量化股票投资复苏 - 量化股票投资在2025年表现突出 传统多空因子模型和机器学习策略均呈现复苏态势 [1][2] - 法国兴业银行全球自下而上股票因子策略2025年上涨超过9% 成功抵御4月市场波动 [2] - 自上而下因子指数实现稳健增长 价值型和动量型策略(尤其美国以外地区)引领涨势 [2] 地区与策略差异 - 欧洲价值策略在相对和绝对回报方面表现最佳 但估值差距已显著缩小 [3] - 机器学习模型表现强劲 新推出的每周均值回归策略回报率达4.1% 超越基础反转模型 [3] - 机器学习模型自2017年部署以来持续表现出色 在美国市场尤为突出 [3] 投资主题表现 - 防御性股票收益策略表现优异 优质收益指数专注于高派息率公司(公用事业/电信/能源) [4] - 美国小型股价值(除垃圾股)策略超越基准指数 在廉价信贷消失背景下受重视 [4] - "强弱资产负债表"交易保持正增长 紧密跟随信贷利差走势且避免传统对冲成本 [4] 下半年展望 - 欧洲价值策略引领量化投资回归 但下半年展望趋于谨慎 因估值利差接近历史正常水平 [5] - 更倾向采用稳定策略 如优质收益策略和小型股价值(除垃圾股)策略 [5] - 欧洲价值股轻松收益阶段可能结束 因地缘政治不确定性和盈利风险增加 [5] 行业整体表现 - 2025年量化投资实现实质性回归 不仅是简单贝塔效应驱动 [6] - 从机器学习逆转策略到严谨因子分析 系统性投资者迎来胜利之年 [6] - 结构化股票选择在当前复杂政策环境下取得显著成效 [6]

行业趋势：AI技术驱动量化投资发展 - 人工智能技术的快速发展为量化投资带来新机遇，通过数学模型和计算机程序极大提升了投资效率和效果，越来越受市场青睐 [1] - AI大模型的突破性进展验证了机器对复杂数据的解析能力，为量化投资注入新动能，通过算法实时分析全市场数万只股票的多维度数据，挖掘传统人工难以覆盖的隐藏规律 [2] - 在全球经济格局调整背景下，中国资产日益受到全球资本关注，中国在高端制造、人工智能等前沿领域的突破释放出巨大投资潜力，政策持续发力也稳固了市场吸引力 [4] 产品策略：富国致享量化选股股票基金 - 富国基金发行富国致享量化选股股票型证券投资基金，该基金依托人工智能选股方法与多因子Alpha模型，旨在通过全市场灵活配置捕捉风格轮动机遇 [1] - 基金核心策略为“空气指增”策略，摒弃对单一指数的跟踪约束，依托两大技术引擎：AI驱动的数据挖掘与因子构建，以及多因子Alpha模型的迭代升级 [2] - 相比传统人工选股，该策略兼具纪律性与灵活性，严格遵循数据信号避免主观情绪干扰，并通过AI实时学习市场变化以快速捕捉中短期机会 [2] 管理团队：资深量化基金经理合作 - 基金由量化投资部总经理王保合与量化投资总监方旻联袂管理，两位基金经理合作超7年，是业内少见的“量化默契组合” [3] - 两位基金经理对“指数增强”与“主动量化”策略有深度理解，展现出多策略驾驭能力，以他们共同管理的富国中证1000指数增强和富国中证1000优选为例，产品在每一个历史完整年度都实现了超额收益 [3] - 具体业绩显示，富国中证1000指数增强自2018年5月31日成立至2025年3月31日，净值增长达99.97%，同期业绩比较基准为1.03%，实现98.94%的超额收益；富国中证1000优选自2022年11月22日成立至同期，净值增长2.77%，业绩比较基准为-6.23%，实现9.00%的超额收益 [3] 市场机遇：中国资产配置价值凸显 - 当前国内市场主要指数市盈率明显低于标普500等全球主要指数，中国资产的配置价值和吸引力在持续提升 [4] - 富国致享量化选股股票基金凭借其对全市场风格轮动机遇的把握，有望助力投资者分享中国资产发展的红利 [4]

