基金基本信息 - 基金名称为苏新睿见量化选股股票型证券投资基金，分为A类（代码025404）和C类（代码025405）份额 [21] - 基金类别为股票型证券投资基金，运作方式为契约型开放式，存续期限为不定期 [21] - 投资目标是在合理控制风险前提下追求超越业绩比较基准的投资回报，实现基金资产稳健增值 [21] 募集安排 - 募集期为2025年10月15日至2025年10月31日，募集期限不超过3个月 [2][30] - 募集对象包括符合法规的个人投资者、机构投资者、合格境外投资者及其他允许投资人 [2][25] - 基金募集需满足份额总额不少于2亿份、募集金额不少于2亿元人民币且认购人数不少于200人的条件 [2][31] 投资策略与范围 - 基金投资于股票及存托凭证的比例为基金资产的80%-95% [24] - 投资范围包括股票、存托凭证、债券、资产支持证券、债券回购、股指期货等金融工具 [22][23] - 采用量化策略进行投资管理，依赖宏观经济、行业经济、交易行情等数据库 [9] 销售渠道 - 直销机构为苏新基金管理有限公司，销售机构包括苏州银行、浦发银行、国泰海通证券等六家机构 [27][28][65] - 投资者在直销中心首笔认购最低金额为10,000元人民币，追加认购最低金额为1,000元 [3][40] 认购方式与计算 - 认购采取金额认购方式，A类份额收取认购费用，C类份额不收取认购费用 [35][36] - A类份额认购费用计算公式为认购金额减去认购金额除以（1+认购费率），例：投资10,000元认购A类份额，认购费率1.2%，认购费用为118.58元，净认购金额为9,881.42元 [37] - C类份额认购份额计算公式为认购金额加上认购利息除以基金份额面值，例：投资10,000元认购C类份额，利息5.00元，可得到10,005.00份 [38][39] 基金设立与费用 - 基金管理人为苏新基金管理有限公司，注册资本30,000万元人民币，基金托管人为上海浦东发展银行股份有限公司 [64][65] - 基金募集期间发生的律师费、会计师费等费用不得从基金财产中列支 [61][63]

会议概况 - 中信期货2025年秋季策略会以“潮汐涌动 破卷立新”为主题 采用线上会议形式举行 通过7大论坛对四季度及2026年大宗商品 权益 汇率等期货及衍生品领域进行剖析 [1] 宏观与贵金属 - 四季度宏观和大类资产基调为“稳中求进” 政策与基本面对冲效应使宏观环境偏“稳” 资产配置策略偏“进” [2] - 国内稳增长政策聚焦三大方向：5000亿元政策性金融工具 货币政策大概率实施降准 “十五五”规划前瞻 [2] - 海外美国经济动能趋疲 但政策“再校准”将提供支撑 未来1-2个季度全球宽松流动性与财政杠杆带动的复苏预期将为风险资产提供支撑 [2] - 四季度黄金震荡偏强 是长期战略配置窗口 美国实际利率下行周期中黄金上涨从未缺席 长期看美国债务超发及逆全球化将推动美元信用下行 黄金价格中枢稳步上移 [2] 金融 - 四季度权益类资产有望延续积极表现 受增量资金和政策预期推动 趋势策略首选配置IM多单 [3] - 四季度IC IM当季合约的年化贴水率预计分别为8% 10% 可关注T0和指增策略 [3] - 金融期权市场波动率溢价水平及期限价差较高 可关注空波动率策略 正Delta类策略如多头替代或牛市价差组合 [3] - 全市场量化选股今年收益仍遥遥领先 建议关注风控严格的量选策略 配置角度可考虑低位布局CTA策略和中性策略 [3] - 四季度债市或从偏弱格局有所转变 多头情绪或有所修复 10Y国债收益率波动区间或在1.65%-1.95%附近 前期空头套保 后期关注多头替代及正套和曲线走陡策略 [3] 能源化工 - 四季度能化品供需略偏弱 原油价格受地缘和供需双方面驱动 乌克兰袭击俄罗斯能源基础设施导致其原油出口终端短期受阻 炼厂加工量和成品油出口量持续显著下滑 推动原油价格短期偏强震荡 [4] - 后期若地缘局势缓和 原油市场将重回供大于求格局 期价将逐步回落 供应增加来自OPEC+及挪威 圭亚那 阿根廷 巴西等产量创新高国家 [4] - 化工产业四季度遭遇压力 主要来自产能增长 PVC三季度产能增长6% 四季度仍有新装置投产 苯乙烯四季度产能增长约6% EG新增产能3% 聚烯烃产能扩张延续2025年一整年 PX MA PF等品种新产能稍有停歇 [4] 有色金属 - 美联储重启降息且中国政府潜在增量政策可期 