近年来指数业务迎来大发展，在这一蓬勃发展的市场中，永赢基金凭借独特的差异化布局与量化投研体系，开辟了一条特色发展路径。截 至2025年10月23日， 永赢基金旗下ETF管理规模合计268亿元，较年初增长超4倍，不仅布局了旗下首只债券ETF，首创系列的卫星 ETF、通用航空ETF规模也已突破10亿元，黄金股ETF更是突破130亿元，成为国内首只百亿黄金股ETF。 ① 在指数增强领域，永赢基金同样表现不俗。旗下永赢上证科创板 100 指数增强A（全市场首批该类型基金之一）， 近一年收益率达 73.06%，相对同期基准的 超额收益达12.08%，此外还有永赢中证A50指数增强A、永赢中证500指数增强A，成立以来超额收益分别为 8.41%、6.22%，整体超额收益获取能力突出。 ② 精细运作积累点滴超额 永赢指数增强基金在产品策略上颇具亮点。以永赢上证科创板100指数增强A为例，业绩表现出色，得益于该产品采用的选股模型坚持 以 成长为主、质量为辅 的基本面量化投资逻辑构筑策略框架，方法论的设计初衷是贴合科创100指数的科技成长核心内生风格，进而力争稳 定超额收益的基础上，增加收益的弹性和锐度。 除此之外， 精细化操 ...

行业趋势与市场观点 - 广泛采用人工智能可能在未来10年内每年提升中国企业的收益2.5% [1] - AI产业在政策与技术双重驱动下，多家机构的研究模型给出积极信号 [2] - 科技板块仍被视为未来重要的投资主线之一，AI技术加速落地和应用场景不断拓展 [5] 指数+平台核心价值 - 平台通过专业筛选和智能工具，帮助投资者在热门赛道中更稳健地布局 [1] - 平台整合22家基金公司的高胜率行业轮动模型，客观展示专业机构一致看好的行业板块机会 [2] - 平台提供一套完整的配置+选品+工具解决方案，降低了普通投资者的参与门槛 [5] 产品策略与筛选逻辑 - 平台着力布局指数增强基金，结合指数基金和主动基金的优势 [4] - “追求年年增”专区专门筛选历史上每年都跑赢跟踪指数的增强基金 [4] - 产品筛选不追求短期爆发力，而是注重长期稳健的超额收益 [5] 智能工具与投资行为 - 智能定投功能可在市场回调时自动加仓，帮助投资者摊薄成本并把握市场波动机会 [4] - 采用越跌越买的策略，有案例显示其收益比一次性投资高出15% [4] - 蚂蚁基金场外指数投资者平均持有时长达到1239天，远超行业平均水平，表明平台投资者更倾向于长期持有 [4]

市场环境与投资机会 - 10月以来市场投资难度上升，受中美贸易摩擦升级、稀土技术出口管制及财报季业绩验证压力等多重因素影响，市场波动加剧 [1] - 前期热门板块出现阶段性降温，估值偏低或前期滞涨的板块可能迎来补涨机会 [1] 中证800指数产品介绍 - 德邦基金推出德邦中证800指数增强基金（A类：025513，C类：025514），以AI量化为引擎，在跟踪中证800指数基础上挖掘超额收益 [1] - 该基金旨在提供一键布局A股核心蓝筹与成长龙头的智能化投资工具 [1] 中证800指数特征与优势 - 中证800指数由中证500和沪深300成分股构成，覆盖30个中信一级行业，实现价值与成长、大盘与中盘的融合 [3] - 指数前五大权重行业为电子(14.7%)、电力设备、非银金融、银行、医药生物，单行业权重除电子外均未超过10%，行业分布分散 [7] - 指数具备较高股息率，中长期投资性价比突出 [7] 中证800指数历史表现 - 自2004年12月31日基日至2025年10月14日，中证800指数累计涨幅398.60%，同期沪深300指数为352.10%，超额收益达46.5% [5] 宽基指数对比分析 - 中证800指数市净率(PB)为1.58倍，股息率2.29%，年化波动率17.97% [9] - 相比其他宽基指数，中证800在估值、股息率和波动率方面表现均衡 [9] AI量化策略优势 - 德邦基金量化团队采用AI量化策略，具备更智能算法、更优质因子、更严格风控、更强大算力和更高效交易流程五大核心优势 [12][13][14][15] - 策略通过深度学习模型应对复杂市场环境，精选逻辑清晰因子，严格控制风险，最小化交易滑点 [12][13][14][15] 基金管理团队实力 - 基金经理李荣兴拥有清华大学电子工程系本科和北京大学计算机系硕士学历，14年从业经验，11年投资管理经验 [17] - 德邦基金在权益类基金绝对收益排行榜中表现优异，近1年、近2年、近3年分别位列全市场第4、第5、第3名 [17] 产品认购信息 - 投资者可认购德邦中证800指数增强基金（A类：025513，C类：025514），布局A股核心资产 [18]

