核心事件 - 国内百亿量化私募上海启林投资管理有限公司创始合伙人沈显兵于2月2日10时36分与世长辞，享年40岁 [1][17] - 公司发布讣告，表达深切哀悼，此事件对公司及家庭造成重大影响 [3][19] 创始人背景与公司创立 - 沈显兵出生于1986年8月，毕业于中国科学技术大学物理学专业，与公司创始人王鸿勇为校友 [3][20] - 创立启林投资前，沈显兵曾任职于科大讯飞等科技公司，具备科技与商业的复合背景 [5][21] - 2015年5月，沈显兵与王鸿勇、董成共同创立启林投资，公司名称寓意创业艰辛与开拓精神 [7][23] - 沈显兵深度参与公司筹建与运营，是核心支柱之一，于2017年8月31日取得基金从业资格 [7][23] - 根据天眼查，王鸿勇、董成与沈显兵三人的穿透持股比例分别约为39%、32%和23% [7][23] 公司发展历程与现状 - 2016年3月，公司作为投顾发行首只量化对冲产品；2017年获得私募牌照并发行首只自主管理产品 [9][25] - 2018年初，管理规模突破10亿元；2019年初突破30亿元；2021年1月22日跻身百亿量化私募行列 [9][25] - 截至2025年末，公司管理规模在150亿元至200亿元区间 [9][25] - 在2025年百强量化私募业绩中，公司排名第47位，与幻方等37家百亿量化机构同时上榜 [9][25] - 公司注册资本为1063.26万元，实际控制人为王鸿勇，会员代表为董成 [10][26] - 公司目前正在运作的产品有325只，提前清算253只，正常清算12只 [10][26] - 公司核心团队来自清华大学、北京大学、复旦大学等顶尖学府，成员多为博士或硕士 [9][25] 产品业绩与策略特点 - 私募排排网披露了公司9只产品的年化收益，业绩表现较为亮眼 [10][26] - “启林正兴东绣1号A类份额”和“启林正兴东绣1号”（均为中证500指数增强）自2019年3月22日运作以来，涨幅分别为261.12%和258.35%，跑赢沪深300约10倍 [10][26] - “启林中证500指数增强32号”年化收益为8.08%，自2021年8月运作以来涨幅41.78%，远高于同期沪深300指数的-4.62% [10][26] - 今年以来，“启林同盈1号”及其B类份额出现亏损，分别为-0.8%和-0.78% [10][26] - 私募排排网显示的所有公司产品均由王鸿勇担任投资经理 [12][28] - 公司管理规模中超过80%为指数增强策略产品，其中以中证500ETF和中证1000ETF为主 [13][29] - 公司策略研究聚焦科技企业特质，专门针对科技类上市公司开发并优化因子与策略 [13][29] - 公司技术驱动，在量化投资的各个环节广泛应用人工智能与机器学习算法 [13][29]

公司产品业绩表现 - 截至2026年1月30日，公司旗下成立超1年的5只指数增强基金过去1年均实现超额回报 [2] - 鹏华国证2000指数增强A近1年净值增长率61.80%，实现18.16%的历史超额回报 [2] - 鹏华中证1000指数增强A近1年净值增长率达55.83%，超越基准16.86% [2] 公司产品线布局 - 公司量化指数增强产品家族共涵盖8只基金，构建了覆盖不同市值、不同赛道的全维度矩阵 [3] - 在传统宽基指数领域实现全市值覆盖，包括沪深300、中证500、中证1000、国证2000 [3] - 积极布局新兴宽基与特色赛道，包括中证A500指数增强、科创50增强ETF、上证科创100指数增强A及上证科创板综合指数增强A [3] 公司量化投资方法论 - 核心优势在于通过“融合”实现“1+1>2”的效果，例如在因子库上实现“基本面因子+量价因子+另类数据因子”的三维融合 [4] - 在模型融合上将经典多因子模型与机器学习模型相结合，兼顾策略稳定性与灵活性 [4] - 团队精选200-300个有效因子纳入模型，并持续跟踪学术前沿与市场动态以开发新因子 [5] 公司技术支撑体系 - 团队搭建自研金融科技平台，部署顶级算力集群，实现微秒级行情捕捉与高效模型训练 [5] - 结合海量多维数据清洗与分析，将数据资产转化为高置信度的投资信号 [5] 行业发展趋势 - 指增基金正迎来发展黄金期，政策引导下“长钱”持续注入，居民储蓄向投资端迁移，为产品提供了广阔发展空间 [6]

