的真实成长的逻辑[44]。 2. **因子名称**：归母公司净利润（扣非，ttm）同比增长率 (np_deducted_yoy) * **构建思路**：反映上市公司扣除非经常性损益后的净利润增长能力[42]。 * **具体构建过程**：使用Wind字段`NONCONTINUOUS_NET_OP - MINORITY_INT_INC`（归母公司净利润（扣非）），计算其TTM值相对于去年同期的增长率[43]。 $$np\_deducted\_yoy = \frac{(NONCONTINUOUS\_NET\_OP - MINORITY\_INT\_INC)_{TTM, t}}{(NONCONTINUOUS\_NET\_OP - MINORITY\_INT\_INC)_{TTM, t-12m}} - 1$$ * **因子评价**：在港股市场整体具备正向选股能力，该指标表现突出[44]。 3. **因子名称**：归母公司净利润（ttm）同比增长率 (np_ttm_yoy) * **构建思路**：反映上市公司净利润的增长能力[42]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润），计算其TTM值相对于去年同期的增长率[43]。 $$np\_ttm\_yoy = \frac{NET\_PROFIT\_CS_{TTM, t}}{NET\_PROFIT\_CS_{TTM, t-12m}} - 1$$ 4. **因子名称**：利润总额（ttm）同比增长率 (ebt_ttm_yoy) * **构建思路**：反映上市公司利润总额的增长能力[42]。 * **具体构建过程**：使用Wind字段`INC_PRETAX`（利润总额），计算其TTM值相对于去年同期的增长率[43]。 $$ebt\_ttm\_yoy = \frac{INC\_PRETAX_{TTM, t}}{INC\_PRETAX_{TTM, t-12m}} - 1$$ 5. **因子名称**：净资产收益率（TTM）同比增长率 (roe_ttm_yoy) * **构建思路**：反映上市公司净资产收益率指标的增长情况[42]。 * **具体构建过程**：先计算`roe_ttm`（归母公司净利润TTM / 净资产过去一年均值），再计算该值相对于去年同期的增长率[43]。 $$roe\_ttm\_yoy = \frac{roe\_ttm_{t}}{roe\_ttm_{t-12m}} - 1$$ 6. **因子名称**：营业总收入（ttm）同比增长率 (tot_rev_ttm_yoy) * **构建思路**：反映上市公司营业总收入的增长能力[42]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入），计算其TTM值相对于去年同期的增长率[43]。 $$tot\_rev\_ttm\_yoy = \frac{TOT\_OPER\_REV_{TTM, t}}{TOT\_OPER\_REV_{TTM, t-12m}} - 1$$ 7. **因子名称**：营业收入（ttm）同比增长率 (rev_ttm_yoy) * **构建思路**：反映上市公司营业收入的增长能力[42]。 * **具体构建过程**：使用Wind字段`BUS_INC`（营业收入），计算其TTM值相对于去年同期的增长率[43]。 $$rev\_ttm\_yoy = \frac{BUS\_INC_{TTM, t}}{BUS\_INC_{TTM, t-12m}} - 1$$ 8. **因子名称**：营业利润（ttm）同比增长率 (op_ttm_yoy) * **构建思路**：反映上市公司营业利润的增长能力[42]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润），计算其TTM值相对于去年同期的增长率[43]。 $$op\_ttm\_yoy = \frac{OPPROFIT_{TTM, t}}{OPPROFIT_{TTM, t-12m}} - 1$$ 9. **因子名称**：基本每股收益（ttm）同比增长率 (eps_ttm_yoy) * **构建思路**：反映上市公司每股收益的增长能力[42]。 * **具体构建过程**：先计算基本每股收益（归母公司净利润TTM / 加权平均总股本），再计算该值相对于去年同期的增长率[43]。 $$eps\_ttm\_yoy = \frac{eps\_ttm_{t}}{eps\_ttm_{t-12m}} - 1$$ 10. **因子名称**：每股经营活动产生的现金流净额（ttm）同比增长率 (ocfps_ttm_yoy) * **构建思路**：反映上市公司每股现金流的增长能力[42]。 * **具体构建过程**：先计算每股经营活动现金流净额TTM（经营活动现金流净额TTM / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$ocfps\_ttm\_yoy = \frac{ocfps\_ttm_{t}}{ocfps\_ttm_{t-12m}} - 1$$ 11. **因子名称**：每股营业收入（ttm）同比增长率 (orps_ttm_yoy) * **构建思路**：反映上市公司每股营业收入的增长能力[42]。 * **具体构建过程**：先计算每股营业收入TTM（营业总收入TTM / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$orps\_ttm\_yoy = \frac{orps\_ttm_{t}}{orps\_ttm_{t-12m}} - 1$$ 12. **因子名称**：资产总计同比增长率 (tot_assets_yoy) * **构建思路**：反映上市公司资产规模的扩张能力[42]。 * **具体构建过程**：使用Wind字段`TOT_ASSETS`（资产总计），计算其期末值相对于去年同期的增长率[43]。 $$tot\_assets\_yoy = \frac{TOT\_ASSETS_{t}}{TOT\_ASSETS_{t-12m}} - 1$$ 13. **因子名称**：归母公司股东权益总计同比增长率 (tot_equity_yoy) * **构建思路**：反映上市公司股东权益的增长能力[42]。 * **具体构建过程**：使用Wind字段`PARSH_INT`（归母公司股东权益），计算其期末值相对于去年同期的增长率[43]。 $$tot\_equity\_yoy = \frac{PARSH\_INT_{t}}{PARSH\_INT_{t-12m}} - 1$$ 14. **因子名称**：每股净资产同比增长率 (bps_yoy) * **构建思路**：反映上市公司每股净资产的增长能力[42]。 * **具体构建过程**：先计算每股净资产（归母公司股东权益期末值 / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$bps\_yoy = \frac{bps_{t}}{bps_{t-12m}} - 1$$ 15. **因子名称**：归母公司净利润（ttm)过去三年复合增速 (np_ttm_cagr_3y) * **构建思路**：反映上市公司净利润的长期复合增长能力[42]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润），计算其TTM值过去三年的复合增长率[43]。 16. **因子名称**：总资产净利率（ROA1，TTM）同比增长率 (roa1_ttm_yoy) * **构建思路**：反映上市公司总资产净利率指标的增长情况[42]。 * **具体构建过程**：先计算`roa1_ttm`（净利润(含少数股东损益)TTM / 总资产过去一年均值），再计算该值相对于去年同期的增长率[43]。 $$roa1\_ttm\_yoy = \frac{roa1\_ttm_{t}}{roa1\_ttm_{t-12m}} - 1$$ 17. **因子名称**：总资产收益率（ROA2，TTM）同比增长率 (roa2_ttm_yoy) * **构建思路**：反映上市公司总资产收益率指标的增长情况[42]。 * **具体构建过程**：先计算`roa2_ttm`（EBIT / 总资产），再计算该值相对于去年同期的增长率[43]。 $$roa2\_ttm\_yoy = \frac{roa2\_ttm_{t}}{roa2\_ttm_{t-12m}} - 1$$ 18. **因子名称**：投入资本回报率（TTM）同比增长率 (roic_ttm_yoy) * **构建思路**：反映上市公司投入资本回报率指标的增长情况[42]。 * **具体构建过程**：先计算`roic_ttm`，再计算该值相对于去年同期的增长率[43]。 $$roic\_ttm\_yoy = \frac{roic\_ttm_{t}}{roic\_ttm_{t-12m}} - 1$$ 价值因子 1. **因子名称**：市净率倒数 (bp) * **构建思路**：反映上市公司股价与净资产（账面价值）的相对关系，是价值投资的核心指标之一[48]。 * **具体构建过程**：使用Wind字段`PARSH_INT`（归母公司股东权益）和`S_VAL_MV`（总市值），计算最新财报净资产与总市值的比值[49]。 $$bp = \frac{PARSH\_INT}{S\_VAL\_MV}$$ * **因子评价**：在两个选股池中均具有一定的有效性，选股能力较好[49]。 2. **因子名称**：市盈率倒数(TTM) (ep_ttm) * **构建思路**：反映上市公司股价与过去十二个月净利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润）和`S_VAL_MV`（总市值），计算归母公司净利润TTM与总市值的比值[49]。 $$ep\_ttm = \frac{NET\_PROFIT\_CS_{TTM}}{S\_VAL\_MV}$$ * **因子评价**：在两个选股池中均具有一定的有效性，选股能力较好[49]。 3. **因子名称**：市销率倒数(TTM) (sp_ttm) * **构建思路**：反映上市公司股价与营业收入的相对关系[48]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入）和`S_VAL_MV`（总市值），计算营业总收入TTM与总市值的比值[49]。 $$sp\_ttm = \frac{TOT\_OPER\_REV_{TTM}}{S\_VAL\_MV}$$ 4. **因子名称**：市盈率倒数 2(TTM) (opp_ttm) * **构建思路**：反映上市公司股价与营业利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润）和`S_VAL_MV`（总市值），计算营业利润TTM与总市值的比值[49]。 $$opp\_ttm = \frac{OPPROFIT_{TTM}}{S\_VAL\_MV}$$ 5. **因子名称**：市现率 1(TTM) (pocf_ttm) * **构建思路**：反映上市公司股价与经营性现金流的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额）和`S_VAL_MV`（总市值），计算经营性现金流净额TTM与总市值的比值[49]。 $$pocf\_ttm = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM}}{S\_VAL\_MV}$$ * **因子评价**：选股能力较好[49]。 6. **因子名称**：市现率 2(TTM) (pncf_ttm) * **构建思路**：反映上市公司股价与现金净流量的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_INCR_CASH_CASH_EQU`（现金及现金等价物净增加额）和`S_VAL_MV`（总市值），计算现金净流量TTM与总市值的比值[49]。 $$pncf\_ttm = \frac{NET\_INCR\_CASH\_CASH\_EQU_{TTM}}{S\_VAL\_MV}$$ 7. **因子名称**：市盈率倒数(LYR) (ep_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度净利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润）和`S_VAL_MV`（总市值），计算归母公司净利润（上一完整会计年度）与总市值的比值[49]。 $$ep\_lyr = \frac{NET\_PROFIT\_CS_{LYR}}{S\_VAL\_MV}$$ 8. **因子名称**：市销率倒数(LYR) (sp_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度营业收入的相对关系[48]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入）和`S_VAL_MV`（总市值），计算营业总收入（上一完整会计年度）与总市值的比值[49]。 $$sp\_lyr = \frac{TOT\_OPER\_REV_{LYR}}{S\_VAL\_MV}$$ 9. **因子名称**：市盈率倒数 2(LYR) (opp_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度营业利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润）和`S_VAL_MV`（总市值），计算营业利润（上一完整会计年度）与总市值的比值[49]。 $$opp\_lyr = \frac{OPPROFIT_{LYR}}{S\_VAL\_MV}$$ 10. **因子名称**：市现率 1(LYR) (pocf_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度经营性现金流的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额）和`S_VAL_MV`（总市值），计算经营性现金流净额（上一完整会计年度）与总市值的比值[49]。 $$pocf\_lyr = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{LYR}}{S\_VAL\_MV}$$ 11. **因子名称**：市现率 2(LYR) (pncf_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度现金净流量的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_INCR_CASH_CASH_EQU`（现金及现金等价物净增加额）和`S_VAL_MV`（总市值），计算现金净流量（上一完整会计年度）与总市值的比值[49]。 $$pncf\_lyr = \frac{NET\_INCR\_CASH\_C

此次扩容呈现出两个鲜明趋势：一是"多元化"，具有险资背景的百亿私募增至3家，外资百亿私募也增 至2家；二是"量化主导"，在当前118家百亿私募中，量化策略机构多达55家，占比高达46.61%，稳固占 据主流；主观策略私募有48家，占比40.68%，主观与量化混合策略私募有12家，占比10.17%。这从规 模层面印证了，量化投资已成为头部机构不可忽视的核心力量。 MACD金叉信号形成，这些股涨势不错！ 格隆汇1月25日｜据时代财经，一边是争议不断，一边是业绩狂飙，被一些市场人士吐槽在股市"割韭 菜"的量化私募在2025年取得了好成绩：40家百亿量化私募全部正收益，超20家业绩翻倍。近日，私募 排排网统计显示，全年有业绩展示的244家量化私募旗下股票策略产品平均收益达36.72%，其中正收益 机构达239家，占比高达97.95%。 量化私募交出惊人业绩的同时，百亿私募俱乐部也在急速扩容与洗牌。根据最新数据，截至2026年1月 23日，百亿证券私募管理人总数已增至118家，较2025年末净增5家。阵营内部新陈代谢活跃：当月有4 家机构退出，同时有9家机构新晋或重返百亿行列。 ...