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**[25] * **因子构建思路**：基于股价的历史表现，筛选出近期表现强势的股票，以捕捉趋势延续的效应[25] * **因子具体构建过程**：以“长江动量”指数为代表，其构建过程为：首先计算个股的动量指标，该指标为最近一年股票收益率减去最近一个月股票收益率（并剔除涨停板影响）；然后，在A股市场中综合选择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[25] 2. **因子名称：反转因子**[26] * **因子构建思路**：基于股价的均值回归现象，筛选出近期表现弱势的股票，以捕捉价格反弹的效应[26] * **因子具体构建过程**：以“长江反转”指数为代表，其构建过程为：以最近一个月股票收益率作为筛选指标；然后，在A股市场中综合选择反转效应强、流动性较好的前100只股票作为指数成分股；最后，采用成分股近三个月日均成交量进行加权[26] 3. **因子名称：风格拥挤度因子**[33][127] * **因子构建思路**：通过比较不同风格指数的交易活跃度（换手率）在其历史序列中的相对位置，来衡量该风格交易的拥挤程度，作为风格配置的风险预警指标[33][127] * **因子具体构建过程**：对于特定的风格对比（如风格A vs 风格B）： 1. 分别计算风格A和风格B指数的近252日平均换手率时间序列。 2. 将上述时间序列在2005年1月1日以来的历史数据中进行Z-score标准化，得到Z-score_A与Z-score_B。 3. 计算二者差值：$$差值 = Z\text{-}score\_A - Z\text{-}score\_B$$ 4. 计算该差值的滚动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）。此分位数即为该风格对的相对拥挤度[127] 4. **因子名称：风格累计超额净值因子**[24][128] * **因子构建思路**：通过计算特定风格指数相对于市场基准（万得全A）的累计超额收益，来评估该风格的相对表现[24][128] * **因子具体构建过程**： 1. 以2020年1月4日为基准日。 2. 将风格指数和万得全A指数的每日收盘点数分别除以基准日的收盘点数，得到各自的累计净值。 3. 将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，得到风格指数相对于万得全A指数的累计超额净值[128] 5. **因子名称：机构调研活跃度因子**[109][129] * **因子构建思路**：通过计算板块、指数或行业在特定周期内的机构调研频率相对于其历史水平和市场整体水平的差异，来捕捉机构投资者的关注度变化[109][129] * **因子具体构建过程**： 1. 计算目标对象（板块、指数或行业）近n个交易日的“日均机构调研次数”。 2. 将该“日均机构调研次数”在滚动y年的历史时间序列上进行Z-score标准化，得到Z_score_target。 3. 同样计算万得全A的“日均机构调研次数”在相同窗口下的Z-score标准化值，得到Z_score_WindA。 4. 计算机构调研活跃度：$$机构调研活跃度 = Z\_score\_target - Z\_score\_WindA$$ 5. 最后计算该“机构调研活跃度”值的滚动y年历史分位数（长期口径：n=126, y=6年；短期口径：n=63, y=3年；历史数据不足时按规则取全部可用数据）[129] 6. **因子名称：股债性价比因子（ERP）**[77] * **因子构建思路**：通过计算股票指数的盈利收益率与无风险收益率的差值，来衡量投资股票市场相对于债券市场的风险补偿溢价[77] * **因子具体构建过程**：对于特定指数，其ERP计算公式为： $$指数ERP = \frac{1}{指数PE\_TTM} - 10年期中债国债到期收益率$$ 其中，PE_TTM为指数的滚动市盈率[77] 因子的回测效果 1. **动量因子**，近一周收益率2.5%，近一月收益率0.2%，年初至今收益率37.2%[25] 2. **反转因子**，近一周收益率2.0%，近一月收益率-1.9%，年初至今收益率11.8%[25] 3. **成长风格累计超额净值因子**，近一周超额0.6%，近一月超额-4.6%，年初至今超额27.8%[24] 