量化模型与构建方式 1. **模型/因子名称**：Smart Beta 多因子复合模型 **模型/因子构建思路**：在指数编制方案中，采用红利、等权、低波动、价值、成长等单一因子或多个因子复合的方式来筛选成分股，以获取超越传统市值加权指数的风险调整后收益[13]。 **模型/因子具体构建过程**：报告未详细描述具体的因子合成公式或模型构建步骤，仅指出Smart Beta类基金跟踪的指数采用了此类方法。其核心思路是，在指数成分股的选择或权重分配上，不再仅依赖市值，而是依据一个或多个特定的因子（如股息率、波动率、估值、成长性）进行优化。例如，红利指数可能依据股息率筛选和加权；低波动指数可能依据历史波动率筛选和加权；价值指数可能依据市盈率、市净率等估值指标筛选和加权[13]。 2. **模型/因子名称**：指数增强模型 **模型/因子构建思路**：在跟踪某一基准指数（如沪深300、中证500）的基础上，通过量化模型（通常包含多因子选股、风险控制等模块）进行适度的主动偏离，旨在获取持续的超额收益（Alpha）[10]。 **模型/因子具体构建过程**：报告未披露具体的模型构建细节。通常，此类模型的构建过程包括：1) **因子库构建**：挖掘和测试一系列可能带来超额收益的因子（如价值、质量、动量、成长等）。2) **因子合成与股票打分**：将有效的因子通过线性或非线性方式合成一个综合得分，并对股票池内的股票进行排序。3) **组合优化**：在满足跟踪误差、行业中性、风格中性、换手率等约束条件下，优化投资组合权重，使其相对基准指数有正向预期超额收益，同时控制风险。4) **交易执行**：根据优化结果进行交易。 3. **模型/因子名称**：市场中性/对冲模型 **模型/因子构建思路**：通过同时构建股票多头组合和利用金融衍生品（如股指期货）建立空头头寸，对冲掉市场系统性风险（Beta），以获取纯粹的超额收益（Alpha），追求绝对收益[10]。 **模型/因子具体构建过程**：报告未披露具体的模型构建细节。通常，此类模型的构建过程包括：1) **Alpha模型**：构建一个能够预测股票相对强弱的多因子选股模型，形成多头组合。2) **Beta对冲**：使用股指期货等工具，建立与多头组合市场风险暴露（Beta）相匹配的空头头寸，使整个组合的市场净暴露接近于零。3) **风险控制**：严格控制组合的行业、风格等风险暴露，确保收益来源主要来自选股能力而非市场或风格波动。 模型的回测效果 *注：报告主要展示的是各类量化基金产品的业绩表现，而非底层量化模型本身的回测结果。以下数据为基金产品层面的绩效指标。* 1. **主动量化基金（宽基类-跟踪沪深300）** * 2026年1月超额收益均值：5.1%[3][26] * 2026年1月年化波动率均值：16.64%[27] * 2026年1月最大回撤均值：-2.44%[27] 2. **主动量化基金（宽基类-跟踪中证500）** * 2026年1月超额收益均值：-4.1%[3][28] * 2026年1月年化波动率均值：15.59%[33] * 2026年1月最大回撤均值：-2.43%[33] 3. **指数增强基金（宽基类-跟踪中证500）** * 2026年1月超额收益均值：-2.0%[4][46] * 2026年1月年化跟踪误差均值：6.8%[46] * 2026年1月年化波动率均值：17.06%[47] * 2026年1月最大回撤均值：-2.46%[47] 4. **指数增强基金（宽基类-跟踪沪深300）** * 2026年1月超额收益均值：1.1%[4][50] * 2026年1月年化跟踪误差均值：4.1%[50] * 2026年1月年化波动率均值：低于2025年12月（具体数值未提供）[50] * 2026年1月最大回撤：具体数值未提供，图表显示情况[53] 5. **对冲量化基金** * 2026年1月绝对收益率平均收益：0.25%[5][62] * 2026年1月基金净值波动率：高于2025年12月（具体数值未提供）[5][62] * 2026年1月最大回撤均值：与2025年12月相近（具体数值未提供）[5][62] 量化因子与构建方式 *注：报告未详细阐述单一因子的具体构建过程，仅在Smart Beta部分提及了因子的类型。* 1. **因子名称**：红利因子 **因子构建思路**：选取股息率较高的公司，这类公司通常现金流稳定、估值较低，长期可能带来超额回报[13]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：$$股息率 = \frac{近12个月现金分红总额}{总市值}$$。依据该指标对股票进行排序或筛选。 2. **因子名称**：价值因子 **因子构建思路**：选取估值指标（如市盈率、市净率）较低的股票，认为其价格低于内在价值，未来有估值修复空间[13]。 **因子具体构建过程**：报告未提供具体公式。常见构建方式包括：$$市净率（PB）=\frac{总市值}{净资产}$$，$$市盈率（PE）=\frac{总市值}{净利润}$$。