报告行业投资评级 未提及 报告的核心观点 本周市场正收益风格集中在Growth风格上，负收益风格表现在Size风格上；EPTTM一年分位点是中证全指成分股中本周表现最好的因子 [1] 各部分总结 风格因子近期表现 - Growth因子本周正收益2.17%，较上一周0.79%显著提升，市场对成长型股票偏好增强；Trend因子本周收益1.39%，较上一周3.09%有所回落但仍为正收益，市场对趋势投资策略认可较高；Beta因子本周收益0.49%，较上一周 -2.86%显著回升，市场对高Beta股票关注恢复 [9] - Liquidity、SOE、Volatility、Certainty、Value、Cubic size、Size因子本周收益为负，市场对高流动性资产、国有企业股票、高波动性资产、确定性投资策略、价值投资策略、小盘股的关注度减弱 [10] 因子表现监控 因子库 - 指数增强因子库涵盖估值、成长、盈利、分析师预期、景气度、分红、公司治理、PEAD、流动性、波动率、反转与动量等维度 [16] 不同样本空间因子表现 - 沪深300指数选股空间：最近一周分析师认可度等因子表现较好，一个月反转等因子表现较差；最近一月预期PEG等因子表现较好，单季净利同比增速环比变化等因子表现较差 [6][21] - 中证500指数选股空间：最近一周单季营收同比增速等因子表现较好，一年动量等因子表现较差；最近一月一个月反转等因子表现较好，一个月UMR等因子表现较差 [6][25] - 中证800指数选股空间：最近一周单季EP等因子表现较好，一个月反转等因子表现较差；最近一月预期PEG等因子表现较好，单季净利同比增速环比变化等因子表现较差 [6][29] - 中证1000指数选股空间：最近一周EPTTM一年分位点等因子表现较好，盈余公告最低价跳空超额等因子表现较差；最近一月高管薪酬等因子表现较好，公募持股市值等因子表现较差 [6][33] - 国证2000指数选股空间：最近一周预期ROE环比变化等因子表现较好，三个月UMR等因子表现较差；最近一月标准化预期外盈利等因子表现较好，公募持股市值等因子表现较差 [6][38] - 创业板指选股空间：最近一周预期ROE环比变化等因子表现较好，EPTTM一年分位点等因子表现较差；最近一月标准化预期外盈利等因子表现较好，EPTTM一年分位点等因子表现较差 [6][43] - 中证全指选股空间：最近一周EPTTM一年分位点等因子表现较好，一个月反转等因子表现较差；最近一月六个月UMR等因子表现较好，一年动量等因子表现较差 [6][47] 公募基金指数增强产品表现跟踪 沪深300指数增强产品 - 最近一周超额收益最高1.42%，最低 -0.15%，中位数0.37%；前三名分别为申万菱信沪深300优选指数增强A、中欧沪深300指数量化增强A、申万菱信沪深300指数增强A [6][52] 中证500指数增强产品 - 最近一周超额收益最高0.90%，最低 -0.04%，中位数0.33%；前三名分别为华泰紫金中证500指数增强A、平安中证500指数增强A、博时中证500指数增强A [6][56] 中证1000指数增强产品 - 最近一周超额收益最高0.95%，最低 -0.24%，中位数0.18%；前三名分别为汇添富中证1000指数增强A、招商中证1000指数增强A、万家中证1000指数增强A [6][60] 附录 - 构建MFE组合可判断因子在给定基准中是否有效，采用组合优化模型构建单因子MFE组合，目标函数为最大化单因子暴露，约束条件包括风格、行业、个股偏离度、成分股权重占比、个股权重上下限、换手率等 [61]

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] - **模型评价**：对市场流动性敏感，但易受异常交易干扰 2. **模型名称**：低波动率模型 - **模型构建思路**：通过计算标的指数波动率分位数判断市场风险偏好[12] - **模型评价**：防御性较强，适用于震荡市 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪龙虎榜机构买卖行为构建资金流向因子[12] - **模型评价**：对机构主导行情有效性较高 4. **模型名称**：智能沪深300/中证500模型 - **模型构建思路**：结合量价特征与机器学习算法优化宽基指数择时[12] - **模型评价**：智能化程度高，但存在过拟合风险 5. **模型名称**：涨跌停模型 - **模型构建思路**：统计涨停/跌停股票比例反映市场极端情绪[13] - **模型评价**：对市场转折点敏感 6. **模型名称**：长期动量模型 - **模型构建思路**：计算宽基指数12个月动量筛选趋势性机会[14] - **模型评价**：在单边市中表现优异 7. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：$$ \text{信号}=\frac{\text{成交额}}{\text{波动率}} $$ 捕捉港股资金效率[16] - **模型评价**：适用于高流动性市场 模型的回测效果 1. 成交量模型：当前信号中性[12] 2. 低波动率模型：当前信号中性[12] 3. 智能沪深300模型：当前信号中性[12] 4. 智能中证500模型：当前信号看多[12] 5. 涨跌停模型：当前信号看多[13] 6. 长期动量模型：全宽基中性[14] 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**：识别杯柄形态突破个股，计算形态长度与突破幅度[44][45] - **因子具体构建**： - A点（左杯沿）、B点（杯底）、C点（右杯沿）价格序列 - 突破条件：$$ P_{\text{break}} > \max(P_A, P_C) \times (1+\theta) $$ - **因子评价**：对成长股趋势延续性捕捉较好 2. **因子名称**：双底形态因子 - **因子构建思路**：捕捉W底形态突破个股[49][51] - **因子具体构建**： - A点（左底）、B点（颈线）、C点（右底）价格序列 - 突破条件：$$ P_{\text{break}} > P_B \times (1+\lambda) $$ - **因子评价**：在反弹市中表现突出 因子的回测效果 1. 杯柄形态因子：本周组合超额收益1.16%，年内累计超额40.69%[43] 2. 双底形态因子：本周组合超额收益2.29%，年内累计超额30.19%[43] 特殊指标监控 1. VIX指数：当前值14.78，较上周下降[41] 2. 基金仓位：股票型基金仓位90.12%（-71bps），混合型75.70%（+203bps）[23][29]

指数增强组合表现 - 沪深300指数增强组合本周超额收益1.06%，本年累计超额收益4.21% [1][5] - 中证500指数增强组合本周超额收益-0.05%，本年累计超额收益6.45% [1][5] - 中证1000指数增强组合本周超额收益0.72%，本年累计超额收益9.41% [1][5] - 中证A500指数增强组合本周超额收益0.36%，本年累计超额收益6.44% [1][5] 选股因子表现 沪深300成分股 - 近期有效因子：三个月波动（周收益0.47%）、一个月波动（0.45%）、标准化预期外盈利（0.41%） [6] - 长期有效因子：标准化预期外盈利（历史年化3.93%）、单季净利同比增速（3.16%） [6] 中证500成分股 - 近期有效因子：单季营收同比增速（周收益1.16%）、标准化预期外收入（0.80%）、非流动性冲击（0.59%） [10] - 长期有效因子：单季超预期幅度（历史年化7.94%）、标准化预期外收入（5.45%） [10] 中证1000成分股 - 近期有效因子：EPTTM一年分位点（周收益1.03%）、SPTTM（0.66%）、BP（0.60%） [12] - 长期有效因子：非流动性冲击（今年以来8.03%）、三个月换手（6.22%） [12] 公募基金重仓股 - 近期有效因子：单季超预期幅度（周收益0.53%）、标准化预期外盈利（0.53%）、标准化预期外收入（0.51%） [16] - 长期有效因子：非流动性冲击（今年以来4.47%）、DELTAROA（4.37%） [16] 公募基金指数增强产品 产品规模 - 沪深300增强产品67只，总规模778亿元 [18] - 中证500增强产品70只，总规模454亿元 [18] - 中证1000增强产品46只，总规模150亿元 [18] - 中证A500增强产品35只，总规模223亿元 [18] 超额收益表现 - 沪深300增强产品：本周超额收益中位数0.32%，最高1.37%，最低-0.21% [19][21] - 中证500增强产品：本周超额收益中位数0.35%，最高0.92%，最低-0.09% [20][23] - 中证1000增强产品：本周超额收益中位数0.24%，最高0.98%，最低-0.21% [22][26] - 中证A500增强产品：本周超额收益中位数0.36%，最高0.70%，最低-0.19% [24][27] 方法论说明 - MFE组合构建通过优化模型控制行业/风格暴露，个股权重偏离限制为0.5%-1% [28][29] - 