4. **小盘风格累计超额净值因子**，近一周超额2.2%，近一月超额-1.1%，年初至今超额9.1%[24] 5. **微盘股风格累计超额净值因子**，近一周超额0.0%，近一月超额7.0%，年初至今超额39.9%[24] 6. **动量风格累计超额净值因子**，近一周超额0.5%，近一月超额2.1%，年初至今超额25.4%[24] 7. **成长 vs 红利风格拥挤度因子**，本周末历史分位69%，上周末历史分位69%，上年末历史分位1%[33] 8. **小盘 vs 大盘风格拥挤度因子**，本周末历史分位34%，上周末历史分位33%，上年末历史分位5%[33] 9. **微盘股 vs 中证800风格拥挤度因子**，本周末历史分位82%，上周末历史分位81%，上年末历史分位89%[33]

公司核心发展哲学 - 公司发展哲学是坚持长期主义，为客户创造绝对回报，而非追求规模增长 [3] - 创始人将所有个人资金投入自家基金，与投资者利益深度捆绑 [3] - 投资目标是每年获得市场中等偏上收益水平，强调活得久是长久之道 [3] 公司投资与风控理念 - 公司秉持如履薄冰的审慎，核心理念是能够在市场中更好、更长久地生存 [1] - 贯穿投研全流程的严谨风控体系，非常在意组合的暴露风险，事前风控极为严格 [3] - 对未来A股市场坚定看多未来一两年的表现，但提醒投资者应放低期待，带着谨慎乐观的心态交易 [4] 行业竞争环境与公司技术策略 - 量化投资行业被形容为标准红海市场，竞争特别激烈，从业者长期处于高强度工作状态 [5] - 公司核心竞争力是持续不断的技术迭代和100%的自主研发，以应对行业不进则退的残酷现实 [5] - 公司投研团队背景覆盖统计学、计算机等理工科领域，坚持从策略到系统的全链条自主研发 [5] 技术应用与未来展望 - 公司积极应用AI技术，认为每个行业都值得用AI重新做一遍，AI极大提升了量化投资的精细化程度 [6] - 国际上新出的人工智能论文都要在一个月以内读完，内部组织讨论班研究前沿模型 [5] - 公司未来愿景是推动行业健康发展、保持技术领先，为客户提供更精细、定制化的服务 [6]

公司核心发展哲学 - 公司秉持长期主义，核心目标是坚持长期主义并为客户创造绝对回报，而非单纯追求规模增长 [1] - 创始人将个人资金全部投入自家基金，与投资者利益深度捆绑，对保住本金有超乎常人的执着 [1] - 公司发展哲学是不追求极致收益，但求持续稳定，目标是每年获得市场中等偏上的收益水平，认为长期来看非常可观 [2] 风险管理与投资理念 - 公司拥有贯穿投研全流程的严谨风控体系，非常在意组合的暴露风险，事前风控极为严格 [2] - 投资理念是在控制住大部分风险的前提下获取收益，强调在投资上不出问题并活得久才是长久之道 [2] - 对未来A股市场坚定看多未来一两年的表现，但提醒投资者随着市场上涨应放低期待，带着谨慎乐观的心态交易 [2] 行业竞争格局与技术战略 - 量化投资行业被描述为标准红海市场，竞争异常激烈，从业者长期处于高强度工作状态 [2] - 公司认为穿越周期的核心武器是持续不断的技术迭代和100%的自主研发 [2] - 为应对行业不进则退的残酷现实，公司高强度学习前沿技术，国际上新出的人工智能论文需在一个月内读完并组织内部讨论 [3] 团队构建与AI技术应用 - 公司构建了稳定且多元化的复合型投研团队，背景覆盖统计学、计算机等众多理工科领域 [3] - 坚持从策略到系统的全链条自主研发，以确保长期稳定，避免嫁接第三方策略或技术带来的不稳定性 [3] - 公司高度认同AI技术价值，认为AI极大提升了量化投资的精细化程度，量化投研实践与AI形成双向赋能 [3] 公司未来愿景 - 公司未来愿景绝非简单的规模增长，而是为客户提供长期有效的服务 [3] - 公司希望在推动行业健康发展、保持技术领先的同时，能为客户提供更精细、定制化的服务 [3]

