本文首发于公众号"私募排排网"。 （点击↑↑ 上图查看详情 ） 若论国内私募重镇，北上广深杭这五座城市，几乎是绕不开的话题。 私募排排网 数据显示， 截至 2026年7月末，国内存续的证券类私募一共7242家，按注册地划分：上海1857家、深圳1275家、北京1077家、杭州 481家、广州351家 ， 光这五个地方就占了将近七成 。 管理人多达几千家，到底哪些公司备受关注呢？笔者统计了私募排排网站内热度数据，把五个城市各自热度值前20的私募捋了一遍。捋完之后 发现挺有意思，有些百亿级管理人悄无声息，一些规模几十亿的中型私募反而刷足了存在感。下文我们分城市具体盘点下。 0 1 上海热门私募：百亿私募扎堆！ 先看上海。2026年7月份，上海地区（注册地在上海，下同）私募在私募排排网站内热度前20的依次是： 鸣石基金、明汯投资、衍复投资、黑翼 资产、蒙玺投资、华年私募、半夏投资、半鞅私募基金、远澜基金、诚奇私募、佳期私募、宽德私募、量派投资、正瀛资产、顽岩资产、上海领 久私募、复胜资产、洛书投资、泓湖私募、磐松资产 。这20家里百亿私募占了17席，说"百亿扎堆"一点不夸张。 私 舅 排 排 网 查数据,买基金,上 ...

报告行业投资评级 - 未提及具体行业投资评级相关内容 报告的核心观点 - 看多30年国债、3年AAA中短票、5年国债、万得全A指数、中证红利全收益指数、科创50指数、万得微盘指数、国证2000指数、IPE布油 [1][5] - 震荡2年国债、恒生科技指数、COMEX黄金、COMEX铜、焦煤 [2][5] 根据相关目录分别进行总结 各品种原始信号、MA5及模型观点和持续交易日 - 30年国债原始信号16.37%，MA5为18.41%，模型观点看多，信号持续超10个交易日 [2][5] - 3年AAA中短票原始信号17.69%，MA5为25.36%，模型观点看多，信号持续7个交易日 [2][5] - 5年国债原始信号17.60%，MA5为21.85%，模型观点看多，信号持续10个交易日 [2][5] - 2年国债原始信号29.98%，MA5为48.41%，模型观点震荡，信号持续3个交易日 [2][5] - 万得全A指数原始信号32.74%，MA5为32.41%，模型观点看多，信号持续7个交易日 [2][5] - 中证红利全收益指数原始信号3.48%，MA5为4.18%，模型观点看多，信号持续5个交易日 [2][5] - 恒生科技指数原始信号81.14%，MA5为59.41%，模型观点震荡，信号持续7个交易日 [2][5] - 科创50指数原始信号9.29%，MA5为11.48%，模型观点看多，信号持续超10个交易日 [2][5] - 万得微盘指数原始信号1.36%，MA5为2.98%，模型观点看多，信号持续7个交易日 [2][5] - 国证2000指数原始信号9.29%，MA5为10.09%，模型观点看多，信号持续9个交易日 [2][5] - COMEX黄金原始信号63.72%，MA5为56.80%，模型观点震荡，信号持续3个交易日 [2][6] - IPE布油原始信号8.28%，MA5为11.85%，模型观点看多，信号持续8个交易日 [2][6] - COMEX铜原始信号83.34%，MA5为58.01%，模型观点震荡，信号持续6个交易日 [2][6] - 焦煤原始信号11.50%，MA5为43.65%，模型观点震荡，信号持续2个交易日 [2][6] 近10个交易日模型择时结果 - 包含30年国债、3年AAA中短票、5年国债、2年国债、万得全A指数、中证红利全收益指数、恒生科技指数、科创50指数、万得微盘指数、国证2000指数、COMEX黄金、IPE布油、COMEX铜、焦煤各品种在2026年8月3日 - 2026年8月14日期间的收益率、单日择时信号、择时信号MA5及模型多空观点等详细数据 [7]

核心观点 - 文艺复兴科技2026年Q2的持仓调整是“量化投资范式”在AI时代的经典演绎，模型在3,140只标的中找到了最优风险-收益平衡点 [1] - 单季业绩飙升至+33.19%，在$726亿规模下验证了文艺复兴模型在AI时代的适应性 [3][4] 总体概况 - 持仓总市值$726亿，环比Q1的$639亿增长+13.6% [4] - 持仓标的数量3,140只，较Q1的3,213只减少73只 [4] - 前十大持仓占比12.01%，与Q1的~11.2%基本持平 [4] - Q2单季新建仓548只、增持1,084只、减持1,502只、清仓621只 [4][5] - 净操作买入$241亿 vs 卖出$209.7亿，净买入约$31.3亿 [33] 前十大持仓标的 - NVIDIA（NVDA）跃升至第一大持仓，占比1.95%，市值约$14.16亿，模型识别出动量-波动率-流动性三维共振信号 [6][20] - Meta（META）跃升至第二大持仓，占比1.57%，市值约$11.40亿，模型捕捉到社交媒体广告收入超预期恢复和用户增长动能 [6][20] - Intel（INTC）跃升至第三大持仓，占比1.41%，市值约$10.24亿，触发“均值回归+动量突破”复合信号 [6][20] - United Therapeutics（UTHR）从第一大降至第四大，占比1.28%，市值约$9.29亿，被动稀释而非主动减持 [7][20] - Palantir（PLTR）从第二大降至第五大，占比1.22%，市值约$8.86亿，被动稀释结果 [7][21] - Alphabet（GOOGL）跃升至第六大，占比1.14%，市值约$8.28亿，模型大幅加仓AI搜索+云 [7][22] - Exelixis（EXEL）跃升至第七大，占比1.01%，市值约$7.33亿，肿瘤药物研发 [7][24] - VeriSign（VRSN）跃升至第八大，占比0.85%，市值约$6.17亿，互联网基础设施“收费亭” [7][29] - Kinross Gold（KGC）从第四大降至第九大，占比0.80%，市值约$5.81亿，黄金矿业避险+通胀对冲 [8][26] - CrowdStrike（CRWD）新建仓成为第十大，占比0.79%，市值约$5.74亿，网络安全AI化 [8][30] 其他重要持仓与变动 Q2大幅增持标的 - Alphabet（GOOG）占比0.77%，与GOOGL合计约1.91%，AI搜索转型 [9][22] - Amazon（AMZN）占比0.75%，Q2新建仓，AWS AI基础设施 [9] - Netflix（NFLX）占比0.67%，Q2大幅加仓，AI内容推荐 [9] - Tesla（TSLA）占比0.64%，AI自动驾驶+机器人，量化动量信号 [10] - AMD占比0.64%，AI芯片设计，英伟达替代逻辑 [10] - Apple（AAPL）占比0.63%，AI终端（Apple Intelligence），Q2增持 [10] - Corcept（CORT）占比0.63%，皮质醇抑制剂，生物科技周期 [10] - Etsy（ETSY）占比0.62%，AI电商个性化，Q2大幅加仓 [10] - Seagate（STX）占比0.61%，AI存储需求，硬盘龙头 [10] - Franco Nevada（FNV）占比0.58%，黄金矿业特许权，避险配置 [10] - Texas Instruments（TXN）占比0.58%，模拟芯片，AI硬件基础设施 [10] - Wayfair（W）占比0.57%，AI家居电商，Q2大幅加仓 [11] - 台积电（TSM）占比0.56%，AI晶圆代工，Q2大幅加仓 [11] - Broadcom（AVGO）占比0.44%，AI芯片+网络基础设施 [11] Q2大幅减持标的 - Micron（MU）减持至0.34%，Q1可能为前五大，存储芯片周期见顶 [12] - Sandisk（SNDK）清仓或大幅减持，存储周期见顶信号 [12] - Novo Nordisk（NVO）占比降至0.20%，减肥药龙头，模型获利了结 [12] - Airbnb（ABNB）占比降至0.69%，旅游平台，Q2减持 [13] - Spotify（SPOT）占比降至0.68%，音乐流媒体，Q2减持 [13] 跌出前十大的重要标的 - Apple（AAPL）从Q1第三大降至~0.63%，被AI硬件股稀释 [13] - Kinross Gold（KGC）从Q1第四大降至第九大（0.80%），黄金矿业占比收缩 [13] 环比变化深度分析 “AI五虎将”——前五大持仓全面换血 - Q1前五大为UTHR、PLTR、AAPL、K.TO，Q2变为NVDA、META、INTC、UTHR、PLTR，“四换三”的剧烈变动极为罕见 [14] - NVIDIA从边缘到第一大持仓，模型检测到机构资金流入持续性、波动率收缩后爆发、期权隐含波动率异常 [20] - Meta从边缘到第二大持仓，模型捕捉到社交媒体广告收入超预期恢复、Reels和Threads用户增长动能、AI推荐算法对广告效率提升 [20] - Intel从边缘到第三大持仓，触发“均值回归+动量突破”复合信号，估值处于历史低位（P/E < 15倍）、机构空头回补、代工业务订单预期改善 [20] - United Therapeutics从第一大降至第四大，被动稀释，肺动脉高压药物龙头基本面未恶化 [20] - Palantir从第二大降至第五大，被动稀释，政府合同和商业订单持续增长仍被模型认可 [21] “谷歌双仓”——AI搜索的量化押注 - 同时大幅增持GOOGL（1.14%）和GOOG（0.77%），合计占比约1.91%，成为实质上的第六大持仓 [22] - 模型检测到谷歌搜索份额在AI冲击下的韧性（Gemini整合）、Google Cloud的AI收入加速、YouTube Shorts对TikTok的替代效应、估值相对其他AI平台的折价 [22] “生物科技坚守”——UTHR、EXEL、CORT的三角阵型 - 前十大中保留3只生物科技标的，合计占比约2.92% [23] - United Therapeutics（UTHR）肺动脉高压垄断者，药物Tyvaso和Remodulin持续销售增长，器官移植技术长期期权价值 [25] - Exelixis（EXEL）肿瘤药物精准打击，Cabometyx在肾细胞癌和肝细胞癌中市占率提升，与BMS、Ipsen合作管线推进 [25] - Corcept Therapeutics（CORT）皮质醇抑制新蓝海，Korlym在库欣综合征中垄断地位，在研药物Relacorilant拓展多种适应症 [25] - 模型基于临床试验数据统计显著性（P值、HR值）、FDA审批时间历史规律、专利悬崖可预测性 [25] “黄金与网络基础设施”——VRSN和KGC的防御配置 - VeriSign（VRSN）互联网“域名收费亭”，域名注册量稳定增长（约3-5% CAGR）、定价权（每年可提价7%）、轻资本模式（FCF转换率>90%） [29] - Kinross Gold（KGC）黄金矿业，Q1识别出黄金价格突破信号，Q2随金价回调降低权重 [26] “网络安全新星”——CrowdStrike的新建仓 - CrowdStrike（CRWD）以0.79%成为第十大持仓，Q2新建仓，市值约$5.74亿 [27][30] - 模型识别出客户流失率低于预期（<5%）、新订单恢复速度超预期、AI驱动网络安全需求（Falcon平台）长期增长、股价超跌后统计套利机会 [30] 投资组合特征与行业配置 集中度特征 - 前十大持仓占比12.01%，前五大持仓占比7.43%，最大单一持仓占比1.95%（NVDA） [32] - 极度分散（3,140只标的），极低集中度，与李录（95%前五大）、阿克曼（~98%前十大）形成天壤之别 [32] 行业配置 - 科技/半导体占比~14%，代表标的NVDA、INTC、GOOGL、META、AMD、TSM、TXN、AVGO，策略特征为AI硬件+平台 [31] - 通信服务占比~7%，代表标的META、GOOGL、GOOG，策略特征为数字广告+搜索 [31] - 生物科技/制药占比~8%，代表标的UTHR、EXEL、CORT、GILD、VRTX，策略特征为统计套利+临床数据 [31] - 软件/网络安全占比~5%，代表标的PLTR、CRWD、VRSN、ETSY，策略特征为SaaS+AI应用 [31] - 可选消费占比~6%，代表标的AMZN、NFLX、TSLA、AAPL、W，策略特征为平台经济 [31] - 黄金/矿业占比~3%，代表标的KGC、FNV、HL，策略特征为避险+通胀对冲 [33] - 其他占比~57%，3,000+只小仓位标的，策略特征为统计套利+市场中性 [33] 核心投资逻辑 “统计套利”的极致演绎——不预测，只计算 - 投资哲学：从不试图预测市场方向，只寻找具有统计显著性的模式，在它们消失之前利用 [34] - Q2持仓变动：新建仓548只投入约$74.3亿，加仓1,084只追加约$166.7亿，减仓1,502只回收约$153.8亿，清仓621只退出约$55.9亿 [34] “多因子模型”的当代进化——从传统因子到AI因子 - 模型不“相信”AI，只检测NVDA价格走势、成交量、波动率、相关性等数千个变量中出现的可预测模式 [36] - 不“厌恶”波动，INTC的暴涨暴跌对量化模型是波动率溢价（Volatility Premium）的盛宴 [36] - 不“坚守”仓位，UTHR被稀释是因为其他标的预期收益-风险比（Risk-Adjusted Return）更高 [36] - 模型加入新“AI因子”：AI Capex敏感度（NVDA、TSM、AMD）、AI应用转化率（GOOGL、META、PLTR、CRWD）、AI替代风险（传统软件、传统媒体被降低权重） [36] “市场中性”的伪装——3,140只标的的分散魔法 - 极度分散配置构建“多空头寸的统计组合”，做多NVDA同时可能做空半导体ETF，做多META同时可能做空其他社交媒体平台 [37] - 3,140只标的净敞口（Net Exposure）可能远低于100% [37] - Q2的+33.19%业绩表明方向性敞口（Directional