宏观预期较为正面 基本金属中铜铝锡等品种供应扰动仍在 尤其铜 [5] - 四季度美联储9月重启降息后 中国等其他央行可能跟随 对改善经济和需求有帮助 国内汽车和光伏组件排产好于预期 海外终端有望改善 有色多数品种原料延续偏紧格局如铜 锡和铅 [5] - 新能源金属走势取决于供应端政策 工业硅和碳酸锂偏过剩 四季度基本金属整体重心可能上移 看好铜铝锡多头机会 新能源金属中工业硅和碳酸锂可能承压回落 多晶硅受益于供给端收缩政策 [5][6] - 四季度有色板块由强到弱依次为铜 铝 锡 铝合金 铅 多晶硅 不锈钢 工业硅 镍 氧化铝 碳酸锂和锌 贵金属中铂钯受益于贵金属整体金融属性增强 看好铂金 相对看弱钯金 [6] 农产品 - 四季度农产品处于新旧作物交替期 旧作库存与新作上市节奏博弈 国际贸易关系变化及国内反内卷政策对板块产生重要影响 [7] - 油脂油料方面 豆系市场多空并存 美豆单产存在下调预期 中期国内大豆总供应充裕 价格维持底部区间震荡 棕油四季度进入减产季 海外生柴需求增加且美联储降息 关注做多机会 [7] - 饲料养殖方面 玉米25/26年度结转库存有望进一步趋紧 但集中收获时期需解决收获压力 供需结构前松后紧 策略建议反套 生猪母猪产能依旧过剩 但反内卷政策进行减产调控 四季度仍存供应压力 关注近空远多机会 [7] - 软商品方面 橡胶价格反映四季度偏空预期 盘面对供应端变化敏感 关注旺产季出现预期差后的偏多机会 棉花核心矛盾在于新棉收购初期短期支撑与中长期增产压力博弈 价格走势前高后低 关注逢高布空机会 白糖新榨季供应预期宽松 短期价格阶段性触底 大方向反弹空为主 林浆纸供应充裕需求不振 驱动向下但空间有限 价格以震荡为主 [7] 黑色金属 - 四季度钢价或呈现先扬后抑走势 短期宏观环境偏暖 成本支撑走强 钢价具备向上反弹驱动 中长期随着钢材库存同比压力渐显 炉料冬储交易结束 钢价或将弱势调整 [8] - 铁矿基本面矛盾有限 参照2023和2022年铁水走势 累库压力不突出 价格预计宽幅震荡 [8] - 旺季铁水产量高位 上游低库存环境下煤焦价格有望偏强运行 政策约束下焦煤供应基调偏稳 年底铁水产量季节性回落 煤焦库存水位抬升 价格上方压力增加 四季度煤焦价格或将先扬后抑 [8] - 合金产量升至高位 市场供需趋向宽松 后市去库难度趋增 若厂家控产力度有限 淡季钢材产量季节性下滑 合金估值将逐渐回落至成本附近 关注原料价格及用电成本下调幅度 [8] - 玻璃纯碱仍处于周期底部 供应短期扰动及中下游补库动作引领行情短期波动 但最终价格中枢不断下移 [8] 创新与能源 - 化石能源仍面临宽松压力 预期原油 天然气 电力 煤炭 且光伏装机增速放缓 新能源过剩或边际好转 间接支撑电力 但碳价或受配额结转政策而承压 [9] - 全球光伏装机增速预期放缓或压制硅料反弹 关注年底履约前的反弹 化石能源整体承压 原油关注地缘和宏观 天然气旺季或温和回升 [9] - 整体四季度新能源需求或稳中增长 整体能源端或逐步触底 新能源过剩压力或缓解 油轮航运市场在增产和制裁双重驱动下偏强运行 [9] - 煤炭关注供应收紧预期支撑 新能源车和储能增速向好或支撑碳酸锂 集运关注美国是否开启补库及欧线挺价力度 预计较9月下旬整体反弹 [9]

量化选股型基金市场概况 - 截至2025年二季末，全市场量化选股型基金数量达277只，合计管理规模903.20亿元[3][12] - 此类基金不受指数成分股比例和跟踪误差约束，投资范围更广且风格暴露自由度更高，业绩弹性显著[3][12] - 策略环境宽松允许基金经理构建差异化投资框架，但投资者面临策略认知不清晰的挑战[3][13] 基金经理策略框架分析 冯玺祥（信达澳亚基金） - 采用多因子线性模型与机器学习动态加权模型分仓运作，中证1000对标产品中两类模型等权配置，中证2000对标产品中机器学习模型占比60%-70%[4][16][23] - 因子库包含1000多个因子（70%基本面因子+30%量价因子），采用大类因子等权合成方式[14][22] - 代表产品信澳星耀智选任职以来累计收益40.66%，年化超额15.37%；信澳星亮智选累计收益74.91%，年化超额19.75%[17][21] - 风险控制采用Barra模型，小市值产品风格暴露控制在0.3倍标准差，行业偏离度控制在2%-3%[14][24] 高崇南（国泰基金） - 