公司发展历程与理念 - 公司成立于2020年9月，并于当年年底取得私募基金管理人牌照，2021年初发行首只产品，凭借亮眼业绩在2021年末管理规模快速突破百亿大关 [2] - 公司创始人邓剑拥有深厚学术背景，是业内开创性将人工智能技术应用于量化策略研发的先行者，其个人特质“严谨、创新、长期主义”深度融入企业文化 [2][3] - 公司秉持“科技赋能、稳健增值”的发展理念，以技术为矛、风控为盾，致力于成为量化投资领域的长期价值创造者 [1][18][19] 投研团队与组织建设 - 公司核心投研团队超80%成员拥有博士学位，均毕业于国内外顶尖学府，学科背景覆盖数学、计算机、物理、统计学等多个方向 [6] - 团队不仅包括知名量化机构背景的从业者，还吸纳了头部互联网企业的资深AI研究员与算法专家，为AI技术与量化投资深度融合提供人才支撑 [6] - 自公司成立以来，核心投研团队实现零离职，保证了策略研究的连续性和团队稳定性 [6] 投研体系与策略迭代 - 公司采用投资组合经理（PM）负责制，组建多个Alpha策略小组，并搭建覆盖七大核心环节的流水线式投研模式 [4] - 该体系深度融合PM制与流水线模式，并创新性融入AI应用与风险监测模块，实现每2-3周一次的策略快速迭代 [5] - 公司内部设立每季度超额收益实现一定比例提升的硬性目标，以推动团队持续创新和迭代优化，抵御策略衰减 [5] 人工智能（AI）技术应用 - 公司将AI视为核心竞争力，并实现全流程应用，例如利用大语言模型挖掘新闻舆情、财报等文本信息以提炼另类因子 [7] - AI技术被创造性地应用于风险监测，通过预测短期风格收益构建风险预警模型，实现全流程智能化风控 [7] - 公司持续加大在GPU集群、低延迟网络架构及云端算力调度效率上的投入，以保障策略迭代的速度与容量空间 [8] 策略优化与特色 - 公司进行了多体系投研思想融合，将BGI基本面因子、WorldQuant价量体系、AI因子研究体系等进行有机融合 [9] - 在实盘操作中，因子库合成的大类因子占比分别为：量价因子60%、基本面因子30%、另类因子10%，旨在提升策略长期稳健性并降低交易成本 [9] - 公司采用“双轨并行”研究模式，协同并重深度学习与传统多因子方法，实现优势互补 [9] - 策略迭代频率从最初的季频提速至月频，因子组合与组合优化能做到每2-3周迭代一个版本 [10] 风控体系与合规 - 公司搭建了一套自动化、精细化的风险控制体系，涵盖自研风险模型与盘中实时监控模型两大核心模块 [12] - 在2024年初小微盘股大幅调整的行情中，公司凭借自研风控模型精准预判并有效管控了旗下产品的超额回撤风险 [12] - 公司始终坚守合规为先、风控为本的经营理念，坚决杜绝短期投机博弈行为 [12] 产品线与策略矩阵 - 公司构建了“全谱系”策略产品线，依据风险收益偏好划分为三大类型：稳健型低波策略线、进取型中低波策略线、积极型中高波策略线 [13] - 进取型中低波动产品线是公司核心发力方向和关键差异点，内部定位为“20/20”策略架构，旨在让投资者无需频繁择时即可获得长期复利回报 [14] - 红利类指数增强策略是公司核心特色策略，已推出红利低波100指数增强和价值红利指数增强两款产品 [15] - 公司还推出了自由现金流指数增强策略和全气候量化宏观配置策略，后者通过跨资产类别分散配置与动态再平衡机制应对市场不确定性 [15][16] 行业趋势与公司战略 - 行业未来三大趋势：技术基础设施的底层硬核竞争全面拉开；数据与算法迈向深度融合创新；组织韧性与人才密度成为核心考量 [17][18] - 公司计划通过三大核心要素构建差异化竞争优势：持续强化技术护城河；构建“全谱系”策略矩阵；践行长期主义价值观并构建多层级风控体系 [18] - 公司立志成为中国长期主义量化复利资产的领航者，推动行业向专业化、透明化方向迈进 [19]

公司发展历程与核心理念 - 公司成立于2020年9月，并于当年年底取得私募基金管理人牌照，2021年初发行首只产品，凭借亮眼业绩在2021年末管理规模快速突破百亿大关 [4] - 公司名称寓意立足广阔资本市场，以长远视野与严谨科学态度，持续探寻投资价值，为客户创造长期且稳健的回报 [4] - 公司秉持“科技赋能、稳健增值”的发展理念，以技术为矛破局边界，以风控为盾筑牢根基，致力于成为量化投资领域的长期价值创造者 [2][21][24] - 创始人邓剑将严谨、创新、长期主义三大特质深度融入企业文化，为企业稳健发展筑牢根基 [5] 创始人背景与团队建设 - 创始人邓剑拥有深厚学术背景，是全省高考探花、数学状元，毕业于北京大学基础数学系并保送直博计算数学系，十余年深耕量化投资，是业内开创性将人工智能技术应用于量化策略研发的先行者 [4][5] - 公司核心投研团队超80%成员拥有博士学位，均毕业于国内外顶尖学府，学科背景多元，覆盖数学、计算机、物理、统计学等多个方向 [9] - 投研团队不仅包括知名量化机构从业者，更吸纳了头部互联网企业的资深AI研究员与算法专家，为AI技术与量化投资深度融合提供人才支撑 [9] - 自公司成立以来，核心投研团队实现零离职，保证了策略研究的连续性与团队稳定性 [9] 投研体系与策略迭代 - 