量化模型与构建方式 1. **模型名称：沪深300增强组合**；模型构建思路：基于多因子模型对沪深300指数成分股进行增强配置[5]；模型具体构建过程：报告未详细披露具体构建过程，仅提及为多因子模型 2. **模型名称：中证500增强组合**；模型构建思路：基于多因子模型对中证500指数成分股进行增强配置[5]；模型具体构建过程：报告未详细披露具体构建过程，仅提及为多因子模型 3. **模型名称：中证1000增强组合**；模型构建思路：基于多因子模型对中证1000指数成分股进行增强配置[5]；模型具体构建过程：报告未详细披露具体构建过程，仅提及为多因子模型 4. **模型名称：进取组合**；模型构建思路：未明确说明，推测为基于中证500指数的多因子增强组合[9]；模型具体构建过程：报告未详细披露具体构建过程 5. **模型名称：平衡组合**；模型构建思路：未明确说明，推测为基于中证500指数的多因子增强组合[9]；模型具体构建过程：报告未详细披露具体构建过程 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：基于绩优基金的独门重仓股构建组合[5]；模型具体构建过程：报告未详细披露具体构建过程 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：筛选在盈利、增长、现金流三个维度均表现优异的股票构建组合[5][29]；模型具体构建过程：报告未详细披露具体构建过程 8. **模型名称：PB-盈利优选组合**；模型构建思路：结合低市净率（PB）与高盈利指标进行选股[5][31]；模型具体构建过程：报告未详细披露具体构建过程 9. **模型名称：GARP组合**；模型构建思路：采用“合理价格成长”策略，兼顾成长性与估值[34]；模型具体构建过程：报告未详细披露具体构建过程 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小盘股中筛选具有价值属性的股票[9][36]；模型具体构建过程：报告未详细披露具体构建过程 11. **模型名称：小盘价值优选组合2**；模型构建思路：在小盘股中筛选具有价值属性的股票[9][38]；模型具体构建过程：报告未详细披露具体构建过程 12. **模型名称：小盘成长组合**；模型构建思路：在小盘股中筛选具有成长属性的股票[5][40]；模型具体构建过程：报告未详细披露具体构建过程 量化因子与构建方式 1. **因子名称：市值因子**；因子构建思路：衡量公司规模大小[43]；因子具体构建过程：报告未详细披露具体构建过程，通常为总市值或流通市值 2. **因子名称：PB因子**；因子构建思路：衡量估值水平，即市净率[43]；因子具体构建过程：报告未详细披露具体构建过程，通常为股价除以每股净资产 3. **因子名称：PE_TTM因子**；因子构建思路：衡量估值水平，即滚动市盈率[43]；因子具体构建过程：报告未详细披露具体构建过程，通常为股价除以过去12个月每股收益 4. **因子名称：反转因子**；因子构建思路：基于股价过去一段时间的涨跌幅，认为过去表现差的股票未来可能反弹[45]；因子具体构建过程：报告未详细披露具体构建过程，通常计算过去N期的收益率并取负值 5. **因子名称：换手率因子**；因子构建思路：衡量股票交易活跃度[45]；因子具体构建过程：报告未详细披露具体构建过程，通常为一段时间内的成交股数除以流通股数 6. **因子名称：波动率因子**；因子构建思路：衡量股票价格的波动程度[45]；因子具体构建过程：报告未详细披露具体构建过程，通常计算过去一段时间收益率的标准差 7. **因子名称：ROE因子**；因子构建思路：衡量公司的盈利能力，即净资产收益率[51]；因子具体构建过程：报告未详细披露具体构建过程，通常为净利润除以净资产 8. **因子名称：SUE因子**；因子构建思路：衡量盈利增长的超预期程度，即标准化未预期盈余[51]；因子具体构建过程：报告未详细披露具体构建过程 9. **因子名称：预期净利润调整因子**；因子构建思路：基于分析师对净利润预测的调整[51]；因子具体构建过程：报告未详细披露具体构建过程 模型的回测效果 （数据统计区间：2024年12月31日至2025年12月19日[9]） 1. 沪深300增强组合，绝对收益23.97%，超额收益7.88%，跟踪误差4.77%，最大相对回撤3.44%[9] 2. 中证500增强组合，绝对收益31.48%，超额收益6.26%，跟踪误差4.48%，最大相对回撤3.75%[9] 3. 中证1000增强组合，绝对收益28.12%，超额收益5.09%，跟踪误差4.85%，最大相对回撤5.42%[9] 4. 进取组合，绝对收益75.17%，超额收益49.95%，跟踪误差22.77%，最大相对回撤13.41%[9] 5. 平衡组合，绝对收益57.75%，超额收益32.53%，跟踪误差19.10%，最大相对回撤17.22%[9] 6. 绩优基金的独门重仓股组合，绝对收益47.60%，超额收益21.40%，跟踪误差22.76%，最大相对回撤14.64%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益92.70%，超额收益76.61%，跟踪误差18.42%，最大相对回撤11.55%[9] 8. PB-盈利优选组合，绝对收益22.97%，超额收益6.88%，跟踪误差12.66%，最大相对回撤14.55%[9] 9. GARP组合，绝对收益38.61%，超额收益22.52%，跟踪误差12.50%，最大相对回撤9.92%[9] 10. 