公募重仓指数选取普通股票型及偏股混合型基金持仓，成分股权重累计达90% [30][31]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 估值类因子 1. **BP因子** - 构建思路：衡量公司净资产与市值的比率，反映估值水平[16] - 构建过程：$$ BP = \frac{净资产}{总市值} $$ - 评价：传统价值因子，长期有效性稳定 2. **EPTTM因子** - 构建思路：使用滚动净利润衡量盈利估值[16] - 构建过程：$$ EPTTM = \frac{归母净利润TTM}{总市值} $$ 3. **股息率因子** - 构建思路：反映分红回报能力[16] - 构建过程：$$ 股息率 = \frac{最近四个季度预案分红金额}{总市值} $$ 反转动量类因子 1. **一个月反转因子** - 构建思路：捕捉短期价格反转效应[16] - 构建过程：过去20个交易日涨跌幅 2. **一年动量因子** - 构建思路：捕捉中长期趋势延续性[16] - 构建过程：近一年（除最近一月）涨跌幅 成长类因子 1. **单季营收同比增速** - 构建思路：反映收入增长动能[16] - 构建过程：$$ \frac{单季度营业收入-去年同期营业收入}{去年同期营业收入} $$ 2. **SUE因子** - 构建思路：衡量盈利超预期程度[16] - 构建过程：$$ SUE = \frac{单季度实际净利润-预期净利润}{预期净利润标准差} $$ 盈利质量类因子 1. **单季ROE** - 构建思路：衡量股东权益回报率[16] - 构建过程：$$ ROE = \frac{单季度归母净利润*2}{期初归母净资产+期末归母净资产} $$ 2. **DELTAROE** - 构建思路：反映盈利能力改善[16] - 构建过程：当期ROE - 去年同期ROE 流动性类因子 1. **非流动性冲击** - 构建思路：衡量交易摩擦成本[16] - 构建过程：$$ \frac{过去20个交易日|日涨跌幅|}{成交额均值} $$ 2. **三个月换手率** - 构建思路：反映股票活跃度[16] - 构建过程：过去60个交易日换手率均值 分析师类因子 1. **三个月盈利上下调** - 构建思路：捕捉分析师预期调整[16] - 构建过程：$$ \frac{上调家数-下调家数}{覆盖机构总数} $$ 2. **预期EPTTM** - 构建思路：反映市场一致预期估值[16] - 构建过程：采用Wind一致预期滚动EP数据 因子回测效果 沪深300样本空间 - **三个月波动因子**：最近一周超额0.47%，年化IR 2.81%[18] - **标准化预期外盈利**：最近一月超额1.07%，年化IR 3.93%[18] - **一个月反转因子**：今年以来超额4.78%，但最近一周超额-0.60%[18] 中证500样本空间 - **单季营收同比增速**：最近一周超额1.16%，年化IR 3.12%[20] - **非流动性冲击**：今年以来超额1.62%，年化IR 0.79%[20] 中证1000样本空间 - **EPTTM一年分位点**：最近一周超额1.03%，年化IR 6.71%[22] - **三个月反转因子**：最近一周超额-0.93%，历史年化IR -0.70%[22] 模型构建方法 **MFE组合优化模型** - 构建思路：在控制行业/风格暴露下最大化单因子暴露[41] - 优化目标：$$ \max f^Tw $$ - 约束条件包括： $$ s_l \leq X(w-w_b) \leq s_h $$ （风格暴露约束） $$ h_l \leq H(w-w_b) \leq h_h $$ （行业暴露约束） $$ w_l \leq w-w_b \leq w_h $$ （个股权重偏离约束）[42] 指数增强组合表现 - **中证1000增强组合**：本年超额收益9.41%，本周超额0.72%[13] - **沪深300增强组合**：本年超额4.21%，本周超额1.06%[13] 公募产品表现 - **中证500增强产品**：最近一月超额中位数1.11%，最高3.15%[33] - **中证1000增强产品**：最近一季超额中位数3.95%，最高9.38%[37]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称**：BP **构建思路**：衡量公司净资产与总市值的比率，属于估值类因子[16] **构建过程**：$$BP = \frac{净资产}{总市值}$$ **评价**：传统估值因子，在多数市场环境下具有选股能力 2. **因子名称**：单季EP **构建思路**：衡量单季度净利润与市值的比率[16] **构建过程**：$$单季EP = \frac{单季度归母净利润}{总市值}$$ 3. **因子名称**：三个月波动 **构建思路**：反映股票过去60个交易日的波动率，属于风险类因子[16] **构建过程**：计算过去60个交易日日内真实波幅均值 4. **因子名称**：标准化预期外盈利 **构建思路**：衡量盈利超预期程度[16] **构建过程**：$$SUE = \frac{单季度实际净利润-预期净利润}{预期净利润标准差}$$ 5. **因子名称**：一个月反转 **构建思路**：捕捉短期价格反转效应[16] **构建过程**：计算过去20个交易日涨跌幅 6. **因子名称**：非流动性冲击 **构建思路**：衡量股票流动性风险[16] **构建过程**：$$非流动性冲击 = \frac{过去20个交易日日涨跌幅绝对值}{成交额的均值}$$ 7. **因子名称**：MFE组合构建 **构建思路**：在控制风险暴露前提下最大化因子暴露[41] **构建过程**：通过优化模型$$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ **评价**：更接近实际投资组合的因子检验方式 因子回测效果 1. **BP因子** - 沪深300空间：最近一周0.25%，历史年化3.03%[18] - 中证500空间：最近一周0.18%，历史年化4.15%[20] - 中证1000空间：最近一周0.60%，历史年化3.41%[22] 2. **三个月波动因子** - 沪深300空间：最近一周0.47%，历史年化2.81%[18] - 中证500空间：最近一周0.30%，历史年化4.53%[20] 3. **一个月反转因子** - 沪深300空间：最近一周-0.60%，历史年化0.63%[18] - 中证500空间：最近一周-0.23%，历史年化0.64%[20] 4. **标准化预期外盈利因子** - 沪深300空间：最近一周0.41%，历史年化3.93%[18] - 中证1000空间：最近一周0.55%，历史年化8.25%[22] 5. **单季EP因子** - 中证500空间：最近一周0.41%，历史年化7.40%[20] - 中证A500空间：最近一周0.48%，历史年化5.81%[24] 模型回测效果 1. **沪深300指数增强组合** - 本周超额1.06%，本年超额4.21%[13] 2. **中证500指数增强组合** - 本周超额-0.05%，本年超额6.45%[13] 3. **中证1000指数增强组合** - 本周超额0.72%，本年超额9.41%[13] 4. **公募基金指数增强产品** - 沪深300增强中位数：本周0.32%，本年1.67%[31] - 中证500增强中位数：本周0.35%，本年2.45%[33] - 中证1000增强中位数：本周0.24%，本年4.11%[37]

量化模型与构建方式 1. **模型名称**：GAN_GRU模型 - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，通过GAN处理量价时序特征后，利用GRU进行时序编码生成选股因子[9][10]。 - **模型具体构建过程**： 1. **数据输入**：18个量价特征（如收盘价、成交量等），采样形状为40*18（过去40天的特征）[13][14]。 2. **预处理**：时序去极值+标准化，截面标准化[14]。 3. **GAN部分**： - 生成器（G）：LSTM结构，输入噪声生成逼真量价特征，损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ - 判别器（D）：CNN结构，区分真实与生成特征，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ - 交替训练G和D直至收敛[20][21][23][26]。 4. **GRU部分**：两层GRU(128,128) + MLP(256,64,64)，输出预测收益pRet作为因子[18]。 - **模型评价**：有效捕捉量价时序特征的非线性关系，生成因子具有较高区分度[9][18]。 --- 量化因子与构建方式 1. **因子名称**：GAN_GRU因子 - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化+标准化处理后作为选股因子[18][37]。 - **因子具体构建过程**： 1. 模型训练：半年滚动训练（每年6月30日、12月31日更新），预测未来20日收益[14]。 2. 因子生成：对全A股（剔除ST及上市不足半年股票）输出pRet，中性化处理[14][18]。 --- 模型的回测效果 1. **GAN_GRU模型**： - IC均值：11.57% | ICIR：0.89 | 年化超额收益率：25.01% - 年化波动率：24.02% | IR：1.66 | 最大回撤：27.29%[37][38]。 --- 因子的回测效果 1. **GAN_GRU因子**： - **全A表现**： - 近一年IC均值：11.54% | 最新一期IC：-0.28%[37][38]。 - **行业表现**： - 当期IC前五行业：社会服务（30.15%）、国防军工（28.07%）、银行（25.31%）[39]。 - 近一年超额收益前五行业：石油石化（5.60%）、建筑材料（5.29%）、家用电器（5.06%）[42]。 - **多头组合**： - 当期超额收益最高行业：商贸零售（8.22%）、国防军工（7.15%）[42]。 - 最新前十个股：顺威股份、博深股份、九典制药等[44][48]。

DFAI全球投资工具概述 - 公司推出DFAI全球投资工具，旨在解决散户交易分散、策略割裂、效率低下的核心问题 [1] - 该工具已实装全球市场，连接40+国家，支持美股、港股、A股实盘交易 [1] - 区别于传统炒股App，DFAI强调AI驱动的资产策略系统，而非单纯下单功能 [3] 核心技术与功能 - 中枢为DFAI-130B万亿参数AI模型，每日扫描数百万条市场数据、K线结构、资金流向及新闻情绪 [3] - 提供多因子动态组合推荐，包括风险/收益比最优的股票组合、适应性仓位比例及历史表现数据（命中率、年化回撤、最大单日浮亏） [7] - 支持自动止盈止损、仓位限制设置及调仓预警，减少人工盯盘需求 [4][10] 用户体验与市场表现 - 操作路径简化：用户仅需选择市场、浏览AI评分股票、设置策略参数即可一键下单 [3][4] - 截至2024年底，全球注册用户超320万，中国用户超10万，支持中文界面、客服及人民币/USDT入金 [9] - 中国用户尤其认可其自动调仓和组合预警功能，适应本土交易习惯 [10][11] 差异化竞争优势 - 传统炒股为单点思维（如个股交易），而DFAI提供组合级控制能力，开放给所有注册用户 [6][8] - 系统通过历史数据+模型+策略辅助决策，减少情绪化交易 [7][13] - 平台定位为"重建投资体系"的工具，而非短期交易辅助 [12][14]

红利类策略指数发展现状 - 红利类策略从小众投资逐渐成为市场主流，基金公司加大布局力度，通过优化编制规则、营销和费率竞争获取市场份额 [2] - 目前市场上有10只优化版红利指数产品，但规模普遍小于传统中证红利和红利低波指数 [5] - 多数优化版指数在2015年至今的区间收益表现优于传统红利指数，如智选高股息（202.61%）、沪深港红利50（417.80%）显著跑赢中证红利（143.17%）[7] 红利指数优化方向 市场面指标优化 - 引入低波动、低贝塔、低换手率等与股息率相关性高的因子，形成多因子筛选体系 [13] - 东证红利低波采用五年周波动率指标，比其他指数的一年波动率更具稳定性 [15] - 新华中诚信红利价值综合运用高分红、低波动、低估值等因子，形成黑匣子式复合筛选模型 [15] 股息率计算优化 - 智选高股息采用年度分红预案数据计算股息率，实现每年5月及时调仓 [16] - 东证红利低波通过"三年平均股利分配率/最新市盈率"估算预期股息率，反映实时估值变化 [16] - 标普A股红利采用过去一年股息率指标，红利价值引入市盈率指标，均增强了对最新基本面的响应速度 [18] 基本面优化 - 东证红利低波、龙头红利50等指数引入ROE稳定性筛选，提升盈利可持续性 [19] - 华证三只红利指数（沪深港红利50等）通过季度调仓和剔除市场表现落后股票，规避价值陷阱 [20] - 中证红利质量和红利潜力指数侧重成长性，筛选ROE、现金流等质量因子突出的公司 [21] 优化版红利指数特征 - 编制规则普遍提高调仓频率（季度/半年），传统指数多为年度调整 [12] - 成分股权重上限更严格，多数优化指数设置5%-10%个股上限，低于传统指数的15% [12] - 优化逻辑呈现差异化：低波类侧重防御性（红利低波），质量类侧重成长性（红利质量），港股指覆盖跨市场机会（沪深港红利50）[12][21] 行业发展趋势 - 美股市场经验显示，嫁接成长属性的红利质量、自由现金流等策略更受青睐 [21] - 未来可能出现融合多优化维度的综合型红利指数，如结合SUE指标和Alpha收益剔除法的华证景智红利 [24] - 随着风险偏好变化，不同优化方向的指数可能呈现轮动表现，成长类或将在市场回暖时脱颖而出 [22]

