期货交易咨询业务资格 证监许可【2011】1454号 金工策略周报 期货交易咨询业务资格 证监许可【2011】1454号 （一）国债期货量化策略 东证衍生品研究院金工高级分析师：徐凡（国债期货、基本面量化） 从业资格号： F03107676 交易咨询号： Z0022032 东证衍生品研究院金工首席分析师：李晓辉（商品CTA、商品指数） 从业资格号： F03120233 投资咨询号： Z0019676 东证衍生品研究院金工高级分析师：徐凡（国债期货、基本面量化） 从业资格号： F03107676 投资咨询号： Z0022032 ★国债期货行情简评： ★风险提示： 量化模型基于历史数据构建，市场环境变化或导致模型信号失效。 Ø 上周各期债均收跌，30年期主力合约收跌1.47%，十年期主力合约收跌0.28%，五年期主力合约 收跌0.15%，两年期主力合约收跌0.03% Ø 上周各品种基差分化，十债CTD券为250025，13号基差收于0.09元左右，略低于历史平均水平； 三十年期CTD券为210014，13号基差收于0.58元，略高于历史基差的平均水平。 Ø 市场风险偏好逐渐走弱，期债避险属性被激活。当股市长期牛市 ...

文章核心观点 AI，特别是以OpenClaw为代表的AI代理工具，正在深刻改变量化研究的工作流程，从辅助代码撰写进化到能够自主完成数据提取、环境部署、策略构建与回测的“准自动化”阶段，大幅降低了量化工作的技术门槛并提升了效率，但目前该工具在数据理解、执行准确性和交互体验上仍存在明显缺陷，距离“好用”还有距离 [1][3][4][38][39][48][53] AI在量化工作中的进化阶段 - **第一阶段（数据幻觉期）**：在2025年春节前后，以DeepSeek为代表的大模型因存在严重的数据幻觉，难以直接辅助需要精确数据处理的量化研究工作 [1] - **第二阶段（AI Coding辅助期）**：AI的代码生成能力快速进化，量化研究员通过预处理数据并描述需求，可让AI生成代码，从而大幅提升代码撰写、优化和运行效率，但交互仍局限于对话窗口 [2] - **第三阶段（OpenClaw自动化尝试期）**：OpenClaw的出现使AI能跳出对话窗口，自主完成数据提取、代码环境准备、策略代码撰写与运行，理论上实现了仅通过对话构建量化策略，是迈向零代码量化的重要一步 [3][4] OpenClaw的部署与数据准备 - **部署方式比较**：部署方式主要有线下闲置电脑和云端服务器两种，结合本地大模型或购买API，形成四种组合。对于不熟悉系统安装的用户，推荐采用**云服务器镜像+API接入大模型**的方式，以实现快速部署 [6][7] - **数据接口现状**：OpenClaw直接调用数据API是其核心优势，能大幅简化繁琐的数据准备工作。目前商用API价格昂贵，而免费或低价API（如Tushare、Akshare）的数据质量和读取速度难以完全满足工作需求，成为当前痛点 [8] - **环境自主配置**：部署后，OpenClaw能够自主安装量化研究所需的Python库，并在获得Token后自动配置和测试数据源，但需注意安装非官方Skill时存在Token泄露风险 [9][12] OpenClaw构建量化策略的实践评估 - **简易策略回溯**：对于“想法验证”类需求，OpenClaw能快速完成测算。例如，在**中证500成分股**内构建“二连涨停后买入持有20天”的策略，该策略总交易次数为**1,136次**，胜率**41.0%**，平均收益率**0.35%**，估算年化收益率**39.50%**；而“二连跌停后买入”的策略则呈现高胜率特征 [15][16][18] - **多因子量化选股**：OpenClaw能够完整执行从中证500提取成分股数据、构建因子、进行行业中性化处理，并完成IC、IR等因子测试。案例中构建了包含**成长、市值、动量、反转、低波、流动性**在内的6个因子，最终生成包含**35,992条**记录、**40列**的数据表格 [22][26][28][30][31] - **机器学习策略开发**：OpenClaw能够自主完成机器学习策略的环境搭建、特征工程、模型训练与策略生成。在一个GRU模型案例中，AI从中证500日频数据中提取并标准化了**24个技术指标特征**，覆盖**50,678条**月度记录，初步实现了量化策略开发的“平权” [40][42][44][45][46] OpenClaw当前的主要缺点与挑战 - **交互模式被动**：仅为“一问一答”模式，无法在长时间任务（如数据提取）完成后主动反馈，需要用户反复催促 [48] - **文件处理与理解错误**：在发送Excel文件等操作时经常出错，不能正确区分文件发送与消息发送。在执行排序等基础计算指令时，常出现理解错误（如将“从高到低”执行为“从低到高”），严重拖累实际效率 [51][53] - **响应不稳定与数据幻觉**：偶发完全不回复、回复胡言乱语或出现严重数据幻觉（如“让我给他跑数据”）的情况。通过API接入的大模型能力表现弱于其网页版（如元宝），影响了整体可用性 [53][54] - **数据提取效率低下**：即使阅读了数据接口文档，AI对字段的理解仍可能出错，导致数据读取效率低下。对话记忆短，难以进行连续、轻松的深度交流，每次对话需精心措辞以保准确，最大的成本是**等待时间** [39]