公司采用投资组合经理（PM）负责制，组建多个Alpha策略小组，由资深PM领衔深耕特定方向，实现风险有效分散 [8] - 搭建流水线式投研模式，全面覆盖数据处理、特征挖掘、因子挖掘、因子组合、组合优化、算法交易、风险监测七大核心环节 [8] - 投研体系实现了PM制与流水线模式的深度融合，并创新性融入AI应用与风险监测模块，达成每2-3周一次的策略快速迭代 [8] - 公司内部设立每季度超额收益实现一定比例提升的硬性目标，以推动团队持续创新和迭代优化，有效抵御策略衰减 [8] - 在策略迭代方面进行了四方面优化：多体系投研思想融合；优化策略换手率，丰富因子储备；深度学习与传统多因子方法协同并重；提升研发与协作效率 [13][14] - 策略迭代频率从最初的季频提速至月频，因子组合与组合优化能做到每2-3周迭代一个版本 [14] AI技术应用与算力投入 - 公司将AI视为核心竞争力，并实现AI技术全流程应用，例如使用大语言模型挖掘新闻舆情、财报及研报文本信息，提炼另类因子 [12] - 创造性地将AI技术应用于风险监测，通过预测短期风格收益构建风险预警模型，实现从风险识别到风控应对的全流程智能化管控 [12] - 公司持续加大在GPU集群、低延迟网络架构及云端算力调度效率上的投入，以保障策略迭代的速度上限与容量空间 [12] - 采用“双轨并行”研究模式，既发挥AI技术在捕捉非线性关系、处理海量数据上的优势，又保留传统多因子模型的可解释性与稳健性 [13] 风控体系与合规经营 - 公司坚守合规为先、风控为本的经营理念，搭建了一套自动化、精细化的风险控制体系，涵盖自研风险模型与盘中实时监控模型两大核心模块 [16] - 在2024年初小微盘股大幅调整的行情中，凭借成熟完备的自研风控模型，精准预判并有效管控了旗下策略产品的超额回撤风险 [16] 产品线与策略矩阵 - 公司构建了层次分明、品类丰富的“全谱系”策略产品线，精准匹配不同客户的风险收益偏好 [17] - 产品体系依据风险由低到高可分为三大类型：稳健型低波策略线（市场中性、低波复合策略）；进取型中低波策略线（创新型指数增强、宏观复合策略）；积极型中高波策略（传统宽基指数增强策略） [17] - 进取型中低波动产品线是公司近年来的核心发力方向与关键差异点，内部定位为“20/20”策略架构，旨在让投资者无需频繁择时，长期持有便能收获复利回报 [18] - 红利类指数增强策略是公司的核心特色策略，公司是国内较早布局该类型的量化私募机构，已推出红利低波100指数增强策略和价值红利指数增强策略 [19] - 自由现金流指数增强策略在承袭红利策略稳健内核基础上，进一步强化进攻属性，聚焦企业盈利质量与内生造血能力 [19][20] - 全气候量化宏观配置策略立足于不依赖择时的全气候资产配置框架，通过多元资产配置与动态再平衡机制，应对市场不确定性 [20] 因子库构成与行业趋势洞察 - 公司实盘操作中，因子库因子被合成为大类因子使用，其中量价、基本面和另类大类因子的占比分别为60%、30%和10% [13] - 创始人认为量化行业未来将呈现三大特征：技术基础设施的底层硬核竞争全面拉开；数据与算法迈向深度融合创新；组织韧性与人才密度成为核心考量 [22][23] - 未来行业竞争本质是顶尖人才的竞争，兼具多学科背景的高端复合型人才将成为核心稀缺资源 [23]

“专精特新”政策背景与内涵 - “专精特新”是中国在特定历史背景下推出的重要产业政策，旨在应对全球产业链供应链加速重构、关键技术领域竞争白热化的局面，培育自主可控的产业链[1] - 该政策标志着中国经济发展模式从依赖规模扩张转向创新驱动，从追求速度转向注重质量[1] - 政策目标是培育一批在细分领域具有核心技术、市场占有率高、质量效益优的“排头兵”企业，以提升产业链供应链韧性，并带动整体制造业向价值链高端攀升[1] “专精特新”小巨人企业的核心特征 - “小巨人”企业是经过严格筛选的国家级专精特新企业，在各自细分领域建立了较深厚的技术壁垒或市场优势，竞争对手难以轻易进入，通常毛利率水平较高[2] - 这些企业有望持续保持较高的研发投入强度，受益于明确的国产替代和产业升级趋势，订单和收入增长路径较为清晰[2] - “小巨人”企业凭借独特的技术和产品，在产业链关键环节建立起重要地位，其盈利能力、抗风险能力和长期成长空间或将优于普通中小盘股[2] 行业分布与未来潜力领域 - 专精特新企业集中于先进制造业和战略新兴产业，主要分布在高端装备制造、新一代信息技术、新材料、新能源和生物医药领域[3] - 这些行业的成长韧性来源于下游产业（如航空航天、半导体、新能源汽车）对高性能零部件和材料的旺盛需求，以及供给端因技术壁垒高导致的国产化替代空间大[3] - 未来，半导体材料与设备、工业机器人、航空航天配套等细分领域因技术门槛高、附加值大，在政策支持和市场需求推动下，有望涌现具有国际竞争力的龙头企业[3] 研发投入与创新驱动 - “小巨人”企业过去四年研发费用占营业收入比例均值超过6%，高于沪深300指数成分股的平均水平，也高于创业板指的研发强度[4] - 高研发投入体现了企业以创新为核心的发展理念，在创新驱动转型背景下，这些企业有望持续获得政策支持[4] - 