核心观点 - 2024年A股市场黑天鹅事件频发，公募指增产品超额收益普遍创历史最大回撤，极端尾部风险发生概率大幅提升[1][4][6] - 传统风险模型难以应对市场变化，需从显性风险扩展到隐性风险控制，包括制度风险、认知风险等[2][18][46] - 提出全流程风险控制框架：事前预防（认知风险控制+隐性风险识别）、事中控制（动态风格因子）、事后处理（自适应个股偏离）[60][63][129] - 实证显示引入全流程风控的中证500指增组合年化超额16.51%，最大回撤4.90%，显著优于传统模型的18.77%超额和9.68%回撤[3][5][61] 风险模型进化 - 从CAPM单因子发展到Barra多因子模型，再进化到隐式因子模型（Latent Factor）[19][21] - 显性风险包括市场风险（如港股配置不足导致2025年跑输）、行业风险（如银行权重差异影响红利指数表现）、风格风险（如市值因子剧烈波动）[24][31][38] - 隐性风险具有动态性，如2019-2020年"茅指数"行情中公募重仓风格风险、不同涨跌停板限制导致的制度风险[47][53][59] 全流程风控方法 事前预防 - 启发式风格划分：通过股价回归识别真实风格，解决因子打分法与市场认知偏差问题，如长江电力被误判为成长股[64][71][74] - 个股收益聚类：采用Louvain算法根据120日超额收益相关性聚类，识别传统行业分类无法捕捉的关联性（如新能源概念股集群）[98][101][106] 事中控制 - 动态风格因子控制：针对波动率聚集效应，对滚动3个月波动率前3名或超过均值+1倍标准差的因子（如2024年Beta/市值/动量因子）严格零暴露[110][113][118] 事后处理 - 自适应个股偏离：根据滚动3个月跟踪误差动态调整个股权重偏离幅度，避免市场波动放大时跟踪误差失控[129][131][133] 市场异常事件 - 2024年三次重大回撤：春节前小微盘流动性危机（万得微盘股跌49.63%）、10月成长/价值因子双杀、2025年2月TMT板块暴涨导致基本面因子回调[11][67][83] - 黑天鹅指数显示2024年极端交易日占比达38%，远超正态分布预期，如20240207日非线性规模因子偏离达15.57倍标准差[14][15][17]

量化模型与因子总结 量化模型 1. 基于启发式风格划分的认知风险控制模型 模型构建思路：通过结合启发式方法和因子打分法识别市场认知与个体认知差异，控制认知风险[4][15] 模型具体构建过程： 1) 采用时间序列回归划分个股风格： $$r_{t,t}\sim\beta_{\mathit{Value}}\cdot r_{\mathit{Value},t}+\beta_{\mathit{Growth}}\cdot r_{\mathit{Growth},t}+\varepsilon_{t}$$ 约束条件： $$0\leq\beta_{\mathit{Value}}\leq1$$ $$0\leq\beta_{\mathit{Growth}}\leq1$$ $$\beta_{\mathit{Value}}+\beta_{\mathit{Growth}}=1$$ 2) 计算行业风险贡献： $$RiskContribution_{i}=w_{i}\times{\frac{\partial\sigma_{p}}{\partial w_{i}}}=w_{i}\times{\frac{\sum_{j=1}^{n}w_{i}\cdot Cov\left(r_{i},r_{j}\right)}{\sigma_{p}}}$$ 3) 对高风险行业中的认知差异个股偏离置为0[4][15][81] 2. 基于个股收益聚类的隐性风险识别模型 模型构建思路：采用Louvain社区发现算法对个股超额收益相关性进行聚类，识别传统风险模型无法捕捉的隐性风险[4][15][117] 模型具体构建过程： 1) 计算个股超额收益相关性矩阵 2) 应用Louvain算法最大化模块度进行聚类 3) 对近期走势趋同的股票聚类结果进行风险控制[117] 3. 动态风格因子控制模型 模型构建思路：针对风格因子波动率聚集现象，对近期波动率排名靠前、波动率显著放大的风格因子进行严格控制[4][15][81] 模型具体构建过程： 1) 计算风格因子滚动3个月收益率年化波动率 2) 识别波动率显著放大的风格因子 3) 在组合优化中约束高波动风格因子暴露[27][28] 4. 