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]

相关报告：智研咨询发布的《中国公募量化基金行业市场全景调研及未来前景研判报告》 内容概况：中国公募量化基金于2002年开始起步，伴随着中国资本市场的逐步开放与制度完善，量化投 资开始在国内萌芽。历经二十余年的发展，公募量化基金已从边缘小众产品成长为公募基金行业的重要 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。2025年A股市场在"科技突 围"与"反内卷"政策的主线交织下走出了一场波澜壮阔的结构性行情，小盘成长风格持续占优，成交活 跃度显著提升，量化基金迎来业绩与规模的"双丰收"。截至10月29日，2025年期间公募量化策略基金合 计成立158只，比2024年全年的95只增逾66%，并创出历年来年度新高，其中增强指数型基金新成立132 只。从发行规模来看，量化策略基金年内募资总规模为830.64亿元，超出了历史上任何一个年份，比 2024年的368.55亿元增长125%。自2018年以来，公募量化基金的总规模呈现阶段性变化。2018-2021年 期间，随着资本市场全面深化改革持续推进，多层次市场体系日益完善，中国公募量化基金也迎来重大 发展机遇，总规模快速增长；2021-2025年期间，规模呈 ...

"从行业发展趋势来看，这一数据具有一定的合理性。量化私募近年来的快速增长，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。规模数据的统计可能存在口径差异， 实际规模需结合中基协备案数据及行业调研综合判断。量化私募的飞速扩张，反映了资本市场对策略 化、工具化投资的需求，但也需警惕行业在策略同质化、流动性冲击等方面的潜在风险。"上海澜成私 募基金总经理许佳莹接受《华夏时报》记者采访时研判。 本报（chinatimes.net.cn）记者胡金华 上海报道 即使被监管"限高"频率，2025年国内量化交易市场规模仍创出了历史新高。 1月27日，《华夏时报》记者从多家头部量化私募机构处获悉，2025年，国内量化私募管理规模有可能 超过1.5万亿元，如果叠加公募机构管理超过4000亿元量化资金以及其他量化策略产品，全市场量化规 模将超2万亿元。 "跟2024年同期相比，我们业内保守预计量化管理总规模增加了七千亿元，这还是各家公私募量化机构 主动控规模的结果。如果从头部量化私募的管理规模来看，管理规模增加一两倍、交易规模增加三四倍 已经成为常态，这主要是因为2025年量化交易给老客户带来了至少50 ...

文章核心观点 - 指数增强类资管产品在2025年整体表现良好，天风资管投资经理李云浩管理的产品取得了亮眼成绩 [1] - 李云浩阐述了其核心投资方法论，强调明辨收益来源、定位为“守夜人”、秉持贝叶斯思维以及灵活运用金融工具 [1] - 科技是提升投资“对策”执行效率的关键驱动力，公司通过自研量化交易系统和部署先进AI模型来提升效率与挖掘策略潜能 [1] - 量化投资的意义在于扮演“资源配置者”角色，通过纠正市场“错误定价”来推动价格发现，助力金融资源流向战略性新兴产业 [2] - 公司未来将继续秉持初心，以科技创新赋能资产管理全链条 [3] 投资理念与实践经验 - 投资方法论第一点是“明辨收益来源”，坚持因子选择和收益获取必须有坚实的经济逻辑支撑，以在市场风格突变时保持策略定力 [1] - 投资方法论第二点是定位为专业的“守夜人”，目标是力争为客户获取风险调整后确定性较高的收益，而非进行高风险博弈 [1] - 投资方法论第三点是秉持“预测不如对策”的贝叶斯思维，致力于构建能随市场新信息而动态优化的对策体系，而非执着于精准预测 [1] - 投资方法论第四点是通过灵活运用期货、期权等多元金融工具，在拓展收益维度的同时筑牢投资的“护城河” [1] 科技赋能与系统建设 - 2022年，天风资管独立开发了“天风资管量化交易系统v_YH_1.0.0”，并在相关监管新政出台后第一时间完成报备 [1] - 该量化交易系统显著提升了量化产品交易效率，降低了交易成本 [1] - 目前，天风资管团队正尝试在交易服务器本地部署DeepSeek等先进AI模型，以期进一步挖掘策略潜能 [1] 量化投资的深层意义 - 量化投资经理在更深层次上扮演着“资源配置者”的角色 [2] - 通过交易纠正市场上的“错误定价”，实质上是在推动市场更有效地实现“价格发现” [2] - 这一过程有助于助力金融资源流向战略性新兴产业 [2] 公司未来发展方向 - 天风资管表示，未来将继续秉持代客理财的初心和对市场的敬畏之心 [3] - 公司将以科技创新赋能资产管理全链条 [3]