行业竞争格局与公司战略定位 - 中小型基金公司面临突围与保守的十字路口，需通过极致差异化成为细分领域王者，否则可能在资源消耗战中边缘化 [1] - 公募基金行业未来赢家不属于更大公司，而属于更聪明的公司，体现在投资能力、投资者需求理解、市场趋势把握及差异化发展路径上 [1][3] - 公司战略定力与战术灵活间精准把握平衡点，以固收+为矛，打造聪明公司样本，不做大而全的百货商场，而是做特色鲜明的精品店 [1][4] 固收+业务战略与产品体系 - 公司将固收+业务作为破局之道和战略版图的重要支柱，是业内较早于2014年布局该领域的基金公司之一 [2] - 今年上半年公司固收类产品规模实现显著增长，其中固收+产品贡献了重要增量，在市场波动下成为业绩压舱石 [2] - 公司构建完善的多层次固收+产品体系，以可转债投资为核心特色，作为重要的收益增强工具 [2] - 产品分为稳健型（转债配置比例20%以内）、均衡型（转债配置20%-40%）和进取型（转债配置40%以上），充分发挥转债进可攻退可守特性 [2] - 公司固收+产品不做简单的债券+股票组合，而是根据市场环境动态调整转债仓位和个券选择 [2] 可转债投资方法论 - 公司已形成系统转债投资方法论，分为偏债型转债（作为债券替代）、平衡型转债（兼顾债性股性）和偏股型转债（挖掘转股价值）三个层次 [2] - 公司建立专门转债研究团队覆盖全市场个券，注重对正股深入研究，通过基本面分析精准把握投资价值，在控制下行风险前提下获取超额收益 [2] 多元化业务布局 - 在巩固固收+优势同时，公司积极拓展北交所投资和量化策略等领域，以建立第二、第三增长曲线 [3] - 在北交所投资领域，公司组建专门研究团队深耕科技创新和专精特新领域，挖掘具有长期成长价值标的 [3] - 在量化投资领域，公司构建系统量化投研体系，不过度追求复杂模型，而是注重策略稳定性和可解释性，在控制风险前提下获取稳健收益 [3] 公司发展理念与目标 - 公司目标是通过持续为投资者创造价值自然赢得市场认可，规模是结果而不是目标 [4] - 公司计划在36万亿元的广阔市场中，通过深度研究和专业能力赢得属于自己的天地 [4]

根据提供的量化周报内容，以下是其中涉及的量化模型和因子的总结。 量化模型与构建方式 1. **模型名称：A股景气指数**[30][33] * **模型构建思路**：该模型旨在对A股市场的景气度进行高频Nowcasting（即时预测），其预测目标是上证指数的归母净利润同比增速[30][33] * **模型具体构建过程**：报告指出，该指数的构建细节请参考其专题报告《视角透析：A股景气度高频指数构建与观察》，但未在本周报中提供具体的构建公式和步骤[30][33] 2. **模型名称：A股情绪指数**[33][34][36] * **模型构建思路**：该模型通过分析市场的波动率和成交额变化来刻画市场情绪，并生成见底和见顶预警信号[33][34] * **模型具体构建过程**：模型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。历史回测表明，只有在“波动率上升-成交额下降”的区间市场表现为显著负收益，其余区间均为显著正收益。基于此规律构建了包含见底预警（基于价格/波动率）和见顶预警（基于成交量）的综合情绪指数系统[33][34][36]。具体构建方法可参考专题报告《视角透析：A股情绪指数构建与观察》 3. **模型名称：中证500增强组合**[47][48] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[47][48] * **模型具体构建过程**：报告未详细说明该增强组合模型的具体构建逻辑和选股公式，仅展示了其持仓明细和业绩表现[47][48][50] 4. **模型名称：沪深300增强组合**[53][55][56] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[53][55] * **模型具体构建过程**：报告未详细说明该增强组合模型的具体构建逻辑和选股公式，仅展示了其持仓明细和业绩表现[53][55][56] 5. **模型名称：主题挖掘算法**[47] * **模型构建思路**：从新闻和研报文本中自动挖掘主题投资机会[47] * **模型具体构建过程**：算法流程包括文本处理、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多个维度。例如，近期通过该算法识别出“半导体概念”因相关驱动事件（中国半导体行业协会关于芯片原产地的发文）而热度异动较高[47] 模型的回测效果 1. **中证500增强组合**：截至报告期，本周收益0.46%，跑输基准0.54%。自2020年至今，累计超额收益51.82%，最大回撤-5.73%[47][48] 2. **沪深300增强组合**：截至报告期，本周收益0.16%，跑赢基准0.59%。