聚焦高股息、质量、成长三类风格配置，2025年配置比例为20%高股息+25%成长+50%质量[14][43] - 采用树模型合成约100多个选股因子，分仓运作维持20%年化波动率目标[4][14][35] - 代表产品国泰量化策略收益2024年以来年化收益14.89%，2025年以来年化收益28.72%[36][41] - 持仓高度分散，成分股外权重达48%，行业偏离度控制在1.10%以内[45][48] 林景艺（信达澳亚基金） - 采用"基金优选→持仓还原→指数增强"三步法，复制万得偏股混基金指数并叠加多类阿尔法模型[5][62] - 港股配置采用多因子线性体系，因子库包含100-200个以基本面为主的因子[14][63] - 代表产品信澳宁隽智选任职以来累计收益36.59%，年化超额6.52%，年化跟踪误差6.74%[53][60] - 持股数量达350-450只，2024年下半年换手率升至10.28倍，风格暴露控制在0.4-0.5倍标准差[66][64] 时赟超（鹏华基金） - 多因子线性模型（40%）与机器学习非线性模型（60%）融合，预测周期缩短至周频[5][74][83] - 因子库涵盖10大类因子，包括另类数据（ESG、舆情等），线性模型中基本面因子占比50%-55%[14][81] - 代表产品鹏华量化先锋2024年以来年化超额10.28%，2025年以来年化超额19.99%[75][80] - 风险控制侧重波动率和市值因子偏离，持仓分散至700只，半年换手率达6.27倍[74][84] 翟梓舰（西部利得基金） - 采用"核心+卫星"策略，核心AI策略包含神经网络+树模型中长期预测和RNN高频量价因子[6][92] - 西部利得量化优选AI策略与主动量化各占50%，中证1000指增产品采用70%AI策略+30%多因子线性模型[6][14] - 代表产品西部利得中证1000指增任职以来年化超额5.67%，2025年以来年化超额约12%[93] - 指增产品设置行业偏离不超过3%、风格暴露0.3倍标准差硬约束[14] 团队与产品线特征 - 信达澳亚量化团队10人，统一采用HI+AI框架，产品线覆盖11只量化选股型和2只量化固收+产品[32][71] - 鹏华量化团队22人（13人策略+9人指数），产品线覆盖主流宽基指数增强和主动量化品种[14][91] - 西部利得量化团队7人，专注AI算法开发与基本面量化策略结合[14]

融资余额与市场活跃度 - 两市融资余额突破2.3万亿元 刷新2015年以来历史新高 反映流动性宽松和投资者风险偏好提升 [2] - 私募基金投资者数量和认购份额显著上升 新进投资者偏好配置量化多头策略以获取可持续收益 [2] 量化多头策略对微盘股的暴露程度 - 量化多头产品内部对微盘股暴露存在分化 但微盘股宽基指数显著跑赢中大盘股 [4] - IC/IM股指期货加权贴水率居高不下且三季度持续扩大 间接证明量化管理人对微盘股暴露幅度增加 [4] - 私募量化选股管理人持仓显示：一季度在2000指数及以下个股持仓占比约20-40% 三季度可能升至50%以上 [8] - 公募微盘股基金中报统计显示：2025年Q2机构加仓微盘股 相关性最高的50支基金总规模增加69.71亿元 连续三个季度增长 [8] 微盘股暴露的原因 - 小盘股长期年化Beta收益高于大盘股 且散户与游资参与度高 为量化策略提供超额收益机会 [9] - 小微盘股研究覆盖率低 错误定价概率高 量化模型可通过数据挖掘发现低估标的 [9] - 量化多头策略分散持股（通常持仓数百至上千只） 可在小市值股票中寻找机会且规避流动性问题 [9] - 2025年流动性充裕推动微盘股股价走高 二季度市场重心转向主题炒作 散户风险偏好抬升且动量因子贡献高收益 [9] 投资者应对微盘股聚集风险的策略 - 微盘股风格强势期间 量化多头产品持仓占比维持高位是大概率事件 否则可能踏空牛市导致超额收益落后 [10] - A股大级别牛市行情罕见 短期调整可能表现为震荡而非快速下跌 [10] - 量化多头策略不单纯对标微盘股风格 而是通过识别强势股、行业和风格动态调整敞口 风格回撤不必然导致全行业超额普跌 [10] - 未来需关注PPI/CPI回升、市场成交量维持高位、监管态度变化等信号 投资者可配置红利指增或沪深300指增对冲风险 [16] 量化产品超额收益表现 - 2025年8月部分百亿量化管理人产品逆市获得正超额收益 包括念觉、明汯、蒙玺等机构 [10][13]

