本文首发于公众号"私募排排网"。 （点击↑↑ 上图查看详情 ） 编 者按 私募排排网数据显示，截至2025年8月底，管理规模在20亿以下的私募管理人有7200余家，占比超90%，是私募行业数量庞大的中坚力量。私募排 排网推出 「打卡100家小而美私募」 栏目，聚焦管理规模适中、策略特色鲜明的优质私募基金管理人。通过深度解析其投资方法论、风控体系及能力 圈建设，为投资者提供差异化的视角与洞察。本期打卡—— 文谛资产 。 Part.1 公司概况 文谛资产是一家专注于量化投资的专业资产管理公司，2016年在上海成立。文谛资产的投资领域覆盖了期货和股票，已构建了覆盖全市场、多品 种、多策略的量化资产管理体系，拥有CTA、股票两大策略库。文谛始终致力于为投资者提供不过度依赖单一收益来源的长期可持续收益。 Part.2 核心团队 公司团队深耕量化投资领域十五年，始终秉持"守正出奇、行稳致远"的投资理念，持续推进策略的迭代创新，确保旗下策略与市场的同步进化。 核心投研人员均拥有物理，数学，计算机及经济学专业背景，从事量化工作多年，具有丰富的量化研究经验与成熟先进的技术，团队成员稳定性 策略发展历史 代表策略及产品 文谛量化 ...

国庆长假后的首个交易日，A股市场用一场"金色风暴"宣告了它的归来。有色金属板块集体暴动，山金国际、中金黄金等个股创下历史新高，四川黄金更是 直接封住涨停板。与此同时，可控核聚变概念也不甘示弱，哈焊华通、合锻智能等个股纷纷涨停。 | 名称 | 序号 | 现价 | 涨跌 | 消 | | --- | --- | --- | --- | --- | | 上证指数 | 1 | 3908.18 | 25.41 | 0.6 | | 深证成指 | 2 | 13675.70 | 149.19 | 1.1 | | 北证50 | 3 | 1526.40 | -2.23 | -0. | | 月得全A | 4 | 6405.80 | 56.86 | 0.9 | | 科创20 | 5 | 1553.13 | 57.84 | 3.8 | | 创业板指 | 6 | 3276.00 | 37.84 | 1.1 | | 沪深300 | 1 | 4683.51 | 42.81 | 0.0 | | 中证500 | 8 | 7501.50 | 89.13 | 1.2 | | 中证800 | 9 | 5159.28 | 51.02 | 7.1 | | ...

公司概况 - 公司成立于2015年3月，是一家基于数据科学的量化投资机构，与关联公司合计管理规模达180亿元 [7] - 公司于2018年5月开始实盘运行机器学习策略，并配备高性能GPU集群服务器以保障算力 [7] - 截至2025年9月，以深度学习为主的机器学习算法已全面替代传统统计套利策略，应用于全部股票策略产品中 [7] - 公司拥有成熟的策略研发平台，实现了数据清洗和策略回测环节的标准化封装，提升了因子挖掘效率 [8] - 公司核心投资理念是秉承量化投资框架化、体系化的投研理念，注重量化细节处理，以实现策略高效迭代和创造绝对收益 [14] 核心投研团队 - 公司实际控制人兼首席投资官王啸为复旦大学物理学博士，拥有超过15年的量化策略研发、交易及风控经验 [2] 投资策略与产品线 - 公司产品线主要包括指数增强策略、市场中性策略和量化选股策略 [22][25][27] - 指数增强策略旨在获取超越指数的回报，上涨市场增强收益，下跌市场减少损失 [22] - 市场中性策略通过金融衍生品对冲市场波动，有效防范市场下跌风险，形成超越牛熊的投资模式 [25] - 量化选股策略无基准束缚，能最大效果发挥模型选股和风格、行业择时能力，是获取绝对回报的优秀方案 [27] - 代表产品“念觉量臻量化精选优盛1号”在私募排排网百亿私募量化多头1-8月超额榜单中位列第2，其8月份超额收益显著，在上榜产品中逆市领衔 [2] 风险控制 - 事前风控措施包括因子分散化、行业与市值偏离度中性化处理（行业偏离度一般不超过5%，市值因子暴露偏离不超过±0.5）、单只股票持仓上限控制（一般不超过1%）以及流动性控制 [34][35][36][37] - 事中风控措施包括通过交易算法降低交易冲击、监控合同敞口与风格敞口、监控流动性风险以及监控盘中个股异动或舆情风险 [38][39][40][41][42] - 事后风控措施包括策略容量或拥挤度的测算，以及定期对因子和模型有效性进行回检和升级 [43][44] 核心优势与创新 - 公司在AI大模型研究与应用方面进行创新，于2025年5月19日成立AI公司全频思维，并向国际顶级学术会议NeurIPS投递了与上海交大合作的大模型研究论文 [2][53] - 公司成为继DeepSeek之后，第二家开展大模型底层理论研究并发表成果的私募机构 [2] - 公司早在2017年就成立AI团队，2019年将实盘模型90%转变为神经网络算法，2021年规模达到百亿，2023年开始大模型基础理论研究 [53] - 独立的AI公司全频思维主要进行大模型训练算法优化和工程技术研究，与内部AI团队分工明确 [53] 公司未来规划 - 公司未来规划将继续秉承量化投资框架化、体系化的投研理念，注重投研各环节的量化细节处理，力求实现量化投研体系高效运转，长期保持策略高效迭代 [49] 获奖信息 - 公司屡获行业奖项，包括2017-2020年及2024年蝉联《证券时报》相关奖项，2018-2020年蝉联《中国基金报》“英华奖中国私募基金50强”，2020年获得《中国证券报》中国私募三年期“金牛奖”等 [51][52]