自2020年至今，累计超额收益39.01%，最大回撤-5.86%[53][55] 3. **A股情绪指数系统**：报告展示了该系统的历史择时表现图表，但未给出具体的量化指标数值[44][46] 量化因子与构建方式 1. **因子体系**：报告参照BARRA模型，构建了十大类风格因子用于分析A股市场[57] 2. **因子名称**：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）[57][58] 因子的回测效果 1. **风格因子近期表现**： * **表现较好因子**：本周Beta因子超额收益较高；近期高杠杆股表现优异[58] * **表现不佳因子**：本周成长因子呈较为显著的负向超额收益；近期残差波动率、非线性市值等因子表现不佳[58] 2. **行业因子近期表现**：本周有色金属、农林牧渔、钢铁等行业因子相对市场市值加权组合获得较高超额收益；保险、通信、电子等行业因子回撤较多[58] 3. **因子暴露相关性**：报告提供了近一周十大类风格因子的暴露相关性矩阵[59][60]

根据研报内容，以下是关于量化因子和模型的总结。 量化因子与构建方式 1. **因子名称：理想反转因子**[5][41] * **因子构建思路**：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[5][41] * **因子具体构建过程**： * 对选定股票，回溯取其过去20日的数据[41] * 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[41] * 将单笔成交金额高的10个交易日的涨跌幅加总，记作 M_high[41] * 将单笔成交金额低的10个交易日的涨跌幅加总，记作 M_low[41] * 理想反转因子 M = M_high – M_low[41] * 对所有股票都进行以上操作，计算各自的理想反转因子 M[41] 2. **因子名称：聪明钱因子**[5][42] * **因子构建思路**：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5] * **因子具体构建过程**： * 对选定股票，回溯取其过去10日的分钟行情数据[42] * 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[42] * 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[42] * 计算聪明钱交易的成交量加权平均价 VWAPsmart[44] * 计算所有交易的成交量加权平均价 VWAPall[44] * 聪明钱因子 Q = VWAPsmart / VWAPall[42] 3. **因子名称：APM因子**[5][43] * **因子构建思路**：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[5] * **因子具体构建过程**： * 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night}$$，隔夜的指数收益率为 $$R_{night}$$；逐日下午的股票收益率为 $$r_{afternoon}$$，下午的指数收益率为 $$R_{afternoon}$$[43] * 将得到的40组隔夜与下午的收益率数据 $$(r, R)$$ 进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[43] * 在40个残差中，隔夜残差记为 $$\epsilon_{night}$$，下午残差记为 $$\epsilon_{afternoon}$$，计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$$[43] * 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[45] * 为了消除动量因子影响，将统计量 stat 对动量因子（股票过去20日的收益率 Ret20）进行横截面回归：$$stat = \alpha + \beta Ret20 + \epsilon$$[46] * 将回归得到的残差值 ε 作为 APM 因子[46] 4. **因子名称：理想振幅因子**[5][48] * **因子构建思路**：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5][48] * **因子具体构建过程**： * 