公司调研信息 - 玄元投资近期调研上市公司小商品城 参与公司投资者见面会 [1] - 小商品城介绍人才储备情况 已引进高端人才并将继续引进跨国管理人才 通过多方面实现人才梯队培养 [1] - 公司制定行动方案 围绕发展目标提升经营业绩 管理水平及核心竞争力 实现可持续发展和股东利益最大化 [1] - 上半年义乌进出口数据良好 体现商品刚需性和易耗性特征及产业链韧性 看好今年进出口发展 [1] - 公司思考保持市场主业竞争力 如有规划将按规定披露 [1] - 规划今年全球数字贸易中心招商1-3层 10月份市场板块开业 [1] - 杭州基地主要用于义支付和Chinagoods研发中心 正在按计划推进 [1] 机构背景 - 玄元私募基金投资管理（广东）有限公司2015年在广州注册成立 主要从事私募基金管理业务 [2] - 主创团队来自广发证券 易方达基金 摩根士丹利等金融机构 员工平均证券从业经验10年以上 [2] - 投研团队均为硕士及以上学历 毕业于清北 耶鲁 哥大等国内外知名高校 [2] - 公司以"价值·量化 双轮驱动"为核心发展理念 专注权益投资和量化投资两大方向 [2] - 权益投资坚持投研一体 构建基于"宏观-中观-微观"的投资框架和"商业模式-价值链分析-'伟大'公司"的研究框架 [2] - 量化投资坚持以基本面为核心 结合价量信息 立足从投资本源看问题 从长期有效逻辑出发构建基础框架 [2] - 公司秉承"知识图强 求实奉献 客户至上 合作共赢"的企业文化 致力于成为国内一流资产管理公司 [2]

全球宏观环境与A股市场韧性 - 市场最大风险在于估值，A股韧性源于负面预期已充分反映在股价中 [1] - 外资机构投资决策链条长，需数月时间完成研究至买入流程，当前处于"重新认识中国"阶段 [3] - 中国科技突破与战略定力重塑市场信心，慢牛行情更吸引长期资金 [3] 中国经济核心优势与展望 - 人口基数、高储蓄习惯及制造业竞争力构成经济增长核心优势 [3] - 货币政策宽松信号明确，市场或处于慢牛起步阶段，投资者应关注信心回归而非短期数据 [3] - 市场估值体系将随投资者对中国企业竞争力认知转变（从代工转向科技创新）而重构 [3] 锐联景淳投资策略框架 - 基本面量化策略为"看家本领"，融合价值、成长、质量等多因子，低频调仓捕捉长期价值 [4] - 多资产配置策略通过分散布局股票、债券、黄金等对抗波动，2024年收益受益于黄金配置 [4] - 基本面量化与交易增强策略结合，低频底仓保障长期收益，日内波动捕捉提升产品稳定性 [4] 量化行业未来发展趋势 - 中国资管市场或成全球最大，权益资产将替代房地产成为居民配置核心 [5] - 量化策略可承接大规模资金创造长期收益，并通过有效定价为优质企业输血 [5]

行业趋势与市场表现 - 量化指增产品凭借系统化投资策略在风格快速轮动的行情中受到投资者关注，口碑和规模表现良好 [1] - 自5月证监会发布《推动公募基金高质量发展行动方案》后，多家公募机构将量化指增业务列为发展重点，中小公募尤为积极 [1] - 截至6月末，超90%的公募量化产品上半年获正收益，诺安多策略A等近一年累计单位净值增长率超100% [2] - 上半年82.9%的量化指增基金跑赢基准，高于全市场基金70.5%和被动指数型基金79.6%的比例 [3] - 2024年公募量化产品跑赢基准比例为53%，显著高于全市场基金的38%，长期超额收益能力突出 [3] 产品结构与规模 - 截至2025年6月末，公募量化基金总规模达2927.59亿元，其中量化指增产品规模占比67.8%（1985.34亿元/363只） [4] - 主动量化产品规模920.66亿元（301只），量化对冲产品规模21.59亿元（19只） [4] - 头部代销平台蚂蚁基金新增"指数+"板块，重点推广博道、中金等绩优量化团队产品 [5] 策略与技术优势 - 量化指增产品通过多因子模型筛选股票，结合风险控制和交易成本控制模型，80%以上非现金资产配置于标的指数成分股 [5] - 超额收益核心在于捕捉市场有效性不足，运用估值、动量、成长等多维度因子挖掘定价偏差 [5] - 贝莱德系统化投资（SAE）利用另类数据（如社交媒体、电商数据）和AI技术构建组合，中国市场数据丰富度远超海外 [7] 政策与竞争格局 - 《程序化交易管理实施细则》对私募量化冲击较大，公募量化因合规优势更受青睐 [6] - 中小公募以量化指增为突破口，避开同质化严重的纯指数产品竞争 [4] - 截至7月25日，年内逾100只指增基金申报，超2024年总量（110只）；发行量达90余只，为2024年全年的2倍以上 [6] 机构动态与产品布局 - 中金基金计划完善量化产品矩阵，包括宽基指增、行业指数增强及"量化+"绝对收益产品 [7] - 贝莱德加速布局中国量化市场，已推出沪深300和中证A500指增策略 [7] - 博道基金迭代多因子模型框架，华商基金等年内发行3只及以上指增产品 [6][7] 下半年展望 - 博道基金认为海外流动性宽松叠加国内结构性增长亮点，量化增强类产品配置价值凸显 [7] - 创金合信基金看好北交所中长期投资价值，强调自下而上选股与风险控制 [8]