三大初心：重构散户的成长路径 天府长风会的体系建立在三大初心之上。 其一，帮助散户迈向"准机构化"。通过搭建专业的交易与研究流程，让个人投资者也能在规则与工具上 接近机构化标准，从而在执行效率与风险控制上获得质的提升。 在瞬息万变、波谲云诡的中国资本市场中，一位以实战著称、以体系立身、以责任为本的投资人正悄然 改变着散户教育的格局。他就是天府长风会的创始人—肖海东。 从早年驰骋股市的实战操盘手，到如今致力于建立科学投资教育体系的引路人，肖海东用近二十年的市 场经验，凝练出一套可复制、可落地、可持续的操盘逻辑。他深知，真正的投资者并非盲目追涨杀跌 的"市场旅人"，而是能在不确定中理解结构、运用策略、严控风险的理性操盘者。正是这种理念，成为 天府长风会的起点与灵魂。 从个人传奇到体系构建：一次认知的转变 回望早年，肖海东以敏锐的盘感、果断的执行著称，亲历多轮牛熊转换，也见证了无数散户的盈亏沉 浮。长期的市场观察让他意识到：多数散户并非缺乏热情，而是缺乏系统化的认知与可实操的训练机 制。 这一顿悟促成了天府长风会的诞生一个旨在为普通投资者提供从零到一、从学习到实战、从个体到团队 成长路径的专业组织。 天府长风会的成 ...

黄金市场近期表现 - 黄金价格本周创下历史新高，现货与期货价格双双突破每盎司4000美元里程碑 [1] - 黄金作为投资组合多元化工具的价值备受关注，被视为动荡时期的避险资产 [1] - 2022至2024年间各国央行年均购金量超过1000吨，较此前十年平均速度翻倍有余，中国跃居最大买家 [2] 市场观点与投资策略 - 基金经理克里斯托弗·克鲁登警告称，为降低投资组合风险而购入黄金的投资者可能即将遭遇不愉快的意外，并举例其1979年入行时金价每盎司850美元为历史高点，三年后价值缩水65%至70% [1] - 克鲁登管理的Insch Kintore策略通过交易黄金与一篮子G7主要货币（美元、英镑、欧元、日元、瑞士法郎、澳元、加元）的每日现货价格波动进行套利，该策略为系统性趋势追随，对黄金无主观预判 [1] - 米拉博财富管理公司投资组合管理主管乔纳森·昂温警示当前金价飙升态势或难持续，认为若黄金与其他资产类别的关联性增强，其吸引力将开始消退，并预期金价从当前水平回调后再度攀升 [2] - 桥水基金创始人瑞·达利欧将当今市场类比1970年代，敦促投资者将约15%资产配置于黄金，称当其他投资表现不佳时，黄金是唯一表现卓越的资产 [3] 黄金的吸引力因素 - 黄金因其零违约风险、高流动性及其在储备资产中的中性地位，对官方资产组合极具吸引力，特别是在2022年对俄制裁暴露美元中心化储备体系脆弱性之后 [3] - 黄金今年走强的背景是投资者应对美元贬值、地缘政治裂痕和降息预期 [1]

