两位创始人陈泽浩和邹倚天均为国内第一批华尔街归国量化投资经理，均拥有18年海内外量化投资实战经验。目前，黑翼资产已实现全流程AI量化投 资，并构建了多元化的策略矩阵，覆盖量化选股、指数增强、市场中性、多策略、量化CTA等产品线。黑翼资产的两位创始人既是基金经理，也是核心量 化策略的控制人，公司管理结构非常稳定。 黑翼资产；历史不代表未来，市场有风险，投资需谨慎 （来源：中信建投财富管理） 在A股市场风格频繁切换、波动常态化的背景下，兼具"市场贝塔收益+超额阿尔法收益"的指数增强策略，有望成为投资者穿越市场周期的重要配置工 具。其中，聚焦中小盘成长风格的中证1000指数增强策略，凭借高弹性、高成长等特点，吸引了众多投资者的目光。 在这片蓝海中，黑翼资产凭借多年海内外量化积淀，以AI赋能为核心，力争打造出具有市场竞争力的1000指增策略产品，为投资者提供配置该策略的有 力工具。 创始人及投研团队 黑翼资产成立于2014年，是国内首批成立的量化投资机构之一，始终贯彻科学理性、策略多元和长期稳健的投资理念。黑翼资产专注于数量模型研究，公 司注重回撤控制和长期业绩表现，以投资者利益为核心，力争在控制回撤的基础上获取可观 ...

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：标准化预期外市净率[35] **因子构建思路**：属于超预期因子大类，旨在捕捉公司基本面（此处为市净率）超出市场一致预期的程度，预期超预期程度高的股票未来表现更好[35]。 **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出超预期因子的详细介绍可参考系列报告《基于PEAD效应的超预期因子选股效果如何》[7]。通常，此类因子构建涉及计算财报实际公布值与分析师预测一致预期值的差异，并进行标准化处理。 2. **因子名称**：分析师预测净利润 FY1 的 120 日变动[35] **因子构建思路**：属于分析师因子大类，通过跟踪分析师对未来一期（FY1）净利润预测在近期（120日）内的调整方向与幅度，捕捉基本面预期的变化趋势[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为计算当前分析师对FY1净利润的一致预期值与120个交易日前的该值之间的相对变动率。 3. **因子名称**：过去 90 日报告上调比例[35] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师发布上调评级报告的比例，反映分析师群体对公司的乐观情绪变化[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，上调评级的研报数量除以研报总数（或上调与下调研报数量之和）。 4. **因子名称**：净经营资产收益率[36] **因子构建思路**：属于盈利因子大类，衡量公司利用净经营资产创造利润的效率，是盈利能力的重要指标[36]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$净经营资产收益率 = \frac{营业利润}{净经营资产}$$。其中，净经营资产 = 经营资产 - 经营负债。 5. **因子名称**：过去 90 日公告后报告上调比例[36] **因子构建思路**：属于分析师超预期因子大类，特指在公司发布公告（如财报）后，分析师据此调整评级中上调的比例，用于捕捉对公告信息的积极解读[36]。 **因子具体构建过程**：报告未提供具体公式。构建逻辑与“过去90日报告上调比例”类似，但样本限定在公告日后发布的研报。 6. **因子名称**：分析师预测净利润 FY3 的 120 日变动[36] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净利润长期预测的调整趋势，反映长期盈利预期的变化[36]。 **因子具体构建过程**：报告未提供具体公式。构建方式与“分析师预测净利润 FY1 的 120 日变动”类似，但预测期变为FY3。 7. **因子名称**：分析师预测营收增长率-FY3[37] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）营业收入增长率，作为公司长期成长性的代理指标[37]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3营收增长率数据。 8. **因子名称**：分析师预测营收 FY3 的 120 日变动[37] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）营业收入绝对预测值的近期调整趋势[37]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3营收一致预期值与120个交易日前的该值之间的相对变动率。 9. **因子名称**：90 日盈利上调占比[37] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师上调盈利预测（如EPS）的占比，反映盈利预期的改善程度[37]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，发生盈利预测上调的机构数（或次数）占比。 10. **因子名称**：分析师预测净利润增长率 FY3[38] **因子构建思路**：属于分析师因子大类，采用分析师预测的未来第三年（FY3）净利润增长率，衡量长期盈利成长性[38]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3净利润增长率数据。 11. **因子名称**：除去早盘 30 分钟后的涨跌幅[38] **因子构建思路**：属于高频分钟因子大类，通过剔除开盘时段可能存在的非理性波动或流动性冲击，捕捉更纯粹的股价变动信息[38]。 **因子具体构建过程**：报告未提供具体公式，但指出高频因子的详细介绍可参考系列报告《基于分钟数据的高频因子选股效果研究》[7]。通常构建为从开盘后30分钟开始计算至收盘的收益率。 12. **因子名称**：分析师预测 ROE-FY3 的 120 变动[39] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净资产收益率（ROE）预测值的近期调整趋势[39]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3 ROE一致预期值与120个交易日前的该值之间的变动（绝对变动或相对变动）。 13. **因子名称**：分析师预测 ROA-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）总资产收益率（ROA），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROA数据。 14. **因子名称**：分析师预测 ROE-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）净资产收益率（ROE），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROE数据。 15. **因子名称**：单季度归母 ROE[35] **因子构建思路**：属于盈利因子大类，使用最新单季度的归母净资产收益率，反映公司近期的盈利能力和资本运用效率[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度归母ROE = \frac{单季度归母净利润}{期初和期末平均归母净资产}$$ 16. **因子名称**：单季度营业收入同比增长率[35] **因子构建思路**：属于成长因子大类，衡量公司最近一个季度营业收入相对于去年同期的增长情况，反映短期成长性[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度营业收入同比增长率 = \frac{本期单季度营业收入}{去年同期单季度营业收入} - 1$$ 17. **因子名称**：单季度归母 ROA 变动[35] **因子构建思路**：属于盈利因子大类，衡量单季度归母总资产收益率（ROA）相对于上一季度的变化，捕捉盈利能力的边际改善或恶化[35]。 **因子具体构建过程**：报告未提供具体公式。通常为当期单季度归母ROA与上一季度单季度归母ROA的差值。 18. **因子中性化处理** **构建思路**：为了排除市值和行业对因子选股效果的影响，使因子更纯粹地反映其背后的投资逻辑[34]。 **具体构建过程**： 1. 对初步计算得到的因子原始值进行预处理：采用绝对中位数法去极值，并进行Z-Score标准化[34]。 2. 横截面回归：在每个截面上，以标准化后的因子值作为因变量（y），以对数市值和申万一级行业虚拟变量作为自变量（X）进行回归[34]。 3. 取残差：将上述回归得到的残差作为每个股票的最终因子值。该残差即为经过市值和行业中性化处理后的因子暴露[34]。 19. **大类因子** **构建思路**：将逻辑相似的多个单因子聚合，形成更具代表性和稳定性的因子类别，以考察各类投资逻辑的整体表现[44]。 **具体构建过程**：报告提及的因子库包括估值、盈利、成长、公司治理、价量、超预期、分析师等多种投资逻辑的大类因子[34]。每个大类因子内部，对其包含的所有单因子采用等权加权的方式合成[44]。 因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，在各股票池中表现较好或较差的单因子及其超额收益。数据来源于报告中的单因子表现总结及详细表格[35][36][37][38][39][41][42]。* | 股票池 | 因子名称 | 超额收益 | | :--- | :--- | :--- | | **沪深300** | 单季度归母 ROE | 25.63% | | **沪深300** | 单季度营业收入同比增长率 | 25.10% | | **沪深300** | 单季度归母 ROA 变动 | 22.51% | | **中证500** | 分析师预测净利润增长率 FY3 | 15.13% | | **中证500** | 分析师预测营收 FY3 的 120 日变动 | 14.74% | | **中证500** | 分析师预测营收增长率-FY3 | 14.74% | | **中证1000** | 分析师预测 ROE-FY3 的 120 变动 | 21.77% | | **中证1000** | 标准化预期外单季度归母 ROE-带漂移项 | 20.54% | | **中证1000** | 标准化预期外单季度归母净利润-带漂移项 | 20.32% | | **中证2000** | 标准化预期外单季度扣非净利润-带漂移项 | 25.17% | | **中证2000** | 过去 90 日报告上调比例 | 24.28% | | **中证2000** | 5 分钟成交量偏度 | 23.98% | | **中证全指** | 分析师预测 ROE-FY3 的 120 变动 | 27.33% | | **中证全指** | 单季度营业收入同比增长率 | 21.77% | | **中证全指** | 分析师预测 ROA-FY3 的 120 变动 | 21.27% | 大类因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，各大类因子的超额收益与多空收益。数据来源于报告中的大类因子表现总结及详细表格[45][46][47]。* | 股票池 | 因子类别 | 超额收益 | 多空收益 | | :--- | :--- | :--- | :--- | | **沪深300** | 盈利 | 31.35% | 41.69% | | **沪深300** | 分析师超预期 | 27.31% | 35.22% | | **沪深300** | 成长 | 26.87% | 42.74% | | **沪深300** | 分析师 | 18.50% | 25.53% | | **沪深300** | 超预期 | 8.35% | 28.04% | | **中证500** | 成长 | 16.53% | 未提供 | | **中证500** | 分析师 | 9.54% | 未提供 | | **中证500** | 超预期 | 7.35% | 未提供 |

核心观点 - 报告基于深度学习框架构建了AI体系下的低频指数增强策略，通过组合优化将深度学习alpha信号与风险信号结合，构建了针对沪深300、中证500、中证A500及中证1000的指数增强组合 [3][14] 本周市场指数表现 - 截至2025年12月5日当周，主要市场指数普遍上涨：上证指数上涨0.37%，深证成指上涨1.26%，沪深300指数上涨1.28%，创业板指上涨1.86%，北证50上涨1.49% [7][8] - 同期，科创50指数微跌0.08%，万得微盘股指数下跌1.23% [8] - 从行业表现看，有色金属、通信、国防军工行业表现较好，周收益率分别为5.35%、3.69%、2.82%；传媒、房地产、美容护理行业表现较差，周收益率分别为-3.86%、-2.15%、-2.00% [8] 指数增强基金绩效 - 截至2025年12月5日当周，不同指数增强基金的超额收益表现如下：沪深300指数增强基金超额收益中位数为0.11%，中证500指数增强基金超额收益中位数为0.34%，中证1000指数增强基金超额收益中位数为0.54% [4][10] - 今年以来（截至2025年12月5日），不同指数增强基金的超额收益表现如下：沪深300指数增强基金超额收益中位数为2.30%，中证500指数增强基金超额收益中位数为3.15%，中证1000指数增强基金超额收益中位数为8.71% [11] 跟踪组合表现 - 报告构建的AI低频指数增强策略组合为周度调仓，约束周单边换手率为10% [14] - 在alpha信号构建上，利用多源特征集合，通过堆叠多模型策略和异构网络的特征互补与集成算法优化得到 [14] - 在风险信号构建上，利用神经网络寻找长期IC均值为0且呈现高R方的风险信号 [14] 沪深300指数增强组合 - 截至2025年12月5日，今年以来沪深300指数上涨16.5%，该指数增强组合上涨26.2%，实现超额收益9.7% [4][18] - 当周（截至2025年12月5日），沪深300指数上涨1.3%，该指数增强组合上涨1.3%，实现超额收益0.1% [4][18] - 自2019年以来全样本期间，该组合年化收益为19.6%，基准指数年化收益为6.1%，累计超额收益为13.5%，月度胜率为78.3% [19] 中证500指数增强组合 - 截至2025年12月5日，今年以来中证500指数上涨24.0%，该指数增强组合上涨30.3%，实现超额收益6.4% [4][23] - 当周（截至2025年12月5日），中证500指数上涨0.9%，该指数增强组合上涨1.1%，实现超额收益0.2% [4][23] - 自2019年以来全样本期间，该组合年化收益为24.3%，基准指数年化收益为7.8%，累计超额收益为16.4%，月度胜率为79.5% [24] 中证A500指数增强组合 - 截至2025年12月5日，今年以来中证A500指数上涨19.6%，该指数增强组合上涨28.4%，实现超额收益8.7% [4][29] - 当周（截至2025年12月5日），中证A500指数上涨1.3%，该指数增强组合上涨1.5%，实现超额收益0.1% [4][29] - 自2020年以来全样本期间，该组合年化收益为19.1%，基准指数年化收益为3.8%，累计超额收益为15.3%，月度胜率为80.0% [32] 中证1000指数增强组合 - 截至2025年12月5日，今年以来中证1000指数上涨23.2%，该指数增强组合上涨38.0%，实现超额收益14.8% [4][35] - 当周（截至2025年12月5日），中证1000指数上涨0.1%，该指数增强组合上涨1.0%，实现超额收益0.9% [4][35] - 自2019年以来全样本期间，该组合年化收益为31.0%，基准指数年化收益为7.3%，累计超额收益为23.6%，月度胜率为86.7% [36]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国证2000指数增强策略模型** * **模型构建思路**：针对国证2000指数成分股（小微盘股），筛选出在该类股票上表现更优的选股因子，构建合成因子，并以此为基础构建指数增强策略[32]。 * **模型具体构建过程**： 1. **因子筛选与合成**：测试并筛选在国证2000成分股上表现突出的技术、反转、特异波动率等因子，合成各大类因子[33]。 2. **因子独立性处理**：由于技术、反转和特异波动率因子相关性较高，将波动率因子对技术和反转因子做回归求残差，得到相对独立的波动率因子[34]。 3. **最终因子构建**：将各大类因子再次等权合成，并进行行业市值中性化，得到最终的“国证2000增强因子”[34]。 4. **策略组合构建**：每月月底，取增强因子值排名前10%的股票，以等权方式构建多头组合进行调仓[37]。 2. **模型名称：基于TimeMixer改进的TSGRU+LGBM机器学习选股模型** * **模型构建思路**：针对原有GBDT+NN融合因子近期失效的问题，引入TimeMixer时序预测框架的多尺度混合与季节/趋势分解机制改进GRU模型，再通过LightGBM集成TSGRU的隐向量与传统量化因子，以更好地捕捉近期市场信息[3][43]。 * **模型具体构建过程**： 1. **模型改进**：基于TimeMixer框架，将其多尺度混合与季节/趋势分解机制引入GRU模型，形成TSGRU模型[3][43]。 2. **特征集成**：使用LightGBM模型，将TSGRU模型输出的隐向量（捕捉时序特征）与传统量化因子进行集成，生成最终的机器学习选股因子[3][43]。 3. **模型名称：基于TSGRU+LGBM因子的指数增强策略模型** * **模型构建思路**：将上述TSGRU+LGBM机器学习选股因子应用于指数增强策略，通过对投资组合的跟踪误差和个股权重偏离进行控制，来最大化因子暴露[4][48]。 * **模型具体构建过程**： 1. **因子输入**：使用TSGRU+LGBM模型生成的选股因子[4]。 2. **组合优化**：在构建策略时，对投资组合的跟踪误差进行控制，同时对个股权重偏离进行控制，以最大化因子暴露[4][48]。 3. **回测设定**：回测区间自2018年2月1日开始，手续费率假设为单边千分之二，每月月初调仓[4][48]。 4. **模型名称：基于红利风格择时+红利股优选的固收+策略模型** * **模型构建思路**：结合宏观指标构建的动态事件因子进行红利指数择时，同时利用AI模型在红利指数成分股内进行优选，构建一个结合了择时和选股的固收+策略[5][56]。 * **模型具体构建过程**： 1. **择时策略构建**：使用经济增长和货币流动性共10个指标，通过动态事件因子体系构建红利指数择时策略[5][56]。 2. **选股策略构建**：利用AI模型（报告中提及GBDT+NN模型）在中证红利指数成分股内进行测试和选股[5][56]。 3. **策略组合**：将择时信号与选股结果相结合，构建固收+策略组合[5]。 模型的回测效果 1. **国证2000指数增强策略模型** * 年化收益率：23.79%[41] * 年化波动率：23.93%[41] * 夏普比率：0.99[41] * 最大回撤：42.49%[41] * 年化超额收益率：13.39%[41] * 跟踪误差：7.69%[41] * 信息比率(IR)：1.74[41] * 超额最大回撤：10.19%[41] * 11月收益率：0.21%[41] * 11月超额收益率：1.84%[2][41] 2. **基于TSGRU+LGBM因子的沪深300指数增强策略模型** * 年化收益率：7.46%[49] * 年化波动率：17.42%[49] * Sharpe比率：0.43[49] * 最大回撤率：28.55%[49] * 年化超额收益率：6.12%[49] * 跟踪误差：4.66%[49] * 信息比率(IR)：1.31[49] * 超额最大回撤：6.64%[49] * 11月收益率：1.07%[49] * 11月超额收益率：3.49%[4][49] 3. **基于TSGRU+LGBM因子的中证500指数增强策略模型** * 年化收益率：12.68%[53] * 年化波动率：20.41%[53] * Sharpe比率：0.62[53] * 最大回撤率：31.34%[53] * 年化超额收益率：9.87%[53] * 跟踪误差：4.92%[53] * 信息比率(IR)：2.01[53] * 超额最大回撤：6.67%[53] * 11月收益率：-3.46%[53] * 11月超额收益率：1.60%[4][53] 4. **基于TSGRU+LGBM因子的中证1000指数增强策略模型** * 年化收益率：15.64%[55] * 年化波动率：22.82%[55] * Sharpe比率：0.69[55] * 最大回撤率：31.75%[55] * 年化超额收益率：13.35%[55] * 跟踪误差：5.37%[55] * 信息比率(IR)：2.48[55] * 超额最大回撤：6.17%[55] * 11月收益率：-2.22%[55] * 11月超额收益率：0.99%[4][55] 5. **基于红利风格择时+红利股优选的固收+策略模型** * 年化收益率：7.33%[57] * 年化波动率：3.37%[57] * 夏普比率：2.17[57] * 最大回撤：4.93%[57] * 最近1个月收益率：-0.03%[5][57] 量化因子与构建方式 1. **因子名称：国证2000增强因子** * **因子构建思路**：综合在国证2000成分股上表现优异的多类因子，通过合成与中性化处理，构建一个具有良好预测能力的复合因子[33][34]。 * **因子具体构建过程**： 1. 测试并合成技术、反转、特异波动率等大类因子[33]。 2. 为降低相关性，将波动率因子对技术和反转因子做回归，取残差作为新的相对独立的波动率因子[34]。公式表示为： $$ResidualVolFactor = VolFactor - \beta_1 \cdot TechFactor - \beta_2 \cdot ReversalFactor$$ 其中，$VolFactor$为原始波动率因子，$TechFactor$和$ReversalFactor$分别为技术因子和反转因子，$\beta_1$和$\beta_2$为回归系数。 3. 将成长、残差波动率、动量、技术、价值等各大类因子进行等权合成[35]。 4. 对合成后的因子进行行业和市值中性化处理，得到最终的增强因子[34]。 2. **因子名称：TSGRU+LGBM机器学习选股因子** * **因子构建思路**：融合改进的时序模型（TSGRU）提取的隐向量特征与传统量化因子，通过LightGBM集成学习生成选股信号[3][43]。 * **因子具体构建过程**： 1. 使用改进的TSGRU模型处理时序数据，输出表征股票近期市场信息的隐向量[3][43]。 2. 将这些隐向量与传统的基本面、技术面等量化因子共同作为特征[43]。 3. 使用LightGBM模型对上述特征进行训练和预测，输出最终的因子值（选股得分）[3][43]。 3. **因子名称：动态宏观事件因子（用于红利择时）** * **因子构建思路**：基于经济增长和货币流动性等多维度宏观指标，构建一个能够发出择时信号的动态事件因子体系[5][56]。 * **因子具体构建过程**： 1. 选取消费者信心指数、发电量、国债利差、PMI新出口订单、PPI、PPI-CPI剪刀差、Shibor、R007等共10个经济增长和货币流动性指标[5][56]。 2. 通过动态事件因子体系处理这些指标，为每个指标生成0或1的信号（例如，0代表看空/空仓，1代表看多/持仓）[61]。 3. 综合所有指标的信号，生成最终的择时信号（0%或100%仓位）[60][61]。 4. **因子名称：GBDT+NN融合选股因子（用于红利股优选）** * **因子构建思路**：结合梯度提升树（GBDT）和神经网络（NN）两类结构差异的模型，使用不同的特征和预测标签进行训练并融合，以增强选股因子的稳定性和预测能力[3][43]。 * **因子具体构建过程**： 1. 分别使用GBDT和NN模型进行训练，选取不同的特征数据集和多种预测标签进行对比[3][43]。 2. 将两类模型的预测结果进行融合，构建出最终的GBDT+NN机器学习选股因子[3][43]。 因子的回测效果 1. **国证2000增强因子** * IC均值：12.63%[34][35] * IC T统计量：12.79[34][35] * 最新月IC值：12.54%[2][35] 2. **TSGRU+LGBM机器学习选股因子（在沪深300成分股中）** * 样本外IC均值：8.69%[44][45] * 样本外多头年化超额收益率：7.24%[44][45] * 本月IC值：37.05%[44][45] * 本月多头超额收益率：3.51%[44][45] 3. **TSGRU+LGBM机器学习选股因子（在中证500成分股中）** * 样本外IC均值：9.12%[49] * 样本外多头年化超额收益率：6.57%[49] * 本月IC值：17.40%[49] * 本月多头超额收益率：0.74%[49] 4. **TSGRU+LGBM机器学习选股因子（在中证1000成分股中）** * 样本外IC均值：11.90%[53] * 样本外多头年化超额收益率：13.46%[53] * 本月IC值：11.52%[53] * 本月多头超额收益率：0.12%[53] 5. **红利股优选因子（GBDT+NN选股策略）** * 年化收益率：18.81%[57] * 年化波动率：20.98%[57] * 夏普比率：0.90[57] * 最大回撤：38.52%[57] * 最近1个月收益率：-0.07%[5][57] * 今年以来收益率：9.07%[57]

核心观点 - 人工智能数据中心（AIDC）的快速发展正导致美国电力供应紧张，储能系统（尤其是与数据中心配套的储能）成为关键的解决方案，短期用于调峰调频，长期有望与新能源结合成为数据中心的自主电源，市场潜力巨大 [1][2][3] - 黄金税收新政对合规的头部品牌企业构成长期利好，菜百股份凭借其作为上海黄金交易所会员单位的直营模式，在投资金业务上具备显著的成本优势，市场份额有望提升 [1][5][6][7] - 人工智能大模型技术持续快速迭代，DeepSeek-V3.2系列在推理能力上实现突破并积极构建开源生态，火山引擎FORCE大会则聚焦Agentic AI的产业落地，推动AI应用发展 [11][12][14][15][16][18] - 富维股份在稳固汽车零部件主业的同时，积极布局人形机器人和低空经济等新赛道，有望开辟新的增长曲线 [19][20][21][23] 电力设备与新能源行业（AIDC配储） - AIDC耗电量极高，2023年美国数据中心用电量达176太瓦时，占全国总电力消耗的4.4%，预计到2028年将增长至325-580太瓦时，占比提升至6.7%-12%，可能引发电力短缺，若2030年数据中心新增50GW，不考虑机组退役的电力缺口将达23GW [3] - 储能巨头Fluence正在洽谈超过30GWh的数据中心配套储能项目，其中80%的项目在2025年第四季度末后启动，标志着该新兴市场的崛起，欧洲和加州等市场对6-8小时长时储能的需求也呈现新兴机遇 [2] - 配置储能短期可帮助数据中心进行调峰调频，缓解其对电网的功率波动影响，并解决并网等待时间长的问题（例如芝加哥约3年，弗吉尼亚约7年）；长期来看，光储结合的经济性和并网周期优势使其有望超越燃气轮机，成为数据中心的自主电源方案 [3] 批零社服行业（菜百股份） - 黄金税收新政调整了税务处理方式，对于非投资性黄金（如首饰），企业采购时的进项抵扣从13%的增值税专用发票变为凭普通发票按6%计算抵扣，增加了原料成本；对于投资性黄金，销售时不得开具增值税专用发票，打断了抵扣链条，同样增加了企业成本，但菜百股份作为上金所会员采用直营零售模式，其投资金业务的采购成本未受影响 [7] - 菜百股份是上海黄金交易所的综合类会员，拥有现货交易席位，采用全直营模式直接销售给终端消费者，在税收新政后其金条价格优势凸显，有望吸引从其他品牌流出的投资金消费需求，从而提升市场份额 [7] - 公司稳步推进渠道扩张，截至2025年上半年直营连锁门店总数达103家，覆盖北京、天津、河北、西安、苏州、武汉等重点城市，新开业的北京顺义门店营业面积超1600平方米，采用创新的"馆店结合"模式，预计盈利能力较强，同时公司维持75%以上的高分红比例 [8] 计算机行业（AI大模型与生态） - 2025年火山引擎冬季FORCE原动力大会定于12月18-19日举行，聚焦Agentic AI重塑产业，预计将发布三大内容：豆包大模型家族全线更新、Agent开发工具升级与生态扩容、构建AI落地全链路能力，标志着AI从被动响应转向主动完成任务 [11] - 豆包大模型使用量增长迅猛，从2024年5月的1200亿tokens增长253倍至2025年9月的超30万亿tokens，冬季大会可能披露最新数据；豆包1.6版本相比1.5版本在深度思考等模式下综合成本下降63%，冬季大会将关注其在深度思考与多模态融合方面的进一步演进 [12] - DeepSeek-V3.2系列模型发布，其平衡版本在公开推理基准测试中表现对标GPT-5，长思考增强版V3.2-Speciale在国际数学奥林匹克（IMO）等顶级竞赛中达到人类顶尖水平，但计算成本较高目前主要面向研究场景 [14][15] - DeepSeek-V3.2创新性地将链式思考深度融入工具调用流程，通过大规模Agent训练在复杂指令上达到开源模型最高水平，提升了泛化能力；模型权重全面开源，API服务升级支持思考模式和长上下文，旨在降低应用门槛，推动开源生态繁荣和产业应用落地 [16][18] 汽车零部件与新兴布局（富维股份） - 富维股份是一家综合性汽车零部件生产商，产品范围广泛，是一汽体系内多家整车厂以及奔驰、宝马等品牌的核心供应商，具备领先的技术优势和项目管理能力 [20] - 公司积极布局人形机器人领域，与北京达奇月泉及吉林省仿生机器人研究中心合作，聚焦机器人应用端开发，已有机器人零部件生产业务，其与月泉仿生合作的W-Bot轮式人形机器人已在公司座椅生产线上进行初步简单工作 [21] - 公司同时布局低空经济，正在进行电动垂直起降飞行器（EVTOL）全内饰舱的开发工作，利用其在汽车内饰设计制造方面的经验和成本优势拓展新市场 [23] 金融工程与市场策略 - 金融工程周报显示，截至2025年11月28日，中证2000指数增强策略本年以来超额收益达28.08%，表现突出；各主要宽基指数增强基金中，国证2000、中证1000增强基金超额收益领先 [24][26] - 因子表现方面，上周（2025-11-24至2025-11-28）成长因子在不同指数成分股内表现较好，大类因子中成长、超预期、分析师等因子超额收益领先 [25] - 市场策略周报分析了日本国债市场在2025年11月下旬的剧烈波动，指出其受财政刺激计划引发发债担忧、央行削减购债以及加息预期升温等因素驱动，导致40年期收益率创历史新高；报告认为全球债市波动存在共性机制，但中国情况存在差异，需关注相关风险 [28][29][30]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：超预期因子大类[7] * **因子构建思路**：基于PEAD效应，利用公司实际发布的财务数据与分析师一致预期之间的差异来构建选股因子，认为业绩超预期的公司未来股价有更好表现[7]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但指出其详细介绍参见系列报告《基于PEAD效应的超预期因子选股效果如何》[7]。