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**[31] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气度变化的指数[31] * **模型具体构建过程**：报告未详细描述该指数的具体构建公式和步骤，仅说明其构建详情需参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[31] 2. **模型名称：A股情绪指数择时系统**[36][47] * **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，并据此构建择时信号[36] * **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[36] 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间为显著负收益，其余三个象限均为显著正收益[36] 3. 基于此规律，构造了包含“见底预警”与“见顶预警”两个维度的A股情绪指数系统[36] 4. 根据当前波动率与成交额所处的象限生成综合择时信号[39] 3. **模型名称：主题挖掘算法**[47] * **模型构建思路**：通过处理新闻和研报文本，挖掘近期热度异动较高的投资主题及关联个股[47] * **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、主题影响力因子构建等[47] 4. **模型名称：中证500指数增强模型**[47][50] * **模型构建思路**：通过量化策略构建投资组合，旨在持续跑赢中证500指数基准[47] * **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和权重配置方法，仅展示了其持仓明细和业绩表现[50][52][54] 5. **模型名称：沪深300指数增强模型**[55][56] * **模型构建思路**：通过量化策略构建投资组合，旨在持续跑赢沪深300指数基准[55] * **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和权重配置方法，仅展示了其持仓明细和业绩表现[55][59] 6. **模型名称：风格因子模型（参照BARRA）**[60] * **模型构建思路**：参照BARRA多因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合归因[60] * **模型具体构建过程**：报告列出了十大类风格因子，但未给出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）[60] 量化因子与构建方式 1. **因子名称：十大类风格因子**[60] * **因子构建思路**：从不同维度刻画股票的特征，包括规模、风险、动量、波动、估值、流动性、基本面质量等[60] * **因子具体构建过程**：报告未提供每个风格因子的具体计算公式，仅列出了因子名称[60] * **因子评价**：该因子体系是进行风格分析、风险管理和绩效归因的基础工具[60][69] 模型的回测效果 1. **A股情绪指数择时系统**，历史择时表现参见图表17[47] 2. **中证500增强组合**，本周收益4.01%，跑输基准0.33%；2020年至今累计超额收益48.49%，最大回撤-9.51%[47][50] 3. **沪深300增强组合**，本周收益0.81%，跑赢基准1.43%；2020年至今累计超额收益45.73%，最大回撤-5.86%[55] 因子的回测效果 1. **风格因子（近一周表现）**，纯因子收益率显示：Beta因子超额收益较高，市值因子呈较为显著的负向超额收益[61][67] 2. **行业因子（近一周表现）**，纯因子收益率显示：石油石化、有色金属、建材等行业因子超额收益较高；银行、保险等行业因子回撤较多[61][65]

量化模型与构建方式 1. **模型名称：全频段量价融合因子模型**[6] * **模型构建思路**：整合不同频率（高频与低频）的量价数据，通过深度学习模型分别挖掘其蕴含的选股信息，最终融合成一个综合因子[6]。 * **模型具体构建过程**： 1. **高频因子构建**：使用深度学习模型，以分钟和Level2等高频数据为输入特征，训练得到27个高频深度学习因子[6][11]。 2. **低频因子构建**：利用多任务学习模型，对日频、周频、月频等低频量价数据进行端到端挖掘，得到低频多任务因子[6]。 3. **因子融合**：将上述得到的高频深度学习因子与低频多任务因子合成为最终的全频段融合因子[6]。 2. **模型名称：AI中证1000增强组合模型**[1][7] * **模型构建思路**：基于全频段融合因子，在跟踪中证1000指数的基础上构建增强组合，以获取稳定的超额收益[1][7]。 * **模型具体构建过程**： 1. **选股与赋权**：使用全频段融合因子作为核心选股指标[1][7]。 2. **组合约束**：组合构建时遵循以下规则：对中证1000指数成分股的权重不低于80%；个股权重相对于基准的偏离上限为0.8%；对Barra风险模型的暴露控制在0.3以内；周双边换手率目标为30%[9]。 3. **调仓与交易**：采用周频调仓，交易费用假设为双边千分之四[9]。 3. **模型名称：文本LLM-FADT选股模型**[2][14][17] * **模型构建思路**：在传统文本分析模型（BERT-FADT）基础上，引入大语言模型（LLM）对分析师研报进行多维度深度解读，生成更丰富的文本特征，以提升选股效果[2][14]。 * **模型具体构建过程**： 1. **文本增强**：对原始研报的标题和摘要，使用大语言模型从“标题新解”、“行情催化剂”、“言外之意”、“潜在风险”、“收益指引”五个额外视角进行解读和补充[14][17]。 2. **特征提取**：将原始文本及上述5个增强后的文本，共计6类文本，输入微调版的FinBERT模型，分别转化为文本特征向量[17]。 3. **预测建模**：将得到的多组文本特征向量作为输入，使用XGBoost模型进行训练，预测股票未来收益[17]。 4. **模型名称：AI行业轮动模型**[3][38][43] * **模型构建思路**：利用全频段量价融合因子，自下而上地对行业进行打分，选择得分最高的行业构建轮动策略[3][38]。 * **模型具体构建过程**： 1. **行业池**：主要覆盖32个一级行业，其中对食品饮料、有色金属进行了细分，排除了综合和综合金融[43]。 2. **行业打分**：使用行业内成分股的全频段量价融合因子得分，对每个行业进行打分[38][43]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的5个行业，于下周第一个交易日收盘价等权买入，周频调仓，策略回测中不计交易成本[3][43]。 5. **模型名称：AI主题指数轮动模型**[4][31] * **模型构建思路**：利用全频段量价融合因子，对主题指数进行打分，选择得分高的指数构建轮动策略[4][31]。 * **模型具体构建过程**： 1. **指数池**：根据Wind的ETF基金分类，选取133个有对应ETF的主题指数构成备选池[31]。 2. **指数打分**：使用指数成分股的全频段量价融合因子得分，对每个主题指数进行打分[31]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的10个主题指数，于下周第一个交易日开盘价等权买入，周频调仓，交易成本为双边万分之四[4][31]。 