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. 模型名称：A股赔率模型 - **模型构建思路**：基于股权风险溢价（ERP）和股息风险溢价（DRP）的标准化数值等权计算A股赔率，以衡量A股资产的估值吸引力[10] - **模型具体构建过程**：首先计算ERP和DRP，然后对这两个指标进行标准化处理，最后将标准化后的数值进行等权加总得到综合赔率指标[10] 2. 模型名称：宏观胜率评分卡模型 - **模型构建思路**：从货币、信用、增长、通胀和海外五个宏观因素出发，合成得到各资产的综合胜率指标[10][42] - **模型具体构建过程**：基于五个宏观因子构建评分体系，综合评估各类资产的胜率表现[10][42] 3. 模型名称：债券赔率模型 - **模型构建思路**：根据长短债预期收益差构建债券资产赔率指标，衡量债券市场的估值水平[11] - **模型具体构建过程**：使用利率债收益预测框架，基于长短债的预期收益差异来构建赔率指标[11] 4. 模型名称：美联储流动性指数模型 - **模型构建思路**：结合数量维度和价格维度构建美联储流动性指数，用于评估市场流动性状况[15] - **模型具体构建过程**：从联储负债端存款准备金、净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个维度综合构建流动性指数[16] 5. 模型名称：行业轮动三维评价模型 - **模型构建思路**：基于趋势-景气度-拥挤度三维评价体系进行行业轮动配置[34][36] - **模型具体构建过程**：使用行业过去12个月信息比率刻画行业动量和趋势，以行业的换手率比率、波动率比率和beta比率刻画行业的交易拥挤度，结合景气度指标形成三维评价体系[34] 6. 模型名称：赔率+胜率增强型策略 - **模型构建思路**：结合各资产的赔率与胜率策略的风险预算，在目标波动率约束的条件下构建资产配置策略[3][39][45] - **模型具体构建过程**：将赔率策略的风险预算和胜率策略的风险预算进行简单相加得到综合得分，据此进行资产配置权重调整[45] 量化因子与构建方式 1. 因子名称：价值因子 - **因子构建思路**：基于价值风格的三标尺（赔率、趋势、拥挤度）进行综合评价[19][22] - **因子具体构建过程**：从赔率、趋势和拥挤度三个维度对价值风格进行量化评分，赔率回升至0.9倍标准差，趋势位于-0.3倍标准差，拥挤度处于-1.4倍标准差的较低水平[19][22] 2. 因子名称：小盘因子 - **因子构建思路**：基于小盘风格的三标尺进行综合评价[20][23] - **因子具体构建过程**：小盘因子的赔率处于-0.2倍标准差（中性水平），趋势位于1.6倍标准差（极高水平），拥挤度回落至-0.5倍标准差（中低水平）[20][23] 3. 因子名称：质量因子 - **因子构建思路**：基于质量风格的三标尺进行综合评价[24][26] - **因子具体构建过程**：质量风格赔率当前位于1.4倍标准差，拥挤度处于-0.5倍标准差的较低水平，趋势处于-1.2倍标准差的较低水平[24][26] 4. 因子名称：成长因子 - **因子构建思路**：基于成长风格的三标尺进行综合评价[27][29] - **因子具体构建过程**：成长因子趋势回升至0.1倍标准差的中等水平，赔率位于0.8倍标准差，拥挤度升至1.0倍标准差[27][29] 模型的回测效果 1. 赔率+胜率增强型策略 - 2011年以来年化收益7.0%，最大回撤2.8%[3][45] - 2014年以来年化收益7.6%，最大回撤2.7%[3][45] - 2019年以来年化收益7.2%，最大回撤2.8%[3][45] 2. 赔率增强型策略 - 2011年以来年化收益6.6%，最大回撤3.0%[39][41] - 2014年以来年化收益7.5%，最大回撤2.4%[39][41] - 2019年以来年化收益7.0%，最大回撤2.4%[39][41] 3. 胜率增强型策略 - 2011年以来年化收益7.0%，最大回撤2.8%[42][44] - 2014年以来年化收益7.7%，最大回撤2.3%[42][44] - 2019年以来年化收益6.3%，最大回撤2.3%[42][44] 4. 行业轮动三维评价模型 - 2011年以来超额表现13.1%，跟踪误差11.0%，最大回撤25.4%，信息比率1.18[35] - 2014年以来超额表现13.0%，跟踪误差12.0%，最大回撤25.4%，信息比率1.08[35] - 2019年以来超额表现10.8%，跟踪误差10.7%，最大回撤12.3%，信息比率1.02[35] 因子的回测效果 1. 价值因子 - 赔率：0.9倍标准差[19][22] - 趋势：-0.3倍标准差[19][22] - 拥挤度：-1.4倍标准差[19][22] - 综合得分：3分[19] 2. 小盘因子 - 赔率：-0.2倍标准差[20][23] - 趋势：1.6倍标准差[20][23] - 拥挤度：-0.5倍标准差[20][23] - 综合得分：2.2分[20] 3. 质量因子 - 赔率：1.4倍标准差[24][26] - 趋势：-1.2倍标准差[24][26] - 拥挤度：-0.5倍标准差[24][26] - 综合得分：0.6分[24] 4. 成长因子 - 赔率：0.8倍标准差[27][29] - 趋势：0.1倍标准差[27][29] - 拥挤度：1.0倍标准差[27][29] - 综合得分：0.1分[27]