根据提供的金融工程周报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **指数增强基金模型** - 构建思路：通过多因子选股策略在跟踪基准指数的基础上获取超额收益[54] - 具体构建：采用基本面、动量、波动率等因子组合，对中证2000、科创50等指数成分股进行加权优化。例如鹏华上证科创板50增强策略ETF通过调整成分股权重实现1.88%周超额收益[54] - 模型评价：在中小盘风格中表现突出，但依赖市场波动率环境 2. **量化对冲基金模型** - 构建思路：利用市场中性策略对冲系统性风险[55] - 具体构建：结合股指期货空头与多因子选股组合，如中邮绝对收益策略基金通过动态对冲实现1.08%周收益[55] - 模型评价：收益稳定性较高但受基差风险影响 3. **多因子选股模型** - 构建思路：综合价值、成长、质量等因子构建复合评分体系[4] - 具体构建：在《多因子选股周报》中披露的中证1000增强组合年内超额达11.66%，采用因子公式： $$Score = 0.3 \times Value + 0.4 \times Growth + 0.3 \times Quality$$ 其中Value因子包含PE/PB等指标，Growth因子包含营收增速等[4] 模型的回测效果 1. **指数增强模型** - 周超额中位数0.12%，年内超额中位数2.19%[36] - 头部产品如鹏华科创50增强ETF周超额1.88%，年内超额2.36%[54] 2. **量化对冲模型** - 周收益中位数0.16%，年内收益中位数0.86%[36] - 最佳产品中邮绝对收益策略周收益1.08%[55] 量化因子与构建方式 1. **自由现金流因子** - 构建思路：筛选企业自由现金流稳定的标的[46] - 具体构建： $$FCF\_Yield = \frac{Free\ Cash\ Flow}{Market\ Cap}$$ 应用于鹏华中证全指自由现金流ETF等产品[46] 2. **港股通高股息因子** - 构建思路：选取港股通范围内高分红个股[12] - 具体构建：综合股息率、派息稳定性等指标，富国中证港股通高股息ETF采用该因子[12] 3. **科创主题因子** - 构建思路：聚焦研发投入和专利数量[46] - 具体构建：在汇添富科创板新材料ETF中采用研发费用/营收占比作为核心指标[46] 因子的回测效果 1. **自由现金流因子** - 相关ETF产品年内收益分布在2.98-3.20亿元规模区间[46] 2. **高股息因子** - 富国港股通高股息ETF年内超额收益在同类中排名前30%[12] 3. **科创因子** - 科创板增强策略ETF平均周超额1.03-1.88%[54] 注：所有测试结果均基于2025年6月6日截止的周度/年度数据[36][54][55]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：期货贴水择时模型** - **构建思路**：利用股指期货贴水幅度作为市场情绪指标，当贴水超过阈值时视为悲观预期充分释放的信号[11] - **具体构建过程**： 1) 监测中证500股指期货次月合约年化贴水率 2) 设定15%年化贴水率为触发阈值 3) 当贴水率>15%时生成买入信号，持有周期>50个交易日[11] - **模型评价**：历史回测显示该策略在极端贴水后中长期胜率显著提升[11] 2. **模型名称：游资活跃度监测模型** - **构建思路**：通过龙虎榜数据量化游资交易行为，反映市场风险偏好变化[13] - **具体构建过程**： 1) 采集龙虎榜上榜个股的游资席位交易数据 2) 计算游资净买入金额占比的滚动Z-score 3) 构建0轴分界线，指标上穿/下穿代表活跃度变化[13][17] 3. **模型名称：知情交易者活跃度指标** - **构建思路**：通过微观市场结构数据识别机构交易行为[15] - **具体构建过程**： 1) 使用高频订单流数据计算异常交易量 2) 结合买卖价差构建知情交易概率指标 3) 标准化处理后生成零轴参考线[15][17] 量化因子与构建方式 1. **因子名称：分析师景气预期因子** - **构建思路**：基于分析师一致预测的盈利调整捕捉行业景气度[18] - **具体构建过程**： 1) 计算行业ROE_FTTM环比变化： $$\Delta