私募机构参与新股网下配售概况 - 2024年1月，共有159家私募机构参与了5只已公布中签率的新股网下配售，累计获配股数为1576.13万股，获配总金额达3.38亿元 [1] - 从获配金额看，半导体设备企业恒运昌最受关注，私募获配金额约1.14亿元，获配123.60万股 [1] - 专业风电材料制造商振石股份紧随其后，私募获配金额约8616.36万元，获配770.70万股 [1] - 医疗器械企业北芯生命也受青睐，私募获配金额约6646.89万元，获配379.39万股 [1] 百亿级量化私募的主导地位 - 在获配金额不低于100万元的47家私募机构中，管理规模超100亿元的私募有39家，占比超过八成 [1] - 上述39家百亿级私募中，量化策略私募机构达27家，包括25家百亿级量化私募 [1] - 获配金额超过1000万元的9家私募机构全部为百亿级量化机构，显示其主力地位 [1] 领先私募机构的具体表现 - 宁波幻方量化参与了全部5只新股配售，以3268.51万元获配金额和140.26万股获配股数位居榜首 [2] - 九坤投资同样参与5只新股，获配约131.53万股，总金额3221.80万元，位列第二 [2] - 上海衍复投资参与4只新股，合计获配2564.17万元，排名第三 [2] - 上海金锝、海南世纪前沿、上海明汯、上海佳期等多家百亿级量化私募当月获配金额均超1000万元 [2] 量化私募积极参与网下打新的动因 - 策略天然适配：量化投资强调纪律性和系统化，与新股申购要求的精准报价、自动化操作和风控管理高度契合 [3] - 收益相对稳定：近年来A股打新收益相对稳定且回撤可控，能为基金净值提供有效补充 [3] - 优化组合结构：打新策略能与量化策略形成互补，平滑组合波动，并提升资金使用效率 [3] - 优质标的供给增加：近期以人工智能为代表的科技板块新股供应增加，增强了打新策略的配置吸引力 [3] 主观策略私募的参与情况 - 主观策略私募也积极参与，上海迎水投资、上海宁泉资产与深圳市林园投资均参与了5只新股网下配售 [3] - 上述三家主观策略私募累计获配金额分别为559.42万元、450.70万元和395.91万元 [3]

量化模型与构建方式 1. **模型名称：热点趋势ETF轮动策略** [31] * **模型构建思路**：基于K线形态识别上涨趋势，并引入短期市场关注度指标，筛选出具有动量效应且市场热度提升的ETF构建组合[31]。 * **模型具体构建过程**： 1. **形态筛选**：筛选出最高价与最低价同时呈现上涨形态的ETF[31]。 2. **构建支撑阻力因子**：计算最高价与最低价近20日的回归系数，根据其相对陡峭程度构建因子[31]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的标的[31]。 4. **组合构建**：对选出的10只ETF采用风险平价方法构建投资组合[31]。 2. **模型名称：ETF三策略融合轮动模型** [34][35] * **模型构建思路**：将三种不同逻辑（基本面、风格、反转）的行业轮动策略等权融合，以实现因子与风格互补，降低单一策略风险[34][35]。 * **模型具体构建过程**： 1. **策略构建**：分别构建三个独立的子策略： * **行业轮动策略**：基于超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等核心因子[35]。 * **个股风格驱动策略**：基于个股动量、个股质量、个股波动率等核心因子[35]。 * **困境反转策略**：基于PB_zscore、分析师长期预期、短期筹码交换等核心因子[35]。 2. **策略融合**：将三个子策略的选股结果进行等权组合，形成最终的ETF轮动组合[34]。 3. **模型名称：资金流共振策略** [44][46][48] * **模型构建思路**：结合融资融券资金流和主动大单资金流，寻找两种资金流产生共振效应的行业进行推荐[44][46][48]。 * **模型具体构建过程**： 1. **构建融资融券资金因子**：计算个股的融资净买入-融券净卖出，加总至行业层面。用Barra市值因子进行中性化，取最近50日均值，再计算其两周环比变化率[46]。 2. **构建主动大单资金因子**：计算行业层面的主动大单净流入，用最近一年成交量时序进行中性化，得到排序分位数，再取最近10日均值[46]。 3. **信号生成**：在主动大单因子打分较高的行业中，剔除融资融券因子打分也较高的行业（根据市场状态，融资融券因子多头端可能有稳定的负向超额收益），最终筛选出两种资金流产生正向共振的行业作为多头推荐[46][48]。 4. **模型名称：全天候配置模型** [53] * **模型构建思路**：通过分散化的资产选择和结构化的风险对冲设计，绕过宏观预测，实现长期稳健的绝对收益[53]。 * **模型具体构建过程**：模型采用循环对冲设计对冲构型，核心在于资产选择、风险调整和结构对冲[53]。报告提及两个版本： * **高波版**：采用“四层结构化-股债金风险平价”方法[55]。 * **低波版**：采用“五层结构化-风险预算”方法[57]。 模型的回测效果 1. **热点趋势ETF轮动策略**，2025年以来收益率61.41%，相比沪深300指数的超额收益为38.22%[31]。 2. **ETF三策略融合轮动模型**，自2017年4月10日至2026年1月30日，组合收益率12.24%，夏普率0.74，2026年以来收益率1.44%[39][41]。 3. **全天候配置模型（高波版）**，截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率2.3；2026年以来收益率2.9%[61]。 4. **全天候配置模型（低波版）**，截至2025年，年化收益率8.8%，年平均最大回撤2.0%，夏普比率3.4；2026年以来收益率0.9%[61]。 量化因子与构建方式 1. **因子名称：支撑阻力因子** [31] * **因子构建思路**：通过K线最高价与最低价近期的回归斜率，衡量价格趋势的陡峭程度，作为支撑或阻力的度量[31]。 * **因子具体构建过程**：分别对ETF的最高价序列和最低价序列进行近20日的线性回归，根据两个回归系数的相对大小或组合来构建因子[31]。 2. **因子名称：短期关注度因子** [31] * **因子构建思路**：用短期换手率相对于中期换手率的提升幅度，捕捉市场关注度的突然变化[31]。 * **因子具体构建过程**：计算因子值 = 近5日换手率 / 近20日换手率[31]。 3. **因子名称：行业融资融券资金因子** [46] * **因子构建思路**：衡量经过市值中性化处理后的行业层面两融资金净流入的近期变化趋势[46]。 * **因子具体构建过程**： 1. 计算个股两融资金流：融资净买入 - 融券净卖出[46]。 2. 加总至行业层面[46]。 3. 使用Barra市值因子对行业资金流进行横截面中性化处理[46]。 4. 计算中性化后序列的最近50日移动平均值[46]。 5. 计算该50日均值的两周环比变化率作为最终因子值[46]。 4. **因子名称：行业主动大单资金因子** [46] * **因子构建思路**：衡量经过成交量时序中性化处理后的行业主动大单净流入强度[46]。 * **因子具体构建过程**： 1. 计算行业主动大单净流入[46]。 2. 使用行业最近一年的成交量时间序列进行回归，以消除成交量趋势的影响，得到残差作为中性化后的净流入[46]。 3. 将中性化后的净流入在横截面上转换为排序分位数[46]。 4. 取该排序分位数的最近10日移动平均值作为最终因子值[46]。 5. **风格因子组** [63][67] * **因子构建思路**：报告跟踪了一系列常见的风格因子，包括市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆[67]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式，但提及除规模因子仅进行行业中性化外，其他因子均进行了市值和行业中性化处理[65]。 6. **Alpha因子组** [66][68][70][71] * **因子构建思路**：从不同时间维度、不同市值板块观察各类因子的选股能力，因子均进行了市值和行业中性化处理（规模因子除外）[65][66]。 * **因子具体构建过程**：报告列出了多个Alpha因子，部分示例如下： * **收益波动类**：`return_std_12m`（十二个月收益标准差）、`return_std_6m`（六个月收益标准差）[68]。 * **换手波动类**：`turnover_std_6m`（六个月换手率标准差）[68]。 * **换手率类**：`turnover_mean_6m`（六个月平均换手率）、`swap_1m`（近21交易日平均换手率的自然对数）[68]。 * **估值类**：`ep`（市盈率倒数）、`ep_de`（扣除非经常损益的净利润_TTM/总市值）、`sp`（市销率倒数）[68]。 * **质量类**：`ocfp`（经营现金流_TTM/总市值）[68]。 * **成长与预期类**：`yoy_np_q_adv`（单季度净利润同比增长（考虑快报、预告））、`roa_q_delta_adv`（单季度ROA同比差值（考虑快报、预告））、`mom1_np_fy1`（一致预期净利润变化）[71]。 * **研发类**：`tot_rd_ttm_to_equity`（研发净资产占比）[71]。 * **分析师类**：`est_num_diff`（评级上下调差/评级上下调和）[71]。 因子的回测效果 1. **风格因子（最近一周表现）**，盈利收益率因子收益3.24%，价值因子收益2.67%，杠杆因子收益1.32%，流动性因子收益-3.57%，波动率因子收益-2.35%，贝塔因子收益-2.97%[63][67]。 2. **Alpha因子（近一周多头超额收益）**，`return_std_12m`因子2.40%，`return_std_6m`因子2.37%，`turnover_std_6m`因子2.20%，`ep_de`因子1.81%，`ep`因子1.78%[68]。 3. **Alpha因子（最近一年在不同指数中的多头超额收益）** [71]： * **沪深300中**：`roa_q_delta_adv`因子31.22%，`est_num_diff`因子29.23%，`yoy_np_q_adv`因子25.97%。 * **中证500中**：`tot_rd_ttm_to_equity`因子18.26%，`tot_rd_ttm_to_sales`因子14.01%。 * **中证800中**：`mom1_np_fy1`因子28.39%，`tot_rd_ttm_to_assets`因子26.03%。 * **中证1000中**：`yoy_np_q_adv`因子21.71%，`tot_rd_ttm_to_sales`因子19.60%。

核心观点 - 广发金工量化转债组合在2026年1月表现良好，当月收益为6.26%，跑赢基准中证转债指数，获得0.43%的超额收益[1][5] - 自2025年以来，该量化转债组合累计收益达33.49%，相对于中证转债指数累计超额收益为7.92%[5] - 报告基于价量、定价和凸性三个模型对中证转债指数进行择时，截至2026年1月底，价量模型与定价模型均发出看多信号，建议仓位为67%[3][5][36] 组合及表现 - 量化可转债组合的构建基于三套因子体系：可转债基本面因子、低频价量因子和高频价量因子，并采用月度调仓策略[5][11] - 组合业绩自2025年初至2026年1月持续跑赢中证转债指数，累计超额收益曲线呈现上升趋势[14] 因子数据跟踪 - 报告构建并跟踪了总计144个量化因子，其中包括32个可转债基本面因子、80个可转债低频价量因子和32个可转债高频价量因子[5] - 可转债基本面因子涵盖估值（如隐含波动率）、债券属性（如纯债价值、剩余期限）、溢价率以及正股的基本面指标（如估值、质量、成长、盈利等）[15][16] - 低频价量因子包含99个技术因子（Alpha001至Alpha099及Alpha101）[16] - 高频价量因子包括已实现方差、偏度、峰度、上行/下行波动率、量价相关性、趋势强度、资金流及聪明钱因子等[16][18] - 报告以“定价偏差因子”（转债市场价格 - 理论定价）为例，展示了截至2026年1月30日的大量个券数据，例如代码为113589.SH的转债定价偏差高达176.09，而代码为111016.SH的转债定价偏差为-4.08[19][20][23][27] 风险转债提示 - 报告基于交易所规则及信用风险模型，对存在退市风险或信用风险的可转债进行了预警[5][32] - 预警类别包括：交易类强制退市预警（如岭南转债）、财务类强制退市预警（如声迅转债）、*ST退市风险警示（如精装转债）以及ST其他风险警示（涉及凌钢转债、南航转债等超过50只转债）[33] - 此外，还列出了存在事件型信用风险预警（如闻泰转债、兴业转债等）和打分型信用风险预警（如通22转债、晶澳转债等）的转债名单[33] 转债市场择时 - 转债指数择时模型从价量、定价偏差和转债弹性（凸性）三个维度构建[5][35] - 在模型中，信号“1”代表看多，“0”代表看空[3] - 2026年1月5日至1月30日的整个交易周期内，价量模型与定价模型持续发出看多信号（均为1），而凸性模型持续发出看空信号（0），综合观点为维持67%的仓位[36]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：风格组相对拥挤度[70][125] * **因子构建思路**：通过计算两种风格指数换手率标准化值的差值，来衡量一种风格相对于另一种风格的交易拥挤程度，以判断其配置风险或性价比[70][125] * **因子具体构建过程**： 1. 