小盘价值优选组合1，绝对收益51.82%，超额收益-28.51%，跟踪误差10.08%，最大相对回撤36.71%[9] 11. 小盘价值优选组合2，绝对收益57.03%，超额收益-23.30%，跟踪误差8.87%，最大相对回撤32.77%[9] 12. 小盘成长组合，绝对收益67.78%，超额收益-12.55%，跟踪误差12.40%，最大相对回撤28.00%[9] 因子的回测效果 （数据统计区间：2024年12月31日至2025年12月19日[44][49][52]） 1. 市值因子，全市场多空收益47.85%，沪深300多空收益4.56%，中证500多空收益1.74%，中证1000多空收益17.11%[44] 2. PB因子，全市场多空收益-9.25%，沪深300多空收益-29.15%，中证500多空收益-32.23%，中证1000多空收益-7.91%[44] 3. PE_TTM因子，全市场多空收益14.07%，沪深300多空收益-0.86%，中证500多空收益-14.06%，中证1000多空收益-4.04%[44] 4. 反转因子，全市场多空收益3.57%，沪深300多空收益-50.52%，中证500多空收益-6.39%，中证1000多空收益-4.04%[49] 5. 换手率因子，全市场多空收益34.02%，沪深300多空收益-42.25%，中证500多空收益-17.24%，中证1000多空收益6.18%[49] 6. 波动率因子，全市场多空收益11.34%，沪深300多空收益-38.07%，中证500多空收益-22.06%，中证1000多空收益-3.85%[49] 7. ROE因子，全市场多空收益2.13%，沪深300多空收益39.04%，中证500多空收益-5.64%，中证1000多空收益-7.10%[52] 8. SUE因子，全市场多空收益22.06%，沪深300多空收益58.53%，中证500多空收益18.58%，中证1000多空收益21.04%[52] 9. 预期净利润调整因子，全市场多空收益16.37%，沪深300多空收益20.46%，中证500多空收益16.48%，中证1000多空收益-2.92%[52]

文章核心观点 - 永赢基金指数与量化投资部基金经理钱厚翔阐述了公募量化投资的系统化方法论本质，澄清了公众对量化投资作为“黑箱”和高频交易的误解，并分享了其在科创100、中证A500等指数增强产品中的策略构建逻辑，强调策略需适应指数内生风格并与Beta收益保持正相关，同时指出AI在投研中的应用与局限，极端市场环境是主要挑战，最后对投资者配置量化产品及行业未来发展方向提出了见解 [2][3][4][6][7][8] 量化投资的本质与公募实践 - 公募量化在A股市场的实践主要以截面选股策略为核心，交易频率多为有隔夜持仓的周频或月频低频策略，不属于公众常误解的高频或超高频程序化交易范畴 [4] - 量化投研工作更注重数理模型构建与编程，持仓相对更离散，追求清晰的收益风险匹配与严格的交易执行纪律，是经验主义的实践者，通过大量历史回溯设计投资方案以减少极端行情的影响 [4] AI在量化投研中的应用 - AI已全面融入投研流程，在工具端提升效率，在模型端成为多策略体系不可或缺的一部分，机器学习方法在因子挖掘、非线性关系识别等方面发挥作用 [5] - AI的有效性并非神话，其依赖于数据质量、业务逻辑与投资理念的深度融合 [5] 量化策略的挑战与应对 - 量化策略面临的最大挑战是“发生了过往未曾出现过的极端情形，即无史可鉴”，例如2015年牛熊转换时，常态下分散的策略可能出现高度趋同性，对产品净值造成致命影响 [6] - 为应对挑战，团队在策略设计阶段采取多策略方针，使策略间形成分散效应，以提升产品整体抗压能力，并为策略优化争取时间 [6] 指数增强产品的策略构建逻辑 - 对于科创100指数增强，策略构建需考虑该指数由100只中小盘科创板公司组成，核心内生风格是科技成长且天然高波动，潜在投资者首先看好Beta收益 [6] - 科创100增强策略以基本面选股逻辑的量化策略为核心，采用以成长风格为主、质量风格为辅的基本面量化逻辑，关注公司基本面的短期边际成长，同时通过底线思维剔除盈利质量不符合要求的公司，并追求超额收益与指数Beta保持正相关 [6] - 对于中证A500这类风格多样、波动较低的宽基指数，所用策略更为多元，共计10个以上，涵盖基本面逻辑的多因子策略、机器学习模型策略以及与其内生风格适配的基本面量化策略 [7] 对投资者的建议 - 2025年被广泛认为是权益牛市之年，但牛市不等同于盈利，核心问题在于投资者选择了与自身风险承受能力不匹配的产品，导致在市场波动中提前离场错失长期收益 [7] - 投资者应首先明确自身的收益风险需求，成为“耐心资本”，风险偏好适中的投资者可关注中证A500等宽基指数增强产品，科创100指数增强则更适合具备一定择时能力或风险承受能力较强的投资者 [7][8] 行业与公司未来展望 - 永赢基金量化业务将继续拓展产品矩阵，除了指数增强外，还将布局主动量化产品，如成长风格量化、价值风格量化等 [8] - 随着国家相关指引明确，中国资本市场的投资运作将越来越规范，量化固收+业务将是国内量化行业的重要发展方向，国内量化业务或与海外量化生态进一步接轨，在多资产领域发掘更多有效的时间序列中低频本土策略 [8]

