量化模型与构建方式 1. **模型名称：成交量模型**[1][8][11][13] * **模型构建思路**：基于价量关系进行短期市场择时，核心思想简单普世[8]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 2. **模型名称：特征龙虎榜机构模型**[1][11][13] * **模型构建思路**：利用龙虎榜中的机构买卖行为特征进行短期市场择时[1][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 3. **模型名称：特征成交量模型**[1][13] * **模型构建思路**：基于特定的成交量特征进行短期市场择时[1][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[1][11][13] * **模型构建思路**：应用智能算法（如机器学习）对沪深300或中证500指数进行短期择时[1][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 5. **模型名称：涨跌停模型**[1][11][13] * **模型构建思路**：基于市场涨跌停股票的数量或相关特征进行中期市场择时[1][8][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 6. **模型名称：上下行收益差模型**[1][11][13][16] * **模型构建思路**：通过比较市场上行和下行收益的差异来进行中期市场择时[1][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 7. **模型名称：月历效应模型**[1][13] * **模型构建思路**：基于月份、季节等时间周期相关的市场规律进行中期择时[1][13]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 8. **模型名称：长期动量模型**[1][14] * **模型构建思路**：基于资产的长期价格趋势（动量）进行长期市场择时[1][14]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 9. **模型名称：A股综合兵器V3模型 / A股综合国证2000模型**[1][15] * **模型构建思路**：将不同周期或不同策略的择时模型信号进行耦合，形成综合择时观点，以达到攻守兼备的效果[8][15]。 * **模型具体构建过程**：报告未提供该模型的具体耦合方法和详细步骤。 10. **模型名称：成交额倒波幅模型**[1][11][16] * **模型构建思路**：结合成交额与波动率（波幅）指标进行港股中期择时[1][16]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤。 11. **模型名称：形态识别模型（双底形态、杯柄形态）**[45][46][47][52] * **模型构建思路**：通过识别股票价格走势图中的特定技术形态（如双底、杯柄）来捕捉突破机会，进行选股或择时[45][46]。 * **模型具体构建过程**：报告未提供形态识别的具体量化规则和算法步骤，但展示了识别出的形态关键点（如A、B、C点）和形态持续时间（长度）[49][51][55][56][57][58][59][60]。 12. **模型名称：HCVIX模型**[41][43][45] * **模型构建思路**：复现并计算中国市场的波动率指数（VIX），作为判断市场情绪的参考指标，该指数通常与大盘呈现负相关关系[41][43]。 * **模型具体构建过程**：根据公开的VIX计算方法进行复现，计算基于50ETF、沪深300指数等期权的隐含波动率[43]。报告未提供具体的计算公式。 模型的回测效果 1. **双底形态模型**，本周收益5.73%，同期上证综指收益3.82%，本周超额收益1.91%，自2020年12月31日至今累计收益22.56%，累计超额收益3.92%[46] 2. **杯柄形态模型**，本周收益4.05%，同期上证综指收益3.82%，本周超额收益0.23%，自2020年12月31日至今累计收益17.11%，累计超额收益-1.53%[46] 3. **上周杯柄形态突破个股组合**，平均超额收益1.99%[47] 4. **上周双底形态突破个股组合**，平均超额收益1.94%[52] 量化因子与构建方式 1. **因子名称：分析师一致预期调整比例**[20][21][24] * **因子构建思路**：通过统计行业内分析师上调或下调盈利预测的个股比例，来观察行业层面的预期变化[20][21]。 * **因子具体构建过程**：对于每个行业，计算本周内盈利预测被上调的个股数占行业总覆盖个股数的比例，以及被下调的个股比例[20][24]。报告未提供具体公式。 因子的回测效果 *(报告未提供因子的独立测试结果，如IC、IR、多空收益等)*

文章核心观点 - 研究探讨了采用偏最小二乘（PLS）模型预测因子收益，并将其应用于因子加权，以提升投资组合表现 [1] - 在单因子组合、多因子模型及“固收+”策略中应用PLS模型进行权重优化，相比传统加权方法（如等权、收益均值加权）能有效提升年化收益 [2][3] 单因子多策略应用 - 在20个单因子的top100组合配置中，对波动率最大的5个因子组合采用PLS模型预期收益确定权重 [2] - 相比收益均值加权方式，年化收益提升约4.0%（2018.01-2025.11） [2] - 相比等权方式，年化收益提升6.6% [2] 风格组合配置应用 - 构建了6个基础风格组合：1个红利优选、1个成长期优选、两个小市值组合、两个风格相对均衡的组合（PB盈利和GARP组合） [2] - 对波动较大组合采用PLS模型预期超额收益加权 [2] - 相比超额收益均值加权方式，年化收益提升3.3% [2] - 相比等权方式，年化收益提升3.9% [2] 量化“固收+”策略应用（股票端为复合风格组合） - 策略构建：股票端采用PLS预期收益加权的复合风格组合，债券端采用中证短债指数 [2] - 当股票仓位为10%时，策略自2018年以来年化收益5.6%，年化波动率2.6%，信息比率2.17 [2] - 当股票仓位提升至20%时，策略年化收益8.4%，年化波动率5.1%，信息比率1.65 [2] 多因子单策略应用 - 在多因子模型中，采用PLS预期收益确定因子权重，可改善模型预期信息系数（IC）及top100组合的业绩表现 [3] - 但这种改善并非在每个截面都成立，PLS模型可能更擅长风格间的配置，而非同类因子的精细比较 [3] - 从时序角度看，IC均值加权、IC信息比率（ICIR）加权、PLS加权方式各有优劣 [3] - PLS加权方式整体更为稳健，但在因子动量持续性强时（如2023年），表现不如IC均值加权和ICIR加权突出 [3] 量化“固收+”策略应用（股票端为多因子模型组合） - 策略构建：股票端采用PLS预期收益加权的多因子模型top100组合，债券端采用中证短债指数，股票仓位设定为20% [3] - 在2018.01至2025.11期间，策略年化收益8.1%，年化波动率5.6%，最大回撤5.4% [3] - 在圈定的固收+基金中比较，该策略收益排名除2020年处于32.1%分位点外，其余年份均在前二分之一（即前50%） [3]