对于风格A指数和风格B指数，分别计算其近252日平均换手率[125] 2. 将上述换手率数据在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[125] 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[125] 4. 计算该差值Diff在滚动6年窗口内的历史分位数（若历史数据量满1年但不足6年，则使用全部历史数据计算）[125] 5. 最终得到的分位数即为风格A相对于风格B的相对拥挤度指标[70][125] 2. **因子名称**：风格指数累计超额净值[61][126] * **因子构建思路**：以万得全A指数为基准，计算各风格指数的累计超额收益，用于衡量风格的相对表现[61][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的收盘点数，分别得到各自的累计净值[126] 2. 将各风格指数在每个交易日的累计净值，除以同一交易日的万得全A指数累计净值[126] 3. 得到的比值即为该风格指数相对于万得全A指数的累计超额净值[126] 3. **因子名称**：机构调研活跃度[127] * **因子构建思路**：通过计算板块、指数或行业在特定周期内日均机构调研次数的标准化活跃度，来衡量机构关注度的变化[127] * **因子具体构建过程**： 1. 计算目标板块（指数、行业）在近n个交易日内的“日均机构调研次数”[127] 2. 将该数据在滚动y年的历史时间序列上进行z-score标准化[127] 3. 将上述标准化结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”[127] 4. 最后计算该“机构调研活跃度”在滚动y年窗口内的历史分位数[127] * **长期口径参数**：n取126（近半年），滚动窗口y为6年（历史数据量满3年且不足6年时，使用全部历史数据计算）[127] * **短期口径参数**：n取63（近一季度），滚动窗口y为3年（历史数据量满1年且不足3年时，使用全部历史数据计算）[127] 4. **因子名称**：股债性价比（ERP）[52][60] * **因子构建思路**：使用风险溢价指标来衡量当前配置权益资产相对于债券的性价比[52][60] * **因子具体构建过程**： 1. 计算指数的ERP（Equity Risk Premium），公式为：$$指数erp = \frac{1}{指数PE\_TTM} – 10年期中债国债到期收益率$$[52] 2. 将计算出的ERP值，置于2005年1月1日至今的历史时间序列中计算其历史分位值，以判断当前性价比的高低状态[60] 5. **因子名称**：成交热度[26][36] * **因子构建思路**：使用换手率的历史分位来度量市场或板块、行业的交易活跃程度[26][36] * **因子具体构建过程**： 1. 计算核心指数、板块或行业的周度日均自由流通换手率[26][36] 2. 将该换手率数据置于历史时间序列（例如2005年1月1日至今）中，计算其当前值所对应的历史分位值[36] 3. 该历史分位值即为成交热度指标，分位越高代表成交越活跃、热度越高[26] 6. **因子名称**：滚动季度夏普率[38][40] * **因子构建思路**：计算万得全A指数滚动一个季度的夏普比率，用于衡量市场风险调整后的收益，并作为市场情绪风险的预警指标[38][40] * **因子具体构建过程**：报告未详细描述具体计算过程，但指出该指标用于监测市场情绪。当万得全A指数的滚动季度夏普率上升至历史极高位置时，表明市场情绪达到极端高峰，后续市场易进入震荡或调整状态[38] 因子的回测效果 （注：本报告为市场跟踪周报，主要展示各因子或指标的当前状态和近期表现，而非长期历史回测结果。以下为报告所述相关因子的近期取值。） 1. **风格组相对拥挤度因子**[70] * 成长 vs 红利：当前历史分位为75%，处于较高位置[70] * 小盘 vs 大盘：当前历史分位为31%，处于较低位置[70] * 微盘股 vs 中证800：当前历史分位为80%，处于较高位置[70] 2. **风格指数累计超额净值因子**[61][67] * 成长较红利超额：近一周为-2.2%，近一月为2.1%，年初至今为2.1%[61][67] * 小盘较大盘超额：近一周为-2.8%，近一月为10.3%，年初至今为10.3%[61][67] * 微盘股较基金重仓超额：近一周为0.8%，近一月为3.9%，年初至今为3.9%[61][67] * 动量较反转超额：近一周为-0.7%，近一月为-2.1%，年初至今为-2.1%[61][67] 3. **股债性价比（ERP）因子**[52][60] * 万得全A指数ERP：当前为2.4%，历史分位54%，处于均衡状态[60] * 沪深300指数ERP：当前为5.2%，历史分位59%，处于均衡状态[60] * 中证500指数ERP：当前为0.8%，历史分位65%，处于较高状态[60] * 创业板指数ERP：当前为0.5%，历史分位85%，处于极高状态[60] 4. **成交热度因子**[26][36] * 万得全A：当前成交热度历史分位为95%[36] * 上游周期板块：当前成交热度历史分位为99%[26] * 有色金属行业：当前成交热度历史分位为100%[26] 5. **滚动季度夏普率因子**[38] * 万得全A滚动季度夏普率：当前已从历史低位反弹，但尚未触及预警位置[38]