目标跟踪误差下的自适应个股偏离模型 模型构建思路：根据过去跟踪误差动态调整个股偏离幅度[4][15][81] 模型具体构建过程： 1) 计算组合相对基准的滚动3个月跟踪误差 2) 当跟踪误差超过阈值时自动缩小个股偏离 3) 形成跟踪误差-偏离幅度的动态调整机制[31][32] 量化因子 1. 黑天鹅指数因子 因子构建思路：通过风格因子收益率偏离度衡量市场极端程度[24][25] 因子具体构建过程： 1) 计算风格因子日度收益率偏离度： $$\sigma_{s,t}=\frac{\bar{r}_{s,t}-\bar{r}_{s}}{\sigma_{s}}$$ 2) 计算黑天鹅指数： $$BlackSwan_{t}=\frac{1}{N}\times\sum_{s\in S}\left|\sigma_{s,t}\right|$$ 因子评价：有效捕捉市场极端风险事件[24][25] 2. 成长价值风格因子 因子构建思路：综合估值和成长指标构建风格因子[82][83] 因子具体构建过程： 1) 价值因子包含股息率、BP、EPTTM、OCFPTTM四个子因子，权重各1/4 2) 成长因子包含DeltaROEQ、NPQYOY、SUE、AOG四个子因子，权重各1/4[82][83] 因子评价：传统因子打分法可能无法完全捕捉市场实际交易风格[88][93] 模型回测效果 1. 传统中证500指数增强组合 年化超额收益18.77%，相对最大回撤9.68%，信息比3.56，收益回撤比1.94，年化跟踪误差4.88%[5][16] 2. 引入全流程风控的中证500指数增强组合 年化超额收益16.51%，相对最大回撤4.90%，信息比3.94，收益回撤比3.37，年化跟踪误差3.98%[5][16]

报告核心观点 报告涵盖宏观策略、行业公司研究及金融工程等多领域，对各行业和公司进行分析并给出投资建议，如预计6月资金利率季节性上行，公用环保、教育、医药等行业有发展机会，部分公司具投资价值 [3][8]。 宏观与策略 固定收益专题研究 - 半年末叠加到期高峰，预计6月资金利率季节性上行 [3][8] - 海外货币市场指标跟踪显示，美联储6月会议继续暂停降息预期一致，美债短期利率走势平稳 [8] - 国内货币市场指标跟踪方面，5月资金面转松，银行间和交易所回购利率均值大多下行，短期债券收益率月均值大多下行，银行间和交易所隔夜成交量和占比上升，待购回债券余额同比月均值回升，预估5月和6月超额存款准备金率分别为1.1%和1.3% [8] 行业与公司 公用环保行业周报 - 本周沪深300指数下跌0.25%，公用事业指数上涨0.26%，环保指数下跌1.19%，公用事业及环保涨幅在申万31个一级行业分类板块中分别处第10和第22名 [9] - 国家能源局开展能源领域氢能试点工作，明确试点方向包括规模化制氢及一体化等内容 [10] - 对15家主流A股垃圾焚烧上市公司自由现金流分析，部分公司已转正或转正在即，部分尚未转正 [10] - 投资策略上，公用事业推荐华电国际、上海电力等公司，环保推荐光大环境、中山公用等公司 [11] 银行行业专题 - 我国货币政策框架包括目标体系、工具和传导机制，央行根据传导机制设立操作和中介目标，不同时期对目标重视程度会调整 [12] - 理解央行行为核心要认识“中央银行 - 商业银行”二级银行体系下的货币派生过程，财政净支出成货币派生重要途径，广义货币流动性受派生后货币流通和退出影响 [13] - 央行控制广义货币主要政策工具是调节法定存款准备金率和基础货币总量，基础货币投放方式演变分三个阶段，目前正构建新调控方式 [13] - 近年来货币政策调控淡化数量中介目标，契合经济转型现代货币政策需要 [14] 社服行业专题 - 教育行业趋势包括政策利好、人口形势变化、升学意愿强烈、AI教育加速落地等，2025年中期展望显示不同教育服务付费意愿将分化，可关注AI教育产品变革 [14] - 2025.1.1 - 6.12，教育（申万）指数上涨5.04%，跑赢大盘5.50pct，个股分化显著 [15] - 子板块分析与展望涉及小初教育、普通高中、中职高职、民办高教、考研/留学、职业培训及考公等板块情况 [17] - 投资建议维持板块“优于大市”评级，推荐学大教育、中国东方教育等公司 [18] 医药行业专题 - IBD治疗领域存在未满足需求，患者人群体量大、疾病负担重，现有药物有不足，治疗目标提升 [19] - 全球IBD药物市场规模超200亿美元，预计2028年达~280亿美元，部分一线生物制剂专利到期，部分产品有望贡献销售增量 [20] - MNC药企密集布局新靶点、新机制，如TL1A、TYK2等靶点，以及多靶点/联用方案 [20] - 投资建议关注国内IBD治疗新靶点、双抗等潜在出海机会 [21] 友邦保险深度报告 - 