报告中列出的具体因子均进行了标准化和市值行业中性化处理[32]。 2. **因子名称**：高频分钟因子大类[7] * **因子构建思路**：基于分钟级别的高频行情数据，捕捉市场微观结构特征和交易行为信息，用于选股[7]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但指出其详细介绍参见系列报告《基于分钟数据的高频因子选股效果研究》[7]。报告中列出的具体因子均进行了标准化和市值行业中性化处理[32]。 3. **因子名称**：基本因子大类[7] * **因子构建思路**：从估值、盈利、成长、公司治理、价量等多种传统投资逻辑出发构建常用因子库[32]。 * **因子具体构建过程**：报告未详细描述每个基本因子的具体计算公式。报告中列出的所有单因子在具体使用前，均会进行统一的预处理和中性化处理，具体步骤如下[32]： 1. **原始值计算**：根据各因子的投资逻辑初步计算得到因子原始值。 2. **去极值**：采用绝对中位数法对因子原始值进行去极值处理。 3. **标准化**：对去极值后的数据进行Z-Score标准化。 4. **市值行业中性化**：以每个股票标准化后的因子值作为因变量，以对数市值和中信一级行业虚拟变量作为自变量，进行横截面回归。将回归后的残差作为每个股票的最终因子值。 公式说明：此过程旨在消除市值和行业对因子选股效果的影响，使因子更纯粹地反映其背后的投资逻辑[32]。 4. **因子名称**：单季度营业收入同比增长率[33][37][39] * **因子构建思路**：属于成长类因子，衡量公司最近一个季度营业收入的同比增长情况，增长率越高代表成长性越强[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 5. **因子名称**：单季度归母ROE[33][39][40] * **因子构建思路**：属于盈利类因子，衡量公司最近一个季度归属于母公司股东的净资产收益率，值越高代表盈利能力越强[39][40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 6. **因子名称**：单季度归母ROA变动[33][39] * **因子构建思路**：属于成长类因子，衡量公司最近一个季度归母ROA相对于之前时期的变化，变动越大可能表示盈利能力的改善趋势越强[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 7. **因子名称**：分析师预测净利润增长率FY3[34][39] * **因子构建思路**：属于分析师类因子，采用分析师对公司未来第三年净利润增长率的预测共识，增长率越高代表未来成长预期越好[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 8. **因子名称**：分析师预测营收增长率-FY3[34][37][39] * **因子构建思路**：属于分析师类因子，采用分析师对公司未来第三年营业收入增长率的预测共识，增长率越高代表未来成长预期越好[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 9. **因子名称**：分析师预测营收FY3的120日变动[34][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年营收预测共识在过去120日内的变动，向上修正可能代表基本面预期好转[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 10. **因子名称**：标准化预期外单季度归母ROE-带漂移项[35][39] * **因子构建思路**：属于超预期类因子，衡量公司单季度实际归母ROE与分析师预期之间的差异，并经过带漂移项的标准化处理，值越大表示业绩超预期幅度越大[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 11. **因子名称**：分析师预测ROE-FY3的120变动[35][37][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年ROE预测共识在过去120日内的变动，向上修正可能代表盈利能力预期提升[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 12. **因子名称**：标准化预期外单季度归母净利润-带漂移项[35][39] * **因子构建思路**：属于超预期类因子，衡量公司单季度实际归母净利润与分析师预期之间的差异，并经过带漂移项的标准化处理，值越大表示业绩超预期幅度越大[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 13. **因子名称**：过去90日报告上调比例[36][39] * **因子构建思路**：属于分析师超预期类因子，统计过去90天内分析师发布的研究报告中上调评级或盈利预测的比例，比例越高代表市场对公司看法越积极[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 14. **因子名称**：标准化预期外单季度扣非净利润-带漂移项[36][39] * **因子构建思路**：属于超预期类因子，衡量公司单季度实际扣非净利润与分析师预期之间的差异，并经过带漂移项的标准化处理，值越大表示业绩超预期幅度越大[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 15. **因子名称**：5分钟成交量偏度[36][40] * **因子构建思路**：属于高频分钟类因子，基于5分钟数据计算成交量分布的偏度，捕捉异常交易行为[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 16. **因子名称**：分析师预测ROA-FY3的120变动[37][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年ROA预测共识在过去120日内的变动[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 17. **因子名称**：EPS120日变动FY3[37][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年每股收益预测共识在过去120日内的变动[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 18. **因子名称**：分析师预测净利润FY3的120日变动[37][39] * **因子构建思路**：属于分析师类因子，衡量分析师对公司未来第三年净利润预测共识在过去120日内的变动[39]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 19. **因子名称**：60日特异度[33][34][35][36][37][40] * **因子构建思路**：属于价量类因子，可能衡量股票收益率与市场收益率之间的特异性或残差波动，值越小可能表示与市场关联度越低或特质风险越小[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 