量化模型与构建方式 1. **模型名称：基准指数增强组合模型** * **模型构建思路**：构建一个标准的多因子指数增强策略，在约束行业、风格及个股偏离等风险敞口的前提下，最大化组合的阿尔法信号得分，以获取超越基准的超额收益[14][43]。 * **模型具体构建过程**： 1. **信号来源**：使用“量价+高频”因子或“低波因子”作为阿尔法信号[55][62]。 2. **优化目标**：在风险约束下最大化组合信号得分。其数学表达可简化为一个带约束的优化问题[45]。 3. **风险约束**： * 个股权重相对基准的偏离约束为 ±0.5%[55][62]。 * 行业权重相对基准的偏离约束为 ±1%[55][62]。 * 对市值、中盘、贝塔、波动率等风格因子的敞口暴露约束为 ±0.3[55][62]。 4. **组合构建**：通过求解优化问题得到最终持仓权重。 2. **模型名称：波动率分域优化指数增强模型** * **模型构建思路**：在基准指数增强模型的基础上，根据个股的残差波动率对股票进行分域，并对不同波动率域的个股施加差异化的权重偏离约束，旨在收紧高波动股票的敞口以控制回撤，同时放宽低波动股票的约束以保留收益能力[3][11][62]。 * **模型具体构建过程**： 1. **计算残差波动率**：对于每只股票，基于风险模型计算其残差收益的波动率[34][36]。 2. **股票分域**：每月末，将所有股票按残差波动率升序排列，以30%和70%分位点为界，划分为低波、中波、高波三个股票池[62]。 3. **差异化约束**：对三个股票池的个股权重偏离设置不同的上下限： * 低波股票池：[-0.2%， 0.4%] * 中波股票池：[-0.2%， 0.3%] * 高波股票池：[-0.1%， 0.2%][62] 4. **组合优化**：保持基准模型的其他约束（行业偏离、风格敞口）和信号不变，使用上述分域约束替代原有的统一个股偏离约束，进行组合优化，得到最终持仓[62]。 模型的回测效果 （注：报告未提供完整的回测指标列表，仅提供了部分对比数据。以下为报告中明确给出的优化模型与基准模型的对比结果。） 1. **基准指数增强组合模型**，年化超额收益4.30%，超额最大回撤-10.47%，信息比率(IR) 0.82[67]。 2. **波动率分域优化指数增强模型**，年化超额收益4.66%，超额最大回撤-6.78%，信息比率(IR) 1.15[67]。 量化因子与构建方式 1. **因子名称：残差波动率 (Residual Volatility)** * **因子构建思路**：衡量个股收益中无法被风险模型（风格、行业因子）解释的部分（即残差）的波动大小，用于识别个股的特质性风险水平[34][37]。 * **因子具体构建过程**： 1. 使用风险模型对每只股票的超额收益进行分解。风险模型的基本公式为： $$r_{n}=f_{c}+\sum_{i}X_{n i}f_{i}+\sum_{s}X_{n s}f_{s}+u_{n}$$ 其中，$r_n$为股票n的超额收益，$f_c$为国家因子，$f_i$为行业因子，$f_s$为风格因子，$X_{ni}$和$X_{ns}$为股票n在对应因子上的暴露，$u_n$为残差项[34]。 2. 计算股票n的残差波动率，即残差序列$u_n$的历史波动率（例如，过去一段时间的标准差）[49]。 * **因子评价**：该因子具有较高的时序可预测性（历史波动率对未来有指示作用），是进行风险分域管理的可靠指标[49][61]。 2. **因子名称：低波因子** * **因子构建思路**：作为构建基准组合的示例阿尔法信号，其逻辑可能与偏好低波动率股票相关[62]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方法，仅提及在构建基准组合时使用了“低波因子”作为信号源[62]。 3. **复合因子/信号：风险调整因子信号** * **因子构建思路**：在简化版的组合优化理论框架下，推导出的最优权重与两个变量相关：一是经过风险模型调整后的综合信号，二是个股的残差波动率[45]。 * **因子具体构建过程**： 1. 在仅约束风险因子敞口中性化的简化优化问题下，求解得到个股的最优主动权重为： $$w_{i}=\lambda^{-1}F_{i}\,/\,\sigma_{i}$$ 其中，$w_i$是股票i的主动权重（相对基准的偏离），$\lambda$是风险厌恶系数，$F_i$是经过风险模型调整后的因子信号，$\sigma_i$是股票i的残差波动率[45]。 2. 此公式表明，在信号得分$F_i$相近的情况下，模型会倾向于低配($w_i$更小)残差波动率$\sigma_i$更高的股票[46]。 因子的回测效果 （注：报告未提供单个因子的IC、IR等传统因子测试结果。报告的核心测试对象是整合了因子的组合模型，其效果已在“模型的回测效果”部分呈现。）

公司产品与策略 - 公司计划推出一只由田大伟管理的中证500指数增强型基金 [3] - 该中证500指数增强策略旨在构建新股票组合以战胜指数成分股及备选成分股组合 [3] - 策略通过寻找强且稳定的阿尔法因子来累积超额收益 阿尔法因子得分需与指数成分股拉开差距 [3] 指数特征与定位 - 中证500指数体现中盘成长风格 相较沪深300指数超配电子、医药生物等领域 [3] - 指数成分股中国家级专精特新企业市值权重占30% 更契合经济转型升级方向 [3] 量化策略方法论 - 量化策略通过编程检验大量历史数据 在不同维度中寻找规律性阿尔法因子 [1] - 单因子难以在不同市场环境中持续有效 因此策略引入因子组合概念进行线性组合构建 [1] - 成功的量化策略被视为一个完整体系而非单一因子 具有强大自生力并可不断繁衍 [2] 行业发展趋势 - 指数增强量化策略的投资方法仍在发展中 未来可能步入人工智能和金融工业化时代 [1] - 随着AI成熟 大模型或能通过学习进行选股和交易 并实现业绩稳定可持续 [2] 公司业务基础 - 公司自2010年起布局指数增强领域 在主动增强与量化增强策略方面储备丰富 [2] - 截至今年6月30日 公司旗下4只指数增强基金的持有人合计超61万 [2]

公司量化投资体系建设 - 公司以指数增强投资为阵地，搭建覆盖大盘、中盘、港股等多元风格的产品谱系 [1] - 量化系统已基本实现工业化管理，在控制偏离风险前提下挖掘阿尔法因子、迭代模型 [1] - 量化投研团队基于充足GPU储备，研发超过2000个阿尔法因子，建立模块化管理体系 [2] - 量化系统从原始数据清洗到组合生成实现全流程高度自动化管理，采用交易所最高频率量价数据 [3] 量化策略与模型开发 - 团队工作重心是阿尔法因子挖掘，这是指数增强产品拉开超额收益差距的关键 [4] - 因子挖掘流程包括构建或复现因子、定期检验优化、集体讨论分级，高等级因子纳入模型 [4] - 团队持续迭代优化阿尔法因子，吸收机器学习模型，深度研究卖方分析师预期因子 [4] - 在2000多个阿尔法因子基础上，根据不同指数构建增强模型，严格控制产品偏离风险 [5] 指数增强产品布局与发展 - 国内指数增强基金规模约为权益ETF规模的十分之一，显示出巨大发展潜力 [6] - 公司沪深300指增、中证800指增产品凭借长期稳健业绩积累良好客户基础 [7] - 公司近期发行中证A500、沪港深300、沪港深500指增产品，后者为全市场稀缺品种 [7] - 公司自行清洗港股数据、开发风险模型和因子库，积累港股量化投资经验 [7] - 公司新推出中证500指增产品，该策略是团队运作最成熟的策略之一 [7] - 公司指增产品持仓均来自标的指数成分股，严格控制行业与风格，追求长期稳健表现 [8] - 未来公司计划在已有风格基础上探索质量、价值、成长等策略，完善产品谱系 [8]