报告行业投资评级 未提及 报告的核心观点 - OpenClaw 跳出对话窗口，为 AI 实现完全通过对话构建量化策略更进一步，其通过接入 API 完成数据提取，降低量化工作门槛，能完成多因子选股和机器学习策略构建，但执行效果有待提升，当前距离“好用”还有距离 [1] 根据相关目录分别进行总结 AI 的发展大幅提升了量化工作的效率 - AI 发展为量化工作带来新投资策略方法论，为传统量化框架提升效率，经历三个阶段：第一阶段大模型数据幻觉严重，难以辅助量化研究；第二阶段 AI Coding 能力进化，提升量化研究写代码效率；第三阶段 OpenClaw 出现，有望实现零代码基础构建量化策略 [3][4][5] OpenClaw 的部署和准备工作 部署方式比较：云端 vs 本地 - OpenClaw 部署不应选常用工作机，可选择闲置机器或云服务器，大模型可本地部署或购买 API；线下闲置电脑部署成本有差异，云服务器部署需付费但安装方便，系统装机不熟悉的投资者可采用云服务器镜像 + API 接入大模型方式 [7][8][9] 数据接口：既是 OpenClaw 的最大优势也是当前痛点 - OpenClaw 直接接入数据 API 接口是提升效率的优势，但商用 API 接口价格昂贵，免费或低价位第三方数据接口质量和读取速度难满足需求 [10] OpenClaw 的环境准备 - OpenClaw 可自主为 Python 安装量化处理所需库，配置数据源 API 的 Token 并自动测试，但装非官方 Skill 时让其自主配置 Token 有被盗风险 [11][13][14] OpenClaw 实现量化策略构建的尝试 简易量化：基于想法的策略回溯 - OpenClaw 能完成简易量化策略回溯，如中证 500 指数成分股内二连涨停后买入持有 20 天策略和二连跌停后打开买入策略，使投资者更清晰认知策略面貌 [19][26] 中证 500 指数内多因子量化选股 - OpenClaw 可完成中证 500 指数成分股相关数据提取、因子构建、行业中性处理、因子测算等，输出策略和指数比较图，但执行中 AI 易出错，目前更适合做执行者 [28][33][54] 机器学习策略 - OpenClaw 可自主完成机器学习策略开发环境搭建和 GRU 策略开发，虽策略不稳定，但实现了量化“平权” [56][58][62] 目前仍然面临较多的缺点 - OpenClaw 存在响应方式被动、文件发送出错、基础计算理解错误、偶发“罢工”和数据幻觉严重等问题，Skill 丰富完善和大模型能力提升是其发展方向 [64][67][70]

报告行业投资评级 未提及 报告的核心观点 - AI发展提升量化工作效率，OpenClaw或可零代码构建量化策略，但当前距“好用”有距离 [1] - OpenClaw虽能执行量化策略构建流程，但执行效果待提升，且面临诸多缺点 [1] 根据相关目录分别进行总结 AI的发展大幅提升了量化工作的效率 - AI在量化研究工作上进化分三阶段：第一阶段大模型数据幻觉使AI难辅助量化研究；第二阶段AI Coding提升量化研究效率；第三阶段OpenClaw或可零代码构建量化策略 [4][5][6] OpenClaw的部署和准备工作 部署方式比较：云端 vs 本地 - OpenClaw部署不应放常用工作机，可选择闲置机器或云服务器，大模型可本地部署或买API [9] - 不同部署方式各有优缺点，系统装机不熟悉的投资者可采用云服务器镜像+API接入大模型方式 [9][10] 数据接口：既是OpenClaw的最大优势也是当前痛点 - OpenClaw接入数据API接口提升效率，但商用接口价高，免费或低价接口数据质量和读取速度难满足需求 [12] OpenClaw的环境准备 - OpenClaw可自主完成量化代码环境准备，配置数据源API的Token，但装非官方Skill时自主配置Token有被盗风险 [13][16] OpenClaw实现量化策略构建的尝试 简易量化：基于想法的策略回溯 - OpenClaw可完成简易量化策略测算，如中证500指数成分股内二连涨停后买入和二连跌停后买入策略 [21][27] 中证500指数内多因子量化选股 - OpenClaw可完成中证500指数成分股数据提取、因子构建、行业中性处理、因子测算等工作，但执行中易出错，目前更适合做执行者 [30][44][57] 机器学习策略 - OpenClaw可自主完成机器学习策略开发环境搭建和GRU策略开发，实现量化“平权”，但策略不稳定 [59][65] 目前仍然面临较多的缺点 - OpenClaw响应方式被动，需催促询问进度；发送Excel文件易出错；基础计算易理解错误；偶发“罢工”和胡乱回答情况 [67][70][74]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 报告基于宏观方法和动量指标构建多个 ETF 组合 包括宏观行业组合、宏观 + 动量行业组合、核心 - 卫星组合和三位一体风格轮动 ETF 组合 并介绍各组合构建方法、持仓情况及历史表现 [5] 根据相关目录分别进行总结 1. ETF 组合构建方法 1.1 基于宏观方法的 ETF 组合构建 - 根据经济、流动性、信用三个维度宏观变量 对宽基、行业主题、Smart Beta 三大类 ETF 跟踪指数计算宏观敏感性 依据当期宏观变量状态与指数宏观敏感性选 ETF 还考虑加入动量指标互补 [5] - 传统周期行业适合经济上行期配置 TMT 适合经济偏弱但流动性宽松时配置 消费在信用扩张时受益 国企、ESG 相关主题对流动性和信用低敏感 [5] - 依据宏观敏感性测算方法和动量构建宏观行业组合、宏观 + 动量行业组合、核心 - 卫星行业组合 并每月调仓 [5] 1.2 三位一体风格轮动 ETF 组合构建 - 以宏观流动性为核心构建中长期风格轮动模型 与沪深 300 指数对比 [6] - 综合胜率和赔率表现 筛选宏观因子、基本面因子与市场情绪因子构建成长/价值轮动、市值、质量三类模型 综合结果得最终指向 含 8 个风格偏好结果 [6] - 筛选目标风格暴露多的 ETF 控制行业暴露与风格组合相近 设置 3% - 20% 配置上下限 得 ETF 配置模型 [6] 2. 宏观行业组合 - 选成立 1 年以上、规模 2 亿以上的行业主题 ETF 跟踪指数 计算经济、流动性、信用敏感性得分 按最新指标调整得分方向后加总 若流动性与信用背离则去除流动性得分 取排名前 6 指数对应规模最大 ETF 等权配置 [7][8] - 目前经济前瞻指标回落、流动性偏松、信用指标偏紧 选对经济不敏感、对流动性敏感、对信用不敏感的 ETF 配置 整体偏向 TMT、创新药 [12] - 3 月持仓包括广发中证香港创新药 ETF、华夏中证 5G 通信主题 ETF 等 各占 16.67% [12] - 组合波动较大 2 月超额收益回撤 [13] 3. 宏观 + 动量行业组合 - 结合宏观与动量方法 各自筛选后合并 动量方法先将行业主题分组 每组选过去 6 个月涨幅最高产品等权配置 宏观和动量方法互补 [14] - 3 月持仓包括广发中证香港创新药 ETF、华夏中证 5G 通信主题 ETF 等 各占 8.33% 动量选中行业中周期占比高 [18] - 组合今年表现出色 2 月继续跑赢 [19] 4. 核心 - 卫星组合 - 因行业主题 ETF 波动高、行业轮动快 设计以沪深 300 为底仓的“核心 - 卫星”组合 [21] - 用宏观敏感性测算方法对国内宽基、行业主题和 Smart Beta ETF 指数池测算 构建宽基、行业、Smart Beta 三个股票组合 按 50%、30%、20% 权重加权得最终组合 [21] - 3 月持仓宽基偏向科创、创业板 组合表现稳健 除 12 月外几乎都跑赢 26 年 2 月继续跑赢 [26][28] 5. 三位一体风格轮动 ETF 组合 - 本期模型偏向小盘成长 - 高质量部分 展示模型因子暴露与历史表现 [29] - 3 月持仓包括景顺长城中证港股通科技 ETF、景顺长城中证国新港股通央企红利 ETF 等 [35]

量化模型与构建方式 1. **模型名称：条件选股模型**[48] * **模型构建思路**：基于给定的财务指标（总市值、市盈率）对A股全市场股票进行筛选，构建符合条件的投资组合，并进行历史回测[48]。 * **模型具体构建过程**： 1. 从数据库（如Wind）获取全部A股的最新数据[48]。 2. 设定筛选条件：总市值小于500亿元，市盈率（TTM）大于0且小于300倍[48]。 3. 对满足筛选条件的股票，构建等权重投资组合[48]。 4. 以筛选日（例如2026-03-06）为起点，回测该等权组合在过去10个交易日的收益率表现[48]。 2. **模型名称：形态学量化策略（黄包车夫形态）**[52] * **模型构建思路**：基于特定的K线形态（黄包车夫形态）识别交易信号，以形态出现后的第二天开盘价作为买入价，统计不同持有期后的收益情况，以验证该形态的有效性[52]。 * **模型具体构建过程**： 1. 从数据库获取目标股票（如寒武纪，688256.SH）的全部历史日K线数据[52]。 2. 定义并识别“黄包车夫”（Rickshaw Man）K线形态。该形态需满足以下条件[52]： * 实体极小：$$ \frac{|收盘价 - 开盘价|}{开盘价} < 0.58 $$ * 上下影线都较长：上影线长度 > 实体长度 × 2，且下影线长度 > 实体长度 × 2。 * 上下影线接近：$$ 0.5 \leq \frac{上影线长度}{下影线长度} \leq 2.0 $$ * 当日有足够振幅：$$ \frac{最高价 - 最低价}{最低价} > 2\% $$ 3. 每当识别到该形态，即以形态出现日的下一个交易日的开盘价作为模拟买入价[52]。 