使用这些比率或其倒数进行排序。 3. **因子名称**：成长因子 **因子构建思路**：选取营收、净利润等财务指标增长较快的公司，预期其未来能继续保持高增长[13]。 **因子具体构建过程**：报告未提供具体公式。常见构建方式为计算营收增长率、净利润增长率等指标：$$净利润增长率 = \frac{本期净利润 - 上期净利润}{上期净利润}$$。 4. **因子名称**：低波动因子 **因子构建思路**：选取历史价格波动率较低的股票，这类资产风险相对较低，长期风险调整后收益可能更优[13]。 **因子具体构建过程**：报告未提供具体公式。通常使用一段时间内（如过去252个交易日）日收益率的标准差来衡量波动率。 5. **因子名称**：等权因子 **因子构建思路**：在构建指数或组合时，赋予每个成分股相同的权重，以降低大市值股票的影响，增加小市值股票的暴露[13]。 **因子具体构建过程**：对于包含N只股票的指数或组合，每只股票的权重为：$$权重 = \frac{1}{N}$$。 因子的回测效果 *注：报告未提供上述单一因子或复合因子的独立回测绩效指标（如IC、IR、多空收益等）。报告中的业绩表现均为应用了相关因子或模型的基金产品表现。*

行业概况 - 中国量化私募行业管理规模在2025年正式突破1万亿元，占A股专业机构资金规模的5%，成交额占比稳定在20% [1] - 行业进入“万亿规模后的分化时代”，马太效应加剧，头部机构管理规模占比持续攀升，竞争力不足的机构面临出清 [1] - 行业共识从“规模竞赛”转向“质量竞争”，策略同质化拥挤曾引发回撤危机 [1] - 保险资金、养老金等长期资金占比提升，对收益稳定性、策略可解释性的需求正在重塑行业生态 [1] 公司战略定位 - 喜岳投资自2014年创立之初便专注于基本面量化策略，选择了一条看似“缓慢”但更坚实的差异化路径 [2] - 公司创始人周欣博士拥有在贝莱德、AQR等国际顶尖量化机构十余年的经验，并带领团队进行本土化实践 [2] - 公司认为量化投资不应是追逐短期波动的“零和游戏”，而应基于企业内在价值进行长期价值创造 [2] - 基本面量化策略因其护城河较高、容量大、波动较低的特性，且关注企业长期内在价值，近年来受到越来越多关注 [2] 核心竞争力构建 - 公司核心团队融合深厚的学术研究功底与丰富的市场实战经验，五位创始人均博士毕业或任教于芝加哥大学、麻省理工、北京大学等顶尖高校 [3] - 团队成员具备国际顶级资管机构一线实战经验，分管策略研发、风控、技术等关键领域，形成优势互补的专业矩阵 [3] - 公司投研采用演绎法与归纳法有机结合的逻辑，先通过深度研究确立“具备长期必然性的投资逻辑”，再推导演绎策略框架，追求策略的可解释性与长期有效性 [3] - 公司连续十年独家赞助中国金融国际年会(CICF)并设立“喜岳最佳论文奖”，以支持学术研究并保持与金融学术前沿互动，形成“学界反哺业界、业界滋养学界”的闭环 [4] - 公司构建了覆盖全业务流程的合规与风控管理体系，并先后获取香港9号牌照、完成美国SEC备案，致力于使运营管理体系符合国际标准 [4] 客户与资金适配 - 随着“十五五”规划提出壮大耐心资本及中长期资金入市政策推动，保险资金、养老金等长期资本在量化私募资金来源中占比持续提升 [5] - 喜岳投资的基本面量化策略注重长期价值、波动相对较低、逻辑可解释，与长期资金对策略稳定性、透明度和长期业绩的高要求具有较高契合度 [5] - 公司客户已全面覆盖国内保险资管、银行理财子公司等本土长期资本，以及北美养老金、海外主权基金、高校捐赠基金等国际顶级机构 [5] - 与这些严格筛选管理人的顶级机构合作，促使公司不断打磨自身的投研体系、风控能力和沟通透明度 [5] 理念传播与生态责任 - 公司创始人通过“量化周董”视频号分享量化知识 [6] - 公司是联合国负责任投资原则(UNPRI)的签署机构，将可持续发展考量纳入投资过程 [6] - 公司的实践表明，量化投资的竞争力可以超越对算力的堆砌与速度的比拼，而回归到对投资本质的认知、对长期价值的坚守以及对行业生态的责任担当 [7]