6. **模型名称：AI概念指数轮动模型**[4][37] * **模型构建思路**：利用全频段量价融合因子，对概念指数进行打分，选择得分高的指数构建轮动策略[4][37]。 * **模型具体构建过程**： 1. **指数池**：选取Wind热门概念指数，共72个构成备选池[37]。 2. **指数打分**：使用指数成分股的全频段量价融合因子得分，对每个概念指数进行打分[37]。 3. **策略规则**：每周最后一个交易日，选择模型打分最高的10个概念指数，于下周第一个交易日开盘价等权买入，周频调仓，交易成本为双边万分之四[4][37]。 量化因子与构建方式 1. **因子名称：全频段量价融合因子**[6] * **因子构建思路**：通过深度学习技术分别挖掘高频和低频量价数据中的有效信息，并将它们融合成一个综合性的选股因子[6]。 * **因子具体构建过程**：参见上述“全频段量价融合因子模型”的具体构建过程[6]。 * **因子评价**：该因子的主要收益贡献来源于日频、周频、月频等低频量价数据[1][11]。在2025年表现非常显著，但在2026年初经历了一定回撤[11]。相比之下，基于纯高频数据（如分钟、Level2）的深度学习因子在2026年初回撤较小，且在2024年极端市场环境中表现更优[11]。 2. **因子名称：高频深度学习因子**[6][11] * **因子构建思路**：专注于从分钟级和Level2等高频率量价数据中，通过深度学习模型提取能够预测股票收益的特征[6][11]。 * **因子具体构建过程**：使用深度学习模型，以分钟和Level2数据作为输入特征进行训练，得到27个因子[6]。 3. **因子名称：低频多任务因子**[6] * **因子构建思路**：专注于从日频、周频、月频等低频率量价数据中，通过多任务学习模型进行端到端的信息挖掘[6]。 * **因子具体构建过程**：利用多任务学习模型对低频量价数据进行端到端训练得到[6]。 模型的回测效果 1. **AI中证1000增强组合模型**[1][7][11] * 年化收益率：21.37%[11] * 年化波动率：23.27%[11] * 夏普比率：0.92[11] * 最大回撤：33.08%[11] * 年化超额收益率（相对中证1000）：21.60%[1][7][11] * 年化跟踪误差：6.06%[1][7][11] * 信息比率（IR）：3.57[1][7][11] * 超额收益最大回撤：7.55%[1][7][11] * 超额收益Calmar比率：2.86[1][7][11] * 相对基准月胜率：78.50%[11] * 年化双边换手率：32.56%[11] 2. **文本LLM-FADT选股模型（中证500增强）**[2][20][24] * 年化收益率：30.10%[2][20][24] * 年化波动率：25.57%[24] * 夏普比率：1.18[2][20][24] * 最大回撤：36.70%[24] * Calmar比率：0.82[24] * 年化超额收益率（相对中证500）：25.52%[2][20][24] * 年化跟踪误差：12.76%[24] * 信息比率（IR）：2.00[2][20][24] * 超额收益最大回撤：22.89%[24] * 超额收益Calmar比率：1.11[24] * 相对基准月胜率：75.00%[24] * 年化双边换手率：14.88%[24] 3. **AI行业轮动模型**[3][41] * 年化收益率：26.87%[3][41] * 年化超额收益率（相对行业等权基准）：19.02%[3][41] * 超额收益最大回撤：12.43%[41] * 超额夏普比率：1.85[41] * 今年以来收益率（截至2026/1/23）：4.22%[41] 4. **AI主题指数轮动模型**[4][30] * 年化收益率：16.92%[4][30] * 年化超额收益率（相对主题指数等权基准）：9.37%[4][30] * 超额收益最大回撤：20.79%[30] * 超额夏普比率：0.73[30] * 今年以来收益率（截至2026/1/23）：3.78%[30] 5. **AI概念指数轮动模型**[4][35] * 年化收益率：23.22%[4][35] * 年化超额收益率（相对概念指数等权基准）：9.74%[35] * 超额收益最大回撤：20.16%[35] * 超额夏普比率：0.82[35] * 今年以来收益率（截至2026/1/23）：4.41%[35] 因子的回测效果 1. **全频段量价融合因子**[6] * 5日RankIC均值：0.114[6][7] * TOP层年化超额收益率（相对全A等权基准）：29.38%[6] * 今年以来TOP层超额收益率（截至2026/1/23）：0.40%[6]

量化模型与构建方式 1. **模型名称：A股技术打分模型**[2][9] * **模型构建思路**：通过挖掘技术面信息来刻画市场状态，并基于对当前状态的理解形成对未来走势的打分观点[2][9] * **模型具体构建过程**： 1. 将“市场状态”细分为价格、量能、波动、趋势和拥挤五个维度[9] 2. 在每个维度内筛选出有效的市场观测指标，共10个[9] 3. 每个指标独立发出多空择时信号[9] 4. 将10个指标的择时信号进行等权投票，综合形成一个介于-1至+1之间的打分结果[9] 5. 根据打分结果制定多空策略：得分 > +0.33时看多，得分在-0.33至+0.33之间时看平，得分 < -0.33时看空[11] 2. **模型名称：红利风格择时模型**[3][16] * **模型构建思路**：结合多个维度的趋势指标，对红利风格（以中证红利指数相对中证全指的收益率衡量）进行多空择时[3][16] * **模型具体构建过程**： 1. 选取三个择时指标： * 中证红利相对中证全指的动量（正向指标）[19] * 10Y-1Y期限利差（负向指标）[19] * 银行间质押式回购成交量（正向指标）[19] 2. 每个指标从趋势维度日频发出信号，取值为0（看平）、+1（看多）、-1（看空）[16] 3. 将三个维度的得分求和，根据其正负性作为最终多空观点[16] 4. 当模型看好红利风格时，全仓持有中证红利指数；不看好时，全仓持有中证全指[16] 3. **模型名称：大小盘风格择时模型**[3][20] * **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的趋势跟踪策略[3][20] * **模型具体构建过程**： 1. **计算拥挤度**：以沪深300指数代表大盘，万得微盘股指数代表小盘[20] * **动量得分**：计算小盘与大盘的10/20/30/40/50/60日动量之差，再计算各窗长动量之差在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘动量得分，分位数最低的3个结果取均值作为大盘动量得分[25] * **成交量得分**：计算小盘与大盘的10/20/30/40/50/60日成交额之比，再计算各窗长成交额之比在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘成交量得分，分位数最低的3个结果取均值作为大盘成交量得分[25] * **拥挤度得分**：将小盘（大盘）的动量得分和成交量得分取均值，得到小盘（大盘）拥挤度得分。