以下是华创证券金工周报（20250825-20250829）中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：成交量模型[12] **模型构建思路**：基于价量关系进行市场择时判断[10] **模型具体构建过程**：通过分析宽基指数的成交量变化，判断市场短期走势。当成交量放大时看多，缩量时看空或中性[12] 2. **模型名称**：低波动率模型[12] **模型构建思路**：利用市场波动率特征进行择时[10] **模型具体构建过程**：计算指数的波动率指标，当波动率处于低位时模型信号为中性或看空，波动率升高时可能转为看多[12] 3. **模型名称**：特征龙虎榜机构模型[12] **模型构建思路**：基于龙虎榜机构资金流向进行择时判断[10] **模型具体构建过程**：跟踪龙虎榜上机构资金的买卖情况，机构净买入时看多，净卖出时看空[12] 4. **模型名称**：特征成交量模型[12] **模型构建思路**：结合特殊成交量特征进行择时[10] **模型具体构建过程**：分析异常成交量 patterns，如放量突破等，作为看多信号[12] 5. **模型名称**：智能算法沪深300模型[12] **模型构建思路**：应用智能算法对沪深300指数进行择时[10] **模型具体构建过程**：使用机器学习等智能算法分析多因子数据，生成择时信号[12] 6. **模型名称**：智能算法中证500模型[12] **模型构建思路**：应用智能算法对中证500指数进行择时[10] **模型具体构建过程**：使用机器学习等智能算法分析多因子数据，生成择时信号[12] 7. **模型名称**：涨跌停模型[13] **模型构建思路**：通过涨跌停板数量变化进行中期择时[10] **模型具体构建过程**：监控市场涨跌停个股数量比例，涨停增多时看多，跌停增多时看空[13] 8. **模型名称**：月历效应模型[13] **模型构建思路**：利用月份效应进行择时[10] **模型具体构建过程**：基于历史月份收益率规律，在不同月份给出看多或看空信号[13] 9. **模型名称**：长期动量模型[14] **模型构建思路**：基于长期动量效应进行择时[10] **模型具体构建过程**：计算指数的长期动量指标，动量向上时看多，向下时看空[14] 10. **模型名称**：A股综合兵器V3模型[15] **模型构建思路**：综合多周期多策略的耦合模型[10] **模型具体构建过程**：将短期、中期、长期不同模型的信号进行加权耦合，形成综合择时观点[15] 11. **模型名称**：A股综合国证2000模型[15] **模型构建思路**：针对国证2000指数的综合择时模型[10] **模型具体构建过程**：专门针对国证2000指数特点，综合多种择时信号[15] 12. **模型名称**：成交额倒波幅模型[16] **模型构建思路**：基于成交额与波动率关系进行港股择时[10] **模型具体构建过程**：分析港股成交额与波动率的倒置关系，作为择时信号[16] 13. **模型名称**：形态学监控模型[41] **模型构建思路**：基于技术形态识别进行择时和选股[41] **模型具体构建过程**：识别杯柄形态、双底形态等技术形态，在形态突破时产生交易信号[41][44][48] 模型的回测效果 1. 双底形态组合，累计收益率49.44%，相对上证综指超额收益38.36%[41] 2. 杯柄形态组合，累计收益率63.34%，相对上证综指超额收益52.26%[41] 3. 上周杯柄形态突破个股，平均超额收益-0.8%[42] 4. 上周双底形态突破个股，平均超额收益-5.28%[46] 量化因子与构建方式 1. **因子名称**：龙虎榜机构资金流向因子[12] **因子构建思路**：基于龙虎榜机构买卖净额构建[12] **因子具体构建过程**：计算龙虎榜上机构买入金额与卖出金额的差值，作为资金流向指标[12] 2. **因子名称**：成交量异常因子[12] **因子构建思路**：识别异常成交量 patterns[12] **因子具体构建过程**：计算当前成交量与历史平均成交量的偏离度，识别异常放量或缩量[12] 3. **因子名称**：波动率因子[12] **因子构建思路**：衡量市场波动程度[12] **因子具体构建过程**：计算指数收益率的标准差，作为波动率指标$$ \sigma = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(r_i - \bar{r})^2} $$[12] 4. **因子名称**：动量因子[14] **因子构建思路**：捕捉价格趋势效应[14] **因子具体构建过程**：计算过去一段时间内的累计收益率，作为动量指标$$ Momentum = \frac{P_t}{P_{t-n}} - 1 $$[14] 5. **因子名称**：涨跌停因子[13] **因子构建思路**：反映市场极端情绪[13] **因子具体构建过程**：计算涨停个股数量与跌停个股数量的比例或差值[13] 6. **因子名称**：月历效应因子[13] **因子构建思路**：捕捉月份周期性 patterns[13] **因子具体构建过程**：基于历史数据计算各月份的平均收益率，构建月份虚拟变量[13] 7. **因子名称**：成交额波幅关系因子[16] **因子构建思路**：分析成交额与波动率的相关性[16] **因子具体构建过程**：计算成交额与波动率的比值或相关性指标[16] 8. **因子名称**：形态识别因子[41] **因子构建思路**：识别特定技术形态[41] **因子具体构建过程**：通过价格走势 pattern 识别杯柄形态、双底形态等，在形态确认时产生信号[41] 因子的回测效果 （报告中未提供具体因子的单独回测结果）

量化模型与构建方式 1 GAN_GRU 模型 - **模型名称**：GAN_GRU 模型[4][13] - **模型构建思路**：利用生成式对抗神经网络（GAN）进行量价时序特征处理，再通过 GRU 模型进行时序特征编码，最终输出选股因子[4][13] - **模型具体构建过程**： （1）**输入特征**：包括收盘价、开盘价、成交量、换手率等 18 个量价特征，频次包括日频和月频特征[14][17][19] （2）**训练数据设定**：使用所有个股过去 400 天内的 18 个量价特征，每 5 个交易日做一次特征采样，采样形状为 40×18（过去 40 天的量价特征），预测未来 20 个交易日的累计收益[18] （3）**数据处理**：每个特征在时序上去极值+标准化，每个特征在个股层面上截面标准化[18] （4）**训练方式**：半年滚动训练（每年 6 月 30 日和 12 月 31 日），训练集与验证集比例 80%:20%，batch_size 为截面股票数量，优化器为 Adam，学习速率 1e-4，损失函数为 IC，早停轮数 10，最大训练轮数 50[18] （5）**GAN 部分构建**： - 生成器（G）：使用 LSTM 模型，输入原始量价时序特征（形状 40×18），输出处理后的量价时序特征（形状 40×18）[33][37] 生成器损失函数： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中 z 为随机噪声（高斯分布），G(z) 为生成数据，D(G(z)) 为判别器对生成数据的输出概率[24][25] - 判别器（D）：使用 CNN 模型，输入真实数据或生成数据，输出为真实数据的概率[33] 判别器损失函数： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中 x 为真实数据，D(x) 为判别器对真实数据的输出概率[27] - 训练过程：生成器和判别器交替训练，首先生成噪声数据并生成假数据，计算损失并更新生成器参数；然后采样真实数据，计算判别器损失并更新判别器参数[28][29][34] （6）**GRU 部分构建**：使用两层 GRU 层（GRU(128,128)）和 MLP(256,64,64)，输出预测收益 pRet 作为选股因子[22] （7）**因子处理**：对因子做行业市值中性化+标准化处理[22] - **模型评价**：该模型通过 GAN 增强量价时序特征生成能力，结合 GRU 捕捉时序依赖关系，提升选股因子的预测效果[4][13][30] --- 量化因子与构建方式 1 GAN_GRU 因子 - **因子名称**：GAN_GRU 因子[4][13] - **因子构建思路**：基于 GAN_GRU 模型输出的预测收益 pRet 作为选股因子[4][13][22] - **因子具体构建过程**： （1）使用 GAN_GRU 模型对全 A 股进行预测，输出每只股票的预测收益 