行业整体态势 - 私募基金行业呈现“规模扩容、主体出清”同步演进态势 [3] - 截至2026年一季度末，存续私募基金14.09万只，存续基金规模22.72万亿元，创历史新高 [3] - 截至一季度末存续私募基金管理人1.91万家，今年以来已有180余家注销 [3] - 自2025年1月以来，存续私募基金管理人数量逐月下降，期间累计注销数量已超千家 [3] 头部机构表现 - 百亿私募扩容和“吸金”步伐更快，截至4月21日国内百亿私募数量达131家 [3] - 幻方量化、九坤投资等四家头部量化私募在一季度末管理规模均已突破800亿元，向千亿规模迈进 [3] - 市场资金风险偏好转向“合规确定性”和“长期不犯错”，头部机构信用壁垒迅速膨胀 [4] - 行业正经历由注册制深化和监管驱动的供给侧改革，告别靠单一猛人、赌风格的作坊时代 [4] 量化私募增长 - 自2025年7月以来，私募基金管理规模已连续9个月正增长，私募证券投资基金贡献主要增量 [6] - 截至一季度末，存续私募证券投资基金规模7.46万亿元，较2025年7月增长26.87%，远高于私募股权投资基金同期1.36%和创业投资基金10.4%的涨幅 [6] - 百亿量化私募是私募证券投资基金规模增长的主力 [7] - 2026年一季度私募证券产品累计备案3746只，同比增长超60% [7] - 百亿量化私募明浤投资以89只备案数量领先，黑翼资产、衍复投资等百亿量化私募包揽备案数量前10名 [7] - 截至一季度末，市场共有61家百亿量化私募，较2025年末增加9家，其中10家头部量化私募管理规模超500亿元 [7] - 今年一季度量化策略平均收益为3.35%，套利、对冲等低波策略在2月、3月连续平均收益为正，而同期主观多头股票策略平均收益出现亏损 [7] - 在A股结构性行情下，量化策略和指增策略能捕捉行业轮动机遇，带来更丰厚回报 [8] - 头部量化机构具备强大算力、投研和技术壁垒，策略成熟能承接大体量资金，深受银行、FOF等机构资金青睐 [8] 行业出清与监管 - 财务风险较高的尾部私募正在加速出清 [10] - 自2025年2月私募基金管理人数量跌破2万家后持续减少，近一年来单月均有至少20家注销，2025年1月和9月单月注销数量超200家 [11] - 从2025年1月至2026年3月末，已有1400余家私募基金管理人注销 [11] - 监管是推动出清的主要力量，坚持分类施策、扶优限劣，打击乱私募，出清伪私募 [11] - 近一年来因异常经营、失联等情形被基金业协会注销的私募基金超130家 [11] - 今年以来证监会和基金业协会发布新规，直指底层资产不透明、信息不对称等痛点，释放加强监管信号 [11] - 截至今年3月末，存续私募基金管理人数量较历史峰值的24000家累计下降超20% [12] - 无在管规模的管理人由2021年底的833家降到2024年底的167家 [12] - 管理规模在5000万元以下的管理人比例从2021年的55.48%下降至2024年的48.24% [12] - 行业告别野蛮生长，进入优胜劣汰、高质量发展新阶段，合规经营与稳健盈利能力成为长期生存核心门槛 [12] 行业集中与成熟 - 头部机构持续性吸引市场大部分资金是市场自发选择的结果，类似美国对冲基金经验 [13] - 头部机构通过增加投研、运营等投入反哺业绩提升，实现良性循环 [13] - 以百亿管理人为首的头部管理人已逐渐实现与对冲基金相似的资金吸引能力，是行业逐步规范化和专业化发展的重要信号 [13] - 美国管理规模超50亿美元的对冲基金数量占比仅5%左右，却掌握行业近九成资产，显示“马太效应”具有全球性 [13] - 合规风控已成为私募基金行业生存的第一准入门槛 [14] - 在3月全球市场波动加剧、避险情绪升温背景下，私募基金产品规模不降反升，且增长仍以股票类策略为主，显示市场资金对私募基金信任程度较高 [14] - 仅2026年一季度，私募证券基金新备案规模达1718亿元，已超过2024年全年新备案规模 [14] - 若保持当前产品备案节奏，私募证券投资基金规模有望再创历史新高 [14]