量化模型与构建方式 1. **模型名称：PB-ROE-50组合** **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）两个核心指标进行选股，旨在寻找估值合理且盈利能力强的公司[23]。 **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于PB和ROE的选股策略[23]。 2. **模型名称：机构调研组合（公募调研选股策略、私募调研跟踪策略）** **模型构建思路：** 利用机构调研事件作为信息源，构建选股策略[25]。 **模型具体构建过程：** 报告未详细描述该组合的具体构建公式和步骤，仅提及其为基于公募和私募调研事件的选股策略[25]。 3. **模型名称：大宗交易组合** **模型构建思路：** 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[29]。 **模型具体构建过程：** 报告提及该组合使用“大宗交易成交金额比率”和“6日成交金额波动率”两个指标，根据“高成交、低波动”原则，通过月频调仓方式构造组合[29]。具体公式和构建细节需参考其2023年8月5日的专题报告。 4. **模型名称：定向增发组合** **模型构建思路：** 以定向增发（定增）的股东大会公告日为事件节点，进行事件驱动选股[35]。 **模型具体构建过程：** 报告提及该组合以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及对仓位的控制来构造组合[35]。具体公式和构建细节需参考其2023年11月26日的专题报告。 模型的回测效果 1. **PB-ROE-50组合**，本周超越基准收益率（中证500）为-0.02%[24]，本周超越基准收益率（中证800）为-0.19%[24]，本周超越基准收益率（全市场）为-0.75%[24]，今年以来超额收益率（中证500）为3.12%[24]，今年以来超额收益率（中证800）为17.02%[24]，今年以来超额收益率（全市场）为19.20%[24]，本周绝对收益率为-0.03%（中证500）/-0.39%（中证800）/-0.92%（全市场）[24]，今年以来绝对收益率为29.13%（中证500）/38.56%（中证800）/44.96%（全市场）[24] 2. **机构调研组合（公募调研选股）**，本周超越基准收益率（中证800）为-0.43%[26]，今年以来超额收益率（中证800）为18.56%[26]，本周绝对收益率为-0.64%[26]，今年以来绝对收益率为40.39%[26] 3. **机构调研组合（私募调研跟踪）**，本周超越基准收益率（中证800）为-1.92%[26]，今年以来超额收益率（中证800）为17.05%[26]，本周绝对收益率为-2.12%[26]，今年以来绝对收益率为38.60%[26] 4. **大宗交易组合**，本周超越基准收益率（中证全指）为-0.68%[30]，今年以来超额收益率（中证全指）为36.76%[30]，本周绝对收益率为-0.86%[30]，今年以来绝对收益率为66.32%[30] 5. **定向增发组合**，本周超越基准收益率（中证全指）为1.46%[36]，今年以来超额收益率（中证全指）为-6.90%[36]，本周绝对收益率为1.28%[36]，今年以来绝对收益率为13.22%[36] 量化因子与构建方式 1. **因子名称：单季度ROE同比** **因子构建思路：** 衡量公司最新单季度净资产收益率相对于去年同期的增长情况，反映盈利能力的改善趋势[12]。 **因子具体构建过程：** 报告未提供具体计算公式。 2. **因子名称：单季度ROE** **因子构建思路：** 衡量公司最新单季度的净资产收益率，反映当季的盈利能力[12]。 **因子具体构建过程：** 报告未提供具体计算公式。 3. **因子名称：市盈率因子** **因子构建思路：** 使用市盈率（PE）或其倒数衡量股票的估值水平，通常认为低估值股票未来收益更高[12]。 **因子具体构建过程：** 报告未提供具体计算公式。 4. **因子名称：市净率因子** **因子构建思路：** 使用市净率（PB）或其倒数衡量股票的估值水平，通常认为低估值股票未来收益更高[14]。 **因子具体构建过程：** 报告未提供具体计算公式。 5. **因子名称：标准化预期外收入** **因子构建思路：** 衡量公司营业收入超出市场预期的程度，通常认为超预期会带来正向股价反应[14]。 **因子具体构建过程：** 报告未提供具体计算公式。 6. **因子名称：经营现金流比率** **因子构建思路：** 衡量公司经营现金流与相关财务指标（如营业收入、总资产等）的比率，反映盈利质量和财务稳健性[14]。 **因子具体构建过程：** 报告未提供具体计算公式。 7. **因子名称：下行波动率占比** **因子构建思路：** 衡量股票下行风险的大小，通常认为下行波动率低的股票风险更小[16]。 **因子具体构建过程：** 报告未提供具体计算公式。 8. **因子名称：对数市值因子** **因子构建思路：** 使用公司市值的对数来衡量公司规模，是市值因子的常见表达形式[13]。 **因子具体构建过程：** 报告未提供具体计算公式。 