量化模型与因子总结 量化模型与构建方式 本报告主要跟踪了基于多因子选股模型构建的指数增强策略的表现，并详细展示了单因子及大类因子的表现。报告提及的模型构建方法在过往系列报告中有详细说明，本报告未详细描述具体模型的构建过程，但明确了因子处理的核心流程[7][28]。 1. **模型名称**：多因子选股指数增强模型 * **模型构建思路**：从估值、盈利、成长、公司治理、价量、超预期等多种投资逻辑出发构建常用因子库，通过因子合成与组合优化，在目标指数成分股内进行选股，以获取超越基准指数的超额收益[7][28]。 * **模型具体构建过程**： * **因子库构建**：涵盖超预期、成长、分析师、高频分钟、公司治理、估值、价量、盈利等多个大类下的众多单因子[28][35][36]。 * **因子处理**：对因子进行标准化和中性化处理。具体步骤为： 1. 对因子原始值进行绝对中位数法去极值。 2. 进行Z-Score标准化。 3. 以标准化后的因子值为因变量，对数市值和中信一级行业虚拟变量为自变量进行横截面回归。 4. 将回归残差作为最终的因子值，以排除市值和行业的影响[28]。 * **组合构建**：报告中用于测试因子表现的组合构建方式为，在特定股票池内，根据因子值对股票进行排序分组，构建多头（前10%或16%）和空头（后10%或16%）的等权组合，以考察因子的选股能力[37]。 量化因子与构建方式 报告跟踪了大量单因子，并汇总为大类因子进行展示。以下根据报告内容，分类列出部分代表性因子。 超预期因子 1. **因子名称**：标准化预期外单季度归母净利润-带漂移项 * **因子构建思路**：衡量公司实际发布的归母净利润与市场预期之间的差异，并经过带漂移项的标准化处理，以捕捉盈利超预期带来的股价反应（PEAD效应）[7][35]。 2. **因子名称**：标准化预期外单季度归母ROA-带漂移项 * **因子构建思路**：衡量公司实际ROA与预期ROA的差异，经过标准化和漂移项调整，反映盈利能力的超预期情况[35]。 3. **因子名称**：标准化预期外市盈率（归母）-带漂移项 * **因子构建思路**：基于盈利超预期幅度构建的估值类超预期因子[35]。 4. **因子名称**：过去90日报告上调比例 * **因子构建思路**：跟踪过去一段时间内分析师报告上调盈利预测的比例，反映分析师群体对公司盈利预期的乐观变化[35]。 成长因子 1. **因子名称**：单季度归母ROA变动 * **因子构建思路**：计算公司最新单季度归母ROA相对于前一季度的变化，衡量盈利能力的成长性[35]。 2. **因子名称**：单季度营业收入同比增长率 * **因子构建思路**：计算公司最新单季度营业收入相对于去年同期的增长率，衡量收入的成长性[35]。 3. **因子名称**：单季度归母净利润同比增长率 * **因子构建思路**：计算公司最新单季度归母净利润相对于去年同期的增长率，衡量净利润的成长性[35]。 分析师因子 1. **因子名称**：分析师预测ROE-FY3的120变动 * **因子构建思路**：计算分析师对未来第三年（FY3）预测ROE在过去120日内的变动，反映分析师长期盈利预期调整的方向和幅度[34][35]。 2. **因子名称**：分析师预测净利润FY3的120日变动 * **因子构建思路**：计算分析师对未来第三年预测净利润在过去120日内的变动[30][35]。 3. **因子名称**：EPS120日变动FY3 * **因子构建思路**：计算分析师对未来第三年预测EPS在过去120日内的变动[30][34][35]。 高频分钟因子 1. **因子名称**：1分钟路径动量 * **因子构建思路**：基于分钟级别行情数据构建的动量类因子，捕捉极短期的价格趋势[7][32][36]。 2. **因子名称**：20日日内收益 * **因子构建思路**：基于日内的价格行为模式构建的因子[32][36]。 3. **因子名称**：5分钟成交量偏度 * **因子构建思路**：基于分钟成交量分布特征构建的因子[30][36]。 价量因子 1. **因子名称**：60日特异度 * **因子构建思路**：可能衡量股价的特异性波动，通常特质波动率越低，因子值越好[30][31][32][36]。 2. **因子名称**：20日日均交易金额 * **因子构建思路**：衡量股票的近期流动性，报告显示该因子与收益呈负相关（越小越好）[30][36]。 3. **因子名称**：1个月自由流通换手率 * **因子构建思路**：衡量股票的换手率，即流动性指标[31][32][36]。 盈利因子 1. **因子名称**：单季度归母ROE * **因子构建思路**：使用最新财务报告的单季度归母净利润计算ROE，衡量公司的股东权益回报率[30][36]。 2. **因子名称**：单季度扣非ROA * **因子构建思路**：使用最新财务报告的单季度扣非净利润计算ROA，衡量公司的总资产盈利能力[36]。 估值因子 1. **因子名称**：EP60日变化 * **因子构建思路**：衡量市盈率倒数（Earnings-to-Price）在60日内的变化，跟踪估值水平的变动[33][36]。 2. **因子名称**：股息率 * **因子构建思路**：公司现金分红与股价的比率，是传统的估值类因子[33][36]。 公司治理因子 1. **因子名称**：60日持股比例变动 * **因子构建思路**：可能跟踪大股东、管理层或机构投资者的持股比例变化，作为公司内部人行为的代理变量[33]。 2. **因子名称**：前三高管薪酬 * **因子构建思路**：将公司高管的薪酬水平作为治理或激励程度的代理变量[32][36]。 模型的回测效果 报告展示了基于因子库构建的指数增强策略在多个宽基指数上的样本外表现[7]。 1. **沪深300指数增强策略**：截至2025年12月26日，本年收益27.19%，超额收益8.84%，超额最大回撤-3.15%[4]。 2. **中证500指数增强策略**：截至2025年12月26日，本年收益31.54%，超额收益1.28%，超额最大回撤-4.76%[4]。 3. **中证1000指数增强策略**：截至2025年12月26日，本年收益42.2%，超额收益14.54%，超额最大回撤-5.59%[4]。 4. **中证2000指数增强策略**：截至2025年12月26日，本年收益63.87%，超额收益27.31%，超额最大回撤-5.23%[4]。 因子的回测效果 单因子表现（以“本年超额收益”为例，取自各股票池表现前列的因子） 报告以“单因子组合优化”形式展示了各因子在不同股票池和不同时间窗口（上周、本月、本年）的超额收益[35][36]。