AI技术重塑投研行业格局 - AI技术正在重塑投研行业格局 例如中信建投推出的"AI智问"可以一键生成研报摘要和拆解财务指标 有效提升投研效率 金融从业者拥抱AI已成为必然趋势 [1] - AI和Python的结合能够高效处理海量金融数据 并融入投研 风控 量化等核心场景 [1] 数据获取与处理 - 通过巨潮资讯网 数据接口和Python爬虫技术 可以高效获取上市公司财报和行情数据等关键信息 [1] - 利用Python的requests库和Selenium库可以轻松爬取网页数据 并通过正则表达式和BS库进行解析 为后续分析提供精准数据支持 [1] 财务分析与估值建模 - AI工具可以快速提取和分析财务数据 从单个公司到多企业对比 轻松完成 [2] - 结合Python的Pandas库 可以深入分析企业关键指标 [2] - 利用AI和Python构建的DCF估值模型等 可以更准确评估企业价值 为投资决策提供依据 [2] 报告编写与可视化呈现 - AI能够快速生成高质量的金融报告 结合花火数图 思维导图等工具 将复杂金融数据以直观图表形式呈现 [3] - Python的Matplotlib和Pyecharts库等 可以实现数据的动态可视化 让报告更具说服力和吸引力 [3] 流程自动化与智能应用 - AI和Python的结合使得金融财务流程自动化成为可能 如批量生成文件 自动化审计等 有效提升工作效率 [4] - 通过打造专属AI智能体 可以构建个性化投研支持系统 [4] 量化投资策略开发 - 在量化投资领域 AI和Python的应用前景广阔 从K线图绘制到经典投资策略的开发与回测 提供了强大的技术支持 [5] - 通过Python开发的量化策略回测平台 投资者可以轻松测试和优化自己的投资策略 提高投资收益 [5] 课程亮点与内容 - 课程包含86节精讲课 总时长32.5小时 系统覆盖AI+Python金融投研全流程知识点与实战技巧 [7] - 课程涵盖海量上市公司实战案例 深度剖析数据获取 分析 建模 可视化到报告生成等核心金融场景 [7] - 课程配套赠送素材包 工作场景提示词模板 PPT模板等资料包 拿来即用 效率倍增 [7] 课程大纲 - 第一章聚焦AI大模型在金融投研的应用 包括设计提示词 从真实财报中精准提取信息 优化分析报告 以及DCF建模等场景的应用 [8] - 第二章讲解Python在金融中的实战技能 覆盖数据处理 自动抓取数据 工具开发到基础量化策略的实用场景 [9][10] 主讲嘉宾背景 - 主讲嘉宾王老师已出版多本Python金融相关书籍 包括《Python金融大数据挖掘与分析全流程详解》等 [15] - 王老师在金融机构做过多年金融科技工作 主导过不少用AI和Python做金融投资研究的项目 经验丰富 [18]

报告核心观点 - 为解决风格系统化轮动难题，开启自下而上的量化大势研判探究，通过特定优先级考察和比较判断优势资产，聚焦优势细分板块 [3] - 预期成长与实际成长类资产优势差继续扩大，7月继续保持成长风格推荐，不建议抄底质量类资产和配置红利类资产 [3][4] 量化大势研判框架简介 - 风格是资产内在属性，存在外延成长、质量成长、质量红利、价值红利、破产价值五种风格阶段，可自下而上量化研判，通过特定优先级考察和比较判断优势资产 [8] - 不同风格下优选策略及其周期范围有区别，如预期成长看分析师预期，实际成长看业绩动量等 [9] - 资产比较分为主流资产和次级资产，主流资产有机会时市场配置主流资产，无机会时切向次级资产，次级资产优先级由拥挤度确定 [12] 当下市场大势研判分析 月度综合判断观点 - 7月综合判断占优风格为预期成长和实际成长，预期增速资产优势差回升，实际增速资产优势差回升，ROE优势差下行，高股息类资产拥挤度高，成长萌芽趋势继续 [17] 框架历史表现跟踪 - 框架自2009年以来年化收益26.45%，对A股风格轮动有较好解释能力，2017年以来各年有持续正超额收益，部分年份效果有限 [19] 当下资产选择分析 - 