pRet[22] （2）对 pRet 进行行业市值中性化+标准化处理，得到最终因子值[22] （3）每月末调仓，选取因子值排名前 10% 的股票作为多头组合[4][48] --- 模型与因子的回测效果 1 GAN_GRU 因子全市场表现（2019 年 1 月至 2025 年 8 月，月频调仓）[41][42] - IC：11.36% - ICIR（未年化）：0.88 - 换手率：0.83 - 年化收益率：38.09% - 年化波动率：23.68% - 信息比率（IR）：1.61 - 最大回撤率：27.29% - 年化超额收益率：23.52% 2 GAN_GRU 因子近期表现（截至 2025 年 8 月 28 日）[41][42] - 最新一期 IC：-2.56% - 近一年 IC 均值：8.94% 3 GAN_GRU 因子行业表现（截至 2025 年 8 月）[42][44] - **当期 IC 排名前五行业**： - 食品饮料：22.17% - 煤炭：18.28% - 建筑材料：13.48% - 公用事业：13.20% - 社会服务：12.23% - **近一年 IC 均值排名前五行业**： - 公用事业：15.87% - 钢铁：13.95% - 商贸零售：13.51% - 非银金融：12.78% - 建筑材料：12.44% 4 GAN_GRU 因子多头组合行业超额收益（截至 2025 年 8 月）[2][44][45] - **当期超额收益排名前五行业**： - 纺织服饰：5.19% - 公用事业：3.62% - 汽车：3.29% - 非银金融：2.56% - 医药生物：1.47% - **近一年月平均超额收益排名前五行业**： - 家用电器：4.97% - 建筑材料：4.11% - 公用事业：3.94% - 食品饮料：3.86% - 纺织服饰：3.35% 5 最新多头组合（2025 年 8 月末因子值排名前十个股）[5][49] 1. 神火股份（有色金属） 2. 广州港（交通运输） 3. 中谷物流（交通运输） 4. 中国外运（交通运输） 5. 汉缆股份（电力设备） 6. 民生银行（银行） 7. 兴发集团（基础化工） 8. 驰宏锌锗（有色金属） 9. 中信特钢（钢铁） 10. 中直股份（国防军工）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：成交量模型[12] **模型构建思路**：基于价量关系构建短期择时信号[10] **模型具体构建过程**：通过分析宽基指数的成交量变化与价格变动的关系，判断市场短期走势。具体构建过程未详细说明。 2. **模型名称**：低波动率模型[12] **模型构建思路**：利用波动率指标构建择时信号[10] **模型具体构建过程**：通过计算宽基指数的波动率，判断市场状态。具体构建过程未详细说明。 3. **模型名称**：特征龙虎榜机构模型[12] **模型构建思路**：基于龙虎榜机构数据构建择时信号[10] **模型具体构建过程**：通过分析龙虎榜中机构投资者的买卖行为，构建择时信号。具体构建过程未详细说明。 4. **模型名称**：特征成交量模型[12] **模型构建思路**：基于成交量特征构建择时信号[10] **模型具体构建过程**：通过分析成交量的变化特征，构建择时信号。具体构建过程未详细说明。 5. **模型名称**：智能算法沪深300模型[12] **模型构建思路**：应用智能算法对沪深300指数进行择时[10] **模型具体构建过程**：使用智能算法（如机器学习）分析沪深300指数的相关数据，生成择时信号。具体构建过程未详细说明。 6. **模型名称**：智能算法中证500模型[12] **模型构建思路**：应用智能算法对中证500指数进行择时[10] **模型具体构建过程**：使用智能算法（如机器学习）分析中证500指数的相关数据，生成择时信号。具体构建过程未详细说明。 7. **模型名称**：涨跌停模型[13] **模型构建思路**：基于涨跌停板现象构建中期择时信号[10] **模型具体构建过程**：通过分析市场中涨跌停股票的数量和分布，判断市场中期趋势。具体构建过程未详细说明。 8. **模型名称**：月历效应模型[13] **模型构建思路**：利用月历效应（如月初、月末效应）构建择时信号[10] **模型具体构建过程**：通过统计历史数据中特定时间段的市场表现，生成择时信号。具体构建过程未详细说明。 