核心观点 - THPX信号源利用先进的AI量化模型为原油WTI和比特币市场生成强大信号，显著提升了市场信息的准确性、可靠性和整体效率 [1][7] AI量化模型的技术与运作 - AI量化模型基于深度学习和模式识别技术，自动处理庞大的历史数据，识别市场潜在模式，无需依赖传统手工分析 [1] - 模型通过连续学习和实时更新，捕捉原油价格波动、比特币需求变化等多维度指标，生成高质量信号 [1] - 模型整合WTI原油供需基本面和比特币技术走势，通过算法优化分析，根据历史市场行为预测趋势转折点，生成前瞻性信号 [3] 模型的应用与效果 - 模型的应用推动了信息优化处理，帮助市场参与者做出更明智的资源分配决策，减少不确定性 [1] - 模型生成的信号具备极高准确性，减少了主观失误，确保信息反馈快速而一致，帮助参与者高效调整策略 [1] - 这种强大信号提升了整体市场透明度，降低了意外波动，营造了更可预测的市场环境 [3] 对市场与行业的积极影响 - 模型强化了风险识别能力，使市场信息更加清晰可依赖，参与者无需面对过多模糊性 [5] - 模型具有适应性，能在不同场景下稳定运行，如应对原油供应事件或比特币技术演变，均能输出一致可靠的结果 [5] - 该创新促进了跨资产协作，让大宗商品和数字资产领域形成稳健互动，推动创新驱动增长 [3] - 长远来看，这优化了信息解读流程，激发市场活力，支持更稳健的资源利用模式 [5] - AI量化模型彰显了AI赋能大宗商品市场的巨大潜力，为全球市场带来稳定支持 [1] 未来展望 - 未来通过持续训练，模型有望在全球范围内深化正面导向，例如辅助新兴市场参与者提升整体绩效，最终推动更公平高效的市场环境 [5] - 这一创新将持续赋能市场，推动原油WTI和比特币等领域协同进步，实现更稳定可期的前景 [7]

2025年量化私募行业整体表现 - 2025年是量化投资标志性大年，DeepSeek的横空出世为行业注入颠覆性AI动能，同时A股市场震荡上行，中小盘风格显著占优，中证2000与微盘股指数分别大涨超36%和80%，叠加市场流动性充裕、交投活跃，多重利好共振令量化多头策略迎来全面爆发 [1] - 根据私募排排网数据，有业绩展示的量化产品共1784只，2025年平均收益达30.28%，平均超额（几何）收益达10.83% [1] - 量化多头策略产品共806只，2025年收益和超额（几何）收益分别为44.74%、16.46%，在私募二级策略中居前 [1] 各量化策略2025年业绩表现 - 量化CTA策略产品375只，2025年平均收益为20.21%，平均超额收益为14.04% [2] - 股票市场中性策略产品186只，2025年平均收益为9.58%，平均超额收益为-6.87% [2] - 复合策略产品158只，2025年平均收益为26.94%，平均超额收益为7.86% [2] - 期权策略产品54只，2025年平均收益为12.41%，平均超额收益为6.65% [2] - 转债交易策略产品46只，2025年平均收益为22.67%，平均超额收益为3.39% [2] - 套利策略产品39只，2025年平均收益为11.77%，平均超额收益为-5.01% [2] - 股票多空策略产品31只，2025年平均收益为16.13%，平均超额收益为-1.30% [2] - FOF产品21只，2025年平均收益为15.66%，平均超额收益为-1.70% [2] - 债券复合策略产品17只，2025年平均收益为12.10%，平均超额收益为11.47% [2] - 纯债策略产品7只，2025年平均收益为8.55%，平均超额收益为7.93% [2] - 其他衍生品策略产品4只，2025年平均收益为40.84%，平均超额收益为33.63% [2] 量化选股策略细分表现 - 截至2025年12月底，有业绩展示的量化选股产品共335只，2025年平均收益为42.28%，平均超额收益为17.70% [3] - 量化选股产品2025年收益十强的上榜门槛超***%，位居前3的产品依次来自海南盖亚青柯私募、水碓泉资产、翰荣投资 [3] - 海南盖亚青柯私募成立于2021年，基于创始团队自主研发的量化金融学术成果，结合超10年美、欧、中国本土市场实战经验，利用大数据、人工智能、复杂系统等方法捕捉市场无效性 [6] - 翰荣投资旗下产品翰荣安晟进取一号B类份额2025年表现亮眼，收益超***%，产品由总经理聂守华（16年从业经验）和投资总监贺杰共同管理 [6] - 百亿私募龙旗科技旗下由朱晓康管理的龙旗科技创新精选1号C类份额2025年收益达***%，领衔百亿私募量化选股产品，龙旗科技成立于2011年，是国内成立较早的老牌量化对冲基金 [6] 中证500指增策略细分表现 - 截至2025年12月底，有业绩展示的中证500指增产品共173只，2025年平均收益为46.32%，平均超额收益为12.22% [7] - 