4. 分别计算买入后持有1天、3天、5天、8天、10天、20天的收益率[52]。 5. 对所有识别到的形态进行统计，计算各持有期的平均收益率、胜率、最大收益和最小收益[52]。 3. **模型名称：指数仿制策略（南华综合指数模拟）**[53] * **模型构建思路**：通过筛选A股中与大宗商品相关的股票，并按照南华综合指数的品类权重分配板块及个股权重，构建一个股票组合来模拟南华综合指数的走势[53]。 * **模型具体构建过程**： 1. **确定选股范围**：根据申万行业分类，筛选出与大宗商品相关的A股，涵盖煤炭、石油、有色金属、钢铁、化工、农产品加工等行业，共得到397只股票[53]。 2. **设定板块权重**：参照南华综合指数的构成，为不同板块分配目标权重。例如：能源30%、工业金属25%、黑色系20%、贵金属10%、化工10%、农产品5%[53]。 3. **构建组合**：在每个板块内部，按照成分股的流通市值进行加权，计算各股票在板块内的权重。再将板块权重分配到板块内各股票，得到股票在模拟组合中的最终权重[53]。 4. **回测与评估**：在回测区间（例如2025-03-06至2026-03-06）内，计算模拟组合的净值曲线，并评估其相对于基准（南华综合指数）的表现，计算各项绩效指标[53]。 模型的回测效果 1. **条件选股模型**[48] * 选股日期：2026-03-06 * 筛选结果：共筛选出3,197只符合条件的A股[48] * （注：报告未提供该等权组合在过去10个交易日的具体收益率数值）[48] 2. **形态学量化策略（黄包车夫形态）**[52] * 测试标的：寒武纪 (688256.SH) * 数据区间：2020-07-20 至 2026-03-06 (共1364个交易日) * 形态出现次数：65次 * 各持有期表现统计[52]： | 持有天数 | 平均收益率 | 胜率 | 最大收益率 | 最小收益率 | |:--------:|:----------:|:------:|:----------:|:----------:| | 1日 | +1.45% | 53.85% | +17.81% | -7.21% | | 3日 | +3.21% | 58.46% | +32.40% | -11.08% | | 5日 | +3.88% | 55.38% | +45.74% | -18.47% | | 8日 | +5.00% | 55.38% | +67.10% | -20.13% | | 10日 | +4.81% | 49.23% | +85.35% | -23.64% | | 20日 | +6.10% | 36.92% | +150.28% | -25.84% | 3. **指数仿制策略（南华综合指数模拟）**[53] * 回测区间：2025-03-06 至 2026-03-06 (共243个交易日) * 累计收益率：+61.79%[53] * 年化收益率：+64.70%[53] * 年化波动率：19.11%[53] * 夏普比率：3.281[53] * 最大回撤：-10.37%[53] * 前五大持仓：中国石油(11.59%)、中国神华(5.48%)、宝钢股份(4.47%)、中国石化(3.13%)、紫金矿业(2.71%)[53] 量化因子与构建方式 （注：本篇研报核心内容在于介绍AI工具（Skills）的安装使用和在金融场景下的应用案例，并展示了利用这些工具构建和回测量化策略的过程。报告本身并未独立提出或详细定义新的量化因子。所涉及的选股条件（如市值、市盈率）和形态识别（黄包车夫形态）是作为策略模型的组成部分进行应用的，并非报告重点阐述的独立因子构建方法。[48][52]）

量化策略体系 - 申万金工在红利、质量、成长、价值四种投资风格上分别构建了对应的量化策略组合 [1] - 红利组合基于2024年3月专题报告《如何构建分红潜在增长的股票组合？》构建，其核心思路是筛选预期下一年分红金额增长的股票，有别于传统高股息选股 [1][9] - 质量组合基于2024年12月专题报告《剔除“害群之马”：ROE稳定性视角构建高质量选股组合》构建，核心是筛选历史高ROE且预期未来不下滑的股票 [1][11] - 成长组合基于2025年9月专题报告《从预测业绩出发构建高增速组合与稳健组合》构建，核心是基于分析师盈利预测的绝对增速和边际变化进行筛选 [1][14] - 价值组合是从质量组合构建过程中的高ROE且预期不下滑的股票池中衍生而来，通过估值因子优选，旨在避开价值陷阱 [1][18] 近期业绩表现 (2026年2月及今年以来) - **红利组合**：2026年2月单月绝对收益为**0.16%**，相对中证红利全收益指数的超额收益为**-2.18%**；2026年年初至今绝对收益为**9.46%**，超额收益为**3.28%** [5][8] - **质量组合**：2026年2月单月绝对收益为**2.12%**，相对中证质量全收益指数的超额收益为**2.57%**；2026年年初至今绝对收益为**11.30%**，超额收益为**9.20%** [5][8] - **成长组合 (九成仓位)**：2026年2月单月绝对收益为**5.13%**，相对太保主动偏股成长基金的超额收益为**2.91%**；2026年年初至今绝对收益为**15.80%**，超额收益为**5.56%** [5][8] - **价值组合**：2026年2月单月绝对收益为**2.02%**，相对国信价值全收益指数的超额收益为**0.29%**；2026年年初至今绝对收益为**6.55%**，超额收益为**-3.83%** [6][8] 策略构建方法论 - **红利组合构建**：分两步。