ROE_{t} = ROE_{t} - ROE_{t-1}$$ 2) 计算净利润增速环比变化： $$\Delta G_{t} = G_{t} - G_{t-1}$$ 3) 合成标准化得分[18][19] 2. **因子名称：融资融券资金流因子** - **构建思路**：监测两融资金行业配置变化捕捉资金动向[20] - **具体构建过程**： 1) 计算行业融资净买入额： $$NetBuy_{i} = MarginBuy_{i} - ShortSell_{i}$$ 2) 按行业市值标准化处理[20][22] 3. **因子名称：BARRA风格因子** - **构建思路**：采用多因子模型分析市场风格收益特征[23] - **具体构建过程**： 包含换手、财务杠杆、盈利波动等17个子因子， 计算每周因子收益： $$r_{f} = \sum_{i}w_{i}r_{i}$$ 其中$w_{i}$为因子暴露权重[23][24] 模型回测效果 1. **期货贴水模型** - 持有50日胜率：60%[11] - 平均累计收益：正向显著[11] 2. **游资活跃度模型** - 信号领先市场转折3-5日[13] - 小盘股配置超额收益年化+8%[13] 因子回测效果 1. **分析师景气因子** - 通信行业ROE变化：+0.25%[19] - 轻工制造净利润增速：+0.63%[19] 2. **两融资金因子** - 医药生物净流入：26.9亿元[22] - 非银金融净流出：12.8亿元[22] 3. **BARRA风格因子** - 本周盈利能力因子收益：+0.3%[24] - 市值因子收益：-0.5%[24] - 波动率因子收益：+0.2%[24]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **总资产增长率因子** - 构建思路：衡量公司总资产的增长情况，反映公司扩张能力[12] - 具体构建：计算总资产同比变化率 - 因子评价：长期稳定性较好，但10年维度存在回撤 2. **单季度ROA同比因子** - 构建思路：追踪单季度资产回报率的同比变化[12] - 具体构建：$$ ROA_{同比} = \frac{ROA_{t}-ROA_{t-4}}{|ROA_{t-4}|} $$ - 因子评价：在中证500和流动性1500池中表现突出 3. **动量弹簧因子** - 构建思路：结合动量效应与均值回归特性[13][15] - 具体构建：通过价格波动幅度与成交量加权计算 - 因子评价：在流动性1500池中年化收益达25.24% 4. **大宗交易成交金额比率因子** - 构建思路：捕捉大宗交易中的信息优势[31] - 具体构建：$$ \frac{大宗交易金额}{日均成交金额} $$ - 因子评价：需配合波动率因子使用效果更佳 5. **定向增发事件因子** - 构建思路：利用定增公告后的股价反应[37] - 具体构建：以股东大会公告日为事件触发点 - 因子评价：政策收紧后仍需验证有效性 量化组合与构建方式 1. **PB-ROE-50组合** - 构建思路：结合估值与盈利质量的平衡策略[25] - 具体构建：在全市场筛选PB分位数<30%且ROE>行业均值的50只股票 - 模型评价：全市场年化超额达5.86% 2. **机构调研组合** - 构建思路：跟踪公募/私募调研密集度[27] - 具体构建：按调研频次+机构权重加权选股 - 模型评价：私募策略年化超额11.11% 3. **大宗交易组合** - 构建思路："高成交金额比率+低波动"双因子筛选[31] - 具体构建：月频调仓，控制组合波动率<15% - 模型评价：年内超额23.89%但波动较大 4. **定向增发组合** - 构建思路：事件驱动型策略[37] - 具体构建：股东大会公告日建仓，持有3个月 - 模型评价：受政策影响需动态调整 因子回测效果 | 因子名称 | 最近1周 | 最近1年 | 最近10年 | |------------------------|---------|---------|----------| | 