以下选取部分在本年（截至2025年12月26日）表现突出的因子： 1. **分析师预测ROE-FY3的120变动**：中证全指股票池超额收益30.55%[34][35]。 2. **单季度归母ROE**：沪深300股票池超额收益26.18%[30][36]。 3. **标准化预期外单季度扣非净利润-带漂移项**：中证2000股票池超额收益25.88%[33][35]。 4. **单季度归母ROA变动**：沪深300股票池超额收益25.76%[30][35]。 5. **单季度营业收入同比增长率**：沪深300股票池超额收益25.58%[30][35]。 6. **过去90日报告上调比例**：沪深300股票池超额收益24.70%[35]。 7. **分析师预测ROE-FY3的120变动**：中证1000股票池超额收益24.06%[32][35]。 8. **单季度扣非ROA**：沪深300股票池超额收益24.02%[36]。 9. **分析师预测净利润FY3的120日变动**：中证全指股票池超额收益23.94%[34][35]。 10. **EPS120日变动FY3**：中证全指股票池超额收益23.78%[34][35]。 大类因子表现（本年超额收益） 报告将单因子按逻辑归类，并等权合成大类因子，考察其表现[37]。 1. **盈利因子**：在沪深300股票池本年超额收益33.2%[38]。 2. **分析师超预期因子**：在沪深300股票池本年超额收益30.25%[38]。 3. **成长因子**：在沪深300股票池本年超额收益29.73%[38]。 4. **分析师因子**：在沪深300股票池本年超额收益27.45%（根据上下文及表格数据推断）[38]。 5. **公司治理因子**：在沪深300股票池本年超额收益12.71%（根据上下文及表格数据推断）[38]。 6. **高频分钟因子**：在沪深300股票池本年超额收益-0.11%（根据上下文及表格数据推断）[38]。 7. **估值因子**：在沪深300股票池本年超额收益-0.40%（根据上下文及表格数据推断）[38]。 8. **价量因子**：在沪深300股票池本年超额收益-4.01%（根据上下文及表格数据推断）[38]。

量化模型与构建方式 1. 模型名称：DTLC_RL (解耦时序对比学习强化学习模型) **模型构建思路**：构建一个兼具深度学习非线性预测能力与良好可解释性的选股框架。通过特征空间解耦，分别构建面向市场系统风险（β空间）、个股特异特征（α空间）和个股基本面信息（θ空间）的编码器，并通过对比学习与正交约束提升各空间表征的区分度与互补性，最后引入强化学习近端策略优化（PPO）算法以实现自适应调整各空间权重进行动态融合[2][11][12]。 **模型具体构建过程**： 1. **多层次因子解耦与表征学习**：构建三个在数学上正交的潜在表征空间[11]。 * **Beta空间（市场系统风险）**：使用时间卷积网络（TCN）作为编码器，输入为5个市场相关特征的60个交易日时序数据[67][68]。TCN采用因果卷积和扩张卷积来捕捉时序依赖关系[13][17][19]。因果卷积确保输出只依赖于当前及历史输入，其约束为： $$y_{t}=f(x_{t},x_{t-1},\dots,x_{t-k+1})$$ 其中$y_t$为t时刻输出，$x_{t-j}$为历史输入，$k$为卷积核大小[17]。扩张因果卷积操作定义为： $$H_{l}=\mathrm{ReLU}\left(\mathrm{BatchNorm}\left(\mathrm{CausalConv1d}(X_{l},k,d_{l})\right)\right)$$ 完整残差块为： $$B l o c k(X)=A c t i v a t i o n\left(X+F(X)\right)$$ $$F(X)=W_{2}*\sigma(W_{1}*X)$$ * **Alpha空间（个股特异特征）**：使用多尺度Transformer模型作为编码器，输入为13个日频量价时序特征[76][77]。模型区分20日、40日、60日三个尺度，分别用Transformer层编码后进行上采样和门控融合[78][80]。Transformer核心的自注意力机制计算如下： $$Q\;=\;X W_{Q}\;,\;\;K\;=\;X W_{K}\;,\;\;V\;=\;X W_{V}\;,$$ $$Z=A t t e n t i o n(Q,K,V)=s o f t m a x\left({\frac{Q K^{T}}{\sqrt{d_{k}}}}\right)V$$ 多头注意力机制为： $$M u l t i h e a d\left(Q\ ,\ K\ ,\ V\right)=C o n c a t\left(h e a d_{1}\ ,\ \ldots\ \ ,\ h e a d_{h}\right)W_{o}$$ * **Theta空间（个股基本面信息）**：使用门控残差多层感知机（GRN）作为编码器，输入为8个核心财务指标[88][92]。GRN包含特征变换、门控机制和残差连接[38][39][43][45]。其计算过程包括： $$\tilde{x}=\;W_{1}x\;+\;b_{1}$$ $$s\;=\;E L U(W_{2}\tilde{x}+\;b_{2})$$ $$g\;=\;\sigma\bigl(W_{g}\,x\;+\;b_{g}\bigr)$$ $$\tilde{x}=s\odot g\,+\,x$$ 最终输出为层归一化结果：$G R N\left(x\right)=\ L a y e r N o r m\left({\tilde{x}}\right)$[47]。 2. **对比学习增强表征稳健性**：在每个子空间内部引入对比学习机制，通过构建基于未来收益率相似性的正负样本对，驱使编码器学习到的表征能够拉近同类样本、推远异类样本[12][52]。使用InfoNCE损失函数： $$L_{\mathrm{InfotNCE}}=-E\left[l o g~\frac{e x p\left(f(x)^{\top}f(x^{+})/\tau\right)}{e x p\left(f(x)^{\top}f(x^{+})/\tau\right)+\sum_{i=1}^{N-1}~e x p\left(f(x)^{\top}f(x_{i}^{-})/\tau\right)}\right]$$ 其中相似度计算采用余弦相似度：$\sin(\mathbf{u},\mathbf{v})={\frac{\mathbf{u}^{\mathrm{{T}}}\mathbf{v}}{|\mathbf{u}||\mathbf{v}|}}$[55]。正样本为未来20日收益率相关系数大于80%的样本，负样本为相关系数小于0%的样本[104]。 3. **正交约束保障因子独立性**：设置正交化损失函数，强制要求三个子空间输出的表征向量在统计上接近相互独立，缓解多重共线性问题[12]。损失函数为三空间输出编码信息的协方差矩阵非对角线元素平方和[104]。 