文章核心观点 - 文章从量化基金“专业买手”（FOF投资经理）的视角，阐述了如何对量化产品进行风险识别与控制，以及如何通过交叉验证来动态评估和调整持仓，其核心理念是将风险控制作为评估量化产品价值的关键维度，并追求长期、稳健的投资收益[1][2] 从策略本身识别风险 - 对风险的定义和刻画因投资方法和学术角度而异，学术界可能将风险刻画为波动性，而价值投资者可能关注本金永久性损失的可能性[5] - 量化投资业界有Barra、Axioma等第三方公司推出的风险模型作为公认的风险刻画工具[5] - 团队倾向于从策略本身出发，了解其收益特性，并刻画对应的可跟踪、可对比的风险指标，这需要建立针对不同策略的知识库和数据库[5] - 团队许多成员具有量化策略研发背景，拥有策略和研发思路的传承，并持续学习以扩充和改进知识与数据[5] 风险控制的价值评估 - 将风险控制视为评估管理人价值的一个维度，而非在产品出现回撤后进行止损[7] - 对风险控制的价值评估并非教条式的一刀切，而是针对具体策略一事一议，并在相似策略间进行比较[7] - 以量化权益的时序量价策略为例，该策略依赖tick/秒级数据和极速下单，因此必须对个股敞口或偏离度有硬性约束，以防止在极端行情或数据出错时发生大额亏损[7] - 相比之下，偏基本面策略的管理人对交易速度和偏离度的硬性约束要求较低[7] 通过交叉验证进行动态评估与调整 - “价值投资”并非买入后持有不动，“买入并持有”代表长期合作意愿，但会根据情况及时调整持仓[9] - 建立了可比较、可持续、可跟踪的价值维度后，工作重点从每日/每周查看产品净值，转变为对这些价值维度的长期评估[9] - 会定期或不定期与基金管理人进行深度沟通以进行定性跟踪，并持续使用不同数据源和多个模型进行交叉验证与定量跟踪[9] - 会根据管理人自身的变化（如模型切换）进行重新评估，如果评估价值降低，则会进行调整[9] - 会持续考虑机会成本，当评估发现具有更高“价值”的管理人时，也会进行调仓[9] - 团队保持谦逊，持续学习，并不断改进和完善“价值”的评判维度与跟踪方法[9]

2025年A股市场与私募股票策略表现概览 - 2025年A股市场表现强势，上证指数时隔十年重返4000点，创业板指数全年大涨约50% [3] - 市场上涨由科技产业突破、流动性宽松与政策托底共同驱动，但分化与波动剧烈，经历了4月关税冲击下的V型震荡、大小盘风格快速切换以及科技成长与防御板块冷热不均 [3] - 私募排排网数据显示，截至2025年12月31日，有业绩展示的股票策略产品共3270只，2025年平均收益为37.36%，平均夏普比率为1.67 [3] - 按公司规模划分，百亿私募旗下股票策略产品夏普比率较高，达到2.18 [3] 百亿以上规模私募股票策略夏普比率十强 - 该规模组有业绩展示的产品共499只，平均收益为34.7%，平均夏普比率为2.18 [5] - 十强产品中，量化多头策略占7只，股票市场中性占2只，股票多空占1只 [5] - 夏普比率前三的产品分别由进化论资产王一平、龙旗科技朱晓康、鸣石基金许吉管理 [5] - 进化论资产创始人王一平提出“做有逻辑的量化”，将市场运行的底层规律总结为逻辑类因子加入量化模型，以提升模型稳定性 [6] 50-100亿规模私募股票策略夏普比率十强 - 该规模组有业绩展示的产品共204只，平均收益为36.93%，平均夏普比率为2.11 [8] - 十强产品中，量化多头策略占7只，主观多头占2只，股票多空占1只 [8] - 夏普比率前三的产品分别由云起量化施恩、量魁私募梁涛、海南盛丰私募林子洋管理 [8] - 天算量化（排名第4）表示其天算中证2000指增产品具有超额历史胜率高、长期超额易累积、超额来源可靠及纯粹的主动管理阿尔法占比高的特点 [11] 20-50亿规模私募股票策略夏普比率十强 - 该规模组有业绩展示的产品共351只，平均收益为39.76%，平均夏普比率为1.76 [12] - 十强产品中，量化多头策略占8只，主观多头占2只 [12] - 夏普比率前三的产品分别由橡木资产仲引辉、海南正仁量化私募刘旭晖、橡木资产楼建平管理，橡木资产有两只产品位列前三 [12] - 橡木资产表示其股票量化投资特点为交易频率较高，且所有策略均基于量价因子，以模型预测为主，受基础设施波动影响较小 [13] 10-20亿规模私募股票策略夏普比率十强 - 该规模组有业绩展示的产品共409只，平均收益为45.27%，平均夏普比率为1.66 [15] - 十强产品中，量化多头策略占7只，股票市场中性占2只，股票多空占1只 [15] - 夏普比率前三的产品分别由杨湜资产郑彬和邹启翔、瀚鑫基金王泽原、海南恒立私募潘焕焕管理 [15] - 杨湜资产表示将在策略优化上更激进，计划丰富如2000指增等策略，并对2026年行情持乐观态度，预计流动性充裕，市场政策面和情绪面有支撑 [18] 5-10亿规模私募股票策略夏普比率十强 - 该规模组有业绩展示的产品共477只，平均收益为38.71%，平均夏普比率为1.54 [19] - 十强产品中，量化多头策略占9只，主观多头占1只 [19] - 夏普比率前三的产品分别由七禾聚资产刘力和朱超娜、海南瞰点私募梁宇奇、北京光华私募李彬和阿永嘎管理，北京光华私募两只产品包揽第3、4名 [19] - 七禾聚资产由七禾网控股，投资理念为坚持价值发现和价差发现 [20] 0-5亿规模私募股票策略夏普比率十强 - 该规模组有业绩展示的产品共1330只，平均收益为34.88%，平均夏普比率为1.43 [22] - 十强产品中，量化多头策略占7只，主观多头占3只 [22] - 夏普比率前三的产品分别由渡苇基金武自强和丁旭、杭州塞帕思傅申超、丰裕投资秦佩华管理 [22]

量化模型与构建方式 1. 模型名称：主线一级行业配置模型 **模型构建思路**：通过分析行业型基金的选股Alpha共识，捕捉个股层面的主题性Alpha向行业层面Beta转化的机会，从而预判并配置即将启动的主线行业[1][28][29]。 **模型具体构建过程**： 1. **筛选优选基金**：每月底，基于基金前一季度报告的前十大重仓股[29]。 * 计算每只重仓股相对其所属中信一级行业指数的月度超额收益[29]。 * 取基金所有重仓股当月超额收益的中位数，作为该基金当月的选股Alpha代表值[29]。 * 对基金过去6个月的月度Alpha进行线性时间衰减加权（近期权重更高），计算综合选股能力得分[29]。 * 筛选得分位于全市场行业型基金前20%的基金，作为当期“优选基金”[29]。 2. **识别共识板块**：统计当期“优选基金”所属板块[29]。 * 若某一板块的优选基金数量占全部优选基金的比例超过50%，则判定该板块形成强选股共识[30]。 * 或，若某一板块内超过50%的基金进入了优选列表，也判定该板块存在集中性Alpha机会[30]。 * 若无板块满足条件，则当期空仓[30]。 3. **确定具体行业**：在识别出的共识板块内部，计算各一级行业在“优选基金”中的平均重仓占比，选择占比最高的行业纳入投资组合[32][33]。 **模型评价**：该模型对主线行情具有领先指示作用，能够前瞻性地捕捉市场核心行情[36][42][43]。但其表现受市场主线清晰度影响，在行业快速轮动、共识分散的阶段，超额收益会减弱[2][36]。 2. 模型名称：主线二级行业配置模型 **模型构建思路**：将主线一级行业配置模型的逻辑应用于更精细的二级行业层面，以识别更具结构性的细分赛道机会[52]。 **模型具体构建过程**： 1. **筛选优选基金**：每月末，基于基金前一季报重仓股数据，计算其相对于所属中信二级行业指数的月度超额收益中位数，并对过去6个月的超额收益进行线性时间衰减加权，筛选出综合得分位于前20%的行业型基金作为“优选基金”[52]。 2. **识别潜在二级行业主线**：通过“优选基金”的重仓股数据，从两个维度筛选形成共识的二级行业： * **核心维度**：计算所有优选基金的重仓股在各二级行业上的平均持仓占比，筛选出平均占比最高的3个二级行业[52]。 * **补充维度**：为避免新兴或小众行业因持仓基数低被忽略，若某二级行业在“优选基金”中的持仓占比，与其在全部行业型基金中的持仓占比的比值，超过核心维度中排名第一的行业的平均占比，则该行业也被视作主线行业[53]。 * 最终，由核心维度的前3个行业和补充维度的行业共同构成当期的二级行业主线组合[53]。 **模型评价**：该模型能够捕捉并放大结构性牛市中的产业机遇，但其超额可持续性依赖于市场中存在可被识别和延续的行业主线[57]。 3. 模型名称：ETF拟合行业指数模型 **模型构建思路**：为将主线行业策略应用于实际投资，采用一篮子权益ETF来拟合目标行业指数的收益，以解决直接投资行业指数的可行性问题[45]。 **模型具体构建过程**： 1. 在每月底，将目标一级行业指数和所有权益ETF过去20天的收益率进行带约束的回归[2][45]： $$R_{i,t}=\beta_{1}\times x_{1,t}+\cdots+\beta_{n}\times x_{n,t}+\epsilon_{t}$$ $$s.t. \beta_{1}+\cdots+\beta_{n}=1, 0\le\beta_{i}\le1$$ 其中，$$R_{i,t}$$和$$x_{i,t}$$分别为一级行业指数i和权益ETF在过去20个交易日的涨跌幅[45][46]。 2. 筛选初步回归系数大于1%的前十只ETF（不足十只以实际数量为准），再次重复上述回归计算，得到系数$$\beta_{1}^{\prime},\cdots,\beta_{10}^{\prime}$$[46]。 3. 拟合得到的行业指数下一月收益为： $$R_{i,t+1}=\beta_{1}^{\prime}\times x_{1,t+1}+\cdots+\beta_{10}^{\prime}\times x_{10,t+1}$$[46] **模型评价**：ETF组合对主线策略的拟合存在一定的收益损耗，但仍保留捕捉主线机会的业绩特点[46]。 4. 模型名称：行业轮动基金优选模型 **模型构建思路**：通过识别非行业型基金中的行业轮动型基金，并利用量化因子筛选其中具备更强轮动能力的基金，构建一个能在市场缺乏清晰主线时捕捉行业切换机会的基金组合[20][61]。 **模型具体构建过程**： 1. **识别行业轮动型基金**：计算基金每期前十大重仓股所属一级行业的占比，比较相邻两期占比之差，再滚动四个季度取均值，得到基金的行业换手率指标[61]。将各期行业变化率排名前30%的基金定义为“行业轮动型基金”[61]。 2. **因子筛选与组合构建**： * 通过基金因子回测发现，近一年动态收益（基金实际收益-季报前十大重仓股模拟持仓收益）和持仓市值风格（偏小盘）两个因子在分组中表现出明显的单调性，即因子值更高的基金未来表现更优的概率系统性更高[64]。 * 在行业换手率较高的基金中，筛选规模大于1亿元的产品，并依据近一年动态收益与持仓市值风格两个因子进行等权综合打分，选择得分最高的前10只基金，构建行业轮动基金组合[68]。 5. 模型名称：市场环境自适应配置模型 **模型构建思路**：利用市场流动性变化作为择时指标，动态切换“主线行业策略”和“行业轮动基金策略”，以应对不同市场环境，提高组合适应性[3][72]。 **模型具体构建过程**： 1. **择时信号**：使用中证800指数近200个交易日日均成交额的月度环比变化作为先行指标[3][72]。 * 当该指标提高（市场流动性扩张）时，下一个月配置“主线策略”（此处指ETF拟合的主线一级行业组合）[3][72]。 * 当该指标下降（市场流动性收缩）时，下一个月配置“行业轮动基金策略”（即行业轮动基金优选模型构建的组合）[3][72]。 2. **组合构建**：根据上述择时信号，每月动态选择表现更优的策略进行配置，形成“捕捉行业机会组合”[73]。 