友邦保险是深耕亚太业务的百年寿险公司，2009年独立，2010年上市，2024年多项业绩指标居前列 [21] - 公司凭借地区及产品优势保持新业务价值高速增长，中国内地及香港地区贡献率高 [22] - 秉持“最优秀代理”策略，树立行业代理人制度“标杆”，代理人质量高 [22] - 负债端强销售能力叠加全球资产配置，公司应享有一定估值溢价，预计2025 - 2027年每股内含价值及目标价，首次覆盖给予“优于大市”评级 [23] 圣泉集团深度报告 - 圣泉集团是国内合成树脂龙头企业，酚醛树脂、呋喃树脂产销量规模居前列，铸造造型材料产业是传统支柱产业 [24] - 制造业高端化使合成树脂需求高增，环保要求升级下产能有望向头部企业聚拢 [25] - 公司高端电子用树脂产能规模快速扩张，聚苯醚树脂有望成为第二成长曲线 [25] - 生物质业务技术先进，大庆项目开工率逐步提高 [26] - 预测2025 - 2027年营业收入、归母净利润等指标，股票有溢价空间，首次评级给予“优于大市”评级 [26] 海天味业公司快评 - 海天味业H股6月11日开启香港公开发售，预计6月18日公布发行价格，6月19日上市 [27] - 公司是中国调味品龙头企业，稳步推进全球化战略，维持盈利预测和“优于大市”评级 [27] 金融工程 金融工程专题报告 - 公募基金存在合同基准与实际投资风格错配问题，隐性基准与基金净值走势贴合度高，或为更贴切基准 [28] - 风险因子分显性风险和隐性风险，隐性风险模型可剥离隐性风险，对基金收益解释力度高于Fama五因子模型 [30] - 收益类因子等经隐性风险调整后表现提升，合成隐性风险调整综合选基因子表现良好 [31] - 构建FOF精选组合，业绩表现稳健 [32] 金融工程日报 - 20250617大部分指数下跌，部分行业和概念表现较好或较差，市场情绪、资金流向、折溢价等情况有具体数据体现 [33][34] - 近一周部分股票被较多机构调研，20250617龙虎榜数据显示机构专用席位、陆股通资金流入流出情况 [35][36]

合同基准与隐性基准 - 公募基金存在合同基准与实际投资风格错配问题，隐性基准（与基金净值走势贴合度最高的非合同约定基准）比合同基准更贴切[1][6] - 2020-2024年某基金A相对合同基准年化跟踪误差28.48%，而相对隐性基准（国证芯片）仅10.54%[6] - 2010-2024年主动权益基金相对合同基准与隐性基准的跟踪误差中位数均值分别为13.17%、8.57%，60%基金相对隐性基准误差<10%[15][19] - 美国市场同样存在基准错配，1/3主动股票型基金基准无法反映实际风格[7] - 隐性基准可通过动态匹配ETF跟踪指数构建，如基金B在2022年匹配中证新能源，2025年匹配5G通信指数[12] 显性风险与隐性风险 - 风险因子分为显性风险（已知模型捕捉）和隐性风险（未被模型捕捉但阶段性影响收益）[2][29] - Fama五因子模型（市场、规模、价值、盈利、投资）是典型显性风险框架，但解释力从2019年R方均值84.94%降至79.67%[63] - 基金F因重仓黄金股75%，Fama模型解释力仅31.07%，行业风险成为隐性风险[45][50] 隐性风险模型应用 - 模型核心逻辑：净值相关性高的基金暴露于相近风险，通过同类基金加权回归剥离隐性风险[3][52] - 2010-2024年隐性风险模型R方均值92.32%，显著高于Fama五因子模型[3][63] - Alpha_Simi因子（隐性风险调整后）全区间RankIC均值8.41%，多空季度收益1.56%，优于Alpha_Fama五因子的6.09%[55][56] 选基因子改进 - 收益类、隐形交易能力、波段交易能力、持仓收益因子经隐性风险调整后RankICIR提升50%-200%[85][86] - 夏普比因子调整后RankICIR从0.77升至1.99，胜率从65.03%升至87.41%[77][78] - 隐形交易能力因子调整后RankICIR从1.68提升至2.23，多头季均超额从0.95%优化至0.92%[82][83] - 综合选基因子经调整后RankIC均值13.99%，年化RankICIR达3.18，多头年化超额信息比2.4[99][134] FOF组合构建 - TOP20组合2014-2025年费后年化超额收益8.70%，最大回撤<5%[109][110] - 行业约束组合（Wind一级行业偏离≤3%，港股偏离≤2%）年化超额8.86%，信息比2.31，月度胜率75.91%[131][135] - 2025年Q1主动股基港股配置达12.51%，FOF组合需控制港股暴露以避免大幅跑输[118][121] - 持仓还原技术通过"已知持仓>管理人持仓>回归拟合"三阶段补全基金行业配置数据[114]