艾方资产简介 - 上海艾方资产管理有限公司成立于2012年3月，办公地点位于浦东新区，是一家科技驱动的资产管理公司 [2] - 公司定位于以量化投资为手段、专注于获取绝对收益的机构，于2014年6月完成在中国基金业协会的备案工作，2015年3月成为中国基金业协会会员 [2] - 公司拥有国内领先的系统平台，已建立起波动率均衡系列、CTA系列、可转债系列、指数增强系列、中性策略等多个产品线 [2] - 创立以来荣获包括金牛奖、金长江、金阳光等多个行业内重量级奖项 [2] 发展历程 - 2012年3月艾方资产成立，2012年5月首只资管产品成立 [7] - 2014年6月首只顾问管理资管产品成立，艾方资产在基金业协会完成备案 [7] - 2016年8月公司累计管理规模超35亿元，人工智能选股策略应用到实盘投资 [7] - 2018年1月量化可转债策略投入实盘，公司累计管理规模超50亿 [7] - 2022年10月公司管理规模突破百亿 [7] 核心团队 - 艾方资产具备多策略的投资架构，投资标的分布在股票、期货、债券、基金以及期权 [8] - 投研团队百分之八十以上硕士学历，专业背景涵盖计算机、数学、物理学、金融工程、统计学等多个理工科领域 [8] - 核心成员有十年以上海内外证券金融行业交易实战经验，熟悉最前沿量化投资技术 [8][9] 核心成员 - 蒋锴为艾方资产创始人、董事长兼投资总监，曾任职于东方证券，负责绝对收益自营投资 [10][11] - 蒋锴曾在华尔街从事多年绝对收益投资，管理的资产总额达10亿美金，涉及全球多个主要证券市场 [11] - 叶展为艾方资产首席执行官，历任上海证券报机构部主任、国泰君安资产管理有限公司市场总监等职 [13][14] - 叶展所管理产品曾获2015年度券商集合资管计划金牛奖、2017年三年期券商集合资管计划金牛奖 [14] 核心优势 - 优势1：配置策略长期有效，多资产组合，相关性较低，收益来源丰富，适应多种市场环境 [15] - 优势2：产品风险管理严格，通过期货、期权等多种衍生品工具对冲市场以及尾部风险 [15] - 优势3：核心策略穿越牛熊，波动率均衡策略、可转债策略等多年实盘验证，成熟度高，稳定性强 [15] - 优势4：十年量化私募品牌，信用信誉值得信赖，无风险舆情事件 [15] 产品线 波动率均衡策略(复合策略) - 策略介绍：利用波动率变化对策略的正向影响增厚收益，持有多类资产，分散化方式降低风险 [15][16] - 涉及到的细分策略有：股票多空策略、CTA策略、可转债策略以及期权策略 [16] - 策略优势：长期确定性强，复合策略风险相对可控 [17] - 代表产品：艾方博云全天候1号私募证券投资基金，成立于2016-12-06，基金经理蒋锴 [17] 可转债策略 - 策略介绍：结合量化选股模型和期权定价模型，综合评估可转债理论价格，获取价格再发现或估值修复的投资收益 [18] - 策略优势：跟踪但不复制指数，仓位灵活可控，优化选债能力追求alpha收益，控制信用债底风险 [18] - 代表产品：星辰之艾方多策略4号私募证券投资基金，成立于2017-10-12，基金经理蒋锴 [18] CTA复合策略 - 策略介绍：立足于因子投资理念的多策略体系，将相关性较低的多个长期收益来源以风险平价的方式进行组合 [19] - 策略优势：双向收益来源，杠杆交易，大类资产配置价值 [20] - 代表产品：艾方CTA一号私募证券投资基金，成立于2019-12-02，基金经理蒋锴、谢艺冰 [20] 所获荣誉 - 2024年度中国私募基金英华奖"综合实力50强示范机构" [22] - 2024年度中国私募基金英华奖"五年期转债策略产品示范案例（艾方可转债1号）" [22] - 2023年度中国私募基金英华奖"中国私募基金50强示范机构(复合策略)" [22] - 2022年度金长江奖稳健发展私募基金公司 [22] - 2021年度金长江奖资管先锋私募基金经理-蒋锴 [23] - 2020年度私募排排网（固定收益）最值得信赖私募基金管理人 [23] - 2019年第11届中国私募金牛奖"一年期相对价值策略管理公司" [23] - 2018年中国私募基金英华奖"中国私募基金人气奖(量化策略）" [23] - 2016年私募排排网百舸奖-"中国最佳相对价值策略私募基金管理人" [23] - 2015年中国阳光私募"金长江"奖-行业典范 [23]

