公司战略与展望 - 因诺（上海）资产管理有限公司在2026年将继续坚持长期稳健的投资底色 [1][2] - 公司将依托其十年的人工智能技术积淀，推动大模型更深度地服务于其投资研究体系 [1][2] - 公司计划将前沿的人工智能能力沉淀为更扎实的研究与实盘能力，并持续打造多策略投资体系 [1][2] - 公司的目标是力争为投资者带来更稳健、更可持续的长期投资体验与回报 [1][2] 行业动态与活动 - 新浪财经在2026年新春之际，特邀了公募和私募领域的数十位领军人物，通过镜头与文字为投资者送来新春祝福 [1][2] - 该专题活动旨在传递行业领军人物对投资者的信心与寄语，主题为“骏马踏春来 驭势稳行启新程” [1][2]

2025年主动量化组合表现回顾 - 成长期优选组合表现最优，2025年扣费后累计收益达84.1%，相较于中证800指数和885001指数的累计超额收益分别为63.2%和50.9% [1] - 小盘风格组合表现次优，显著跑赢中证2000指数 [1] - 高股息风格的红利优选组合表现相对较弱，2025年累计收益为15.0%，表现弱于中证800指数但优于中证红利指数 [1] 2025年指数增强策略表现分析 - 基于线性多因子模型构建的月度换仓指数增强组合中，ICIR加权方式的表现明显优于IC均值加权方式 [2] - 在IC均值加权方式下，沪深300、中证500、中证1000、中证A500指数增强策略相对于基准指数的超额收益率分别为6.8%、3.1%、5.1%、4.8% [2] - 在ICIR加权方式下，沪深300、中证500、中证1000、中证A500指数增强策略相对于基准指数的超额收益率分别为10.7%、9.5%、10.2%、13.2% [2] 多策略体系下的指数增强策略构建 - 为改善指数增强组合业绩表现，构建了多策略体系下的沪深300指数增强策略，该复合策略由三部分组成 [2] - 基础指数增强策略权重占比60%，域内卫星策略（基于动量、基本面因子选股）权重占比30%，域外卫星策略（小市值高增长组合）权重占比10% [2] - 相比于单一的基础指数增强策略，该复合策略具有年化3.6%的收益提升，且分年度稳定性较高 [2]

量化模型与构建方式 1. 主动量化组合模型 1.1 红利优选组合 * **模型名称**：红利优选组合[28] * **模型构建思路**：选择股息率较高、基本面较优的股票构建组合，对标中证红利指数[30][39] * **模型具体构建过程**： 1. **流动性约束**：剔除市值、日均成交额最小的20%个股[30] 2. **分红基础池**：筛选过去1年红利支付率在0-1之间的股票[30] 3. **因子综合打分**：对股息率、PB_INT、SUE、ROE、盈利质量、分析师目标收益、低换手率共7个因子进行等权打分[33] 4. **组合构建与风控**：选择得分最高的50只股票构建股息率加权组合，并控制相对中证红利指数的行业偏离不超过3%[33] 1.2 PB盈利组合 * **模型名称**：PB盈利组合[28] * **模型构建思路**：选择估值较低、盈利能力较优的股票构建组合[33] * **模型具体构建过程**： 1. **基础池**：选取盈利因子（ROE+SUE）得分最高的1/5股票与PB最低的1/5股票的交集[33] 2. **市场关注度优选**：基于过去1个月日均换手率将全A个股等分为5组，剔除基础池中属于换手率最高组（D5）的股票[33] 3. **位序估值优选**：剔除长期（3年）位序估值低于10%、短期（半年）位序估值高于90%的个股[33] 1.3 GARP组合 * **模型名称**：GARP组合[28] * **模型构建思路**：选择估值较低、增长较快的股票构建组合[33] * **模型具体构建过程**： 1. **基础池**：选取增长因子（SUE、预期净利润调整、一致预期2年复合增速）得分最高的1/5股票与估值因子（BP、EP、3年股息率、1年股息率）最低的1/5股票的交集[33] 