被动投资发展趋势 - 被动投资快速发展，机构对兼具被动指数与主动增强优势的指数增强基金愈发重视 [1][3] - 全市场被动指数型基金近一年平均回报31.68% [1][3] - 增强指数型基金同期回报35.34%，且几乎全部实现正收益 [1][3] 指数增强基金业绩表现 - 跟踪稀有金属、中证2000等指数的多只产品近一年回报超过50% [1][3] 新发基金市场动态 - 截至10月15日，今年约有140只指数增强新基金成立 [1][3] - 新发基金数量较2024年全年增长1倍多 [1][3] - 目前还有6只指数增强基金待发行 [1][3]

产品发行与市场定位 - 兴证全球基金宣布将发行兴证全球中证500指数增强基金，由拥有15年量化投资经验的田大伟管理 [1] - 指数增强产品风险收益特征明确，旨在借助多因子量化选股和投资组合优化等方法，在跟踪指数基础上追求超额收益 [1] - 截至2024年底，公募基金发行指数增强产品295只，总规模达2127.6亿元，均创历史新高，但市场需求仍属“蓝海” [2] 中证500指数投资价值 - 自2004年12月31日基日至2025年8月31日，中证500指数累计上涨604.39%，年化回报达10.21%，高于同期沪深300指数的7.77%和上证50指数的6.48% [2] - 指数覆盖A股市值排名301至800名的股票，平均自由流通市值为137亿元，被誉为“中盘股大本营” [2] - 指数在新经济领域布局突出，超配电子、医药生物、国防军工等行业，国家级“专精特新”企业市值权重占30% [2] 量化投资策略与流程 - 投资流程包括：收集并清洗基本面、量价、高频及一致预期等原始数据；研发并优化阿尔法因子；筛选有效因子并确定权重；运用组合优化算法计算目标股票及权重；结合股票黑名单及异常值监控形成最终投资组合 [3] - 风险控制注重行业与风格中性，并控制跟踪指数的偏离度，避免风格漂移导致的风险暴露 [5] - 量化团队每天跟踪的因子超过2000个，并构建了完整的因子研究流程和自研的“研发+交易+跟踪”一体系统 [6] 历史业绩与团队模式 - 田大伟管理的兴证全球中证A500指数增强基金自2024年12月24日成立至2025年8月31日，A份额实现收益16.00%，超越基准0.66个百分点；今年以来超越基准1.91个百分点 [6] - 量化团队采用高度协同的作业模式，通过构建共享代码库和模块化框架，整合集体智慧并保留个体创新空间 [6] 行业展望与产品布局 - 公司认为AI在投资研究中的应用是重要方向，团队正持续研发机器学习模型，同时指出国内政策积极，权益市场下行风险可控且上行空间犹存 [7] - 兴证全球基金在指数增强领域已有15年积淀，布局了沪深300、中证800、中证A500、沪港深300、沪港深500等多只指增产品，形成系列图谱式布局 [8] - 2025年半年报显示，公司旗下4只指增基金共吸引超61万持有人，在港股指增产品方面已率先布局，成为市场上少数能同时覆盖A股和港股指增产品的基金公司 [8] - 产品策略强调纪律化的工具型投资，提供长期、稳定、可解释的超额收益，随着监管引导公募基金强化业绩基准约束，工具型产品迎来更好发展机遇 [8]