4. **强化学习驱动空间融合**：在三个编码器后引入强化学习动态复权的空间融合机制[116]。将三个子空间编码与市场环境特征拼接成状态$s_t$，输入策略网络（Actor）生成三维空间权重[120]。策略网络采用PPO算法进行优化，其目标是最大化期望累积回报： $$J(\theta)=E_{\tau^{-\pi_{\theta}}}[R(\tau)]=E_{\tau^{-\pi_{\theta}}}\left[\sum_{t=0}^{T}\gamma^{t}r_{t}\right]$$ PPO通过裁剪目标函数稳定策略更新： $$\mathrm{CLIP}\left(\theta\right)=E_{t}\left[mi\ n(r_{t}\left(\theta\right)\overline{A_{t}},\mathrm{clip}(r_{t}\left(\theta\right),1-\epsilon,1+\epsilon)\overline{A_{t}}\right]$$ 其中$r_t(\theta)$为新旧策略概率比：$r_{t}\left(\theta\right)=\frac{\pi_{\theta}\left(a_{t}\left|s_{t}\right.\right)}{\pi_{\theta_{\mathrm{old}}}\left(a_{t}\left|s_{t}\right.\right)}$[61][63]。优势函数$\hat{A_t}$通过广义优势估计（GAE）计算： $$A_{t}^{\widehat{\mathrm{GAE}\,(\gamma,\lambda)}}=\sum_{l=0}^{\infty}(\gamma\lambda)^{l}\delta_{t+l}$$ $$\delta_{t}=r_{t}+\gamma V(s_{t+1})-V(s_{t})$$ $$\widehat{A_{t}}=\delta_{t}+\gamma\lambda\widehat{A_{t+1}}$$ 奖励函数$r_t$由预测收益与实际收益的相关系数奖励$R_t^{IC}$、权重稳定性奖励$R_t^{stable}$和权重分散性奖励$R_t^{div}$组成： $$r_{t}=R_{t}^{I C}\big(\widehat{y_{t}},y_{y}\big)+\lambda_{s}R_{t}^{s t a b l e}+\lambda_{d}R_{t}^{d i v}$$ 加权融合后的特征通过预测头网络输出个股未来收益率预测$\hat{y_t}$[120][121]。 **模型评价**：该模型为深度学习在量化选股中的应用提供了一条兼具“非线性能力”与“可解释性”的路径[159]。 2. 模型名称：DTLC_Linear (线性融合模型) **模型构建思路**：作为强化学习融合版本的基准模型，将三个空间的编码信息进行合并，并通过单层线性层进行处理并接入预测头进行收益率预测[2][98]。 **模型具体构建过程**：将Beta、Alpha、Theta三个空间经过对比学习优化后的高维编码直接进行拼接，输入一个包含线性层和Softmax激活的轻量网络，动态生成空间权重，进而对编码进行加权融合，最终通过预测头输出收益率预测[98]。训练过程采用以信息系数（IC）最大化为核心目标的多任务损失函数，并同样引入了对比学习损失和正交约束损失[98][102]。 **模型评价**：为科学评估强化学习融合机制的实际贡献提供了可对比的基准[98]。 3. 模型名称：DTLC_Equal (等权融合模型) **模型构建思路**：作为简单的融合对照组，直接对三个空间独立训练出的因子进行等权求和[2][98]。 **模型具体构建过程**：分别训练Beta_TCN、Alpha_Transformer、Theta-ResMLP三个因子，然后将每个因子的值进行等权相加，得到最终的合成因子[98][103]。 4. 因子名称：Beta_TCN **因子构建思路**：捕捉市场系统性风险，量化个股对市场风险因素的不同敏感度[67]。 **因子具体构建过程**：选取5个市场相关特征：收益率暴露(beta_mkt)、波动率敏感度(beta_vol)、流动性beta(beta_liq)、大小盘暴露(beta_size)、市场情绪敏感度(beta_sent)[67][72]。将这5个特征的60个交易日时序数据输入TCN编码器（结构如DTLC_RL模型中的Beta空间编码器），输出一个32维向量作为Beta空间编码，并进一步通过预测头输出收益率预测，形成因子[68][73]。 **因子评价**：可以挖掘出个股暴露在beta中的相关信息，具备一定的选股效果[73]。 5. 因子名称：Alpha_Transformer **因子构建思路**：挖掘个股特异性信息（Alpha）[76][81]。 **因子具体构建过程**：选取13个日频量价时序特征，如量价背离度(pvo)、压力支撑效率(sse)、波动率偏度(skew)等[77]。将这些特征的时序数据输入多尺度Transformer编码器（结构如DTLC_RL模型中的Alpha空间编码器），输出收益率预测，形成因子[78][80]。 **因子评价**：可以学习到一定程度的个股特异性信息，且与beta空间编码器学习的信息重合度相对适中[82]。 6. 因子名称：Theta-ResMLP **因子构建思路**：系统性地挖掘个股的财务安全边际与抗风险能力，基于价值投资理论中的安全边际原则[88][95]。 **因子具体构建过程**：选取8个核心财务指标特征：市盈率(pe)、市净率(pb)、ROE均值比标准差(roemeantostd)、股息率(dividendyield)、ROE环比(roemom)、EPS同比(epsyoy)、营业利润率(operatingprofit)、ROIC(roic)[88]。将这些截面特征输入门控残差MLP编码器（结构如DTLC_RL模型中的Theta空间编码器），输出收益率预测，形成因子[92][94]。 **因子评价**：可以学习到一定程度的个股基本面信息，且与beta、alpha空间编码器学习的信息重合度较低，边际信息提供量较大[96]。 模型的回测效果 （回测区间：2019年1月至2025年11月，全A范围，Top10%多头组合） 1. **DTLC_RL模型**，IC: 0.1250，ICIR: 4.38，年化收益率: 34.77%，年化波动率: 25.41%，信息比率: 1.37，最大回撤率: 40.65%，单边月均换手率: 0.71X[122][123]。 2. **DTLC_Linear模型**，IC: 0.1239，ICIR: 4.25，年化收益率: 32.95%，年化波动率: 24.39%，信息比率: 1.35，最大回撤率: 35.94%，单边月均换手率: 0.76[103][105]。 3. **DTLC_Equal模型**，IC: 0.1202，ICIR: 4.06，年化收益率: 32.46%，年化波动率: 25.29%，信息比率: 1.28，最大回撤率: 40.65%，单边月均换手率: 0.71[103][105]。 因子的回测效果 （回测区间：2019年1月至2025年11月，全A范围，Top10%多头组合） 1. **Beta_TCN因子**，IC: 0.0969，ICIR: 3.73，年化收益率: 27.73%，年化波动率: 27.19%，信息比率: 1.02，最大回撤率: 45.80%，单边月均换手率: 0.79X[2][73]。 2. **Alpha_Transformer因子**，IC: 0.1137，ICIR: 4.19，年化收益率: 32.66%，年化波动率: 23.04%，信息比率: 1.42，最大回撤率: 27.59%，单边月均换手率: 0.83X[2][80][81]。 3. **Theta-ResMLP因子**，IC: 0.0485，ICIR: 1.87，年化收益率: 23.88%，年化波动率: 23.96%，信息比率: 0.99，最大回撤率: 37.41%，单边月均换手率: 0.41X[2][94][95]。