2. **市场关注度优选**：基于过去1个月日均换手率将全A个股等分为5组，剔除基础池中属于换手率最高组（D5）的股票[33] 3. **位序估值优选**：剔除长期（3年）位序估值低于10%、短期（半年）位序估值高于90%的个股[33] 1.4 成熟期优选组合 * **模型名称**：成熟期优选组合[28] * **模型构建思路**：选择成熟期公司中，稳健增长、盈利能力较优的股票构建组合[33] * **模型具体构建过程**： 1. **选股池**：构建成熟期个股池，条件为经营净现金流为正、投资净现金流为负、筹资净现金流为负[33] 2. **高估剔除**：剔除成熟企业基础池中PB最高的10%个股[33] 3. **增长因子初筛**：将加速增长、SUE两个因子等权打分，选择增长最快的100只股票构建初筛股票池[33] 4. **盈利能力优选**：在初筛股票池中，选择盈利因子最高的50只股票构建市值加权组合[33] 1.5 成长期优选组合 * **模型名称**：成长期优选组合[28] * **模型构建思路**：选择成长期公司中，预期较优、增长较快、趋势性较好的股票构建组合[33] * **模型具体构建过程**： 1. **选股池**：构建成长期个股池，条件为经营净现金流为正、投资净现金流为负、筹资净现金流为正[33] 2. **成长因子初筛**：将一致预期净利润调整、SUE、加速增长3个因子等权打分，选择成长性最高的100只股票构建初筛股票池[33] 3. **盈利能力优选**：在初筛的100只股票池中，将ROE同比、ROE、研发投入、动量因子等权打分，选择得分最高的50只股票构建市值加权组合[33] 1.6 小市值高增长组合 * **模型名称**：小市值高增长组合[28] * **模型构建思路**：选择增长较快的小市值个股构建组合[33] * **模型具体构建过程**：根据小市值、高增长因子构建多因子模型，选择复合得分最高的50只股票构建等权组合[33]。具体因子包括：小市值、盈利加速、SUE、预期净利润调整、累计研发投入、PB_INT、尾盘成交占比、开盘后大单净买入金额占比[33] 1.7 小盘价值组合 * **模型名称**：小盘价值组合[28] * **模型构建思路**：剔除高估值个股后，选择健康小市值公司构建组合[33] * **模型具体构建过程**： 1. **剔除高估值**：在全A股中剔除PB最高的20%的股票[33] 2. **多因子优选**：在剩余股票中，选择多因子得分最高的50只股票构建等权组合[33]。因子包括：市值、价值、增长、加速增长、累计研发投入占比、预期净利润调整、反转、尾盘成交占比、开盘大单净买入金额占比；为体现小盘特征，提升小市值因子权重至20%，其余因子权重均为10%[33] 2. 指数增强组合模型 2.1 线性多因子指数增强模型 * **模型名称**：线性多因子指数增强模型[41] * **模型构建思路**：根据风格、量价、基本面等因子构建线性多因子收益模型，在控制风格、个股、行业偏离等约束下，构建月度换仓的指数增强组合[41] * **模型具体构建过程**： 1. **因子池**：针对不同宽基指数（沪深300、中证500、中证1000、中证A500）使用略有差异的因子列表，主要包括市值、中盘、反转、波动率、换手率/成交额、估值类（PB/预期EP/股息率）、基本面类（ROE、SUE、研发占比、预期净利润调整、分析师覆盖度）、高频量价类（尾盘成交占比、开盘后买入意愿强度、改进反转/开盘后大单净买入金额占比）等[41] 2. **风险模型与约束**：主要控制市值、估值、个股、行业等维度的偏离，具体约束值因基准指数而异[42] 3. **因子加权方式**：测试了两种因子权重确定方式： * **IC均值加权**：根据因子历史IC均值确定权重[42] * **ICIR加权**：根据因子历史信息比率（ICIR）确定权重，公式为：$$权重_i = \frac{ICIR_i}{\sum_j ICIR_j}$$， 