小盘拥挤度得分大于90%视为触发高拥挤，大盘拥挤度得分小于10%视为触发高拥挤[25] 2. **判断运行区间**：若最近20个交易日中，小盘或大盘风格曾触发过高拥挤，则模型运行在高拥挤区间，否则运行在低拥挤区间[22] 3. **趋势择时**：在高拥挤区间，采用参数较小的双均线模型以应对可能的风格反转；在低拥挤区间，采用参数较大的双均线模型以跟踪中长期趋势[22] 4. **模型名称：遗传规划行业轮动模型**[4][28] * **模型构建思路**：采用遗传规划技术，直接对行业指数的量价、估值等特征进行因子挖掘，不再依赖人工设计打分规则，以构建行业轮动策略[4][32] * **模型具体构建过程**： 1. **因子挖掘**：使用双目标遗传规划（NSGA-II算法）对底层输入变量进行挖掘[32]。底层变量包括收盘价、开盘价、最高价、最低价、成交额、换手率、市净率等原始值、标准化值及分位数[37] 2. **因子评价**：同时使用|IC|（信息系数绝对值）和NDCG@5两个目标来评价因子的分组单调性和多头组表现，旨在挖掘出兼具单调性和优秀多头表现的因子[32] 3. **因子合成**：对挖掘得到的备选因子，结合贪心策略和方差膨胀系数（VIF），将共线性较弱的多个因子合成为行业综合得分[34] 4. **组合构建**：模型周频调仓，每周末选出多因子综合得分最高的五个行业进行等权配置[4][28] 5. **模型名称：中国境内全天候增强组合**[5][39] * **模型构建思路**：采用宏观因子风险预算框架，在四象限风险平价的基础上，基于宏观预期动量的观点主动超配看好的象限，以实现风险分散下的收益增强[5][39] * **模型具体构建过程**： 1. **宏观象限划分与资产选择**：选择增长和通胀两个宏观维度，根据是否超预期划分为四个象限（增长超预期、增长不及预期、通胀超预期、通胀不及预期）。结合定量与定性方式确定各象限适配的资产[42] 2. **象限组合构建与风险度量**：在每个象限内，将适配的资产等权构建子组合，并注重刻画象限的下行风险[42] 3. **风险预算与主动超配**：每月底，根据由“宏观预期动量指标”给出的“象限观点”来调整各象限的风险预算，从而主动超配看好的象限，实现策略增强[42] 量化因子与构建方式 1. **因子名称：技术面观测指标（10个）**[9][14] * **因子构建思路**：从价格、量能、波动、趋势、拥挤五个维度选取有效的技术指标，用于刻画市场状态[9] * **因子具体构建过程**：报告中列出了10个具体指标，包括： * **价格维度**：20日布林带、20日价格乖离率[14] * **量能维度**：20日换手乖离率、60日换手乖离率[14] * **趋势维度**：20日ADX、20日新高天数占比[14] * **波动维度**：60日换手率波动、期权隐含波动率[14] * **拥挤维度**：成分股涨停家数占比5日平均、期权持仓量PCR-5日平均[14] 2. **因子名称：遗传规划挖掘的权重最高因子**[37][38] * **因子构建思路**：通过双目标遗传规划算法从量价数据中自动挖掘出的有效行业轮动因子[37] * **因子具体构建过程**： 1. 在截面上，用全体行业标准化日度成交额对当日跳空缺口开展带有常数项的一元线性回归，取残差，记作变量A[38] 2. 在过去9个交易日中，取标准化日度成交额最大的交易日索引，记作变量B[38] 3. 在过去50个交易日中，将变量A和B开展时序回归取截距项，记作变量C[38] 4. 计算过去45个交易日变量C和标准化月度开盘价的协方差，作为因子值[38] * **因子表达式**：`ts_covariance_torch(ts_regalpha_torch(xs_regres_torch(volume_st, jump_gap), ts_argmax_torch(volume_st, 9), 50), mopen_st, 45)`[37] 模型的回测效果 （回测区间：2010-01-04 至 2026-01-23，除非特别说明） 1. **A股技术打分模型**，年化收益20.78%，年化波动17.32%，最大回撤-23.74%，夏普比率1.20，Calmar比率0.88[15] 2. **红利风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益16.82%，最大回撤-25.52%，夏普比率0.92，Calmar比率0.66，YTD收益7.46%，上周收益1.77%[17] 3. **大小盘风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益28.46%，最大回撤-32.05%，夏普比率1.19，Calmar比率0.89，YTD收益11.85%，上周收益5.25%[26] 4. **遗传规划行业轮动模型**（回测区间：2022-09-30 至 2026-01-23），年化收益32.92%，年化波动17.43%，夏普比率1.89，最大回撤-19.63%，卡玛比率1.68，上周表现3.37%，YTD收益6.80%[31] 5. **中国境内全天候增强组合**（回测区间：2013-12-31 至 2026-01-23），年化收益11.93%，年化波动6.20%，夏普比率1.92，最大回撤-6.30%，卡玛比率1.89，上周表现1.54%，YTD收益3.59%[43] 因子的回测效果 （回测区间：2010-01-04 至 2026-01-23，起始日期不同者已标注） 1. **20日价格乖离率**，年化收益13.24%，年化波动23.52%，最大回撤-42.04%，夏普比率0.56，Calmar比率0.32[15] 2. **布林带**（回测起始：2015-04-09），年化收益14.82%，年化波动24.68%，最大回撤-31.45%，夏普比率0.60，Calmar比率0.47[15] 3. **20日换手率乖离率**，年化收益13.06%，年化波动23.53%，最大回撤-38.79%，夏普比率0.56，Calmar比率0.34[15] 4. **60日换手率乖离率**，年化收益17.89%，年化波动23.52%，最大回撤-29.57%，夏普比率0.76，Calmar比率0.61[15] 5. **20日ADX**，年化收益15.33%，年化波动23.52%，最大回撤-52.27%，夏普比率0.65，Calmar比率0.29[15] 6. **20日创新高占比**，年化收益8.75%，年化波动16.11%，最大回撤-32.44%，夏普比率0.54，Calmar比率0.27[15] 7. **期权隐含波动率**（回测起始：2015-03-30），年化收益11.91%，年化波动24.69%，最大回撤-50.95%，夏普比率0.48，Calmar比率0.23[15] 8. **60日换手率波动**，年化收益11.58%，年化波动14.27%，最大回撤-20.60%，夏普比率0.81，Calmar比率0.56[15] 9. **5日涨停占比平均**，年化收益14.15%，年化波动23.52%，最大回撤-34.98%，夏普比率0.60，Calmar比率0.40[15] 10. **5日持仓量PCR平均**，年化收益4.55%，年化波动23.55%，最大回撤-55.73%，夏普比率0.19，Calmar比率0.08[15]