量化模型与因子总结 量化因子与构建方式 **注：** 本报告为因子跟踪月报，主要展示了大量因子的表现结果，但未详细阐述每个因子的具体构建公式和过程。以下根据报告内容，对提及的因子进行分类和总结。 1. 深度学习因子 1. **因子名称**：agru_dailyquote[4][55] * **因子方向**：正 * **构建思路**：基于日频行情数据，使用AGRU（可能为注意力门控循环单元）深度学习模型构建的Alpha因子。 2. **因子名称**：DL_1[4][55] * **因子方向**：正 * **构建思路**：使用深度学习模型构建的Alpha因子。 3. **因子名称**：fimage[4][55] * **因子方向**：正 * **构建思路**：基于图像数据的深度学习因子。 2. Level-2高频因子 (重点时段类) 1. **因子名称**：keyperiod_ret_zero[4][55] * **因子方向**：负 * **构建思路**：基于Level-2数据，在重点时段构建的收益率相关因子。 2. **因子名称**：keyperiod_ret_low5pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低分位数收益率相关的因子。 3. **因子名称**：keyperiod_price_low5pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低分位数价格相关的因子。 4. **因子名称**：keyperiod_amount_top30pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与高成交额分位数相关的因子。 5. **因子名称**：keyperiod_amount_low50pct[55] * **因子方向**：负 * **构建思路**：基于Level-2数据，在重点时段构建的与低成交额分位数相关的因子。 6. **因子名称**：keyperiod_sync_low50pct[55] * **因子方向**：正 * **构建思路**：基于Level-2数据，在重点时段构建的与低同步性分位数相关的因子。 3. Level-2高频因子 (大小单类) 1. **因子名称**：bigbuy[55] * **因子方向**：正 * **构建思路**：基于Level-2大单买入数据构建的因子。 2. **因子名称**：bigsell[55] * **因子方向**：正 * **构建思路**：基于Level-2大单卖出数据构建的因子。 3. **因子名称**：bigbuy_bigsell[55] * **因子方向**：正 * **构建思路**：结合大单买入和大单卖出数据构建的复合因子。 4. **因子名称**：bigbuy_bigsell_H1[55] * **因子方向**：正 * **构建思路**：在特定时段（如开盘后第一小时H1）计算的大单买卖复合因子。 5. **因子名称**：bigbuy_bigsell_H8[55] * **因子方向**：正 * **构建思路**：在特定时段（如收盘前最后一小时H8）计算的大单买卖复合因子。 6. **因子名称**：integrated_bigsmall[55] * **因子方向**：正 * **构建思路**：综合大小单信息构建的集成因子。 4. Level-2高频因子 (长短单类) 1. **因子名称**：longbuy[55] * **因子方向**：正 * **构建思路**：基于Level-2长单买入数据构建的因子。 2. **因子名称**：longsell[55] * **因子方向**：正 * **构建思路**：基于Level-2长单卖出数据构建的因子。 3. **因子名称**：longbuy_longsell[55] * **因子方向**：正 * **构建思路**：结合长单买入和长单卖出数据构建的复合因子。 4. **因子名称**：longbuy_shortsell[55] * **因子方向**：正 * **构建思路**：结合长单买入和短单卖出数据构建的复合因子。 5. **因子名称**：shortbuy_longsell[55] * **因子方向**：正 * **构建思路**：结合短单买入和长单卖出数据构建的复合因子。 6. **因子名称**：shortbuy_shortsell[55] * **因子方向**：负 * **构建思路**：结合短单买入和短单卖出数据构建的复合因子。 7. **因子名称**：integrated_longshort[55] * **因子方向**：正 * **构建思路**：综合长短单信息构建的集成因子。 5. Level-2高频因子 (大小长短单复合类) 1. **因子名称**：bigbuy_longbuy_bigsell_longsell[55] * **因子方向**：正 * **构建思路**：综合大单、长单的买入卖出信息构建的复合因子。 2. **因子名称**：bigbuy_longbuy_bigsell_shortsell[55] * **因子方向**：正 * **构建思路**：综合大单买入、长单买入、大单卖出、短单卖出信息构建的复合因子。 