量化选股
搜索文档
招商红利量化选股混合型证券投资基金基金份额发售公告
上海证券报· 2025-04-30 10:14
基金产品概况 - 招商基金推出招商红利量化选股混合型证券投资基金,该基金为契约型开放式混合基金,已获中国证监会证监许可〔2025〕551号文准予注册 [1][2] - 基金分为A类和C类份额,A类份额代码为023806,C类份额代码为023807,两类份额主要区别在于收费方式,A类收取认购、申购费但不计提销售服务费,C类不收取认购、申购费但从资产中计提销售服务费 [25][26] - 基金存续期限为不定期,运作方式为契约型开放式 [26] 募集安排与规模 - 基金发售期为2025年5月14日至2025年5月28日,基金管理人可根据认购情况调整募集时间,但最长不超过法定募集期限 [2][33] - 基金首次募集规模上限为30亿元人民币,最低募集份额总额为2亿份,募集金额需不少于2亿元人民币且认购人数不少于200人方可满足备案条件 [3][29][30][70] - 若募集期内任何一日累计有效认购申请金额超过30亿元,基金管理人将采取末日比例确认的方式控制规模,未确认部分的认购款项将退还投资者 [4][31] 投资策略与范围 - 本基金为混合型基金,股票、存托凭证投资比例为基金资产的60%-95% [10] - 基金采用量化模型构建投资组合,但该模型仅为选股模型,不用于高频交易 [10] - 投资范围包括A股、港股通标的股票、存托凭证、资产支持证券,并可参与股指期货、国债期货、股票期权等金融衍生品投资以及融资业务,以进行套期保值等操作 [10][11][12][13][15][18][19] 投资者认购规定 - 募集对象为符合法律法规规定的个人投资者、机构投资者、合格境外投资者及其他允许投资证券投资基金的投资人 [4][32] - 投资者通过非直销销售机构或基金管理人官网交易平台认购,单个基金账户首次及追加认购单笔最低金额均为1元,通过基金管理人直销柜台认购,首次单笔最低金额为50万元,追加认购单笔最低金额为1元 [5][42] - 投资者在募集期内可多次认购,A类份额认购费按每笔申请单独计算,申请一经受理不得撤销 [5][42] - 如单一投资者认购基金份额比例达到或超过50%,基金管理人有权全部或部分拒绝其认购申请 [6] 销售与服务机构 - 销售机构包括直销机构和非直销销售机构,直销机构为招商基金管理有限公司 [5][72] - 基金托管人为中信银行股份有限公司,登记机构为招商基金管理有限公司 [1][71][72] - 其他中介机构包括律师事务所上海源泰律师事务所和会计师事务所德勤华永会计师事务所 [72][73] 费用与份额计算 - 基金份额发售面值为人民币1.00元,按面值发售 [28][36] - A类基金份额收取认购费用,具体费率按认购金额分档,认购费用不列入基金财产,主要用于募集期间的市场推广、销售、登记等费用,C类份额不收取认购费用 [37][38] - 认购份额计算时,认购金额在募集期间产生的利息将折算为基金份额归持有人所有 [6][39][40] 运营与清算 - 募集期间募集的资金存入专门账户,在募集结束前任何人不得动用,募集期间产生的信息披露费、会计师费等不得从基金财产中列支 [67][68] - 基金权益登记由登记机构在发售结束后完成 [69] - 若募集失败,基金管理人需在募集期限届满后30日内返还投资者已交纳款项并加计银行同期活期存款利息 [71]
【私募调研记录】天倚道投资调研晶盛机电
证券之星· 2025-04-23 08:12
公司调研情况 - 知名私募天倚道投资近期对晶盛机电进行了特定对象调研 [1] - 晶盛机电报告期内实现营业收入175.77亿元,净利润25.10亿元 [1] - 公司加速推进半导体装备国产替代,成功开发多种12英寸半导体装备,产品指标达国际先进水平 [1] - 在半导体衬底材料方面,公司快速推进8英寸碳化硅衬底产能爬坡,市场拓展成果显著 [1] - 石英坩埚业务通过全自动化生产平台提升效率,晶鸿精密成为核心零部件供应商 [1] - 主要客户包括TCL中环、长电科技等知名上市公司或大型企业,在手订单基本为下游头部客户订单,付款履约情况良好 [1] - 公司未来将坚持"先进材料、先进装备"发展战略,打造多元业务协同发展的平台型公司 [1] 机构背景 - 天倚道投资注册资本1000万元,是第一批拿到私募资格并经过证监会备案的公司之一 [2] - 2016年取得新股网下配售资格,2017年成为中国基金业协会会员,已具有3+3投顾资质 [2] - 2019年获得科创板网下配售资格,管理规模累计50亿元以上 [2] - 产品运作策略以多策略为主,结合人工智能、量化选股、程序化TO等策略 [2] - 有股票多头系列、量化对冲系列、指数增强系列产品,紧密跟踪指数并动态调整策略 [2] - 历经多轮牛熊市考验,管理规模日益壮大,在业内有良好信誉口碑 [2]