产品发行与定位 - 兴证全球基金宣布发行兴证全球中证500指数增强基金，由拥有15年量化投资经验的田大伟管理 [1] - 该产品旨在通过多因子量化选股和投资组合优化等方法，在中证500指数基础上追求超额收益 [1] - 指数增强产品风险收益特征明确，创造稳定的超额收益是其生命力 [1] 市场背景与需求 - 截至2024年底，公募基金发行指数增强产品295只，总规模达2127.6亿元人民币，数量和规模均创历史新高 [2] - 无论机构还是个人投资者对风险收益特征明晰的指数增强产品仍有需求，市场仍属“蓝海” [2] 中证500指数投资价值 - 自2004年12月31日基日至2025年8月31日，中证500指数累计上涨604.39%，年化回报达10.21%，高于同期沪深300指数的7.77%和上证50指数的6.48% [2] - 指数覆盖A股市值排名301至800名的股票，平均自由流通市值为137亿元，是“中盘股大本营” [2] - 指数在新经济领域布局突出，超配电子、医药生物、国防军工等行业，国家级“专精特新”企业市值权重占30% [2] 投资策略与流程 - 投资策略基于量化模型选择股票和分配权重，不进行过多的主动判断 [2] - 流程包括：收集清洗基本面、量价、高频及一致预期等原始数据；研发并优化阿尔法因子；筛选有效因子并确定权重；运用组合优化算法计算目标权重；结合股票黑名单和异常值监控形成最终组合 [3] - 风险控制注重行业与风格中性，并控制跟踪指数的偏离度，避免风格漂移 [3] 量化团队与系统 - 量化策略落实依托投研团队、风险管理部、信息技术部、交易部等多部门协同作业 [4] - 量化团队核心工作是Alpha因子的挖掘与验证，系统内每天跟踪的因子超过2000个 [4] - 团队已构建完整的因子研究流程和自研的“研发+交易+跟踪”一体系统，采用高度协同的共享代码库和模块化框架作业模式 [4] 历史业绩表现 - 田大伟管理的兴证全球中证A500指数增强基金自2024年12月24日成立至2025年8月31日，A份额实现收益16.00%，超越基准0.66个百分点 [4] - 该基金今年以来超越基准1.91个百分点 [4] 公司产品布局与行业观点 - 兴证全球基金在指数增强领域有15年积淀，自2010年发行首只产品以来，已布局沪深300、中证800、中证A500、沪港深300、沪港深500等多只指增产品 [7] - 2025年半年报显示，公司旗下4只指增基金共吸引超61万持有人，在港股指增产品方面已率先布局 [7] - 指数增强产品与主动管理基金及ETF有交集，具有工具型产品属性，公司致力于提供长期、稳定、可解释的超额收益 [7] - 随着监管引导公募基金强化业绩基准约束，工具型产品迎来更好发展机遇 [7]

指数增强组合表现 - 沪深300指数增强组合本周实现超额收益0.24%，本年累计超额收益达17.58% [1][7] - 中证500指数增强组合本周实现超额收益0.17%，本年累计超额收益为8.16% [1][7] - 中证1000指数增强组合本周实现超额收益0.39%，本年累计超额收益为17.94% [1][7] - 中证A500指数增强组合本周超额收益为-1.77%，但本年累计超额收益仍达到8.45% [1][7] 选股因子表现跟踪 - 在沪深300成分股中，一个月反转因子本周表现最佳，收益为1.65%，三个月反转因子收益为1.25%，EPTTM一年分位点因子收益为1.21% [8] - 在中证500成分股中，三个月波动因子本周表现突出，收益达2.02%，三个月反转因子收益为2.00%，EPTTM一年分位点因子收益为1.99% [12] - 在中证1000成分股中，一个月波动因子本周收益为2.10%，一个月换手因子收益为2.04%，三个月反转因子收益为1.92% [14] - 在中证A500指数成分股中，一个月反转因子本周收益为1.97%，EPTTM一年分位点因子收益为1.73%，一个月波动因子收益为1.60% [16] - 在公募基金重仓股中，股息率因子本周表现最佳，收益达2.70%，三个月反转因子收益为2.70%，EPTTM因子收益为2.28% [18] 公募基金指数增强产品表现 - 公募基金沪深300指数增强产品共76只，总规模802亿元，本周超额收益最高0.92%，最低-3.08%，中位数为0.01% [20][23] - 中证500指数增强产品共74只，总规模444亿元，本周超额收益最高3.20%，最低-0.48%，中位数为0.49% [20][25] - 