广发基金叶帅： 捕捉贝塔与阿尔法 双重收益 ◎记者 聂林浩 今年以来，量化基金的整体表现比较亮眼。在广发百发大数据策略成长基金经理叶帅看来，量化投资的 核心在于从大量数据中寻找规律，构建收益预测模型与风险评价模型，并结合具体投资目标"量体裁 衣"。"虽然量化模型本身是个'黑匣子'，但我们希望做可解释性强的量化投资，让投资者清楚地知道自 己持有的产品究竟赚的是什么钱，以及潜在的风险是什么。"他说。 叶帅于2016年加入广发基金，拥有超8年从业经历、近6年投资管理经验。他拥有数学博士学位，量化研 究经验丰富，自2022年4月开始担任广发基金稳健策略部基金经理。基于"基本面+量化"的复合背景，叶 帅逐渐形成了"量化+主动"的投资体系，力争通过科学定量的主动投资，获得可解释性强的贝塔收益和 独创性的阿尔法收益。 融合主观逻辑与量化效率 精选赔率与胜率兼具标的 在投资实践上，叶帅通过"自上而下的主动研究"和"自下而上的量化输出"相结合，先发挥计算机的算力 优势找到方向，再发挥管理人的逻辑分析优势去深度挖掘，最终双向共振锁定投资机会。 在"自上而下"层面，叶帅重视仓位择时和行业风格配置的价值，倾向于通过宏观视角研判市场节 ...

金融工程| 证券研究报告 —周报 2025 年 7 月 27 日 中银量化大类资产跟踪 融资余额持续上行，小盘成长风格占优行情延 续 股票市场概览 ◼ 本周 A 股上涨，港股上涨，美股上涨，其他海外权益市场走势分化。 A 股风格与拥挤度 成长 vs 红利：成长风格拥挤度及超额净值持续处于历史低位；红利 风格拥挤度近期处于历史较低位置。 小盘 vs 大盘：大盘、小盘风格超额净值及拥挤度均处于历史低位。 微盘股 vs 基金重仓：近期微盘股拥挤度上升至历史较高位置；基金 重仓拥挤度及超额累计净值持续处于历史低位。 A 股行情及成交热度 汇率市场 ◼ 近一周在岸人民币较美元升值，离岸人民币较美元升值。 商品市场 ◼ 本周中国商品市场整体上涨，美国商品市场整体上涨。 ◼ 本周领涨的行业为煤炭、钢铁、有色金属；领跌的行业为银行、综合 金融、通信。本周成交热度最高的行业为建筑、钢铁、轻工制造；成 交热度最低的行业为电子、食品饮料、传媒。 A 股估值与股债性价比 A 股资金面 机构调研活跃度 ◼ 当前机构调研活跃度历史分位居前的行业为房地产、商贸零售、通 信，居后的行业为银行、医药、电子。 利率市场 ◼ 本周中国国债利率上涨 ...

