核电概念股市场表现 - 11月10日早盘A股核能核电概念股集体爆发，多只个股涨停或涨幅超过5% [1] - A股179只核电概念股中，164只年内上涨，占比高达92%，平均涨幅51.73%，其中28只个股涨幅超过100% [3] 核电概念股财务数据 - 上海电力前三季净利润30.50亿元，同比增长24.04% [5] - 卧龙电驱前三季净利润8.19亿元，同比增长28.26% [5] - 华银电力前三季净利润3.57亿元，同比增长954.94% [6] - 万马股份前三季净利润4.12亿元，同比增长61.57% [6] - 七幸精工前三季净利润0.28亿元，同比增长259.66% [6] - 哈焊鉄道前三季净利润0.26亿元，同比增长53.90% [6] - 科泰电源前三季净利润0.38亿元，同比增长52.49% [6] - 纽威股份前三季净利润11.14亿元，同比增长34.54% [6] - 东方银业前三季净利润2.08亿元，同比增长33.43% [6] - 金盘科技前三季净利润4.86亿元，同比增长20.27% [6] - 部分公司净利润出现下滑，如合锻智能前三季净利润-0.44亿元，同比下降677.25%，兰石重装前三季净利润0.11亿元，同比下降88.33% [5][6] 整体市场运行特征 - 自10月28日上证指数越过4000点以来，指数上涨19.6%，但仅有四成个股跑赢指数 [3] - 在此期间上涨的4200家个股中，有4000余家的振幅大于30% [3] - 股市本质上是一个博弈场，不存在只赚不赔的可能，牛市中由于交投活跃，波动往往比熊市还要剧烈 [8] 投资行为分析 - 市场存在明显的"骗线"行为，例如股价大涨后出现调整时很快又出现向上突破迹象，或在经历惨烈调整后出现跳空上涨，诱使投资者跟风买入后遭遇深度回调 [11] - 个股走势差异的关键在于背后的交易行为，机构资金的参与程度决定反弹能否持续 [13][16] - 有机构资金积极参与交易的股票，即使在调整过程中，机构也可能在加大介入力度 [19] 核电行业投资逻辑 - 全球电力需求增长和双碳目标为核电产业链带来了重要发展机遇 [20] - 核电板块中真正值得关注的不是那些突然涨停的个股，而是那些在前期就有机构资金持续介入的标的 [20] - 把握住资金流向的本质，才能真正分享行业红利，行为决定走势，看清交易行为背后的真实意图至关重要 [20]

投资理念与策略 - 强调量化策略的可解释性，采用“强因子弱模型”的投资架构，在因子层面追求逻辑清晰和低相关性，在模型层面控制复杂度以确保策略波动时可追溯和修复 [1] - 避免依赖黑箱式的端到端机器学习模型，将精力集中于因子的逻辑性和整体策略链路的可解释性上 [3] - 在因子开发中遵循严格标准，强调因子的持久性、鲁棒性和逻辑直观性，每个新因子都需通过严格的样本内外测试以保障预测能力稳定性 [3] 模型迭代与优化 - 2023年9月进行重要模型迭代，在原有10-20天预测周期中加入1-5天的短期预测目标，显著提升对市场短期定价偏差的捕捉能力 [3] - 量价因子占比从原先不足50%提升至60%，增强对市场微观交易的响应速度 [4] - 模型对风格因子的依赖程度从约40%降至15%以下，Pure Alpha占比超过85%，超额收益更多来源于选股而非风格暴露 [4] - 在因子合成层面坚持使用线性模型与树模型等可控方法，避免因模型过度复杂而引入风险 [4] 产品线与风险管理 - 公司计划逐步建立以中证500、中证1000和中证全指指数为核心的量化投资产品线，并拓展至双创等特色宽基指数 [6] - 在组合构建中严控风险，将跟踪误差控制在6%左右，并通过行业、风格因子的均衡配置降低组合与基准的偏离及产品净值波动性 [6] - 严格保持风格中性，确保组合均衡以控制风险敞口 [5] 市场机遇与团队愿景 - A股市场散户投资者贡献超过60%的成交量，带来丰富的定价偏差投资机会，T+1交易制度与高频交易监管等因素为量化投资带来丰厚超额收益机会 [7] - 团队愿景是提供波动较小、回撤较低、夏普比例较高的产品，让客户能长期持有并分享基金收益 [6] - 目标构建“可积累、可复制、可解释”的量化投资护城河，在A股市场持续捕捉Alpha，为客户带来长期可持续回报 [7]