中证1000指数增强产品共46只，总规模150亿元，本周超额收益最高1.58%，最低-0.82%，中位数为0.37% [20][28] - 中证A500指数增强产品共68只，总规模318亿元，本周超额收益最高1.20%，最低-0.84%，中位数为0.23% [20][29] 研究方法论 - 采用最大化单因子暴露组合（MFE组合）方法检验因子有效性，通过组合优化模型控制行业暴露、风格暴露等实际约束条件 [30][31] - MFE组合构建过程包括设定风格因子暴露约束、行业偏离约束、个股权重偏离约束等，确保检验结果更贴近实际投资环境 [32][33] - 构建公募重仓指数作为额外测试维度，选取普通股票型基金和偏股混合型基金的持仓股票，累计权重达到90%的股票构成成分股 [34][35]

产品名录更新 - 个人养老金基金数量达302只，较二季度末新增8只 [1] 新增产品结构 - 三季度新增8只产品包括5只指数增强基金、2只目标日期/目标风险型FOF产品以及1只ETF联接基金 [2] - 新增产品涵盖国泰、天弘、招商、博道、宏利等基金公司的中证500和沪深300指数增强产品，以及华夏创业板ETF联接基金等 [2] - 扩容重点增补中大盘风格的量化增强产品，体现监管引导产品向稳健、长期、简洁方向发展的思路 [2] 产品业绩表现 - 全市场个人养老金基金年内平均单位净值涨幅高达15.13%，仅一只产品收益告负 [4] - 天弘中证科创创业50ETF联接Y以46.37%的年内业绩暂列榜首，多只相关主题基金业绩超过40% [4] - 超过98%的个人养老金基金自成立以来收益为正，近两成产品涨幅超过20% [4] 产品规模增长 - 截至二季度末，全市场个人养老金Y份额总规模达124.05亿元，较去年末增长35.7% [4] - 首批个人养老金指数基金总规模突破15亿元，相比去年末增长近4倍 [4] 产品体系发展 - 产品货架从初期的养老目标FOF扩展到指数基金、指数增强基金、ETF联接基金等多种类型 [5] - 产品体系更好地满足不同风险偏好和投资目标的需求 [5]

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，构建对标不同基准指数的增强组合，力求稳定战胜基准[11] - **模型具体构建过程**：构建流程主要包括收益预测、风险控制和组合优化三块[12] 2. 模型名称：单因子MFE组合模型 - **模型构建思路**：采用组合优化方式检验控制了各种实际约束后单因子的有效性，通过构建最大化单因子暴露组合来检验因子在既定基准中的有效性[41] - **模型具体构建过程**：采用如下形式的组合优化模型来构建因子的MFE组合： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中f为因子取值，$f^{T}w$为组合在单因子上的加权暴露，w为待求解的股票权重向量[41][42] 约束条件包括： - 风格因子偏离约束：限制组合相对于基准指数的风格暴露 - 行业偏离约束：限制组合相对于基准指数的行业偏离 - 个股权重偏离约束：限制个股相对于基准指数成分股的偏离 - 成分股权重占比控制 - 个股权重上下限控制 - 禁止卖空约束[42] 3. 模型名称：公募重仓指数构建模型 - **模型构建思路**：以公募基金的持股信息构建公募重仓指数，测试因子在"机构风格"下的有效性[43] - **模型具体构建过程**： - 选样空间：普通股票型基金以及偏股混合型基金，剔除基金整体规模小于五千万且上市时间不足半年的基金[44] - 构建方式：通过基金定期报告获取持股信息，将符合条件基金的持仓股票权重平均获得公募基金平均持仓信息，选取累计权重达到90%的股票作为成分股[44] 量化因子与构建方式 估值类因子 1. **因子名称**：BP - **因子构建思路**：估值维度因子 - **因子具体构建过程**：净资产/总市值[17] 2. **因子名称**：单季EP - **因子构建思路**：估值维度因子 - **因子具体构建过程**：单季度归母净利润/总市值[17] 3. **因子名称**：单季SP - **因子构建思路**：估值维度因子 - **因子具体构建过程**：单季度营业收入/总市值[17] 