市场行情与价格变动 - 2026年1月30日晚，COMEX黄金期货主力合约价格从5410美元/盎司跌至4907美元/盎司，盘中最大跌幅逾12%，创近40年最大单日跌幅 [1] - COMEX白银期货主力合约价格从115.89美元/盎司跌至85.25美元/盎司，盘中最大跌幅达到35.30%，创下1980年代以来的最大单日跌幅 [1] - 1月29日，受市场传闻影响，COMEX黄金、白银期货曾在短短一小时内急跌10% [4] - 1月30日晚，黄金期货价格快速跌破5100美元/盎司、5000美元/盎司、4900美元/盎司等多个重要关口，白银期货则跌破100美元/盎司、90美元/盎司、80美元/盎司 [8] - 截至1月31日凌晨收盘，COMEX白银期货一度跌至74美元/盎司一线 [9] 事件驱动因素 - 华尔街将此次贵金属价格大跌归咎于凯文·沃什在1月30日被正式提名为下一任美联储主席 [2] - 凯文·沃什被视为“最具鹰派气息”的美联储主席候选人，引发市场对美国货币宽松政策趋于谨慎的担忧 [2] - 该提名直接触发当天美元指数从96.20快速涨至97.11，导致以美元计价的贵金属期货价格应声大跌 [2] - 量化投资基金对美联储货币政策走向高度敏感，因担忧未来政策不确定性而选择抛售贵金属多头持仓 [6] 市场结构与参与者行为 - 市场在下跌前充满极度拥挤的买涨头寸、创纪录的看涨期权购买量与极端的投资杠杆倍数，形成泡沫化投资氛围 [2] - 美银1月基金经理调查显示，做多黄金已成为全球金融市场最拥挤的交易 [8] - 白银情绪指数飙升至1998年以来最高水平 [8] - 部分从比特币市场撤离的投机资本转战COMEX黄金、白银期货市场，它们在1月中旬以来收获了逾15%的回报，并在1月30日大举获利了结 [6] - 量化投资基金在抛售黄金、白银期货多头持仓后，坐收逾25%的投资回报 [6] - 1月30日晚，不少对冲基金为规避爆仓风险，一口气急切抛售逾50%的COMEX黄金、白银期货多头头寸 [8] - 当晚逾10家以10—20倍投资杠杆押注COMEX黄金、白银期货上涨的华尔街投资机构因保证金问题被强制平仓 [13] 基金经理操作与应对 - 一位管理6000万美元贵金属投资基金的基金经理，其基金净值在一夜之间骤跌逾6%，创基金面世以来最大单日跌幅 [1][2] - 该基金经理通过持续减持期货多头持仓和紧急追加风险对冲操作，避免了更大的净值跌幅 [2] - 在价格跌破关键点位后，该基金经理抛售了10%的黄金ETF份额，将资金转而购买COMEX黄金、白银期货空头合约及买涨VIX恐慌指数，以缓解基金净值跌势 [11] - 该基金经理需要补缴约20万美元期货保证金，以维持剩余的净多头持仓 [13] - 该基金经理计划在2月2日亚太交易时段开盘伊始，减仓约20%的COMEX黄金、白银期货多头持仓 [15] 行业观点与后市展望 - 尽管有国际地缘政治风险等因素支撑中长期上涨潜力，但行业已处于黄金白银价格大波动时代 [3] - 仓位控制与规避高杠杆被认为是投资者在贵金属投资中行稳致远的先决条件 [3] - 有观点认为此次大跌是去年以来黄金、白银价格分别快速大涨逾70%与120%后的一次技术性回调，并给更多资本带来逢低入场的机会 [14] - 芝加哥商品交易所集团(CME Group)将黄金期货高风险账户保证金比例从6.6%上调至8.8%，将白银期货高风险账户保证金比例从12.1%上调至16.5% [14] - 保证金比例上调预计将导致更多高杠杆投资者被迫离场与市场交易流动性减少，未来价格波动性可能依然居高不下 [14]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：PB-ROE-50组合** * **模型构建思路：** 基于市净率（PB）和净资产收益率（ROE）两个核心指标，构建一个价值与质量相结合的选股模型[23]。 * **模型具体构建过程：** 报告未详细描述该模型的构建公式和具体步骤，仅提及其为基于PB和ROE的选股组合[23]。 2. **模型名称：机构调研组合（公募调研选股策略、私募调研跟踪策略）** * **模型构建思路：** 利用机构调研事件作为信息源，构建事件驱动选股策略[25]。 * **模型具体构建过程：** 报告未详细描述该模型的构建公式和具体步骤，仅提及其为基于公募和私募调研事件的选股策略[25]。 3. **模型名称：大宗交易组合** * **模型构建思路：** 基于“高成交、低波动”原则，从发生大宗交易的股票中筛选后续表现更佳的标的[30]。 * **模型具体构建过程：** 报告提及该组合使用“大宗交易成交金额比率”和“6日成交金额波动率”两个指标，按照“高成交、低波动”的原则，通过月频调仓方式构造组合[30]。具体计算公式和选股细节未在本文中提供。 4. **模型名称：定向增发组合** * **模型构建思路：** 以定向增发（定增）的股东大会公告日为事件节点，构建事件驱动选股组合[35]。 * **模型具体构建过程：** 报告提及该组合综合考虑了市值因素、调仓周期以及对仓位的控制，但未提供具体的构建公式和选股细节[35]。 模型的回测效果 * **PB-ROE-50组合：** 本周超越基准收益率：中证500为0.59%，中证800为-0.50%，全市场为-2.81%[23][24]。今年以来超额收益率：中证500为-0.44%，中证800为5.47%，全市场为5.48%[24]。 * **机构调研组合（公募调研选股）：** 本周超越基准收益率（相对中证800）为-4.21%，今年以来超额收益率为-0.82%[25][26]。 * **机构调研组合（私募调研跟踪）：** 本周超越基准收益率（相对中证800）为-1.85%，今年以来超额收益率为6.52%[25][26]。 * **大宗交易组合：** 本周超越基准收益率（相对中证全指）为0.06%，今年以来超额收益率为5.62%[30][31]。 * **定向增发组合：** 本周超越基准收益率（相对中证全指）为0.13%，今年以来超额收益率为1.17%[35][36]。 量化因子与构建方式 **注：** 报告中列出了大量因子及其表现，但均未提供具体的构建思路、公式和过程。以下仅根据报告内容列出因子名称。 1. **大类因子：** 动量因子、盈利因子、Beta因子、流动性因子[1][18]。 2. **单因子（部分列举）：** * **估值类：** 市盈率因子、市盈率TTM倒数、市净率因子、市销率TTM倒数、BP因子、EP因子[1][12][14][21]。 * **盈利类：** 净利润率TTM、营业利润率TTM、单季度ROE、单季度ROA、单季度ROE同比、单季度ROA同比、标准化预期外盈利、经营现金流比率、ROIC增强因子、总资产毛利率TTM、毛利率TTM、单季度总资产毛利率、单季度EPS、每股经营利润TTM因子[1][12][13][14][15][16][17][21]。 * **成长类：** 单季度营业收入同比增长率、单季度营业利润同比增长率、单季度净利润同比增长率、净资产增长率因子、净利润增长率因子、总资产增长率[12][13][14][15][16][17][21]。 * **动量反转类：** 动量弹簧因子、5日反转、早盘收益因子、早盘后收益因子、5日动量、1月动量[12][13][14][15][16][17][21]。 * **交易行为/流动性类：** 大单净流入、小单净流入、动量调整大单、动量调整小单、5日平均换手率、换手率相对波动率、成交量的5日指数移动平均、5日成交量的标准差、6日成交金额的移动平均值、6日成交金额的标准差、流动性因子[12][13][14][15][16][17][18][21]。 * **波动率/风险类：** 下行波动率占比、日内波动率与成交金额的相关性、5分钟收益率偏度、残差波动率因子[12][13][14][15][16][17][21]。 * **质量/稳定性类：** ROE稳定性、ROA稳定性、EPTMM分位点、标准化预期外收入、净利润断层、每股净资产因子[12][13][14][15][16][17][21]。 * **规模类：** 对数市值因子[13][15][17]。 因子的回测效果 **注：** 因子表现数据为最近一周（2026.01.26-2026.01.30）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]。以下为各股票池中表现最佳和最差的三个因子。 * **沪深300股票池：** * 表现较好：市盈率因子 (1.70%)、净利润率TTM (1.03%)、营业利润率TTM (1.02%)[1][12]。 * 表现较差：早盘后收益因子 (-3.58%)、动量弹簧因子 (-3.50%)、5日反转 (-2.98%)[1][12]。 * **中证500股票池：** * 表现较好：市销率TTM倒数 (3.25%)、市盈率TTM倒数 (2.67%)、市盈率因子 (2.45%)[1][14]。 * 表现较差：5分钟收益率偏度 (-3.71%)、6日成交金额的移动平均值 (-2.69%)、5日反转 (-2.40%)[1][14]。 * **流动性1500股票池：** * 表现较好：经营现金流比率 (2.27%)、动量调整小单 (1.65%)、单季度ROA (1.62%)[2][16]。 * 表现较差：5分钟收益率偏度 (-3.03%)、早盘收益因子 (-2.65%)、5日平均换手率 (-2.21%)[2][16]。

量化模型与构建方式 1. **模型名称**：进取组合[7] **模型构建思路**：未明确说明，但从名称推测为追求较高收益风险比的主动量化组合[7] **模型具体构建过程**：未详细说明，报告仅提及其为多因子组合[7][10] 2. **模型名称**：平衡组合[7] **模型构建思路**：未明确说明，但从名称推测为追求收益与风险平衡的主动量化组合[7] **模型具体构建过程**：未详细说明，报告仅提及其为多因子组合[7][10] 3. **模型名称**：沪深300增强组合[7] **模型构建思路**：未明确说明，为针对沪深300指数的增强策略，旨在获取超越基准的超额收益[7][14] **模型具体构建过程**：未详细说明[7][14] 4. **模型名称**：中证500增强组合[7] **模型构建思路**：未明确说明，为针对中证500指数的增强策略，旨在获取超越基准的超额收益[7][14] **模型具体构建过程**：未详细说明[7][14] 5. **模型名称**：中证1000增强组合[7] **模型构建思路**：未明确说明，为针对中证1000指数的增强策略，旨在获取超越基准的超额收益[7][14] **模型具体构建过程**：未详细说明[7][14] 6. **模型名称**：绩优基金的独门重仓股组合[7] **模型构建思路**：基于绩优基金的独门重仓股构建组合，旨在捕捉基金经理的独到选股能力[7][27] **模型具体构建过程**：未详细说明[7][27] 7. **模型名称**：盈利、增长、现金流三者兼优组合[7] **模型构建思路**：筛选在盈利、增长和现金流三个基本面维度上均表现优异的股票构建组合[7][29] **模型具体构建过程**：未详细说明[7][29] 8. **模型名称**：PB-盈利优选组合[7] **模型构建思路**：结合低估值（PB）和高盈利（盈利）两个维度筛选股票，构建有基本面支撑的低估值组合[7][31][33] **模型具体构建过程**：未详细说明[7][31][33] 9. **模型名称**：GARP组合[9] **模型构建思路**：采用“合理价格成长”策略，寻找具有稳定增长潜力且估值合理的股票[9][35] **模型具体构建过程**：未详细说明[9][35] 10. **模型名称**：小盘价值优选组合1[7] **模型构建思路**：在小盘股中筛选具有价值属性的股票构建组合[7][37] **模型具体构建过程**：未详细说明[7][37] 11. **模型名称**：小盘价值优选组合2[9] **模型构建思路**：在小盘股中筛选具有价值属性的股票构建组合，可能是与组合1采用不同筛选标准或权重的变体[9][39] **模型具体构建过程**：未详细说明[9][39] 12. **模型名称**：小盘成长组合[7] **模型构建思路**：在小盘股中筛选具有高成长属性的股票构建组合[7][41] **模型具体构建过程**：未详细说明[7][41] 模型的回测效果 1. **进取组合**，周收益率-0.93%[9]，周超额收益（相对中证500）1.63%[9]，月绝对收益13.78%[9]，月超额收益（相对中证500）1.66%[9]，年绝对收益13.78%[9]，年超额收益（相对中证500）1.66%[9]，跟踪误差20.60%[9]，最大相对回撤12.81%[9] 2. **平衡组合**，周收益率-0.86%[9]，周超额收益（相对中证500）1.70%[9]，月绝对收益12.77%[9]，月超额收益（相对中证500）0.65%[9]，年绝对收益12.77%[9]，年超额收益（相对中证500）0.65%[9]，跟踪误差17.86%[9]，最大相对回撤11.94%[9] 3. **沪深300增强组合**，周收益率-0.39%[9]，周超额收益-0.47%[9]，月绝对收益6.85%[9]，月超额收益5.20%[9]，年绝对收益6.85%[9]，年超额收益5.20%[9]，跟踪误差4.86%[9]，最大相对回撤1.21%[9] 4. **中证500增强组合**，周收益率-1.74%[9]，周超额收益0.82%[9]，月绝对收益11.11%[9]，月超额收益-1.01%[9]，年绝对收益11.11%[9]，年超额收益-1.01%[9]，跟踪误差6.16%[9]，最大相对回撤4.77%[9] 5. **中证1000增强组合**，周收益率-0.97%[9]，周超额收益1.58%[9]，月绝对收益11.99%[9]，月超额收益3.31%[9]，年绝对收益11.99%[9]，年超额收益3.31%[9]，跟踪误差7.70%[9]，最大相对回撤2.78%[9] 