其中ICIR为因子IC均值除以其标准差[42][43] 4. **组合优化**：在给定因子暴露目标和风控约束下，通过优化求解得到最终持仓权重[41][42] 2.2 多策略复合指数增强模型 * **模型名称**：多策略复合沪深300指数增强模型[3][53] * **模型构建思路**：在基础指数增强策略上，加入域内和域外卫星策略，通过多策略形式改善组合业绩表现[3][53] * **模型具体构建过程**： 1. **基础指数增强策略**：权重占比60%，即上述线性多因子指数增强模型[3][53] 2. **域内卫星策略**：权重占比30%，主要基于动量、基本面因子在成分股内选股[3][53] 3. **域外卫星策略**：权重占比10%，即“小市值高增长组合”[3][53] 4. **复合方式**：将三个子策略按固定权重合并，形成最终的复合沪深300指数增强策略[3][53] 量化因子与构建方式 报告在构建各类模型时提及了丰富的量化因子，根据其属性分类如下： 1. 估值类因子 * **因子名称**：PB（市净率）[41]、PB_INT（行业调整市净率）[33]、EP（盈利收益率）[33]、预期EP[41]、BP（账面市值比）[33]、股息率[33][41]、3年股息率[33]、1年股息率[33]、位序估值（长期/短期）[33] 2. 盈利与增长类因子 * **因子名称**：ROE（净资产收益率）[33][41]、ROE同比[33]、SUE（标准化未预期盈余）[33][41]、盈利质量[33]、加速增长[33]、预期净利润调整[33][41]、一致预期2年复合增速[33]、盈利加速[33] 3. 市值与风格类因子 * **因子名称**：市值[33][41]、中盘[41]、小市值[33]、价值[33] 4. 动量与反转类因子 * **因子名称**：动量[33]、反转[33][41]、改进反转[41] 5. 交易行为与流动性类因子 * **因子名称**：换手率[33][41]、成交额[41]、尾盘成交占比[33][41]、开盘后买入意愿强度[41]、开盘后大单净买入金额占比[33][41]、开盘大单净买入金额占比[33]、低换手率[33] 6. 创新与分析师类因子 * **因子名称**：研发占比[33][41]、累计研发投入[33]、累计研发投入占比[33]、分析师覆盖度[41]、分析师目标收益[33] 模型的回测效果 1. 主动量化组合（2025年度） * **红利优选组合**：组合收益15.0%，相对中证800超额-5.9%，相对中证红利（全）指数超额11.3%[34] * **PB盈利组合**：组合收益21.3%，相对中证800超额0.4%[34] * **GARP组合**：组合收益36.2%，相对中证800超额15.3%[34] * **成熟期优选组合**：组合收益29.2%，相对中证800超额8.3%[34] * **成长期优选组合**：组合收益84.1%，相对中证800超额63.2%，相对885001指数超额50.9%[5][34] * **小市值高增长组合**：组合收益69.1%，相对中证800超额48.2%，相对中证2000指数超额32.7%[34] * **小盘价值组合**：组合收益59.8%，相对中证800超额38.9%，相对中证2000指数超额23.3%[34] 2. 指数增强组合（2025年度） 2.1 IC均值加权方式 * **沪深300指数增强**：超额收益6.8%，超额波动率5.5%，信息比1.12，相对回撤5.2%[45] * **中证500指数增强**：超额收益3.1%，超额波动率4.4%，信息比0.54，相对回撤3.6%[46] * **中证1000指数增强**：超额收益5.1%，超额波动率4.9%，信息比0.82，相对回撤3.8%[47] * **中证A500指数增强**：超额收益4.8%，超额波动率4.5%，信息比0.93，相对回撤5.6%[49] 2.2 ICIR加权方式 * **沪深300指数增强**：超额收益10.7%，超额波动率5.3%，信息比1.79，相对回撤3.5%[45] * **中证500指数增强**：超额收益9.5%，超额波动率4.4%，信息比1.66，相对回撤2.9%[46] * **中证1000指数增强**：超额收益10.2%，超额波动率4.9%，信息比1.65，相对回撤4.4%[47] * **中证A500指数增强**：超额收益13.2%，超额波动率4.1%，信息比2.60，相对回撤2.7%[49] 3. 