9. **因子名称：残差波动率因子** **因子构建思路：** 衡量剔除市场（和行业）影响后的个股特异性波动率，通常认为低特质波动的股票风险更低[18]。 **因子具体构建过程：** 报告未提供具体计算公式。 10. **因子名称：非线性市值因子** **因子构建思路：** 捕捉市值因子中非线性的部分，即市值与收益关系并非完全线性[18]。 **因子具体构建过程：** 报告未提供具体计算公式。 11. **因子名称：估值因子（大类）** **因子构建思路：** 综合了多个估值类因子（如PE、PB等）的复合因子，代表整体的估值风格暴露[1][18]。 **因子具体构建过程：** 报告未提供具体构建方法。 12. **因子名称：盈利因子（大类）** **因子构建思路：** 综合了多个盈利类因子（如ROE、ROA等）的复合因子，代表整体的盈利质量风格暴露[1][18]。 **因子具体构建过程：** 报告未提供具体构建方法。 13. **因子名称：市值因子（大类）** **因子构建思路：** 代表公司规模大小的风格因子，通常小市值公司长期表现更优[1][18]。 **因子具体构建过程：** 报告未提供具体构建方法。 14. **因子名称：BP因子** **因子构建思路：** 即市净率（PB）的倒数，是常见的估值因子[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 15. **因子名称：EP因子** **因子构建思路：** 即市盈率（PE）的倒数，是常见的估值因子[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 16. **因子名称：净资产增长率因子** **因子构建思路：** 衡量公司净资产的增长速度，反映公司内生增长和积累能力[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 17. **因子名称：净利润增长率因子** **因子构建思路：** 衡量公司净利润的增长速度，反映盈利的增长趋势[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 18. **因子名称：每股净资产因子** **因子构建思路：** 即每股净资产（BPS），是基本面因子之一[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 19. **因子名称：每股经营利润TTM因子** **因子构建思路：** 衡量公司过去十二个月每股经营利润，反映主营业务盈利能力[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 20. **因子名称：5日动量因子** **因子构建思路：** 衡量股票过去5日的价格走势，属于短期动量因子[22]。 **因子具体构建过程：** 报告未提供具体计算公式。 21. **因子名称：1月动量因子** **因子构建思路：** 衡量股票过去1个月的价格走势，属于中期动量因子[22]。 **因子具体构建过程：** 报告未提供具体计算公式。 22. **因子名称：流动性因子** **因子构建思路：** 衡量股票的成交活跃度或换手率，通常与流动性溢价相关[21]。 **因子具体构建过程：** 报告未提供具体计算公式。 23. **其他单因子：** 报告还列出了大量其他因子，包括但不限于：大单净流入[13]、单季度EPS[13]、5日成交量的标准差[13]、早盘后收益因子[13]、市销率TTM倒数[13]、6日成交金额的移动平均值[13]、市盈率TTM倒数[13]、5分钟收益率偏度[13]、动量调整大单[13]、动量弹簧因子[13]、营业利润率TTM[13]、日内波动率与成交金额的相关性[13]、5日平均换手率[13]、EPTTM分位点[13]、单季度ROA[13]、单季度ROA同比[13]、ROE稳定性[13]、净利润率TTM[13]、6日成交金额的标准差[13]、单季度营业收入同比增长率[13]、总资产毛利率TTM[13]、标准化预期外盈利[13]、换手率相对波动率[13]、单季度总资产毛利率[13]、小单净流入[13]、动量调整小单[13]、5日反转[13]、单季度净利润同比增长率[13]、成交量的5日指数移动平均[13]、ROA稳定性[13]、毛利率TTM[13]、ROIC增强因子[13]、早盘收益因子[13]、净利润断层[13]、单季度营业利润同比增长率[13]、总资产增长率[13]。报告均未提供这些因子的具体构建公式。 因子的回测效果 **注：** 以下因子表现数据均为“最近1周”的收益，为剔除行业与市值影响后多头组合相对于基准指数的超额收益[12]。报告提供了沪深300、中证500、流动性1500三个股票池的因子表现，此处选取各股票池中本周表现最好和最差的几个因子作为示例。完整列表请参见报告图1、图2、图3[13][15][17]。 