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1）[48] * 选择收盘价较高的25%有效交易日，计算其振幅均值，得到高价振幅因子 V_high[48] * 选择收盘价较低的25%有效交易日，计算其振幅均值，得到低价振幅因子 V_low[48] * 理想振幅因子 V = V_high - V_low[48] 5. **因子名称：交易行为合成因子**[32] * **因子构建思路**：将多个交易行为因子进行合成，以获取更稳健的表现[32] * **因子具体构建过程**： * 因子值处理：将理想反转、聪明钱、APM、理想振幅因子在行业内进行因子去极值与因子标准化[32] * 因子权重确定：滚动选取过去12期各因子的ICIR值作为权重[32] * 因子合成：使用确定的权重对标准化后的因子值进行加权，形成交易行为合成因子[32] 因子的回测效果 1. **理想反转因子** * 全历史区间IC均值：-0.050[6][16] * 全历史区间rankIC均值：-0.061[6][16] * 全历史区间信息比率(IR)：2.48[6][16] * 全历史区间多空对冲月度胜率：78.1%[6][16] * 2025年10月多空对冲收益：1.63%[7][16] * 近12个月多空对冲月度胜率：66.7%[7][16] 2. **聪明钱因子** * 全历史区间IC均值：-0.038[6][21] * 全历史区间rankIC均值：-0.062[6][21] * 全历史区间信息比率(IR)：2.74[6][21] * 全历史区间多空对冲月度胜率：81.2%[6][21] * 2025年10月多空对冲收益：2.90%[7][21] * 近12个月多空对冲月度胜率：83.3%[7][21] 3. **APM因子** * 全历史区间IC均值：0.028[6][25] * 全历史区间rankIC均值：0.034[6][25] * 全历史区间信息比率(IR)：2.25[6][25] * 全历史区间多空对冲月度胜率：76.5%[6][25] * 2025年10月多空对冲收益：-1.13%[7][25] * 近12个月多空对冲月度胜率：41.7%[7][25] 4. **理想振幅因子** * 全历史区间IC均值：-0.054[6][28] * 全历史区间rankIC均值：-0.074[6][28] * 全历史区间信息比率(IR)：3.03[6][28] * 全历史区间多空对冲月度胜率：83.3%[6][28] * 2025年10月多空对冲收益：3.33%[7][28] * 近12个月多空对冲月度胜率：66.7%[7][28] 5. **交易行为合成因子** * 全历史区间IC均值：0.067[6][32] * 全历史区间rankIC均值：0.093[6][32] * 全历史区间多空对冲信息比率(IR)：3.33[6][32] * 全历史区间多空对冲月度胜率：80.0%[6][32] * 全历史区间多头对冲组均值年化收益率：8.30%[32] * 全历史区间多头对冲组均值收益波动比：2.64[32] * 全历史区间多头对冲组均值月度胜率：78.5%[32] * 2025年10月多空对冲收益：3.73%[7][32] * 近12个月多空对冲月度胜率：75.0%[7][32] * 在不同股票池中的信息比率(IR)： * 国证2000：2.88[32] * 中证1000：2.69[32] * 中证800：1.02[32]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 小盘风格是指增产品舒适区，当下估值分位数与盈利预期相对占优，具备多维成长、内涵丰富的特征，相比大盘或有盈利和估值双重优势，且量化优势下超额持续性更优 [1][6] - 中欧小盘成长具备广度优势且持仓暴露度可控，年内业绩与胜率领先，选股是超额收益主要来源 [1][26] 根据相关目录分别进行总结 小盘风格：指增产品舒适区，当下估值分位数与盈利预期相对占优 - 小盘特征多维成长、内涵丰富，相比大盘估值或有盈利预期与估值双重优势：自去年三季度以来，中证 1000、中证 2000 等小盘指数表现突出；年内收益靠前行业多具成长属性，小盘指数占比高，靠后行业占比少；年内热点主题指数成分股多为中小盘股票，提供多样化投资机会；市场预期中小盘指数未来 1 - 2 年增速突出，结合偏低估值历史分位数，有盈利和估值双重优势 [6][7][10] - 