量化模型与因子构建方式 基本面因子 市值因子 1. **因子名称**：对数总市值 (ln_mv) * **构建思路**：反映上市公司的规模特征，是基础的风格因子之一[38]。 * **具体构建过程**：使用Wind字段`S_VAL_MV`（当日总市值），计算其自然对数[39]。 $$ln\_mv = \ln(S\_VAL\_MV)$$ * **因子评价**：在港股通股票池中表现出一定的正向效应，但稳定性较弱[39]。 2. **因子名称**：对数流通市值 (ln_float_mv) * **构建思路**：反映上市公司的流通规模特征[38]。 * **具体构建过程**：使用Wind字段`S_DQ_MV`（当日流通市值），计算其自然对数[39]。 $$ln\_float\_mv = \ln(S\_DQ\_MV)$$ * **因子评价**：在两个股票池中均表现出一定的正向效应，即流通市值较大的股票长期收益略高，但稳定性较弱[39]。 3. **因子名称**：非线性市值 (nlsize) * **构建思路**：捕捉市值维度的非线性收益驱动逻辑[38]。 * **具体构建过程**：使用Wind字段`S_VAL_MV`（当日总市值），计算总市值对数的三次方对总市值对数的正交增量[39]。 * **因子评价**：在两类选股池中的有效性差异较大，在港股通中有效性较强[39]。 成长因子 1. **因子名称**：经营活动产生的现金流净额（ttm）同比增长率 (ocf_ttm_yoy) * **构建思路**：反映上市公司现金流维度的增长能力，衡量企业未来发展的持续性与确定性[42]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额），计算其TTM值相对于去年同期的增长率[43]。 $$ocf\_ttm\_yoy = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM, t}}{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM, t-12m}} - 1$$ * **因子评价**：在港股市场整体具备正向选股能力，该指标表现尤为突出，符合机构投资者看重现金流支撑的真实成长的逻辑[44]。 2. **因子名称**：归母公司净利润（扣非，ttm）同比增长率 (np_deducted_yoy) * **构建思路**：反映上市公司扣除非经常性损益后的净利润增长能力[42]。 * **具体构建过程**：使用Wind字段`NONCONTINUOUS_NET_OP - MINORITY_INT_INC`（归母公司净利润（扣非）），计算其TTM值相对于去年同期的增长率[43]。 $$np\_deducted\_yoy = \frac{(NONCONTINUOUS\_NET\_OP - MINORITY\_INT\_INC)_{TTM, t}}{(NONCONTINUOUS\_NET\_OP - MINORITY\_INT\_INC)_{TTM, t-12m}} - 1$$ * **因子评价**：在港股市场整体具备正向选股能力，该指标表现突出[44]。 3. **因子名称**：归母公司净利润（ttm）同比增长率 (np_ttm_yoy) * **构建思路**：反映上市公司净利润的增长能力[42]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润），计算其TTM值相对于去年同期的增长率[43]。 $$np\_ttm\_yoy = \frac{NET\_PROFIT\_CS_{TTM, t}}{NET\_PROFIT\_CS_{TTM, t-12m}} - 1$$ 4. **因子名称**：利润总额（ttm）同比增长率 (ebt_ttm_yoy) * **构建思路**：反映上市公司利润总额的增长能力[42]。 * **具体构建过程**：使用Wind字段`INC_PRETAX`（利润总额），计算其TTM值相对于去年同期的增长率[43]。 $$ebt\_ttm\_yoy = \frac{INC\_PRETAX_{TTM, t}}{INC\_PRETAX_{TTM, t-12m}} - 1$$ 5. **因子名称**：净资产收益率（TTM）同比增长率 (roe_ttm_yoy) * **构建思路**：反映上市公司净资产收益率指标的增长情况[42]。 * **具体构建过程**：先计算`roe_ttm`（归母公司净利润TTM / 净资产过去一年均值），再计算该值相对于去年同期的增长率[43]。 $$roe\_ttm\_yoy = \frac{roe\_ttm_{t}}{roe\_ttm_{t-12m}} - 1$$ 6. **因子名称**：营业总收入（ttm）同比增长率 (tot_rev_ttm_yoy) * **构建思路**：反映上市公司营业总收入的增长能力[42]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入），计算其TTM值相对于去年同期的增长率[43]。 $$tot\_rev\_ttm\_yoy = \frac{TOT\_OPER\_REV_{TTM, t}}{TOT\_OPER\_REV_{TTM, t-12m}} - 1$$ 7. **因子名称**：营业收入（ttm）同比增长率 (rev_ttm_yoy) * **构建思路**：反映上市公司营业收入的增长能力[42]。 * **具体构建过程**：使用Wind字段`BUS_INC`（营业收入），计算其TTM值相对于去年同期的增长率[43]。 $$rev\_ttm\_yoy = \frac{BUS\_INC_{TTM, t}}{BUS\_INC_{TTM, t-12m}} - 1$$ 8. **因子名称**：营业利润（ttm）同比增长率 (op_ttm_yoy) * **构建思路**：反映上市公司营业利润的增长能力[42]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润），计算其TTM值相对于去年同期的增长率[43]。 $$op\_ttm\_yoy = \frac{OPPROFIT_{TTM, t}}{OPPROFIT_{TTM, t-12m}} - 1$$ 9. **因子名称**：基本每股收益（ttm）同比增长率 (eps_ttm_yoy) * **构建思路**：反映上市公司每股收益的增长能力[42]。 * **具体构建过程**：先计算基本每股收益（归母公司净利润TTM / 加权平均总股本），再计算该值相对于去年同期的增长率[43]。 $$eps\_ttm\_yoy = \frac{eps\_ttm_{t}}{eps\_ttm_{t-12m}} - 1$$ 10. **因子名称**：每股经营活动产生的现金流净额（ttm）同比增长率 (ocfps_ttm_yoy) * **构建思路**：反映上市公司每股现金流的增长能力[42]。 * **具体构建过程**：先计算每股经营活动现金流净额TTM（经营活动现金流净额TTM / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$ocfps\_ttm\_yoy = \frac{ocfps\_ttm_{t}}{ocfps\_ttm_{t-12m}} - 1$$ 11. **因子名称**：每股营业收入（ttm）同比增长率 (orps_ttm_yoy) * **构建思路**：反映上市公司每股营业收入的增长能力[42]。 * **具体构建过程**：先计算每股营业收入TTM（营业总收入TTM / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$orps\_ttm\_yoy = \frac{orps\_ttm_{t}}{orps\_ttm_{t-12m}} - 1$$ 12. **因子名称**：资产总计同比增长率 (tot_assets_yoy) * **构建思路**：反映上市公司资产规模的扩张能力[42]。 * **具体构建过程**：使用Wind字段`TOT_ASSETS`（资产总计），计算其期末值相对于去年同期的增长率[43]。 $$tot\_assets\_yoy = \frac{TOT\_ASSETS_{t}}{TOT\_ASSETS_{t-12m}} - 1$$ 13. **因子名称**：归母公司股东权益总计同比增长率 (tot_equity_yoy) * **构建思路**：反映上市公司股东权益的增长能力[42]。 * **具体构建过程**：使用Wind字段`PARSH_INT`（归母公司股东权益），计算其期末值相对于去年同期的增长率[43]。 $$tot\_equity\_yoy = \frac{PARSH\_INT_{t}}{PARSH\_INT_{t-12m}} - 1$$ 14. **因子名称**：每股净资产同比增长率 (bps_yoy) * **构建思路**：反映上市公司每股净资产的增长能力[42]。 * **具体构建过程**：先计算每股净资产（归母公司股东权益期末值 / 最新总股本），再计算该值相对于去年同期的增长率[43]。 $$bps\_yoy = \frac{bps_{t}}{bps_{t-12m}} - 1$$ 15. **因子名称**：归母公司净利润（ttm)过去三年复合增速 (np_ttm_cagr_3y) * **构建思路**：反映上市公司净利润的长期复合增长能力[42]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润），计算其TTM值过去三年的复合增长率[43]。 16. **因子名称**：总资产净利率（ROA1，TTM）同比增长率 (roa1_ttm_yoy) * **构建思路**：反映上市公司总资产净利率指标的增长情况[42]。 * **具体构建过程**：先计算`roa1_ttm`（净利润(含少数股东损益)TTM / 总资产过去一年均值），再计算该值相对于去年同期的增长率[43]。 $$roa1\_ttm\_yoy = \frac{roa1\_ttm_{t}}{roa1\_ttm_{t-12m}} - 1$$ 17. **因子名称**：总资产收益率（ROA2，TTM）同比增长率 (roa2_ttm_yoy) * **构建思路**：反映上市公司总资产收益率指标的增长情况[42]。 * **具体构建过程**：先计算`roa2_ttm`（EBIT / 总资产），再计算该值相对于去年同期的增长率[43]。 $$roa2\_ttm\_yoy = \frac{roa2\_ttm_{t}}{roa2\_ttm_{t-12m}} - 1$$ 18. **因子名称**：投入资本回报率（TTM）同比增长率 (roic_ttm_yoy) * **构建思路**：反映上市公司投入资本回报率指标的增长情况[42]。 * **具体构建过程**：先计算`roic_ttm`，再计算该值相对于去年同期的增长率[43]。 $$roic\_ttm\_yoy = \frac{roic\_ttm_{t}}{roic\_ttm_{t-12m}} - 1$$ 价值因子 1. **因子名称**：市净率倒数 (bp) * **构建思路**：反映上市公司股价与净资产（账面价值）的相对关系，是价值投资的核心指标之一[48]。 * **具体构建过程**：使用Wind字段`PARSH_INT`（归母公司股东权益）和`S_VAL_MV`（总市值），计算最新财报净资产与总市值的比值[49]。 $$bp = \frac{PARSH\_INT}{S\_VAL\_MV}$$ * **因子评价**：在两个选股池中均具有一定的有效性，选股能力较好[49]。 2. **因子名称**：市盈率倒数(TTM) (ep_ttm) * **构建思路**：反映上市公司股价与过去十二个月净利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润）和`S_VAL_MV`（总市值），计算归母公司净利润TTM与总市值的比值[49]。 $$ep\_ttm = \frac{NET\_PROFIT\_CS_{TTM}}{S\_VAL\_MV}$$ * **因子评价**：在两个选股池中均具有一定的有效性，选股能力较好[49]。 3. **因子名称**：市销率倒数(TTM) (sp_ttm) * **构建思路**：反映上市公司股价与营业收入的相对关系[48]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入）和`S_VAL_MV`（总市值），计算营业总收入TTM与总市值的比值[49]。 $$sp\_ttm = \frac{TOT\_OPER\_REV_{TTM}}{S\_VAL\_MV}$$ 4. **因子名称**：市盈率倒数 2(TTM) (opp_ttm) * **构建思路**：反映上市公司股价与营业利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润）和`S_VAL_MV`（总市值），计算营业利润TTM与总市值的比值[49]。 $$opp\_ttm = \frac{OPPROFIT_{TTM}}{S\_VAL\_MV}$$ 5. **因子名称**：市现率 1(TTM) (pocf_ttm) * **构建思路**：反映上市公司股价与经营性现金流的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额）和`S_VAL_MV`（总市值），计算经营性现金流净额TTM与总市值的比值[49]。 $$pocf\_ttm = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{TTM}}{S\_VAL\_MV}$$ * **因子评价**：选股能力较好[49]。 6. **因子名称**：市现率 2(TTM) (pncf_ttm) * **构建思路**：反映上市公司股价与现金净流量的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_INCR_CASH_CASH_EQU`（现金及现金等价物净增加额）和`S_VAL_MV`（总市值），计算现金净流量TTM与总市值的比值[49]。 $$pncf\_ttm = \frac{NET\_INCR\_CASH\_CASH\_EQU_{TTM}}{S\_VAL\_MV}$$ 7. **因子名称**：市盈率倒数(LYR) (ep_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度净利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_PROFIT_CS`（归母公司净利润）和`S_VAL_MV`（总市值），计算归母公司净利润（上一完整会计年度）与总市值的比值[49]。 $$ep\_lyr = \frac{NET\_PROFIT\_CS_{LYR}}{S\_VAL\_MV}$$ 8. **因子名称**：市销率倒数(LYR) (sp_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度营业收入的相对关系[48]。 * **具体构建过程**：使用Wind字段`TOT_OPER_REV`（营业总收入）和`S_VAL_MV`（总市值），计算营业总收入（上一完整会计年度）与总市值的比值[49]。 $$sp\_lyr = \frac{TOT\_OPER\_REV_{LYR}}{S\_VAL\_MV}$$ 9. **因子名称**：市盈率倒数 2(LYR) (opp_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度营业利润的相对关系[48]。 * **具体构建过程**：使用Wind字段`OPPROFIT`（营业利润）和`S_VAL_MV`（总市值），计算营业利润（上一完整会计年度）与总市值的比值[49]。 $$opp\_lyr = \frac{OPPROFIT_{LYR}}{S\_VAL\_MV}$$ 10. **因子名称**：市现率 1(LYR) (pocf_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度经营性现金流的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_CASH_FLOWS_OPER_ACT`（经营活动产生的现金流量净额）和`S_VAL_MV`（总市值），计算经营性现金流净额（上一完整会计年度）与总市值的比值[49]。 $$pocf\_lyr = \frac{NET\_CASH\_FLOWS\_OPER\_ACT_{LYR}}{S\_VAL\_MV}$$ 11. **因子名称**：市现率 2(LYR) (pncf_lyr) * **构建思路**：反映上市公司股价与上一完整会计年度现金净流量的相对关系[48]。 * **具体构建过程**：使用Wind字段`NET_INCR_CASH_CASH_EQU`（现金及现金等价物净增加额）和`S_VAL_MV`（总市值），计算现金净流量（上一完整会计年度）与总市值的比值[49]。 $$pncf\_lyr = \frac{NET\_INCR\_CASH\_C

此次扩容呈现出两个鲜明趋势：一是"多元化"，具有险资背景的百亿私募增至3家，外资百亿私募也增 至2家；二是"量化主导"，在当前118家百亿私募中，量化策略机构多达55家，占比高达46.61%，稳固占 据主流；主观策略私募有48家，占比40.68%，主观与量化混合策略私募有12家，占比10.17%。这从规 模层面印证了，量化投资已成为头部机构不可忽视的核心力量。 MACD金叉信号形成，这些股涨势不错！ 格隆汇1月25日｜据时代财经，一边是争议不断，一边是业绩狂飙，被一些市场人士吐槽在股市"割韭 菜"的量化私募在2025年取得了好成绩：40家百亿量化私募全部正收益，超20家业绩翻倍。近日，私募 排排网统计显示，全年有业绩展示的244家量化私募旗下股票策略产品平均收益达36.72%，其中正收益 机构达239家，占比高达97.95%。 量化私募交出惊人业绩的同时，百亿私募俱乐部也在急速扩容与洗牌。根据最新数据，截至2026年1月 23日，百亿证券私募管理人总数已增至118家，较2025年末净增5家。阵营内部新陈代谢活跃：当月有4 家机构退出，同时有9家机构新晋或重返百亿行列。 ...

基金业绩表现 - 2025年第四季度基金利润为6.09万元，加权平均基金份额本期利润为0.011元，季度净值增长率为2.1% [2] - 截至2025年四季度末，基金规模为736.49万元 [2][15] - 截至1月22日，基金近三个月复权单位净值增长率为12.77%，在689只同类可比基金中排名第230位；近半年增长率为39.87%，排名第127位；近一年增长率为52.82%，在673只同类可比基金中排名第170位 [3] - 基金成立以来夏普比率为1.313 [7] - 基金成立以来最大回撤为16.67%，单季度最大回撤出现在2025年第二季度，为10.85% [10] 投资策略与行业配置 - 基金管理人坚持以新能源行业长期发展趋势为导向，采用量化投资方法，结合自上而下的行业景气度跟踪与量化模型 [3] - 投资组合聚焦于光伏、风电、储能、新能源汽车等核心细分领域，重点配置产业链中具备技术优势、产能优势与成本优势的优质标的 [3] - 下阶段将继续以新能源行业为主线，关注光伏高效电池、风电大兆瓦机型、长时储能（热泵储能、液流电池）、新能源汽车智能化等方向的机会 [3] - 成立以来平均股票仓位为75.67%，低于同类平均的84.04%；股票仓位在2025年一季度末达到最高的83.86%，在三季度末降至最低的62.68% [13] 基金持仓与比较 - 截至2025年四季度末，基金前十大重仓股为：宏发股份、宁德时代、尚太科技、璞泰来、阳光电源、科达利、明阳电气、天赐材料、中国汽研、景津装备 [18] - 截至1月22日，该基金单位净值为1.431元 [2] - 基金经理车广路和包佳敏共同管理3只基金，截至1月22日，湘财新能源量化选股混合A近一年复权单位净值增长率最高（52.82%），湘财长兴灵活配置混合A最低（31.54%） [2]

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选股[5]；模型具体构建过程：报告未详细描述该增强组合的具体多因子模型构建过程，仅展示了其业绩表现。从上下文推断，其构建应遵循国泰海通金融工程团队的多因子选股框架，可能综合了风格、技术、基本面等多类因子进行打分和权重配置。 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选股[5]；模型具体构建过程：报告未详细描述该增强组合的具体多因子模型构建过程，仅展示了其业绩表现。从上下文推断，其构建应遵循国泰海通金融工程团队的多因子选股框架。 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选股[5]；模型具体构建过程：报告未详细描述该增强组合的具体多因子模型构建过程，仅展示了其业绩表现。从上下文推断，其构建应遵循国泰海通金融工程团队的多因子选股框架。 4. **模型名称：进取组合**；模型构建思路：基于多因子模型构建的主动量化组合，基准为中证500指数[9]；模型具体构建过程：报告未详细描述该组合的具体多因子模型构建过程，仅展示了其业绩表现。从名称“进取”推断，其可能采用了更高风险暴露的因子配置或更积极的调仓策略。 5. **模型名称：平衡组合**；模型构建思路：基于多因子模型构建的主动量化组合，基准为中证500指数[9]；模型具体构建过程：报告未详细描述该组合的具体多因子模型构建过程，仅展示了其业绩表现。从名称“平衡”推断，其可能采用了风险收益更为均衡的因子配置。 6. **模型名称：绩优基金的独门重仓股组合**；模型构建思路：通过分析绩优基金的持仓，筛选其独门重仓股构建组合[5]；模型具体构建过程：报告未详细描述该组合的具体筛选和构建过程，仅展示了其业绩表现。 7. **模型名称：盈利、增长、现金流三者兼优组合**；模型构建思路：从盈利、增长、现金流三个基本面维度筛选优质股票构建组合[5]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 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）和高盈利指标，筛选有基本面支撑的低估值股票构建组合[5][30]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 9. **模型名称：GARP组合**；模型构建思路：采用“合理价格成长”（GARP）策略，兼顾成长性与估值，筛选股票构建组合[9][33]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 10. **模型名称：小盘价值优选组合1**；模型构建思路：在小盘股范围内，基于价值因子优选股票构建组合[9][35]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 11. **模型名称：小盘价值优选组合2**；模型构建思路：在小盘股范围内，基于价值因子优选股票构建组合（可能与组合1在因子权重或具体选股标准上有所不同）[9][37]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 12. **模型名称：小盘成长组合**；模型构建思路：在小盘股范围内，基于成长因子优选股票构建组合[5][39]；模型具体构建过程：报告未详细描述该组合的具体因子定义、标准化、加权合成等构建过程，仅展示了其业绩表现。 