量化模型与构建方式 1. **模型名称**：中证500增强组合 - **模型构建思路**：通过量化选股策略构建中证500指数的增强组合，旨在跑赢基准指数[48] - **模型具体构建过程**： 1. 基于多因子模型筛选股票，因子包括市值、Beta、动量、残差波动率等[60] 2. 对股票进行加权配置，持仓权重根据因子暴露和优化算法确定[52] 3. 组合定期调整，保持与基准指数的风格一致性[48] - **模型评价**：长期超额收益显著，但近期表现略逊于基准[48] 2. **模型名称**：沪深300增强组合 - **模型构建思路**：采用量化方法构建沪深300指数的增强组合[55] - **模型具体构建过程**： 1. 使用BARRA风格因子（如市值、Beta、盈利等）进行选股[60] 2. 通过风险模型控制组合跟踪误差[55] 3. 动态调整持仓权重，优化组合表现[58] - **模型评价**：历史超额收益稳定，但近期跑输基准[55] 3. **模型名称**：A股情绪指数系统 - **模型构建思路**：基于市场波动率和成交额变化构建情绪择时模型[38] - **模型具体构建过程**： 1. 将市场划分为四个象限：波动上-成交下（显著负收益）、其他（显著正收益）[38] 2. 构建见底预警指数（价）和见顶预警指数（量）[42] 3. 综合信号生成多空观点[40] - **模型评价**：对市场拐点有较好的预警作用[38] 模型的回测效果 1. **中证500增强组合**： - 本周收益3.04%，跑输基准0.24%[48] - 2020年至今超额收益49.91%，最大回撤-4.99%[48] 2. **沪深300增强组合**： - 本周收益1.33%，跑输基准0.36%[55] - 2020年至今超额收益33.78%，最大回撤-5.86%[55] 3. **A股情绪指数系统**： - 当前综合信号为"多"[42] - 历史择时表现见图表19[47] 量化因子与构建方式 1. **因子名称**：BARRA十大类风格因子 - **因子构建思路**：参照BARRA模型构建A股市场风格因子[60] - **因子具体构建过程**： 1. 包括市值（SIZE）、Beta、动量（MOM）、残差波动率（RESVOL）等十大类因子[60] 2. 通过个股风险暴露计算因子收益[61] 3. 因子相关性分析见图表25[63] 2. **因子名称**：行业纯因子 - **因子构建思路**：衡量行业相对市场市值加权组合的超额收益[61] - **因子具体构建过程**： 1. 按中信一级行业分类构建行业因子[61] 2. 计算行业纯因子收益率[67] 因子的回测效果 1. **风格因子表现**： - 本周Beta因子超额收益较高，残差波动率呈负向超额收益[61] - 近期高Beta股表现优异，流动性、盈利因子表现不佳[61] 2. **行业因子表现**： - 本周煤炭、有色金属、钢铁行业因子超额收益较高[61] - 银行、电力及公用事业行业因子回撤较多[61] 3. **指数收益归因**： - 中证500、创业板指在Beta因子上暴露较大，表现较好[69] - 上证综指、上证50在Beta因子上暴露较小，表现不佳[69]

量化模型与构建方式 1. **模型名称：全频段融合因子模型** - 模型构建思路：通过深度学习模型提取高频量价数据特征，并结合低频量价数据的多任务学习结果，合成综合因子[26] - 模型具体构建过程： 1) 训练27个高频因子生成高频深度学习因子 2) 对低频量价数据端到端挖掘生成低频多任务因子 3) 将两类因子融合为全频段融合因子 4) 分层回测中TOP层年化超额收益率达31.23%[26][27] - 模型评价：多频段数据融合有效提升信息捕获能力 2. **模型名称：AI中证1000增强组合** - 模型构建思路：基于全频段融合因子构建指数增强策略[27] - 模型具体构建过程： 1) 成分股权重≥80%，个股权重偏离≤0.8% 2) 控制barra暴露<0.3，周双边换手率30% 3) 周频调仓，交易成本双边0.4%[29] - 模型评价：严格风险控制下实现稳定超额收益 3. **模型名称：AI行业轮动模型** - 模型构建思路：利用全频段量价因子对32个一级行业进行周频轮动[16][23] - 模型具体构建过程： 1) 行业成分股因子得分加权生成行业评分 2) 每周选取评分TOP5行业等权配置 3) 调仓频率为周频，不计交易成本[23] - 模型评价：AI特征提取能力与自上而下策略形成互补[16] 4. **模型名称：AI主题指数轮动模型** - 模型构建思路：对133个主题指数进行周频轮动[9][15] - 模型具体构建过程： 1) 成分股因子得分加权生成主题指数评分 2) 每周选取评分TOP10指数等权配置 3) 交易成本双边0.04%[9] 5. **模型名称：文本FADT_BERT选股组合** - 模型构建思路：基于BERT升级的文本因子构建主动量化组合[32] - 模型具体构建过程： 1) 对盈利预测调整文本构建forecast_adjust_txt_bert因子 2) 在多头端基础股票池选取TOP25构成组合[32] 模型的回测效果 1. **全频段融合因子模型** - 5日RankIC均值：0.116[26] - TOP层年化超额收益率：31.23%[26] - 今年以来TOP层超额收益：18.28%[26] 2. **AI中证1000增强组合** - 年化超额收益率：22.36%[27] - 年化跟踪误差：6.04%[27] - IR：3.70[27] - 超额收益最大回撤：7.55%[27] - Calmar比率：2.96[27] 3. **AI行业轮动模型** - 年化收益率：25.69%[22] - 年化超额收益率：20.23%[22] - 超额收益最大回撤：12.43%[22] - 超额夏普比率：1.96[22] 4. **AI主题指数轮动模型** - 年化收益率：16.65%[8] - 年化超额收益率：12.19%[8] - 今年以来超额收益：6.87%[8] 5. **文本FADT_BERT组合** - 年化收益率：39.73%[36] - 年化超额收益：31.34%[36] - 夏普比率：1.38[36] 量化因子与构建方式 1. **因子名称：全频段量价融合因子** - 因子构建思路：融合高频深度学习因子与低频多任务因子[26] - 因子具体构建过程： 1) 高频部分：通过LSTM网络提取27个高频特征 2) 低频部分：采用多任务学习框架挖掘价量关系 3) 合成方法：加权整合两类因子得分[26] 2. **因子名称：forecast_adjust_txt_bert** - 因子构建思路：基于BERT模型升级文本分析因子[32] - 因子具体构建过程： 1) 对盈利预测调整文本进行BERT编码 2) 通过注意力机制提取关键语义特征[32] 因子的回测效果 1. **全频段量价融合因子** - 分层回测TOP层年化超额：31.23%[26] - RankIC稳定性：5日均值0.116[26] 2. **forecast_adjust_txt_bert因子** - 组合年化超额收益：31.34%[36] - 历史最大回撤：48.69%[36]