预期增速资产优势差回升，分析师预期类、主题类策略或继续表现，高预期增速板块或有机会 [24] - 实际增速资产优势差回升，实际成长类、景气类策略可保持配置 [28] - ROE优势差下行，盈利能力策略在基本面未见底前胜率不高 [31] - 高股息类资产拥挤度保持高位，不建议配置纯红利类资产 [34] 当下各类策略推荐 - 预期成长策略选取分析师预期增速最高行业配置，2025年7月推荐无烟煤、电力电子及自动化等行业 [38] - 实际成长策略选取超预期/△g最高行业配置，2025年7月推荐农商行、PCB等行业 [40] - 盈利能力策略选取高ROE中PB - ROE框架下估值较低行业配置，2025年7月推荐客车、啤酒等行业 [43] - 质量红利策略选取DP + ROE打分最高行业配置，2025年7月推荐公交、其他家电等行业 [44] - 价值红利策略选取DP + BP打分最高行业配置，2025年7月推荐网络接配及塔设、安防等行业 [47] - 破产价值策略选取PB + SIZE打分最低行业配置，2025年7月推荐贸易Ⅲ、印染等行业 [51]

报告核心观点 - 2025年二季度市场主要指数以上涨为主，创业板综涨幅领先，少部分中信一级行业负收益，择时模型总体表现优秀，后市或乐观向上，三季度看好石油石化、汽车、电子 [1][3] 2025年二季度复盘 - 主要宽基指数以上涨为主，创业板综季度上涨5.80%，国证2000涨幅4.41% [1][12] - 少部分中信一级行业负收益，综合金融上涨32.16%，国防军工上涨16.03% [1][13] - 股票型基金和偏股混合型基金表现较好，平均收益3.01%，2025Q2新成立公募基金639只，合计募集2785.71亿元 [16][17] 择时策略 短期择时模型 - 价量共振模型跟踪趋势与捕捉顶部背离，价量共振V3模型规避放量下跌错误信号，在上证指数表现优秀 [19][21][23] - 低波之刃模型捕捉市场底部反弹行情，在上证50指数表现超越基准 [19][24][27] - 特征龙虎榜机构模型基于龙虎榜机构席位信息构建，在沪深300指数年化收益15.93% [28] - 特征成交量模型挖掘成交量缩量做空与地量反弹，在万得全A指数表现优秀 [31][32] 中期择时模型 - 推波助澜模型基于涨跌停比率等构建，推波助澜V3模型最稳健，在沪深300指数部分时段表现超越基准 [19][36][40] - 月历效应模型基于A股春季躁动逻辑，在中证1000指数胜率100.0% [45] 长期择时模型 - 动量摆动模型基于成分股信号加权构建，在中证500指数部分时段表现超越基准 [46][47] 综合择时模型 - 综合兵器V3模型融合多周期模型信号，在沪深300指数表现超越基准 [50][51] 智能算法择时模型 - 沪深300指数择时模型基于遗传规划算法，年化收益35.48% [54] - 中证500指数择时模型采用GRASP算法思想，年化收益47.45% [57] 港股指数择时模型 - 成交额倒波幅模型在恒生指数择时绝对收益超过本身 [61] 择时收益小结 - 2025年二季度和今年表现优秀的模型有多个，最新择时信号显示后市或乐观向上 [66][70] 选股策略 惠特尼·乔治小型价值股投资法 - 从股票风格、公司运营状况和市场估值水平选股，关注负债等指标，2020 - 2025年6月30日年化收益20.0% [73][75][79] 福斯特佛莱斯积极成长选股策略 - 根据7方面要求选取6方面因子选股，2020 - 2025年6月30日年化收益3.6% [81][85] CANSLIM基本面选股 - 基于7个维度标准设定5个量化条件选股，2016年1月 - 2025年6月30日年化收益15.2% [88][90][91] CANSLIM2.0基本面选股 - 纳入业绩预报、快报数据，增加一致预期维度，2016年1月 - 2025年6月30日年化收益率15% [96][99] 形态识别选股 - 参考威廉·欧奈尔投资策略，复现杯柄和双底形态，筛选形态突破个股组合 [103] 行业轮动 - 基于基金仓位测算构建行业轮动信号，经过历史数据回测，年化获得20.91%绝对收益，超额年化10.48%，2025年三季度看好石油石化、汽车、电子 [114][125][129] 总结 - 2025年二季度市场指数上涨，部分行业负收益，择时模型表现优秀，后市或乐观，三季度看好电子、汽车、石油石化 [130][131][137]