Exposure）显著增加，模型识别出AI主题动量持续性，主动放大净多头 [37] 风险与挑战 “黑箱”风险 - 模型是最高机密，投资者无法知道Q2的+33.19%是技能（Skill）还是运气（Luck） [38] - 关键因子失效（如AI动量因子反转）可能导致业绩迅速逆转 [38] - 3,140只标的的复杂性使风险管理成为巨大挑战 [38] “容量约束”——规模是业绩的敌人 - 13F持仓已达$72.6B，实际管理规模可能超过$1,000亿 [39] - 随着规模增长，可执行统计套利机会减少，大仓位进出市场冲击成本（Market Impact）增加 [40] - Q2的+33.19%可能是不可持续的 [40] “因子拥挤”——当所有人都在做同样的事 - Q2大幅加仓的NVDA、META、INTC、GOOGL等也是其他机构重仓标的 [41] - 市场反转时可能遭遇同步抛售，量化模型“止损纪律”可能加剧下跌 [41] - 2026年7月AI硬件股暴跌（SNDK、MU、NVDA跌幅超30%）可能已验证这一点 [41] “数据过拟合”——历史不会简单重复 - 模型基于历史数据训练，但AI革命是前所未有的结构性变化 [42] - 传统统计规律（如均值回归、波动率聚类）可能在AI主题下失效 [42] - 如果模型“过拟合”了2023-2026年的AI牛市数据，未来可能遭遇重大回撤 [42] 总结与展望 - AI主题的量化捕获：NVDA（1.95%）、META（1.57%）、INTC（1.41%）、GOOGL（1.14%）合计占约6.07%，是Q2业绩核心驱动力 [3][39] - 前十大持仓全面换血：Q1的UTHR-PLTR-AAPL-K.TO核心被NVDA-META-INTC-UTHR-PLTR取代，反映模型对AI硬件动量的强烈信号 [3][44] - 生物科技的统计坚守：UTHR、EXEL、CORT合计约2.92%，显示模型在AI热潮中并未放弃传统阿尔法来源 [3][44] - 极致分散的防御本质：3,140只标的、12.01%的前十大集中度，单一标的风险被充分稀释 [3][44] - 惊人换手率：Q2单季新建仓548只、加仓1,084只、减持1,502只、清仓621只，量化工厂“流水线”全速运转 [3][44] - 未来催化剂：模型迭代是否加入新“AI因子”或“地缘政治因子”、$72.6B规模是否接近策略容量上限、NVDA和META等热门标的量化持仓是否在市场反转时形成“踩踏”、Q2的+33.19%是趋势开始还是周期顶点 [44]

好的，作为一名熟练的金融工程分析师，我将对您提供的研报内容进行总结。 量化模型与构建方式 1. **模型名称：三维择时框架** [8] * **模型构建思路：** 通过监控市场分歧度、流动性和景气度三个维度的变化趋势，对市场整体走势进行判断 [8]。 * **模型具体构建过程：** 该模型综合三个维度的信息进行判断。当流动性保持下行趋势，分歧度回升趋缓，景气度重回上行趋势时，框架给出震荡下跌的判断 [8]。 2. **模型名称：ETF的热点趋势策略** [29] * **模型构建思路：** 基于K线形态识别上涨趋势的ETF，再通过支撑阻力因子筛选，最后结合短期换手率变化，选出市场关注度提升的ETF构建组合 [29]。 * **模型具体构建过程：** 1. **形态筛选：** 选出最高价与最低价同时为上涨形态的ETF [29]。 2. **因子构建：** 根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子 [29]。 3. **组合构建：** 选择支撑阻力因子多头组中，近5日换手率与近20日换手率比值最高（即短期市场关注度明显提升）的10只ETF，构建风险平价组合 [29]。 3. **模型名称：资金流共振策略** [35] * **模型构建思路：** 结合融资融券资金流和主动大单资金流，通过特定方式构建行业因子，并利用两者的共振效应进行行业选择 [35]。 * **模型具体构建过程：** 1. **行业融资融券资金因子构建：** 定义行业融资融券资金因子为barra市值因子中性化后的融资净买入-融券净买入（个股加总），取最近50日均值后的两周环比变化率 [35]。 2. **行业主动大单资金因子构建：** 定义行业主动大单资金因子为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值 [35]。 3. **策略构建：** 在主动大单因子的头部打分内，用融资融券因子的头部行业做负向剔除，并进一步剔除大金融板块，最终选出推荐行业 [35][37]。 