量化模型与构建方式 1. **模型名称**：RNN+Neural ODE+MLP融合模型 **模型构建思路**：通过RNN进行时序数据压缩和降维，利用Neural ODE学习时序演化规律重构数据，最后通过MLP捕捉alpha信息以提升选股鲁棒性[3][6]。 **模型具体构建过程**： - **Encoder层（RNN）**：对时序数据降维和特征提取。 - **Decoder层（Neural Jump SDE）**：拟合时序数据的微分动力系统，重构数据。公式： $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t),t\in[0,T]\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$ 其中$v$和$\sigma$为全连接层加激活函数构成[22][26]。 - **MLP层**：对重构数据提取特征预测收益率。损失函数包括重构损失、KL散度和MSE损失： $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[31][32] **模型评价**：通过数据重构降低噪声影响，提升样本外泛化能力[3][34]。 2. **模型名称**：Baseline模型（ABCM模型） **模型构建思路**：基于神经网络的alpha和beta因子协同挖掘，生成选股因子[37]。 **模型评价**：作为对比基准，新模型在多头超额和抗风险能力上显著优于Baseline[39][43]。 3. **衍生模型**： - **Model1**：Neural ODE生成因子与Baseline因子等权组合[42]。 - **Model2**：Neural SDE生成因子与Baseline因子等权组合[42]。 - **Model3**：Model1因子剥离短期风险后的残差因子[42]。 --- 量化因子与构建方式 1. **因子名称**：Model1因子 **因子构建思路**：基于RNN+Neural ODE+MLP模型生成的alpha因子，通过数据重构增强稳定性[6][26]。 **因子评价**：多头超额显著提升，换手率降低，抗极端市场能力更强[39][43]。 2. **因子名称**：行业轮动因子 **因子构建思路**：将选股因子按行业流通市值加权聚合，生成行业得分[50][51]。 **因子评价**：Model1因子行业RankIC达12.55%，Top组年化超额25.27%，优于Baseline[52][53]。 --- 模型的回测效果 1. **RNN+Neural ODE+MLP模型（Model1）**： - **RankIC均值**：16.33%（中证全指）[39] - **Top组年化超额**：54.54%[39] - **最大回撤**：-6.63%（2024年）[43] - **换手率**：59.73%（较Baseline下降）[39] 2. **Baseline模型**： - **RankIC均值**：16.39%[39] - **Top组年化超额**：52.63%[39] - **最大回撤**：-5.25%[43] 3. **行业轮动表现**： - **Model1因子**：RankIC 12.55%，Top组超额25.27%[52] - **Baseline因子**：RankIC 12.20%，Top组超额23.05%[52] --- 因子的回测效果 1. **指数增强策略**： - **沪深300指增**：Model1年化超额16.67%，夏普比率3.14[65]。 - **中证500指增**：Model1年化超额21.37%，夏普比率3.21[72]。 - **中证1000指增**：Model1年化超额32.41%，夏普比率4.37[80]。 2. **Top组合绝对收益**： - **Model1**：年化收益43.80%，最大回撤-40.84%[59]。 - **Baseline**：年化收益40.15%，最大回撤-42.41%[59]。 --- 关键公式总结 1. **Neural SDE前向传播**： $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t)\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$[22] 2. **总损失函数**： $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[32]