核心观点 - 淳厚基金量化与指数投资部总监周俊凭借12年量化投研经验，强调量化策略的“可解释性”，采用“强因子弱模型”的均衡稳健投资架构，致力于在A股市场捕捉长期可持续的Alpha收益 [1][4][10] 投资理念与策略框架 - 坚持量化策略的“可解释性”，避免过度依赖“端到端”的机器学习黑箱模型，确保策略波动时可追溯、可修复 [1][5] - 采用“强因子弱模型”的投资架构，在因子层面追求逻辑清晰、低相关性，在模型层面控制复杂度 [1][5] - 追求以“多周期预测”为核心、兼顾逻辑透明与风险可控的均衡投资路径 [4] - 量化模型融合基本面、量价和另类数据等因子库，通过合理权重配置追求收益来源多元化 [4] - 因子开发遵循严格标准，强调因子的持久性、鲁棒性和逻辑直观性，每个新因子都需通过严格的样本内外测试 [4] 模型迭代与优化 - 2024年9月进行了一次重要的模型迭代，在原有的10-20天预测周期中加入了1-5天的短期预测目标，以提升对市场短期定价偏差的捕捉能力 [6] - 迭代后，量价因子的占比从原先的不足50%提升至60%，提升了对市场微观交易的响应速度 [6] - 在因子合成层面，坚持使用线性模型与树模型等可控方法，避免因模型过度复杂而引入风险 [6] - 选用因子时更关注其带来的信息增量和稳定性，新因子必须通过样本外检验并与现有因子库保持低相关性 [6] - 此次迭代后，模型对风格因子的依赖程度从原先的约40%降至15%以下，Pure Alpha占比超过85%，超额收益更多来源于选股，降低了组合对市场波动的敞口 [7] - 严格保持风格中性，确保组合均衡，以控制风险敞口 [7] 产品规划与团队愿景 - 公司计划逐步建立以中证500、中证1000和中证全指指数为核心的量化投资产品线，并逐步拓展至双创等特色宽基指数 [9] - 认为中证500与中证1000指数兼具行业均衡性与成长潜力，同时潜在Alpha丰厚，是长期布局的理想标的 [9] - 团队愿景是提供波动相对较小、回撤相对较低、夏普比例相对较高的产品，让客户能长期持有 [9] - 在组合构建中严控风险，将跟踪误差尽量控制在6%左右，并通过行业、风格因子的均衡配置降低组合与基准的偏离及净值波动性 [9] 对A股量化投资环境的看法 - 认为A股市场仍是全球Alpha最为丰厚的市场之一 [10] - 指出散户投资者贡献了超过60%的成交量，带来了丰富的定价偏差投资机会 [10] - T+1交易制度与高频交易监管限制了纯粹的日内策略，市场结构分割及信息传递的时效性为量化投资带来了丰富的超额收益机会 [10] - 目标是通过持续努力，构建一条“可积累、可复制、可解释”的量化投资护城河，在A股市场中持续捕捉Alpha [10] 个人从业背景 - 拥有12年量化投研经验，职业生涯贯穿公私募领域，亲历了私募公司规模从20亿元增长至400亿元的过程 [1][4] - 于2023年9月加入淳厚基金，开启公募领域新征程 [1][4]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：BARRA CNE5模型**[25] **模型构建思路：** 该模型用于分析投资组合的风险暴露，通过定义一系列风格因子来刻画投资组合相对于基准的偏好或规避倾向[25] **模型具体构建过程：** 模型包含10个风格因子，通过计算投资组合在这些因子上的暴露值（因子值）来评估其风格特征。当因子暴露为正时，表明基金偏好该类风格；当因子暴露为负时，表明基金会规避这类风格[25][28]。具体因子定义如下： * **Beta（贝塔）**：超额收益与市场收益的回归系数，代表市场收益暴露。 * **Momentum（动量）**：Relative Strength，代表动量暴露。 * **Size（市值）**：股票市值的对数，代表大盘暴露。 * **Earnings Yield（盈利）**：Earnings-to-Price，市盈率的倒数，代表盈利性暴露。 * **Residual Volatility（残差波动率）**：日收益标准差、历史标准差，代表波动性暴露。 * **Growth（成长）**：盈利增长率、销售收入增长率，代表成长暴露。 * **BP（B/P）**：Book-to-Price，市净率的倒数，代表价值暴露。 * **Leverage（杠杆）**：财务杠杆率，代表财务杠杆暴露。 * **Liquidity（流动性）**：换手率，代表流动性暴露。 * **Non-linear Size（非线性市值）**：股票市值的立方，代表中盘暴露。 