9. **模型名称**：长期动量模型[14] **模型构建思路**：基于动量效应构建长期择时信号[10] **模型具体构建过程**：通过计算宽基指数的长期收益率，判断市场长期趋势。具体构建过程未详细说明。 10. **模型名称**：A股综合兵器V3模型[15] **模型构建思路**：综合多周期多策略的A股择时模型[10] **模型具体构建过程**：耦合短期、中期、长期的不同模型信号，进行综合判断。具体构建过程未详细说明。 11. **模型名称**：A股综合国证2000模型[15] **模型构建思路**：针对国证2000指数的综合择时模型[10] **模型具体构建过程**：耦合适用于国证2000指数的多模型信号，进行综合判断。具体构建过程未详细说明。 12. **模型名称**：成交额倒波幅模型[16] **模型构建思路**：基于成交额与波幅的关系构建港股择时信号[10] **模型具体构建过程**：通过分析港股指数的成交额与价格波幅的关系，生成择时信号。具体构建过程未详细说明。 13. **模型名称**：杯柄形态模型[44][45] **模型构建思路**：识别杯柄形态技术图形以捕捉上涨突破机会[44] **模型具体构建过程**：识别股价走势中形成的“杯状”和“柄状”结构，在柄部调整结束后价格突破杯沿时产生买入信号。具体步骤包括识别A点（杯左起点）、B点（杯底）、C点（杯右终点/柄部起点），当价格突破C点水平时确认信号。 14. **模型名称**：双底形态模型[44][52] **模型构建思路**：识别双底形态技术图形以捕捉上涨突破机会[44] **模型具体构建过程**：识别股价走势中形成的两个低点（A点和C点）及之间的反弹高点（B点），当价格突破B点（颈线）时产生买入信号。具体步骤包括识别A点（第一个底）、B点（颈线）、C点（第二个底），当价格突破B点水平时确认信号。 模型的回测效果 1. **杯柄形态模型**，本周收益2.83%[44]，同期上证综指收益3.49%[44]，本周超额收益-0.66%[44]，2020年12月31日至今累计收益64.88%[44]，累计超额收益54.73%[44] 2. **双底形态模型**，本周收益2.52%[44]，同期上证综指收益3.49%[44]，本周超额收益-0.97%[44]，2020年12月31日至今累计收益49.3%[44]，累计超额收益39.14%[44] 量化因子与构建方式 *(注：本报告中未明确提及量化因子的具体构建细节。)* 因子的回测效果 *(注：本报告中未提供量化因子的测试结果取值。)*

产品信息 - 南方基金于8月18日正式发售南方中证A500指数增强型证券投资基金 基金代码A类024375 C类024376 [1] - 该基金锚定中证A500指数 在跟踪指数Beta收益基础上力争超额收益 [1] - 基金C类份额销售服务费率为0.40%/年 管理费率为0.80%/年 托管费率为0.10%/年 [5] 投资团队 - 南方基金数量化投资团队由13位成员组成 平均从业时间超8年 投资团队平均从业时间逾10年 [2] - 团队采用全自研一体化工作平台 包含统一策略开发平台 投资管理平台和风险评测平台 [2] - 团队聚焦量化选股与资产配置两大领域 涵盖多因子策略 基本面量化策略 AI策略等 [2] 基金经理 - 拟任基金经理解锐为清华大学金融专业硕士 拥有8年证券从业经验与5年投资经验 [3] 投资策略 - 采用多策略叠加运作方式 构建同目标 低相关 高信息比子策略群 [4] - 通过风险预算模型进行多策略合成 结合风格约束 行业约束等多维度完成组合优化 [4] - 策略模型包含多因子模型 基本面量化模型 风格轮动模型 深度学习模型 [4] 标的指数 - 中证A500指数覆盖A股107个行业 包含半导体 医疗服务 银行 白酒等行业龙头 [5] - 指数被描述为全市场的精简版缩影 能捕捉新质生产力赛道机遇并平衡传统行业价值 [5] 公司实力 - 南方基金旗下多只宽基指数产品规模超百亿 [5] - 南方中证500ETF规模达1134亿 南方中证A500ETF规模178亿 南方标普A股大盘红利低波50ETF规模超100亿（截至6月底） [5]