hjn 2026 年 04 月 27 日 证券研究报告 | 公募基金周报 2026/4/27 分析师：卫以诺 分析师登记编码：S0890518120001 电话：021-20321014 邮箱：weiyinuo@cnhbstock.com ETF 热点跟踪及量化策略指数周报 分析师登记编码：S0890522110001 电话：021-20321297 邮箱：chengbingzhe@cnhbstock.com 研究助理：张君睿 邮箱：zhangjunrui@cnhbstock.com 021-20515355 华宝研究大小盘轮动 ETF 策略指数：华宝研究大小盘轮动 ETF 策略指数利用 多维度技术指标因子，采用机器学习模型对申万大盘指数和申万小盘指数的收 益差进行预测。模型周度输出信号，预测下一周指数的强弱，并根据结果决定 持仓，获取相对市场的超额回报。截至 2026/4/24，2026 年以来超额收益为 4.17%，近一月超额收益为-1.06%，近一周超额收益为-0.52%。 销售服务电话： 相关研究报告 华宝研究 SmartBeta 增强 ETF 策略指数：华宝研究 SmartBeta 增强 ETF 策 ...

华宝研究热点跟踪ETF策略指数 - 该策略指数通过分析市场情绪、行业重大事件、投资者情绪与专业观点、政策法规变动及历史演绎来及时跟踪挖掘热点，构建旨在捕捉短期市场趋势的ETF组合[1] - 截至2026年4月24日，该策略指数近一月超额收益为-1.58%，近一周超额收益为-1.65%[1] - 在2026年4月27日当周，策略关注电力方向中的核电主线，新增配置5%的电力ETF广发作为防御属性的观察仓[5] 华宝研究大小盘轮动ETF策略指数 - 该策略指数利用多维度技术指标因子，采用机器学习模型预测申万大盘指数与申万小盘指数的收益差，根据周度信号决定持仓以获取超额回报[1] - 截至2026年4月24日，该策略指数2026年以来超额收益为4.17%，近一月超额收益为-1.06%，近一周超额收益为-0.52%[1] 华宝研究SmartBeta增强ETF策略指数 - 该策略指数利用量价类指标对自建barra因子进行择时，并根据ETF在9大barra因子上的暴露度将信号映射到ETF上，选取范围涵盖主流宽基及风格、策略ETF[2] - 截至2026年4月24日，该策略指数2026年以来超额收益为-0.49%，近一月超额收益为-1.49%，近一周超额收益为0.37%[2] 华宝研究行业轮动ETF策略指数 - 该策略指数从多因子角度出发，结合中长期基本面、短期市场趋势及市场参与者行为分析，通过估值与拥挤度信号提示风险，多维度挖掘潜力板块[2] - 截至2026年4月24日，该策略指数2026年以来超额收益为3.94%，近一月超额收益为-2.44%，近一周超额收益为0.18%[2] 华宝研究债券ETF久期策略指数 - 该策略指数采用债券市场流动性指标和量价指标筛选择时因子，并通过机器学习方法预测债券收益率，在预期收益率低于阈值时减少长久期仓位以提升收益和控制回撤[3] - 截至2026年4月24日，该策略指数近一月超额收益为-0.13%，近一周超额收益为-0.06%[3] 策略指数构建与应用 - 借助ETF可以将量化模型或主观观点转化为可实操的配置策略，华宝研究构建了多个策略指数并以周度为频率跟踪其绩效和持仓[4] - 策略指数分为两类：基于市场情绪和热点事件由研究团队精选的热点跟踪ETF策略指数，以及基于量化因子及模型在风格、大小盘及行业维度优选ETF的量化策略指数[4]