中证2000指数特点 - 聚焦小微市值，成分股为沪深两市市值较小且流动性较好的2000只股票，与沪深300、中证500和中证1000形成互补，更精准反映小微盘市场动态 [7] - 成分股流动性高于万得微盘股指数，为市场提供有效配置小微盘风格的工具 [7] - 覆盖30个申万一级行业，机械设备、电子、基础化工、医药生物等高成长板块占比近40% [9] - 成分股权重分散，前10大成分股合计权重仅1.16%，远低于沪深300的24% [9] - "专精特新"企业占比显著高于其他宽基指数，体现技术驱动型、创新驱动型的新经济特点 [9] - 自基日2013/12/31至2025/6/27累计回报达166.50%，年化回报9.17%，领跑主要宽基指数 [2] - 年化波动率28.81%，高于沪深300的20.71%、中证500的24.53%和中证1000的27.37%，呈现高弹性、高波动特点 [12] 中证2000指数表现 - 近一月涨跌5.63%，近三月2.27%，近六月8.64%，近一年46.88%，表现优于中证500、沪深300、上证指数和深证成指 [3] - 近一月日均成交额3838.04亿元，日均换手率3.92%，交易活跃度高于其他主要宽基指数 [3] - 在流动性宽松和"新质生产力"等国家战略主题催化下，小盘股业绩弹性潜力大，对产业政策敏感度高，吸引风险偏好较高投资者 [3] 中证2000指数与量化策略适配性 - 主流机构资金配置相对较少、信息效率相对偏低的小微盘领域成为量化策略超额收益的蓝海 [14] - 成分股数量多、权重分散，为指数增强策略提供广阔操作空间，各种类型Alpha因子可更好应用 [17] - 成分股数量多带来更高选股自由度，同时降低指数外选股的暴露风险 [17] - 交易活跃度高，换手率和成交额处于相对高位，更有利于发挥量价策略优势 [18] - 分析师覆盖度低，部分个股价值可能被低估或未充分挖掘，市场定价存在认知偏差，为量化策略提供Alpha挖掘机会 [19] 中证2000指数增强产品 - 多家私募推出中证2000指数增强产品，包括龙旗科技、世纪前沿、平方和投资、蒙玺投资、衍复投资等 [5][15] - 产品规模从数千万到数亿元不等，如龙旗中证2000指增1号规模31775.33万元，世纪前沿中证2000指数增强1号B类份额规模10723.20万元 [5]

公司调研情况 - 大岩资本近期调研慈星股份 参与特定对象调研及现场参观 [1] - 电脑横机行业一季度实现平稳开局 但订单量短期滞缓 利润空间压缩 行业格局调整 [1] - 公司采用买方信贷模式 客户支付首付款 剩余部分由合作银行提供融资 公司提供连带责任保证 [1] - 海外市场占比10%-15% 集中在东南亚 墨西哥 俄罗斯 埃及等新兴市场 越南 柬埔寨市场增长显著 [1] 业务布局与战略 - 顺义科技专注于装备健康管理和智能检测设备 应用于国防科技领域 逐步拓展至民用领域 [1] - 公司收购顺义科技旨在实现转型升级 突破行业瓶颈 形成技术 数字化 特种材料和渠道协同创新 [1] - 顺义科技2025年一季度报表亏损 因军工行业季节性特征明显 一季度产品交付较少导致营业收入少 [1] - 公司未来将继续深耕主业 开发细分机型 拓展智能可穿戴 医疗织物等非服科技领域 寻找新业务增长点 [1] 机构背景 - 大岩资本2013年6月成立于深圳 依托股东全球业务网络布局 与香港 纽约 开曼等地独立姊妹公司合作 [2] - 管理团队拥有20余年全球金融市场投资经验 近50位专业人士具备数学 计算机 医学 物理 金融工程等复合背景 [2] - 在中国大陆资本市场深耕7年 累计获得包括4尊金牛奖在内的30余项业内奖项 [2] - 合作客户包括银行 保险 证券公司 基金会 FOF和企业财团 成立头三年资产管理规模跨越百亿 [2] - 着力于量化投资技术 定增投资技术 产品和业务模式创新 是科学投资的先行倡导者和实践者 [2]