4. **模型名称：全天候策略（高波版/低波版）** [39] * **模型构建思路：** 采用循环对冲设计，绕过宏观因素刻画，直击资产波动进行长期收益平衡，无需杠杆、预测或宏观假设即可获取稳健绝对收益 [39]。 * **模型具体构建过程：** 1. **高波版：** 采用四层结构化-股债金风险平价模型进行配置 [41]。 2. **低波版：** 采用五层结构化-风险预算模型进行配置 [44]。 * **模型评价：** 该策略以分散风险为目的，通过资产选择、风险调整、结构对冲三项基本原则实现收益稳定性 [39]。 5. **模型名称：国联民生金工指数增强组合（沪深300/中证500/中证1000）** [60] * **模型构建思路：** 以经典线性多因子选股模型为核心，通过因子筛选、因子加权和组合优化三个步骤，构建相对于基准指数的增强组合 [60][63]。 * **模型具体构建过程：** 1. **因子筛选：** 每年末，基于因子值之间的相关系数以及Rank ICIR指标，优选有效因子 [63]。 2. **因子加权：** 每月末，对入选因子进行正交处理，并采用Rank ICIR加权方式合成复合因子，作为个股的Alpha得分 [63]。 3. **组合优化：** 在给定风险约束条件下，以最大化复合因子暴露为目标，求解股票的最优权重，分别构建以沪深300、中证500和中证1000为基准的增强组合 [63]。 量化因子与构建方式 1. **因子名称：支撑阻力因子** [29] * **因子构建思路：** 通过衡量K线最高价与最低价近20日回归系数的相对陡峭程度，来判断价格趋势的支撑或阻力强度 [29]。 * **因子具体构建过程：** 对ETF的最高价和最低价分别进行近20日的线性回归，计算回归系数，并根据系数的相对陡峭程度构建因子 [29]。 2. **因子名称：行业融资融券资金因子** [35] * **因子构建思路：** 衡量行业层面融资融券资金的净流入变化趋势 [35]。 * **因子具体构建过程：** 将个股的融资净买入减去融券净买入，进行barra市值因子中性化处理后加总到行业层面，取最近50日均值，再计算两周环比变化率 [35]。 3. **因子名称：行业主动大单资金因子** [35] * **因子构建思路：** 衡量行业层面主动大单资金的净流入强度 [35]。 * **因子具体构建过程：** 对行业最近一年的成交量进行时序中性化处理，然后对净流入进行排序，并取最近10日均值 [35]。 4. **因子名称：风格因子** [52] * **因子构建思路：** 通过截面回归等方式，衡量不同风格（如流动性、贝塔、波动率等）对股票收益的影响 [52]。 * **因子具体构建过程：** 报告跟踪了市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆等10个风格因子的截面收益 [53]。 5. **因子名称：Alpha因子** [56] * **因子构建思路：** 从多维度（如动量、反转、质量、成长、预期等）构建选股因子，以获取超越市场的Alpha收益 [56]。 * **因子具体构建过程：** 报告对多个Alpha因子进行了跟踪，包括但不限于： * **12个月残差动量因子 (specific_mom12):** 衡量股票过去12个月剔除市场影响后的动量 [57]。 * **1个月的收益率因子 (reverse_1m):** 衡量股票过去1个月的收益率，通常用于反转策略 [57]。 * **特质波动率比率因子 (ivr):** 衡量股票的特质波动率 [57]。 * **速动资产/流动负债因子 (quick_ratio):** 衡量公司的短期偿债能力 [57]。 * **近5日VWAP/近60日VWAP因子 (vwap_5d_60d):** 衡量短期价格相对于中期均价的强弱 [57]。 * **spread_bias因子:** 定义为 -(ln(个股净值)-ln(特征组合净值))，过去60日标准化，特征组合由过去252日收益率相关系数最高的10只股票等权构成 [57]。 * **1年-1个月的收益率因子 (mom_1y_1m):** 衡量股票过去12个月剔除最近1个月的动量 [57]。 * **5日均价/60日均价因子 (clo_5d_60d):** 衡量短期价格相对于中期均价的强弱 [57]。 * **研发销售收入占比因子 (tot_rd_ttm_to_sales):** 衡量公司的研发投入强度 [57]。 * **(销售费用_TTM+管理费用_TTM+财务费用_TTM)/营业收入_TTM因子 (safexp_operrev):** 衡量公司的费用率 [57]。 * **收盘价与换手率的相关系数因子 (corr_close_turnover):** 衡量价格与成交量的相关性 [57]。 * **(营业利润ttm-过去八个季度的营业利润ttm均值)/过去八个季度的营业利润ttm标准差因子 (op_ttm_growth_std):** 衡量营业利润增长的稳定性 [57]。 * **管理费用/总销售收入因子 (gaexp_sales):** 衡量公司的管理费用率 [57]。 * **单季度营业收入同比增速因子 (yoy_or_q):** 衡量公司营收的增长 [57]。 * **资产/负债因子 (debt_asset_ratio):** 衡量公司的杠杆水平 [57]。 * **(当期 ROE-去年同期 ROE)/去年同期 ROE 绝对值因子 (yoy_roe):** 衡量ROE的同比变化 [57]。 * **每股营业收入同比增长率因子 (yoy_orps):** 衡量每股营收的增长 [57]。 * **资产负债率同比变化率因子 (debt_ratio_yoy):** 衡量杠杆水平的同比变化 [57]。 * **单季度净利润同比增长因子 (yoy_np_q_report):** 衡量净利润的增长 [57]。 * **单季度净利润同比增速因子 (yoy_np_q):** 衡量净利润的增长速度 [57]。 * **营业利润_TTM/销售费用_TTM因子 (oper_salesexp):** 衡量销售费用的投入产出效率 [59]。 * **(当前一致预测roe_FY1-1个月前一致预测roe_FY1)/1个月前一致预测roe_FY1绝对值因子 (mom1_roe_fy1):** 衡量分析师对ROE预期的上调幅度 [59]。 * **一致预期EPS动量因子 (mom_est_eps):** 衡量分析师对EPS预期的变化趋势 [59]。 * **重仓股数占个股流通股比值因子 (top_ten_io_to_float_a_share):** 衡量基金重仓持股的集中度 [59]。 * **基金总持股数环比变动/个股期初流通股数因子 (delta_io_to_float_share):** 衡量基金持股的环比变化 [59]。 * **每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅因子 (ideal_reversal):** 衡量信息交易者的行为 [59]。 * **研发总资产占比因子 (tot_rd_ttm_to_assets):** 衡量研发投入相对于总资产的比重 [59]。 模型与因子的回测效果 1. **ETF的热点趋势策略** [29] * 2025年以来收益：60.89% [29] * 相比沪深300指数的超额收益：38.76% [29] 2. **资金流共振策略** [35] * 2018年以来费后年化超额收益：11.8% [35] * 信息比率 (IR)：1.1 [35] * 本周绝对收益：-0.79% [35] * 相对行业等权超额收益：-0.95% [35] 3. **全天候策略（高波版）** [49] * 截至2025年，年化收益率：11.8% [49] * 截至2025年，年平均最大回撤：4.3% [49] * 截至2025年，夏普比率：1.9 [49] * 2026年以来收益率：8.9% [49] 4. **全天候策略（低波版）** [49] * 截至2025年，年化收益率：6.7% [49] * 截至2025年，年平均最大回撤：1.8% [49] * 截至2025年，夏普比率：2.4 [49] * 2026年以来收益率：3.0% [49] 5. **沪深300指数增强组合** [60][64] * 本周超额收益：1.2% [60] * 本月超额收益：5.8% [60] * 本年超额收益：16.0% [60] * 自2016年1月1日以来，年化超额收益：9.9% [64] * 自2016年1月1日以来，年化信息比：2.28 [64] * 自2016年1月1日以来，超额最大回撤：-5.3% [64] 6. **中证500指数增强组合** [60][67] * 本周超额收益：0.6% [60] * 本月超额收益：1.1% [60] * 本年超额收益：14.8% [60] * 自2016年1月1日以来，年化超额收益：13.8% [67] * 自2016年1月1日以来，年化信息比：2.79 [67] 7. **中证1000指数增强组合** [60][71] * 本周超额收益：-0.1% [60] * 本月超额收益：0.2% [60] * 本年超额收益：9.7% [60] * 