4. **因子名称**：EPTTM - **因子构建思路**：估值维度因子 - **因子具体构建过程**：归母净利润TTM/总市值[17] 5. **因子名称**：SPTTM - **因子构建思路**：估值维度因子 - **因子具体构建过程**：营业收入TTM/总市值[17] 6. **因子名称**：EPTTM分位点 - **因子构建思路**：估值维度因子 - **因子具体构建过程**：EPTTM在过去一年中的分位点[17] 7. **因子名称**：股息率 - **因子构建思路**：估值维度因子 - **因子具体构建过程**：最近四个季度预案分红金额/总市值[17] 反转类因子 8. **因子名称**：一个月反转 - **因子构建思路**：反转维度因子 - **因子具体构建过程**：过去20个交易日涨跌幅[17] 9. **因子名称**：三个月反转 - **因子构建思路**：反转维度因子 - **因子具体构建过程**：过去60个交易日涨跌幅[17] 10. **因子名称**：一年动量 - **因子构建思路**：反转维度因子 - **因子具体构建过程**：近一年除近一月后动量[17] 成长类因子 11. **因子名称**：单季净利同比增速 - **因子构建思路**：成长维度因子 - **因子具体构建过程**：单季度净利润同比增长率[17] 12. **因子名称**：单季营收同比增速 - **因子构建思路**：成长维度因子 - **因子具体构建过程**：单季度营业收入同比增长率[17] 13. **因子名称**：单季营利同比增速 - **因子构建思路**：成长维度因子 - **因子具体构建过程**：单季度营业利润同比增长率[17] 14. **因子名称**：SUE - **因子构建思路**：成长维度因子 - **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] 15. **因子名称**：SUR - **因子构建思路**：成长维度因子 - **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] 16. **因子名称**：单季超预期幅度 - **因子构建思路**：成长维度因子 - **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] 盈利类因子 17. **因子名称**：单季ROE - **因子构建思路**：盈利维度因子 - **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] 18. **因子名称**：单季ROA - **因子构建思路**：盈利维度因子 - **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] 19. **因子名称**：DELTAROE - **因子构建思路**：盈利维度因子 - **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] 20. **因子名称**：DELTAROA - **因子构建思路**：盈利维度因子 - **因子具体构建过程**：单季度总资产收益率-去年同期单季度中资产收益率[17] 流动性类因子 21. **因子名称**：非流动性冲击 - **因子构建思路**：流动性维度因子 - **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] 22. **因子名称**：一个月换手 - **因子构建思路**：流动性维度因子 - **因子具体构建过程**：过去20个交易日换手率均值[17] 23. **因子名称**：三个月换手 - **因子构建思路**：流动性维度因子 - **因子具体构建过程**：过去60个交易日换手率均值[17] 波动类因子 24. **因子名称**：特异度 - **因子构建思路**：波动维度因子 - **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] 