公司概况 - 公司成立于2016年，是国内量化行业先行者之一，依托数据挖掘、统计分析和软件开发能力构建了覆盖多市场、多品种、全频段的量化资产管理平台 [1] - 自主研发的低延迟交易策略和系统形成技术壁垒，业绩表现获市场广泛认可 [1] - 截至2025年6月，公司资管规模110多亿元，员工90余人 [1][4] 业绩表现 - 2025年上半年李骧管理的产品收益均值位列私募基金经理量化收益半年度Top10 [1] - 旗下产品近1年平均收益位列百亿量化私募近1年收益排名Top10 [1] - 截至2025年5月底，旗下产品近一年收益均值位列股票策略收益Top10 [1] 发展历程 - 2016年注册成立，2017年完成基金业协会备案并开始研发资管策略 [4] - 2019年成为国内头部低延迟自营交易机构，进军资管业务 [4] - 2020年管理规模达10亿元，2022年40亿元，2023年60亿元，2024年70亿元，2025年突破110亿元 [4] 核心策略 - 采用多因子选股模型，从全球200+数据源构建多元化因子库 [9] - 策略以指数增强、市场中性等股票策略为主，布局万得全A等权、中证500、中证1000等主流指数 [9] - 短周期策略表现亮眼，指数增强系列产品历史超额回撤低，与同行低相关性 [9] 投研团队 - 团队近60人，具备全球知名高校数学、物理等背景及海内外机构工作履历 [10] - 采用"大组"研究+"小组"激励模式提升效率 [10] - 创始人李骧拥有17年量化交易经验，擅长低延迟策略 [8][11] 产品线 - 代表产品包括蒙玺国证2000指数量化1号、万得小市值指数量化1号等，运作以来超额收益显著 [15] - 短周期时序策略通过自建底仓跟踪指数成分股，捕捉日内价差获取收益 [14] 行业荣誉 - 2023年获中国私募金牛奖三年期金牛私募管理公司（相对价值策略） [21] - 2024年获私募排排网金排奖年度TOP50（股票量化多头策略） [21] - 2025年获证券时报金长江奖稳健发展私募基金公司等三项荣誉 [22] 技术优势 - 自建行业领先的低延迟交易系统，每年投入千万级IT升级费用 [13] - 深度布局AI赋能策略投研，技术护城河显著 [1][11] - 人才储备先于策略储备，策略储备先于管理规模 [13]

根据提供的量化研报内容，以下是结构化总结： 量化模型与构建方式 1. **A股景气指数模型** - 构建思路：通过Nowcasting技术追踪上证指数归母净利润同比变化，构建高频景气度指标[42] - 具体构建：以财务数据为基础结合宏观经济指标，通过时间序列模型计算景气度拐点（未披露具体公式）[42][43] - 模型评价：能有效预判市场周期转折点，2023年四季度成功捕捉底部区间[42][44] 2. **A股情绪指数模型** - 构建思路：基于波动率与成交额变化方向划分四象限，识别市场情绪状态[45] - 具体构建： - 波动上+成交下→显著负收益区间 - 其他组合→显著正收益区间 通过量化信号生成见底/见顶预警指标（未披露具体阈值算法）[45][46] - 模型评价：当前信号显示"波动下行+成交上行"的多头组合[48][50] 3. **BARRA风格因子模型** - 构建思路：采用十大类风格因子解析市场收益来源[69] - 具体因子构成： - 传统因子：市值(SIZE)、BETA、动量(MOM) - 风险因子：残差波动率(RESVOL)、非线性市值(NLSIZE) - 基本面因子：估值(BTOP)、盈利(EARNINGS_YIELD)、成长(GROWTH) - 交易因子：流动性(LIQUIDITY)、杠杆(LVRG) [69][70] - 模型评价：可有效分解指数超额收益来源，近期价值因子表现突出[70][71] 模型回测效果 1. **中证500增强组合** - 本周超额收益：+0.13% - 2020年至今超额：48.07% - 最大回撤：-4.99% [56][57] 2. **沪深300增强组合** - 本周超额收益：-0.06% - 2020年至今超额：31.78% - 