行业背景与趋势 - 公募基金行业正经历深刻变革，监管政策强调业绩比较基准的“锚”和“尺”功能，将重塑主动权益基金的产品格局和管理模式 [1] - 指数增强基金因其严格的成份股占比约束和跟踪误差限制，能更好地对标业绩基准，是契合当前监管政策导向的品种，发展空间可期 [1] - 2025年以来，指增基金数量加速增长，截至11月末，年内新成立产品达160只，合计发行规模近900亿元 [2] - 截至2025年9月末，全市场指增基金合计规模达2622亿元，相比2024年末增幅达23.34%，增速超过主动权益基金，略低于权益指数基金 [2] - 指增基金的发展受益于技术侧和监管侧双重利好：AI技术为获取长期稳健超额收益赋能，监管强化业绩基准作用 [2] - 优质的量化指增产品相比主动权益基金更加透明、风险可控，未来有望替代部分“平庸”的主动型基金；相比被动指数基金，其优势在于有获取超额收益的机会 [2] 公司概况与市场地位 - 天弘基金作为“指数大厂”，在2025年持续发力指增业务，新成立5只新产品 [3] - 截至2025年三季度末，公司指增产品线份额和规模较2024年末分别增长44.85%和70.21%，远超公募指增产品的整体规模增速 [3] - 天弘基金指数与数量投资部管理的量化指增基金已达18只，总管理规模突破120亿元，是业内为数不多迈入“百亿规模”的量化团队 [5] - 截至2025年6月底，天弘指数增强基金用户数达91万，位列行业第5；个人投资者持有规模占比超96%，在指增产品规模排名前十的基金公司中位居第一 [25] - 截至2025年9月30日，在天弘基金指增成立满6个月的产品中，用户平均持有时长超过7个月，远超普通指数基金大约1个月的持有期 [26] 产品布局与策略 - 天弘基金在宽基指增领域已实现对市场主流宽基指数的完整覆盖，全面贯穿大、中、小市值维度，并在主板、创业板、科创板均配置多只产品 [7] - 公司针对沪深300、中证500、创业板指、科创综指四个宽基推出了两条产品线：“指增1号”追求长期更多超额；“指增2号”追求高胜率的稳健超额 [8] - 公司推出了天弘中证1000增强策略ETF、中证A500增强策略ETF等场内工具，兼顾ETF交易便捷、透明度高、成本较低的优势与获取超额收益的潜力 [8] - 与多数同业主要聚焦宽基指增不同，天弘基金建立了具备独特竞争力的行业指增产品线，是行业指增布局方向最多的基金公司之一 [8] - 行业指增产品主要围绕科技、消费、医药、高端制造和新能源五大关键领域，对标传统优势产业及向“新质生产力”转型的趋势 [8] - 五只行业指增产品的业绩比较基准中有3只被纳入了2025年11月监管发布的业绩比较基准要素一类库 [9] 产品业绩表现 - 截至2025年12月2日，天弘基金旗下有四只宽基指数增强产品运作满三年 [11] - 2022年初成立的天弘中证1000指数增强表现突出，截至2025年三季度末，近三年相对业绩比较基准的超额收益达到33.80% [11] - 具体宽基指增产品近三年超额收益表现：天弘中证500指数增强A为6.34%，天弘沪深300指数增强A为5.70%，天弘创业板指数增强A为4.20% [12] - 公司旗下宽基指增在覆盖不同市场风格与市值板块的同时，超额表现呈现较高一致性，显示了系统化投资能力的可复制性 [12] - 行业指增产品自成立日以来的相较基准超额收益率在5%至29%之间 [13] - 从近三年维度看，天弘中证科技100指数增强、天弘国证消费100指数增强以及天弘中证高端装备制造增强的表现大幅超过同赛道主动基金的平均水平 [13] - 具体行业指增产品成立以来相对基准超额：天弘中证科技100指数增强A为27.04%，天弘国证消费100指数增强A为6.34%，天弘中证医药指数增强A为3.39%，天弘中证高端装备制造增强A为18.70%，天弘中证新能源指数增强A为7.83% [15] - 