报告行业投资评级 报告未提及行业投资评级相关内容 报告核心观点 - 上周各期债分化，30年期主力合约收跌0.09%，十年期主力合约收跌0.01%，五年期主力合约收涨0.03%，两年期主力合约收涨0.02%，各品种基差也有分化，市场风险偏好逐渐走弱，期债避险属性被激活，股市长期牛市逻辑未变且国债自身票息收益吸引力不大时，国债期货下行趋势不宜反转，仅当权益或风险资产预期收益边际下降时，债市短期避险交易属性更明显 [6] - 上周国内商品总体涨多跌少，低硫燃油、尿素、LPG、棕榈油等涨幅居前，白银、铝、黄金跌幅较多，截面商品因子表现差异分化，基差类因子表现最好，期限结构类、波动率类、仓单类因子有小幅正收益，持仓类、量价趋势类因子约有0.5%的跌幅 [12][14] 各部分总结 国债期货量化策略 - 行情简评：上周各期债及基差分化，市场风险偏好走弱激活期债避险属性，股市和国债情况影响国债期货趋势，给出十年期国债样本外和报告发布以来单倍杠杆下组合年化收益率、夏普比及最大回撤数据 [6] - 日频择时策略：介绍单边策略表现，包括构造方式、大类因子类别、信号生成方式和回测细节，给出十债自2021/01/01以来样本外及报告发布后的统计表现 [8][10] 商品CTA因子及策略表现 - 商品因子表现：上周国内商品涨多跌少，截面商品因子表现差异分化，基差类因子表现最好，期限结构类、波动率类、仓单类因子有小幅正收益，持仓类、量价趋势类因子约有0.5%的跌幅 [12][14] - 跟踪策略表现：给出CWFT、C_frontnext & Short Trend等7种策略的年化收益、夏普比率、Calmar、最大回撤、最近一周收益、今年以来收益等数据，还给出各策略上周和本周持仓品种、净持仓、总持仓收益、胜率、表现较好和较差的品种、需展期品种及总的换手资金比例等信息，指出上周和今年以来表现最好的是Long CWFT & Short CWFT策略，还介绍了截面策略的等权复合策略的相关数据 [13][23][34]

核心观点 该报告针对传统因子动量有效性下降的问题，提出通过引入多维价量信息来增强风格因子轮动策略的方法[1][3] 报告构建了涵盖动量、技术指标、估值、拥挤度及组合内部分化等60个维度的价量特征，并通过静态和动态合成方法，形成“升级版”的因子筛选信号[3][40] 将这一新信号与原有的宏观因子共振模型结合后，在沪深300、中证500等指数增强组合中取得了优于原策略的表现，特别是在2021年后因子动量失效的阶段，提升效果更为明显[66][74][79] 根据目录总结 1. 因子动量有效性下降 - 传统因子动量（如12个月ICIR与次月因子IC的相关性）的有效性自2020年以来明显减弱，尤其是在中证500中，2025年下半年出现显著下滑[3][9][16] 例如，2012-2020年间，中证500的120日动量平均周度IC为7.00%，ICIR为1.17；而2021-2026年3月期间，平均周度IC降至1.17%，ICIR降至0.19[16] 2. 引入风格因子的多维价量指标 2.1 动量类指标 - 除了传统价格动量（120日、240日、480日），报告补充了净值分位数和创新高次数两个衍生动量指标[3][17] 在2021-2026.3期间，这些衍生指标衰减程度尚可，例如中证500的净值分位数指标平均周度IC为2.03%，ICIR为0.44[20] 2.2 衍生技术指标 - 报告计算了SMA、EMA、RSI、BB、MACD等经典技术指标[3][21] 许多技术指标在2021年后的衰减情况优于传统动量指标，保持了较好的筛选效果[23] 例如，2021-2026.3期间，中证1000的40日SMA指标平均周度IC达6.05%，ICIR为1.52[23] 2.3 估值、拥挤度指标 - 报告构建了基于因子组合估值（PE/PB/PS分位数）和换手率（拥挤度）的左侧指标[3][24][25] 整体来看，这类指标在A股因子横向排序中效果较差且不稳定[27] 例如，沪深300的PE分位数V1指标在2012-2020年平均周度IC为3.10%，但在2021-2026.3转为-0.79%[27] 不过，其对部分大盘股因子（如低波动率、低流动性）有一定的高位警示作用[31][33] 2.4 组合内部分化指标 - 报告引入了因子组合内部个股的上涨百分比、收益分化度等指标[3][35] 这些指标作为因子筛选的补充，其IC的平均水平和稳定性优于简单动量[39] 例如，在2021-2026.3期间，中证500的5日上涨百分比指标平均周度IC达6.49%，ICIR为1.04[37] 3. 