6. **绩优基金的独门重仓股组合**，周收益率-2.71%[9]，周超额收益（相对股票型基金总指数）-3.29%[9]，月绝对收益6.03%[9]，月超额收益（相对股票型基金总指数）-1.06%[9]，年绝对收益6.03%[9]，年超额收益（相对股票型基金总指数）-1.06%[9]，跟踪误差21.80%[9]，最大相对回撤5.18%[9] 7. **盈利、增长、现金流三者兼优组合**，周收益率-4.06%[9]，周超额收益（相对沪深300）-4.15%[9]，月绝对收益0.20%[9]，月超额收益（相对沪深300）-1.45%[9]，年绝对收益0.20%[9]，年超额收益（相对沪深300）-1.45%[9]，跟踪误差13.12%[9]，最大相对回撤4.52%[9] 8. **PB-盈利优选组合**，周收益率0.92%[9]，周超额收益（相对沪深300）0.84%[9]，月绝对收益6.17%[9]，月超额收益（相对沪深300）4.52%[9]，年绝对收益6.17%[9]，年超额收益（相对沪深300）4.52%[9]，跟踪误差13.11%[9]，最大相对回撤4.47%[9] 9. **GARP组合**，周收益率0.95%[9]，周超额收益（相对沪深300）0.87%[9]，月绝对收益11.43%[9]，月超额收益（相对沪深300）9.78%[9]，年绝对收益11.43%[9]，年超额收益（相对沪深300）9.78%[9]，跟踪误差13.38%[9]，最大相对回撤2.90%[9] 10. **小盘价值优选组合1**，周收益率-2.44%[9]，周超额收益（相对微盘股指数）-1.29%[9]，月绝对收益7.89%[9]，月超额收益（相对微盘股指数）-2.83%[9]，年绝对收益7.89%[9]，年超额收益（相对微盘股指数）-2.83%[9]，跟踪误差9.39%[9]，最大相对回撤5.33%[9] 11. **小盘价值优选组合2**，周收益率-1.64%[9]，周超额收益（相对微盘股指数）-0.48%[9]，月绝对收益12.37%[9]，月超额收益（相对微盘股指数）1.66%[9]，年绝对收益12.37%[9]，年超额收益（相对微盘股指数）1.66%[9]，跟踪误差10.30%[9]，最大相对回撤3.05%[9] 12. **小盘成长组合**，周收益率-2.07%[9]，周超额收益（相对微盘股指数）-0.92%[9]，月绝对收益9.13%[9]，月超额收益（相对微盘股指数）-1.59%[9]，年绝对收益9.13%[9]，年超额收益（相对微盘股指数）-1.59%[9]，跟踪误差10.53%[9]，最大相对回撤3.01%[9] 量化因子与构建方式 1. **因子名称**：市值因子[44] **因子构建思路**：衡量公司规模大小，通常认为小市值股票存在溢价[44] **因子具体构建过程**：未详细说明，通常为股票的总市值[44] 2. **因子名称**：PB因子[44] **因子构建思路**：市净率，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：未详细说明，通常为股价除以每股净资产[44] 3. **因子名称**：PE_TTM因子[44] **因子构建思路**：滚动市盈率，衡量估值水平，通常认为低估值股票存在溢价[44] **因子具体构建过程**：未详细说明，通常为股价除以最近四个季度的每股收益之和[44] 4. **因子名称**：反转因子[49] **因子构建思路**：基于股价短期反转效应，认为过去表现差的股票未来可能反弹[49] **因子具体构建过程**：未详细说明，通常基于过去一段时间的收益率[49] 5. **因子名称**：换手率因子[49] **因子构建思路**：衡量股票流动性或交易活跃度，通常认为低换手率股票存在溢价[49] **因子具体构建过程**：未详细说明，通常为一段时间内的成交股数除以流通股数[49] 6. **因子名称**：波动率因子[49] **因子构建思路**：衡量股票价格波动风险，通常认为低波动率股票存在溢价[49] **因子具体构建过程**：未详细说明，通常为过去一段时间收益率的标准差[49] 7. **因子名称**：ROE因子[52] **因子构建思路**：净资产收益率，衡量公司盈利能力，通常认为高盈利股票存在溢价[52] **因子具体构建过程**：未详细说明，通常为净利润除以净资产[52] 8. **因子名称**：SUE因子[52] **因子构建思路**：标准化未预期盈余，衡量盈利增长超预期的程度，通常认为超预期增长的股票存在溢价[52] **因子具体构建过程**：未详细说明[52] 9. **因子名称**：预期净利润调整因子[52] **因子构建思路**：基于分析师对净利润预期的调整，通常认为预期上调的股票存在溢价[52] **因子具体构建过程**：未详细说明[52] 因子的回测效果 （注：因子测试方法为，按照因子值对股票排序，选择最高与最低的10%股票构建等权组合，计算多头、空头及多空收益[43]） 1. **市值因子**，上周全市场多头收益1.25%[44]，上周全市场空头收益1.05%[44]，上周全市场多空收益0.19%[44]，2026年以来全市场多空收益3.34%[44][45]，2026年以来沪深300多空收益5.78%[44][45]，2026年以来中证500多空收益-10.16%[44][45]，2026年以来中证1000多空收益-2.32%[44][45] 2. **PB因子**，上周全市场多头收益2.45%[44]，上周全市场空头收益-0.81%[44]，上周全市场多空收益3.26%[44]，2026年以来全市场多空收益-1.40%[44][45]，2026年以来沪深300多空收益-7.98%[44][45]，2026年以来中证500多空收益-3.81%[44][45]，2026年以来中证1000多空收益-3.18%[44][45] 3. **PE_TTM因子**，上周全市场多头收益1.22%[44]，上周全市场空头收益-1.34%[44]，上周全市场多空收益2.57%[44]，2026年以来全市场多空收益0.28%[44][45]，2026年以来沪深300多空收益-7.61%[44][45]，2026年以来中证500多空收益-7.92%[44][45]，2026年以来中证1000多空收益-2.38%[44][45] 4. **反转因子**，上周全市场多头收益0.06%[49]，上周全市场空头收益-2.06%[49]，上周全市场多空收益2.12%[49]，2026年以来全市场多空收益-3.86%[50]，2026年以来沪深300多空收益-5.13%[50]，2026年以来中证500多空收益-13.20%[50]，2026年以来中证1000多空收益0.01%[50] 