充分发挥量化优势，小盘量化的超额持续性更优：随着指数偏向小盘，量化基金更易创造超额收益，2020 年以来上证 50、沪深 300、中证 500、中证 1000 指增年化超额收益均值递增；小盘指数长期维持正超额投资机会，中证 1000 指增近五年持续正超额 [17][21][24] 中欧小盘成长：广度优势 + 暴露度可控，年内业绩与胜率领先 - 持仓特征各方面暴露度均较为可控：个股持仓分散，前十大和前三十大占比低；采用积极换手投资方式，换手率在 6 - 10 倍区间；未做过多市值下沉操作，小市值个股占比高，微盘股配置少；国证 2000 成分股占比高于同类主动权益产品均值；行业分布贴近基准指数，偏离度可控 [29][35][39] - 业绩表现 25 年在同类中较为领先：自管理以来业绩稳定领先基准指数，2025 年以来收益回报达 53.91%，在同类中居首；收益风险性价比突出，年化 Sharpe 比率 2.65，Calmar 比率 5.71；2025 年年中跟踪误差下滑，风险敞口缩小；回撤控制优势显著，在多次回撤中优于指数和同类均值；季度超额幅度与胜率可观，2023 年以来 11 个季度中 9 个战胜国证 2000，胜率 81.8%，季度超额收益均值 2.94%；在 Alpha 独特性上较其他类国证 2000 指增有优势 [46][49][54] - 收益拆分选股收益贡献明显：通过 Brinson 模型拆分，选股带来显著超额收益，交易也能适度贡献；板块拆分显示科技创新、先进制造等板块收益贡献多，大部分板块有获取超额收益能力 [67][70] - 产品特征总结：各方面无显著偏离度，投资聚焦小市值股票但微盘股暴露少，行业和指数成分股暴露度可控；产品表现突出、胜率可观，2025 年收益领先，回撤控制好；选股是超额收益主要来源，来自多板块且相对表现良好 [74]

深圳量化私募行业概况 - 深圳量化私募行业具备坚实的政策和产业基础，汇聚了金融、专业服务、科技研发等领域的世界级高水平专业公司和人才 [2] - 深圳地区共有量化私募125家，其旗下产品今年前三季度平均收益为24.43% [2] - 深圳地区有7家头部量化私募（管理规模50亿以上），占总量化私募数量的5.6% [2] 深圳量化私募区域分布 - 深圳量化私募高度集中于福田区和南山区，两区合计有112家，占比接近90% [4] - 福田区作为传统金融中心，量化私募数量最多，共有59家 [4][7] - 南山区作为科技中心，量化私募数量位居其次，共有53家 [4][11] - 龙岗区、罗湖区、宝安区、盐田区合计聚集了13家量化私募，规模均为0-5亿的小型私募 [15] 福田区量化私募详情 - 福田区59家私募中包含4家头部私募：超量子基金、诚奇资产、大岩资本、海南盛丰私募 [7] - 员工人数超过30人的私募有7家，例如优美利投资（53人）、超量子基金（45人）、前海国恩资本（44人） [7][8] - 量化私募多分布于深圳证券交易所所在的福田街道 [7] - 旗下至少有3只产品符合排名规则的私募有13家，收益10强上榜门槛数据因监管要求未公开 [8] - 在业绩十强中，诚奇资产夺得冠军，旗下3只产品今年前三季度平均收益数据因监管要求未公开 [9] - 超量子基金（10月新晋百亿）位列第3，旗下3只产品今年前三季度平均收益数据因监管要求未公开 [10] 南山区量化私募详情 - 南山区53家私募中包含3家头部私募：大道投资、前海博普资产、均成资产 [11] - 员工人数超过20人的私募有5家，例如千惠资产（74人）、大道投资（41人） [11][12] - 量化私募多分布于粤海街道、前海深港合作区 [11] - 旗下至少有3只产品符合排名规则的私募有13家，收益10强上榜门槛数据因监管要求未公开 [12] - 在业绩十强中，翰荣投资夺得冠军，旗下3只产品今年来平均收益数据因监管要求未公开 [13] - 大道投资（本月新晋百亿）位列第5，旗下4只产品今年来平均收益数据因监管要求未公开 [14] 其他区域量化私募详情 - 罗湖、宝安等4区的13家量化私募均为规模0-5亿的小型私募 [15] - 其中纯信资产和前海金丰元两家私募的员工人数超过10人 [15][16]