截至2025年9月30日，过往持有天弘指增产品满6个月的投资者中，超90%的用户持有收益率均跑赢同期基金业绩比较基准 [3][16] 量化投研体系与技术 - 天弘量化团队在基本面多因子框架的长期积淀基础上，全面引入机器学习、神经网络等AI技术处理高频量价、文本数据，挖掘非线性规律 [18] - 团队打造了统一的AI基座模型，目前天弘量化指增约有70%以上的超额因子来源于AI学习 [18] - 在因子挖掘环节，团队将上市公司基本面变化和量价信息深度融合，寻找基本面变化在股价中的微观传导路径，构建逻辑清晰、区分度高且与传统因子低相关的全新因子 [18] - 量化团队基于Level-2逐笔、快照行情及分钟/日频等混频数据构建高质量特征库，已实现多AI模型、多预测周期的实盘应用 [19] - AI模型包括梯度提升树、循环神经网络、图神经网络等先进算法，预测周期覆盖短期（1-5日）、中期（5-10日）及长期（20日）等多个维度 [19] - 在风控层面，团队在传统Barra体系基础上进行了深入的自研与定制化改造，构建了一套更具适应性的精细化风控体系 [22] - 团队利用大语言模型驱动的自然语言处理技术，通过解析文本信息构建股票间的相似度矩阵，以识别超越传统行业与因子范畴的隐性关联风险 [22] - 据天弘量化投研估计，大概有超过75%的超额因子在一年之内就被迭代掉 [24] - 公司从IT基础建设、特征挖掘，到模型融合、风险控制等各模块均有专人负责，实现流水线式生产阿尔法信号，并纳入统一的AI基座模型 [25]

行业背景与趋势 - 公募基金高质量发展持续推进，监管政策强调业绩比较基准的“锚”和“尺”功能，将深刻影响主动权益基金的产品格局和管理模式 [1] - 指数增强基金因有严格的成份股占比约束和跟踪误差限制，能更好地对标业绩基准，是契合监管政策导向的品种，发展空间可期 [1][2] - 2025年以来，指数增强基金数量加速增长，截至11月末，年内新成立产品达160只，合计发行规模近900亿元 [2] - 截至9月末，全市场指增基金合计规模2622亿元，相比去年年末增幅达23.34%，增速超过主动权益基金，略低于权益指数基金 [2] - 量化指增品类迎来技术和监管双重利好：AI技术赋能提升了获取长期稳健超额收益的可能性；监管强化业绩基准作用 [2] - 优质的量化指增产品相比主动权益基金更透明、风险可控，未来有望替代部分“平庸”的主动型基金；相比被动指数基金，其优势在于有获取超额收益的机会 [2] 公司概况与市场地位 - 天弘基金在2025年持续发力指增业务，新成立5只新产品 [3] - 截至2025年三季度末，公司指增产品线份额和规模较去年末分别增长44.85%和70.21%，远超公募指增产品的整体规模增速 [3] - 天弘基金指数与数量投资部管理的量化指增基金已达18只，总管理规模突破120亿元，是业内为数不多迈入“百亿规模”的量化团队 [3] - 截至2025年6月底，天弘指数增强基金用户数达91万，位列行业第5；个人投资者持有规模占比超96%，在指增产品规模排名前十的基金公司中位居第一 [21] - 截至9月30日，在天弘基金指增成立满6个月的产品中，用户平均持有时长超过7个月，远超普通指数基金大约1个月的持有期 [21] 产品布局与策略 - 天弘基金在宽基指增领域已实现对市场主流宽基指数的完整覆盖，全面贯穿大、中、小市值维度，并在主板、创业板、科创板均配置多只产品 [4] - 公司针对沪深300、中证500、创业板指、科创综指四个宽基推出了两条产品线：“指增1号”追求长期更多超额；“指增2号”追求高胜率的稳健超额 [5][6] - 