公司量化投资体系建设 - 公司以全流程自动化管理为目标，量化系统从原始数据清洗到目标组合生成已实现高度自动化管理 [2][3] - 公司基于充足的GPU储备，已研发出两千多个阿尔法因子，并建立起模块化的量化管理体系 [2] - 团队采用交易所提供的最高频率量价数据，并对历史财务数据做进一步清洗，信息技术部门提供强大技术支持 [3] 量化策略核心与阿尔法因子挖掘 - 量化策略核心是阿尔法因子的挖掘，这是指数增强产品拉开超额收益差距的关键所在 [4] - 团队通过自研或参考卖方因子库、学术报告构建因子，并进行定期检验、优化和分级，高等级因子更可能被纳入模型 [4] - 团队持续迭代优化阿尔法因子，吸收业界最新机器学习模型，并在成长行情中深度研究卖方分析师预期因子 [4] - 公司在严格控制指数增强产品偏离风险的前提下，不断挖掘有效阿尔法因子并优化量化模型 [5] 指数增强产品布局与发展潜力 - 国内指数增强基金规模约为权益ETF规模的十分之一，显示出巨大的未来发展潜力 [7] - 公司旗下沪深300指数增强和中证800指数增强产品已凭借长期稳健业绩积累良好客户基础 [7] - 公司近一年陆续发行中证A500、中证沪港深300、中证沪港深500等指数增强产品，其中沪港深产品为全市场稀缺品种 [7] - 公司自行清洗港股原始数据、开发港股风险模型和因子库，积累了宝贵的港股量化投资经验 [7] - 公司近期推出中证500指数增强产品，该策略是团队运作最成熟的策略之一，未来将更积极发挥阿尔法因子超额收益能力 [7] 产品理念与未来规划 - 公司指数增强产品追求长期稳健表现，持仓基本来自标的指数成分股，并对行业与风格进行严格控制 [8] - 公司希望搭建完整的指数增强产品谱系，在已有的大盘、中盘、港股风格基础上，进一步探索质量、价值、成长等多种风格策略 [8]

公司量化投资体系建设 - 公司以指数增强投资为阵地，迅速搭建起覆盖大盘、中盘、港股等多元风格的产品谱系 [1] - 量化系统已基本实现“工业化”管理，在严格控制偏离风险的前提下挖掘阿尔法因子、迭代模型 [1] - 组建了完备的量化投研团队，基于充足的GPU储备，已研发出两千多个阿尔法因子，并建立模块化管理体系 [1] - 量化系统从原始数据清洗到目标组合生成，已实现全流程高度自动化管理 [2] - 团队采用交易所能提供的最高频率量价数据，并对上市公司历史财务数据做进一步清洗 [2] 团队协作与技术策略 - 公司提供包容的环境鼓励共享成果，允许投资经理将策略核心代码封装，其余部分充分共享以激励积极性 [2] - 模型库汇集不同成员贡献的模型，展示模型信息和业绩归因，鼓励互相借鉴 [2] - 信息技术部门提供了强大的技术支持，交易层面已经非常便利 [2] 阿尔法因子挖掘与模型优化 - 工作重心是阿尔法因子的挖掘，这是指数增强产品拉开超额收益差距的关键 [2] - 因子构建流程包括自研或参考卖方因子库、定期检验优化、集体讨论分级，高等级因子更可能被纳入模型 [3] - 团队珍惜库里的每一个因子，短期落后不等于失效，会通过筛选与其他因子混合以发挥组合价值 [3] - 为适应市场变化，持续迭代优化阿尔法因子，吸收业界学术界最新机器学习模型，并深度研究卖方分析师预期因子 [3] - 在两千多个阿尔法因子基础上，根据不同指数构建指数增强模型，持续优化迭代 [3] 指数增强产品布局与发展 - 国内指数增强基金规模约为权益ETF规模的十分之一，显示出巨大的发展潜力 [3] - 公司旗下的沪深300指增和中证800指增产品凭借长期稳健业绩积累了良好客户基础 [4] - 近一年来陆续发行了中证A500、中证沪港深300、中证沪港深500等指数增强产品，其中沪港深产品是全市场稀缺品种 [4] - 公司重视港股投资机会，自行清洗原始港股数据、开发港股风险模型和因子库，积累了宝贵经验 [4] - 近期推出了中证500指数增强产品，该策略是团队运作最成熟的策略之一，未来将更积极发挥阿尔法因子超额收益能力 [4][5] - 公司指增产品持仓基本来自标的指数成分股，严格控制行业与风格，追求长期稳健表现 [5] - 未来希望搭建完整产品谱系，在已有大盘、中盘、港股风格基础上，进一步探索质量、价值、成长等多种风格策略 [5]