报告行业投资评级 未提及 报告的核心观点 - 华商量化优质精选基金采用“量化行业轮动 + 基本面验证”框架，通过三维策略获取超额收益，2024 年接管以来年化收益 6.64%，跑赢 50% 同类基金 [1][72] - 基金对电子、汽车、有色金属超配及对非银金融、家用电器低配贡献超额收益，电子、计算机、通信行业持仓收益最高 [2][72] - 基金在估值选择上注重风险控制，持仓盈利与估值分配均衡合理，经理擅长挖掘中小市值高质量标的 [2][72] - 基金一级行业持仓占比稳定，二级行业及重仓股持仓轮动，换手率偏高，持仓中小盘成长风格突出，兼顾高股息防御，适应不同风格时段，建议作为科技进攻仓位投资 [2][73] 根据相关目录分别进行总结 量化与基本面融合的投资体系 - 能力圈覆盖科技、消费、周期行业轮动，集中于行业比较和轮动 [8] - 核心理念是可持续盈利与动态迭代，围绕组合盈利目标持续学习和更新投资方法 [9] - 量化框架为三维超额收益模型，通过量化配置模型监控风险和收益，寻找最优配置比例 [10] - 分散配置，周期板块以中大盘龙头股为主，配置有分红和涨价逻辑的周期行业；科技板块看好新质生产力行业，逐步布局以控制波动 [11][14] 华商量化优质精选产品概况 - 为偏股混合型主动量化基金，管理时间较长，业绩比较基准中权益指数为沪深 300 指数，占比 80% [15] - 成立于 2020 - 10 - 28，海洋自 2024 - 01 - 03 接管，截止 2025 - 03 - 31 规模约 1.19 亿，股票投资比例 60% - 95% [16][17] 历史业绩与风险收益特征 - 2024 - 01 - 03 至 2025 - 6 - 13，年化绝对收益 6.64%，同类排名 1961/3909，相对最大回撤 12.71%，排名位于同类后 13.5%，对相对回撤控制出色 [18] - 分年度看，2024 年接管期间夏普比率 0.46，位于同类前 30.7%，年化收益率 11.01%，位于同类前 29.3% [19] - 接管以来历经 4 个完整季度，“924”行情 2024 年 3 季度收益 5.9%，2024 年 4 季度排名达前 23.7%，季度收益 1.84%，4 个季度中有 3 个季度收益为正 [23] 业绩归因：市场适应性及超额收益来源 市场环境适应能力分析 - 自有效起始日期以来，整体表现优于同类平均，在市场上涨阶段排名更出众，适应力良好 [26] - 无论大小盘风格极致情况还是无明显偏向时，基金对比同类表现较好，能适应成长和价值风格极致市场情形 [29][33] 行业配置贡献 - 基金超额收益来源包括配置、选股和交互作用，超配通信、电子等行业，低配银行、非银金融等行业，对通信、电子超配及对家用电器和非银金融低配带来较高行业配置超额收益 [36][37] 个股收益 - 对基金收益贡献较高个股包括寒武纪、艾力斯、新易盛、宁德时代、比亚迪、中际旭创等 [39] 持仓特征与风险控制 风格暴露 - 采用风格回归分析模型，华商量化优质精选偏向成长风格，2024 年 3 季度起从 中盘成长风格向小盘成长风格转移 [41][45] 行业选择偏好 - 整体高配电子、通信、医药生物、汽车、有色金属等行业，电子行业持仓占比平均约 15.59% [46] - 2024 年 12 月末，配置最高的前三大行业为电子、汽车、通信；对比 2024 年中报和年报，呈现增配顺周期、资源品，减仓科技硬件的投资思路 [48] - 申万一级行业持仓变化相对稳定，二级行业持仓呈现行业轮换特征 [50] 基金持仓特点 - 持仓分散，风格偏向科技成长，兼顾高股息防御，前十大重仓股替换率高，持仓有轮动特征 [53] - 2024Q4 和 2025Q1 加仓紫金矿业获超额收益，持有中国海油、九丰能源对冲科技股波动 [53] - 经理对产业趋势响应快，2024Q3 清仓寒武纪，2024Q4 转投海光信息 [53] 与同期主动量化基金持仓特征对比 - 持仓 PE 约位于同期主动量化基金中位数水平，市值偏低，前十大重仓股市值与整体持仓接近，持仓分散，风险分散程度高，提供差异化超额收益来源 [59][60] - 持仓 ROE 高于其他同期同类主动量化基金，股息率在中位数水平上下浮动，兼顾分红与成长 [60][62] 资产配置 - 权益仓位稳定在 90% - 93%，仓位变化小，无明显仓位择时特征，主要配置股票和现金 [64] 持股集中度 - 约 22%的股票持仓集中在前十大重仓股，低于同类中位数水平，排名平均位于同类 95%分位点，2024 年 3 季度持股集中度略高助于捕捉超额收益 [67] 交易特征 - 2024 年上半年和下半年双边换手率分别为 6.97 倍和 7.3 倍，高于同类平均，持仓行业轮动是换手率偏高因素之一，2024 年业绩指标排名位于同类前 30%左右 [70]

时代背景与技术演进 - 全球正处于技术演进与制度转型交汇的关键时点，生成式AI为代表的新技术浪潮正在改变各行各业，为长期价值投资提供新工具[1] - AI正从提升多步推理能力（L2）向具备"感知—计划—执行"闭环能力的AI Agent（L3）发展，2025年被称为"AI Agent元年"[2] - 海外市场AI辅助研究已成为主流，对冲基金采用大模型优化投研流程，共同基金和财富管理机构应用生成式AI于投资摘要、会议纪要等环节[4] 政策导向与市场结构 - 新"国九条"及配套政策体系引导长期资金入市、倡导价值投资、规范程序化交易，管理险资、社保等机构更看重低费率、容量大、结构透明的投资工具[4] - 国家推动科技金融、绿色金融、普惠金融、养老金融、数字金融"五篇大文章"，金融资源配置向五大重点领域倾斜[4] - A股市场信息披露、监管执法和投资者结构持续优化，逐步形成基本面主导、"优胜劣汰"的市场机制[5] 量化投资的作用与定位 - 量化交易在市场中承担"润滑剂"与"稳定器"双重角色，为市场提供流动性和价格发现机制，增强市场结构韧性[6] - 通过机器学习将股票从稀疏高维空间嵌入致密低维空间，利用注意力机制构建图网络，增强整体系统稳定性与韧性[7] - 本土量化行业已建立稳定技术积累、较强研究能力和良好合规文化，面临技术加速发展与制度优化的窗口期[5] 智慧选股（Smart Beta）策略 - 智慧选股策略聚焦服务长期机构资金，强调工具化定位，构建可理解、可复制、可评估的配置工具[10] - 策略以AI为驱动、基本面为核心，回归价值投资本源，容量大、换手低、费率合理，支持机构投资者长期配置[10][11] - 旨在实现"普惠化"目标，接近"长期满仓、长期持有"的理想状态，兼顾商业可持续性与合规性[11] AI研究与技术实践 - 行业AI研究分为基于兴趣驱动的学术性研究和更具挑战性的工业级研发，后者需要长周期、重投入[12] - AI时代机遇分为以应用为导向的现实机会和面向未来的基础能力探索，后者涉及对AI推理能力、通用性等的理解[13] - 公司设立人工智能实验室WILL，开展工业级研发探索AI能力上限，源于量化机构具备组织基础和工程文化[14] 行业展望与结语 - 技术突破、人才流动、思想融合为新一轮发展积蓄动能，人类正以前所未有的方式在科技树上攀登[16] - 行业应积极参与技术革命与产业变革，共建行业，不做伟大时代的旁观者[17] - 真正值得投入的事业以长期信念和实践为依托，不以短期确定性为前提[16]