人工智能在量化投资中的应用 - 人工智能出现革命性技术突破，通过整合强化学习与大语言模型架构，使机器学习具备自我思考能力，突破人脑思维边界 [1] - 机器学习在自动驾驶、机器人等领域实现重大技术突破 [1] - 基金经理施荣盛将机器学习应用于量化投资，采用“白盒化”方式，属于公募量化中的“少数派” [1] 安信量化精选沪深300指数增强基金业绩表现 - 安信量化精选沪深300指数增强A近一年回报达45.63%，优于对比产品（38.12%、38.55%、38.18%、36.48%）[2] - 该基金近一年最大回撤为-10.90%，优于对比产品（-11.98%、-11.65%、-12.85%、-12.94%）[2] - 基金规模从2024年末的1.06亿元增长至2025年中的12.05亿元，规模增长10.99亿元，在2025年上半年规模增长超3亿的同类产品中表现突出 [2][3] - 自2023年8月24日管理以来，累计收益率36.53%，历史年化收益16.62%，跑赢沪深300指数14.89% [4] - 该基金在不同市场环境下表现稳健，指数上涨时表现分位数达100%，指数下跌时为78.9%，成长占优时为96.1%，价值占优时为82.9%，大盘占优时为94.7%，小盘占优时为94.7% [18] “白盒化”机器学习模型框架 - 采用统一模型管理所有指数增强产品，框架为预期收益率y来自x因子的挖掘和f因子的组合 [11] - 主动筛选因子，运用遗传算法、深度学习、大语言模型等方法挖掘因子，并进行主动检测以确保数据质量 [13] - 采用因子随机剔除（dropout）机制进行模型训练，以增强模型稳健性，例如剔除北向因子后模型结果无显著差异 [13] - 建立统一的指数增强框架，适用于不同市值和风格指数（如沪深300、上证科创综指、红利增强等），确保因子普适性，避免过度拟合 [13][14] - 通过跟踪数十个指数增强策略表现，理解模型有效性及市场特征，实现统一策略评估和调整 [14][15] 模型优化与创新 - 采用集成学习方式，使用多个模型互相验证，而非依赖单一模型 [17] - 模型训练时考虑交易成本并设置严格风险约束，追求Pure Alpha [17] - 进行动态优化，模型根据实时市场表现自行调整约束条件和优化目标 [19] - 采用模块化处理，将收益率预测、因子挖掘筛选、组合优化、风险管理、交易执行等环节标准化，形成可持续迭代能力 [21] - 积极探索大语言模型（如DeepSeek）挖掘因子，通过API接入进行测试，保持模型创新 [22] 行业比较与竞争优势 - 该基金超额收益与其他公募量化产品相关性低，源于底层方法论的差异 [21] - 多因子模型仍是公募量化主流，而机器学习在私募基金中应用更普遍，该策略结合了公募与私募量化投资的优势 [21][22] - 通过持续创新寻找低相关性Alpha，改善基金组合风险收益比 [22] - 在工具化产品盛行的时代，积极拥抱AI、有效训练模型的“白盒化”量化策略具备竞争优势 [24]