5. **换手率因子**，上周全市场多头收益1.63%[49]，上周全市场空头收益-2.25%[49]，上周全市场多空收益3.89%[49]，2026年以来全市场多空收益2.68%[50]，2026年以来沪深300多空收益-6.99%[50]，2026年以来中证500多空收益-13.52%[50]，2026年以来中证1000多空收益-1.58%[50] 6. **波动率因子**，上周全市场多头收益2.21%[49]，上周全市场空头收益-1.94%[49]，上周全市场多空收益4.16%[49]，2026年以来全市场多空收益-0.38%[50]，2026年以来沪深300多空收益-8.96%[50]，2026年以来中证500多空收益-17.87%[50]，2026年以来中证1000多空收益-2.42%[50] 7. **ROE因子**，上周全市场多头收益0.97%[52]，上周全市场空头收益-1.22%[52]，上周全市场多空收益2.20%[52]，2026年以来全市场多空收益2.84%[52][53]，2026年以来沪深300多空收益-0.92%[52][53]，2026年以来中证500多空收益-0.30%[52][53]，2026年以来中证1000多空收益6.47%[52][53] 8. **SUE因子**，上周全市场多头收益0.42%[52]，上周全市场空头收益-0.03%[52]，上周全市场多空收益0.45%[52]，2026年以来全市场多空收益1.74%[52][53]，2026年以来沪深300多空收益2.54%[52][53]，2026年以来中证500多空收益-2.39%[52][53]，2026年以来中证1000多空收益2.95%[52][53] 9. **预期净利润调整因子**，上周全市场多头收益-0.68%[52]，上周全市场空头收益-0.53%[52]，上周全市场多空收益-0.15%[52]，2026年以来全市场多空收益0.72%[52][53]，2026年以来沪深300多空收益1.92%[52][53]，2026年以来中证500多空收益2.04%[52][53]，2026年以来中证1000多空收益-1.51%[52][53]

文章核心观点 - 文章以一位百亿私募量化研究员的视角，分享了其从奥数竞赛到量化投资的职业转型与思考，并重点阐述了其所在公司（玄元投资）在量化研究领域的方法论演进，特别是从执行模型到参与构建“超融合策略”的实践，强调了连接主观洞察与量化系统的重要性 [1][5][10][12] 早期探索与数据基础构建 - 量化研究员的早期探索采用“广撒网”式学习，复现券商研报策略，并在数据清洗、参数选择等细节差异中积累经验 [7] - 早期接触并重视“另类数据”源，如财报附注中的管理层讨论、龙虎榜资金流向、上市公司调研纪要等非结构化信息，视其为未被充分挖掘的“新大陆” [7] - 通过实践案例学习用新角度审视传统财务指标，例如通过资产负债表推算法与财务报表附注明细进行交叉验证，发现部分公司数据存在显著差异，这提示了财报编制中可能存在未被揭示的细节 [8] - 早期广泛探索的核心价值在于建立起对金融数据的“手感”和敏感度，能够判断数据源的信噪比和关键信息潜力 [8] 策略演进：从量化执行到“超融合”架构 - 研究员职责从执行量化模型，跃迁至深度参与构建公司“超融合策略”的底层建设，重心转向推动量化与主观投资的系统化协同 [10] - 初期采用“主观定方向、量化来执行”的经典融合模式，但发现市场现成的行业与主题概念（如卖方或第三方数据商定义）难以与自身量化模型的逻辑和频段完美适配，存在概念过于宽泛或边界僵硬的问题 [10] - 工作转向与主观研究团队共同重新绘制“投资图谱”，综合产业深度洞察与量化系统性扫描，共同定义和打造一套适配自身投资逻辑的动态“行业与概念集群”，摆脱对市场既有分类的被动依赖 [12] - 研究员角色成为超融合策略的“架构师”之一，核心成就是共同创建了一套让主观逻辑与量化算法能用同一种“语言”高效对话并持续优化的“基础设施”，定义了更精准捕捉阿尔法来源的自身分类标准 [12] 奥数思维在量化工作中的映射 - 奥数竞赛经历留下的核心是底层思维模式，而非具体公式，其中最核心的是对“严谨性”的本能追求，这种思维渗透到模型构建中，会追问假设来源、成立条件及边界 [14] - 奥数训练培养了强大的“问题拆解能力”，能够将复杂的“预测市场”问题拆解为数据层、特征层、模型层、组合层等相对独立的子问题，并逐个突破 [14] - 奥数思维还强调“想象力”与“发散思维”的平衡，在量化研究中体现为需要想象力去挖掘非传统的阿尔法来源（如龙虎榜席位联动、分析师观点修正），但最终所有想法都必须经过严谨的回测和可解释的逻辑验证 [15] 量化研究的工作理念：理论与实证的辩证 - 工作理念强调理论与实证的张力平衡，核心是两层辩证思考：一是任何策略都需要模拟验证，但更要警惕模拟假设的漏洞；二是历史回测的真正价值在于找到理论的适用边界，而非证实理论 [17] - 通过具体研究案例说明此理念：在研究某财务特征因子时，通过质疑“报表数据全部反映经济实质”的默认假设，并依据相关会计政策激进程度对样本分组测试，发现该因子在会计处理异于同业的公司群体中预测能力大幅减弱或消失，揭示了部分公司“优势”可能源于会计选择而非真实竞争力 [18] - 因此，策略失效的时段和不适用的市场环境等界定模型边界的信息，被认为是规避风险的关键，这种对“边界”的追求是奥数思维的重要馈赠 [18] 行业背景与公司情况 - 2025年中国私募行业迎来技术与规则双重变革，AI赋能量化崛起，私募规模突破22万亿元，私募出海加速，行业迈向多元化新格局 [1] - 玄元投资是一家百亿私募，在私募排排网有9只产品进行业绩展示 [18] - 根据一份2025年1-11月的收益排名表，玄元投资在股票策略公司中位列第一，但具体收益均值因监管要求未公开显示 [19] - 量化领域的未来正经历深刻变革，大模型、另类数据等新技术层出不穷，但行业核心逻辑不变，即从市场不确定性中寻找可建模的结构，从数据噪声中提取微弱信号 [19]