多维价量指标的合成及在因子共振中的应用 3.1 多维价量指标的合成 - 报告尝试了静态合成和动态合成两种方法，将60个价量特征合成为综合信号[3][40][47] 静态合成在沪深300中改善明显（年化收益从7.34%提升至10.12%），但在中证500和中证1000中改善有限[50] - 动态合成采用随机森林筛选重要特征后再等权合成的方法，表现更为稳健[3][51] 动态合成信号在各股票池均提升了收益和夏普率，例如中证500的年化收益从9.31%提升至11.09%，夏普率从0.45提升至0.51[54] - 动态合成信号对异常现象更敏感，例如在中证500中，高波动率、高流动性、短期动量等反向因子的选择频次在近一年明显较高[3][64] 而估值类指标在动态筛选中贡献较弱[64] 3.2 与原因子共振组合的结合 - 将动态合成的“升级版”价量筛选信号与原有的宏观因子筛选方法结合，形成新的因子共振模型[3][66] 新模型下的因子多头组合表现优于原模型，例如中证500的新组合年化收益达10.62%，高于原宏观+动量组合的8.54%[69] - 在指数增强组合中应用新信号，周度调仓方案相比原共振组合有进一步表现提升[3][72] 例如，中证500周频方案的年化超额收益从8.82%提升至10.10%，信息比从1.98提升至2.35[72] - 但周度调仓会提升换手率，月频方案在沪深300中表现仍佳，但在中证500中表现明显下降，说明中证500中选出的反向信号（如高波动率）需要更高频监控[3][72][74] 2023年以来，周频策略的提升更为明显，表明新信号有效应对了近三年因子动量减弱的问题[74] 4. 总结 - 报告通过引入多维价量指标，有效补充了单一的因子动量筛选方法[3][77] 技术指标和组合内部分化指标表现稳健，而因子估值和拥挤度指标在A股横向排序中效果有限[77][78] - 动态合成方法能更稳健地合成有效特征，提升因子选择效果[79] 最终，将新价量信号与宏观模型结合，在指数增强策略中取得了优于原策略的表现，特别是在因子动量失效期[79][80]

华宝研究ETF策略指数整体概览 - 公司构建了五大ETF策略指数，旨在通过量化模型或主观观点捕捉市场机会，并以周度为频率跟踪绩效和持仓 [5] - 截至2026年4月17日，各策略指数表现分化：热点跟踪策略近一月超额收益为**1.71%**；大小盘轮动策略2026年以来超额收益为**4.70%**；SmartBeta增强策略近一周超额收益为**2.75%**；行业轮动策略2026年以来超额收益为**3.72%**；债券久期策略近一周超额收益为**0.02%** [2][3][4] 热点跟踪ETF策略指数 - 该策略通过分析市场情绪、行业重大事件、投资者情绪、政策变动及历史演绎，构建ETF组合以捕捉短期市场趋势 [2] - 截至2026年4月17日，该策略近一周超额收益为**0.01%**，近一月超额收益为**1.71%** [2] - 本周策略继续关注稀土板块，核心催化剂是欧美试图达成关键矿产合作协议以打破中国主导地位的“去中国化”叙事 [7] - 分析认为，协议中“最低价格保障”机制是对中国稀土成本优势和定价权的认证，客观上对全球稀土价格中枢形成支撑 [8] - 同时，由于西方替代产能（如法日CareMag工厂）单位生产成本已达中国的**2-3倍**，且核心分离技术依赖占全球**三分之二**的中国专利，短期内难以大规模放量，协议草案反而印证了中国全产业链的阶段性优势 [8] - 中美“稀土停火协议”窗口期（至2026年11月10日）到期前的预期博弈，将成为二季度至三季度板块的重要催化剂 [8] - 本周策略持仓为等权重配置四只ETF：港股通医药ETF易方达(**25.00%**)、港股红利ETF博时(**25.00%**)、有色ETF汇添富(**25.00%**)、稀有金属ETF嘉实(**25.00%**) [10] 量化ETF策略指数跟踪 大小盘轮动ETF策略指数 - 该策略利用多维度技术指标因子，采用机器学习模型预测申万大盘与小盘指数的收益差，周度调仓以获取超额回报 [12] - 截至2026年4月17日，该策略2026年以来超额收益为**4.70%**，近一周及近一月超额收益均为**-0.30%** [12] - 本周策略持仓为100%配置于沪深300ETF华泰柏瑞 [14] SmartBeta增强ETF策略指数 - 该策略利用量价指标对自建Barra因子进行择时，并将信号映射到ETF上，ETF选取涵盖主流宽基及风格、策略产品 [15] - 截至2026年4月17日，该策略近一周收益为**5.04%**，相对中证800指数超额收益为**2.75%**；但2026年以来超额收益为**-0.87%** [15][17] 行业轮动ETF策略指数 - 该策略从多因子角度出发，结合中长期基本面、短期市场趋势及市场参与者行为分析，通过估值与拥挤度信号挖掘潜力板块 [18] - 截至2026年4月17日，该策略2026年以来超额收益为**3.72%**，但近一月超额收益为**-2.95%** [18] 债券ETF久期策略指数 - 该策略采用债券市场流动性及量价指标，通过机器学习预测债券收益率，动态调整久期以提升收益和控制回撤 [20] - 截至2026年4月17日，该策略近一周超额收益为**0.02%**，近一月超额收益为**-0.01%**，但成立以来超额收益达**16.83%** [4][22]

报告行业投资评级 未提及 报告的核心观点 CTA策略累计收益27.03%，本周亏损2.83%；多因子策略累计收益18.33%，本周亏损2.66% [1] 各章节总结 智能指标信号汇总 - 介绍智能指标是广发期货研究所开发的技术指标分析体系，以品种加权数据为基础，用均线等指标进行趋势分析，有趋势星级评分，还对持仓量和成交量变化进行分析 [8] - 宏观金融板块：50股指加权、沪金加权、沪银加权、集运欧线加权震荡，其余品种看涨；多数品种持仓量减少，部分增加；成交量方面部分活跃部分平稳 [9] - 有色黑色板块：氧化铝、铁矿石等部分品种看跌，其余多数看涨；持仓量部分增加部分减少；成交量部分活跃部分平稳 [10] - 能源化工板块：部分品种震荡，纸浆、原油等部分品种看跌，20号胶等部分品种看涨；持仓量部分增加部分减少；成交量多数活跃 [11] - 农产品板块：玉米等部分品种看涨，豆油等部分品种看跌，生猪等部分品种震荡；持仓量部分增加部分减少；成交量部分活跃部分平稳 [12] CTA策略跟踪表现 - 策略基于均线排列系统的趋势跟踪策略，可在不同级别K线运行，通过捕捉趋势行情获利，有开仓等信号和仓位管理；子策略按不同时间周期设计 [17] - 投资范围包括期货市场全品种 [18] - 成立于2025 - 10 - 27，累计净值1.2703，累计收益率27.03%，本周收益率 - 2.83%，胜率40.58%，盈亏比2.53，最大收益39.42%，最大回撤9.96%，最大收益回撤比3.96，截至周末持仓仓位19.8% [19] - 按子策略分析，近一周多周期组合趋势子策略盈利0.84%，短趋势子策略亏损3.67% [24] - 按交易品种分析，盈利前两名为原油0.9%，白银0.84%；亏损前三为烧碱 - 0.72%，纸浆 - 0.6%，黄金 - 0.51% [26] 多因子策略跟踪表现 - 以多维度相关性构建，用皮尔逊相关系数公式计算因子构建RCMS多因子策略模型；平均单品种投资周期为中长期，以日度数据为基础，大部分品种持仓周期1个月至一年 [31] - 投资范围为期货市场全品种 [31] - 成立于2026 - 02 - 02，累计净值1.1833，累计收益率18.33%，本周收益率 - 2.66%，胜率56.52%，盈亏比1.08，最大收益43.96%，最大回撤19.30%，最大收益回撤比2.28，当前持仓仓位40.13% [35] - 截至本周末，持有多头头寸棉花、中证500、br橡胶、沪镍、沥青、甲醇；持有空头头寸菜籽粕、生猪；本周收益 - 2.66%，收益前两名为棉花1.65%，菜籽粕0.12%；亏损前二为生猪 - 4%，甲醇 - 0.45% [37]