多策略复合指数增强模型（沪深300，全区间2014-2025） * **复合策略**：年化超额收益12.2%，信息比1.93[55] * **基础增强策略**：年化超额收益较复合策略低3.6%[55] * **模型评价**：复合策略相比于基础策略具有稳定的收益提升，分年度稳定性较高[3][55]，但个别年份相对回撤可能增加[55]

报告核心观点 - 传统多因子模型存在内生局限，其分散化哲学与结构性行情中收益的极端右偏分布相矛盾，导致“收益稀释”，同时因子库严重依赖历史有效的低波动、高盈利风格，形成路径依赖，本质上成为Smart Beta增强组合，缺失对高弹性风格的捕捉能力 [2] - 报告提出了基于XGBoost非线性预测和高弹性Alpha挖掘的双轮驱动多策略解决方案，旨在弥补传统模型的风格盲区 [3] - 通过风险预算模型将传统线性增强、XGBoost策略及高弹性策略进行整合，实证表明该体系能系统性提升指数增强效果，在不同宽基指增中均获得显著的超额收益与信息比率提升 [4] 传统多因子模型的内核与挑战 - 传统多因子模型的核心目标是在横截面上对股票的未来相对表现进行排序预测，其方法论植根于历史统计规律，追求稳定的超额收益而非绝对涨跌或趋势行情 [12] - 模型秉承高度分散化和严格风险控制的原则，倾向于筛选在各项维度上均衡的“全面发展型”股票，并通过风险模型对行业、市值等常见风格暴露进行严格约束，以获取“纯粹”的Alpha [12] - 该模式与指数增强产品的目标契合，形成了“多因子选股 + 组合优化与风控”的经典配置，已成为国内量化策略最重要、规模增长最迅速的品类之一 [13] - 自2021年以来，公募指数增强型基金的Alpha呈现显著衰减，相对回撤幅度明显放大，对于对标沪深300和中证500的增强产品，连续获取年度正超额已较为困难 [16] - 公募超额分布呈现出左偏与肥尾特征，表明策略存在周期性的剧烈超额回撤期，模型有效性面临挑战 [17] - 在指增基金月度超额收益最差的70%困难月份中，模型依赖的低波动、高盈利风格因子普遍失效，而高波动、高换手风格表现强势，这对应由远期乐观预期驱动的成长主导行情或由情绪与资金驱动的主题动量行情 [21] - 市场风格的突然反转会造成巨大冲击，例如2020年11月价值因子BP的Rank IC突然上升至24.98%，与前期强势的成长超预期风格形成剧烈冲突，直接导致策略显著回撤 [21] 传统多因子模型的局限性 - 局限一：分散化哲学与收益分布非正态性的根本矛盾。在结构性行情中，个股超额收益分布呈现显著右偏，大部分收益高度集中于少数标的，传统量化模型因持仓分散且权重均匀，无法充分享受强势股上涨收益，反而被大量平庸持仓拖累，形成“收益稀释风险” [26] - 统计显示，个股横截面超额标准差与指增当月总体超额收益呈一定负相关，在分化剧烈的“低胜率、高赔率”月份，量化模型因分散化约束难以捕捉高回报机会，更容易遭遇显著超额回撤 [27][28] - 以2025年8月沪深300行情为例，个股超额收益率分布呈现极强右偏性，寒武纪-U、中际旭创等少数科技成长股贡献绝大部分涨幅，量化模型因风险约束天然低配这类高波动股票，且随着其股价飙升和指数权重动态上升，低配幅度扩大，形成越涨越拖累超额的恶性循环 [29] - 局限二：因子库的“路径依赖”与高弹性风格缺失。