第一步，从过去三年股利支付率稳定、过去三年现金分红连续增长、预期股利支付率提高三个维度筛选股票，取并集构成预期分红增长股票池。第二步，在股票池内基于成长、长期动量、分析师、估值、分红五个因子优选股票 [8][9] - **质量组合构建**：分三步。第一步，筛选过去9个季度ROE_ttm均不低于10%的历史高ROE股票。第二步，从盈利稳定、成长稳定、杠杆稳定三方面构建稳定性因子，将高ROE股票分为两组，得到高ROE高稳定性股票池。第三步，在股票池内根据成长、波动性、长期动量、分红四个因子打分优选 [8][11] - **成长组合构建**：分三步。第一步，筛选分析师一致预期利润增速（FY1/FY0-1）排名前50%的股票。第二步，优选分析师当前预期盈利相比3个月前预期盈利上修幅度最高的50只股票。第三步，根据申万金工行业轮动模型，在个股等权基础上，对属于做多行业的个股进行权重倾斜 [8][14] - **价值组合构建**：分两步。第一步，沿用质量组合报告中的方法，筛选出高ROE且预期未来不下滑的股票池。第二步，在该股票池内，根据估值因子优选50只股票形成组合 [8][18] 历史绩效表现 - **红利组合历史表现**：自2013年至2025年，组合年化收益为**21.74%**，相对中证红利全收益指数的年化超额收益为**11.04%**。期间多数年份跑赢基准，例如2025年绝对收益**14.94%**，超额收益**11.18%**；2024年绝对收益**26.94%**，超额收益**8.19%** [10] - **质量组合历史表现**：自2013年至2025年，组合年化收益为**22.21%**，相对中证质量全收益指数的年化超额收益为**9.81%**。部分年份超额收益显著，如2021年绝对收益**40.14%**，超额收益**40.84%**；2025年绝对收益**21.43%**，超额收益**9.27%** [13] - **成长组合历史表现**：自2017年至2025年，九成仓位组合年化收益为**20.78%**，相对太保主动偏股成长基金的年化超额收益为**13.48%**。部分年份表现突出，如2021年绝对收益**53.78%**，超额收益**43.97%**；2025年绝对收益**41.73%**，超额收益**0.49%** [17] - **价值组合历史表现**：自2013年至2025年，组合年化收益为**14.67%**，相对国信价值全收益指数的年化超额收益为**2.82%**。部分年份超额收益明显，如2014年绝对收益**76.31%**，超额收益**24.92%**；2024年绝对收益**27.72%**，超额收益**8.93%** [20]

核心观点 报告跟踪了申万金工构建的四个量化策略组合（红利、质量、成长、价值）在2026年2月的月度业绩及年初至今表现，并详细阐述了各组合的构建方法论与历史绩效[1][5][6] 核心结论是，在2026年2月，成长组合表现最为突出，单月绝对收益达**5.13%**，相对其基准（太保主动偏股成长基金）的超额收益为**2.91%**[1][8] 年初以来（截至2月底），成长组合的绝对收益为**15.80%**，超额收益为**5.56%**，同样领先于其他风格组合[1][8] 量化策略月度业绩跟踪（2026年2月及年初至今） - **红利组合**：2026年2月单月绝对收益为**0.16%**，相对中证红利全收益指数的超额收益为**-2.18%**；年初至今绝对收益为**9.46%**，超额收益为**3.28%**[1][8] - **质量组合**：2026年2月单月绝对收益为**2.12%**，相对中证质量全收益指数的超额收益为**2.57%**；年初至今绝对收益为**11.30%**，超额收益为**9.20%**[1][8] - **成长组合（九成仓位）**：2026年2月单月绝对收益为**5.13%**，相对太保主动偏股成长基金的超额收益为**2.91%**；年初至今绝对收益为**15.80%**，超额收益为**5.56%**[1][8] - **价值组合**：2026年2月单月绝对收益为**2.02%**，相对国信价值全收益指数的超额收益为**0.29%**；年初至今绝对收益为**6.55%**，超额收益为**-3.83%**[1][9] 量化策略简介与历史绩效 红利组合 - **构建方法**：分两步构建[1][11] 1. 