盘点四种不同策略的“固收+”基金
雪球· 2025-03-13 12:54
文章核心观点 - 2024年以来债市维持强势,权益类资产整体震荡但局部有行情,部分"固收+"产品在复杂市场环境中表现突出[2] - 选取了四只采用不同策略的"固收+"产品进行分析,包括"固收+可转债"、"固收+周期股"、"固收+红利"和"固收+量化选股"策略[2] - 不同策略的"固收+"产品具有各自独特的风险收益特征,为投资者提供了丰富的选择[2][15] 华安强化收益债券 - 采用"固收+可转债"策略,基金经理郑伟山过去1年收益11.41%,排名同类前2%[3] - 债券持仓以可转债为主(70%以上),国债和金融债为辅,不持有公司信用债[3][4] - 股票持仓行业分散(10-15个),偏好成长和周期类行业龙头股,坚持"少而精"思路[6] - 基金经理权益投研出身,投资风格积极灵活,偏好弹性较高资产[5][6] 华泰柏瑞鼎利灵活配置混合 - 采用"固收+周期股(主要是黄金股)"策略,近1年收益率6.72%[7] - 债券持仓以金融债为主(30%-65%),公司信用债和同业存单为辅,不持有可转债[7] - 股票持仓择时操作明显,黄金股占比28%-40%,个股数量100个以上,分散程度高[8] - 两位基金经理分工明确,固收部分追求稳定票息收益,权益部分专注周期股灵活投资[8] 易方达瑞锦混合 - 采用"固收+红利"策略,近1年收益10.90%[10] - 债券持仓以金融债和公司信用债为主(50%以上),较少投资国债和可转债[10] - 股票持仓根据市净率指标择时,加仓银行、公用事业等高股息资产[11] - 基金经理坚持绝对收益思路,债券以票息收益为主,股票以高股息资产为主[11] 招商安阳债券 - 采用"固收+量化选股"策略,近1年收益9.72%[12] - 债券持仓以金融债和公司信用债为主,2024年下半年国债持仓提升至10%[12][13] - 股票采用"多因子选股+行业轮动模型"量化策略,行业配置灵活调整[13] - 基金经理分工明确,固收部分控制信用风险,权益部分定量定性结合[14] 结语 - "固收+"产品策略丰富多样,不同策略在过往市场中实现了多元化超额收益[15] - 投资者需根据自身风险偏好和投资目标选择合适的产品[15]
【广发金工】神经常微分方程与液态神经网络
广发金融工程研究· 2025-03-06 08:16
神经常微分方程与液态神经网络 - 神经常微分方程(Neural ODE)通过将离散残差结构连续化,提出用同一常微分方程求解无限堆叠残差结构的参数,显著降低计算复杂度 [1][5][6] - 液态神经网络(LTC/NCP/CFC)基于Neural ODE思想,将循环神经网络离散时间步连续化,提升表征能力并增强抗噪声鲁棒性 [2][13][28] - LTC网络通过生物神经元启发的微分方程设计,在时间序列预测任务中相比传统RNN提升5%-70%性能 [14][15][20] - NCP网络模仿线虫神经系统结构,采用稀疏连接和分层设计,参数量仅为LSTM的4.3%(1,065 vs 24,897)但保持相当性能 [26][31][32] - CFC网络通过推导LTC微分方程的闭式解,避免数值求解过程,训练速度比ODE-RNN快97倍(0.084 vs 7.71分钟/epoch) [33][36][37] 量化选股实证结果 - 液态神经网络显存需求仅为GRU的5%-67%(CFC 6Gb vs GRU 120Gb),实现同等选股效果下大幅降低计算资源消耗 [40][41] - 不同液态网络因子与GRU的相关系数0.69-0.82,显示模型能从相同数据中提取差异化价量特征 [42][43] - NCP结构在2020-2024年回测中表现最优,多头年化收益率24.38%超过GRU的24.21%,夏普比率0.95优于GRU的0.88 [44][50][54] - CFC网络在2024年极端市场中保持稳健,多空年化收益率42.64%显著高于GRU的39.36% [45][58] - 液态神经网络整体多空夏普比率5.22-5.66,优于传统GRU的5.22,显示更强的风险调整后收益能力 [45][50] 技术优势比较 - 参数量:NCP(19神经元)仅253个突触连接,全连接LSTM(64神经元)需24,640个连接 [25][26][32] - 计算效率:CFC训练速度达ODE-RNN的92倍(0.097 vs 8.49分钟/epoch),LTC采用半隐式欧拉法平衡精度与速度 [17][36][37] - 鲁棒性:NCP在噪声环境下碰撞次数比LSTM低63%,异常数据识别准确率保持85%以上 [28][30] - 可解释性:NCP神经元分工明确,可通过微分方程分析单个神经元对决策贡献 [32][38] - 内存占用:CFC前向传播内存复杂度O(1),传统BPTT方法为O(L×T) [19][33]