公司推出了天弘中证1000增强策略ETF、中证A500增强策略ETF等场内工具，兼顾ETF交易便捷、透明度高、成本较低的优势与获取超额收益的潜力 [6] - 天弘基金建立了具备独特竞争力的行业指增产品线，是行业指增布局方向最多的基金公司，主要围绕科技、消费、医药、高端制造和新能源五大关键领域 [6] - 五只行业指增产品的业绩比较基准中有3只纳入了2025年11月监管发布的业绩比较基准要素一类库 [6] 产品业绩表现 - 截至2025年12月2日，天弘基金旗下有四只宽基指数增强产品运作满三年 [8] - 天弘中证1000指数增强A自2022年初成立以来表现突出，截至2025年三季度末，近三年基金相对业绩比较基准超额收益达到33.80% [8][9] - 其他宽基指增产品近三年超额收益分别为：天弘中证500指数增强A为6.34%，天弘沪深300指数增强A为5.70%，天弘创业板指数增强A为4.20% [9] - 公司旗下宽基指增在覆盖不同市场风格与市值板块的同时，超额表现呈现出了较高的一致性，显示了公司已具备相对完善且可复制的系统化投资能力 [10] - 五只行业主题指增基金自成立日以来的相较基准超额收益率在5%至29%之间 [11] - 从最近三年维度看，天弘中证科技100指数增强、天弘国证消费100指数增强以及天弘中证高端装备制造增强的表现大幅超过同赛道主动基金的平均水平 [11] - 截至2025年9月30日，过往持有天弘指增产品满6个月的投资者中，超90%的用户持有收益率均跑赢同期基金业绩比较基准 [3][12] 量化投研体系与技术 - 天弘量化指增约有70%以上的超额因子来源于AI学习 [14] - 量化团队在基本面多因子框架基础上，全面引入机器学习、神经网络等方法处理高频量价、文本数据，挖掘非线性规律，并打造了统一的AI基座模型 [14] - 在因子挖掘环节，团队将上市公司基本面变化和量价信息深度融合，寻找基本面变化在股价中的微观传导路径，构建逻辑清晰、区分度高且与传统因子低相关的新因子 [14] - 团队已实现多AI模型、多预测周期的实盘应用，AI模型包括梯度提升树、循环神经网络、图神经网络等，预测周期覆盖短期（1-5日）、中期（5-10日）及长期（20日）等多个维度 [15] - 在风控层面，团队在传统Barra体系基础上进行了深入的自研与定制化改造，构建了一套更具适应性的精细化风控体系 [17] - 团队利用大语言模型驱动的自然语言处理技术，通过解析文本信息构建股票间的相似度矩阵，以识别超越传统行业与因子范畴的隐性关联风险 [17] - 据天弘量化投研估计，大概有超过75%的超额因子在一年之内就被迭代掉了 [19] - 从IT基础建设、特征挖掘，到模型融合、风险控制等各模块，团队都有专人负责，实现流水线式生产阿尔法信号，并纳入统一的AI基座模型 [20] - 基金经理基于团队共同维护的AI基座模型，根据不同产品的定位与需求，灵活选取适配度最高的信号组合进行配置和优化 [20]

行业竞争格局与核心壁垒 - 量化行业准入门槛因算力成本下降、编程工具普及和数据获取便利而降低，策略同质化问题凸显[1] - 行业策略分化为两类：一类是规模大、参与者众、模型因子高度拥挤导致边际收益下降的多因子模型“红海”格局；另一类是以专业金融认知为底座、更具独特性与穿越周期能力的小众策略[1] - 量化行业正形成“工具驱动”与“认知驱动”两条不同发展路径，核心竞争壁垒在于对市场风格、经济周期、资金行为等多维度的专业理解，而非可复制的模型工具[1][2] - AI技术普及将加剧分化，预计八成的传统量化基金经理和依赖工具型策略的量化机构可能被AI取代，但基于深度专业认知的策略难以被取代[2] 公司差异化战略与策略理念 - 公司成立10年，在规模发展上保持克制，选择以风格择时为核心策略的差异化投资路径[1] - 