筛选预期下一年分红金额增长的股票池：从“过去三年股利支付率稳定”、“过去三年现金分红连续增长”、“预期股利支付率提高”三个维度取并集[1][11] 2. 在股票池内，基于成长、长期动量、分析师、估值、分红五个因子进行优选[1][11] - **历史绩效**：自2013年至2025年，红利组合年化收益为**21.74%**，相较中证红利全收益指数（年化**10.70%**）的年化超额收益为**11.04%**[13] 质量组合 - **构建方法**：分三步构建[1][16] 1. 筛选历史高ROE股票：过去9个季度ROE_ttm均不低于**10%**[1][16] 2. 构建稳定性因子（盈利稳定、成长稳定、杠杆稳定），筛选出高ROE高稳定性股票池[1][16] 3. 在股票池内，根据成长、波动性、长期动量、分红四个因子进行打分优选[1][16] - **历史绩效**：自2013年至2025年，质量组合年化收益为**22.21%**，相较中证质量全收益指数（年化**12.39%**）的年化超额收益为**9.81%**[17] 成长组合 - **构建方法**：分三步构建[1][20] 1. 筛选一致预期利润增速（FY1/FY0-1）前**50%**的股票[1][20] 2. 优选预期盈利上修幅度最高的**50**只股票（基于当前与3个月前预期盈利的边际变化）[1][20] 3. 结合申万金工行业轮动模型，对属于做多行业的个股进行权重倾斜[1][20] - **历史绩效**：自2017年至2025年，九成仓位成长组合年化收益为**20.78%**，相较太保主动偏股成长基金（年化**7.30%**）的年化超额收益为**13.48%**[20] 价值组合 - **构建方法**：分两步构建[1][23] 1. 使用与质量组合相同的高ROE且预期未来不下滑的股票池[1][23] 2. 在该股票池内，根据估值因子优选**50**只股票，旨在避开价值陷阱[1][23] - **历史绩效**：自2013年至2025年，价值组合年化收益为**14.67%**，相较国信价值全收益指数（年化**11.85%**）的年化超额收益为**2.82%**[25]

市场环境与整体表现 - 2026年以来至2月13日，量化策略基金整体运行环境良好，除中证500指数增强产品因指数相对强势导致超额获取难度提升外，其余主要宽基指数增强类别均实现正超额[3][12] - 国证2000、中证1000、沪深300等指数增强基金的超额收益相对领先[3][12] - 1月初市场风格阶段性偏向中小盘及相关热点，导致中证500、中证1000、中证2000、国证2000等指增基金遭遇普遍性超额回撤，但回撤幅度有限，自1月中旬起陆续进入超额修复阶段，最终普遍实现正超额回报[3][12] - 截至2026年2月13日，国证2000指增平均2026年以来超额收益为1.94%，中证1000指增平均为1.60%，沪深300指增平均为1.42%，中证500指增平均为-1.18%[13] 基金经理楼华锋（兴业基金）分析 - 主张把握市场长期投资规律，采用基于3至5年加权周期训练的模型，组合体现出一定的价值属性[4][17][21] - 阿尔法选股模型由多个线性与非线性子模型综合构成，因子数量达数百个，兴业聚利侧重传统基本面因子，中证500增强则更偏重价量因子[4][16][21] - 风险控制精细，在Barra风险模型基础上补充特定风险因子，行业偏离限制在1%至1.5%之间，风格偏离控制在0.3倍标准差以内[16][23] - 代表产品兴业聚利A任职以来年化超额6.56%，年化跟踪误差5.77%，超额最大回撤5.60%；兴业中证500指数增强A任职以来年化超额3.51%[19][20] - 投资组合在价值因子、质量因子、成长因子上持续正向暴露，在规模因子、波动因子、流动性因子上持续负向暴露，倾向于基本面良好、低估值、低波动的标的[30][33] - 量化团队共8人，产品线包括中证500指数增强、中证A500指数增强、兴业聚利及量化固收+策略产品兴业聚丰[16][31] 基金经理刘石开（人保资产）分析 - 采用多策略框架，子策略包含价值红利、盈利质量、成长股及量价相关四套不同风格模型[4][35][40] - 以投资组合长期风险收益比（卡玛比率）最优化为目标确定子策略基础权重，并根据近一年市场风格演变进行战术性调整[4][35][40] - 代表产品人保中证800指数增强A成立以来年化超额6.11%，超额回撤5.75%，2025年和2026年以来均实现正超额[36][38] - 主要通过策略多样化平衡风险，2025年中报行业偏离度为1.06%，平均成分股偏离度为0.22%[42][45] - 投资组合在动量因子、质量因子、Beta因子上呈现小幅正向暴露，在规模因子、价值因子、杠杆因子上呈现小幅负向暴露，倾向于基本面良好、高动量的中小市值标的[48][51] - 量化团队包括2名基金经理及1名基金经理助理，产品线覆盖中证500、中证A500、中证800、科创综及中证A50等主流宽基与特色指数[16][48] 