模型的回测效果 1. **BARRA CNE5模型**，**贝塔因子暴露**-0.055，**动量因子暴露**-0.067，**市值因子暴露**0.372，**盈利因子暴露**0.229，**残差波动率因子暴露**-0.182，**成长因子暴露**0.095，**B/P因子暴露**-0.046，**杠杆因子暴露**0.079，**流动性因子暴露**0.094，**非线性市值因子暴露**-0.506，**平均暴露**0.121[32] 2. **BARRA CNE5模型（中证A500指数）**，**贝塔因子暴露**-0.071，**动量因子暴露**-0.087，**市值因子暴露**0.570，**盈利因子暴露**0.052，**残差波动率因子暴露**-0.075，**成长因子暴露**0.220，**B/P因子暴露**-0.201，**杠杆因子暴露**0.006，**流动性因子暴露**0.326，**非线性市值因子暴露**-0.404[32] 3. **BARRA CNE5模型（中加专精特新 vs 中证2000）**，**盈利因子暴露**更高，**估值（B/P）因子暴露**更高，**市值因子暴露**更低，**残差波动率因子暴露**更低，**成长因子暴露**更低，**流动性因子暴露**更低[65] 4. **BARRA CNE5模型（中加紫金多期）**，**盈利因子暴露**偏好强，**估值（B/P）因子暴露**偏好低，**残差波动率因子暴露**低[95] 量化因子与构建方式 1. **因子名称：Beta（贝塔）**[26] **因子构建思路：** 衡量股票超额收益对市场收益的敏感度。 **因子具体构建过程：** 通过回归分析得到股票超额收益与市场收益之间的回归系数。$$Beta = \frac{Cov(R_i - R_f, R_m)}{Var(R_m)}$$ 其中，$R_i$ 为股票收益率，$R_f$ 为无风险收益率，$R_m$ 为市场收益率。 2. **因子名称：Momentum（动量）**[26] **因子构建思路：** 衡量股票价格的趋势强度。 **因子具体构建过程：** 使用相对强弱（Relative Strength）指标，通常基于过去一段时间（如11个月剔除最近1个月）的累计收益率。$$Momentum = \frac{P_t}{P_{t-n}} - 1$$ 其中，$P_t$ 为当前价格，$P_{t-n}$ 为n期前的价格。 3. **因子名称：Size（市值）**[26] **因子构建思路：** 衡量公司的规模。 **因子具体构建过程：** 取股票总市值的自然对数。$$Size = ln(MarketCap)$$ 其中，$MarketCap$ 为股票总市值。 4. **因子名称：Earnings Yield（盈利）**[26] **因子构建思路：** 衡量公司的盈利水平。 **因子具体构建过程：** 采用市盈率（Earnings-to-Price）的倒数。$$Earnings Yield = \frac{Earnings}{Price}$$ 其中，$Earnings$ 为公司盈利，$Price$ 为股票价格。 5. **因子名称：Residual Volatility（残差波动率）**[26] **因子构建思路：** 衡量股票剔除市场风险后的特异性波动。 **因子具体构建过程：** 计算股票日收益率的标准差或历史标准差。 6. **因子名称：Growth（成长）**[26] **因子构建思路：** 衡量公司的成长能力。 **因子具体构建过程：** 基于盈利增长率或销售收入增长率等指标。 7. **因子名称：BP（B/P）**[26] **因子构建思路：** 衡量公司的估值水平，属于价值因子。 **因子具体构建过程：** 采用市净率（Book-to-Price）的倒数。$$BP = \frac{Book Value}{Price}$$ 其中，$Book Value$ 为公司账面价值，$Price$ 为股票价格。 8. **因子名称：Leverage（杠杆）**[26] **因子构建思路：** 衡量公司的财务杠杆水平。 **因子具体构建过程：** 使用财务杠杆率等指标。 9. **因子名称：Liquidity（流动性）**[26] **因子构建思路：** 衡量股票的流动性。 **因子具体构建过程：** 使用换手率等指标。 10. **因子名称：Non-linear Size（非线性市值）**[26] **因子构建思路：** 捕捉市值因子的非线性效应，侧重中盘股。 **因子具体构建过程：** 取股票总市值的立方。$$Non-linear Size = (MarketCap)^3$$ 其中，$MarketCap$ 为股票总市值。 因子的回测效果 1. **Beta（贝塔）因子**，**中加A500暴露**-0.055，**A500指数暴露**-0.071[32] 2. **Momentum（动量）因子**，**中加A500暴露**-0.067，**A500指数暴露**-0.087[32] 3. **Size（市值）因子**，**中加A500暴露**0.372，**A500指数暴露**0.570[32] 4. **Earnings Yield（盈利）因子**，**中加A500暴露**0.229，**A500指数暴露**0.052[32] 5. **Residual Volatility（残差波动率）因子**，**中加A500暴露**-0.182，**A500指数暴露**-0.075[32] 6. **Growth（成长）因子**，**中加A500暴露**0.095，**A500指数暴露**0.220[32] 7. **BP（B/P）因子**，**中加A500暴露**-0.046，**A500指数暴露**-0.201[32] 8. **Leverage（杠杆）因子**，**中加A500暴露**0.079，**A500指数暴露**0.006[32] 9. **Liquidity（流动性）因子**，**中加A500暴露**0.094，**A500指数暴露**0.326[32] 10. **Non-linear Size（非线性市值）因子**，**中加A500暴露**-0.506，**A500指数暴露**-0.404[32]

根据研报内容，以下是关于量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：动量因子**[60] * **因子构建思路**：基于股价的历史表现，筛选近期表现强势的股票，旨在捕捉趋势延续效应[60] * **因子具体构建过程**：以“长江动量”指数作为动量因子的表征。该指数的构建方法是，首先计算每只股票的动量指标，具体公式为：`最近一年股票收益率 - 最近一个月股票收益率（剔除涨停板）`。然后，根据此动量指标，在A股市场中选取动量特征强且流动性相对较高的前100只股票作为指数成分股[60] 2. **因子名称：反转因子**[60] * **因子构建思路**：基于股价的短期表现，筛选近期表现弱势的股票，旨在捕捉价格回归均值的反转效应[60] * **因子具体构建过程**：以“长江反转”指数作为反转因子的表征。该指数的构建方法是，以最近一个月股票收益率作为筛选指标，在A股市场中选取反转效应强、流动性较好的前100只股票作为指数成分股，并采用成分股近三个月日均成交量进行加权[60] 3. **因子名称：风格相对拥挤度**[125] * **因子构建思路**：通过比较不同风格指数（如成长vs红利）的换手率活跃程度，来衡量该风格交易的相对拥挤程度，以判断其配置风险或性价比[125] * **因子具体构建过程**：对于风格A和风格B，计算步骤如下： 1. 分别计算风格A指数和风格B指数的近252日平均换手率时间序列[125] 2. 将上述时间序列在2005年1月1日以来的历史数据上进行Z-score标准化，得到Z-score_A与Z-score_B[125] 3. 计算二者差值：$$Diff_{Zscore} = Zscore\_A - Zscore\_B$$ 4. 计算该差值（Diff_Zscore）的滚动6年历史分位数（若历史数据量满1年但不足6年，则以全部历史数据计算），此分位数即为风格A相对于风格B的相对拥挤度[125] 4. **因子名称：风格累计超额净值**[126] * **因子构建思路**：通过计算风格指数相对于市场基准（万得全A）的累计超额表现，来评估该风格的长期收益特征[126] * **因子具体构建过程**： 1. 以2020年1月4日为基准日，将各风格指数及万得全A指数的每日收盘点数除以基准日收盘点数，得到各自的累计净值[126] 2. 