公司核心理念为“守正用奇”：守持续稳健的正收益，用基于专业认知开发的AI量化策略[2] - 策略关注点从追求阿尔法（超额收益）转向捕捉因子的贝塔（系统收益），通过“风格估值-动量-有效资金流”三维框架识别市场内在规律[1][2] - 强调以长期有效的专业认知把握真正可持续的AI量化策略，认为未来竞争壁垒在于专业而非工具[1] 核心策略框架与风控能力 - 特色策略为风格择时指增策略，通过识别风格趋势构建稳健的指数增强体系[3] - 模型使用三类关键指标：风格估值（核心，判断不同风格相对性价比）、动量指标（捕捉趋势变化速度与方向）、定价者的有效资金流（关注对价格产生决定性影响的核心资金行为）[3] - 模型结合三类指标，可在日频到周频的不同时间维度上预测风格变化，预测周期最短一天半，最长可达数月[3] - 风控能力体现在极端行情中提前识别风险并迅速调整，例如在2024年初小微盘流动性困境时，通过将因子暴露调至均衡状态，使策略回撤幅度明显低于同类模型并在反弹阶段实现较快修复[3] 市场展望与投资观点 - 认为当前市场上涨趋势远未结束，未来仍有较大上行空间，市场处于多年难得的流动性宽裕阶段，是“流动性充分配合的最好时刻”[3] - 建议普通投资者关注风格的相对估值，避免一味追求热点，热点板块估值抬升后性价比下降应适当回避，可转向红利等具备更长期价值的板块寻找机会[4] - 认为科技板块内部存在轮动，细分方向性价比会围绕中枢波动，可进行高低切换，从长期看很多科技细分方向的需求规模和未来成长空间非常巨大[4]

公司人才战略 - 行业正经历两大根本转变：研究范式从传统的“单打独斗”转向“AI增强型研究”，未来机构的核心竞争力将取决于算法能力 [1][2] - 人才结构向“双语者”演进，研究者必须既懂金融又通算法，才能将洞察转化为可执行的量化策略 [1][2] - 公司正着力构建技术底座，推动人才在金融与算法维度上“齐头并进”，以培养引领行业变革的复合型专家 [1][2] 对青年创业者的建议 - 寄语青年创业者应以“科技向善”与“为客户创造最大价值”为根本前提 [1][2] - 建议创业者始终保持创业的激情与不屈不挠的韧性，朝着坚定的方向持续拼搏 [1][2]

公司战略与技术创新 - 公司未来以金融工程研究为核心，将研究成果转化为量化策略与软件工具 [1] - 公司将持续加大对AI量化核心竞争力的投入，重点聚焦垂直领域大模型的构建与智能应用的深化 [1] - 公司战略为"技术+金融"双轮驱动，聚焦AI与量化融合的创新路径 [2] AI技术应用规划 - 已组建专项AI应用团队，致力于在通用大模型基础上构建面向证券行业的专属大模型 [1] - 推动工具型交互升级，未来通过语音交互等自然语言方式实现更智能便捷的用户体验 [1] - 探索基于大模型的量化策略制定、优化与自动交易执行，推动投研与交易流程自动化、智能化 [2] 行业技术趋势 - 当前通用大模型技术发展迅速，但基于细分场景的行业大模型仍处于初步探索阶段 [1] - 行业专属大模型将深度融合金融领域知识库，成为技术演进的关键底座 [1]

公司核心增长动力 - 驱动公司持续增长的核心动力是以AI量化科技为核心的全量引擎体系 [1] - AI量化科技的价值在于构建一个全新的认知增强系统，而非简单的机器替代人力 [1] AI量化赋能的具体维度 - 在纪律与执行方面，AI量化体系能将投资策略固化为铁的纪律，确保交易过程严格冷静地执行，帮助投资者获取策略应得的成果 [1] - 在感知与分析方面，AI量化技术实现了对全量数据的实时抓取与分析，对比传统研究方式仅能覆盖约5%的市场公开信息有极大提升 [1] - 系统可实时解析上市公司业绩发布会细节，包括管理层神情变化，并能通过卫星图谱等多元数据动态监测生产型企业的实际运营状况 [1] 公司发展目标 - 公司通过对纪律赋能与感知赋能的双重深化，不断巩固其以AI量化为核心的科技引擎 [2] - 公司致力于在金融科技浪潮中为投资者提供更理性、更智能的决策支持与服务 [2]