本文首发于公众号"私募排排网"。 （点击↑↑ 上图查看详情 ） 量创投资简介 深 圳 市 前 海 合 之 力 量 创 投 资 管 理 有 限 公 司 （ 简 称 " 量 创 投 资 " ） 成 立 于 2016 年 3 月 ， 同 年 7 月 取 得 私 募 基 金 管 理 人 牌 照 ， 基 金 牌 照 编 码 ： P1032081，2018年3月成为中基协观察会员，会员编号：GC1900030800。 量创投资专注于量化投资领域，策略研究范围涵盖了股票、期货、期权、债券等多种标准化资产类别，不涉及多层嵌套，交易结构合规。策略 投资周期也覆盖了日内交易和跨日的中低频交易。 公司拥有自建的数据库和因子库，以及自主研发的交易系统、风控系统、回测系统、后台系统等。近年来，随着人工智能技术的普及应用，公 司也组建了自己的人工智能团队，并在因子挖掘、模型构建、组合优化等多个细分领域都有应用。 量创投资 综合利用数学、统计学、金融学、计算机等知识，采用人工挖掘加AI等智能化研究方法，通过多资产类别、多策略配置，致力于为投 资人创造长期可持续的收益。 私募排排网数据显示，截至2025年6月底，量创投资上半年收益均值高达* ...

根据提供的量化周报内容，以下是核心量化模型与因子的结构化总结： --- 量化模型与构建方式 1. **沪深300指数增强模型** - 构建思路：通过多因子选股模型超越沪深300指数基准[10][30] - 具体构建： 1) 采用日频数据计算超额收益，年化基准为242个交易日[32] 2) 组合采用月度再平衡，仅包含成立满2个月的基金[24] 3) 超额基准为标的指数对应的全收益指数[32] 2. **中证500/1000/A500指数增强模型** - 构建思路：针对中小盘风格优化因子暴露，捕捉超额收益[10][30] - 具体差异： - A500指增允许成立满1个月的基金进入组合[24] - 中证1000指增跟踪误差范围2.86%-8.18%[10] --- 量化因子与构建方式 1. **超额收益因子** - 构建过程： $$超额收益 = \frac{基金日收益 - 基准日收益}{基准日收益}$$[32] 采用几何年化计算，窗口期包括周/月/年等[10][32] 2. **跟踪误差因子** - 构建过程： $$跟踪误差 = \sqrt{242 \times \frac{\sum_{t=1}^n (超额收益_t - \overline{超额收益})^2}{n-1}}$$[32] 其中n为计算周期内交易日数量 --- 模型回测效果 | 模型 | 本年超额收益 | 近一年IR | 最大回撤 | |---------------------|-------------|----------|-----------| | 沪深300指增 | 0.66% | -1.99% | 9.78%[10] | | 中证500指增 | 2.17% | -1.51% | 12.22%[10]| | 中证1000指增 | 5.59% | 6.64% | 6.91%[10] | | 主动量化 | 13.63% | 35.24% | 31.80%[10]| --- 因子回测效果 | 因子 | 沪深300指增 | 中证500指增 | |--------------|------------|------------| | 周度超额收益 | -0.02% | -0.14%[10] | | 年度跟踪误差 | 3.51% | 4.95%[10] | --- 关键图表结论 - 中证1000指增近1年超额收益显著高于其他宽基指数（散点图右上方聚集）[16] - 市场中性策略年化波动率最低（最大回撤4.29% vs 主动量化14.88%）[10][21] 注：所有数据截至2025年7月25日[10][24][30]