中证500指增产品2025年超额收益十强的上榜门槛为***%，位居前3的产品依次来自国标资产、兆信私募基金、照月私募 [7] - 准百亿私募（50-100亿规模）量魁私募旗下梁涛管理的量魁中证500指数增强之降龙伏虎A类份额位列第6，2025年超额收益超***%，量魁私募成立于2015年，基于数量化方法研究衍生品和证券价格波动规律 [8] - 基金经理梁涛为北京大学电子工程硕士，拥有10余年期货、股票量化投研经验，擅长股票alpha策略、商品CTA策略 [9] - 顽岩资产旗下顽岩中证500指数增强1号A类份额2025年超额收益达***%，跻身前十强，产品由创始人、总经理金腾管理，其2012年进入量化行业，早期负责股指策略开发 [9] 中证1000指增策略细分表现 - 截至2025年12月底，有业绩展示的中证1000指增产品共169只，2025年平均收益为49.68%，平均超额收益为17.41% [10] - 中证1000指增产品2025年超额收益十强的上榜门槛超***%，位居前3的产品依次来自今通投资、鹿秀投资、蒙玺投资 [10] - 在十强榜单中，百亿私募产品显著增多，包括蒙玺投资、明汯投资、平方和投资、鸣石基金、千衍私募的产品 [11] - 蒙玺投资李骧管理的蒙玺中证1000指数量化5号A类份额2025年超额收益达***%，领衔百亿私募中证1000指增产品，蒙玺投资成立于2016年，2025年成立AI Lab，将AI赋能整个投研链路 [12] - 创始人李骧为中国科学技术大学化学物理学士、美国布朗大学理论化学硕士，是国内第一批量化交易基金经理，拥有17年交易经验，擅长低延迟交易策略 [12] 沪深300指增策略细分表现 - 截至2025年12月底，有业绩展示的沪深300指增产品共35只，2025年平均收益为31.22%，平均超额收益为11.52% [13] - 沪深300指增产品2025年超额收益十强的上榜门槛为***%，位居前3的产品分别来自广州传山私募、明汯投资等 [13] - 明汯投资解环宇和裘慧明共同管理的明汯稳健增长2期2025年超额收益达***%，业绩表现突出，明汯投资成立于2014年，是国内较早一批将人工智能技术成功应用到金融市场的私募机构 [14] - 根据第三方数据，2025年四季度末，明汯投资的规模为700-800亿，稳坐国内量化第一梯队 [15] 其他指增策略细分表现 - 截至2025年12月底，有业绩展示的其他指增产品共94只，2025年平均收益为46.76%，平均超额收益为19.95% [16] - 其他指增产品2025年超额收益十强的上榜门槛超***%，位居前3的产品依次来自菁上甲万、中闽汇金、杨湜资产 [17] - 中闽汇金旗下中闽汇金量化2号2025年超额收益达***%，位列第2，公司重点投资于符合国家产业规划和经济发展形势的行业，从中发掘高速成长板块 [18]

AI量化模型与因子总结 量化模型与构建方式 1. **模型名称：AI全频段量价模型** * **模型构建思路**：采用端到端建模范式，直接对原始量价数据进行学习，从低频（日、周、月频）逐步拓展至高频（逐笔成交、Level2）数据，旨在捕捉不同时间尺度下量价数据的内在联系与市场微观结构模式[3][17]。 * **模型具体构建过程**： * **低频多任务学习模型**：模型同时接收日频、周频和月频三种不同颗粒度的K线数据，采用同一个GRU模块提取时序信息，实现知识共享[19]。 * **PatchModel（长时间序列建模）**：借鉴分块思想，将长时间序列量价数据按交易日划分为多个patch，以缓解信息遗忘问题[22]。 * **PatchModel1**：使用GRU处理日内时序数据，再通过注意力机制构建日间联系[22][23]。 * **PatchModel2**：将日内时点信息拆解为不同特征，再使用GRU挖掘日间的时序规律[22][23]。 * **基于逐笔成交的深度学习模型**：从资金流和事件驱动角度构建特征，利用Transformer模型学习多维注意力规律[24]。 * **资金流模型**：根据等时间、等成交笔数、等成交量、等价格波动对逐笔成交数据进行采样，形成4种结构化K线。构建双层Transformer模型，第一层学习时序注意力，第二层学习跨K线注意力，最终输出个股未来收益预测[24][30]。 * **基于Level2数据图像的选股模型**：将高频逐笔成交与委托数据转换为标准化的三维图像格式（通道数、价格区间、成交量/委托量区间），应用Vision Transformer（ViT）及Video Vision Transformer（ViViT）进行模式识别，提取微观结构信息[27][28]。 * **模型评价**：作为一种具备长期价值的研究范式，端到端框架尝试在统一的表示空间中学习市场原始数据的内在联系，使量价研究从局部经验驱动迈向整体结构感知[17]。 2. **模型名称：Master模型** * **模型构建思路**：基于Transformer架构，通过新增变量间注意力层，实现对股票特征在时序上、股票间、特征间的关联变化进行协同建模[55]。 * **模型具体构建过程**：模型在时序注意力层的基础上，通过特定方式新增了变量间注意力层，以增强多变量协同建模能力[55]。具体网络结构可参考图表23[64]。 3. **模型名称：HIST模型** * **模型构建思路**：利用图神经网络（GNN）进行多变量相关性建模，通过多层残差图结构捕获股票间显式的行业板块关联、隐式的风格概念关联以及剩余的特征性收益[54]。 * **模型具体构建过程**：在注意力机制加持下，模型构建多层残差图结构来充分提取股票间的复杂关联信息[54]。具体网络结构可参考图表19[61]。 4. **模型名称：Crossformer模型** * **模型构建思路**：基于Transformer架构，专注于多变量协同建模，其底层模型结构在时序注意力层的基础上新增了变量间注意力层[55]。 * **模型具体构建过程**：通过改进的注意力机制实现对股票特征在时序和横截面上关联变化的协同建模[55]。具体网络结构可参考图表20[62]。 5. **模型名称：PortfolioNet系列模型** * **模型构建思路**：实现从收益预测到组合决策的端到端打通，旨在填平预测与交易之间的鸿沟，让模型直接对组合决策结果负责[5][112]。 * **模型具体构建过程**： * **PortfolioNet**：模型前端基于量价数据生成信号，随后经过可微优化层（如LinSAT）投影为合规的组合权重，组合收益直接参与损失计算并反向传播，实现一站式建模[112]。 * **PortfolioNet 2.0**：在前期模型基础上，对组合约束项赋予可微性能，让AI量价因子在追求高收益弹性的同时，也能捕捉Pure Alpha之外的风格收益[113]。 6. **模型名称：多粒度对比学习框架（CMLF）** * **模型构建思路**：解决直接融合不同粒度量价数据时面临的粒度不一致性和市场状态变化挑战，通过对比学习机制学习有效的股票表征，并动态调整特征融合方式[36]。 * **模型具体构建过程**： * **预训练阶段**：设计跨粒度对比和跨时间对比两种机制，以学习更有效的股票表征[36]。 * **特征融合阶段**：引入自适应门控机制，动态调节不同粒度特征的融合权重[36]。 7. **模型名称：多周期学习框架（MLF）** * **模型构建思路**：包含核心模块以消除周期间冗余信息、融合各周期预测结果，并确保数据一致性以降低模型偏差[40]。 * **模型具体构建过程**：包含三个核心模块：周期间冗余过滤（IRF）、可学习加权集成（LWI）和多周期自适应分块（MAP）[40]。 8. **模型名称：模态感知Transformer（MAT）** * **模型构建思路**：旨在提升深度学习模型挖掘跨模态交互信息的能力，通过引入特征级注意力层识别各模态中最相关的特征[42]。 * **模型具体构建过程**：设计三种多头注意力机制：模态内注意力（捕捉单模态内部时间依赖）、模态间注意力（探索不同模态间关联）和目标模态注意力（在解码阶段捕捉目标序列与各输入模态间的交互作用）[42]。 9. **模型名称：非平稳Transformer** * **模型构建思路**：针对金融时间序列的非平稳特性，改造Transformer底层架构，使模型能感知并适应数据分布的变化[77]。 * **模型具体构建过程**：保留数据预处理时描述原始数据分布特征的参数（如均值、方差），将注意力机制中计算的自注意力权重按照从原始数据分布特征中学到的平稳因子进行放缩，从而将数据分布统计特征引入注意力模块[77]。 10. **模型/框架名称：LLM-FADT文本策略** * **模型构建思路**：借助大语言模型（LLM）对上市公司相关研报、新闻文本进行深度理解，将另类数据中的情绪因子转化为交易信号[6][51]。 * **模型具体构建过程**：利用大模型深入挖掘文本数据，通过数据增强、分域建模的思想将文本情绪因子与AI模型相结合[51][52]。 11. **模型/框架名称：舆情分诊台（LLMRouter-GRU）** * **模型构建思路**：借助大模型挖掘新闻舆情文本，通过分域建模的思想将情绪因子与AI量价因子相结合，赋能选股模型[51]。 * **模型具体构建过程**：利用大模型处理新闻舆情文本，构建情绪因子，并将其与GRU等量价模型结合进行选股[51]。 12. **模型名称：3S-Trader** * **模型构建思路**：一个多LLM框架，用于自适应股票评分、策略制定和组合优化中的标的筛选，整合多源信息并提供可解释的策略优化方向[125]。 * **模型具体构建过程**：通过多个LLM代理分别分析新闻、财报和技术指标，对每只股票生成多维评分，再结合策略迭代模块进行组合构建与调整[125]。 