1. **单季度ROE同比因子**，最近1周收益（沪深300）为2.31%[13] 2. **单季度ROE因子**，最近1周收益（沪深300）为1.81%[13] 3. **市盈率因子**，最近1周收益（沪深300）为1.51%[13]，最近1周收益（流动性1500）为1.44%[17] 4. **总资产增长率因子**，最近1周收益（沪深300）为-1.28%[13] 5. **单季度营业利润同比增长率因子**，最近1周收益（沪深300）为-0.83%[13] 6. **市净率因子**，最近1周收益（中证500）为1.78%[15]，最近1周收益（流动性1500）为1.17%[17] 7. **标准化预期外收入因子**，最近1周收益（中证500）为1.74%[15] 8. **经营现金流比率因子**，最近1周收益（中证500）为1.28%[15] 9. **单季度净利润同比增长率因子**，最近1周收益（中证500）为-1.19%[15]，最近1周收益（流动性1500）为-1.00%[17] 10. **单季度ROA同比因子**，最近1周收益（中证500）为-0.98%[15] 11. **下行波动率占比因子**，最近1周收益（流动性1500）为1.24%[17] 12. **单季度营业收入同比增长率因子**，最近1周收益（流动性1500）为-0.82%[17] 13. **估值因子（大类）**，最近1周收益（全市场）为0.27%[18] 14. **盈利因子（大类）**，最近1周收益（全市场）为0.25%[18] 15. **市值因子（大类）**，最近1周收益（全市场）为-0.91%[18] 16. **非线性市值因子（大类）**，最近1周收益（全市场）为-0.51%[18] 17. **残差波动率因子（大类）**，最近1周收益（全市场）为-0.44%[18]

报告核心观点 - 国信金工主动量化策略以公募主动股基为业绩基准，旨在战胜主动股基中位数，其包含的四个组合在2025年均取得了显著的超额收益，其中成长稳健组合表现最为突出[12][13] 国信金工主动量化策略近期表现 - 本周（2025.12.15-2025.12.19），股票收益中位数为0.45%，55%的股票上涨，主动股基收益中位数为-0.60%，37%的基金上涨，呈现“股强基弱”格局[2][47] - 本年（2025.1.2-2025.12.19），股票收益中位数为21.39%，80%的股票上涨，主动股基收益中位数为27.91%，97%的基金上涨[2][47] - 优秀基金业绩增强组合本周绝对收益-0.12%，相对偏股混合型基金指数超额收益0.49%，本年绝对收益28.19%，相对基准超额收益-2.35%，在3469只主动股基中排名第1681位（48.46%分位点）[1][15] - 超预期精选组合本周绝对收益-1.06%，相对基准超额收益-0.45%，本年绝对收益40.29%，相对基准超额收益9.76%，在主动股基中排名第942位（27.15%分位点）[1][15] - 券商金股业绩增强组合本周绝对收益-0.99%，相对基准超额收益-0.38%，本年绝对收益35.38%，相对基准超额收益4.85%，在主动股基中排名第1199位（34.56%分位点）[1][15] - 成长稳健组合本周绝对收益0.73%，相对基准超额收益1.34%，本年绝对收益50.88%，相对基准超额收益20.34%，在主动股基中排名第504位（14.53%分位点），表现最佳[2][15][43] 各量化组合策略简介 - 优秀基金业绩增强组合：策略从对标宽基指数转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，以达到优中选优的目的[3][48] - 超预期精选组合：以研报标题超预期与分析师全线上调净利润为条件筛选股票池，再对股票池进行基本面和技术面两个维度的精选，构建组合[4][54] - 券商金股业绩增强组合：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与基准在个股、风格上的偏离[5][59] - 成长稳健组合：采用“先时序、后截面”的方式构建成长股二维评价体系，优先选择距离财报预约披露日较近的股票，并采用多因子打分精选个股，构建100只股票等权组合[6][64] 各量化组合长期历史绩效 - 优秀基金业绩增强组合在2012.1.4-2025.6.30区间内，考虑仓位及交易费用后年化收益达20.31%，相较偏股混合型基金指数年化超额11.83%，大部分年度业绩排名在股基前30%[50][53] - 超预期精选组合在2010.1.4-2025.6.30区间内，考虑仓位及交易费用后年化收益达30.55%，相较偏股混合型基金指数年化超额24.68%，每年业绩排名均在主动股基前30%[55][57] - 券商金股业绩增强组合在2018.1.2-2025.6.30区间内，考虑仓位及交易费用后年化收益为19.34%，相对偏股混合型基金指数年化超额14.38%，每年业绩排名均在主动股基前30%[60][63] - 成长稳健组合在2012.1.4-2025.6.30区间内，考虑仓位及交易费用后年化收益达35.51%，相较偏股混合型基金指数年化超额26.88%，各年度业绩排名基本在股基前30%[65][68]