总资产增长率(沪深300) | 2.23% | 5.60% | -10.61% | | 单季度ROA同比(中证500) | 0.98% | 14.55% | 185.22% | | 动量弹簧(流动性1500) | 1.46% | 25.24% | 141.17% | 组合回测效果 | 组合名称 | 本周超额 | 年内超额 | 绝对收益 | |------------------|----------|----------|----------| | PB-ROE-50全市场 | 3.35% | 5.86% | 7.74% | | 私募调研跟踪 | 1.31% | 11.11% | 10.01% | | 大宗交易组合 | 0.41% | 23.89% | 26.09% | | 定向增发组合 | 1.97% | 7.96% | 6.08% | [12][13][15][25][27][31][37]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：沪深300指数增强模型 - **模型构建思路**：通过多因子选股模型在沪深300成分股内进行超额收益增强[15] - **模型具体构建过程**： 1. 基准组合构建：完全复制沪深300指数成分股权重 2. 因子暴露调整：基于价值、动量、质量等因子对成分股进行加权调整 3. 风险控制：限制跟踪误差不超过3% 4. 组合优化：通过二次规划求解最优权重 $$ w^* = \argmin_w (w-w_b)^T\Sigma(w-w_b) \quad s.t.\quad w^T\alpha \geq \alpha_0 $$ 其中$w_b$为基准权重，$\Sigma$为协方差矩阵，$\alpha$为预期超额收益[15] 2. **模型名称**：中证500指数增强模型 - **模型构建思路**：结合基本面因子与量价因子在中证500成分股中获取超额收益[17] - **模型具体构建过程**： 1. 因子库构建：包含ROE、营收增长率、波动率等20个因子 2. 因子合成：采用等权加权方式生成综合得分 3. 行业中性化处理：控制行业暴露偏差不超过1% 4. 组合再平衡：月度调仓[17] 3. **模型名称**：中证1000指数增强模型 - **模型构建思路**：利用高频量价数据捕捉小盘股超额收益[19] - **模型具体构建过程**： 1. 数据预处理：对分钟级交易数据进行异常值清洗 2. 信号生成：计算隔夜跳空、成交量突增等8类事件驱动信号 3. 组合优化：采用风险预算模型控制回撤 $$ \max \frac{E(R_p)-R_f}{\sigma_p} \quad s.t.\quad MDD \leq 5\% $$ 其中$MDD$为最大回撤约束[19] 模型的回测效果 1. **沪深300指数增强模型** - 近一年超额收益率：1.98% - 年化跟踪误差：3.38% - 信息比率(IR)：0.59 - 最大回撤：-13.99%[15] 2. **中证500指数增强模型** - 近一年超额收益率：1.57% - 年化跟踪误差：3.65% - 信息比率(IR)：0.43 - 最大回撤：-13.99%[17] 3. **中证1000指数增强模型** - 近一年超额收益率：6.56% - 年化跟踪误差：4.94% - 信息比率(IR)：1.33 - 最大回撤：-15.30%[19] 量化因子与构建方式 1. **因子名称**：动量因子 - **因子构建思路**：捕捉股票价格趋势效应[19] - **因子具体构建过程**： $$ Momentum_{t} = \frac{P_t}{P_{t-21}} - 1 $$ 其中$P_t$为当日收盘价，$P_{t-21}$为21个交易日前的收盘价[19] 2. **因子名称**：波动率因子 - **因子构建思路**：衡量股票价格波动风险[17] - **因子具体构建过程**： $$ Volatility_{t} = \sqrt{\frac{1}{20}\sum_{i=t-20}^t (r_i - \bar{r})^2} $$ 其中$r_i$为日收益率，$\bar{r}$为20日平均收益率[17] 因子的回测效果 1. **动量因子** - IC均值：0.12 - IR比率：1.8 - 多空组合年化收益：15.6%[19] 2. **波动率因子** - IC均值：-0.08 - IR比率：1.2 - 多空组合年化收益：9.3%[17] 注：所有测试结果均基于2023年6月至2025年6月的回溯测试数据[15][17][19]