政策、资本、人才等创新要素正加速向专精特新企业集聚，形成了“研发投入→技术突破→市场拓展→盈利增长→再投入研发”的良性循环[4] 市场流动性状况 - 部分上市时间较短的专精特新企业日均成交额可能仅在几千万元级别，这或许会给大资金运作带来挑战[5] - 随着市场关注度提升，优质“小巨人”企业的流动性正在显著改善，部分龙头公司日均成交额已达到数十亿元水平[5] - 从换手率指标看，专精特新企业的活跃度普遍高于中证2000指数成分股[5] 博时专精特新主题基金投资策略 - 该基金采用多策略量化投资体系，严格限定投资于国家级专精特新企业[6] - 策略构建了“三层漏斗式”筛选体系：第一层确保主题纯度；第二层通过多因子模型从成长性、盈利能力、估值水平、研发创新等维度综合评分；第三层结合市场交易数据动态优化持仓结构[6] - 通过量化模型持续监控组合风险，对阶段性涨幅过大的个股及时调整，力求在严格控制风险的前提下捕捉投资机会[6] 量化策略的市场适应性 - 量化投资的核心优势在于力争动态适应市场环境变化，不同因子在不同市场阶段表现出周期性特征[7] - 在牛市中动量因子和成长因子表现突出，在防御性阶段低波动和高股息因子更有效[7] - 当前宏观经济处于复苏过程中，市场以结构性机会为主，流动性充裕，这种环境下成长因子和价值因子或会有阶段性表现机会，在市场震荡阶段，技术面指标往往能更有效地捕捉个股阿尔法机会[7] 普通投资者的参与方式 - 以专精特新为主题的基金更适合具有一定风险承受能力、认同创新成长长期逻辑的投资者[8] - 在投资策略上，推荐采用定投或分批买入的方式，以平滑申购成本，降低择时风险，更好地分享企业长期成长收益[8] - 在资产配置方面，可考虑采用“核心-卫星”策略，将大部分资金配置于波动相对更低的核心资产，用较小比例配置专精特新主题基金以增强组合收益弹性[8]

2025年A股市场与私募基金表现概览 - 2025年A股市场整体上涨，截至12月19日，上证指数、深证成指、创业板指分别累计上涨16.07%、26.17%、45.79% [1] - 市场日均成交额达1.72万亿元，科技、军工、有色金属等板块表现较好，北证50指数年内最高涨幅超过60% [1] - 私募基金经理股票策略表现亮眼，在有业绩展示的319位基金经理中，股票策略平均收益为36.64%，跑赢同期主要股指 [1] 不同规模私募公司股票策略平均表现 - 公司管理规模在100亿以上的基金经理平均收益为35.58%，平均夏普比率为1.79 [3][5] - 公司管理规模在50-100亿的基金经理平均收益为35.57%，平均夏普比率为1.62 [3][11] - 公司管理规模在20-50亿的基金经理平均收益为39.52%，平均夏普比率为1.51 [3][15] - 公司管理规模在10-20亿的基金经理平均收益为41.89%，平均夏普比率为1.62 [3][20] - 公司管理规模在5-10亿的基金经理平均收益为34.57%，平均夏普比率为1.24 [3][25] - 公司管理规模在0-5亿的基金经理平均收益为35.43%，平均夏普比率为1.2 [3][28] 百亿以上规模公司基金经理表现 - 在57位符合条件的百亿私募基金经理中，量化基金经理包揽了夏普比率排名前10强 [5][6] - 夏普比率位列前三的基金经理分别是宁波幻方量化的陆政哲、平方和投资的吕杰勇、蒙玺投资的李骧 [6] - 蒙玺投资创始人李骧表示，量化私募是金融领域中前沿技术应用参与最深、布局最早的板块，AI能赋能投研全流程，行业焦点已延伸至量子计算等新兴技术 [10] 50-100亿规模公司基金经理表现 - 在29位符合条件的准百亿私募基金经理中，夏普比率10强中有7位来自量化私募，3位来自主观私募 [11] - 夏普比率位列前三的基金经理分别是云起量化的施恩、量魁私募的梁涛、广东德汇投资的刘晓芳 [11] - 云起量化创始人施恩拥有伯克利金融工程和卡耐基梅隆计算机工程双硕士学位，以及十余年量化投资经验 [15] 20-50亿规模公司基金经理表现 - 在45位符合条件的基金经理中，夏普比率10强（实际11位）以主观私募基金经理为主，共有6位，量化私募有4位，混合型有1位 [15] - 夏普比率位列前三的基金经理分别是北京禧悦私募的袁好、壹点纳锦(泉州)私募的何玉清、福克斯投资的吴立彬 [15] - 衍合投资有两位基金经理张磊和汤亦多并列第7，两人均拥有海外名校背景和在一线投资机构担任量化团队负责人的经验 [15][19] 10-20亿规模公司基金经理表现 - 在36位符合条件的基金经理中，夏普比率10强以主观私募基金经理为主，共有8位，量化与混合型各有1位 [20] - 夏普比率位列前三的基金经理分别是杨湜资产的郑彬、量利私募的何振权、北恒基金的周一丰 [20] - 杨湜资产郑彬具有机器学习与自然语言处理研发背景，2008年起从事程序化交易，擅长捕捉确定性交易机会和超额收益 [24] 5-10亿规模公司基金经理表现 - 在52位符合条件的基金经理中，夏普比率10强以主观私募基金经理为主，共有7位，量化有2位，混合型有1位 [25] - 夏普比率位列前三的基金经理分别是优波资本的陈龙、弘彦资产的陈志丹、吾执投资的孙敏 [25] 0-5亿规模公司基金经理表现 - 在100位符合条件的基金经理中，夏普比率10强以主观私募基金经理为主，共有6位，量化有3位，混合型有1位 [28] - 夏普比率位列前三的基金经理分别是丰裕投资的秦佩华、广州天钲瀚的胡勤天、长宜基金的曾锋文 [28] - 广州天钲瀚胡勤天拥有结构化衍生品研发及风险监控系统开发经验，研究范围涵盖大宗商品、外汇、股票等多个领域 [30]