文章核心观点 - 文章核心观点是介绍深圳翰荣私募证券基金管理有限公司（翰荣投资）作为一家科技驱动的量化私募，凭借其领先的端到端机器学习方法论、稳定的团队和严谨的风控体系，在中等管理规模量化私募中取得了突出的业绩表现，并展望了其未来在数据、算力、算法三要素上的持续投入以保持竞争力 [5][8][20][25] 公司概况与定位 - 公司专注于量化投资，利用数理统计、机器学习等方法建立旨在持续稳定战胜基准指数的策略 [6] - 公司定位为科技驱动的量化投资机构，是国内最早将端到端机器学习方法论应用到A股市场的量化私募之一 [8] - 公司成立于2015年12月，2017年6月登记为私募基金管理人，截至2025年11月底管理规模突破40亿元 [9] - 核心团队毕业于卡内基梅隆大学、复旦大学、浙江大学等院校，拥有华尔街和国内量化私募的多年经验 [6] 业绩表现 - 截至2025年11月底，在20-50亿规模的量化私募中，翰荣投资符合排名的3只产品年内平均收益位列量化私募榜榜首 [5] - 截至11月底，旗下产品“翰荣安晟进取一号B类份额”年内超额收益位列“量化选股”产品超额收益榜十强 [5] 核心策略与产品线 - 核心策略是基于端到端机器学习方法论的短周期Alpha策略，预测周期涵盖日内到3天，通过深度学习模型直接从量价数据中归纳统计规律，追求高纯度Alpha收益 [11] - 产品线包括量化选股、指数增强和市场中性系列，底层预测信号一致，差异主要体现在组合构建的风险控制约束上 [12] - 量化选股和指数增强系列维持满仓运作，不带择时信号；市场中性系列附带基差管理 [12] 投研体系与策略演进 - 策略方法论演进分为两个阶段：第一阶段（2021年9月至2023年4月）为传统多因子体系；第二阶段（2023年5月至今）升级为端到端机器学习方法论 [15][16] - 公司搭建了一套完整的“开源+自研”端到端深度学习投研和交易全流程生命周期管理平台，确保研究的系统化、统一性和继承性 [17] 风险控制体系 - 拥有系统化的事前、事中、事后全流程风控体系 [18][19] - 事前风控：在组合构建中采用BARRA CNE5风险模型约束风格暴露，例如对300/500指增约束0.1倍标准差，对1000/2000指增约束0.3倍标准差，申万一级行业暴露控制在2%偏离度内 [18] - 事中风控：通过自建系统对市场极端行情、交易进程、对冲敞口及基差进行实时监控和管理 [18] - 事后风控：对策略收益进行拆解分析、交易绩效评估和策略复盘，为迭代提供反馈 [19] 核心优势与未来规划 - **策略方法论优势**：作为端到端机器学习在A股应用的先行者，提供了与传统多因子体系相关性较低的超额收益来源 [21] - **团队稳定性优势**：股票投研团队自2021年组建以来保持0离职率，投研人员以自主培养为主，核心员工持有股权，拥有清晰的激励和投研流程 [22] - **风险控制优势**：系统化的风控帮助公司平稳渡过了2024年春节及“9.24”等市场剧烈波动时期 [23] - **未来规划**：坚持科技驱动，打造“数据、算力、算法”三要素高度协同的人工智能投资体系 [25] - **数据**：构建系统化的数据处理流程以应对金融数据信噪比低的问题 [26] - **算力**：搭建本地GPU服务器和存储集群，不让算力成为研发瓶颈 [26] - **算法**：吸引复合型人才，持续将人工智能算法成果应用于策略迭代 [26] - 最终目标是成为科技驱动、科学投资的量化机构，持续产出有竞争力的超额收益 [28]

文章核心观点 - 文章核心观点认为，投资者应避免被市场表面消息迷惑，转而关注由量化数据揭示的、反映市场本质的机构资金行为，从而发现真正的投资机会 [4][5][17] 宜宾双雄的产业观察 - 五粮液拥有年产10万吨纯粮固态原酒的生产能力和100万吨原酒的储存能力，并运用大数据和人工智能赋能全产业链 [3] - 四川时代（宁德时代）的智能制造车间实现“1秒产出一个电芯”的高速生产模式，其背后是精准的数据控制和优化 [3] - 这些企业的数据驱动生产方式与量化投资关注数据本质的理念相契合 [3][16] 市场消息面的常见误区 - 市场在“外部杠杆行情”时期充斥着大量解释股价涨跌的消息，导致散户投资者常犯两种错误 [4] - 第一种错误是“张冠李戴”，将股价上涨简单归因于消息面刺激，而忽视了机构资金早已提前布局的事实，形成反身性效应和强者恒强局面 [4] - 第二种错误是“错进错出”，当股价均值回归时，又简单归因为“涨多了要调整”，而看不到机构资金行为的转变 [4] - 这两种错误的根源在于过分关注表面消息，忽视了资金行为的本质 [5] 量化数据揭示的机构行为模式 - 以中国平安为例，2025年6月发布融资公告时市场反应平淡，但六月底股价突然启动，表面原因是海外环境改善，但量化数据揭示了更深层原因 [6] - 在股价启动前，量化系统中的“机构库存”数据已显示机构资金持续活跃，表明机构在所谓的“利好没用”时期通过反复震荡悄悄收集筹码 [8][10] - 这种模式具有跨行业普遍性，在股价尚未明显启动前，“机构库存”数据往往已持续活跃，特别是在股价下跌时机构行为反而更积极的背离现象，是重要信号 [11][16] - 优质企业的发展轨迹与资本市场的资金流向存在微妙的对应关系，需要用数据来解读支撑这些故事的市场行为 [16] 对投资者的方法论建议 - 投资者不应被表面消息迷惑双眼，需要用科学方法武装投资决策 [17] - 投资者应学会用数据透视市场本质 [18] - 投资者应关注机构行为而非媒体解读 [18] - 投资者需要找到适合自己的分析工具 [18]