根据提供的量化因子周报内容，以下是结构化总结： --- 量化因子与构建方式 1. **Beta因子** - 构建思路：衡量个股相对于市场的系统性风险[15] - 构建过程： $$BETA = \text{半衰期63天的加权回归系数（个股252日收益率 vs 中证全指）}$$ [15] - 评价：反映市场风险偏好，高Beta股票近期表现突出[15][18] 2. **规模因子（LNCAP）** - 构建思路：捕捉市值对收益的影响[15] - 构建过程： $$LNCAP = \ln(\text{总市值})$$ [15] - 评价：小市值效应持续强化，近一月多空收益-8.87%[15][18] 3. **估值因子（BP）** - 构建思路：通过市净率筛选低估股票[15] - 构建过程： $$BP = \text{归属母公司股东权益/总市值}$$ [15] - 评价：近期表现较弱，多空收益-1.67%[18] 4. **动量因子（RSTR）** - 构建思路：捕捉历史收益率的延续性[15] - 构建过程： $$RSTR = \text{过去504日（排除最近21日）半衰加权累计收益率}$$ [15] - 评价：近一周多空收益0.58%，表现平稳[18] 5. **非线性市值因子（NLSIZE）** - 构建思路：识别市值极端值的非线性效应[15] - 构建过程： $$NLSIZE = \text{对数市值三次方回归残差}$$ [15] - 评价：中市值股票暴露较低，近一周收益0.34%[18] --- 因子回测效果 1. **Beta因子** - 近一周多空收益：2.61%[18] - 近一月多空收益：-1.82%[18] 2. **规模因子（LNCAP）** - 近一周多空收益：-2.11%[18] - 近一月多空收益：-8.87%[18] 3. **单季度ROE同比（成长类）** - 沪深300近一周超额收益：0.35%[23] - 中证1000近一周超额收益：1.56%[36] 4. **20日反转（技术类）** - 全市场Rank IC：11.86%（近一周）[44] - 中证500近一周超额收益：0.80%[27] 5. **对数市值（规模类）** - 全市场Rank IC：18.67%（近一周）[44] - 沪深300ESG近一周超额收益：0.79%[38] --- 其他关键模型 1. **中性约束下最大化因子暴露组合** - 构建思路：在行业/风格中性约束下优化因子暴露[21] - 构建过程： 1. 因子中性化处理 2. 对称正交化 3. 基于Rank ICIR加权复合因子 4. 约束优化最大化暴露[21][52] - 测试结果： - 沪深300近一周超额收益0.35%[4] - 中证1000近一周超额收益0.25%[4] --- 数据说明 - 股票池：中证全指（风格因子）、各宽基指数（选股因子）[15][21] - 调仓频率：周度[15] - 因子中性化：消除行业/风格相关性[44] 注：未提及的模型/因子（如杠杆因子、波动性因子）因缺乏详细构建过程或评价未展开[15][18]