20. **因子名称**：成交量方差比率[34][35][36][40] * **因子构建思路**：属于价量或高频类因子，可能衡量不同时间尺度成交量波动的比率，用于探测交易行为的持续性或周期性[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 21. **因子名称**：1分钟下行波动率占比[33][40] * **因子构建思路**：属于高频分钟类因子，基于1分钟数据计算下行波动率在总波动率中的占比，捕捉下跌时的波动风险[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 22. **因子名称**：20日日均交易金额[33][40] * **因子构建思路**：属于价量类因子，衡量股票近20日的平均交易金额，通常作为流动性或关注度的指标[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 23. **因子名称**：EBIT2EV[34][40] * **因子构建思路**：属于估值类因子，即企业价值倍数，衡量公司息税前利润与企业价值的比率，值越大可能代表估值越低或盈利能力越强[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 24. **因子名称**：3个月换手率标准差[34][40] * **因子构建思路**：属于价量类因子，衡量过去3个月换手率的波动情况，标准差小可能表示交易活跃度稳定[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 25. **因子名称**：净经营资产收益率[35][40] * **因子构建思路**：属于盈利类因子，衡量公司经营资产创造净利润的效率[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 26. **因子名称**：股息率[36][40] * **因子构建思路**：属于估值类因子，衡量公司现金分红与股价的比率，是红利投资策略的核心指标[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 27. **因子名称**：单季度归母净利润[36][40] * **因子构建思路**：属于盈利类因子，衡量公司最近一个季度的净利润规模[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 28. **因子名称**：单季度归母ROA[36][40] * **因子构建思路**：属于盈利类因子，衡量公司最近一个季度归属于母公司股东的总资产收益率[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 29. **因子名称**：尾盘成交量波动率[37][40] * **因子构建思路**：属于高频分钟类因子，衡量尾盘时段成交量的波动情况[40]。 * **因子具体构建过程**：报告未给出具体计算公式。构建完成后，会经过上述统一的去极值、标准化和市值行业中性化处理流程[32]。 因子的回测效果 （注：以下所有因子取值均基于“单因子组合优化”测试，超额收益为因子多头组合相对于基准指数的收益。时间区间为“上周”（2025-11-24至2025-11-28）和“本年”（截至2025-11-28）。数据来源于报告中的单因子表现表[39][40]） 1. **标准化预期外单季度扣非净利润因子**，上周超额收益（沪深300）0.22%，上周超额收益（中证500）0.33%，上周超额收益（中证1000）1.06%，上周超额收益（中证2000）0.20%，上周超额收益（中证全指）0.97%；本年超额收益（沪深300）8.45%，本年超额收益（中证500）4.68%，本年超额收益（中证1000）4.29%，本年超额收益（中证2000）20.71%，本年超额收益（中证全指）6.63%[39] 2. **标准化预期外单季度扣非净利润-带漂移项因子**，上周超额收益（沪深300）-0.10%，上周超额收益（中证500）0.21%，上周超额收益（中证1000）1.61%，上周超额收益（中证2000）-0.36%，上周超额收益（中证全指）0.96%；本年超额收益（沪深300）9.93%，本年超额收益（中证500）4.86%，本年超额收益（中证1000）18.34%，本年超额收益（中证2000）22.18%，本年超额收益（中证全指）12.48%[39] 3. **标准化预期外单季度归母净利润-带漂移项因子**，上周超额收益（沪深300）-0.10%，上周超额收益（中证500）0.21%，上周超额收益（中证1000）1.61%，上周超额收益（中证2000）-0.36%，上周超额收益（中证全指）0.96%；本年超额收益（沪深300）9.93%，本年超额收益（中证500）4.86%，本年超额收益（中证1000）18.34%，本年超额收益（中证2000）22.18%，本年超额收益（中证全指）12.48%[39] 4. **标准化预期外单季度营业收入-带漂移项因子**，上周超额收益（沪深300）0.32%，上周超额收益（中证500）0.37%，上周超额收益（中证1000）1.61%，上周超额收益（中证2000）-0.57%，上周超额收益（中证全指）1.20%；本年超额收益（沪深300）12.12%，本年超额收益（中证500）6.89%，本年超额收益（中证1000）11.95%，本年超额收益（中证2000）20.81%，本年超额收益（中证全指）11.06%[39] 5. **标准化预期外单季度归母净利润因子**，上周超额收益（沪深300）-0.17%，上周超额收益（中证500）0.25%，上周超额收益（中证1000）1.36%，上周超额收益（中证2000）-0.15%，上周超额收益（中证全指）0.67%；本年超额收益（沪深300）14.15%，本年超额收益（中证500）3.76%，本年超额收益（中证1000）14.66%，本年超额收益（中证2000）21.60%，本年超额收益（中证全指）11.00%[39] 6. **标准化预期外单季度营业收入因子**，上周超额收益（沪深300）0.26%，上周超额收益（中证500）0.01%，上周超额收益（中证1000）1.37%，上周超额收益（中证2000）-0.50%，上周超额收益（中证全指）0.87%；本年超额收益（沪深300）13.90%，本年超额收益（中证500）0.65%，本年超额收益（中证1000）11.02%，本年超额收益（中证2000）19.43%，本年超额收益（中证全指）6.38%[39] 7. **标准化预期外单季度GPOA因子**，上周超额收益（沪深300）0.48%，上周超额收益（中证500）0.52%，上周超额收益（中证1000）0.86%，上周超额收益（中证2000）-0.02%，上周超额收益（中证全指）0.40%；本年超额收益（沪深300）12.44%，本年超额收益（中证500）2.49%，本年超额收益（中证1000）6.55%，本年超额收益（中证2000）11.75%，本年超额收益（中证全指）6.68%[39] 8. **标准化预期外单季度归母ROA因子**，上周超额收益（沪深300）0.01%，上周超额收益（中证500）0.40%，上周超额收益（中证1000）1.