最大回撤：-5.86% [63][64] 量化因子与构建方式 1. **行业因子** - 近期表现： - 正收益：房地产(+2.1%)、证券(+1.8%) - 负收益：国防军工(-3.2%)、汽车(-2.7%)、电子(-2.3%) [70][75] 2. **风格因子** - 近期表现： - 正收益：价值波动率(+1.5%) - 负收益：盈利(-1.2%)、残差波动率(-0.9%) [70][74] - 相关性特征： - 流动性与Beta因子正相关(r=0.425) - 价值与盈利因子正相关(r=0.503) [71] 因子回测效果 1. **价值因子** - 上证指数归因贡献：+1.8% - 沪深300归因贡献：+1.2% [78][88] 2. **非线性市值因子** - 创业板指归因拖累：-0.9% - 中小板指归因拖累：-1.1% [77][83] 注：部分模型细节如景气指数计算公式、情绪指数阈值设定等未在报告中完整披露[42][45]

AI技术重塑投研行业格局 - AI技术如中信建投的"AI智问"可一键生成研报摘要、拆解财务指标，显著提升投研效率，金融从业者拥抱AI已成为必然趋势 [1] - AI与Python结合可处理海量金融数据，应用于投研、风控、量化等核心场景 [1] 金融数据获取与处理 - 通过巨潮资讯网、数据接口及Python爬虫技术（如requests库、Selenium库）高效获取上市公司财报、行情数据等关键信息 [1] - 利用正则表达式和BS库解析网页数据，为后续分析提供精准支持 [1] 财务分析与估值建模 - AI工具可快速提取并分析财务数据，支持单公司或多企业对比分析 [2] - 结合Python的Pandas库深入分析企业关键指标，构建DCF估值模型等，提升企业价值评估准确性 [2] 报告编写与数据可视化 - AI可快速生成高质量金融报告，结合花火数图、思维导图等工具实现数据直观呈现 [3] - Python的Matplotlib和Pyecharts库支持数据动态可视化，增强报告说服力 [3] 流程自动化与智能应用 - AI与Python结合实现金融财务流程自动化，如批量生成文件、自动化审计等 [4] - 通过打造专属AI智能体构建个性化投研支持系统 [4] 量化投资策略开发 - AI与Python在量化投资领域应用广泛，从K线图绘制到策略开发与回测提供技术支持 [5] - Python开发的量化策略回测平台可帮助投资者测试和优化策略，提高收益 [5] 课程亮点与内容 - 课程包含86节精讲课，总时长32.5小时，系统覆盖AI+Python金融投研全流程 [8] - 案例涵盖数据获取、分析、建模、可视化到报告生成等核心场景，配套赠送素材包、提示词模板等实用资料 [8] 主讲嘉宾背景 - 王老师为某金融机构金融科技部负责人，拥有CFA3级、FRM2级等资质，宾夕法尼亚大学硕士 [14] - 主导过多个AI与Python金融投研项目，累计申请6项知识产权，出版多本相关书籍 [14][15] 课程核心价值 - 驾驭AI大模型提升报告生成、财报分析及估值建模效率 [16] - 掌握Python金融链路从数据抓取到量化策略开发的实战技能 [16] - 实现AI+Python贯通数据清洗、建模、决策全流程 [16]

安诺其业务调研 - 算力业务采用租售联动模式 通过智星云平台运营 客户涵盖科技企业 研发机构 高校和个人用户 暂不考虑自建IDC [1] - 算力平台提供多种GPU型号 包括00 H100 RTX4090 租用按时间计费 [1] - 算力租赁业务采用平台化 市场化运营 智星云平台稳定运营5年 用户群体广泛 能灵活调配算力资源 [1] - 公司在山东建有三大染料生产基地 未来将加强智能化升级 提升市场占有率 [1] - 数码墨水主要用于纺织面料 现有5 000吨产能 重点布局数码打印业务 [1] - 未来公司将在算力和数码板块加大投入 加强市场推广力度 [1] 大岩资本背景 - 深圳嘉石大岩资本管理有限公司2013年6月建基于深圳 依托股东全球业务网络布局 与香港 纽约 开曼等地独立姊妹公司合作 [2] - 管理团队有20余年全球金融市场投资经验 近50位专业人士拥有数学 计算机 医学 物理 金融工程等复合学术背景 [2] - 在中国大陆资本市场深耕7年多 累计获得包括4尊金牛奖在内的30余项业内奖项 合作客户包括银行 保险 证券公司 基金会 FOF和企业财团 [2] - 公司成立头三年资产管理规模跨越百亿 成为中国业内领先的私募证券基金 [2] - 着力于量化投资技术 定增投资技术 产品和业务模式的创新 是科学投资的先行倡导者和实践者 [2]