25. **因子名称**：一个月波动 - **因子构建思路**：波动维度因子 - **因子具体构建过程**：过去20个交易日日内真实波幅均值[17] 26. **因子名称**：三个月波动 - **因子构建思路**：波动维度因子 - **因子具体构建过程**：过去60个交易日日内真实波幅均值[17] 公司治理类因子 27. **因子名称**：高管薪酬 - **因子构建思路**：公司治理维度因子 - **因子具体构建过程**：前三高管报酬总额取对数[17] 分析师类因子 28. **因子名称**：预期EPTTM - **因子构建思路**：分析师维度因子 - **因子具体构建过程**：一致预期滚动EP[17] 29. **因子名称**：预期BP - **因子构建思路**：分析师维度因子 - **因子具体构建过程**：一致预期滚动PB[17] 30. **因子名称**：预期PEG - **因子构建思路**：分析师维度因子 - **因子具体构建过程**：一致预期PEG[17] 31. **因子名称**：预期净利润环比 - **因子构建思路**：分析师维度因子 - **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] 32. **因子名称**：三个月盈利上下调 - **因子构建思路**：分析师维度因子 - **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] 33. **因子名称**：三个月机构覆盖 - **因子构建思路**：分析师维度因子 - **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 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0.24%，本年超额收益17.58%[5][14] - 中证500指数增强组合：本周超额收益0.17%，本年超额收益8.16%[5][14] - 中证1000指数增强组合：本周超额收益0.39%，本年超额收益17.94%[5][14] - 中证A500指数增强组合：本周超额收益-1.77%，本年超额收益8.45%[5][14] 公募基金指数增强产品表现 - 沪深300指数增强产品：最近一周超额收益最高0.92%，最低-3.08%，中位数0.01%[3][32] - 中证500指数增强产品：最近一周超额收益最高3.20%，最低-0.48%，中位数0.49%[3][35] - 中证1000指数增强产品：最近一周超额收益最高1.58%，最低-0.82%，中位数0.37%[3][37] - 中证A500指数增强产品：最近一周超额收益最高1.20%，最低-0.84%，中位数0.23%[40] 因子的回测效果 沪深300样本空间中因子表现 - 一个月反转：最近一周1.65%，最近一月-0.56%，今年以来1.08%，历史年化-0.28%[19] - 三个月反转：最近一周1.25%，最近一月-0.70%，今年以来1.90%，历史年化0.76%[19] - EPTTM一年分位点：最近一周1.21%，最近一月0.47%，今年以来5.56%，历史年化2.65%[19] 中证500样本空间中因子表现 - 三个月波动：最近一周2.02%，最近一月0.16%，今年以来-6.77%，历史年化3.73%[21] - 三个月反转：最近一周2.00%，最近一月-1.35%，今年以来-0.18%，历史年化-0.84%[21] - EPTTM一年分位点：最近一周1.99%，最近一月1.88%，今年以来3.39%，历史年化5.08%[21] 中证1000样本空间中因子表现 - 一个月波动：最近一周2.10%，最近一月-0.15%，今年以来-6.69%，历史年化2.25%[23] - 一个月换手：最近一周2.04%，最近一月0.49%，今年以来2.59%，历史年化6.91%[23] - 三个月反转：最近一周1.92%，最近一月0.00%，今年以来2.71%，历史年化-1.41%[23] 中证A500样本空间中因子表现 - 一个月反转：最近一周1.97%，最近一月-0.09%，今年以来1.54%，历史年化-2.17%[25] - EPTTM一年分位点：最近一周1.73%，最近一月0.85%，今年以来5.32%，历史年化2.94%[25] - 一个月波动：最近一周1.60%，最近一月0.18%，今年以来-5.82%，历史年化1.33%[25] 公募重仓指数样本空间中因子表现 - 股息率：最近一周表现较好[27] - 三个月反转：最近一周表现较好[27] - EPTTM：最近一周表现较好[27]