3. **因子名称**：bigbuy_shortbuy_bigsell_longsell[55] * **因子方向**：正 * **构建思路**：综合大单买入、短单买入、大单卖出、长单卖出信息构建的复合因子。 4. **因子名称**：bigbuy_shortbuy_bigsell_shortsell[55] * **因子方向**：正 * **构建思路**：综合大单、短单的买入卖出信息构建的复合因子。 5. **因子名称**：bigbuy_shortbuy_bigsell_shortsell_H1[55] * **因子方向**：正 * **构建思路**：在特定时段（如H1）计算的大小长短单复合因子。 6. **因子名称**：integrated_bigsmall_longshort[55] * **因子方向**：正 * **构建思路**：综合大小单和长短单信息构建的集成因子。 6. Level-2高频因子 (集合竞价类) 1. **因子名称**：transaction_order_ratio_oa1[55] * **因子方向**：负 * **构建思路**：基于开盘集合竞价阶段的成交与委托比例构建的因子。 2. **因子名称**：withdrew_order_ratio_oa1[55] * **因子方向**：负 * **构建思路**：基于开盘集合竞价阶段的撤单与委托比例构建的因子。 3. **因子名称**：transaction_order_ratio_oa2[55] * **因子方向**：负 * **构建思路**：基于收盘集合竞价阶段的成交与委托比例构建的因子。 4. **因子名称**：transaction_order_ratio_oa[55] * **因子方向**：负 * **构建思路**：综合集合竞价信息构建的成交委托比因子。 5. **因子名称**：selltransaction_sellorder_ratio_ca[55] * **因子方向**：负 * **构建思路**：基于集合竞价的卖出成交与卖出委托比例构建的因子。 7. Level-2高频因子 (市价单类) 1. **因子名称**：marketorder_ratio[55] * **因子方向**：负 * **构建思路**：市价单占比因子。 2. **因子名称**：marketbuyorder_limitbuyorder_ratio[55] * **因子方向**：负 * **构建思路**：市价买单与限价买单的比例因子。 3. **因子名称**：marketbuyorder_limitsellorder_ratio[55] * **因子方向**：负 * **构建思路**：市价买单与限价卖单的比例因子。 4. **因子名称**：marketsellorder_limitbuyorder_ratio[55] * **因子方向**：负 * **构建思路**：市价卖单与限价买单的比例因子。 5. **因子名称**：marketsellorder_limitsellorder_ratio[55] * **因子方向**：负 * **构建思路**：市价卖单与限价卖单的比例因子。 8. 分钟频因子 (日内价格相关) 1. **因子名称**：real_var[4][55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现方差。 2. **因子名称**：real_skew[55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现偏度。 3. **因子名称**：real_kurtosis[55] * **因子方向**：负 * **构建思路**：基于分钟频数据计算的日内已实现峰度。 4. **因子名称**：real_upvar[55] * **因子方向**：负 * **构建思路**：基于分钟频上涨阶段计算的已实现方差。 5. **因子名称**：real_downvar[55] * **因子方向**：负 * **构建思路**：基于分钟频下跌阶段计算的已实现方差。 6. **因子名称**：ratio_realupvar[55] * **因子方向**：负 * **构建思路**：上涨方差与总方差的比率。 7. **因子名称**：ratio_realdownvar[55] * **因子方向**：正 * **构建思路**：下跌方差与总方差的比率。 8. **因子名称**：trendratio[55] * **因子方向**：负 * **构建思路**：趋势比率因子。 9. **因子名称**：ret_intraday[55] * **因子方向**：负 * **构建思路**：日内收益率因子。 