模型的回测效果 1. **主线一级行业配置模型**（以中信一级行业指数为标的，2016年初至2026年1月20日）[36] * 年化收益率：20.91% * 相对偏股基金指数年化超额收益：14.62% 2. **ETF拟合行业指数模型**（拟合主线一级行业策略，2016年初至2026年1月20日）[46] * 年化收益率：16.21% * 相对偏股基金指数年化超额收益：9.92% 3. **主线二级行业配置模型**（2016年初至2026年1月20日）[55] * 年化收益率：18.78% * 相对偏股基金指数年化超额收益：9.19% 4. **行业轮动基金优选模型**（Top10组合，2016年初至2026年1月20日）[68] * 年化收益率：15.05% * 年化夏普比率：0.71 * 相对偏股基金指数年化超额收益：8.60% 5. **市场环境自适应配置模型**（捕捉行业机会组合，2016年初至2026年1月20日）[73] * 年化收益率：19.61% * 年化夏普比率：0.77 * 相对偏股基金指数年化超额收益：13.32% 量化因子与构建方式 1. 因子名称：基金选股Alpha因子 **因子构建思路**：衡量行业型基金通过选股创造超额收益的能力，用于筛选出具备高选股能力的“优选基金”[29]。 **因子具体构建过程**： 1. 每月底，基于基金前一季度报告的前十大重仓股[29]。 2. 计算每只重仓股相对其所属行业指数（一级或二级）的月度超额收益[29][52]。 3. 取该基金所有重仓股当月超额收益的中位数，作为该基金当月的选股Alpha值[29][52]。 4. 对基金过去6个月的月度Alpha进行线性时间衰减加权，得到综合选股能力得分[29][52]。 2. 因子名称：行业换手率因子 **因子构建思路**：衡量基金调整其行业配置的频繁程度和幅度，用于识别以行业轮动为特征的基金[61]。 **因子具体构建过程**： 1. 计算基金每期报告（季报）中，前十大重仓股所属中信一级行业的持仓占比[61]。 2. 计算相邻两期各行业持仓占比之差的绝对值之和，得到单期行业变化率[61]。 3. 滚动四个季度，取行业变化率的均值，作为基金的行业换手率指标[61]。 3. 因子名称：动态收益因子 **因子构建思路**：衡量基金经理通过动态交易（如调仓、打新、择时等）创造的超额收益，捕捉其操作能力[64]。 **因子具体构建过程**： * 动态收益 = 基金实际收益 - 基于基金季报披露的前十大重仓股构建的模拟持仓收益[64]。 * 取近一年的动态收益作为因子值[64][68]。 4. 因子名称：持仓市值风格因子 **因子构建思路**：衡量基金持仓的市值偏好，用于筛选持仓更偏小盘的基金[64]。 **因子具体构建过程**： * 基于基金季报重仓股，分析其持仓市值风格，判断是否偏向小市值[64][68]。 * 因子具体计算方式在报告中未详细说明，但明确指出其分组单调性强[64]。 5. 因子名称：市场流动性择时因子 **因子构建思路**：将市场整体流动性的变化作为判断哪种行业配置策略更有效的择时指标[3][72]。 **因子具体构建过程**： * 计算中证800指数近200个交易日日均成交额的月度环比变化[3][72]。 * 根据该指标的方向（扩张或收缩）来决定下一个月的主导策略[3][72]。

此外，还将在应用与生态层，聚焦投研、风险控制与策略管理等核心场景，持续探索人工智能技术在量 化交易与金融业务中的工程化应用路径，推动形成协同演进的生态服务体系。 此外，高盈科技还表示，未来还将联合中科闻歌在商业创业和产业赋能上，探索AI驱动的商业模式创 新，共同推进智能化解决方案在量化投资领域的产业化推广。 市场人士指出，此次合作是量化投资技术与数据智能技术的深度融合。高盈科技在量化交易平台、策略 工程化及市场实战方面的优势，与中科闻歌在多模态数据治理、通专融合大模型与决策智能方面的技术 积累形成强互补。双方将通过构建"数据－模型－决策"闭环体系，打造更智能、更精准的投研辅助系 统。 高盈科技透露将以此次合作为起点，携手中科闻歌持续推动AI技术在金融量化领域的深度应用，共同 抢占"AI+量化"新高地，为行业智能化升级注入新动能。中科闻歌也表示，此前中科闻歌已布局人工智 能赋能银行、基金、保险等金融领域业务，本次合作将深化金融细分领域应用场景探索。 近日，高盈国际创新科技（香港）有限公司（以下简称"高盈科技"）与中科闻歌正式签署战略合作框架 协议。双方将围绕量化投资智能化升级，在另类数据赋能、因子智能挖掘、智能 ...