量化模型与构建方式 1. **模型名称：成交量模型**[9][12] * **模型构建思路**：基于价量关系进行短期市场择时，认为成交量变化能反映市场情绪和趋势强度[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 2. **模型名称：特征龙虎榜机构模型**[12] * **模型构建思路**：利用龙虎榜中机构资金的买卖行为作为特征，构建短期择时模型。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 3. **模型名称：特征成交量模型**[12] * **模型构建思路**：基于特定的成交量特征（可能与常规成交量模型不同）进行短期择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 4. **模型名称：智能算法沪深300/中证500模型**[12] * **模型构建思路**：应用智能算法（如机器学习）对沪深300或中证500指数进行择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 5. **模型名称：涨跌停模型**[13] * **模型构建思路**：通过分析市场中涨停和跌停股票的数量或比例，判断市场中期情绪和动能[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 6. **模型名称：上下行收益差模型**[13] * **模型构建思路**：通过计算市场上涨股票与下跌股票的收益差异，衡量市场内部动量和强度，用于中期择时[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 7. **模型名称：月历效应模型**[13] * **模型构建思路**：基于历史数据中存在的特定月份或时间段的规律性表现进行中期择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 8. **模型名称：长期动量模型**[14] * **模型构建思路**：依据长期价格趋势（动量）进行择时，认为过去表现好的资产未来仍可能延续趋势[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 9. **模型名称：A股综合兵器V3模型**[15] * **模型构建思路**：将不同周期、不同策略的多个择时模型信号进行耦合，形成综合性的市场观点，旨在攻守兼备[9]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 10. **模型名称：A股综合国证2000模型**[15] * **模型构建思路**：针对国证2000指数，综合多个择时模型信号形成观点。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 11. **模型名称：成交额倒波幅模型（港股）**[16] * **模型构建思路**：结合成交额与波动率（波幅）的倒数关系，对港股市场进行中期择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 12. **模型名称：恒生指数上下行收益差模型（港股）**[16] * **模型构建思路**：原理与A股上下行收益差模型类似，应用于恒生指数进行中期择时。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细过程。 13. **模型名称：杯柄形态识别模型**[44][47] * **模型构建思路**：识别股价图表中的“杯柄”形态，该形态被认为是上涨趋势中的持续整理形态，突破后有望延续上涨[44]。 * **模型具体构建过程**：报告未提供具体的形态识别算法和量化规则。 14. **模型名称：双底形态识别模型**[44][53] * **模型构建思路**：识别股价图表中的“双底”（W底）形态，该形态被认为是下跌趋势末期的反转形态，突破颈线后有望开启上涨[44]。 * **模型具体构建过程**：报告未提供具体的形态识别算法和量化规则。 15. **模型名称：倒杯子形态识别模型**[61] * **模型构建思路**：识别股价图表中的“倒杯子”形态，该形态被认为是下跌趋势中的持续整理形态，是典型的负向风险形态，突破后可能延续下跌[61]。 * **模型具体构建过程**：报告未提供具体的形态识别算法和量化规则。 模型的回测效果 *报告未提供各量化模型详细的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。报告主要展示了模型在特定周期（本周）对各类宽基指数发出的择时信号（看多、看空、中性）[12][13][14][15][16]。* 量化因子与构建方式 *本报告为市场监控与择时周报，核心内容为展示已构建的各类择时模型的观点和部分形态识别结果，并未详细阐述用于选股或Alpha策略的底层量化因子的构建思路与过程。报告中提到的“大师策略”监控了33个策略，涉及价值、成长、综合等类型，但未具体说明这些策略所使用的因子[37]。* 因子的回测效果 *报告未提供具体量化因子的测试结果（如IC值、IR、多空收益等）。*