基金经理王喆（国联基金）分析 - 指增产品采用统一框架，基本通过自动化形式进行特征挖掘和筛选，利用深度学习多模型分散化运作[5][52][57] - 实盘使用入库特征约4000个，模型采用滚动训练方式，使用过去至少7-10年数据学习中长期规律[16][57] - 代表产品国联沪深300指数增强A成立以来年化超额4.93%，剔除建仓期影响超额回撤始终保持在3%以内[53][56] - 自建风险管理模型，约束上百个维度，2025年中报相对沪深300指数行业偏离度为0.63%，成分股偏离度为0.28%[16][58] - 投资组合在价值因子、质量因子、成长因子上呈现一定的正向暴露，在波动因子、流动性因子、规模因子上呈现一定的负向暴露，倾向于基本面良好且具备估值优势的标的[64][67] - 量化团队共12人，分设指数增强、量化选股、ETF、FOF等团队，产品线涵盖主流宽基指增及差异化主动量化产品[16][65][68] 基金经理殷明（易方达基金）分析 - 采用系统化多策略框架，核心围绕基本面与统计套利两大策略，辅以卫星策略，策略权重根据过往业绩及样本外预期兑现率动态调整[5][69][72] - 代表产品易方达中证1000指数量化增强A成立以来年化超额11.66%，各个年份均实现正超额，超额最大回撤仅3.46%[70][71] - 采用Barra模型进行风险控制，风格因子暴露约束在0.2倍标准差以内，任职以来平均行业偏离度为0.55%，平均成分股偏离度为0.12%[16][76] - 投资组合在成长因子、价值因子上呈现持续正向暴露，在规模因子、波动因子、流动性因子上呈现持续负向暴露，近年来在成长因子上的正向暴露带来显著正回报[82][85] - 量化投资部共17人，分设因子组（偏向传统量化）和行业组（偏向基本面量化），产品线覆盖宽基指数增强型和量化选股型品种[16][86][87] 基金经理袁英杰（华夏基金）分析 - 采用以价值投资为核心逻辑驱动下的中低频多因子选股框架，通过盈利、估值、分析师与量价四大类因子系统结合，强调模型长期有效性[6][88][94] - 重视因子通识性，筛选在不同行业与市场阶段中均表现相对稳定的指标，实盘中聚焦于十几个核心因子[6][16][94] - 代表产品华夏沪深300指数增强A任职以来年化超额1.10%，年化跟踪误差仅2.77%，超额稳定性较好[89][93] - 风险控制主要约束申万一级行业偏离在2%以下，个股偏离在1.5%以下，任职以来平均行业偏离度0.54%，平均成分股偏离度0.50%[16][95] - 投资组合在价值因子、质量因子、成长因子上持续正向暴露，在波动因子、流动性因子、杠杆因子、动量因子上持续负向暴露，倾向于基本面良好、具备估值优势、低波动低关注度的标的[101][103] - 团队鼓励基金经理发展符合自身方法论的投资框架，产品线覆盖13只指数增强型产品和8只主动量化选股型产品[16][104]

报告行业投资评级 未提及 报告的核心观点 - 上周各期债均收涨，市场风险偏好逐渐走弱，期债避险属性被激活，仅当权益或风险资产的预期收益边际下降时，债市短期避险交易的属性更明显；春节后国内商品市场涨跌不一，热门品种延续节前高波动特点，量价趋势类因子表现亮眼，偏中长期的趋势策略仍是近期CTA策略较优选择[5][13] 各部分总结 国债期货量化策略 国债期货行情简评 - 上周各期债均收涨，30年期主力合约收跌1.05%，十年期主力合约跌0.19%，五年期主力合约跌0.16%，两年期主力合约收跌0.06%[5] - 上周各品种基差分化，十债CTD券为250025，27号基差收于0.03元左右，略低于历史平均水平；三十年期CTD券为210014，27号基差收于0.43元，略高于历史基差的平均水平[5] - 市场风险偏好逐渐走弱，期债避险属性被激活，当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，国债期货的下行趋势不宜反转，仅当权益或风险资产的预期收益边际下降时，债市短期避险交易的属性更明显[5] 国债期货日频择时策略 - 十年期国债样本外（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2.76%，1.31和2.13%[5] - 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2.76%，1.69和0.67%[5] 单边策略表现 - 全样本年化收益率2.76%，年化波动率2.13%，年化夏普比1.30，最大回撤2.13%，卡玛比1.30；报告发布后年化收益率2.76%，年化波动率1.63%，年化夏普比1.69，最大回撤0.67%，卡玛比4.09[8] 策略详情 - 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[11] - 信号生成方式为大类因子内等权再平均，以平均后的正负号为多空信号[11] - 回测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 - 春节后国内商品市场涨跌不一，碳酸锂、白银、锡上周涨幅超10%，多晶硅和烧碱跌幅超5%，总体涨多跌少[13][16] - 除基差及基差动量因子收获负收益，其他类商品因子在截面上均取得正收益，量价趋势类因子平均涨幅超1.5%，是上周表现最亮眼的因子[13][16] 跟踪策略表现 |策略名称|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| | --- | --- | --- | --- | --- | --- | --- | |CWFT策略|9.3%|1.60|1.06|-8.81%|0.96%|1.59%| |C_frontnext & Short Trend策略|11.2%|1.72|1.67|-6.72%|0.41%|0.92%| |Long CWFT & Short CWFT策略|12.2%|1.38|0.94|-13.07%|1.26%|2.44%| |CS XGBoost策略|5.0%|0.82|0.24|-21.19%|-1.15%|-4.82%| |RuleBased TS Sharp - combine策略|11.3%|1.48|1.37|-8.26%|0.42%|-1.52%| |RuleBased TS XGB - combine策略|11.3%|1.98|2.53|-4.49%|0.18%|-1.34%| |CS strategies, EW combine策略|12.6%|1.81|1.71|-7.38%|1.15%|2.14%|[14] 策略组合说明 - CWFT组合是Carry、Warrant、Futurespot和Trend类因子的简单复合组合，同一大类内部因子等权，不同大类以5:2:2:1的权重再复合[20] - C_frontnext & Short Trend组合在不改变长期价差因子持仓方向的前提下对冲短期价格波动的负收益，C_frontnext为主因子，Short Trend为副因子[20] - Long CWFT & Short CWFT组合中长周期的CWFT因子为主因子，短周期的CWFT因子为副因子[20] - 截面CS XGB组合是基于全市场品种得到的时序因子XGB组合，用20091231 - 20191231之间样本进行训练[20] - RuleBased TS夏普加权组合是基于规则型多空信号的时序因子策略，由因子库叠加规则 + 粗粒化窗口参数得到的指标，经过样本内筛选后获得的夏普加权组合[20] - RuleBased TS XGB组合是基于规则型多空信号的时序因子策略，由因子库叠加规则 + 粗粒化窗口参数得到的指标，经过样本内筛选后获得的XGBoost组合[20] 各策略持仓情况 |策略名称|上周持仓品种数|净持仓|总持仓收益|胜率|表现较好品种|表现较差品种|本周持仓品种数|净持仓|展期品种数|总的换手资金比例| | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | |CWFT策略|26个|18.2%|1.0%|61.5%|CF(0.18%)、SH(0.17%)|SA(-0.06%)、EB(-0.06%)|26个|18.4%|0个|23.0%|[22] |C_frontnext & Short Trend策略|26个|33.6%|0.4%|46.2%|SH(0.18%)、SR(0.16%)|PS(-0.12%)、RM(-0.06%)|26个|37.6%|1个|63.8%|[24] |Long CWFT & Short CWFT策略|26个|58.2%|1.3%|69.2%|CF(0.32%)、Y(0.18%)|EB(-0.07%)、RM(-0.06%)|26个|56.3%|0个|25.0%|[26] |CS XGBoost策略|24个|0.0%|-1.1%|50.0%|SH(0.22%)、LU(0.20%)|AG(-0.54%)、SN(-0.51%)|24个|0.0%|1个|60.9%|[28] |RuleBased TS Sharp - combine策略|44个|-36.5%|0.8%|68.2%|SH(0.19%)、JM(0.10%)|SF(-0.13%)、SA(-0.04%)|45个|-26.6%|2个|39.7%|[30] |RuleBased TS XGB - combine策略|44个|-49.9%|0.5%|61.4%|L(0.09%)、CF(0.08%)|SA(-0.08%)、RM(-0.05%)|45个|-32.9%|2个|55.0%|[32] 策略表现总结 - 上周表现最好的是Long CWFT & Short CWFT，收益1.26%；今年以来表现最好的也是Long CWFT & Short CWFT，收益2.44%[36] - 截面策略的等权复合策略年化收益12.6%，夏普比率1.81，Calmar1.71，最大回撤 - 7.38%，最近一周收益1.15%，今年以来收益2.14%[36]