13. **模型名称：MoEDRLPM** * **模型构建思路**：基于混合专家（Mixture of Experts）的深度强化学习组合模型，旨在通过动态切换交易逻辑来适应多变的市场状态[124]。 * **模型具体构建过程**：引入时序与空间注意力机制刻画资产的时空相关性，并利用混合专家结构在不同市场状态下动态切换交易逻辑[124]。 模型的回测效果 （注：报告中对部分模型给出了具体的策略跟踪结果，但指标名称和取值在提供的文本中未完整、系统地列出。以下根据原文提及的绩效描述进行总结。） 1. **AI全频段量价模型**：自2017年以来年化超额收益显著，在样本外持续展现出对中证1000指数的稳健增强效果[6]。 2. **Master因子**：通过精细化的结构设计与风格控制，既可兼顾Pure Alpha，也有机会捕获风格收益[6]。 3. **PortfolioNet 2.0因子**：在回测区间（2023-01-03至2025-11-28）内，合成因子相比于经典AI量价模型取得明显提升，在300增强、500增强与1000增强场景下，年化超额收益分别提升7.5pct、7.5pct与8.5pct，信息比率（IR）同步改善[113]。 4. **舆情分诊台（LLMRouter-GRU）**：在文本另类数据相关策略中表现优异[6]。 5. **LLM-FADT文本策略**：在文本另类数据相关策略中表现优异[6]。 量化因子与构建方式 1. **因子名称：Master因子** * **因子构建思路**：通过精细化的模型结构设计与风格控制，构建既能捕捉Pure Alpha，又能兼顾风格收益的复合因子[6]。 * **因子具体构建过程**：基于Master模型（一种市场引导的股票Transformer）进行股价预测，生成的预测信号作为选股因子[86]。具体构建方法可参考图表51[12]。 2. **因子名称：PortfolioNet2.0因子** * **因子构建思路**：利用PortfolioNet 2.0模型，通过端到端学习从原始数据中合成兼取风格收益与Pure Alpha的因子[6][113]。 * **因子具体构建过程**：模型在训练过程中，通过可微的组合约束项，使学习到的信号同时蕴含Pure Alpha和风格收益信息，最终输出用于选股的合成因子[113]。 3. **因子名称：大模型舆情选股因子 / LLM-FADT因子** * **因子构建思路**：利用大语言模型对文本（如分析师研报、新闻）的深度理解能力，挖掘其中的情绪或事件信息，并将其量化为选股因子[6][51]。 * **因子具体构建过程**：通过大模型处理文本数据，进行情感分类、信息提取或逻辑推理，将结果转化为数值型的股票信号[51][61]。 4. **因子名称：AI宏观因子** * **因子构建思路**：借助大语言模型从海量新闻舆情中提炼宏观叙事与情绪，构建能够捕捉传统数据滞后市场规律的宏观因子[5][132]。 * **因子具体构建过程**：使用LLM处理宏观新闻文本，构建例如经济增长、地缘风险等情绪指数，形成可用于资产配置或策略的宏观因子[53][132]。 5. **因子/框架名称：风险因子挖掘框架（如HRFT）** * **因子构建思路**：专注于挖掘刻画市场不确定性（如波动、相关性、尾部风险）的风险因子，而非传统收益因子[93]。 * **因子具体构建过程**：以HRFT（High-Frequency Risk Factor Transformer）为例，作为一种端到端挖掘框架，将符号数学类比为语言，利用Transformer直接从高频交易特征中自动提取可解释的公式化风险因子，例如用于度量短期市场收益分布方差的因子[93]。 6. **因子挖掘框架：EvoAlpha / TreEvo / CogAlpha** * **构建思路**：基于大语言模型实现“认知型”因子挖掘，利用LLM对金融语义和代码逻辑的理解来指导进化过程，提升搜索效率和因子的可解释性[96][97]。 * **具体构建过程**：如TreEvo框架引入“树状思维进化”，让LLM先构建分层的交易逻辑（如动量、反转的组合），再将其转化为具体代码，实现从线性代码生成向层次化思维进化的转变[97]。 7. **因子挖掘框架：Alpha Jungle / RiskMiner** * **构建思路**：将LLM的生成能力与蒙特卡洛树搜索（MCTS）等规划算法结合，在高维稀疏的Alpha空间中实现有导向、有策略的高效导航[100][101]。 * **具体构建过程**：LLM作为策略网络提出候选公式，回测结果作为价值网络的反馈信号，引导MCTS的搜索方向。RiskMiner则采用“风险寻求”的MCTS变体，专门探索高风险但潜在高收益的稀有因子[101]。 8. **因子挖掘框架：AlphaForge / Synergistic Alpha** * **构建思路**：重心从挖掘单一因子转向“因子协同”与“动态组合”，直接面向投资组合的最终表现进行端到端优化[105]。 * **具体构建过程**：不仅挖掘基础公式，还通过基因拼接等算子寻找与现有因子库正交的新因子，并引入动态权重调整机制，实现基于市场环境变化的实时因子重组[105]。 因子的回测效果 （注：报告中对部分因子给出了具体的绩效指标，以下根据原文图表和描述进行总结。） 1. **Master因子**：根据图表52，在回测中展示了其RankIC、年化超额收益、夏普比率等信息，并与其他基准因子进行了对比[12]。图表55和56显示了其用于中证1000指数增强的业绩指标和超额净值曲线[12]。 2. **PortfolioNet2.0因子**：根据图表59，在中证1000指增组合中（回测区间2023-01-03至2025-12-31），展示了年化超额收益、超额波动、信息比率（IR）、最大回撤等绩效指标[12]。 3. **“舆情分诊台”AI量价因子**：根据图表57，在沪深300指增组合中（回测区间2023-01-03至2025-12-31），展示了年化超额收益、信息比率（IR）等绩效表现[12]。 4. **LLM-FADT文本策略**：根据图表63，在中证500增强策略回测期（2017-01-26至2025-12-31）内，展示了年化收益、年化波动、夏普比率、最大回撤等绩效指标[12]。图表65对比了其与BERT-FADT策略的超额收益[12]。

2025年量化私募行业整体表现 - 2025年是量化投资标志性大年，DeepSeek的横空出世为领域注入颠覆性AI动能，A股市场震荡上行且中小盘风格显著占优，中证2000与微盘股指数分别大涨超36%和80%，市场流动性充裕、交投活跃，多重利好共振令量化多头策略迎来全面爆发 [3] - 根据私募排排网数据，有业绩展示的量化产品共1784只，2025年平均收益达30.28%，平均超额（几何）收益达10.83% [3] - 量化多头策略产品数量最多，达806只，其2025年平均收益和超额收益分别为44.74%和16.46%，在私募二级策略中居前 [3][4] 各量化策略2025年业绩排名 - 量化多头策略平均收益44.74%，平均超额收益16.46%，产品数量806只，在统计的策略中排名第一 [4] - 量化CTA策略平均收益20.21%，平均超额收益14.04%，产品数量375只，排名第二 [4] - 复合策略平均收益26.94%，平均超额收益7.86%，产品数量158只，排名第四 [4] - 其他衍生品策略平均收益40.84%，平均超额收益33.63%，产品数量4只，表现突出但样本量小 [5] - 股票市场中性策略平均收益9.58%，平均超额收益-6.87%，产品数量186只，是统计中少数平均超额收益为负的策略 [4] 量化选股策略细分表现 - 截至2025年12月底，有业绩展示的“量化选股”产品共335只，2025年平均收益为42.28%，平均超额收益为17.70% [6] - 2025年收益十强的上榜门槛超过特定百分比，位居前三的产品依次来自海南盖亚青柯私募、水碓泉资产、翰荣投资 [6] - 海南盖亚青柯私募旗下的“盖亚青柯刺桐进取A类份额”位居榜首，公司成立于2021年，基于自主研发的量化金融学术成果，结合超过10年的全球市场实战经验，利用大数据、人工智能等方法捕捉市场无效性 [7] - 翰荣投资旗下产品“翰荣安晟进取一号B类份额”表现亮眼，其总经理聂守华具备16年从业经验，投资总监贺杰曾担任知名量化私募研究员 [8] - 百亿私募龙旗科技旗下产品“龙旗科技创新精选1号C类份额”领衔百亿私募量化选股产品，公司成立于2011年，创始人朱晓康拥有波士顿大学经济学博士学位，曾任职于巴克莱国际投资人（BGI） [9] 中证500指数增强策略细分表现 - 有业绩展示的“中证500指增”产品共173只，2025年平均收益为46.32%，平均超额收益为12.22% [10] - 超额收益十强的上榜门槛为特定百分比，位居前三的产品依次来自国标资产、兆信私募基金、照月私募 [10] - 准百亿私募量魁私募旗下产品位列第6，公司成立于2015年，核心团队具有物理、数学、信息科学等多学科背景 [12] - 该产品基金经理梁涛为北京大学电子工程硕士，拥有10余年期货、股票量化投研经验 [13] - 百亿私募顽岩资产旗下产品跻身前十强，其创始人金腾毕业于浙江大学软件工程专业，2012年进入量化行业，于2015年创立公司 [13] 中证1000指数增强策略细分表现 - 有业绩展示的“中证1000指增”产品共169只，2025年平均收益为49.68%，平均超额收益为17.41% [14] - 超额收益十强的上榜门槛超过特定百分比，位居前三的产品依次来自今通投资、鹿秀投资、蒙玺投资 [14] - 在十强榜单中，百亿私募产品显著增多，包括蒙玺投资、明汯投资、平方和投资、鸣石基金、千衍私募旗下的产品 [16] - 蒙玺投资旗下产品领衔百亿私募中证1000指增产品，公司成立于2016年，2025年成立了AI Lab，将AI赋能到整个投研链路 [17][18] - 