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. **单季度营业利润同比增长率因子** - 构建思路：反映公司短期盈利能力的增长情况[12] - 具体构建：计算单季度营业利润同比变化率 $$ \text{因子值} = \frac{\text{本期营业利润} - \text{去年同期营业利润}}{\text{去年同期营业利润}} $$ - 因子评价：对短期业绩敏感，但易受季节性影响[13] 2. **市净率因子（BP因子）** - 构建思路：衡量公司估值水平[12] - 具体构建：使用最新财报数据计算 $$ \text{因子值} = \frac{\text{股东权益}}{\text{总市值}} $$ - 因子评价：长期有效但需结合行业特性[13][16] 3. **换手率相对波动率因子** - 构建思路：捕捉流动性风险溢价[12] - 具体构建：计算换手率与价格波动率的比值 $$ \text{因子值} = \frac{\text{20日平均换手率}}{\text{20日收益率标准差}} $$ - 因子评价：在反转行情中表现突出[13] 4. **下行波动率占比因子** - 构建思路：衡量股价下跌风险[14] - 具体构建：计算负收益波动占总体波动的比例 $$ \text{因子值} = \frac{\sum_{r_t<0}(r_t - \bar{r})^2}{\sum(r_t - \bar{r})^2} $$ - 因子评价：在市场下跌阶段防御性强[15] 5. **日内波动率与成交金额相关性因子** - 构建思路：识别量价联动效应[14] - 具体构建：计算日内收益率波动与成交额的滚动相关系数 - 因子评价：对小盘股有显著选股能力[15] 6. **5日反转因子** - 构建思路：捕捉短期反转效应[16] - 具体构建：计算过去5日累计收益率并取负值 $$ \text{因子值} = -\prod_{t=1}^5(1+r_t) $$ - 因子评价：在流动性差的股票中效果显著[17] 量化模型与构建方式 1. **PB-ROE-50组合模型** - 构建思路：结合估值与盈利质量的GARP策略[23] - 具体构建： 1) 在全市场筛选PB低于行业中位数且ROE高于行业中位数的股票 2) 按ROE/PB比值排序选取前50只 3) 等权重配置，月度调仓 - 模型评价：兼顾价值与成长特性[24] 2. **大宗交易组合模型** - 构建思路：利用"高成交金额比率+低波动率"特征[29] - 具体构建： 1) 计算个股大宗交易成交金额/总成交金额 2) 计算6日成交金额波动率 3) 对两个指标标准化后加权求和，选取前20%股票 - 模型评价：事件驱动型策略，需高频调仓[30] 3. **定向增发组合模型** - 构建思路：挖掘定增公告后的超额收益[35] - 具体构建： 1) 以股东大会公告日为事件日 2) 筛选市值小于100亿且折价率>10%的标的 3) 持有期60天，动态仓位控制 - 模型评价：受政策影响较大，需灵活调整[36] 回测效果指标 | 模型/因子名称 | 本周收益 | 近1月收益 | 近1年收益 | 10年累计收益 | |------------------------|----------|-----------|-----------|--------------| | PB-ROE-50(全市场) | 0.06% | - | 9.34% | - | [24] | 大宗交易组合 | 0.83% | - | 27.95% | - | [30] | 单季度营业利润同比(沪深300)| 2.40% | 5.39% | 10.57% | 1.18% | [13] | 下行波动率占比(中证500)| 3.85% | 4.14% | 7.35% | 160.94% | [15] | 5日反转(流动性1500) | -2.11% | -0.57% | 9.53% | -4.48% | [17] | 大类因子名称 | 本周收益 | |------------------------|----------| | Beta因子 | 0.49% | [18] | 动量因子 | -0.60% | [18] | 流动性因子 | -0.49% | [18] 注："-"表示原文未提供数据