报告行业投资评级 未提及 报告的核心观点 报告介绍华宝研究的多个ETF策略指数，包括热点跟踪、大小盘轮动、SmartBeta增强、行业轮动和债券ETF久期策略指数，展示各指数截至2026/4/17的收益情况，并对热点跟踪指数关注的稀土板块进行分析[6][7][15]。 根据相关目录分别进行总结 华宝研究热点跟踪ETF策略指数 - 根据市场情绪等策略构建ETF组合，提供短期市场趋势参考 截至2026/4/17，近一月超额收益1.71%，近一周0.01% [6][15] - 本周关注稀土板块 欧盟与美国接近达成关键矿产合作协议，但落地存不确定性 该协议对稀土板块是核心催化剂，因“最低价格保障”支撑价格，且短期内替代产能难放量 中美“稀土停火协议”处于窗口期，预期博弈将成板块催化剂 [15][16] - 持仓包括港股通医药ETF易方达、港股红利ETF博时、有色ETF汇添富、稀有金属ETF嘉实，权重均为25.00% [20] 量化ETF策略指数跟踪 华宝研究大小盘轮动ETF策略指数 - 利用多维度技术指标因子和机器学习模型预测申万大小盘指数收益差，周度输出信号决定持仓获取超额回报 截至2026/4/17，2026年以来超额收益4.70%，近一月-0.30%，近一周-0.30% [18] - 持仓为沪深300ETF华泰柏瑞，权重100% [24] 华宝研究SmartBeta增强ETF策略指数 - 利用量价类指标对自建barra因子择时，依据ETF在9大barra因子暴露度映射择时信号，选取主流宽基和风格、策略ETF 截至2026/4/17，2026年以来超额收益-0.87%，近一月-0.61%，近一周2.75% [21] - 持仓包括科创综指ETF华夏（25.18%）、科创50ETF华夏（25.02%）、科创100ETF鹏华（24.96%）、创业板200ETF南方（24.84%） [27] 华宝研究行业轮动ETF策略指数 - 从多因子角度出发，把握基本面、跟踪市场趋势、分析参与者行为，通过估值与拥挤度信号提示风险，挖掘潜力板块获取超额收益 截至2026/4/17，2026年以来超额收益3.72%，近一月-2.95%，近一周-0.35% [28] - 持仓包括工业母机ETF国泰（21.35%）、化工ETF鹏华（20.17%）、环保ETF广发（20.03%）、建材ETF国泰（19.27%）、银行ETF华宝（19.18%） [30] 华宝研究债券ETF久期策略指数 - 采用债券市场流动性和量价指标筛选择时因子，用机器学习预测债券收益率，低于阈值减少长久期仓位提升收益和回撤控制能力 截至2026/4/17，近一月超额收益-0.01%，近一周0.02% [8][31] - 持仓包括短融ETF海富通（49.90%）、十年国债国泰ETF（25.04%）、政金债ETF富国（12.54%）、国债平安ETF（12.52%） [34]