基金经理王阳峰的投资理念与方法 - 致力于将钱学森系统工程管理方法应用于投资实践，建立科学严谨的投研流程，设计能抵抗不确定性风险和干扰因素的投资系统 [1] - 通过均衡配置和分散持仓，严格约束市场、行业、风格和个股风险，控制组合相对于基准的偏离，追求稳定可持续的超额收益 [2] - 结合基本面和技术面，融合工程控制论和人工智能大数据技术，开发全频段、多模态的线性和非线性策略 [2] - 运用最优控制、自适应控制等方法对投研流程进行全生命周期精细化管理 [2] - 管理的中金沪深300指数增强、中金中证1000指数增强等产品基本实现了较为稳定的相对指数基准的超额收益 [2] 量化指增产品的特点与优势 - 要求指数成分股占基金非现金资产的80%以上，全市场选股比例低于20%，既控制偏离度又为超额收益留出空间 [3] - 分散化持仓、严格控制风险、获取稳定超额收益的打法，与其他高弹性、高持仓集中度的产品相比更具稳定性 [3] - 超额收益高度可量化、可归因，天然更易实现浮动管理费与业绩的直接挂钩 [4] - 在行业轮动与风格切换中，行业均衡、持仓分散的特点能够减少轮动中的损耗 [6] - 市场活跃通常能为指增产品创造显著的超额收益空间 [6] 量化指增产品的发展前景 - 量化指增产品有望承接传统主动权益产品的客群和资金流入，发展空间会更为广阔 [1] - 量化投资的系统化组合投资理念有望被更广泛的从业者和投资者接纳，或逐步成为市场主流的投资方式 [4] - 宽基指增是近些年指数类产品规模增长的重要来源，未来有望持续承接市场对类宽基指数产品的配置需求 [5] - 行业指增、风格指增等有望成为未来新型指增产品的布局方向 [5] - 量化投资赛道为中小型基金公司提供了重要的破局契机，可通过专业化、精细化的深耕策略在细分领域建立竞争优势 [6] 中金基金的量化投资策略 - 具有全方位、多维度的分域非线性基本面策略，通过分域方法开发更精细的非线性模型 [6] - 采用多频段、多模态的AI算法，整合不同时间尺度和多种模态的数据，开发AI深度学习模型 [6] - 打造多模型、多路径、多策略框架，有机融合不同基金经理、不同策略体系、不同研究路径的组合管理架构 [6] - 搭建了涵盖宽基ETF、指数增强和特色指数三条核心产品线的业务布局 [7] - 中金中证优选300指数基金实践"巴菲特式价值投资"，注重基本面与估值的匹配，为投资者创造了较为丰厚的回报 [7] 市场环境与投资机会 - A股市场整体向好的态势有望延续，国内经济增长内生动能有望在政策持续推动下进一步释放 [7] - 沪深300指数的市净率处于过去十年约30%分位，估值处于合理区间，A股资产具备一定的配置价值 [7] - 对于风险偏好较低的投资者，可侧重配置红利价值风格及大盘价值类产品 [7] - 对于风险偏好较高者，可重点考虑配置中小盘指数增强类产品，中小市值宽基选股空间更大 [7] - 机器人、国产算力、创新药、新消费等赛道轮番成为市场热点，指增产品能广泛挖掘市场机会 [6][7]