蒙玺投资创始人李骧拥有17年交易经验，是国内第一批从业量化交易的基金经理，公司认为量化行业将进入全新发展阶段，行业/主题指增等工具型产品及量化多策略产品将更受青睐 [18] 沪深300指数增强策略细分表现 - 有业绩展示的“沪深300指增”产品共35只，2025年平均收益为31.22%，平均超额收益为11.52% [18] - 超额收益十强的上榜门槛为特定百分比，位居前三的产品分别来自广州传山私募、明汯投资等 [19] - 明汯投资旗下产品业绩表现突出，公司成立于2014年，是国内较早一批将人工智能技术成功应用到金融市场的私募机构，核心团队多毕业于国际名校并曾于国际一线量化机构任职 [21] - 2025年四季度末，明汯投资的规模为700-800亿，稳坐国内量化“第一梯队” [22] 其他指数增强策略细分表现 - 有业绩展示的“其他指增”产品共94只，2025年平均收益为46.76%，平均超额收益为19.95% [23] - 超额收益十强的上榜门槛超过特定百分比，位居前三的产品依次来自菁上甲万、中闽汇金、杨湜资产 [24] - 中闽汇金旗下产品位列第2，公司重点投资于符合国家产业规划和经济发展形势的行业，从中发掘高成长板块，并配合量化交易策略及风控措施 [25]

非法金融App诈骗的核心模式与手法 - 核心观点：不法分子通过仿冒正规金融机构App、包装热点概念等手段，以高收益为诱饵实施诈骗，主要手法包括“线上诈骗、线下送钱”、传销式拉新、后台篡改数据二次收割等，严重危害消费者财产安全 [1][3][4] - 诈骗者仿冒“东方财富证券”等知名券商、银行App，其LOGO、色系、菜单栏甚至“银证转账”页面均被克隆，App只能通过“客服”提供的链接或二维码私域下载，无法在正规应用商店搜索到，以此规避合规审核 [3][4] - 主要诈骗流程为“线上诈骗，线下送钱”：客服以“新股申购”、“内部额度”等理由诱导受害者将资金充入App并显示虚假盈利，随后要求受害者前往银行提取现金（案例如提取50万元人民币）或购买等值黄金，送至所谓的“第三方托管点”完成“对冲认证” [3] - 另一类手法以热点概念进行包装，如“虚拟货币跟单”、“AI量化”、“低空经济股权”等平台，宣称日化收益率1%、年化收益率20%以上，并通过设置“邀请码”、“团队算力奖励”，依据下线充值金额给上线发放“提成”，形成传销式资金池 [3] 诈骗实施与资金流转特征 - 在诈骗过程中，平台前期允许小额提现并“秒到账”以获取信任，但用户的账户余额和收益曲线可在后台被随意篡改 [4] - 当消费者加大投入后，平台会以“套利嫌疑”、“风控升级”等为由，要求受害者额外缴纳20%的“自证保证金”或30%的提现手续费，进行二次资金收割 [4] - 资金充值通道通常跳转至第三方支付平台、USDT钱包或境外私人账户，导致资金流向极为复杂，一旦客服失联，投资者将完全无法联系到平台方 [4] 监管提示与消费者防范要点 - 多地监管机构已发布风险提示，指出不法分子利用所谓金融App，以低门槛、高收益为诱饵，吸引消费者下载使用 [4] - 监管强调消费者不应轻信App内的高收益宣传，在参与投资前需通过正规渠道核实机构资质，切勿轻信来源不明的投资建议 [5] - 消费者应仔细核查App是否具备金融业务合法资质，避免下载和使用未经认证的App [5] - 消费者需注意保护个人信息，妥善保管账户密码，避免在不安全的网络页面提交重要信息或进行交易，不随意点击App内的未知链接或下载未知附件，并定期查看账户变动以发现异常交易 [5]

THPX信号源的核心功能与目标 - THPX信号源是一款基于数据驱动的分析平台，其核心目标是通过实时监测和生成信号，帮助用户应对复杂市场环境的挑战 [2] - 该工具专门针对XAGBTC组合（白银与比特币价值关联）提供基于技术的决策依据 [1] - 传统方法依赖于人工规则，容易因偏差或延迟导致信号失误 [2] AI量化模型的整合与优化 - 引入AI量化模型后，THPX信号源实现了质的飞跃，AI模型基于机器学习算法处理海量历史数据，识别隐性的波动规律和关键触发点 [2] - AI采用高级模式识别技术处理XAGBTC的实时信息流，识别出以往忽视的非线性关系，如白银供应变化与比特币需求激增的关联 [4] - AI模型集成风险控制机制，自动评估每次信号的可能波动范围，帮助用户识别潜在弱点并提前规避异常情况 [4] - AI的处理效率极高，THPX平台部署模型后，系统能在毫秒级别生成更新，确保用户及时获取最前沿的指导 [4] AI优化带来的性能提升与用户益处 - THPX信号源通过AI优化后，信号准确率显著提高，这直接转化为决策效率的提升 [6] - AI模型的自学习特性意味着它不断从新数据中改进，确保信号系统始终保持在技术前沿 [6] - 用户报告反馈更加稳定，市场适应能力更强，尤其在XAGBTC这样波动较大的组合中，用户反馈中普遍提到信号指导带来的压力减轻和决策优化效果 [6] - 