10. **因子名称**：intraday_maxdrawdown[55] * **因子方向**：正 * **构建思路**：日内最大回撤因子。 9. 分钟频因子 (成交量相关) 1. **因子名称**：ratio_volumeH1[55] * **因子方向**：负 * **构建思路**：特定时段（如H1）成交量与全天成交量的比率。 2. **因子名称**：ratio_volumeH2[55] * **因子方向**：正 * **构建思路**：特定时段（如H2）成交量与全天成交量的比率。 3. **因子名称**：ratio_volumeH3[55] * **因子方向**：正 * **构建思路**：特定时段（如H3）成交量与全天成交量的比率。 4. **因子名称**：ratio_volumeH4[55] * **因子方向**：正 * **构建思路**：特定时段（如H4）成交量与全天成交量的比率。 5. **因子名称**：ratio_volumeH5[55] * **因子方向**：正 * **构建思路**：特定时段（如H5）成交量与全天成交量的比率。 6. **因子名称**：ratio_volumeH6[55] * **因子方向**：正 * **构建思路**：特定时段（如H6）成交量与全天成交量的比率。 7. **因子名称**：ratio_volumeH7[55] * **因子方向**：正 * **构建思路**：特定时段（如H7）成交量与全天成交量的比率。 8. **因子名称**：ratio_volumeH8[55] * **因子方向**：负 * **构建思路**：特定时段（如H8）成交量与全天成交量的比率。 9. **因子名称**：corr_VP[55] * **因子方向**：负 * **构建思路**：成交量与价格的相关系数。 10. **因子名称**：corr_VR[55] * **因子方向**：负 * **构建思路**：成交量与收益率的相关系数。 11. **因子名称**：corr_VRlag[55] * **因子方向**：负 * **构建思路**：成交量与滞后收益率的相关系数。 12. **因子名称**：corr_VRlead[55] * **因子方向**：正 * **构建思路**：成交量与领先收益率的相关系数。 13. **因子名称**：Amihud_illiq[55] * **因子方向**：正 * **构建思路**：Amihud非流动性指标，衡量单位成交金额引起的价格冲击。 10. 分钟频因子 (盘前相关) 1. **因子名称**：ret_overnight[55] * **因子方向**：正 * **构建思路**：隔夜收益率因子。 2. **因子名称**：ret_open2AH1[55] * **因子方向**：正 * **构建思路**：开盘价至上午某高点（AH1）的收益率。 3. **因子名称**：ret_open2AL1[55] * **因子方向**：正 * **构建思路**：开盘价至上午某低点（AL1）的收益率。 4. **因子名称**：ret_open2AH2[55] * **因子方向**：正 * **构建思路**：开盘价至下午某高点（AH2）的收益率。 5. **因子名称**：ret_open2AL2[55] * **因子方向**：负 * **构建思路**：开盘价至下午某低点（AL2）的收益率。 6. **因子名称**：diverge_A1[55] * **因子方向**：负 * **构建思路**：盘前分歧度因子A1。 7. **因子名称**：diverge_A2[55] * **因子方向**：负 * **构建思路**：盘前分歧度因子A2。 11. 分钟频因子 (开盘后相关) 1. **因子名称**：ret_H1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）收益率。 2. **因子名称**：ret_close2H1[55] * **因子方向**：负 * **构建思路**：收盘前某时段至收盘的收益率。 3. **因子名称**：corr_VPH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）成交量与价格的相关系数。 4. **因子名称**：corr_VRH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）成交量与收益率的相关系数。 5. **因子名称**：corr_VRleadH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）成交量与领先收益率的相关系数。 