报告行业投资评级 未提及 报告的核心观点 报告围绕公私募量化基金展开，阐述量化策略特点、国内发展历程、行业现状、运作特征与绩效表现，对比公私募差异并给出产品选择建议，助投资者了解量化基金并筛选产品[1][5][6] 根据相关目录分别进行总结 量化策略基本特点 - 量化策略基于大量历史数据，运用数据挖掘等方法发现价格规律，多因子模型是常用选股模型，因子包括基本面、量价和另类因子，近年引入机器学习因子，决策模型综合构建投资组合[10] - 量化策略严格执行模型结果，系统化挖掘投资机会，策略纪律性强，风控体系内嵌，避免主观影响，与主观投资相比，更聚焦策略广度[11][12] 国内量化投资发展历程 公募基金量化投资发展历程 - 萌芽期（2004 - 2014 年）：从“主观 + 量化”探索到多因子模型初步应用，2002 年首只指数增强基金成立，2004 年首只主动量化选股公募基金成立，2006 - 2007 年牛市带动主动量化基金规模增长，此后多因子选股模型深化应用[12][15] - 加速成长期（2015 - 2021 年）：多因子模型普及，量化基金规模快速扩张，指数增强策略规模增长斜率高，对冲型策略 2020 年规模达高点后萎缩[16] - 稳步发展期（2022 年至今）：策略多元化，各产品线互补共进，规模增长放缓，部分管理人引入人工智能算法迭代策略，不同策略规模交替变化[19] 私募基金量化投资发展历程 - 2014 - 2015 年和 2016 - 2017 年初受益于 A 股行情增长，2019 年后在多因素作用下，2021 年新发产品数量和规模快速提升，年底备案规模达 1.08 万亿元，占比 17.1%[22][25] - 2021 - 2023 年稳步发展，2024 年面临微盘股、市场震荡、风格变化挑战，监管趋严，募资困难，2025 年备案回暖，量化私募受关注[25][26] 公私募量化基金行业发展现状 公募基金量化策略及格局分布 - 策略分类包括主动量化、指数增强、量化对冲三大权益策略，部分含权债基权益部分采用量化管理为量化固收 + 策略，但暂未纳入总体规模计算[31] - 截至 2025Q1，公募量化权益类基金数量 654 只，规模 3025.88 亿元，主动量化基金数量占比近半，规模占 28%，指数增强产品规模占比最高，对冲型基金规模最低，规模前十基金以指数增强为主，前十大管理人管理规模占比 49.6%，易方达、富国和华夏管理规模居前[32][35][37] 私募基金量化策略及管理人情况 - 量化私募参与细分策略包括量化多头、股票中性、转债策略、CTA 策略等，宏观策略部分采用主观和量化结合方法[38] - 截至 2025 年 6 月末，百亿私募量化投资基金管理人为 39 家，占比接近半数，部分成立时间早的以股票量化投资为主，博润银泰产品线多元[44] 公私募股票量化基金运作特征及绩效表现 运作特征 - 换手率高：量化基金换手率相对较高，能捕捉短期交易机会，公募量化基金年度双边换手率集中在 2 - 20 倍，高于主观股混基金，私募量化基金年双边换手 30 倍以上，高换手有佣金支出问题，技术迭代和模型更新更重要[47][48] - 持股数量多：量化基金持股数量多，分散化程度高，公募量化基金持股集中在 50 - 600 只，部分超 2000 只，高于主观基金，量化对冲型基金持股相对更多，私募量化基金持股数量往往高于公募[53][54] 绩效表现 - 指数增强产品：各年度业绩差异大，与市场情况相关，超额收益多为正值，超额获取能力中证 1000 指增 > 中证 500 指增 > 沪深 300 指增，2018 - 2023 年私募指增超额水平整体优于公募，但私募分化大[57][58] - 主动量化产品：公私募分年度收益表现差异大，2019 - 2020 年公募业绩优，2018 年、2021 - 2023 年私募业绩优，私募回撤控制整体优于公募，但业绩和回撤分化大[66] - 量化对冲产品：公募业绩波动大，2019 - 2020 年收益优，2021 年后下滑，私募收益显著跑赢公募，业绩分化大于公募，2019 - 2021 年私募回撤控制弱于公募，2022 和 2023 年相对更优[70] 公募量化与私募量化的投资运作差异 - 法规监管与合同：公募受《证券投资基金法》约束，公开募集，监管强度高，信息透明度高，合同标准化，风险等级低；私募受《私募投资基金监督管理条例》约束，非公开募集，合同定制化，风险等级高[6][79] - 管理人行为：公募依托建制化团队和标准化 IT 设施，侧重风控合规，策略统一；私募采用精英化架构，硬件投入和激励强度高，产品策略可能分化[6][81] - 