公司动态 - 高盈证券、高盈资管董事长吴超荣获2025年"第十八届资产管理·介甫优秀示范案例评选"—"数字化领军人物"大奖 [2] - 公司坚持"科技赋能金融"理念，在策略研发、智能风控和合规运营等关键领域持续发力，打造AI驱动的投资交易与资产管理平台 [2] - 公司董事长吴超受邀参与第十八届HED峰会圆桌论坛，分享AI赋能量化投资、高频交易、另类资产管理的前沿话题 [7] 技术应用 - AI在高频短线策略中应用潜力巨大，得益于微观维度的巨大数据量 [9] - 公司研发高性能计算平台，采用FPGA处理实时交易，GPU进行离线计算，解决高频交易的计算延迟、过拟合、噪声问题 [9] - 公司使用正则化方法（如Dropout）减轻噪声和过拟合，采用混合模型（如CNN-LSTM）和不断迭代的算法优化提高模型泛化能力和预测精度 [9] 数据与模型 - 公司高性能云计算平台覆盖全球18+交易所、100+期货品种、2万+股票，支持PB级数据量 [10] - 公司通过神经网络模型、深度学习模型多模态融合，强化学习算法（如DQN）优化投资策略和交易执行 [10] - 公司定期更新模型参数，结合市场变化进行动态调整，避免模型过时 [10] 高频交易发展 - 高频交易已成为量化投资热点，组合优化发展了许多专门策略和算法，如启发式和元启发式算法 [10] - 日本高频交易量占东京证交所订单约70%，是亚洲高频交易发展较早的地区 [10] - 公司在香港、日本、新加坡等全球主要交易所附近布置约1000台数据服务器，发挥"边缘AI算力"潜力 [10] 行业趋势 - 金融机构和企业可通过虚拟数字人节省人力成本，借助计算能力和程序自动化提升效率 [5] - 投资分析和交易将向数字化方向靠拢，计算机系统能实现计算能力累积和复杂策略迭代 [5] - 中国金融领域数字化能力未来将有更大飞跃 [5]

编者按： 十载春华秋实，鉴往知来；十年星河璀璨，与光同行。自破茧初啼至引领风潮，"金长江"评选始终以专业 为炬、以公正为尺，丈量中国私募基金行业的奔腾浪潮。值此华章再启之际，证券时报·券商中国倾情推 出"金长江风华录·十年十人"，特邀十位穿越牛熊周期的行业翘楚，以躬身力行的灼见为经纬，以栉风沐 雨的征程为注脚，共同镌刻一部激荡人心的奋进诗篇。此间星霜，既见群峰竞秀，亦显大江奔流。 本期是"寻访金长江之十年十人"第五期，券商中国记者走进老牌百亿量化私募——因诺资产，专访其创始人、 总经理兼投资总监徐书楠。从清华园到麻省理工学院，再到2014年创办因诺资产，徐书楠坚定走在量化投资的 道路上。他不仅是中国最早一批回国创业的海外量化人才，也是一位将人工智能技术深度嵌入策略体系、始终 坚守长期主义的实践者。 十年创业，恰逢量化投资在中国的快速发展期。从最初亲自主导策略研发，到搭建起多团队协作、策略多元共 生的系统平台；从早期多策略的探索，到扩展至多资产类别、多周期维度、全球市场的策略布局；从AI工具 辅助投研的尝试起步，到实现从数据采集、因子挖掘、信号构建到交易执行的全链条智能系统。徐书楠和因诺 的成长脉络，也正是中国 ...

量化投资策略 - 通过爬虫定期获取全市场公募基金数据并存储，计算时间序列特征和协方差矩阵 [1] - 锚定2%和10%波动率，求解最大回报率下的资产配置方案 [1] - 黄金与微盘基金组合可实现波动率降低而收益率基本不变 [3][4] 资产相关性分析 - 黄金与微盘股策略历史相关性接近0，适合大类资产配置 [9] - 国泰黄金ETF联接A近三年波动率12.21%，中信保诚多策略混合(LOF)A波动率24.85% [11][13] - 黄金与微盘股基金按4:1比例配置可获得最小波动率 [15] 回测数据对比 - 100%黄金组合近三年夏普率1.72，年化收益率22.85%，波动率12.38% [15] - 80%黄金+20%微盘组合夏普率提升至1.92，年化收益率22.59%，波动率降至10.99% [19] - 组合最大回撤从10.45%降至9.48%，修复时长缩短至37天 [21][24] 收益表现 - 100%黄金组合累计收益率85.61%，超额收益率89.74% [16] - 黄金+微盘组合累计收益率84.42%，超额收益率88.55% [20] - 持有满3年盈利概率达100%，满6月盈利概率72% [22] 策略优势 - 黄金搭配20%微盘股基金使波动率从12.38%降至10.99% [24] - 夏普率从1.72提升至1.92，风险控制能力显著增强 [24][26] - 通过资产分散实现收益来源多元化和风险分散化 [26]