6. **因子名称**：corr_VRlagH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）成交量与滞后收益率的相关系数。 7. **因子名称**：real_varH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）的已实现方差。 8. **因子名称**：real_skewH1[55] * **因子方向**：负 * **构建思路**：开盘后第一小时（H1）的已实现偏度。 9. **因子名称**：real_kurtosisH1[55] * **因子方向**：正 * **构建思路**：开盘后第一小时（H1）的已实现峰度。 12. 分钟频因子 (收盘前相关) 1. **因子名称**：ret_H8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）收益率。 2. **因子名称**：corr_VPH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与价格的相关系数。 3. **因子名称**：corr_VRH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与收益率的相关系数。 4. **因子名称**：corr_VRleadH8[55] * **因子方向**：负 * **构建思路**：收盘前最后一小时（H8）成交量与领先收益率的相关系数。 5. **因子名称**：corr_VRlagH8[55] * **因子方向**：负 * **构建思路**：收盘

黄金市场动态 - 现货黄金价格再度深跌，北京地区饰品金价在午间两小时内每克下跌近50元，市场买卖热度高涨[1] - 近期金价大幅下跌导致北京菜百黄金回购柜台排队两小时，有顾客一次性卖出2000克金条变现约212万元，同时投资金条柜台亦有消费者排队买入，市场分歧明显[10] - 杰我睿与云点当两家黄金交易平台相继陷入兑付危机，杰我睿部分消费者遭遇兑付额度大幅缩减，云点当因连续挤兑推出多种兑付方案，此类平台常采用预定价或高杠杆交易模式，风险极高[1] - 专家指出六大行近期调整黄金业务并提示风险，揭示当前黄金交易存在多重叠加风险，价格受国际因素影响波动剧烈，短线操作容错率极低[1] 公司业绩与运营 - i茅台平台月活用户超1531万，新增用户628万，成交订单超212万笔，其中1499元飞天茅台订单占比超67%达143万笔，平台风控系统拦截异常行为5.4亿次[2] - 贵州茅台全资控股的数字科技公司正式揭牌，旨在赋能主业数字化，同期飞天茅台批发市场价格波动显著[2] - 截至1月底，22家上市券商披露2025年业绩预告或快报，业绩集体报喜，其中中信证券、国泰海通和招商证券净利润均超百亿，8家券商归母净利润增幅预计超七成[9] - 券商业绩增长主要得益于A股市场回暖带动自营及经纪业务收入提升，业内普遍看好后市，认为市场活跃度提升与政策预期将支撑券商盈利[9] - 百亿量化私募启林投资创始合伙人沈显兵逝世，年仅40岁，该公司管理规模超百亿，量化策略聚焦中证2000指数，通过标准化、模块化的“策略工厂”捕捉市场短期Alpha机会[8] 宏观经济与政策 - 亚特兰大联储行长博斯蒂克指出，特朗普提名的下任美联储主席人选沃什将面临领导美联储的“艰巨任务”，博斯蒂克强调鉴于当前经济强劲、劳动力市场趋稳，美联储今年不应降息[4] - 特朗普宣布美印达成贸易协议，将对印商品关税从25%降至18%，并取消因印采购俄油而额外征收的关税，作为交换，莫迪同意停止购买俄罗斯原油，并承诺降低对美贸易壁垒、采购超5000亿美元美国商品[5] - 深圳2025年GDP达3.87万亿元，同比增长5.5%，增速领跑一线城市，有望在2026年迈入“四万亿”梯队，其规上工业总产值与增加值连续四年全国“双第一”[7] 资本市场与行业 - 美股三大指数于2月3日集体收涨，道指领涨1.05%，标普500与纳指均小幅上扬，大型科技股表现分化，苹果涨幅显著超4%，而英伟达、微软等则录得下跌[3] - 板块方面，美国基建与存储概念股强势走高，闪迪、西部数据等大幅上涨，加密货币、贵金属及能源板块则普遍承压下行[3] - 据中国电力企业联合会数据，2025年全国风电与太阳能发电新增装机占比超八成，其新增发电量已占全社会新增用电量的97.1%，预测显示2026年我国太阳能发电装机规模将首次超越煤电[11] - 届时风电与太阳能合计装机容量预计将达到全国总装机规模的一半，标志着能源结构转型取得关键性突破[11] 其他市场事件 - 湖南永兴县地标建筑“永兴银楼”在司法拍卖中流拍，该楼含1.75吨纯银，折算每克仅6.88元，远低于市价，流拍主因在于竞拍条件苛刻且项目维护成本高、回报周期长[6]