市场整体观点 - 上证指数4000点被视为A股牛市的开端，但该关键点位可能伴随情绪波动和结构反复 [4][5] - 建议投资者在乐观中保持理性，认为重视持仓结构比单纯判断市场方向更重要 [6] 量化策略行业表现 - 近期量化策略情绪面回暖，迎来普遍的超额修复，指增、量选、全指指增、小市值指增等细分策略均有很好表现 [7] - 市场交投活跃度处于较高分位，成交量和活跃度适合量化策略发挥 [8] - 市场从资金抱团科技股转向行业有序轮动，个股极端分化收敛，有利于量化策略挖掘超额收益 [8] - 此前承压的小微盘股流动性和超额优势得到明显修复，为部分量化策略带来积累超额的机会 [8] 多资产多策略配置优势 - 以量化股票多头为核心仓位，确保在友好行情中获取超额收益，同时配置可转债进行类现金管理并贡献Beta和Alpha收益 [13] - 策略组合均衡配置国债、黄金等资产，以平滑整体波动 [13] - 多资产分散配置使资产间此消彼长、相互补充，例如在量化超额收益不足时，黄金的强势走势可弥补收益缺口 [14] - 多策略储备增强对行情的适应性，量化股多包含价值修复、红利低波、成长股、小盘股等多个子策略，可转债也分为高股息率轮动和双低策略 [14] - 管理人在资产和策略选择上聚焦被低估的类别，从而提供更高安全边际、有效控制回撤，并在行情反弹时获得更高赔率，提升收益风险比 [14] - 该配置方案从底层解决了投资者面对单一资产和策略时的择时难题，因在任何时点买入均有被低估的资产和策略可选 [15] 投资建议 - 对于已持有量化产品的投资者，建议保持耐心与信心继续持有 [9] - 对于观望中的投资者，当前是关注量化策略的窗口期 [9] - 若担忧市场未来变数，可关注以量化股多为主的多资产多策略产品，在获取超额收益的同时通过配置降低波动 [16]

公司概况与市场地位 - 深圳量道投资成立于2015年4月，创始团队自2010年起专注于量化投资，公司规模为准百亿私募（50-100亿元）[2] - 公司在厦门、北京、上海设有投研中心，核心人员均具有10年以上量化策略研究与交易风控经验 [2] - 公司名称“量道”寓意“量化投资之道”，核心投资理念是在收益与风险之间寻找最优解 [2] - 截至2025年9月底，公司旗下中证500指增产品“量道顺风1号A类份额”和中证1000指增产品“量道乘风1号A类份额”今年前三季度的超额收益在同类规模机构的相同策略产品中均入围前10 [3] - 公司旗下量化CTA产品“量道CTA精选17A号”前三季度收益在50亿以上规模私募中位列第4 [3] 核心投资策略与差异化优势 - 公司核心策略为量化股票与CTA，坚持以程序化交易为基础，深度融合金融投资、机器学习技术与大数据分析，构建具备持续进化能力的投研体系 [3] - 超额收益得益于四大差异化特色：策略与市场的低相关性（超额收益与市场相关性平均在0.40左右）、图神经网络技术的运用、独有的另类数据库、以及结合Barra体系与A股特色的风控系统 [8] - 为突破同质化，公司在AI模型上进行了关键优化：在输入层摒弃传统递归神经网络，直接输入经处理的时序特征；依据每日生成的规则动态构建图结构，而非预设行业关系网络 [10] - 公司从算法、算力与策略三个方向系统推进AI布局：算法上运用机器学习挖掘非线性关系及自然语言处理技术；算力上持续升级硬件系统；策略上不断丰富类型以构建独特优势 [10] 风险控制体系 - 公司风控体系涵盖事前、事中、事后三个层面：事前风控包括对行业偏离度控制在3%以内，主要风格因子暴露控制在0.3倍标准差，并过滤选股域 [13]；事中风控通过第三方交易系统约束交易环节 [14]；事后风控通过自建系统进行持仓比对分析 [15] - 风控重心在于管理超额回撤，关键是在创造超额和控制跟踪误差间寻求平衡，通常保持策略持仓与指数风格高度贴近，极端行情下动态提高持仓与指数的贴合度以严格防控回撤 [15] 市场适应性与策略迭代 - 为适应A股市场风格快速轮动，公司构建了“多截面、多维度、多模型”的股票投资体系，因子每3-6个月推出新版本，模型每1-3个月滚动训练，以持续吸收市场最新特征 [16] - 信号生成融合量价、舆情与另类数据，依托两类核心模型：基于个股关联构建的图结构模型用于捕捉截面关联；多学习器融合模型集成不同算法优势以增强市场适应力 [16] AI战略与产品线规划 - “AI预见A股”战略在因子挖掘层面能从数万量级历史因子库中自动筛选有效因子，并通过处理非结构化数据捕捉非线性规律；在选股模型中采用多学习器融合方法，使模型能自适应市场风格变化 [18] - 产品线设计围绕“适配多元需求，穿越市场周期”展开，除覆盖主流宽基指增外，正重点推进全天候多策略产品线的构建与完善，以实现资产间的互补与轮动 [20] - 未来AI战略核心布局方向包括：深化AI在策略研发中的应用、强化数据挖掘与分析能力、优化风险控制体系、以及培养和引入AI人才 [21]