量化因子与构建方式 1. **因子名称：市值因子**；因子的构建思路：衡量公司规模大小的因子，通常认为小市值股票存在溢价[5][42]；因子具体构建过程：报告未给出具体计算公式。通常为股票的总市值（总股本×股价），并进行标准化等处理。 2. **因子名称：PB因子**；因子的构建思路：市净率因子，衡量估值水平，通常认为低估值股票存在溢价[5][42]；因子具体构建过程：报告未给出具体计算公式。通常为股票价格除以每股净资产（P/B）。 3. **因子名称：PE_TTM因子**；因子的构建思路：滚动市盈率因子，衡量估值水平，通常认为低估值股票存在溢价[42]；因子具体构建过程：报告未给出具体计算公式。通常为股票价格除以最近四个季度的每股收益（P/E TTM）。 4. **因子名称：反转因子**；因子的构建思路：技术类因子，基于过去一段时间股价的涨跌幅，认为过去表现差的股票未来可能反弹，过去表现好的股票未来可能回调[5][46]；因子具体构建过程：报告未给出具体计算公式。通常计算过去N个交易日的收益率并取负值（-1 * Return_{t-N, t}）。 5. **因子名称：换手率因子**；因子的构建思路：技术类因子，衡量股票流动性或交易活跃度，通常认为低换手率股票存在溢价[5][46]；因子具体构建过程：报告未给出具体计算公式。通常为过去一段时间成交股数除以流通股本。 6. **因子名称：波动率因子**；因子的构建思路：技术类因子，衡量股票价格波动风险，通常认为低波动率股票存在溢价[5][46]；因子具体构建过程：报告未给出具体计算公式。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**；因子的构建思路：净资产收益率因子，衡量公司盈利能力的质量，通常认为高ROE股票存在溢价[50]；因子具体构建过程：报告未给出具体计算公式。通常为净利润除以净资产。 8. **因子名称：SUE因子**；因子的构建思路：标准化未预期盈余因子，衡量公司盈利增长的超预期程度，通常认为高SUE股票存在溢价[5][50]；因子具体构建过程：报告未给出具体计算公式。通常为（当期实际EPS - 分析师预期EPS）除以历史预期误差的标准差。 9. **因子名称：预期净利润调整因子**；因子的构建思路：衡量分析师对公司未来盈利预测的调整方向，通常认为盈利预测上调的股票存在溢价[5][50]；因子具体构建过程：报告未给出具体计算公式。通常计算一段时间内分析师对未来净利润一致预期的调整幅度。 模型的回测效果 （数据统计区间：2025年12月31日至2026年1月23日） 1. 沪深300增强组合，绝对收益7.27%，超额收益5.70%，跟踪误差4.26%，最大相对回撤0.38%[9] 2. 中证500增强组合，绝对收益13.08%，超额收益-1.98%，跟踪误差6.07%，最大相对回撤4.77%[9] 3. 中证1000增强组合，绝对收益13.09%，超额收益1.56%，跟踪误差7.89%，最大相对回撤2.78%[9] 4. 进取组合，绝对收益14.85%，超额收益-0.22%，跟踪误差20.89%，最大相对回撤12.81%[9] 5. 平衡组合，绝对收益13.75%，超额收益-1.31%，跟踪误差17.27%，最大相对回撤11.94%[9] 6. 绩优基金的独门重仓股组合，绝对收益8.99%，超额收益2.51%，跟踪误差18.82%，最大相对回撤3.12%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益4.45%，超额收益2.88%，跟踪误差11.53%，最大相对回撤3.01%[9] 8. PB-盈利优选组合，绝对收益5.21%，超额收益3.64%，跟踪误差13.29%，最大相对回撤4.47%[9] 9. GARP组合，绝对收益10.38%，超额收益8.81%，跟踪误差13.10%，最大相对回撤2.90%[9] 10. 小盘价值优选组合1，绝对收益10.59%，超额收益-1.42%，跟踪误差8.54%，最大相对回撤4.47%[9] 11. 小盘价值优选组合2，绝对收益14.24%，超额收益2.23%，跟踪误差8.17%，最大相对回撤1.53%[9] 12. 小盘成长组合，绝对收益11.43%，超额收益-0.57%，跟踪误差10.20%，最大相对回撤2.89%[9] 因子的回测效果 （数据统计区间：2025年12月31日至2026年1月23日，多空收益） 1. 市值因子，全市场3.18%，沪深300 9.44%，中证500 -11.69%，中证1000 -2.91%[42][43] 2. PB因子，全市场-5.03%，沪深300 -9.91%，中证500 -9.32%，中证1000 -5.87%[42][43] 3. PE_TTM因子，全市场-2.61%，沪深300 -10.54%，中证500 -12.93%，中证1000 -6.75%[42][43] 4. 反转因子，全市场-6.43%，沪深300 -3.16%，中证500 -18.38%，中证1000 -2.25%[48] 5. 换手率因子，全市场-1.66%，沪深300 -8.40%，中证500 -17.37%，中证1000 -4.80%[48] 6. 波动率因子，全市场-5.02%，沪深300 -8.44%，中证500 -19.74%，中证1000 -5.49%[48] 7. ROE因子，全市场0.43%，沪深300 -5.38%，中证500 -1.92%，中证1000 1.83%[50][51] 8. SUE因子，全市场1.27%，沪深300 0.72%，中证500 -1.53%，中证1000 0.70%[50][51] 9. 预期净利润调整因子，全市场0.92%，沪深300 2.96%，中证500 2.78%，中证1000 -1.25%[50][51]

| 排 席 | 私募二级策略 | 有业绩展示的 量化产品 | 2025年平均收益 | 2025年平均 超额收益 | | --- | --- | --- | --- | --- | | 1 | 量化多头 | 806 | 44.74% | 16.46% | | 2 | 量化CTA | 375 | 20.21% | 14.04% | | 3 | 股票市场中性 | 186 | 9.58% | -6.87% | | 4 | 复合策略 | 158 | 26.94% | 7.86% | | 5 | 期权策略 | 54 | 12.41% | 6.65% | | --- | --- | --- | --- | --- | | 6 | 转债交易策略 | 46 | 22.67% | 3.39% | | 7 | 套利策略 | 39 | 11.77% | -5.01% | | 8 | 宏观策略 | 38 | 23.57% | 4.90% | | 9 | 股票多空 | 31 | 16.13% | -1.30% | | 10 | FOF | 21 | 15.66% | -1.70% | | 11 | 债券复合策略 | 17 | 12.10 ...