诈骗事件声明 - 公司发现有不法分子通过小红书等社交平台以贝塔AI量化名义发布虚假内容并诱导用户下载假冒贝塔证券APP进行诈骗活动[1] - 假冒APP在名称及logo上恶意仿冒公司官方标识对投资者财产安全构成严重威胁[1][3] 官方平台声明 - 贝塔国际证券官方指定交易平台仅为官方APP及官方网站未授权任何第三方或个人以公司名义开展业务[3] - 官方APP名称为贝塔国际投资者务必通过官方渠道下载使用[3] 非官方宣传警示 - 公司从未通过小红书等社交平台以贝塔AI量化等名义开展业务宣传或引导下载非官方APP[3] - 任何通过私聊引导下载APP或诱导入金的行为均属诈骗切勿轻信[3] 信息核实渠道 - 投资者可通过官方网站https://www.betaints.com/官方客服电话+852 35909488官方邮箱cs@betaints.com核实疑似冒用公司名义的信息或APP[3] 法律追责措施 - 公司保留对任何冒用其名义进行非法活动的单位或个人依法追究法律责任的权利[3]

公司AI量化战略与进展 - 民生加银基金是公募量化领域AI转型的先行者，其量化投资总监何江于2021年率队开启AI量化投资策略研究 [1] - 公司历时四年构建了“数据-特征-策略-组合”的飞轮闭环，形成难以复制的核心护城河 [1][6] - AI量化的核心壁垒在于将主观认知转化为机器可学习优化的机制，并在高维空间中持续优化投资规则 [1][6] - 公司将中证800增强策略从线性模型升级为AI模型，当年超额收益获得显著提升 [6] AI量化策略的动因与优势 - 传统量化遭遇瓶颈，例如2022年中证500指数增强公募基金的平均超额收益已跌破3% [4] - AI技术红利爆发，模型能够捕捉人脑难以解析的复杂市场关系，预测胜率较高 [4] - 公司具备独特的内部研究数据优势，已整合主动投研成果构建专属的基本面特征数据库 [4] - AI量化实现了从“因子加权打分”到“复杂非线性规律挖掘”的本质跃迁，是全AI策略对传统线性模型的替代 [5] AI模型的技术创新 - 数据维度大幅提升，AI技术能够处理更高维的海量数据及过去难以处理的非结构化文本数据 [7] - 模型能力实现飞跃，AI模型擅长寻找高度非线性、交互式的复杂模式，无需预先设定公式 [7] - 决策过程进化，AI模型可根据市场环境进行动态学习和调整，实现自适应的策略切换 [7] - AI量化是工程化能力、专属数据和算法创新的综合体 [6] 国证2000指数的配置价值与产品表现 - 公司持续看好国证2000指数在科技升级中的配置价值及量化增强空间 [2][8] - 国证2000指数长期受益于科技产业升级，在AI、科技成长、高端制造等领域存在结构性机会 [8] - 该指数成份股数量众多、行业分布广泛、定价效率较低，为量化策略捕捉Alpha提供了丰厚土壤 [8] - 公司管理的国证2000指数增强基金近六个月回报为17.18%，远超同期业绩比较基准的10.26%；近一年回报为49.66%，远超基准的35.04%，同类排名3% [8] 行业趋势与未来展望 - 公募量化已进入激烈的“AI竞赛”阶段，AI量化被视为公募基金的生存必答题 [1][9] - 预计公募行业最终将形成“AI主导量化+工具型指数产品”的新生态 [1][10] - AI并非用机器替代人，而是用机器延伸人的认知边界，处理人脑无法企及的复杂度 [9] - 科技金融应当成为这个行业基本的底色 [10]