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 上周美国新发 43 只 ETF 产品，年末发行速度提升，涵盖个股杠杆、数字货币、单因子、另类、股票多空、金矿开采商、主动与量化结合的小盘增强、股票期权等多种类型产品 [7][9][10] - 过去一周美国 ETF 各类资产维持流入，国内股票产品流入超 300 亿美元，资金风险偏好较高，各标普 500 ETF 资金波动大，罗素 2000 ETF 持续流入，黄金重回流入 [13][15][17] - 上周股票多空等另类策略表现较好，美国规模前十的另类策略产品覆盖多种策略类型，部分产品表现出色 [19] - 2025 年 10 月美国非货币公募基金总量增加，国内股票型产品规模上升但赎回压力大，11 月 25 日 - 12 月 3 日当周国内股票基金流出超 150 亿美元，混合产品持续流出，债券基金小幅流入 [20] 根据相关目录分别总结 美国 ETF 创新产品：多只量化增强产品发行 - 上周美国新发 43 只产品，包括 6 只个股杠杆产品、3 只数字货币相关产品等 [7][9] - Motley Fool 发行 3 只单因子 ETF，分别为创新成长、价值和动量，每只持仓约 150 只股票 [9] - 贝莱德量化团队、NEOS、Hedgeye 等发行多空策略产品，Global X 发行金矿开采商 ETF，Franklin Templeton 发行主动与量化结合的小盘增强 ETF [10] - Sterling Capital 发行的股票期权产品多头部分采用量化选股策略，分析因子包括传统和 AI 预测指标 [10] - Columbia 发行 6 只 ETF，3 只债券和 3 只股票产品，股票产品为量化增强策略 [11] 美国 ETF 动态 美国 ETF 资金：各类资产维持流入 - 过去一周美国 ETF 流入超 400 亿美元，国内股票产品流入超 300 亿美元 [13] - 贝莱德标普 500 ETF 延续流出第一，先锋产品大幅流入超 400 亿美元，两者资金流向差异超 800 亿美元，罗素 2000、高收益债 ETF 流入 [15] - 各标普 500 ETF 资金波动大，罗素 2000 ETF 持续流入，黄金重回流入 [17] 美国 ETF 表现：股票多空等另类策略表现较好 - 上周较多股票多空产品发行，近两年期货复制、多种对冲基金策略复合产品增加 [19] - 美国规模前十的另类策略产品覆盖多种策略类型，道富的多策略产品、Convergence 的股票多空产品表现最好 [19] 近期美国普通公募基金资金流向 - 2025 年 10 月美国非货币公募基金总量为 23.70 万亿美元，较 9 月增加 0.22 万亿，10 月标普 500 上涨 2.27%，国内股票型产品规模上升 0.9%，赎回压力大 [20] - 11 月 25 日 - 12 月 3 日当周美国国内股票基金流出超 150 亿美元，混合产品持续流出，债券基金小幅流入 [20]

量化模型与构建方式 1. **模型名称：成交量模型**[1][11] * **模型构建思路：** 基于市场成交量的变化进行短期择时判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 2. **模型名称：特征龙虎榜机构模型**[1][11] * **模型构建思路：** 利用龙虎榜中机构资金的买卖行为特征进行市场判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 3. **模型名称：特征成交量模型**[1][11] * **模型构建思路：** 基于某种特定的成交量特征进行市场判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 4. **模型名称：智能算法沪深300模型 / 智能算法中证500模型**[1][11] * **模型构建思路：** 应用智能算法（如机器学习）对沪深300或中证500指数进行择时判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 5. **模型名称：涨跌停模型**[1][12] * **模型构建思路：** 通过分析市场中涨停和跌停股票的数量或比例等特征进行中期择时判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 6. **模型名称：上下行收益差模型**[1][11][12] * **模型构建思路：** 通过计算市场上涨阶段与下跌阶段的收益差异来判断市场趋势[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 7. **模型名称：月历效应模型**[1][12] * **模型构建思路：** 基于历史数据中存在的特定月份或日历周期的规律性效应进行择时判断。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 8. **模型名称：长期动量模型**[1][13] * **模型构建思路：** 基于资产的长期价格动量（趋势）进行择时判断[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 9. **模型名称：A股综合兵器V3模型**[1][14] * **模型构建思路：** 一个综合性的A股择时模型，可能耦合了多个周期或策略的信号[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 10. **模型名称：A股综合国证2000模型**[1][14] * **模型构建思路：** 针对国证2000指数的综合性择时模型[8]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 11. **模型名称：成交额倒波幅模型**[1][15] * **模型构建思路：** 结合成交额与波动率（波幅）的倒数关系进行港股中期择时判断。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 12. **模型名称：恒生指数上下行收益差模型**[1][15] * **模型构建思路：** 针对恒生指数，计算其上涨与下跌阶段的收益差异进行判断。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细过程。 13. **模型名称：双底形态策略**[37][45] * **模型构建思路：** 基于技术分析中的双底形态识别进行选股，该形态通常被视为看涨反转信号。 * **模型具体构建过程：** 报告未提供该策略具体的形态识别算法和买入卖出规则。 14. **模型名称：杯柄形态策略**[37][50] * **模型构建思路：** 基于技术分析中的杯柄形态识别进行选股，该形态被视为上涨中继或突破前的整理形态。 * **模型具体构建过程：** 报告未提供该策略具体的形态识别算法和买入卖出规则。 15. **模型名称：倒杯子形态风险监控**[55] * **模型构建思路：** 识别技术分析中的倒杯子形态（负向形态），作为个股下跌风险的预警信号。 * **模型具体构建过程：** 报告未提供该模型具体的形态识别算法。 16. **因子名称：分析师一致预期上调/下调比例**[19] * **因子构建思路：** 统计行业内获得分析师上调或下调盈利预测的个股比例，反映分析师对行业基本面的整体预期变化。 * **因子具体构建过程：** 对于特定行业，计算在统计期内盈利预测被上调（或下调）的上市公司家数占该行业总上市公司家数的比例。 17. **因子名称：基金仓位（绝对/超低配）**[20][21][23][26][27] * **因子构建思路：** 利用公募基金持仓数据，计算其对特定行业的配置比例（绝对仓位）以及相对于市场标准（如市值占比）的超配或低配程度，反映机构资金动向。 * **因子具体构建过程：** * **绝对仓位：** 汇总所有样本基金持有某行业股票的总市值，除以样本基金股票总持仓市值。 * **超/低配：** 基金对该行业的绝对仓位减去该行业股票在基准指数（或全市场）中的市值占比。 * **超/低配近两年分位数：** 将当前时点的超/低配值置于过去两年的历史序列中，计算其分位数位置。 18. **模型名称：华创恐慌指数（HCVIX）**[34] * **模型构建思路：** 复现并跟踪中国市场波动率指数（VIX），作为判断市场情绪和风险的参考指标。 * **模型具体构建过程：** 根据公开的VIX计算方法，基于50ETF、沪深300指数等期权数据，计算未来30天的预期波动率。报告提及复现的指数与已停发的中证VIX历史数据相关系数达99.2%[34]。 模型的回测效果 1. **双底形态策略**，本周收益-2.35%，同期上证综指涨跌幅-0.34%，本周相对收益-2.0%，2020年12月31日至今累计收益11.46%，同期上证综指累计涨幅11.99%，累计相对收益-0.52%[37]。 2. **杯柄形态策略**，本周收益-1.47%，同期上证综指涨跌幅-0.34%，本周相对收益-1.13%，2020年12月31日至今累计收益8.94%，同期上证综指累计涨幅11.99%，累计相对收益-3.04%[37]。 因子的回测效果 *(注：本报告未提供量化因子的历史IC、IR、多空收益等传统回测指标数据。)*

核心观点 报告的核心观点是：中小盘指数（特别是中证500和中证1000）是量化指数增强策略的理想土壤，具备更高的Alpha创造潜力[1] 兴银基金旗下的中证500和中证1000指数增强产品通过严格控制跟踪误差和行业偏离，专注于个股精选，历史业绩表现出色，超额收益来源纯粹且稳定[2][3] 一、基金Beta分析：中小盘指数是适合指增的土壤 - **估值合理且盈利预期强劲**：截至2025年12月2日，中证500指数市盈率历史10年分位数为76.12%，中证1000指数为72.75%，处于历史相对合理水平，横向对比其他宽基指数具有较高安全边际[8][11] 根据万得一致预期，中证500指数2025、2026、2027年预期归母净利润分别为5995亿元、7239亿元、8523亿元；中证1000指数同期预期归母净利润分别为4046亿元、5063亿元、6126亿元，其中2025年预期增速高达40%[9][12] - **信贷脉冲发出看多信号**：信贷脉冲对中证500的净利润同比具有领先意义，当前信贷脉冲仍处于看多信号区间，预示着中证500的盈利可能持续反弹[13] - **行业分布均衡，个股极度分散**：中证500和中证1000指数均覆盖30个中信一级行业，行业分布高度分散[16] 中证500前三大行业（电子17.01%、医药8.76%、基础化工7.67%）合计权重仅33.44%；中证1000前三大行业（电子14.67%、医药9.71%、计算机8.82%）合计权重为33.20%[16] 个股集中度极低，中证500前十大成分股合计权重不足8%，第一大权重股胜宏科技占比仅1.87%；中证1000前十大成分股合计权重不足5%，第一大权重股和而泰仅占0.58%[19][20] - **中小盘指数具备长期Alpha价值**：历史数据显示，量化策略在中小盘指数成分股内获取超额收益的能力更强[23] 从2017年1月3日至2025年11月28日的数据看，中证1000指增产品的年化超额收益为11.56%，中证500指增为5.38%，均显著高于沪深300指增的1.31%[27][28] 二、基金Alpha分析：竞争力与超额收益能力 - **历史业绩大幅跑赢基准**：兴银中证500指数增强A近1年实现6.6%的超额收益，年化收益率为26.94%，最大回撤为12.62%，Calmar比率为2.14，优于基准中证500指数的20.32%、13.80%和1.47[29][33] 兴银中证1000指数增强A近1年实现9.7%的超额收益，年化收益率为26.58%，最大回撤为15.22%，Calmar比率为1.75，优于基准中证1000指数的16.86%、16.87%和1.00[30][33] - **严格控制偏离风险，超额胜率高**：两只基金严格控制跟踪偏离度，目标为日均跟踪偏离度绝对值不超过0.5%、年化跟踪误差不超过7.75%[35] 自2023年4月至2025年11月30日，两只基金的月度超额胜率高达75%[38] - **风格与行业偏离度小**：兴银中证500指数增强A和兴银中证1000指数增强A基金进行了严格的风格暴露约束，整体风格偏离度较小[40][41] 在行业配置上，两只基金也保持高度中性，行业偏离度普遍低于0.5%，最大偏离分别仅为1.26%和1.37%，不做过多行业轮动，主要依靠行业内优选个股获取超额收益[44][46][47][50] - **超额收益主要源自选股**：基于Brinson模型的业绩归因显示，两只产品的超额收益主要来自“个股选择收益”[3][48] 对于兴银中证500指数增强A，个股选择收益贡献了超额收益的109.7%；对于兴银中证1000指数增强A，该比例为96.4%[51] “资产配置收益”和“交互收益”的贡献相对有限[48] 三、兴银基金旗下产品信息介绍 - **产品基本信息**：兴银中证500指数增强（A类代码：010253，C类代码：011205）成立于2021年3月1日，基金经理为翁子晨[52][54] 兴银中证1000指数增强（A类代码：014831，C类代码：014832）成立于2022年1月26日，基金经理为林学晨、翁子晨[52][54] 两只基金均为增强型指数基金，股票资产投资比例不低于80%，其中投资于标的指数成份股和备选成份股的资产比例不低于非现金基金资产的80%[53] - **基金经理经验**：基金经理林学晨和翁子晨具备丰富的量化投资经验[55] 林学晨为特许金融分析师（CFA），曾任湘财证券研究所金融工程分析师，2015年加入兴银基金[58] 翁子晨曾任职于多家投资管理机构担任研究员，2023年加入兴银基金[58] - **基金管理公司与团队**：兴银基金管理有限责任公司成立于2013年10月，注册资本1.43亿元人民币[57] 公司量化团队采用“小而精”的组织模式，人员结构紧凑，专业背景互补，覆盖ETF、场外指数、指数增强、量化固收+等多条产品线[60]