关键益处包括提升决策效率、降低潜在不确定性以及强化用户信心 [8] 技术实现路径与核心优势 - AI模型利用历史数据挖掘模式，增强信号生成过程的准确性与风险管理能力 [1] - 整个过程强调自动化和客观性，提升了信号生成的速度和可信度 [2] - 本方法强调自动化数据分析和模式识别，消除了传统手段的局限，赋予决策过程更高的预见性和稳定性 [8] 未来发展方向与前景 - 随着AI技术的持续发展，模型将进一步引入自然语言处理等新兴方法，以处理更复杂的社交媒体或新闻数据，深化信号的包容性和前瞻价值 [8] - AI技术将继续驱动THPX信号源的迭代，进一步扩展其优化边界 [8] - 这种AI驱动的改进不仅提升了工具的性能，还强化了用户的整体体验，确保决策过程更清晰、高效 [8]

公司发展历程与市场地位 - 博道基金对量化投资的探索始于2013年，源自其私募阶段，并历经国内多轮市场周期考验[2] - 公司于2018年以公募形式展业，发行首只公募量化产品“博道启航”，正式进军公募量化领域[2] - 截至2025年三季度末，博道基金量化管理规模约270亿元，成功跻身公募量化行业前三[1][2] 团队建设与运作模式 - 量化团队成员均毕业于清北复交等知名院校，全部由公司自主培养，已形成完善投研梯队[2] - 团队采取“分工协作、投研一体”的作战模式，每位成员主攻特定研究方向，通过严格考核确保产出竞争力[2] - 团队化运作模式确保了策略的持续迭代和业绩的稳定性，沟通协作损耗小，能发挥巨大战斗力[2] 产品布局与创新 - 2019年发行首批指数增强产品：博道中证500指数增强和沪深300指数增强，并连续多年跑赢对标指数[3] - 2021年推出对标偏股混合型基金指数的“基金增强”策略产品——博道远航，开创公募量化新路径[3] - 2024年布局smart beta增强系列产品，如博道大盘成长、博道大盘价值，填补风格增强领域空白[3] - 2025年，博道沪深300增强和博道中证500增强成功申请获批养老Y份额，与个人养老金等长线资金高度适配[3] - 目前产品矩阵涵盖标准指增、灵活指增、Smart Beta增强及量化固收+四大类别，满足不同风险偏好[4][5] 产品业绩表现 - 以博道中证500指数增强为例，自2019年1月3日成立至2024年底，累计回报达105.42%，相较基准累计超额收益68.02%，过去五年同类排名第一[4] - 截至2025年12月18日，博道旗下多只指增产品如博道中证500增强A、博道中证1000增强A等，成立以来回报率在同类排名中位列前20%[6] - 业绩一致性得益于体系化的运作流程，从收益预测、组合优化到交易执行均由系统自动化处理[6] 量化策略与技术创新 - 公司量化策略持续迭代，对于AI的探索走在行业前列，2020年AI量价因子纳入实盘，2023年拓展到AI全流程框架并正式实盘[7] - 形成“双均衡”多因子模型框架，包含方法论均衡（传统多因子模型与AI全流程模型各占50%权重）和因子配权均衡（基本面因子与量价估值因子各占一半）[7] - 2025年，量化团队将迭代目标锁定量化风控体系，通过重构AI风险因子来提升胜率和投资者持有体验[8] 投资者服务与教育 - 公司通过旗下“慢富道”投资者服务品牌，以线下交流、公众号推文、视频号科普等多种形式，助力指数增强产品的普及和长期配置理念的传播[3] - 致力于以通俗易懂的方式传达科学投资观念，增强投资者对量化产品的认知和信任[3] 行业展望与公司规划 - 随着个人养老金制度推广和利率下行，指数增强产品有望迎来更大发展空间[8] - 公司表示将继续深耕工具化产品，响应公募基金高质量发展号召，坚持“双均衡”理念，优化投资者体验[8]

公司发展历程与市场地位 - 博道基金对量化投资的探索始于2013年，源自其私募阶段，并历经国内多轮市场周期考验[1] - 公司于2018年以公募形式展业，发行首只公募量化产品“博道启航”，正式进军公募量化领域[2] - 截至2025年三季度末，博道基金量化管理规模约270亿元，成功跻身公募量化赛道行业前三[1][2] 团队建设与运作模式 - 量化团队成员均毕业于清北复交等知名院校，全部由公司自主培养，已形成完善投研梯队[2] - 团队采取“分工协作、投研一体”的作战模式，每位成员主攻特定研究方向，通过严格考核确保产出竞争力[2] - 团队化运作模式确保了策略的持续迭代和业绩的稳定性，沟通协作损耗小，能发挥巨大战斗力[2] - 团队坚持“投研一体”，研究成果以因子编号上线，最终由系统统一执行，避免了人工干预，确保产品业绩高度一致[7] 产品布局与矩阵 - 博道“指数+”系列构建了多层次产品矩阵，涵盖标准指增、灵活指增、Smart Beta增强及量化固收+四大类别[3] - 2019年，公司发行了首批指数增强产品：博道中证500指数增强和沪深300指数增强[3] - 2021年，公司推出对标万得偏股混合型基金指数（885001）的“基金增强”策略产品——博道远航，开创公募量化新路径[3] - 