根据研报内容，现对其中涉及的量化模型与因子总结如下： 量化因子与构建方式 1. **因子名称：国证2000增强因子**[31] * **因子构建思路**：针对国证2000指数成分股（小微盘股）的选股逻辑，筛选并合成有效的选股因子，以构建指数增强策略。[30] * **因子具体构建过程**： 1. 测试并发现技术、反转、特异波动率等因子在国证2000成分股上表现出色。[31] 2. 由于技术、反转和特异波动率因子相关性较高，对波动率因子进行去相关处理：将波动率因子对技术和反转因子做回归，取残差作为相对独立的波动率因子。$$ \text{残差波动率因子} = \text{特异波动率因子} - \text{回归模型预测值} $$[31] 3. 将成长、残差波动率、动量、技术、价值等各大类因子进行等权合成。[31] 4. 对合成的因子进行行业和市值中性化处理，最终得到国证2000增强因子。[31] * **因子评价**：该因子具有良好的预测效果。[31] 2. **因子名称：GBDT+NN机器学习选股因子**[42] * **因子构建思路**：选取结构差异化的GBDT（梯度提升树）和NN（神经网络）两类机器学习模型，使用不同的特征数据集进行训练，并融合多种预测标签，以构建在宽基指数上表现优异的选股因子。[5][42] * **因子具体构建过程**： 1. 分别训练GBDT和NN模型。[5][42] 2. 使用多种预测标签进行对比和融合。[5][42] 3. 最终构建出GBDT+NN融合选股因子。[5][42] 3. **因子名称：动态宏观事件因子（用于红利择时）**[57] * **因子构建思路**：使用经济增长和货币流动性共10个指标，通过动态事件因子体系构建择时策略，以判断中证红利指数的投资时机。[6][57] * **因子具体构建过程**：基于10个宏观指标（如消费者信心指数、发电量、国债利差、PMI新出口订单、PPI、Shibor等）生成信号，并综合这些信号得出最终的择时判断。[65] 4. **因子名称：风格因子（分析用）**[14][16][19][24] * **因子构建思路**：通过分析全A市场在不同行情阶段（如牛市、下跌市）下各类风格因子的表现，来解释量化产品超额收益波动的原因并预测风格切换。[14] * **涉及的具体因子**：报告中分析的风格雷达包括：分析师一致预期因子、成长因子、动量因子、质量因子、技术因子、价值因子、波动因子、市值因子。[15][19][24] 量化模型与构建方式 1. **模型名称：国证2000指数增强策略**[30][35] * **模型构建思路**：基于专门构建的国证2000增强因子，在国证2000指数成分股内进行选股，以获取超越基准的超额收益。[30][35] * **模型具体构建过程**： * 每月月底调仓。[35] * 选取国证2000增强因子值排名前10%的股票。[35] * 以等权方式构建投资组合。[35] * 假设手续费率为单边千分之二。[35] 2. **模型名称：GBDT+NN机器学习指数增强策略**[5][42][46] * **模型构建思路**：基于GBDT+NN机器学习选股因子，通过组合优化方法控制跟踪误差和个股权重偏离，最大化因子暴露，构建针对不同宽基指数（沪深300、中证500、中证1000）的增强策略。[5][46] * **模型具体构建过程**： * 回测区间自2015年2月1日开始。[5] * 每月月初调仓。[5] * 假定手续费率单边千二。[5] * 通过对投资组合的跟踪误差进行控制，对个股权重偏离进行控制，最大化因子暴露。