公司概况 - 智信融科投资管理（北京）有限公司成立于2013年，由清华大学博士武征鹏与香港中文大学博士陶之杰联合创立[13] - 核心团队拥有15年稳定合作经验，曾共同任职于国际知名对冲基金WorldQuant[13][17] - 公司深耕量化投资，具备10余年CTA策略和5年股票量化策略的实战与迭代经验[13] - 构建了以量化CTA和量化选股为核心的双轮驱动策略体系，追求高夏普、低回撤并强调危机Alpha属性[13] - 截至2025年，公司管理规模突破10亿，达到13亿[14] - 公司发展历程：2013-2021年专注股指高频和期货自营；2021-2022年发展期货资管业务；2022-2025年量化选股产品上线，探索多资产双轮驱动；2025年规模突破10亿，业绩表现亮眼并获得市场广泛认可[14] 核心团队 - 核心成员自2010年起共同在国际顶级对冲基金Millennium旗下WorldQuant担任策略研究员，2013年联合创立公司，已稳定合作超过15年[17] - 武征鹏博士：清华大学自动控制学士，人工智能/生物信息学博士，曾任WorldQuant策略研究员，专注量化因子挖掘、特征工程及机器学习在多资产预测中的应用，主导股票与CTA策略的因子库与信号生成系统[21] - 陶之杰博士：中国科学技术大学数学学士，香港中文大学运筹学/优化方向博士，曾任WorldQuant策略研究员，专注多策略组合优化、风险预算分配、仓位管理与绩效归因，主导策略组合的权重配置及整体风险控制框架设计[21] 投资理念与策略发展 - 策略发展迭代历史：2013年公司成立，聚焦股指高频交易；2016年推出第一代CTA组合；2020年启动股票量化研究；2021年升级为第二代CTA组合，引入多周期框架、更多交易品种并融合机器学习，同时试水资管业务；2023年正式推出量选策略和300指增策略；2025年完成第三代CTA组合，实现商品、股指、国债“完全体”覆盖，组合性能显著提升[20][22] - 公司坚持严苛的风控标准与科学的组合优化流程，致力于提供兼具进攻性与防御性的绝对收益产品[13] 产品线与代表策略 - 公司产品线分为纯CTA策略、CTA增强策略和量化选股（量选）增强策略，以满足不同风险偏好投资者的需求[24] - **纯CTA策略（代表产品：CTA七号）**： - 定位为纯量化CTA旗舰产品，策略构成截至12月初为30%-40%保证金仓位，覆盖商品（50%）、股指（40%）、国债（10%），由15-20个低相关子策略组成，平均持仓约5天[28] - 核心特点包括危机Alpha显著、历史较低回撤与较高夏普、全周期适应性强[27][28] - 危机Alpha表现：2022年沪深300指数下跌21.6%，产品取得正收益；2024年4月至2025年4月南华商品指数下跌10%，产品逆势取得正收益；2025年清明关税危机及9月A股牛市回调期间，产品单周收益均取得显著正收益[28][43] - 该产品自2021年6月8日成立至2025年11月28日连续五年取得正收益[28] - **CTA增强策略（代表产品：多策略八号）**： - 定位为CTA与量化选股融合的“增强型绝对收益”产品，策略构成截至12月初为30%-40%保证金CTA叠加30%量化选股[31] - 核心特点为双引擎驱动，攻守兼备：CTA提供趋势收益与尾部风险对冲，量选力争贡献稳定阿尔法以提升整体收益弹性[31] - 实盘业绩亮眼，截至2025年11月14日，产品近一年收益率与今年来收益表现强劲，最大回撤控制严格[30][33] - 策略融合效果显著，2025年4月加入量选后，组合收益加速增长、波动下降[32] - **量化选股策略（代表产品：量化选股1号）**： - 定位为面向看好权益市场的投资者，主打“量选为主 + 股指CTA增强”，策略构成截至12月初为80%量化选股（全市场选股，剔除ST、低流动性标的及市值最低的800只股票）和10%保证金用于股指CTA[36] - 核心特点包括选股风格均衡（70%量价因子+30%基本面因子，人工编写为主，避免过度拟合）、换手适中且容量大（年换手约50倍）、以及股指CTA提供的危机Alpha属性[37][38] - 危机Alpha示例：2025年11月第三周，当大量指增管理人回撤达到6-7%时，该产品回撤不到***%[39] 业绩表现与市场排名 - 截至2025年10月底，在管理规模为5-10亿的量化私募中，智信融科旗下3只产品今年来平均收益位列量化私募收益榜第二[4] - 截至2025年10月底，在管理规模5亿以上的量化私募中，智信融科旗下3只产品今年来平均收益位列量化私募百强榜第六[4] - 截至2025年10月底，在今年来收益与回撤控制均居前30%的CTA产品榜中，公司旗下“智信融科CTA七号A类份额”今年来收益位列第三[4][12] 核心优势与未来规划 - **双轮驱动策略体系**：实现了CTA与量化选股的深度融合与策略协同，不仅“两条腿走路”，更能满足不同风险偏好投资者的需求[42][45] - **突出的危机Alpha能力**：在多次市场极端环境（股市下跌、商品熊市、政策冲击）中取得正收益，CTA策略与股票市场相关性较低，是优质的风险分散工具[43] - **科学严谨的投研与风控体系**：策略准入严苛，所有子策略需通过15年以上历史回测加样本外持续创新高双重验证；组合动态优化，以3-5年滚动表现为基础进行季度权重调整，目标为夏普比率最大化[46] - **持续进化的能力**：策略迭代能力强，从股指高频起步，历经三代CTA升级，并成功拓展至股票量化，每次迭代均以提升夏普、降低回撤、增强适应性为目标[46] - **未来规划**：公司计划进一步巩固和完善双轮驱动策略架构，保持期货端竞争力并提升股票端选股能力；优化CTA执行以提升策略容量；加大基础设施投入保证交易安全性；逐步扩充团队以支持后续发展[44]

产品业绩表现 - 截至2025年11月24日，兴银理财“富利兴易智享量化指增3个月最短持有期1号混合类理财产品A”近两年净值增长率达到41.97%，在549只同类产品中收益断崖式领先，斩获榜单冠军 [1] - 截至2025年11月末，该产品自2023年11月1日成立以来净值增长率达到40.42%，远超同期业绩比较基准，成立以来年化收益率达到19.65% [4] - 在理财公司混合类公募理财产品近两年业绩榜单（1-3月期限）中，兴银理财产品占据前十名中的五席 [1] 产品策略与运作 - 产品采用量化选股和衍生品相结合的方法，跟踪特定指数，通过分散持有股票、衍生品等标的及灵活交易，力争超越指数收益 [2] - 产品业绩比较基准为“中证1000指数收益率×45%+中证500指数收益率×45%+人民银行7天通知存款利率×10%”，为四级（中高）风险产品，投资周期为90天 [2] - 产品通过多因子模型筛选股票，并利用结构化风险模型的组合优化器构建投资组合，严控风格和行业偏离 [4] - 在2024年初量化策略出现巨幅波动调整时，产品量化部分的策略回撤远低于市场平均水平 [2] 市场环境与产品应对 - 产品成立之初，A股权益市场整体震荡修复，中小盘指数承压，消费、科技类板块表现较弱 [2] - 自2024年9月下旬起，美联储货币政策转向叠加国内政策超预期加码，市场热情被点燃 [4] - 2025年三季度A股市场成为全球亮点，主要指数全线上涨，科技板块领涨，呈现结构性牛市，产品紧跟权益行情，全力打开上行弹性 [4] 团队能力与未来展望 - 产品系列依托团队在量化策略研发方面的深厚专业素养和实践经验，充分发挥对市场数据的快速捕捉与分析能力 [4] - 产品管理人认为市场投资交易热情一旦点燃很难消退，预计市场将维持高成交量、高波动率的特征，这有利于擅于捕捉短期错误定价机会的量化模型 [4] - 管理人看好未来一段时间量化选股模型的超额收益 [4]