报告行业投资评级 未提及 报告的核心观点 报告围绕国债期货量化策略和商品CTA因子及策略表现展开分析，国债期货上周各期债收涨，市场风险偏好走弱激活期债避险属性；商品市场分化，部分因子表现差异，不同跟踪策略有不同的收益、回撤等指标表现[6][13]。 各部分内容总结 国债期货量化策略 - 国债期货行情：上周各期债收涨，30年期主力合约收涨0.91%，十年期主力合约收涨0.43%，五年期主力合约收涨0.27%，两年期主力合约收涨0.01%；各品种基差分化，十债CTD券17号基差收于0.29元左右，30年期17号基差收于0.35元，均略高于历史平均水平；市场风险偏好走弱，期债避险属性被激活，仅当权益或风险资产预期收益边际下降时，债市短期避险交易属性更明显[6]。 - 十年期国债表现：样本外（2021/01/01~至今），单倍杠杆下组合年化收益率、夏普比及最大回撤分别为2.75%，1.27和1.91%；报告发布以来（2025/11/01 ~ 至今），单倍杠杆下组合年化收益率、夏普比及最大回撤分别为2.18%，1.46和0.67%[6]。 - 指标数据：报告列出了不同国债期货品种的基差、净基差、年化基差率、风险敞口（DV01、修正久期）、期现套利（IRR、IRR滚动百分位数、IRR与DR利差）、隐含到期收益率、跨品种价差等指标的最新值、前一日值及日变化[7]。 - 单边策略表现：全样本年化收益率2.75%，年化波动率2.15%，年化夏普比1.27，最大回撤1.91%，卡玛比1.43；报告发布后年化收益率2.18%，年化波动率1.49%，年化夏普比1.46，最大回撤0.67%，卡玛比3.24[9]。 - 策略构建：大类因子类别包括基差、日间技术、日内量价、高频资金流、会员持仓和风险资产；信号生成是大类因子内等权再平均，以平均后的正负号为多空信号；策略以第二天开盘十分钟的VWAP为交易价格，单倍杠杆买入[11]。 商品CTA因子及策略表现 - 商品因子表现：上周国内商品市场分化，多数工业品上涨，烧碱、橡胶及部分油脂油料小幅下跌；截面商品因子表现差异分化，表现最好的单因子是Fs_exmom_k90（90日基差动量），其次是半年期的价值因子Val_half year_k240，日内动量、纯粹动量因子有0.4%的周收益，波动率类因子平均有0.3%涨幅；量价趋势、期限结构类因子表现出差异化优势，成交持仓排名类、仓单类因子未见显著起色[13][15]。 - 跟踪策略表现：报告列出了CWFT、C_frontnext & Short Trend、Long CWFT & Short CWFT、CS XGBoost、RuleBased TS Sharp - combine、RuleBased TS XGB - combine、CS strategies, EW combine等策略的年化收益、夏普比率、Calmar、最大回撤、最近一周收益、今年以来收益等指标[14]。 - 策略持仓情况：各策略上周和本周的持仓品种数量、净持仓比例、总持仓收益、胜率、表现较好和较差的品种、需要展期的品种数量及总的换手资金比例等情况[20][22][24][26][27][29]。 - 策略对比：上周表现最好的是Long CWFT & Short CWFT，收益 - 0.04%；今年以来表现最好的也是Long CWFT & Short CWFT，收益4.19%；截面策略的等权复合策略年化收益12.3%，夏普比率1.76，Calmar1.67，最大回撤 - 7.38%，最近一周收益 - 0.01%，今年以来收益1.96%[34]。

报告背景与核心观点 - 报告旨在展示如何利用多维高质量数据与跨市场深度洞察，在复杂宏观环境中捕捉Alpha，挑战单一因子的局限性[1] - 报告内容基于2025年彭博中国区FICC量化训练营，汇集了16家领先金融机构的实战经验，依托彭博BQuant平台展示量化投研优势与未来趋势[1] - 报告直击交易台实战，覆盖外汇、中美国债等多资产类别，展示如何运用机器学习等前沿技术在控制风险的同时把握市场机遇[3] 各金融机构量化策略与案例展示 中国工商银行 - 展示外汇、美债和国债三类策略，强调策略兼具准确性与稳定收益[4] 中国银行 - 运用微观信号与模式识别技术，覆盖交易与分析全流程[5] 交通银行 - 聚焦EUR/CNY期权定价，进行波动率差异分析[6] 上海浦东发展银行 - 构建债券量化策略，兼顾商业银行自营盈利性与做市流动性需求[7] 中国民生银行 - 通过非监督学习进行量化分析，从市场与宏观数据中自发识别隐藏的市场状态（Regime）与叙事主题变化[9] - 