2025年A股市场与私募股票策略表现概览 - 2025年以来A股市场整体上涨，截至12月19日，上证指数、深证成指、创业板指分别累计上涨16.07%、26.17%、45.79%，日均成交额达1.72万亿元 [2] - 市场呈现结构性行情，科技、军工、有色金属等板块表现较好，北证50指数年内最高涨幅超过60% [2] - 私募股票策略表现亮眼，截至12月19日，符合筛选条件的319位基金经理股票策略平均收益为36.64%，跑赢同期主要股指 [2] - 319位基金经理股票策略平均夏普比率为1.44，其中百亿私募基金经理表现最好，平均夏普比率达到1.79 [2] 不同规模私募基金经理业绩与夏普比率分析 - 百亿以上规模组：57位基金经理，平均收益35.58%，平均夏普比率1.79 [3] - 50-100亿规模组：29位基金经理，平均收益35.57%，平均夏普比率1.62 [3] - 20-50亿规模组：45位基金经理，平均收益39.52%，平均夏普比率1.51 [3] - 10-20亿规模组：36位基金经理，平均收益41.89%，平均夏普比率1.62 [3] - 5-10亿规模组：52位基金经理，平均收益34.57%，平均夏普比率1.24 [3] - 0-5亿规模组：100位基金经理，平均收益35.43%，平均夏普比率1.20 [3] 百亿以上规模私募夏普比率领先基金经理 - 该组别夏普比率前十强基金经理全部来自量化私募 [4] - 夏普比率位列前三的基金经理分别是：宁波幻方量化陆政哲、平方和投资吕杰勇、蒙玺投资李骧 [4] - 蒙玺投资李骧表示，量化私募是金融领域中前沿技术应用最深、布局最早的板块，AI能赋能量化投研全流程，行业焦点已延伸至量子计算等新兴技术 [7] 50-100亿规模私募夏普比率领先基金经理 - 该组别夏普比率前十强基金经理中，7位来自量化私募，3位来自主观私募 [8] - 夏普比率位列前三的基金经理分别是：云起量化施恩、量魁私募梁涛、广东德汇投资刘晓芳 [8] - 云起量化施恩为伯克利金融工程与卡耐基梅隆计算机工程双硕士，拥有十余年量化投资经验 [11] - 量魁私募梁涛为北京大学电子工程硕士，擅长股票Alpha策略与商品CTA策略，具备低延迟交易系统架构研发经验 [11] 20-50亿规模私募夏普比率领先基金经理 - 该组别夏普比率前十强（共11位）基金经理中，来自主观私募的较多（6位），量化私募4位，混合型私募1位 [12] - 夏普比率位列前三的基金经理分别是：北京禧悦私募袁好、壹点纳锦(泉州)私募何玉清、福克斯投资吴立彬 [12] - 衍合投资有两位基金经理（张磊、汤亦多）并列第七 [12] - 北京禧悦私募袁好善于结合基本面与技术分析，挖掘相对投资价值 [15] - 衍合投资张磊为麻省理工学院运筹学硕士，自2007年进入量化投资领域；汤亦多为哥伦比亚大学金融数学硕士 [16] 10-20亿规模私募夏普比率领先基金经理 - 该组别夏普比率前十强基金经理中，来自主观私募的占多数（8位），量化与混合型私募各1位 [17] - 夏普比率位列前三的基金经理分别是：杨湜资产郑彬、量利私募何振权、北恒基金周一丰 [17] - 杨湜资产郑彬曾从事机器学习与自然语言处理研发，2008年起从事程序化交易，擅长捕捉确定性交易机会与超额收益 [20] 5-10亿规模私募夏普比率领先基金经理 - 该组别夏普比率前十强基金经理中，来自主观私募的占多数（7位），量化私募2位，混合型私募1位 [21] - 夏普比率位列前三的基金经理分别是：优波资本陈龙、弘彦资产陈志丹、吾执投资孙敏 [21] 0-5亿规模私募夏普比率领先基金经理 - 该组别夏普比率前十强基金经理中，来自主观私募的占多数（6位），量化私募3位，混合型私募1位 [24] - 夏普比率位列前三的基金经理分别是：丰裕投资秦佩华、广州天钲瀚胡勤天、长宜基金曾锋文 [24] - 广州天钲瀚胡勤天为波士顿大学金融经济学硕士，曾从事结构化衍生品研发与风险监控系统开发，研究范围涵盖大宗商品、外汇、股票等多个领域 [27]

行业政策与市场趋势 - 公募基金业绩比较基准监管全面收紧，成为行业新的“指挥棒”，推动绩效考核、分类评价、薪酬管理等环节全面锚定该指标 [1][2] - 在此背景下，指数增强策略因与基准约束天然契合，迎来“黄金时代”，成为基金公司布局与投资者配置的双向共识 [2] - 截至2025年三季度末，量化指增基金规模已突破2600亿元，单季度增长显著 [3] - 截至2025年12月25日，全年新成立177只指数增强基金，合计新发规模超975.18亿元，这一数字超过了2022年至2024年三年的总和 [2][3] 产品布局与竞争格局 - 新发产品聚焦于以中证A500、科创综指为代表的新宽基指数，同时沪深300、中证500等传统指数也保持旺盛生命力 [4] - 更多标的指数被纳入视野，如上证综合全收益、中证A股、中证沪港深500、中证港股通综合指数增强等 [4] - 头部基金公司致力于构建覆盖全面的指数生态矩阵：招商基金以21只产品数量居行业首位，天弘基金以19只产品实现全维度覆盖，易方达、汇添富、富国等公司产品数量也都突破12只 [5] - 行业腰部与尾部机构加速发力或试水入场，如华商、博道、永赢、中金等公司年内新品数量均超4只，鹏扬、德邦等中小公募则试图在细分领域开辟专业领地 [5] 市场表现与头部样本 - 截至12月26日，全市场95.97%的增强指数产品在年内实现正收益，年内最高收益达85.77% [6] - 今年以来，共有86.01%的指增产品取得了正向的超额回报，其中9只产品相对于业绩比较基准的超额收益超过了20% [6] - 以天弘基金为例，其量化指增产品表现出系统性的均衡感，宽基指增产品近3年信息比率在全市场居前1/3，最大回撤位于前1/2；行业指增产品近3年信息比率位于前1/2，最大回撤数据在同类中最小 [7] - 截至9月30日，天弘成立满6个月的指增产品用户平均持有时长超7个月，持有满6个月的投资者中超90%跑赢了同期业绩比较基准 [7] - 三季度末，天弘量化指增客户数达91万，位列行业第五，个人投资者持有占比超96% [7] 策略演进与AI赋能 - 天弘量化指增业务的核心竞争力在于回应如何获得可解释、可预期的长期稳定超额收益 [9] - 其超额收益倚赖于AI全流程赋能下的系统化、科学化投资，超过70%的超额因子来源于AI学习 [9][10] - 团队打造的AI模型基座每日处理超过30GB的单日海量数据，从传统基本面因子、高频特征、状态特征等多维度挖掘超额因子 [11] - 超过75%的阿尔法因子在一年内便完成使命，变成模型系统的贝塔因子，迫使底层研究持续迭代 [11] - 公司自研适用于A股投资的风险模型，融合AI大语言模型能力，实现更精细的行业暴露控制与风险管控 [12] - 在统一AI模型基座下，团队成员各司其职又紧密协同，保障策略执行的连贯性与稳定性 [12] 产品体系与客户导向 - 天弘基金在产品布局上注重“克制”与审慎，专注于挑选具备长期生命力的高质量指数作为基准 [7] - 其产品线包括“宽基1号指增系列”，覆盖主流宽基指数，追求长期获取更多超额收益；以及“宽基2号指增系列”，适合零售投资者，追求更高胜率、更低波动的“稳稳增” [8] - 公司的目标是从“工具产品提供”转向“全方位解决方案”，并最终致力于为投资者剥离出纯净的、可解释的长期超额收益 [7][12]

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[26] * **模型构建思路**：通过高频数据对A股整体景气度进行Nowcasting（即时预测），以跟踪宏观经济和企业盈利的实时变化趋势[26]。 * **模型具体构建过程**：该模型以上证指数归母净利润同比作为Nowcasting目标进行构建。报告未详细披露具体构建步骤和公式，仅提及构建详情可参考其历史报告《视角透析：A股景气度高频指数构建与观察》[26]。 2. **模型名称：A股情绪指数系统**[33] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并构建择时信号[33]。 * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[33]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个象限均为显著正收益[33]。 3. 基于此规律，构建了包含“见底预警”与“见顶预警”两个子指数的A股情绪指数系统，用于生成综合择时信号[33]。 3. **模型名称：主题挖掘算法**[43] * **模型构建思路**：通过对新闻和研报文本进行多维度处理，挖掘主题投资机会并识别相关概念股[43]。 * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建以及主题影响力因子构建[43]。报告未提供具体公式。 4. **模型名称：中证500增强组合模型**[43][47] * **模型构建思路**：构建一个旨在持续跑赢中证500基准指数的量化投资组合[43]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置及组合优化过程，仅展示了其持仓明细和业绩表现[47]。 5. **模型名称：沪深300增强组合模型**[50][52] * **模型构建思路**：构建一个旨在持续跑赢沪深300基准指数的量化投资组合[50]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置及组合优化过程，仅展示了其持仓明细和业绩表现[52]。 6. **模型名称：风格因子模型（基于BARRA框架）**[53] * **模型构建思路**：参照BARRA因子模型框架，构建一套用于描述A股市场收益来源的十大类风格因子体系，用于风格分析、风险管理和绩效归因[53]。 * **模型具体构建过程**：报告列出了十大类风格因子的名称，但未提供每个因子的具体计算公式。