投资策略与限制：公募投资范围和跟踪误差约束严格，追求稳健，换手率低；私募机制灵活，对冲工具丰富，敞口容忍度高，超额收益弹性大，近年公募引入高频量价因子，私募引入基本面因子[6][84] - 费率条款：私募费率条款复杂，采用“管理费 + 业绩报酬”，业绩报酬计提方式多元，公募条款相对简化，仅收管理费和托管费，建议关注费后收益[6][87] 量化产品如何选择 量化策略的影响机制：环境约束与收益解构 - 收益归因视角：量化策略绩效由 Alpha - Beta - 成本三角模型驱动，Beta 管理关注风格暴露度和行业偏离度，Alpha 生成靠因子挖掘，空头成本影响量化对冲产品收益，股指期货贴水率高会侵蚀收益[91][94] - 市场环境影响视角：市场走势影响量化策略系统性收益和风险敞口，市场流动性影响交易摩擦成本和定价偏差，市场分化度是 Alpha 源泉和风险温床，头部机构会动态调节策略[95][96][100] 策略定位的动态适配：风险预算与场景映射 - 投资者应结合风险偏好、投资期限、资金性质选择量化策略，锚定型产品适合跟踪指数或作底仓，进取型产品适合高风险偏好者，避险型产品适合低风险偏好者[101][102][104] 定量筛选：核心业绩指标验证 - 筛选量化产品应注意绩效与风控平衡、关注长期可持续性、注重策略适配性，可参考绝对收益/超额收益、信息比率、Calmar 比率等指标[105][107] 定性深度评判：护城河构建要素 - 选择量化产品需定性评估，考察投研团队背景、策略逻辑可解释性、策略迭代能力、策略拥挤度、软硬件投入和策略容量等因素，避免选择存在问题的产品[108][110][111]

私募证券策略上半年业绩表现 - 证券私募五大策略上半年整体收益率为8.32%，超八成产品实现正收益 [1][3] - 股票策略以10%的平均收益率领跑，多资产策略以7.28%紧随其后 [1][3] - 组合基金、债券策略、期货及衍生品策略平均收益率分别为6.05%、3.83%、3.82% [3] 量化策略表现突出 - 量化多头策略平均收益率达15.42%，大幅跑赢主观多头策略的9.23% [1][9] - 中证1000指增平均超额收益约14%，中证500指增平均超额收益约11% [4] - 市场中性策略收益率为5%，高收益中性策略可达6%~7% [4][5] - 与小市值股票相关的量化策略表现优异，部分高收益产品达25%~30% [5] 主观多头策略表现 - 4408只主观多头产品平均收益率为9.23%，正收益产品不足八成 [9] - 科技成长和港股是主要盈利来源，大盘价值风格表现平淡 [9] - 结构性行情下主观策略业绩分化显著，短期业绩持续性较差 [10] 市场环境分析 - 上半年市场日均成交量处于1.2万亿~2万亿元水平 [9] - 万得小市值指数涨超24%，中证2000指数上涨15.24% [9] - 中证1000等小盘指数跑赢大盘指数5~10个百分点 [9] - 题材轮动加快、流动性充裕、中小盘股向好为量化策略创造有利环境 [10] 下半年展望 - 当前是较好的股票做多窗口 [7] - 看好军工、人工智能硬件及应用、部分消费电子等基本面改善行业 [7] - 港股大量优质低估值成长股值得重视 [7]

活动概述 - "2025苏黎世-深圳数量金融风险夏令营"由南方科技大学风险分析预测与管控研究院、苏黎世大学-苏黎世联邦理工学院量化金融硕士项目、深圳市比梵文化科技有限公司、新瑞商学院联合主办 [1] - 活动为期两周 在苏黎世与深圳两地举行 涵盖中国和国际数量金融行业趋势、金融市场风险、机器学习在数量金融的应用等内容 [11] - 吸引了来自国内外各高校和金融机构的20余位优秀学子和专业人士参与 [12] 行业趋势与观点 - 金融在全球经济体系中具有举足轻重的地位和作用 风险管理与对冲是核心环节 [4] - 量化投资能够更高效地挖掘投资机会 有效规避风险 提高资产的长期收益率 [9] - 数量金融运用数学、统计学、计算机科学等多学科交叉手段 对金融市场的波动性、系统性风险以及个体金融资产的风险进行精准测度和预测 [12] 企业动态 - 深圳康节问对科技采用"1+1+N"（数据+智能体+实际行业应用）的业务逻辑 