公司发展历程与平台化战略 - 公司成立于2016年，发展历经三个阶段：量化孵化、自有资金管理、最终定位为多策略多基金经理（PM）的平台型资产管理公司 [2] - 参考美国成熟市场，采用多PM平台模式以抵御单一策略或市场周期波动，保障经营稳定性 [2] - 目前公司管理规模约19亿元，旗下拥有多组量化股票、可转债、主观期货、套利及资产配置团队 [2] 科技金融与创新实践 - 直接投资并运营科技子公司，去年组建了由互联网大厂人员组成的AI研发团队，专注于“AI+证券”领域，研发量化因子自动化挖掘、研报智能复现等工具 [2] - 在硬件投入上不遗余力，在杭州萧山世纪城自建了规模可观的独立机房，在算力等硬件基础设施上进行了超前投入 [2] - 积极探索AI技术对投资流程的改造，利用自研及外部工具显著提升研究效率，未来目标是探索将前沿研报、学术论文自动转化为有效因子或模型 [3] - 公司氛围趋向科技化，倡导“人人用AI”，但作为平台型公司，未来定位是做量化、主观等多种策略的融合体 [3] 企业社会责任实践 - 公司及其关联方长期将公益捐赠视为系统性、持续性的事业，重点支持教育事业发展与青年人才培养 [4] - 已向浙江大学等高校提供捐助，并通过设立专项奖学金、资助学术竞赛、支持科研项目等方式，助力金融科技、量化研究等前沿领域的学科建设与人才培养 [4] - 早期控股股东旗下设有公益慈善基金会，在文化传承、公益扶贫、教育助学等领域开展工作，“公益向善”的价值观自上而下深刻影响了公司文化 [4] - 公司鼓励员工参与志愿服务、支持员工发起公益项目，已发展成为一种柔性机制 [4] - 公司未将公益行为作为宣传重点，而是视为一种与业务发展并行不悖的自然担当，认为金融企业的生命力也体现在其对社会的正面影响力上 [5] 对行业平台与信任构建的看法 - “星耀领航计划”为私募机构提供了宝贵的展示与沟通平台，建议其地理范围可进一步拓展至一些私募集聚地，并持续传递优秀私募机构的多维价值 [6] - 私募行业靠的是信任，通过此类平台能向投资人、合作伙伴传递专业投资理念，也能展现其在社会责任、合规治理等方面的正面形象，对构建长期信任的品牌至关重要 [6] - 公司未来发展展望是“已经走在前面，先行先试。持续做下去，价值会愈发凸显。” [6] - “星耀领航计划”相关负责人认为，公司的发展路径展现了私募机构专业化、多元化发展的可能性，其对科技工具的应用和硬件的投入体现了在推动金融科技融合方面的积极探索，其社会责任实践为行业树立了良好典范 [6]

公司发展历程与平台化战略 - 公司成立于2016年，发展历经三个阶段：第一阶段从事量化孵化并引进海外人才回国创业，第二阶段进行自有资金管理，第三阶段定位于打造多策略、多基金经理的平台型资产管理公司[3] - 参考美国成熟市场，头部量化机构多采用多PM平台模式，平台化模式能更好地抵御单一策略或市场周期波动，保障公司经营稳定性[3] - 公司当前管理规模约19亿元，旗下拥有多组量化股票、可转债、主观期货、套利及资产配置团队[3] 科技金融与创新探索 - 公司直接投资并运营科技子公司，去年组建了一支由互联网大厂人员组成的AI研发团队，专注于“AI+证券”领域，重点研发量化因子自动化挖掘、研报智能复现等工具[3] - 公司在硬件投入上不遗余力，在杭州萧山世纪城自建了规模可观的独立机房，在算力等硬件基础设施上进行了超前投入[3] - 公司积极探索AI技术对投资流程的改造，利用自研及外部工具显著提升了研究效率，降低了实习生需求，并使因子验证更高效[4] - 公司未来目标是探索将前沿研报、学术论文自动转化为有效因子或模型，但目前该探索仍处于初级阶段[4] - 公司认为量化本身具有较强的科技属性，公司氛围已趋向科技化，倡导“人人用AI”，但作为平台型公司，其策略包容性更强，未来定位将是量化、主观等多种策略的融合体[4] 企业社会责任实践 - 公司及其关联方长期以来将公益捐赠视为一项系统性、持续性的事业，重点支持教育事业发展与青年人才培养[6] - 公司已向浙江大学等高校提供捐助，并通过设立专项奖学金、资助学术竞赛、支持科研项目等方式，助力高校在金融科技、量化研究等前沿领域的学科建设与人才培养[6] - 公司早期控股股东旗下设有公益慈善基金会，在文化传承、公益扶贫、教育助学等领域开展了大量工作，“公益向善”的价值观自上而下深刻影响了公司文化[6] - 公司鼓励员工参与志愿服务、支持员工发起公益项目，这已发展成为一种柔性机制，社会责任意识已内化为团队的自觉行动[6] - 公司并未将公益行为作为宣传重点，而是将其视为一种与业务发展并行不悖的自然担当，认为金融企业的生命力不仅体现在资本回报上，更体现在其对社会的正面影响力上[7] 对行业平台与信任构建的看法 - 公司认为“星耀领航计划”为私募机构提供了宝贵的展示与沟通平台，并建议其地理范围可进一步拓展至一些私募集聚地，且平台能持续传递优秀私募机构的多维价值[9] - 公司认为私募行业靠的是信任，通过此类平台能向投资人、合作伙伴传递专业的投资理念，也能展现其在社会责任、合规治理等方面的正面形象，这对于构建值得长期信任的品牌至关重要[9] - 公司对未来发展的展望是“已经走在前面，先行先试，持续做下去，价值会愈发凸显”[9] - “星耀领航计划”相关负责人表示，公司从量化孵化到平台化运营的发展路径展现了私募机构专业化、多元化发展的可能性，其对科技工具的主动应用、对硬件的坚决投入体现了私募机构在推动金融科技融合方面的积极探索[9]