报告核心观点 - 量化固收+基金是一类以固定收益资产为核心底仓，通过量化模型驱动权益、可转债等增强类资产配置，在控制组合波动与最大回撤的基础上，追求“固定收益+超额收益”的产品 [7] - 量化策略是固收+基金权益部分配置的重要思路，需要结合大类资产的配置策略在牛市增厚收益、熊市减少回撤 [185] - 量化策略的业绩表现主要取决于是否能够结合宏观环境选对因子 [185] 量化固收+定义与核心特征 - 产品以纯债资产为核心底仓，结合久期、仓位、券种选择等策略优化配置，保障本金安全与组合稳健收益 [8] - 依托多因子、指数增强、红利低波等量化策略进行仓位择时和选股，获取可持续的超额回报 [8] - 常见运行方式包括固收基金经理+量化基金经理、量化基金经理单独管理、固收基金经理+量化团队支持三种模式 [8] 常用的量化固收+策略 - **红利低波策略**：聚焦红利和低波动单一明确收益驱动因子，通过因子打分筛选符合相应特征的标的，获取该因子长期带来的超额收益，因子定义清晰、透明可复制，但需承受单一因子阶段性失效的风险 [10] - **指数增强策略**：以宽基指数（如沪深300、中证500）为基准，通过量化模型超配有效因子或择时交易，在控制跟踪误差的前提下争取超越基准的超额收益，依赖多因子模型筛选标的，目标是“长期跑赢基准 + 控制波动” [10] - **多因子策略**：认为资产收益由多个独立风险因子共同驱动，通过量化模型筛选并组合价值、成长、动量、低波等有效因子打分较高的个股，分散单一因子风险，追求更稳健的超额收益，覆盖股票、可转债等多个资产，通过因子权重动态调整适应市场变化 [10] - **小市值策略**：偏好中小盘或微盘股，认为这类标的市场关注度较低易存在估值洼地，通过挖掘小市值资产的定价偏差获取收益，聚焦中证1000、中证2000等中小盘指数成分股，部分采用高频调仓优化收益 [10] - **量化择时策略**：基于宏观经济指标、市场情绪、技术信号等数据，通过量化模型判断市场方向或资产轮动趋势，动态调整股票、债券等资产的仓位比例，模型对数据敏感性高，难点在于精准捕捉市场拐点 [12] - **多策略融合**：整合指数增强、多因子、择时等多种独立策略，利用不同策略在不同市场环境下的非相关性平滑组合波动，通过量化模型动态分配各策略权重，优先选择表现占优的策略 [12] 绩优量化固收+基金剖析：红利低波策略 - 策略在权益部分配置持续分红、现金流稳定且股价波动小的公司，长期获得不错的风险调整后收益，代表性基金A1和A2合计规模分别为50.54亿元和1.62亿元 [13][25] - 红利低波指数过去20年年化收益率达13.52%，年化波动率24.28%，最大回撤-66.79%，夏普比率0.63，表现优于中证红利指数（年化收益率9.94%）和沪深300指数（年化收益率8.48%） [15][22] - 常用红利因子包括高股息率（D/P）、适中分红率（D/E）、每股股利增长率、高盈利质量（如ROE）和分红连续性；低波因子侧重低历史波动率，需规避行业过度集中风险 [16] - A1基金自2023年9月12日成立以来年化收益率3.96%，年化波动率1.67%，夏普比率1.55，最大回撤-1.01%，Calmar比率3.91，波动率远低于万得混合债券型二级指数（年化波动率3.17%） [26][32] - 资产配置方面，股票仓位在6.0%-10.5%范围内波动，围绕8%配置目标小幅调整，可转债仓位在指数低位时积极加仓，上涨阶段逐步减仓，债券部分通过久期管理（牛市拉长、熊市压缩）优化收益 [36][43][49] - 行业配置高度集中，重仓银行、钢铁、煤炭、交通运输、基础化工等典型红利低波行业，前五大行业集中度维持高位，持股数量约220只，风格稳定不随意切换 [56] - 五因子模型显示A1基金市场因子暴露度仅0.0924，与其他因子敏感度接近0，严格贴合红利低波指数风格，超额收益主要来源于特质和市场因子，凸显选股和策略管理能力 [63] 绩优量化固收+基金剖析：指数增强策略 - 策略通过量化模型优化权益资产配置，在跟踪基准指数基础上超配有效因子评分高的个股，常用沪深300、中证500等宽基指数，因子包括基本面（价值、盈利、成长）、技术面（流动性、动量）和事件因子（盈利预测上调） [73] - 代表性基金B1（跟踪沪深300）、B2（跟踪中证500）和B3（高弹性）自2018年管理人任职以来年化收益率分别为4.99%、4.92%和7.52%，均优于业绩基准和万得混合债券型二级指数（年化收益率4.17%），B3基金累计总回报最高 [75][76][85] - B1基金股票部分采用多因子增强策略，结合机器学习确定因子权重，债券部分以高等级短久期信用债为底仓，利率债进行动量交易，可转债借鉴股票多因子模型选券 [78] - 资产配置显示B1基金可转债仓位操作偏左侧，行情启动前加仓（如2020年），阶段性高点前减仓；权益仓位波动较小，市场下跌阶段适度提升仓位强化增强效果 [89][97] - 债券部分利息收入贡献主要收益，久期管理顺应市场牛熊周期；行业配置高度分散，动态调整电力设备、电子、非银金融、医药生物和基础化工等行业权重，持股数量超500只 [104][112] - 五因子模型显示B1基金对市场因子正向暴露较高，偏向中小盘成长股，低配价值股，收益主要来源于特质因子；行业增强能力显著，2025年中超配电子、传媒和通信行业，低配公用事业、银行，Brinson模型验证行业选择贡献超额收益 [119][125] 绩优量化固收+基金剖析：多因子策略 - 策略通过多维度因子（基本面、技术面、情绪、另类如ESG）构建评分体系，自下而上全市场选股，超配高分个股，适应不同市场环境，降低单一因子失效风险 [129] - 代表性C基金自2020年12月29日管理人任职以来年化收益率3.56%，年化波动率5.16%，夏普比率0.41，最大回撤-8.92%，业绩与万得混债二级指数接近但波动控制更优 [132][139] - 资产配置采用SAA（债券70%、股票15%、转债15%）结合TAA（宏观、估值、资金、情绪四维度月度打分调整仓位），股票部分按月通过基本面（60%）、估值（20%）、动量/情绪（20%）因子筛选个股，不对齐指数 [133] - 可转债配置采用“双低”策略（低价+低转股溢价率），配合条款博弈和流动性筛选；债券部分以票息为核心，通过久期调整和个券选择增强收益 [133][160] - 行业配置分散度高，动态调整金融、公用事业（估值因子占优）或电子、制造（动量/成长因子占优）等行业权重，前五大行业集中度趋势性下降，持股广泛 [167] - 五因子归因显示C基金市场因子暴露较高，偏向成长属性，收益主要来源于市场因子和特质因子，凸显个股精选能力；Brinson模型分析2025年中个股选择在公用事业、汽车和传媒行业贡献超额收益 [174][182] 三种量化固收+策略总结对比 - **红利低波策略**：权益配置逻辑为高分红+低波动双因子选股，行业分散度低，收益来源于分红收益+选股Alpha，波动控制能力强，风格因子暴露纯净 [184] - **指数增强策略**：权益配置逻辑为基准跟踪+因子增强，行业分散度中等，收益来源于指数Beta收益+因子Alpha收益，波动控制能力中等，风格以市场主导为主 [184] - **量化多因子策略**：权益配置逻辑为多维度因子全市场选股，行业分散度高，收益来源于市场Beta影响+选股Alpha收益，波动控制能力较强，风格切换和因子轮动活跃 [184]

核心观点 - 近期市场出现回调，是海外不确定因素传导与国内市场内部压力共同作用的结果，中证1000指数作为中小盘代表未来仍有较大回调压力[3] 市场表现 - 上周主要指数收益排名靠前的是上证50和中证红利指数，收益分别为-2.72%和-3.69%，排名靠后的是微盘指数和创业板指数，收益分别为-7.80%和-6.15%[2] - 本年以来主要指数收益排名靠前的是微盘指数和创业板指，收益分别为66.12%和36.35%，排名靠后的是中证红利和上证50指数，收益分别为-0.48%和10.10%[2] 策略表现 - 上周中证1000指数增强策略收益为-5.89%，同期指数收益为-5.80%，策略超额收益为-0.09%[2] - 本月中证1000指数增强策略收益为-6.45%，同期指数收益为-5.85%，策略超额收益为-0.60%[2] - 本年以来中证1000指数增强策略收益为21.60%，同期指数收益为18.63%，策略超额收益为2.97%[2] 市场分析 - 外部环境方面，美联储降息预期降温和全球对AI泡沫担忧导致美股大幅下跌，通过情绪和资本流动传导压制全球风险偏好，对科技成长和小盘板块估值影响显著[3] - 内部环境方面，前期市场涨幅较大，年底资金有避险和调仓需求[3] - 近期回调是内外部情绪面与技术面共振的结果，短期不确定性仍需时间消化，市场可能延续震荡整固格局[3]