[5][46] 3. **模型名称：基于红利风格择时+红利股优选的固收+策略**[6][57] * **模型构建思路**：结合针对中证红利指数的动态宏观事件因子择时策略和在红利股内使用AI模型的选股策略，构建一个低波动、稳健的"固收+"策略。[6][57] * **模型具体构建过程**： * **择时部分**：使用动态宏观事件因子判断中证红利指数的仓位（0%-100%）。[57][65] * **选股部分**：利用AI模型（如GBDT+NN）在中证红利指数成分股内进行选股。[6][57] * 将择时信号与选股组合结合，形成最终的"固收+"策略组合。[6] 模型的回测效果 1. **国证2000指数增强策略**[38][39] * 年化收益率：23.94% * 年化波动率：24.05% * 夏普比率：1.00 * 最大回撤：42.49% * 年化超额收益率：13.18% * 跟踪误差：7.61% * 信息比率(IR)：1.73 * 超额最大回撤：10.19% * 9月收益率：-0.39% * 9月超额收益率：-0.86% 2. **GBDT+NN沪深300指数增强策略**[46][47] * 年化收益率：14.44% * 年化波动率：21.18% * Sharpe比率：0.68 * 最大回撤率：39.02% * 年化超额收益率：10.86% * 跟踪误差：6.01% * 信息比率(IR)：1.81 * 超额最大回撤：7.72% * 9月收益率：1.77% * 9月超额收益率：-1.44% 3. **GBDT+NN中证500指数增强策略**[49][51] * 年化收益率：13.80% * 年化波动率：23.46% * Sharpe比率：0.59 * 最大回撤率：41.29% * 年化超额收益率：10.27% * 跟踪误差：5.99% * 信息比率(IR)：1.71 * 超额最大回撤：8.34% * 9月收益率：2.08% * 9月超额收益率：-3.19% 4. **GBDT+NN中证1000指数增强策略**[54][55][57] * 年化收益率：17.97% * 年化波动率：26.46% * Sharpe比率：0.68 * 最大回撤率：43.51% * 年化超额收益率：15.83% * 跟踪误差：6.76% * 信息比率(IR)：2.34 * 超额最大回撤：7.53% * 9月收益率：0.96% * 9月超额收益率：-0.96% 5. **基于红利风格择时+红利股优选的固收+策略**[58] * 年化收益率：7.34% * 年化波动率：3.38% * 夏普比率：2.17 * 最大回撤：4.93% * 最近1个月收益率：-0.73% 因子的回测效果 1. **国证2000增强因子**[31][32] * IC平均值：12.54% * 最新月IC：6.91% * 风险调整的IC：1.08 * t统计量：12.56 2. **GBDT+NN选股因子（沪深300成分股）**[43] * 样本外整体IC均值：11.43% * 样本外整体多头年化超额收益率：15.39% * 本月IC：-11.91% * 本月多头超额收益率：-3.31% 3. **GBDT+NN选股因子（中证500成分股）**[48] * 样本外整体IC均值：9.77% * 样本外整体多头年化超额收益率：9.87% * 本月IC：9.87% * 本月多头超额收益率：-1.62% 4. **GBDT+NN选股因子（中证1000成分股）**[52][53] * 样本外整体IC均值：13.49% * 样本外整体多头年化超额收益率：16.10% * 本月IC：9.77% * 本月多头超额收益率：-0.68% 5. **中证红利选股策略（AI模型）**[58] * 年化收益率：18.83% * 年化波动率：21.08% * 夏普比率：0.89 * 最大回撤：38.52% * 最近1个月收益率：-3.08% * 今年以来收益率：6.47% 6. **红利择时策略**[58] * 年化收益率：13.58% * 年化波动率：15.36% * 夏普比率：0.88 * 最大回撤：25.05% * 最近1个月收益率：-1.10% * 今年以来收益率：-0.43%