将各风格指数的累计净值除以同一交易日的万得全A指数累计净值，得到该风格指数相对于万得全A指数的累计超额净值[126] 5. **因子名称：机构调研活跃度**[127] * **因子构建思路**：通过计算板块或行业相对于市场的机构调研热度差异，并将其标准化为历史分位数，来捕捉机构投资者的关注度变化[127] * **因子具体构建过程**：对于特定板块（或指数、行业），计算其“机构调研活跃度”的滚动历史分位数。具体步骤为： 1. 计算该板块近n个交易日的“日均机构调研次数”[127] 2. 将该时间序列在滚动y年的历史数据上进行Z-score标准化[127] 3. 将上述结果与万得全A的同期Z-score标准化结果作差，得到“机构调研活跃度”[127] 4. 最后计算此“机构调研活跃度”的滚动y年历史分位数（历史数据量不足y年时，以全部历史数据计算）[127] * **参数设置**：长期口径：n=126（近半年），y=6年；短期口径：n=63（近一季度），y=3年[127] 6. **因子名称：股债风险溢价（ERP）**[48] * **因子构建思路**：通过比较股票市场市盈率的倒数与无风险利率（国债收益率）的差异，来衡量权益资产相对于债券资产的相对吸引力[48] * **因子具体构建过程**：对于特定指数，其ERP的计算公式为： $$ERP = \frac{1}{指数PE\_{TTM}} - 10年期中债国债到期收益率$$ 其中，PE_TTM为指数滚动市盈率[48] 因子的回测效果 1. **动量因子**：近一周收益-1.7%，近一月收益1.8%，年初至今收益34.8%[58] 2. **反转因子**：近一周收益1.6%，近一月收益0.0%，年初至今收益13.5%[58] 3. **成长vs红利风格相对收益**：近一周收益-1.5%，近一月收益-2.9%，年初至今收益26.4%[58] 4. **小盘vs大盘风格相对收益**：近一周收益-0.9%，近一月收益-2.3%，年初至今收益8.1%[58] 5. **微盘股vs基金重仓风格相对收益**：近一周收益3.7%，近一月收益9.8%，年初至今收益45.9%[58] 6. **动量vs反转风格相对收益**：近一周收益-3.3%，近一月收益1.8%，年初至今收益21.3%[58]

指数增强型基金业绩表现 - 近一年指数增强型基金平均回报高达27%，九成以上产品获得正收益 [1][3] - 中小盘产品表现尤为突出，招商中证2000增强策略ETF回报率达60.35%，多只产品回报超50% [3] - 业绩亮眼源于市场结构性机会与量化策略契合、风控框架优化及资金对“贝塔+阿尔法”双收益的追求 [1][3] 中小盘指数增强产品优势 - 中小盘指数成分股数量多于大盘指数，拓宽投资选择空间并增强策略灵活性 [4] - 中小盘股指期货存在明显贴水现象，为构建超额收益提供天然工具 [4] - 在流动性稳定环境下，量价因子与极短持股周期策略组合能发挥显著作用 [4] - 市场行情集中于中小盘宽基指数和科技股，流动性驱动催生高贝塔收益，增厚超额收益 [4] 人工智能技术的影响 - AI技术深度融入量化模型与投资策略，正为量化投资带来革命性变化 [1][5] - AI在数据收集挖掘、信号参数优化、选股方式等方面改变投资流程，使以往难以实现的操作成为可能 [5] - AI影响不限于特定产品，将改变资本市场对上市公司的资金配置方向与方式 [5] - 在数据采集与分析层面，AI有望在保持模型可解释性基础上催生更多主动型量化产品，丰富投资生态 [5]

量化市场跟踪：大类因子表现 - 全市场股票池中估值因子获取正收益0.40% [4] - 市值因子和非线性市值因子分别获取负收益-0.72%和-0.40% 显示市场为小市值风格 [4] - 动量因子和Beta因子分别获取负收益-0.79%和-0.43% 市场表现为反转效应 [4] 量化市场跟踪：单因子表现 - 沪深300股票池中表现较好的因子有市盈率TTM倒数(3.05%)、市盈率因子(2.30%)、市净率因子(2.06%) [5] - 沪深300股票池中表现较差的因子有总资产毛利率TTM(-2.11%)、总资产增长率(-1.80%)、单季度总资产毛利率(-1.58%) [5] - 中证500股票池中表现较好的因子有市盈率TTM倒数(2.71%)、市净率因子(2.07%)、市盈率因子(1.74%) [5] - 中证500股票池中表现较差的因子有总资产毛利率TTM(-2.13%)、单季度总资产毛利率(-2.02%)、单季度ROA同比(-1.50%) [5] - 