传统模型的超额收益与低Beta、高盈利、低波动、低换手等风格因子的表现呈现显著稳定的正相关性，其超额收益并非完全“纯净” [32] - 因子库中存在大量与低波动、高盈利、低换手风格显著正相关的“深度”因子，但与高波动、低盈利、高换手风格高度正相关的因子数量极为稀少，这种结构性缺陷使得模型缺乏有效捕捉高弹性风格的工具 [34][37] - 构建的全市场复合因子TOP100多头组合与在低弹性股票池内使用相同因子选出的对照组合，其长期超额收益曲线高度重合，月度超额收益相关系数高达0.89，表明传统模型的超额收益绝大部分可归因于其在低弹性风格域内的选股效应 [40] - 模型持仓与当月涨幅排名前10%的强势股平均重合度仅为9.8%，极少能将最具弹性的领涨股纳入核心持仓，而与涨幅前50%股票的平均重合度为54.4%，远高于前者 [42] - 高弹性风格（低盈利、高波动、高流动性）在近16年相对全市场等权基准的超额收益为-10.2%，月胜率仅36.6%，但从2020年以来，其超额收益下行斜率已显著放缓，月度胜率劣势不再明显，且时常出现脉冲式高收益 [45] 从多因子到多策略，挖掘高弹性Alpha - 基准复合因子构建流程：基于229个因子，在中证全指成分股中，经预处理、筛选（保留高度相关因子群中Rank ICIR最高者）、对称正交处理后，以过去12个月Rank ICIR动态加权合成Alpha预测得分，每月选取得分最高的100只股票等权配置 [52] - 基于XGBoost树模型的Alpha预测：使用华安金工229个因子和Qlib Alpha158因子集共387个特征作为输入，预测未来一个月绝对收益率，自2020年1月1日至2025年11月28日，其全市场分十组多头年化超额达20.0%，信息比率3.78，显著优于同期传统线性复合因子（年化超额13.6%，信息比2.53） [56][58] - XGBoost多头组合今年以来（至2025年11月28日）累计超额达25.2%，相较于线性模型多头组合，年均能创造约6.4%的增量超额收益 [57][61] - XGBoost因子在价值、盈利和低波动风格上的暴露显著低于传统线性复合因子，而在小市值因子上的暴露有所提升，表明其通过非线性路径捕捉了不同的收益来源 [66] - 构建高弹性策略的核心思想是分域增强，针对传统模型系统性回避的低盈利、高波动板块进行重点研究，力求在不明显放大跟踪误差的基础上提升超额收益 [69] - 高弹性股票池定义：基于BarraCNE5风险因子，合成高弹性综合得分，每月末选取该得分最高的30%股票构成池子，该池具有明显的小市值倾向，并明显超配电子、计算机、医药等行业，大幅低配银行、非银等板块 [72][82][86] - 在高弹性股票池内，直接沿用全市场Alpha预测模型（线性或XGBoost）选股构建的“高弹性优选组合”，相对Wind全A等权基准年化超额收益均为14.7%，但与原始全市场选股策略收益相关性较低，初步具备分散化潜力 [71][77][78][79] - 传统价值和盈利因子在高弹性股票池内选股能力微弱甚至出现反向预测，而量价类因子和成长超预期类因子表现较为亮眼 [96] 高弹性策略的优化与应用 - 报告提出了两种优化高弹性策略的方法：基于分散化价值的配置和基于时序分域的加权配置 [3] - 基于分散化价值的高弹性策略，通过融合因子域内绩效与对传统多因子基准策略的分散化价值进行配置，该策略年化超额达14.1%，并与基准策略超额收益的相关性为-10%，在基准策略失效月份平均提供1.9%的正向对冲收益 [3] - 通过风险预算模型整合传统线性增强、XGBoost策略及高弹性策略，实证表明能系统性提升指数增强效果 [4] - 相较于单一中证全指增强策略，在不同的风险预算方案下，多策略中证全指组合的年化超额收益提升了2.1%至4.7%，在最稳健配置参数下，信息比率由原始的2.30提升至2.80，最大相对回撤由-8.4%收窄至-6.6% [4] - 该方案在有80%成分股约束的宽基指增中同样有效，其中，相对单一增强策略，沪深300增强的年化超额收益提升了3.8%，今年以来（至报告日期）相对沪深300指数的超额收益达9.2% [4]