百亿级私募业绩表现 - 截至7月底有业绩展示的百亿级私募今年以来平均收益达16.6% [2] - 实现正收益的百亿级私募占比达98.18% [2] - 其中21家机构收益介于10%至20% 17家收益介于20%至30% 4家收益超30% [2] 量化与主观策略对比 - 36家百亿级量化私募平均收益达18.92%且正收益占比100% [2] - 16家百亿级主观私募平均收益为13.59%且正收益占比93.75% [2] - 量化策略因市场成交活跃获得显著超额收益 [2] 私募行业规模扩张 - 百亿级私募数量增至90家 [1] - 7月新备案私募证券投资基金达1298只 环比增长18% [3] - 新备案基金数量前十名机构全部为百亿级私募 [3] 头部机构产品备案动态 - 宽德私募单月备案新基金数量达31只 主攻指数增强策略 [3] - 明汯投资备案新基金数量达26只 同样聚焦指数增强策略 [3] 资金流向与投资者行为 - 机构资金加速入场 偏好从市场中性策略转向主观选股/指数增强/量化选股等多头策略 [3] - 个人投资者赎回量缩减且申购量逐步增加 [3] 头部私募配置策略 - 源乐晟资产保持高仓位 重点配置科技/创新药/有色金属/新消费/非银金融板块 [4] - 近期增持非银金融板块 其他板块进行结构调整 [4] - 多家百亿级私募维持八成以上仓位并积极调仓 [4] 板块轮动与调仓逻辑 - 8月半年报披露期成为调仓重要窗口 部分标的进行获利了结 [5] - 加仓方向包括周期股/保险板块及低估值困境反转医药股 [5] - 券商与保险行业预计受益于市场活跃度提升及利率见底回升 [4]

量化模型与构建方式 1. **模型名称：成交量模型** - 模型构建思路：基于市场成交量变化判断短期市场情绪[12] - 模型具体构建过程：监测宽基指数成交量突破阈值（如20日均值），触发看多/中性信号[12] 2. **模型名称：低波动率模型** - 模型构建思路：利用波动率指标识别市场稳定性[12] - 模型具体构建过程：计算指数历史波动率（如30日标准差），低于阈值时触发中性信号[12] 3. **模型名称：特征龙虎榜机构模型** - 模型构建思路：跟踪机构资金流向判断市场热度[12] - 模型具体构建过程：统计龙虎榜机构净买入占比，中位数以上为看多信号[12] 4. **模型名称：智能算法沪深300/中证500模型** - 模型构建思路：结合机器学习和价量因子预测指数趋势[12] - 模型具体构建过程：输入历史价格、成交量、换手率等特征，输出看多信号[12] 5. **模型名称：涨跌停模型** - 模型构建思路：通过涨跌停股数量反映市场极端情绪[13] - 模型具体构建过程：统计全A股涨跌停比例，阈值触发中性信号[13] 6. **模型名称：长期动量模型** - 模型构建思路：捕捉指数长期趋势延续性[14] - 模型具体构建过程：计算上证50等指数250日收益率，突破阈值翻多[14] 7. **模型名称：成交额倒波幅模型（港股）** - 模型构建思路：结合成交额与波动率判断港股中期趋势[16] - 模型具体构建过程：$$信号=\frac{成交额}{波幅}$$，高于历史分位数看多[16] 8. **复合模型：A股综合兵器V3模型** - 模型构建思路：多因子耦合（防御+进攻因子）[15] - 模型具体构建过程：加权短期成交量、中期涨跌停、长期动量信号，输出看空[15] 模型的回测效果 1. 成交量模型：上证50看多，沪深300看多，中证500中性[12] 2. 低波动率模型：上证50中性[12] 3. 特征龙虎榜机构模型：沪深300中性[12] 4. 智能算法模型：沪深300看多，中证500看多[12] 5. 涨跌停模型：全A中性[13] 6. 长期动量模型：上证50看多[14] 7. 成交额倒波幅模型：恒生指数看多[16] 8. A股综合兵器V3模型：看空[15] 量化因子与构建方式 1. **因子名称：杯柄形态因子** - 因子构建思路：识别价格“杯柄”突破形态[45] - 因子具体构建过程： 1. 定义杯底（A点）、杯沿（B点）、柄部（C点）[45] 2. 突破柄部高点时触发信号：$$突破价>C点最高价$$[45] - 因子评价：中长期超额收益显著[44] 2. **因子名称：双底形态因子** - 因子构建思路：捕捉W形底部反转机会[52] - 因子具体构建过程： 1. 识别两个低点（A/C点）和颈线（B点）[52] 2. 突破颈线时触发：$$突破价>B点最高价$$[52] 因子的回测效果 1. 杯柄形态因子：2020年至今累计超额收益50.35%[44] 2. 双底形态因子：2020年至今累计超额收益36.34%[52]