文章核心观点 - 2025年中国公募量化基金行业在有利的市场和政策环境下，实现了业绩与规模的“双丰收”，行业进入快速发展新阶段 [1][7] - 公募量化基金已从边缘产品成长为行业重要组成部分，形成了指数增强、量化对冲、主动量化等多元策略格局 [1][5] - 行业未来发展趋势明确，将朝着产品多元化、监管规范化、以及AI技术深度融合的方向发展 [12] 公募量化基金行业相关概述 - 量化基金是通过将投资策略模型化，借助计算机程序实现选股和组合管理的特殊基金产品 [2] - 与传统投资相比，量化投资具有客观性、纪律性、及时性、分散化、可追溯性等优势 [2] - 市场常见的公募量化基金主要有主动量化基金、指数增强基金、量化对冲基金三种类型 [2] 公募量化基金与私募量化基金对比 - 投资门槛：公募量化基金通常1元起投且无锁定期，私募量化基金一般需要100万元起投并有1~3年锁定期 [4] - 费用结构：公募量化基金主要以管理费为主，一般不收业绩报酬；私募基金一般是2%管理费加20%业绩报酬 [5] - 投资策略与监管：公募基金主要投资股票、债券，策略相对稳健且受证监会严格监管；私募基金策略更灵活，可能投资衍生品，信息披露有限 [5] 行业发展历程 - 中国公募量化基金于2002年开始起步，伴随资本市场开放与制度完善而萌芽 [1][5] - 历经二十余年发展，已从边缘小众产品成长为公募基金行业的重要组成部分 [1][5] 行业发展现状：基金新成立情况 - 截至2025年10月29日，年内公募量化策略基金合计成立158只，比2024年全年的95只增长超过66%，创历年新高 [1][7] - 其中增强指数型基金新成立132只，占比超过八成 [7] - 年内募资总规模为830.64亿元，比2024年的368.55亿元增长125%，超出历史任何年份 [1][7] - 平均单只基金发行规模为5.26亿元 [7] 行业发展现状：基金总规模 - 截至2025年中报，中国公募量化基金总规模达到2833.43亿元，是2018年年报披露规模的2.9倍 [1][8] - 规模呈现阶段性变化：2018-2021年快速增长，2021-2025年呈波动态势，2023年因主动量化基金受追捧带动总规模增长至2934.56亿元 [1][8] - 量化指数型基金是主要类型，截至2025年中报规模为1883.8亿元，较2024年末增加40.3亿元，占总规模的66.5% [1][9] - 量化主动型基金规模为898.24亿元，较2024年末增加169.08亿元，占比31.7% [1][9] - 量化对冲基金规模自2022年以来因市场环境变化而明显下滑 [9] 行业发展现状：收益情况 - 2025年前三季度，有业绩展示的公募量化基金共有1166只，平均收益为26.52% [1][9] - 股票型量化基金与混合型量化基金数量合计1081只（占比92.71%），平均收益分别为28.65%和26.72% [1][9] - 另类投资基金平均收益为负，为-0.1% [1][9] - 2025年前三季度收益10强的股票型量化基金上榜“门槛”为57.64%，其中8只为指数型股票基金，2只为普通股票型基金 [11] - 收益领先的基金“科技含量”较高，涉及半导体、创业板、人工智能等领域，黄金及有色板块也是重要布局方向 [11] 行业发展趋势 - 市场宽度增大和上市公司数量增加，为量化策略提供了更大空间，量化产品形态将更加多元化，包括宽基指增、因子被动投资、Smart β及主动量化等 [12] - 监管政策基调是“趋利避害、规范发展”，未来行业将在更完善的监管框架下稳健发展，鼓励头部机构、淘汰劣质机构，并严控策略集中度风险 [12] - 量化基金将积极拥抱AI，通过AI赋能因子挖掘、组合优化和流程自动化，以提升策略开发效率和风控能力，积蓄长期发展力量 [12]

2025年中国量化市场规模与增长 - 2025年国内量化交易市场规模创历史新高，量化私募管理规模可能超过1.5万亿元，叠加公募量化及其他策略，全市场量化规模将超2万亿元 [2] - 与2024年同期相比，业内保守预计量化管理总规模增加了七千亿元，头部量化私募的管理规模增加一两倍、交易规模增加三四倍成为常态 [2] - 2024年国内量化市场规模约为1.43万亿元，其中公募量化近3000亿元，私募量化约8370亿元，其他策略近2000亿元 [3] - 2025年三季度末，公募量化规模超4000亿元，量化私募管理规模约1.49万亿元，两项相加已接近1.9万亿元 [3] 规模增长驱动因素与渠道 - 量化私募的快速增长得益于市场有效性提升、投资者对稳健收益的需求以及量化策略在震荡市中的表现 [3] - 量化规模扩张是行业主动控规模的结果，2025年量化私募产品受到高净值人群热捧 [4] - 财富人群对量化投资兴趣浓厚，相比公募量化，量化私募的产品类别更多，选择余地更大 [4] - 新晋头部量化私募机构因投资者热捧，一年内资产管理规模翻番或翻两倍，交易规模则增加三到四倍，不少中小型量化私募管理规模也都增了一倍不止 [5] 行业策略表现与收益 - 2025年量化交易给老客户带来了至少50%的超额回报，致使更多新投资人申购量化私募产品 [2] - 以量化指增策略产品为例，2025年投资收益没有做到50%以上都不好意思跟客户说 [6] - 第三方监测的近千只指数增强策略产品2025年平均收益率高达45.08%，平均超额收益率达16.75%，正超额产品占比近九成 [6] - 中小盘指增表现亮眼，中证1000指增的172只产品2025年平均收益率为49.78%，平均超额收益率为17.49%，正超额产品占比高达95.93% [6] - 在百亿量化私募中，2025年平均收益率超过40%的机构达到18家，幻方量化、天演资本、灵均投资、蒙玺投资、稳博投资等头部机构业绩排名居前 [6] - 2025年A股市场换手率和日均成交额处于较高水平，贝塔因子和小市值因子强劲，均有利于量化策略表现 [6] - 2025年量化指增策略在结构性行情中实现了业绩与规模双增长，中小市值指增成为主角，行业马太效应在业绩层面体现明显 [7] 行业发展趋势与机构应对 - 行业主动控规模的措施包括不宣传基金收益、控制募资规模、延期发新品、暂停或限制现有产品追加投资、提高认购门槛、放缓新品备案节奏、暂停部分容量敏感策略募资等 [2][4] - 预计2026年整个行业的发展思路与2025年相当，量化规模爆发式增长将放缓并面临分化，行业将从“规模扩张”进入“规模管理”新阶段 [2][5] - 机构应将重点转向策略多元化，如拓展多资产、跨境策略，以追求可持续、可解释的超额收益能力为目标 [5] - 头部机构仍可能主动控规模，以保障策略有效性与投资者回报 [5] - 若资金持续涌入，可能带来市场定价效率提高、市场活跃度提高等正面影响 [5] 投资者行为与产品特征 - 投资者申购私募产品的门槛是家庭净资产超过300万元，申购金额100万元起 [4] - 即使机构主动控规模，但仍难挡投资者“暴力加仓”，主要因2025年量化带给客户的收益太高 [6] - 投资者对收益的高预期可以理解，专业投资者应引导客户理性认识收益与风险，建立长期投资视角 [8] - 从产品设计角度，可以推出封闭期等机制减少短期申赎冲击，策略上应注重风控，避免过度追逐短期业绩 [8] - 投资者应了解产品底层逻辑，明确收益来源和风险特征，并通过了解团队背景、策略迭代能力、风控手段等进行评估 [8] - 资产配置方面建议避免集中投资于单一策略，通过组合投资降低风险，可考虑在组合中配置不同策略或不同市场产品 [5][8]