中证500指数的投资价值 - 推动本轮A股行情的主要因素包括“9·24”以来的一系列政策举措以及资本市场基础性制度改革，A股市场整体分红支付率已从30%左右提升至40% [6] - 当前利率环境持续下行，市场流动性保持宽松，资金从银行理财等领域寻找新配置方向，A股市场成为重要关注领域 [6] - 中证500指数行业布局契合国家发展“新质生产力”战略方向，广泛覆盖电子、医药生物、电力设备及新能源等关键科技创新领域 [8] - 中证500指数中民营经济占比接近50%，民营企业贡献了约70%的技术创新，政策提振下企业家信心和资本性支出意愿增强 [3][8] - 指数中制造业占比约50，能从推动产业升级的“反内卷”导向中受益，当前动态市盈率约为28倍，PEG指标约为0.87，估值水平相对成长性处于合理区间 [8] - 中盘股市场个人投资者参与度较高，市场情绪波动显著，为系统化识别行为模式、挖掘错误定价提供了空间 [10] 指数增强策略与因子挖掘 - 指数增强策略的收益由市场基准收益（β）和主动管理创造的超额收益（α）构成 [9] - 公司注重投资风格纪律性，通过深入的基本面与系统化研究追求可持续的α收益，而非依赖风格偏移 [9] - 公司采用成熟的系统性方法辨别市场行为模式，力求在中盘股领域构建更持续的超额收益能力 [3][10] - 产品策略的Alpha主要来自非市值、非β的风格因子，包括具备传统经济学含义的估值、质量等因子，以及通过机器学习发掘的多维度量价因子 [3] - 资产管理行业进入“脑力+算力”双重密集型发展阶段，公司拥有79名量化分析师，并依托全球统一的算力基础设施 [11] - 全球团队研发的新技术或模型会及时共享供本土化应用学习借鉴，形成“全球智慧+本土实践+算力优势”的核心竞争力 [11] 机器学习模型方法论 - 机器学习策略不追求单个“超级因子”，而是注重因子的广度与互补性，通过非线性建模将数百个因子融合成具有预测能力的整体 [12] - 传统量化模型追求“一枝独秀”的超级因子，而机器学习模型更注重“百花齐放”的因子多样性，内部称之为“适者生存模型” [12] - 机器学习因子库处于动态迭代中，因子生命周期不断缩短，迭代速度加快，行业竞争进一步压缩迭代周期 [4][14] - 公司依托全球算力基础设施高效识别和验证因子，以应对“统计陷阱”并保持策略的前瞻性 [13] - 投资者的行为模式会随市场环境变化而改变，有效的因子需要动态调整，但识别市场模式的方法是相对稳定的核心 [15] 团队协作与全球经验 - 投资管理遵循“资管工业化”模式，依赖于产品标准化、流程专业化分工以及系统品质控制三大基石 [17] - 超额收益（Alpha）主要来自两块：一是由杨光主导的机器学习策略，二是基于联博全球50年积累的因子库进行的本土化引入、验证与迭代 [17] - 投资流程高度系统化，由IT专家、投资组合管理专员、交易员等组成强大支持网络，确保理念精准转化为产品 [18] - 全球视野的知识输入至关重要，美股市场的某些现象往往会在一段时间后在A股市场重现，善于捕捉全球共通的“韵”并运用于本土实践是竞争优势 [19] - 单纯依靠本土经验的内生迭代越来越困难，融入全球智慧是构建可持续差异化优势的关键 [20]

指数增强型ETF行业概况 - 指数增强型ETF是结合指数增强策略与ETF优势的创新产品，兼具持仓透明、费用低廉、交易便利和超额收益潜力 [2] - 全市场指数增强策略ETF持续扩容，截至2025年10月31日共有51只产品，总规模达95.73亿元 [1][68] - 产品跟踪指数以宽基为主，中小盘风格更受青睐，跟踪中证1000和中证A500的基金数量最多 [6] - 截至2025年10月31日，跟踪中证500的增强ETF规模为25.92亿元，跟踪沪深300的规模为15.21亿元 [6] - 规模前五的指数增强ETF分别跟踪中证500、科创50、沪深300、中证2000和中证1000指数，规模分别为18.30亿元、9.11亿元、7.20亿元、6.87亿元和6.80亿元 [7] 指数增强型ETF的竞争优势 - 资金使用效率高，指数增强ETF平均仓位约98%，基本满仓操作，而传统场外指数增强基金平均仓位在92%-94%之间 [8] - 交易灵活性更强，投资者可在二级市场实时交易，并可基于IOPV与实际交易价格的价差进行套利 [11] - 费率结构更具优势，管理费率介于主动偏股型基金、普通指数增强型基金和被动ETF之间，整体相对较低 [12] - 持仓透明度显著提升，ETF需每日披露申购赎回清单，投资者可及时观察行业和风格偏离，而场外基金仅定期披露重仓股且存在滞后 [14] 中证500指数特征 - 中证500指数由剔除沪深300成分股后总市值靠前的500只股票构成，反映A股市场中小市值公司表现 [16] - 指数行业分布分散，截至2025年10月31日，电子、医药、机械权重占比分别为17.43%、8.73%和7.37% [24] - 当前估值处于历史均值以下，市盈率为33.40，市净率为2.28，市盈率分位点为62.48%，市净率分位点为48.23% [18][20] - 长期收益表现突出，自基期以来年化收益率达10.43%，夏普比0.49，长期年化收益率与中证1000接近 [26][27] 中证500指数增强产品市场 - 中证500是公募量化产品主战场，截至2025年第三季度，中证500指数增强基金规模达493.46亿元，占全部增强型基金规模超五分之一 [31][70] - 中证500指数增强基金数量为73只，与沪深300指增基金数量并列首位，占总数421只的17.34% [30] - 增强型ETF整体表现优于场外指增基金，截至2025年10月31日，场内500指增ETF全样本期年化收益率14.56%，场外指增基金年化收益率10.88%，中证500指数年化收益率7.90% [35] 博时中证500增强策略ETF产品分析 - 博时中证500增强策略ETF（159678.SZ）成立于2023年2月13日，上市于2023年2月27日，由刘钊和杨振建共同管理 [38][39] - 产品超额收益稳健，自上市以来连续三年取得正超额收益，年化超额收益7.76%，年化跟踪误差仅3.84% [40][44] - 2023年、2024年、2025年（截至10月31日）超额收益分别为3.63%、7.64%和9.42%，信息比率1.79，月度胜率65.63% [44] - 持仓严格控制偏离，各月末截面中证500成分股权重占比平均84.64%，89.40%的个股偏离绝对值不超过0.5% [45][48] - 行业上超配电子、机械、汽车等行业，Brinson归因显示超额收益主要来源于行业内选股能力，在计算机、电子、电力设备及新能源等行业选择能力较强 [53][54] - 风格偏好高成长、高盈利个股，在成长、长期动量、盈利能力等因子上有正向暴露 [58] 博时基金及管理团队 - 博时基金指数增强产品线覆盖沪深300、中证500、中证800、中证1000、中证A500、上证综指及双创板块，截至2025年第三季度在管规模合计82.85亿元 [65][66] - 基金经理刘钊具备19年证券从业经验，13年投资管理经验，目前在管5只指数增强基金和ETF产品，规模合计46.43亿元 [61] - 基金经理杨振建目前在管11只指数增强基金和ETF产品，规模合计136.21亿元，所管理产品长期超额回报稳健 [62] - 机构投资者对博时中证500增强策略ETF关注度提升，截至2025年中报，机构持仓占比为29.80% [60]