AI量化研究系列 - 深度学习应用于股指期货日内交易策略开发 [2] - 深度学习算法用于Alpha因子挖掘和再挖掘 [2] - 趋势策略通过深度学习技术进行增强 [2] - 风险中性的深度学习选股策略构建 [2] - 深度学习在指数增强策略上的应用实践 [2] - 高频数据因子在深度学习框架下进行挖掘 [2] - 基本面因子模型通过深度学习技术增强 [2] - 条件随机场应用于周频择时策略开发 [2] - 机器学习多因子动态调仓策略研究 [2] - 人工智能在资产管理行业的应用和前景展望 [2] - 涨跌模式识别用于指数和行业择时策略 [2] - 隐马尔科夫模型应用于选股策略研究 [2] - 机器学习模型在因子选股上的比较分析 [2] - 多周期机器学习选股模型构建 [2] - 卷积神经网络用于股价走势识别与分类 [2] - Transformer架构下的量价选股策略研究 [2] - Visibility Graph-CNN创新架构用于高效股价预测 [2] - 卷积神经网络应用于ETF轮动策略 [2] - 多模态多尺度股价预测方法研究 [2] - DeepSeek工具用于提高投研效率 [2] - 知识库到知识图谱转换通过DeepSeek+GraphRAG实现 [3] - 神经常微分方程与液态神经网络技术研究 [3] - AlphaForge基于梯度下降进行因子挖掘 [3] - 强化学习应用于价格择时策略 [3] - 机器学习选股训练手册编制 [3] 基本面量化研究系列 - 多视角探寻长线选股策略研究 [3] - 景气向上且持续增长企业的挖掘方法 [3] - 寻找"物美价廉"优质企业的策略研究 [3] - 高估值股中投资机会的挖掘方法 [3] - 财务指标选股策略深入研究 [3] - 叠加反转效应下的财务指标选股策略 [3] - 细分行业景气盈利轮动策略开发 [3] 转债风险管理 - 转债退市风险与信用风险监控系统构建 [6] 研究团队信息 - 广发金融工程团队负责相关研究 [4]

行业变革趋势 - 公募基金行业正经历由传统量化向AI量化全面转型的深刻变革，数据与算法正在重塑投资决策方式[1] - 行业整体走向工具化、指数化，主动管理能力被弱化，叠加费率不断下降，中小基金公司面临巨大压力[2] - 一家国企背景的中型公募已将主动权益部与指数量化投资部整合，其产品工具化率超过70%[2] 公司AI转型路径 - 不同公司的AI赋能路径各异：一家头部基金公司主要嫁接海外成熟算法框架，但规模扩大后超额收益衰减明显[3] - 一家银行系公募的量化投资部由传统量化全面升级为AI量化，其指数增强产品在采用AI策略后超额收益显著提升[3] - 有公募量化团队采用AI模型与传统线性模型加权融合的策略，即AI辅助传统量化模型[3] - 另有量化团队主要利用AI模型寻找传统多因子模型难以找到的特殊因子[4] 数据的关键作用 - 在AI量化投资中，数据质量是决定差异化的关键，核心在于非结构化数据的处理能力[5] - 一家银行系公募强调，通过自然语言处理技术将研究员笔记、专家路演、突发舆情等非结构化信息转化为结构化信号是提升投资效率的核心[5] - 一家中型公募的数据平台已整合内部非结构化资产，包括研究员笔记、电话会议录音、专家观点等，大模型的任务是将这些碎片化情报转化为可量化因子[5] - 为机器学习模型选择对未来走势有价值的特征数据，而非输入所有数据，是形成差异化的关键[6] AI量化的优势与挑战 - AI量化模型能够处理研报文本、行业政策、社交媒体情绪等非标准化数据，这些是超额收益的真正来源[3] - AI量化能够覆盖全市场5000多只股票，不受情绪影响，严格遵守投资纪律，具备广度和纪律性优势[6] - 客户忠诚度不高，只关注业绩曲线，一旦业绩波动，产品规模可能快速缩水，因此量化投资必须持续争取更多超额收益[6]