政治博弈下的利率政策预期 - 前总统特朗普透露将任命一位支持大幅降息的新美联储主席 其心仪的利率水平在1%以下 与当前3.5%-3.75%的利率存在巨大差距 [2] - 政策风向的变化往往最先反映在机构资金的交易行为上 这种政策预期差是量化投资者需要关注的关键信号 [2] 房地产市场与机构资金行为 - 自9月以来 美国房贷利率表面稳定在6.3%-6.4% [2] - 量化系统观察显示 部分房地产相关ETF已连续三周出现“震仓洗盘”的特征 [2] - 机构“震仓洗盘”的特征表现为先快速拉升后剧烈震荡 与散户主导的“抢反弹”行情有本质区别 [4] 量化分析的核心指标 - 通过主导动能和机构库存两组关键数据揭示市场本质 [6] - 主导动能包含做多、回吐、做空和回补四种交易行为 分别对应红黄蓝绿四色柱体 [6] - 机构库存以橙色柱体反映机构资金的活跃程度 [6] - 当蓝色“回补”行为与持续活跃的橙色“库存”同时出现时 往往意味着机构在进行“震仓洗盘” [6] 历史模式与当前市场 - 历史案例显示 完成机构震仓的股票后续继续上涨 而散户抢反弹的股票则很快重回跌势 [8] - 2018年美联储政策转向时 表面是震荡调整 但量化数据显示机构资金早已开始布局 [8] - 当前特朗普再次挑战美联储独立性 历史似乎正在重演 但机构资金流向表明市场反应可能会更加复杂 [8] 对投资者的方法论建议 - 关注真实交易行为而非表面消息 [10] - 重视机构资金的持续活跃度 [10] - 建立自己的量化观察体系 [10]

量化管理人价值评估的核心框架 - 文章核心观点：评估量化管理人的价值不应仅看短期净值表现，而应建立一套可比较、可持续、可跟踪的多维度价值标尺，并在此基础上进行逆向投资，与优秀的管理人建立长期合作关系 [1] - 量化管理人价值评估应超越产品净值，净值受短期市场环境和运气影响，需要寻找更客观、可比较、可持续、可跟踪的维度作为衡量“高/低”的标准 [1] - 将量化产品价值评估简化为对量化管理人的评估，因为同一管理人的不同产品通常由同一团队运作，核心维度一致 [3] - 借鉴股票价值投资的思路，量化管理人的价值维度包括：发展背景、管理规模、研发人员管理及考核、核心投研情况、股权情况、自营资金、策略框架、模型结构、IT水平、交易执行、历史业绩、合作透明度，其中未来持续研发能力和风险控制能力尤为重要 [3] 关键价值维度：持续研发能力 - 市场环境、参与者及技术持续变化，量化策略需不断研发改进，几年前有效的因子可能已衰减，因此持续研发能力是关键 [7] - 评估持续研发能力需关注可跟踪、可比较的维度，例如：以IT及交易执行见长的管理人是否持续保持行业领先；以特定因子/模型起家的管理人能否持续研发新因子/模型；以及对研发人员的管理和开发效率 [7] - 研发方向无绝对标准答案，已偏向科研思路探讨，通过与管理人持续沟通来形成评估维度 [7] 投资应用：基于价值标尺的逆向投资 - 运用“低买高卖”原则，当市场对短期业绩不佳或策略不适应当前环境的量化管理人冷落时，正是进行逆向投资或加深合作的时机 [9] - 此时可与被认为有价值的管理人进行更频繁、更深度的沟通与合作，建立更紧密、更长期的伙伴关系 [10] - 不以短期业绩论英雄，例如在市场不活跃时期（如22~23年），时序量价策略难以做出收益，但不应因此苛责管理人，而应更深度地评估其各维度价值，若价值依然优秀则可能加深合作 [13] - 公司及领导层不以短期业绩为考核目标，赋予投资经理信任，使得投资能以长期、价值的维度考量量化管理人 [13] 评估体系的持续进化 - 对量化管理人价值的刻画维度需要持续改进，保持谦逊与学习，了解新技术，并持续调研新管理人与跟踪已覆盖管理人 [14] - 尽管已深耕多年，公司仍保持每周高强度的调研频率 [14] - 公司拥有对应价值维度的跟踪方法和交叉验证体系，将在后续内容中介绍 [14]

文章核心观点 - A股市场进入高成交额时代，量化资金是重要推手，但监管正通过降频政策引导行业从拼速度转向拼研究深度和风控能力，重塑公平竞争环境 [1][2] - 量化行业竞争维度发生结构性转变，依赖极高换手率的高频策略受限，以持仓收益为主、注重基本面与价量均衡的中低频策略竞争力抬升 [6][7][8] - 在监管收紧与市场流动性波动的背景下，量化私募进入“耐力赛时刻”，策略的长期竞争力取决于全链条的精细化打磨与投研团队的稳定性 [10][11][12] A股市场成交与量化概况 - 截至12月18日，今年以来A股成交额达401.93万亿元，日均成交额达1.72万亿元，处于历史高位 [1] - 自2016年以来，仅2021年和2024年A股日均成交金额超过1万亿元（约1.06万亿元），其余年份均在1万亿元以下 [1] - 高成交额背后量化资金身影频现，但主观投资者感到操作难度因量化入场而加大 [1] 监管政策导向与影响 - 自2024年程序化交易管理规定实施以来，降频成为明确政策方向 [1] - 2024年7月，监管明确了高频交易认定标准，程序化交易管理实施细则落地，旨在推动市场规范发展、趋利避害、突出公平、从严监管 [1] - 监管核心逻辑是拉平交易起跑线，避免技术和资源不对称扭曲价格，而非否定量化投资价值 [2] - 监管为高频交易加上“限速器”，促使行业竞争从拼速度的短跑转向拼研究深度和风控能力的长跑 [2][6] 量化行业Alpha演变与策略变迁 - **2019年之前**：散户占比较高，Alpha主要来自无效定价，策略框架相对简化，以日频价量因子及简单财务、分析师因子为主，模型多为线性模型 [5] - **2019年至2021年**：资管新规后机构投资者占比提升，无效定价空间收窄，Alpha来源转向交易成本和交易限制，策略开始依赖日内高频价量因子，大数据分析工具如机器学习和深度模型被广泛应用 [5] - **2022年之后**：量化规模迅速扩张，高频价量策略面临容量上限，叠加市场交易量阶段性下滑，“得高频者得天下”时代退场 [6] - 2021年底行业整体回撤后，资方更需求严风控下的稳健“pure alpha”，高频策略性价比被严肃检视 [6] 中低频量化策略的竞争力 - 在监管降频导向下，依赖极高换手率的策略受到直接约束，而换手率远低于监管红线、以持仓收益为主的中低频策略则顺势而为 [6] - 行业竞争维度正从交易层面拼速度全面转向策略层面拼深度 [7] - 优秀策略更注重均衡，需要在基本面因子、价量因子和机器学习框架之间实现更均衡的配置，未来策略将无单一标签 [8] - 部分机构产品净值主要贡献来自持仓收益，交易收益贡献长期低于5%，形成“以持仓为主、交易辅助”的模式 [8] 流动性环境与策略表现分化 - 2024年1月至8月A股成交相对低迷阶段，日均成交额一度低于6000亿元 [10] - 同期，市场中性策略指数年化收益为负，而部分中低频策略凭借低换手率和持仓收益为主的结构实现逆势增长，展现出环境适应性 [10] - 在流动性红利退潮阶段，中低频策略表现出更强韧性，其组合构建对流动性依赖度较低，更多通过均衡因子配置捕捉中长期超额收益 [10] - 真正能持续的策略是能在不同流动性阶段保持相对稳定收益的“耐力型选手”，而非依赖极端换手率和杠杆的“短跑选手” [11] 量化私募的核心竞争力构建 - 竞争力正转向全链条的精细化，包括数据清洗、因子设计、组合优化、风控约束及与监管和流动性环境的动态匹配 [12] - 稳定的投研团队是重要支撑，部分公司通过企业文化、清晰成长路径和内部分享机制保持核心团队零流失，形成较强向心力 [11] - 投资者与管理人沟通重点从“模型算法”、“服务器位置”转向“极端行情回撤机制”、“风控敞口约束”及“降频下平衡容量与流动性”等细节问题 [9] - 量化投资的本质是风险与收益的科学平衡，监管削弱了速度溢价，但未改变以深度研究为核心的收益模式 [7]

公司概况与募资动态 - 全球知名对冲基金Two Sigma旗下外商独资证券私募腾胜投资近期启动新一轮集中募资，相关产品在渠道上线后额度被迅速“抢光”[1] - 腾胜投资成立于2018年11月，由Two Sigma Asia Pacific, Limited全资控股，实际控制人为Two Sigma Investments, LP[2] - 公司在中基协备案的管理规模为50-100亿元（最后更新于2023年1月），但近期媒体报道显示，在11月完成逾10亿元募资后，其资产管理规模已跨越100亿元关口[3] - 腾胜投资成为继桥水（中国）投资之后，第二家外商独资控股的百亿证券私募管理人[3] - 公司目前拥有17名全职员工，均具备基金从业资格[3] 母公司Two Sigma背景与近期风波 - Two Sigma由计算机科学家David Siegel和数学家John Overdeck于2001年共同创立，两位创始人均曾供职于德邵集团（D.E. Shaw）[6] - Two Sigma官网显示其全球管理规模已超过600亿美元[6] - 公司两位创始人长期不和，2023年3月向SEC披露无法在公司架构、高管权责和继承计划等一系列问题上达成一致[6] - 2024年8月，两位创始人卸任联席首席执行官，不再参与公司日常管理；2025年1月，公司披露两位创始人进入仲裁程序[6] - 2023年10月，公司一名研究员未经授权擅自调整交易模型，导致部分基金出现4.5亿美元的“预期外盈利”，部分基金承受1.7亿美元的“预期外亏损”[7] - 2025年1月，SEC指控Two Sigma未能解决投资模型漏洞并违反保护举报人规定，Two Sigma同意支付9000万美元民事罚款，并自愿向受影响的基金和账户偿还1.65亿美元[7] - 2025年9月11日，美国纽约南区地方法院和SEC对上述研究员提起民事与刑事诉讼，指控其电汇欺诈、证券欺诈和洗钱[7] 外商独资证券私募行业格局 - 桥水（中国）投资是外商独资证券私募中最耀眼的存在，早在2021年已迈入百亿私募之列[7] - 截至2024年年底，桥水（中国）投资的管理规模已超过550亿元[7] - 截至2025年12月17日，桥水（中国）投资年内备案了11只新产品，旗下备案产品总数增加至156只[7] - 截至2025年12月17日，内地存续的外商独资证券私募管理人共有32家[8] - 其中，管理规模突破50亿元门槛、跻身头部私募的仅有3家：桥水（中国）投资、腾胜投资和德邵投资[8] - 管理规模在0-5亿元的机构有19家，占比近六成；今年3月备案的范达私募目前尚未备案产品[8] - 管理规模在5-10亿元的有2家，10-20亿元的有3家，20-50亿元的有5家[8] - 多家外商独资证券私募2025年管理规模有明显增长：毕盛（上海）投资和安中投资由10-20亿元上调至20-50亿元；宽立（上海）私募由0-5亿元上调至10-20亿元；晨曦（深圳）私募由0-5亿元上调至5-10亿元[8] - 2025年有部分外商独资证券私募主动注销了管理人登记，包括柏基投资、鲍尔赛嘉（上海）投资、东亚联丰投资、景顺纵横投资[8] 行业竞争与展业挑战 - 私募行业竞争激烈，外资私募与内资私募均需面对共性问题[10] - 部分外资私募在华展业不乐观，可能原因包括：申请私募管理人登记时仅出于拿下牌照的考虑，在拓展内地业务方面布局有限；或公司虽有意拓展在华业务，但在国内市场知名度有限，渠道资源不及部分本土巨头，导致市场拓展缓慢[10]