公司核心事件 - 百亿级私募启林投资创始合伙人沈显兵于2026年2月2日逝世，享年40岁 [1] - 公司管理层及全体员工对沈显兵逝世表示沉痛哀悼，并对其贡献致以感谢 [1] 公司创始人背景 - 沈显兵毕业于中国科学技术大学物理学专业，与创始人王鸿勇为中科大校友 [1] - 沈显兵于2015年与王鸿勇、董成共同创立启林投资 [1] - 沈显兵被视为中科大系量化私募的代表人物 [1] 公司发展概况 - 启林投资在短短几年内迅速发展，当前管理规模已超过150亿元 [1] - 公司是中国量化投资领域的重要参与者 [1] - 公司核心团队由来自清华、北大、复旦等知名高校的优秀人才组成，成员多拥有博士或硕士学位 [1] 公司策略体系 - 公司采用多策略体系设计，能在不同市场环境下均有相应策略应对 [1] - 该体系旨在降低单一策略失效风险，并提高整体收益的稳定性 [1]

公司核心事件 - 百亿私募启林投资创始合伙人沈显兵于2026年2月2日逝世，享年40岁 [1] - 公司管理层及全体员工对沈显兵的辞世表示沉痛哀悼，并对其重要贡献致以感谢 [1] - 沈显兵毕业于中国科学技术大学物理学专业，曾任职于科大讯飞等科技公司，自2015年起参与公司创建及运营管理，担任创始合伙人、副总经理 [1] 公司基本情况 - 启林投资成立于2015年5月28日，目前管理规模超过100亿元 [1] - 公司法定代表人、总经理王鸿勇同样毕业于中国科学技术大学物理学专业，与沈显兵及董成于2015年共同创立公司 [3] 公司业务与策略 - 公司构建了完整的量化策略开发流水线，将研究过程标准化、模块化，涵盖数据获取、因子研究、模型开发、组合优化、交易执行五大环节 [3] - 通过持续优化工具链与流程，公司实现了策略研发的标准化、模块化与高效化，形成“策略工厂” [3] - 量化选股策略聚焦中证2000指数，持仓多为小市值股票，这类股票定价效率相对较低、交易活跃度高，短周期信号预测具备天然优势 [3] - 通过对市场微观结构的深入研究，公司旨在捕捉短期价格波动中的alpha机会 [3][4]

公司核心事件 - 启林投资创始合伙人沈显兵于2025年2月2日辞世，享年40岁 [1] - 沈显兵自2015年起参与公司创建及运营管理，为三位创始合伙人之一，穿透持股比例约为23% [1] - 公司管理层及全体员工对沈显兵的贡献表示感谢，并向其家人表示慰问 [1] 公司基本情况 - 启林投资成立于2015年5月，由王鸿勇、董成与沈显兵三位中国科学技术大学校友共同创立，是中科大系量化私募的代表 [1] - 公司名称寓意“筚路蓝缕、以启山林”，体现创业艰辛与开拓精神 [1] - 创始人王鸿勇早期从事等离子体计算模拟研究，将公司定位为一家金融科技公司 [1] - 截至2025年末，公司管理规模在150亿元至200亿元区间 [2] 公司股权结构 - 三位创始合伙人王鸿勇、董成与沈显兵的穿透持股比例分别约为39%、32%和23% [1] 公司战略与产品布局 - 公司积极拥抱数据与AI驱动的技术革命，认为量化投资在新技术应用领域仍有较大空间 [3] - 公司管理规模中超过80%为指数增强策略产品，其中以中证500ETF和中证1000ETF为主 [3] - 通过配置上述宽基指数产品，公司持续为上市科技公司提供资金支持并分享其成长价值 [3] 公司投研与技术特点 - 策略研究聚焦科技企业特质，专门针对科技类上市公司开发并优化因子与策略 [3] - 近年来尤其加强对科技公司特有规律的研究，使量化模型更好地捕捉科技企业的成长轨迹与风险特征 [3] - 量化投资的“五步曲”（数据-特征因子-模型构建-组合优化-交易执行）各环节都广泛应用人工智能与机器学习算法 [3]

公司核心事件 - 百亿级私募启林投资创始合伙人沈显兵于2026年2月2日逝世 享年40岁 [2] - 公司发布讣告 对沈显兵的辞世表示沉痛哀悼 并感谢其重要贡献 [2] 公司背景与创始人信息 - 启林投资成立于2015年5月28日 总部位于上海 注册资本1063.26万元 [2] - 公司是一家基于数理模型和计算机技术进行股票交易的量化私募机构 [2] - 公司目前管理规模超过100亿元 [2] - 创始人沈显兵出生于1986年8月 毕业于中国科学技术大学物理学专业 [2] - 沈显兵与王鸿勇、董成于2015年共同创立启林投资 [2] - 沈显兵与公司创始人王鸿勇均为中国科学技术大学校友 [2] 行业地位与影响 - 启林投资专注于量化投资领域 是中科大系量化私募的代表机构 [2] - 公司在行业内颇具影响力 [2]