流动性1500股票池中表现较好的因子有市盈率TTM倒数(1.74%)、市盈率因子(1.68%)、市净率因子(1.34%) [5] - 流动性1500股票池中表现较差的因子有早盘后收益因子(-3.00%)、毛利率TTM(-2.64%)、单季度总资产毛利率(-2.50%) [5] 量化市场跟踪：因子行业内表现 - 基本面因子在各行业表现分化 净资产增长率因子、净利润增长率因子、每股净资产因子、每股经营利润TTM因子在石油石化行业均获取正收益 [6] - 估值类因子中BP因子表现良好 在多数行业获取正收益 [6] - 残差波动率因子和流动性因子在综合行业正收益明显 [6] - 市值风格上本周多数行业小市值风格显著 [6] 投资组合跟踪：PB-ROE-50组合 - 本周PB-ROE-50组合在中证500和中证800股票池中获取正超额收益 [7] - 中证500股票池中获得超额收益1.00% [7] - 中证800股票池中获得超额收益0.48% [7] - 全市场股票池中获得超额收益-2.00% [7] 投资组合跟踪：机构调研组合 - 本周私募调研跟踪策略获取负超额收益 [8] - 公募调研选股策略相对中证800获得超额收益0.00% [8] - 私募调研跟踪策略相对中证800获得超额收益-1.96% [8] 投资组合跟踪：大宗交易组合 - 本周大宗交易组合相对中证全指获取正超额收益1.08% [9] 投资组合跟踪：定向增发组合 - 本周定向增发组合相对中证全指获取正超额收益1.93% [10]

指数增强型基金业绩表现 - 近一年指数增强型基金平均回报高达27%，其中九成以上产品获得正收益 [2] - 中小盘指增产品表现突出，招商中证2000增强策略ETF回报达60.35%，多只产品回报超50% [2] - 市场结构性机会与量化策略高度契合，中小盘风格主导环境下量化模型能有效捕捉细分行业龙头的高弹性机会 [3] 业绩亮眼驱动因素 - 主流增强ETF风控框架优化，日均跟踪误差控制在0.3%以内，通过AI算法动态调整行业暴露以规避单一风格风险 [3] - 资金偏好转向追求市场贝塔收益和主动阿尔法收益的双重收益目标 [3] - 中小盘指数成分股数量多，拓宽投资选择空间并增强策略灵活性，且其股指期货的贴水现象为构建超额收益提供天然工具 [3][4] 人工智能技术的影响 - AI技术深度融入量化模型与投资策略，正为量化投资带来革命性变化并有望重塑行业生态格局 [2][4] - AI在数据收集挖掘、信号参数优化、选股方式等方面与人共同参与策略，改变投资流程环节，使以往难以实现的操作成为可能 [4] - AI的影响不限于特定产品类型，将改变资本市场对上市公司的资金配置方向与方式，并有望在保持模型可解释性的基础上催生更多主动型量化产品 [4]

文章核心观点 - 文章深入剖析了三只量化基金（招商量化精选、国金量化多因子、中加专精特新）在投资风格、持仓偏好、业绩表现等方面的迥异特征，旨在揭示其不同的投资哲学与风险收益特征 [3] 投资风格 - 招商量化精选基金经理王平的投资理念注重稳健与均衡，通过多因子模型争取超额收益，同时严格控制行业和个股偏离以降低风险 [4] - 国金量化多因子基金经理马芳和姚加红的策略对市场风格变化高度敏感，收益来源多样化且持仓分散，模型更具进攻性和弹性 [4] - 中加专精特新基金经理林沐尘的策略聚焦“专精特新”主题，利用量化模型在中小盘股中挖掘超额收益，是“主题+量化”的结合 [5] - 招商量化精选规模从2023年底约34亿元增长至2025年三季末的63亿元，2025年业绩为41.93% [6] - 国金量化多因子规模从2023年三季度的超121亿元大幅缩水至2025年一季度的30亿元，后又于2025年三季度回升至63亿元，同年取得50.09%的年度收益 [6] - 中加专精特新规模从不足1亿元迅速增长至近5亿元，2025年以来业绩达63.12% [6] - 国金量化多因子的行业分散程度最高，前十大行业权重总和仅为17.48% [8] - 国金量化多因子A的换手率历年均在600%以上，招商量化精选换手率维持在300%-500%区间，中加专精特新2025年上半年换手率达493% [12] 持仓偏好 - 国金量化多因子的行业配置高度集中在有色金属和电力设备，细分领域能源金属和电池板块合计权重超过9.5% [16] - 招商量化精选的配置更偏向泛制造业，重仓机械设备、汽车和电力设备，行业分布均衡 [17] - 中加专精特新超配基础化工和环保，与其“专精特新”主题高度契合 [17] - 国金量化多因子在投资概念上极致专注新能源电池产业链，前五大重仓概念全部指向该领域 [19] - 中加专精特新第一大投资概念“节能环保”权重超过10% [20] - 招商量化精选的概念覆盖多元化，包括锂电池、英伟达概念、工业互联网和绿色电力等 [20] - 国金量化多因子前十大重仓股清一色为新能源电池产业链龙头，形成量化基金中罕见的“主题抱团”现象 [23] - 中加专精特新的重仓股均为市值较小的“专精特新”企业，策略独特性强 [23] - 招商量化精选是三者中风格最均衡、覆盖面最广的产品 [23] 业绩与风险评估 - 2024年招商量化精选获得15.27%的正收益，而国金量化多因子遭遇-32.77%的巨大回撤，亏损-3.29% [25] - 2025年中加专精特新以63.12%的收益领跑，国金量化多因子收益为50.09%，招商量化精选收益为41.93% [25][26] - 国金量化多因子的波动性最大，招商量化精选的回撤控制相对更平稳，中加专精特新2025年回撤达-12.77% [26] - 2025年中加专精特新的夏普比率为2.73，卡玛比率为4.94；国金量化多因子夏普比率为2.64，卡玛比率高达5.79；招商量化精选夏普比率为1.94，卡玛比率为2.61 [28][29][30] - 在牛市和震荡市中，招商量化精选的适应性更强；国金量化多因子在特定风格顺风时弹性更大 [31][32] - 2025年第三季度，招商量化精选单季度收益为23.87%，国金量化多因子为20.77%，中加专精特新为12.70% [33] 收益归因 - 2023年为招商量化精选贡献收益最多的股票是剑桥科技，单一个股贡献了2.04%的绝对收益 [34] - 2024年山推股份和移远通信成为招商量化精选新的收益贡献主力，收益来源非常分散 [35] - 招商量化精选的选股能力体现在“广”和“准”，能精准捕捉不同时期的牛股并通过分散持仓控制风险 [35] 总结 - 国金量化多因子被定性为极致的行业主题轮动者，在量化分散的外衣下对特定赛道进行极致押注，净值弹性高 [36] - 招商量化精选被定性为稳健的量化策略集大成者，追求极致的均衡与分散，力求在各市场环境下获得稳健超额收益 [36] - 中加专精特新被定性为专注小盘成长的“特种兵”，策略纯粹，深度聚焦“专精特新”主题，在中小盘行情中爆发力强 [36]

量化模型与构建方式 1 PB-ROE-50 组合 - **模型名称**：PB-ROE-50 组合[23] - **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）两个基本面指标进行选股，旨在挑选出估值合理且盈利能力强的股票[23] - **模型具体构建过程**：该组合的具体构建过程未在报告中详细阐述，但明确指出其核心是结合PB和ROE指标进行选股[23] 2 机构调研组合 - **模型名称**：机构调研组合[25] - **模型构建思路**：根据公募基金和私募基金的调研活动来构建选股策略，跟踪机构调研行为以挖掘潜在投资机会[25] - **模型具体构建过程**：报告提及了公募调研选股策略和私募调研跟踪策略，但未详细说明其具体的构建步骤和规则[25] 3 大宗交易组合 - **模型名称**：大宗交易组合[29] - **模型构建思路**：基于“高成交、低波动”原则，通过分析大宗交易数据来构建选股组合，认为大宗交易背后蕴含超额信息[29] - **模型具体构建过程**：组合根据“大宗交易成交金额比率”越高、“6日成交金额波动率”越低的准则进行月频调仓[29] 具体构建方法可参考2023年8月5日的报告《提炼大宗交易背后蕴含的超额信息——量化选股系列报告之十一》[29] 4 定向增发组合 - **模型名称**：定向增发组合[35] - **模型构建思路**：以定向增发事件作为驱动，在再融资政策收紧的背景下，分析定增事件效应并构建投资组合[35] - **模型具体构建过程**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及仓位控制来构造组合[35] 具体方法详见2023年11月26日报告《多角度解析定向增发中的投资机会——量化选股系列报告之十二》[35] 模型的回测效果 1 PB-ROE-50 组合业绩表现 - **中证500股票池**：本周超越基准收益率1.00%，今年以来超额收益率3.16%，本周绝对收益率0.96%，今年以来绝对收益率32.03%[24] - **中证800股票池**：本周超越基准收益率0.48%，今年以来超额收益率16.96%，本周绝对收益率1.07%，今年以来绝对收益率41.77%[24] - **全市场股票池**：本周超越基准收益率-2.00%，今年以来超额收益率19.87%，本周绝对收益率-1.38%，今年以来绝对收益率48.96%[24] 2 机构调研组合业绩表现 - **公募调研选股策略**：本周超越基准收益率0.00%，今年以来超额收益率12.56%，本周绝对收益率0.58%，今年以来绝对收益率36.44%[26] - **私募调研跟踪策略**：本周超越基准收益率-1.96%，今年以来超额收益率15.09%，本周绝对收益率-1.38%，今年以来绝对收益率39.50%[26] 3 大宗交易组合业绩表现 - **大宗交易组合**：本周超越基准收益率1.08%，今年以来超额收益率36.00%，本周绝对收益率1.71%，今年以来绝对收益率69.00%[30] 4 定向增发组合业绩表现 - **定向增发组合**：本周超越基准收益率1.93%，今年以来超额收益率-2.27%，本周绝对收益率2.57%，今年以来绝对收益率21.45%[36] 量化因子与构建方式 1 大类因子 - **估值因子**：本周在全市场股票池中获取正收益0.40%[18] - **市值因子**：本周在全市场股票池中获取负收益-0.72%，市场表现为小市值风格[18] - **非线性市值因子**：本周在全市场股票池中获取负收益-0.40%[18] - **动量因子**：本周在全市场股票池中获取负收益-0.79%，市场表现为反转效应[18] - **Beta因子**：本周在全市场股票池中获取负收益-0.43%[18] 2 单因子（列举部分） 报告在沪深300、中证500和流动性1500股票池中跟踪了大量单因子的表现[12][14][16] 因子方向包括正向和负向，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] 例如市盈率TTM倒数、市净率因子、总资产毛利率TTM等[13][15][17] 因子的回测效果 1 沪深300股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益3.05%，最近1月收益8.84%，最近1年收益5.38%，最近10年收益58.36%[13] - **市盈率因子**：最近1周收益2.30%，最近1月收益6.90%，最近1年收益-5.53%，最近10年收益18.98%[13] - **市净率因子**：最近1周收益2.06%，最近1月收益5.65%，最近1年收益-4.89%，最近10年收益34.98%[13] - **总资产毛利率TTM**：最近1周收益-2.11%，最近1月收益-5.93%，最近1年收益7.00%，最近10年收益-15.93%[13] 2 中证500股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益2.71%，最近1月收益7.16%，最近1年收益-0.03%，最近10年收益45.90%[15] - **市净率因子**：最近1周收益2.07%，最近1月收益4.41%，最近1年收益-6.49%，最近10年收益48.83%[15] - **市盈率因子**：最近1周收益1.74%，最近1月收益5.59%，最近1年收益-2.56%，最近10年收益25.32%[15] - **总资产毛利率TTM**：最近1周收益-2.13%，最近1月收益-4.89%，最近1年收益0.13%，最近10年收益17.65%[15] 3 流动性1500股票池因子表现（部分因子） - **市盈率TTM倒数**：最近1周收益1.74%，最近1月收益3.82%，最近1年收益-0.37%，最近10年收益59.73%[17] - **市盈率因子**：最近1周收益1.68%，最近1月收益3.19%，最近1年收益-3.03%，最近10年收益41.51%[17] - **市净率因子**：最近1周收益1.34%，最近1月收益4.18%，最近1年收益-4.58%，最近10年收益77.40%[17] - **早盘后收益因子**：最近1周收益-3.00%，最近1月收益-1.10%，最近1年收益12.49%，最近10年收益69.92%[17]