自2016年1月1日以来，年化超额收益：16.8% [71] * 自2016年1月1日以来，年化信息比：3.34 [71] 8. **风格因子（最近一周）** [53] * 流动性因子：1.83% [52] * 贝塔因子：1.73% [52] * 波动率因子：1.06% [52] * 市值因子：-3.58% [53] * 动量因子：0.89% [53] * 非线性市值因子：-2.42% [53] * 价值因子：-1.23% [53] * 盈利收益率因子：-1.80% [53] * 成长因子：-0.28% [53] * 杠杆因子：-1.11% [53] 9. **Alpha因子（近一周多头超额）** [57] * 12个月残差动量因子 (specific_mom12)：1.11% [56][57] * 1个月的收益率因子 (reverse_1m)：0.75% [56][57] * 特质波动率比率因子 (ivr)：0.75% [56][57] * 速动资产/流动负债因子 (quick_ratio)：0.72% [57] * 近5日VWAP/近60日VWAP因子 (vwap_5d_60d)：0.72% [57] * spread_bias因子：0.70% [57] * 1年-1个月的收益率因子 (mom_1y_1m)：0.70% [57] * 5日均价/60日均价因子 (clo_5d_60d)：0.66% [57] * 研发销售收入占比因子 (tot_rd_ttm_to_sales)：0.57% [57] * (销售费用_TTM+管理费用_TTM+财务费用_TTM)/营业收入_TTM因子 (safexp_operrev)：0.47% [57] * 收盘价与换手率的相关系数因子 (corr_close_turnover)：0.46% [57] * (营业利润ttm-过去八个季度的营业利润ttm均值)/过去八个季度的营业利润ttm标准差因子 (op_ttm_growth_std)：0.45% [57] * 管理费用/总销售收入因子 (gaexp_sales)：0.44% [57] * 单季度营业收入同比增速因子 (yoy_or_q)：0.40% [57] * 资产/负债因子 (debt_asset_ratio)：0.39% [57] * (当期 ROE-去年同期 ROE)/去年同期 ROE 绝对值因子 (yoy_roe)：0.38% [57] * 每股营业收入同比增长率因子 (yoy_orps)：0.38% [57] * 资产负债率同比变化率因子 (debt_ratio_yoy)：0.37% [57] * 单季度净利润同比增长因子 (yoy_np_q_report)：0.36% [57] * 单季度净利润同比增速因子 (yoy_np_q)：0.36% [57] 10. **Alpha因子（最近一年，分指数多头超额）** [59] * **沪深300中：** * 营业利润_TTM/销售费用_TTM因子 (oper_salesexp)：26.30% [58][59] * (当前一致预测roe_FY1-1个月前一致预测roe_FY1)/1个月前一致预测roe_FY1绝对值因子 (mom1_roe_fy1)：24.77% [58][59] * 一致预期EPS动量因子 (mom_est_eps)：22.87% [59] * 评级上下调差/评级上下调和因子 (est_num_diff)：21.52% [59] * (当前一致预测eps_FY1-1个月前一致预测eps_FY1)/1个月前一致预测eps_FY1绝对值因子 (mom1_eps_fy1)：19.64% [59] * **中证500中：** * (当前一致预测roe_FY1-1个月前一致预测roe_FY1)/1个月前一致预测roe_FY1绝对值因子 (mom1_roe_fy1)：7.98% [58][59] * 研发销售收入占比因子 (tot_rd_ttm_to_sales)：7.86% [59] * (当前一致预测np_FY1-1个月前一致预测np_FY1)/1个月前一致预测np_FY1绝对值因子 (mom1_np_fy1)：6.01% [59] * 12个月残差动量因子 (specific_mom12)：4.81% [59] * 每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅因子 (ideal_reversal)：3.74% [59] * **中证800中：** * 一致预期EPS动量因子 (mom_est_eps)：20.64% [58][59] * (当前一致预测np_FY1-1个月前一致预测np_FY1)/1个月前一致预测np_FY1绝对值因子 (mom1_np_fy1)：20.51% [58][59] * 研发销售收入占比因子 (tot_