十大类风格因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[53]。 模型的回测效果 1. **A股情绪指数系统择时表现**：报告包含“A股情绪指数系统择时表现”图表，但未在文本中给出具体的量化指标数值[41]。 2. **中证500增强组合模型**：截至报告本周（2025年12月22日-26日），组合相对中证500指数超额收益为-1.24%[43]。自2020年至今，累计超额收益为47.91%，最大回撤为-6.60%[43]。 3. **沪深300增强组合模型**：截至报告本周（2025年12月22日-26日），组合相对沪深300指数超额收益为0.54%[50]。自2020年至今，累计超额收益为40.99%，最大回撤为-5.86%[50]。 量化因子与构建方式 1. **因子名称：十大类风格因子（整体）**[53] * **因子构建思路**：系统性地刻画影响股票收益的不同风险来源和风格特征[53]。 * **因子具体构建过程**：报告未提供每个风格因子的详细计算公式，仅说明是参照BARRA模型构建，并给出了因子列表：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[53]。 2. **因子名称：行业因子**[54] * **因子构建思路**：捕捉不同行业板块相对于市场的超额收益特征[54]。 * **因子具体构建过程**：报告未提供行业因子的具体构建方法。 因子的回测效果 *报告未提供各个因子（如十大类风格因子、行业因子）独立的历史回测指标（如IC、IR、多空收益等）。仅提供了近期（近一周）的因子表现描述和纯因子收益率分析[54]。* 1. **近期风格因子表现（近一周）**： * **Beta因子**：超额收益较高，表现优异[54]。 * **成长因子**：呈较为显著的负向超额收益[54]。 * **杠杆因子、残差波动率因子**：表现不佳[54]。 2. **近期行业因子表现（近一周）**： * 石油石化、国防军工、建材等行业因子相对市场市值加权组合跑出较高超额收益[54]。 * 商贸零售、传媒等行业因子回撤较多[54]。

量化模型与构建方式 1. **模型名称：价格分段体系**[7][14] * **模型构建思路**：通过分析指数价格在不同时间周期（如日线、周线）上的走势，对市场状态进行分段识别，以判断趋势方向[14]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程和具体公式，仅展示了其应用结果。从图表看，该模型可能涉及对指数价格序列进行技术分析，以划分出不同的趋势段[17]。 2. **模型名称：微观市场结构择时模型**[7][15] * **模型构建思路**：通过监测“知情交易者”的活跃度变化，来捕捉市场微观结构中的信息，并用于判断市场后市走向[15]。 * **模型具体构建过程**：报告未详细描述该模型的构建过程和具体公式。模型核心是构建“知情交易者活跃度”指标，该指标的变化与市场走势同步，其快速升温被视为对后市乐观的信号[15][18]。 3. **模型名称：分析师行业景气预期模型**[7][19] * **模型构建思路**：基于卖方分析师对上市公司的一致预测数据，计算各行业未来盈利预期的变化，以监测行业景气度的边际变化[19]。 * **模型具体构建过程**：模型计算两个核心指标： 1. 一致预测滚动未来12个月ROE（ROE FTTM）的环比变化。 2. 一致预测滚动未来12个月净利润增速（净利润增速 FTTM）的环比变化。 通过跟踪这些指标每周的变化，来观察哪些行业的盈利预期在改善或恶化[19][20]。 4. **模型名称：ETF资金流多空信号模型**[3][13] * **模型构建思路**：根据ETF的资金流入流出情况，构建多头和空头ETF组合，并穿透至底层行业，形成对行业板块的看好或看空信号，用于指导行业轮动[3][13]。 * **模型具体构建过程**：报告未给出具体的筛选规则和构建公式。其过程大致为：首先根据ETF资金流数据筛选出资金流入（多头）和流出（空头）的ETF；然后，将这些ETF的持仓穿透汇总到申万一级行业，得到模型相对看好或谨慎的行业板块[3][13]。 模型的回测效果 （报告中未提供上述量化模型的具体回测效果指标值，如年化收益率、夏普比率等。） 量化因子与构建方式 1. **因子名称：BARRA风格因子体系**[24][25] * **因子构建思路**：采用经典的BARRA风险模型框架，从多个维度（基本面、交易、市值等）刻画股票的风格特征，并计算这些风格因子在特定周期内的收益表现[24][25]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式。它直接引用了BARRA风格因子的收益表现。报告中提及的因子包括： * **基本面类因子**：换手、财务杠杆、盈利波动、盈利质量、盈利能力、投资质量、长期反转、EP价值、BP价值、成长。 * **交易类因子**：动量、非线性市值、市值、波动率、贝塔、股息率。 这些因子通常经过标准化、中性化等处理，以代表纯粹的风格暴露[24][25]。 因子的回测效果 1. **BARRA风格因子**，本周收益：换手因子0.9%，财务杠杆因子0.1%，盈利波动因子0.1%，盈利质量因子-0.1%，盈利能力因子+0.2%，投资质量因子-0.3%，长期反转因子0.4%，EP价值因子-0.1%，BP价值因子+0.2%，成长因子0.2%，动量因子0.7%，非线性市值因子0.7%，市值因子0.6%，波动率因子-0.2%，贝塔因子1.7%，股息率因子0.1%[25]。