开发欧元兑美元外汇策略，采用机器学习加反转增强技术[9] - 建立10年期美债收益率预测框架，融合机器学习预测和均值回归套利机制[9] - 构建10年期国债策略，基于多特征衍生和模型筛选进行利率预测及交易[9] - 基于CNY市场订单不平衡现象开发交易策略，借助市场中央订单簿数据观察微观结构[9] - 探索经典自动做市策略在低延迟交易中的应用，使用HJB方程求解做市商报价最优化问题[9] - 研究离岸与在岸人民币市场的自相关与联动效应，利用两者短期联动差异生成交易信号[9] - 探索智能模式识别技术抓取交易信号，对比四类算法，各有不同适用场景[9] - 进行波动率差异分析，采用B-S期权定价模型，分别使用“调整后的实际波动率”和“隐含波动率”计算期权理论价格[9] - 创新EURCNY期权定价方法，从历史USDCNY和EURCNY的实际与隐含相关性构建EURCNY的历史实际与隐含波动率[9] - 以布林带策略为基础，目标为多次小规模盈利与少量中等亏损，获取统计意义上的稳定盈利[9] - 通过参数调整、趋势智能判断、止损止盈机制优化三方面提升策略稳定性与盈利性[9] - 非监督学习方法无需人工标注，完全依赖数据自主划分市场阶段[10] 平安银行 - 研究外汇掉期的套期策略与波动率调整[11] 江苏银行 - 利用BQuant分析工具重新认识与应用Nelson-Siegel模型[12] 广发银行 - 开发量化工具与规则化交易策略[13] 浙商银行 - 构建债券因子模型与欧元趋势策略[14] - 建立人民币债券量化投研体系：基于彭博BQuant获取5年期国债期货（TS）的量、价、持仓数据，构建量价因子、形态因子和跨资产因子三类因子[15] - 采用机器学习筛选因子组合，监控损失函数避免过拟合，输出日线级信号[15] - 结合彭博经济研究（BECO）的宏观经济数据，从底层经济运行角度捕捉市场隐藏的范式演化，减弱噪音[16] - 动态更新Regime分析结果，并可灵活选择划分阶段的数量[16] - 定义FX掉期的Carry收益为掉期点对应的年化收益，反映两国利差与市场供需[16] - 通过彭博BQuant提取USD/CNY、EUR/USD、USD/JPY等核心货币对关键数据，进行数据处理、可视化对比及参数回测，回归FICC领域风险收益平衡本质[16] - 构建波动率调整策略，基于单位波动率Carry收益动态调整货币对权重，确保组合整体单位风险收益稳定[16] - 通过彭博BQuant结合新兴高效工具，实现从数据处理到表格可视化与时间序列分析的全流程效率提升[16] - 使用Polars代替传统Pandas处理时间序列数据，速度极快，适用于大体量数据场景[16] - 使用Great Tables生成美观的交互式分析表格，与彭博BQuant视觉风格融合，无需后期调整格式[16] - 构建汇率利差与头寸分析看板，通过可视化降低跨指标分析复杂度，直观浏览美元/日元与利差、美元指数、市场投机头寸的相对走势，识别联动规律与背离机会[16] - 开发欧元兑美元规则化交易策略，避免机器学习模型的黑箱特性与未来信息泄露风险，适合中小规模资金与日常交易[16] - 开发欧元兑美元趋势跟踪策略：选取影响欧元走势的宏观因子，通过均线策略衡量因子强弱，加权生成交易信号，捕捉欧元趋势性行情[17] 上海农商银行 - 开发外汇黄金趋势交易策略[18] 富邦华一银行 - 构建国债流动性溢价收敛监控以及相关策略[19] - 开创性地将近期固定区间的波动均值纳入动态止损机制，提升止损的灵活性与市场适应性[22] - 引入波动率作为止损调整因子，更精准识别趋势反转信号，在保护收益的同时有效控制风险[22] - 假设国债定价由久期的期限收益和流动性溢价组成，借此预测国债收益率[22] - 通过刻画国债收益率曲线找到被低估的债券，采取做多低估非活跃券同时做空活跃券的对冲操作，赚取两者间流动性溢价收敛带来的相对价值收益[22]