好的，作为一名熟练的金融工程分析师，我将对您提供的量化研报内容进行总结。 量化模型与构建方式 1. **模型名称：经济六周期模型与宏观偏离度模型**[44] * **模型构建思路**：从国内货币传导流程出发，搭建“货币-信用-增长”六周期框架，并通过资产价格倒推隐含周期来刻画市场情绪，构建宏观偏离度指标。当偏离较低时，跟随市场情绪做动量；当偏离过高时，做反转博取反弹收益或规避急剧回撤[44]。 * **模型具体构建过程**：报告未提供具体的公式和详细构建步骤，仅描述了模型框架和当前状态。当前真实周期为阶段6-货币扩张，资产隐含周期为阶段1-信用扩张，处于市场预期扩张+高偏离状态，信号看空风险资产[44]。 2. **模型名称：A股景气度高频指数**[52] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建A股景气度高频指数，用于高频跟踪A股整体景气度[52]。 * **模型具体构建过程**：报告未提供具体的公式和详细构建步骤，仅描述了模型的目标和当前状态。当前景气指数正缓慢呈现出震荡上行趋势[52]。 3. **模型名称：A股情绪指数（包含见底预警与见顶预警）**[59] * **模型构建思路**：将市场按照波动率和成交额的变化方向划分为四个象限，其中“波动上-成交下”的区间为显著负收益，其余为显著正收益。据此构造见底预警与见顶预警指数[59]。 * **模型具体构建过程**：报告未提供具体的公式和详细构建步骤，仅描述了模型逻辑和当前信号。当前市场波动率处于上行区间，见底信号指向看空；成交额处于下行区间，见顶信号指向看空；综合信号为看空[62][65]。 4. **模型名称：国盛特色量价指增组合**[92] * **模型构建思路**：基于国盛特色量价因子库，使用树模型对因子进行组合得到合成因子，并以此构建沪深300、中证500、中证1000的指增组合[92]。 * **模型具体构建过程**：指增组合均为月度调仓，约束条件为行业偏离不超过1%、个股权重上下限偏离不超过1%、指数成分股权重之和不低于85%[92]。报告未提供具体的树模型和因子公式。 5. **模型名称：国盛金工多因子选基FOF组合**[110] * **模型构建思路**：综合基金经理稳健换股能力、基金经理剔除风格后选股能力、内部管理人认可程度、负向规模等多个维度，对主动权益型基金进行综合打分，季度选取打分TOP20基金构建组合[110]。 * **模型具体构建过程**：报告未提供具体的打分公式和详细构建步骤。 6. **模型名称：国盛金工沪深300增强FOF组合**[111] * **模型构建思路**：以最优化复合多因子Alpha为目标，使用穿透+测算的方式控制FOF组合相对基准的行业风格暴露，构建沪深300增强FOF组合[111]。 * **模型具体构建过程**：报告未提供具体的优化公式和详细构建步骤。 模型的回测效果 1. **国盛特色量价沪深300增强组合**：2018年至今，年化超额收益16.08%，超额信息比率2.58，超额最大回撤10.26%[96]。 2. **国盛特色量价中证500增强组合**：2018年至今，年化超额收益18.76%，超额信息比率2.59，超额最大回撤9.91%[99]。 3. **国盛特色量价中证1000增强组合**：2018年至今，年化超额收益27.80%，超额信息比率3.16，超额最大回撤12.01%[102]。 4. **国盛金工多因子选基FOF组合**：自2014年以来，年化收益率18.34%，相对偏股混合型基金指数年化超额7.50%，信息比率1.53[110]。 5. **国盛金工沪深300增强FOF组合**：自2017年以来，年化收益率12.75%，相对沪深300指数年化超额8.19%，信息比率2.06[111]。 量化因子与构建方式 1. **因子名称：十大类风格因子（BARRA因子模型）**[71] * **因子构建思路**：参照BARRA因子模型，对A股市场构建十大类风格因子，用于分析市场风格表现和指数收益归因[71]。 * **因子具体构建过程**：报告未提供具体的因子计算公式，仅列出了因子名称，包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[71]。 因子的回测效果 1. **十大类风格因子**：本周（截至2026/8/14），Beta因子超额收益较高，非线性市值因子呈较为显著的负向超额收益。从近期因子表现来看，Beta因子表现优异，市值、成长因子表现不佳[72]。