核心观点 - 报告展示了多种基于人工智能（AI）和深度学习模型的量化投资策略，包括文本选股、量价因子选股、行业轮动和主题/概念指数轮动，这些策略在历史回测中均取得了显著的超额收益 [1][2][3][4] - 核心策略均围绕“全频段量价融合因子”展开，该因子通过深度学习模型融合高频与低频市场数据构建，展现出稳定的选股能力 [6][36] - 近期（截至2025年12月26日）部分策略超额收益出现收窄或回撤，但长期历史表现优异 [1][2][7] 文本选股策略 (LLM-FADT) - 策略在前期BERT-FADT模型基础上，引入大语言模型（LLM）对分析师研报进行“博观”解读，补充了标题新解、行情催化剂、“言外之意”、潜在风险和收益指引五类额外文本信息，以丰富模型输入 [12][15] - 截至2025年12月26日，LLM-FADT组合本月相对中证500超额收益为-1.5%，今年以来超额收益为2.9%，本周出现回撤 [1][18] - 自2017年初回测以来，该策略年化收益率为29.05%，相对中证500的年化超额收益为26.56%，夏普比率为1.13，信息比率为2.08 [1][18][20] - 与仅使用原始文本的BERT-FADT策略相比，LLM-FADT策略表现更为稳定，超额回撤相对较小，且自2024年10月以来其超额收益持续跑赢BERT-FADT [1][21] 全频段量价融合因子表现 - 该因子通过深度学习模型训练27个高频因子得到高频深度学习因子，并利用多任务学习对低频量价数据进行端到端挖掘得到低频多任务因子，最终合成 [6] - 截至2025年12月26日，因子TOP层（即排名靠前的股票组合）今年以来相对全A等权基准的超额收益为19.98% [2][6] - 自2017年初回测以来，因子TOP层年化超额收益率为29.57%，5日RankIC均值为0.115 [2][6][7] AI中证1000指数增强组合 - 该组合基于全频段量价融合因子构建，采用严格的组合约束，包括成分股权重不低于80%、个股权重偏离上限0.8%、控制行业暴露等，并假设周双边换手率30%及双边千分之四的交易费用 [7][9] - 截至2025年12月26日，该组合本周超额收益为-0.40%，但今年以来超额收益高达24.24% [2][7] - 自2017年初回测以来，组合相对中证1000指数的年化超额收益率为21.89%，年化跟踪误差为6.05%，信息比率高达3.62，超额收益最大回撤为7.55%，Calmar比率为2.90 [2][7][10] - 回测期内，组合年化收益率为20.37%，而同期中证1000指数年化收益率为-1.53% [10] AI行业轮动模型 - 模型使用全频段量价融合因子对32个一级行业进行打分，每周选取得分最高的5个行业进行等权配置，执行周频调仓 [3][40] - 自2017年初回测以来，模型年化收益率为26.49%，相对行业等权基准的年化超额收益率为19.53%，超额收益最大回撤为12.43%，超额夏普比率为1.90 [3][38] - 截至2025年12月26日，模型今年以来收益率为29.13%，超额收益率为0.48% [38] - 模型预测未来一周（截至2025年12月26日）推荐持有的五个行业是：非银行金融、石油石化、饮料、钢铁、电力及公用事业 [3][41] - 同期行业得分前十名还包括交通运输、食品、建筑、家电和贵金属 [42] AI主题指数轮动模型 - 模型从133个主题指数池中，使用全频段量价融合因子对指数进行打分，每周选取得分最高的10个主题指数等权配置，执行周频调仓，交易成本为双边万分之四 [4][29] - 自2018年初回测以来，模型年化收益率为16.58%，相对等权基准的年化超额收益率为9.98%，超额收益最大回撤为20.79% [4][28] - 截至2025年12月26日，模型今年以来收益率为26.56% [28] - 模型预测未来一周推荐持有的主题指数包括：石化产业、300非银、深证红利、中证基建等 [4][28] - 同期模型得分前15的指数还涵盖中证旅游、新材料、建筑材料、央企创新、上证金融等 [30] AI概念指数轮动模型 - 模型从72个Wind热门概念指数池中，使用全频段量价融合因子进行打分，每周选取得分最高的10个概念指数等权配置，执行周频调仓，交易成本为双边万分之四 [33][35] - 自2018年初回测以来，模型年化收益率为22.29%，相对等权基准的年化超额收益率为9.84%，超额收益最大回撤为19.19%，超额夏普比率为0.84 [33] - 模型预测未来一周推荐持有的概念指数包括：保险精选、证券精选、万得微盘股、钢铁等 [33] - 同期模型得分前20的指数还包括银行精选、电力、农业、仿制药、万得低价股等 [34]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格相对拥挤度模型[71][127] * **模型构建思路**：通过计算不同风格指数换手率标准化值的差异及其历史分位，来衡量某一风格相对于另一风格的交易拥挤程度，以判断其配置风险或性价比[71][127]。 * **模型具体构建过程**： 1. 对于风格A指数和风格B指数，分别计算其近252个交易日的平均换手率[127]。 2. 将上述平均换手率值，在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[127]。 3. 计算二者差值：$$Diff_{AB} = Z\text{-}score_A - Z\text{-}score_B$$[127] 4. 计算差值Diff_AB的滚动6年历史分位数（若历史数据不足6年但满1年，则使用全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[127]。 2. **模型名称**：风格累计超额净值模型[128] * **模型构建思路**：以万得全A指数为基准，计算各风格指数的累计超额收益，用于跟踪风格表现的相对强弱[128]。 * **模型具体构建过程**： 1. 设定基准日（报告中为2020年1月4日）[128]。 2. 将各风格指数及万得全A指数的每日收盘价除以基准日收盘价，得到各自的累计净值序列[128]。 3. 将各风格指数每日的累计净值除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A的累计超额净值[128]。 3. **模型名称**：机构调研活跃度模型[129] * **模型构建思路**：通过标准化并比较不同板块（指数、行业）的机构调研频率，构建活跃度指标并计算其历史分位，以衡量市场关注度的变化[129]。 * **模型具体构建过程**： 1. 对于特定板块，计算其近n个交易日的“日均机构调研次数”[129]。 2. 将该日均值在滚动y年的历史时间序列上进行z-score标准化[129]。 3. 将上述标准化值与万得全A指数的同期标准化结果作差，得到“机构调研活跃度”[129]。 4. 计算该“机构调研活跃度”的滚动y年历史分位数（长期口径：n=126，y=6年；短期口径：n=63，y=3年。历史数据不足时使用全部可用数据计算）[129]。 模型的回测效果 *本报告为市场跟踪周报，未提供上述模型的长期历史回测绩效指标（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时点（2025年12月26日当周）的输出结果和状态判断[71][75][77][78]。* 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[37][39] * **因子构建思路**：计算万得全A指数滚动一个季度（约63个交易日）的夏普比率，作为衡量市场情绪与风险的指标[37]。 * **因子具体构建过程**：报告未给出详细计算公式，但遵循夏普比率通用定义，即区间超额收益率均值除以收益率标准差。文中指出该指标上升至历史极高位置表明市场情绪达到极端高峰[37]。 2. **因子名称**：风险溢价（ERP）[51][59] * **因子构建思路**：计算股票指数市盈率倒数与无风险利率的差值，作为衡量股债相对性价比的指标[51]。 * **因子具体构建过程**：对于任一指数，其ERP计算公式为： $$ERP = \frac{1}{PE_{TTM}} - R_{f}$$ 其中，\(PE_{TTM}\) 为指数的滚动市盈率，\(R_{f}\) 为10年期中国国债到期收益率[51]。 3. **因子名称**：成交热度[25][35] * **因子构建思路**：使用换手率的历史分位来度量指数、板块或行业的交易活跃程度[25]。 * **因子具体构建过程**：成交热度定义为“周度日均自由流通换手率”在设定历史区间（例如2005年1月1日至今）内的历史分位值[25][35]。 4. **因子名称**：动量因子（基于长江动量指数）[61] * **因子构建思路**：以最近一年收益率减去最近一个月收益率（剔除涨停板）作为动量指标，筛选动量特征强的股票[61]。 * **因子具体构建过程**：报告未给出具体加权和调仓细节。长江动量指数综合选择A股市场中动量特征强且流动性相对较高的前100只股票作为成分股，以表征动量风格的整体走势[61]。 5. **因子名称**：反转因子（基于长江反转指数）[61] * **因子构建思路**：以最近一个月收益率作为筛选指标，筛选反转效应强的股票[61]。 * **因子具体构建过程**：报告未给出具体加权和调仓细节。长江反转指数综合选择A股市场中反转效应强、流动性较好的前100只股票作为成分股，并采用近三个月日均成交量进行加权，以表征反转风格的整体表现[61]。 因子的回测效果 *本报告未提供上述因子的IC、IR、多空收益等传统因子测试结果。报告主要展示了这些因子或基于其构建的指数在特定时期（近一周、近一月、年初至今）的表现，以及相关指标（如PE分位、ERP分位）在当周末的截面或时间序列值[17][35][49][59][66]。*