量化模型与构建方式 1. 隐性风险模型 - 模型名称：隐性风险模型 - 模型构建思路：通过基金净值相关性识别同类基金，剥离显性和隐性风险[3] - 模型具体构建过程： 1) 计算基金间过去一年日收益率相关性，选取相关性最高的20只作为同类基金[3] 2) 构建同类基金相关性加权收益率序列SimiRet 3) 将基金收益率对SimiRet进行时序回归： $$R_{p}=\alpha+\beta\cdot SimiRet+\varepsilon_{p}$$ 截距项α即为Alpha_Simi因子[3] - 模型评价：相比传统多因子模型能更动态捕捉隐性风险，解释力更强[3] 2. Fama五因子模型 - 模型名称：Fama五因子模型 - 模型构建思路：通过市场、规模、价值、盈利、投资五个显性风险因子解释基金收益[3] - 模型具体构建过程： $$R_{p}=\alpha+\beta_{1}\cdot MKT+\beta_{2}\cdot SMB+\beta_{3}\cdot HML+\beta_{4}\cdot RMW+\beta_{5}\cdot CMA+\varepsilon_{p}$$ 其中： MKT=中证全指日收益率 SMB=小市值组合收益-大市值组合收益 HML=高账面市值比组合收益-低账面市值比组合收益 RMW=高盈利组合收益-低盈利组合收益 CMA=保守投资组合收益-激进投资组合收益[3] 量化因子与构建方式 1. 隐性基准识别因子 - 因子名称：隐性基准跟踪误差 - 因子构建思路：通过最小化跟踪误差匹配基金真实投资风格[1] - 因子具体构建过程： 1) 计算基金相对备选基准指数的超额收益： $$Ex_{i,t}=R_{f,t}-R_{i,t}*0.9$$ 2) 计算年化跟踪误差： $$TE_{i}=\sqrt{240*\frac{1}{T}\sum_{t=1}^{T}(Ex_{i,t}-\overline{Ex_{i}})^{2}}$$ 3) 选择跟踪误差最小的基准作为隐性基准： $$REE^{*}=argmin_{i}TE_{i}$$[1][18][19] 2. 隐性风险调整因子 - 因子名称：隐性风险调整综合选基因子 - 因子构建思路：通过截面回归剥离同类基金风险暴露[3] - 因子具体构建过程： 1) 计算同类基金相关性加权因子值SimiFactor 2) 原始因子对SimiFactor进行截面回归： $$Factor=\alpha+\beta\cdot SimiFactor+\varepsilon$$ 3) 取残差项ε作为调整后因子[3][91][92] - 因子评价：显著提升因子稳定性，尤其对收益类因子改进明显[3] 3. 具体子因子 - 夏普比隐性风险调整因子： $$Sharpe=\alpha+\beta\cdot SimiSharpe+\varepsilon$$[94] - 隐形交易能力隐性风险调整因子[102] - 持仓收益隐性风险调整因子[113] - 波段交易能力隐性风险调整因子[113] 模型回测效果 1. 隐性风险模型 - R²均值：92.32%[3] - 解释力提升：较Fama五因子模型(84.94%)提高7.38个百分点[3] 2. Fama五因子模型 - R²均值：84.94%[3] - 解释力趋势：2019年以来显著下降至79.67%[3] 因子回测效果 1. 隐性风险调整综合选基因子 - RankIC均值：13.99% - 年化RankICIR：3.18 - RankIC胜率：93.01% - 多头年化超额信息比：2.4[3][122] 2. 原始综合选基因子 - RankIC均值：14.64% - 年化RankICIR：2.22 - RankIC胜率：85.31%[122] 3. 单因子表现对比 | 因子类型 | RankIC均值 | RankICIR | 多头季均超额 | |---------|-----------|---------|-------------| | 夏普比原始因子 | 7.76% | 0.77 | 0.58% | | 夏普比调整后 | 7.70% | 1.99 | 0.86% | | 隐形交易原始 | 8.21% | 1.68 | 0.95% | | 隐形交易调整 | 7.21% | 2.23 | 0.92% |[97][102] 4. FOF组合表现 - 年化超额收益：8.86% - 年化跟踪误差：3.52% - 信息比率：2.31 - 最大回撤：3.40%[4]