强调数据在行业发展中的重要性 [5] - 顺络电子在发展初期抓住手机行业供应链发展红利 目前正在量化、人工智能及低空经济领域进行转型探索 [6] - 瑞桐（杭州）私募基金管理有限公司分享了国内外量化投资发展现状和前沿 指出传统人工投资方式面临挑战 [9] 活动特色 - 讲师团队包括南方科技大学、苏黎世联邦理工学院、苏黎世大学等一流学府的资深院士教授 以及Citadel、广金美好、瑞银投资等国内外知名金融机构的资深专家 [11] - 今年夏令营以"关注数据 把握机会"为主题 更侧重于量化投资及金融行业的实操内容 [11] - 特邀讲师邵浩博士分享了多年金融领域实战经验和心得 为年轻学子指明未来发展方向 [9]

量化市场跟踪 - 本周全市场股票池中Beta因子和估值因子分别获取正收益0.48%和0.26%，市值因子和盈利因子分别获取负收益-0.24%和-0.42%，市场表现为小市值风格 [2] - 动量因子获取负收益-0.44%，市场表现为反转风格 [2] 单因子表现 - 沪深300股票池中表现较好的因子包括单季度净利润同比增长率(1.83%)、单季度营业利润同比增长率(1.75%)、净利润率TTM(1.52%)，表现较差的因子包括早盘后收益因子(-1.76%)、动量弹簧因子(-1.73%)、成交量的5日指数移动平均(-1.49%) [3] - 中证500股票池中表现较好的因子包括市净率因子(2.57%)、下行波动率占比(2.07%)、市销率TTM倒数(1.33%)，表现较差的因子包括动量弹簧因子(-1.23%)、单季度总资产毛利率(-1.22%)、总资产毛利率TTM(-1.16%) [3] - 流动性1500股票池中表现较好的因子包括下行波动率占比(0.74%)、净利润断层(0.49%)、单季度ROE同比(0.46%)，表现较差的因子包括ROA稳定性(-1.43%)、早盘后收益因子(-1.38%)、动量调整大单(-1.35%) [3] 因子行业内表现 - 基本面因子在交通运输行业正收益较为一致，包括净资产增长率因子、净利润增长率因子、每股净资产因子和每股经营利润TTM因子 [4] - 估值类因子中BP因子在房地产行业正收益明显 [4] - 残差波动率因子和流动性因子在有色金属行业正收益明显 [4] - 市值风格上本周多数行业表现为小市值风格 [4] PB-ROE-50组合跟踪 - 本周PB-ROE-50组合在全市场股票池中获取正超额收益0.92%，在中证500股票池中获得超额收益-0.56%，在中证800股票池中获得超额收益-0.38% [5] 机构调研组合跟踪 - 本周公募调研选股策略相对中证800获得超额收益0.80%，私募调研跟踪策略相对中证800获得超额收益1.21% [6] 大宗交易组合跟踪 - 本周大宗交易组合相对中证全指获得超额收益1.22% [7] 定向增发组合跟踪 - 本周定向增发组合相对中证全指获得超额收益0.05% [8]

量化投资AI技术进展 - AI在量化投资中的应用已实现全流程自动化，包括研报筛选、数据提取、代码编写、策略回测和迭代优化，以"中证1000指数增强"为例展示从人工workflow到AI自主规划的转变[3] - AI任务处理能力升级至并行模式，可同时执行组合优化和因子挖掘，形成下一代投研Agent雏形[3] - AI代码生成比例快速提升：2024年实际达成30%代码AI生成（原定目标），2025年目标提升至90%，部分模块已达99%自动化[4] AI投研系统技术架构 - 模型层采用商业大模型（如o3-claude-4）与本地调优模型（DeepSeek-V3/R1、千问）混合部署模式[3] - Agent形态从2023年的IDE插件（GitHub Copilot/Cursor）演进为2024年端到端无代码解决方案[3] - 平台层通过QO-one集成大模型、数据、算力和工具链，实现新手10分钟完成策略开发的效率突破[3] 行业落地时间线 - 2023年完成首批GPT与量化平台的对接[4] - 2024年AI代码生成比例突破原定30%目标[4] - 2025年AI输出占比向90%迈进，部分模块接近全自动化[4]