那天清晨，我盯着手机屏幕上的新闻推送，手指悬在半空迟迟没有滑动。美联储两位著名的鹰派理事竟然在降息决议中投了赞成票？这就像看到素食主义者 突然大快朵颐牛排一样令人错愕。更耐人寻味的是，市场对此的反应远比降息本身更剧烈——沃勒的当选赔率应声下跌，而投反对票的Miran赔率却飙升至 首位。 这让我想起十年前在清华金融系读书时，教授说过的一句话："金融市场最迷人的地方，就是它永远在演绎着'表里不一'的戏剧。"当时只觉得这是句漂亮的 修辞，直到自己真金白银地在市场里摸爬滚打多年后，才明白其中的深意。 但问题在于：这些信息对普通投资者意味着什么？我们该如何解读这种看似矛盾的市场反应？ 记得2015年股灾时，我亲眼见证了一个有趣现象：当主流媒体还在讨论"牛市根基未变"时，我使用的量化系统已经提前两周显示出机构资金持续流出的迹 象。那时我才真正理解什么叫"买传闻，卖新闻"。 A股市场有个独特的"抢跑特性"——国外市场是根据已知信息做交易判断，而我们的市场却热衷于打提前量。等到利好真正公布时，往往就是股价最高点兑 现的时机。这就是为什么散户总是慢半拍的根本原因。 所有公开信息都经过了三重过滤： 在这个过程中，真相早已面目全非 ...

看着这条新闻，我不由得想起这些年在市场里摸爬滚打的经历。要说这股市啊，表面上风平浪静，底下可是暗流涌动。那些摆在明面上的消息，什么政策利 好、业绩预增，说白了都是给散户看的戏码。真正的角儿都在幕后牵线呢。 记得我刚入行那会儿，也是个愣头青。整天盯着K线图看涨跌，研究这个指标那个形态，结果呢？亏得连裤衩都不剩。后来我才慢慢琢磨明白，决定股价走 势的根本不是涨跌本身，而是背后的交易行为。 咱们大A股市场就像个大剧场，每天上演着精彩纷呈的木偶戏。政策消息、业绩分红、资金流向这些玩意儿，都是摆在台面上的木偶。它们动来动去，吸引 着所有人的目光。可真正掌控局面的，是幕后那些牵线的人。 这些牵线人可不是单打独斗的主儿。大剧场里有大王坐镇，街头巷尾也有小团伙在捣鼓。他们的手法看似千变万化，其实都有迹可循。只不过这些痕迹被涨 跌的喧嚣给掩盖了，让人难以察觉。 我现在用的那套量化系统，就是专门用来捕捉这些痕迹的。十八年来，我靠着它躲过了无数次暴跌，也抓住了不少机会。说句实在话，要是早十年遇上这系 统，我可能早就实现财务自由了。 说到这儿，我想起去年白酒股那档子事儿。2025年5月18日，"限酒令"一出，整个白酒板块应声而落。那 ...

华夏凯德商业REIT上市事件 - 国内首单由国际资管公司发起的消费类REITs在上海证券交易所上市 [1] 金融创新的数据前瞻性特征 - 金融创新产品在正式亮相前往往在数据层面留下蛛丝马迹 例如某知名科技ETF推出前三个月相关概念股的机构资金活跃度出现异常波动 [3] - 历史数据显示首只公募REITs上市前62个交易日相关标的出现持续性的机构资金异动 [3] - 国际机构如凯德投资可能采用明修栈道暗度陈仓的策略 高调宣传800亿资产管理规模的同时通过衍生品市场悄然布局 [7] 量化分析对资金意图的识别 - 量化系统可通过机构资金活跃度指标提前识别潜在机会 例如弘业期货在概念爆发前数月其反映机构资金活跃程度的橙色柱体已持续活跃 [5] - 国际机构操作在数据层面形成特定模式 如现货市场成交平稳时隐含波动率曲线出现异常陡峭化 期权持仓量增速与标的价格变动呈现非线性关系 [7] - 通过分析标的与同类资产的波动相关性是否异常背离 重要时间节点前后的成交分布特征 以及不同交易所间套利资金的流动路径可有效识别真创新与伪概念 [10] 消费类REITs的量化分析维度 - 量化视角关注资金流动的时空分布特征 而非仅聚焦租金收益率和客流量等传统基本面指标 [8] - 底层资产所在商圈POS机交易数据的季节性波动 停车场车辆停留时间的分布曲线 商户更替率与客单价的相关性系数等数据维度经算法重构后可提前3-6个月预示商业地产运营拐点 [8][10] - 某国际对冲基金曾凭借超市手推车GPS数据成功预测零售REITs的租金调整窗口期 [8] 量化工具的普及化趋势 - 随着数据处理技术的民主化进程加速 原本的机构专属量化工具正在变成大众可用的工具 [8]