AI技术重塑投研行业格局 - AI技术如中信建投的"AI智问"可一键生成研报摘要、拆解财务指标，显著提升投研效率，金融从业者拥抱AI已成必然趋势 [1] - AI与Python结合可高效处理海量金融数据，应用于投研、风控、量化等核心场景 [1] 数据获取与处理 - 通过巨潮资讯网、数据接口及Python爬虫技术（如requests库、Selenium库）高效获取上市公司财报和行情数据 [1] - 利用正则表达式和BS库解析网页数据，为后续分析提供精准支持 [1] 财务分析与估值建模 - AI工具快速提取并分析财务数据，支持单公司或多企业对比分析 [2] - 结合Python的Pandas库深入分析企业关键指标，构建DCF估值模型等提升企业价值评估准确性 [2] 报告编写与可视化 - AI快速生成高质量金融报告，结合花火数图、思维导图等工具实现数据直观呈现 [3] - Python的Matplotlib和Pyecharts库支持数据动态可视化，增强报告说服力 [3] 流程自动化与智能应用 - AI与Python结合实现金融财务流程自动化，如批量生成文件、自动化审计等 [4] - 通过专属AI智能体构建个性化投研支持系统 [4] 量化投资策略开发 - AI与Python在量化投资领域应用广泛，从K线图绘制到策略开发与回测提供技术支持 [5] - Python开发的量化策略回测平台可帮助投资者测试和优化策略，提高收益 [5] 课程亮点与内容 - 课程包含86节精讲课，总时长32.5小时，系统覆盖AI+Python金融投研全流程 [7] - 海量上市公司实战案例涵盖数据获取、分析、建模、可视化到报告生成等核心场景 [7] - 配套赠送素材包、提示词模板、PPT模板等实用资料库 [7] 课程大纲 - 第一章聚焦AI大模型在金融投研的应用，包括提示词设计、财报信息提取、DCF建模等 [8] - 第二章讲解Python实战技能，覆盖数据处理、自动抓取数据、工具开发及基础量化策略 [9][10] 主讲嘉宾背景 - 王老师拥有金融机构金融科技部负责经验，持有CFA3级、FRM2级、AQF等资质 [18] - 出版多本Python与金融相关书籍，如《Python金融大数据挖掘与分析全流程详解》等 [15] - 主导过多个AI+Python金融投研项目，累计申请6项知识产权 [18] 课程核心价值 - 驾驭AI大模型提升报告精准度与估值建模效率 [16] - 掌握Python金融链路，从数据抓取到量化策略开发 [16] - 实现AI+Python贯通数据清洗→建模→决策全流程 [16]

量化私募行业表现 - 截至2025年6月30日，符合排名规则的量化产品共1417只，合计规模1013.29亿元，上半年收益均值8.45%，显著跑赢沪深300指数（涨幅0.03%）[2] - 百亿私募旗下284只量化产品表现突出，上半年收益均值达11.99%，远超其他规模私募[2][5] - 50-100亿私募旗下130只量化产品收益均值8.15%，正收益产品占比93.85%[9] 百亿私募量化基金经理排名 - 稳博投资殷陶以7只量化产品（规模2.97亿元）夺冠，收益均值***%，其产品"稳博小盘激进择时指增1号"表现最佳[8] - 进化论资产王一平排名第二，管理8只产品（规模7.48亿元），代表作"进化论多棱镜中证2000指数增强A类份额"[8] - 龙旗科技朱晓康管理规模最大，16只产品合计22.48亿元，位居第五[9] 中小规模私募量化表现 - 50-100亿私募中，千衍私募郭其添以3只产品（规模3.99亿元）收益均值***%领先[10] - 20-50亿私募收益均值8.01%，云起量化施恩以3只产品（规模2.87亿元）居首[13] - 10-20亿私募收益均值8.16%，安子基金李靖4只产品（规模3.99亿元）夺冠[17] 量化基金经理背景 - 稳博投资殷陶为上海交通大学计算机博士，创立自研高频交易体系并融合AI方法[8] - 进化论资产王一平拥有16年投资经验，强调"有逻辑的量化"策略[8] - 千衍私募郭其添具备10年量化经验，曾任交银施罗德基金量化投资经理[11] 量化产品规模分布 - 5-10亿私募233只量化产品收益均值7.44%，量创投资王伟男3只产品（规模2.68亿元）领先[20][22] - 0-5亿私募462只产品收益均值7.11%，广州天钲瀚胡勤天4只产品（规模0.95亿元）居首[24][26]

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]