2024年，公司进一步布局smart beta增强系列产品，如博道大盘成长、博道大盘价值，填补了风格增强领域的空白[3] - 2025年，博道沪深300增强和博道中证500增强成功申请获批养老Y份额，与个人养老金等长线资金高度适配[3] - 2025年发行的博道中证全指指数增强，旨在用一只产品实现全市场配置且力求超额收益[5] 产品业绩表现 - 以博道中证500指数增强为例，自2019年1月3日成立以来，连续6年跑赢对标指数，截至2024年底累计回报达105.42%，相较基准累计超额收益68.02%，过去五年同类排名第一[4] - 截至2025年12月18日，博道旗下多只指增产品排名同类前列，如博道中证500增强A、博道中证1000增强A等多只产品成立以来回报率在同类排名中位列前20%[6] - 业绩一致性得益于体系化的运作流程，从收益预测、组合优化到交易执行，全部由系统自动化处理，确保投资纪律性[6] 量化策略与技术创新 - 公司量化策略的核心竞争力源于持续迭代，对于AI的探索走在行业前列，2020年AI量价因子就已纳入实盘[6] - 2023年AI应用拓展到全流程框架并正式实盘，形成目前的“双均衡”多因子模型框架，成为行业差异化亮点[6] - “双均衡”框架包含方法论均衡和因子配权均衡：传统多因子模型与AI全流程模型各占50%权重；收益预测一半来源于基本面因子，另一半来源于量价估值因子[7] - 2025年，量化团队将迭代目标锁定量化风控体系，通过重构AI风险因子，提升胜率和投资者持有体验[7] - 公司对于AI的探索始于2017年，2023年升级为端到端框架，从原始数据输入，经神经网络直接输出收益预测[7] 投资理念与投资者服务 - 公司不追求短期爆发力，而是致力于寻找能够穿越不同市场周期的、可持续的超额收益来源，“均衡”理念贯穿投研全过程[1] - 公司通过旗下“慢富道”投资者服务品牌，以线下交流、公众号推文、视频号科普等多种形式，助力指数增强产品的普及，传播长期配置理念[3] - 工具化产品的核心在于风格清晰和超额稳定，公司未来将继续完善布局，响应投资者多元化需求[6] 行业展望与公司规划 - 随着个人养老金制度推广和利率下行，指数增强产品有望迎来更大发展空间[8] - 公司表示将继续深耕工具化产品，响应公募基金高质量发展号召，坚持“双均衡”理念，优化投资者体验，为资本市场注入长期稳定力量[8]

核心观点 - THPX信号源通过人工智能量化技术，为WTIBTC（原油与比特币组合）领域的市场参与者提供创新解决方案，旨在高效捕捉潜在机会、优化决策并强化策略框架 [1][8] 技术应用与优势 - 系统融合先进的AI算法与深度学习模型，实时解析市场信号并分析历史趋势和实时指标，以精准预测WTIBTC的波动方向 [1] - AI量化技术的核心在于利用智能算法处理海量数据，识别关键信号，从而指导参与者优化行动策略，并避免使用繁琐的数学公式 [1] - 通过机器学习算法快速筛选市场噪音，提升识别准确性，发现隐藏机会信号，减少人为偏差影响 [3] - 人工智能驱动的量化流程自动处理数据输入，提升整体决策效率，使用户可专注于高层次规划，节省时间成本 [3] - 系统内嵌预测算法评估市场不确定性，提供缓冲建议，从而在风险控制层面显著增强，维护资产稳健 [3] - 系统持续更新模型参数，确保信号输出时效性强、可信度高，提供可持续价值 [5] 产品特性与用户体验 - THPX信号源专注于易用性与可靠性，无需依赖大量虚拟数据或复杂公式，确保策略执行无缝流畅 [1] - 设计以用户为中心，简化决策流程，不同于传统方法 [1] - 系统设计简洁接口，输出清晰建议（如“时机把握提示”），避免直接操作指令，降低了知识门槛，使新手也能轻松上手 [5] - 强调真实场景中的适用性，未依赖虚构数据或敏感词 [3] - 支持参与者探索跨市场联动机会，将原油的宏观影响与比特币的技术指标结合，通过AI优化呈现统一视图 [5] 市场影响与行业前景 - THPX信号源在WTIBTC（原油与比特币交叉领域）中，帮助参与者应对波动剧烈与信息过载的挑战 [1] - 该工具为市场参与者带来便捷解决方案，推动创新并强化整体策略框架 [1] - 系统构建了一个赋能平台，通过AI量化推动WTIBTC机会捕捉成为日常实践 [5] - THPX信号源推动行业革新，其人工智能量化技术与大数据、物联网等技术融合，为参与者提供生态化支持 [7] - 未来，随着模型持续优化，THPX有望扩展到更多市场领域，例如大宗商品与新兴数字资产交叉点，提升参与者竞争力并促进市场效率整体优化 [7] - 长远看，THPX信号源推动智能化决策潮流，强化整体市场适应性，并为参与者创造持续价值 [8]

行业背景与趋势 - 公募基金行业正经历深刻变革，监管政策强调业绩比较基准的“锚”和“尺”功能，将重塑主动权益基金的产品格局和管理模式 [1] - 指数增强基金因其严格的成份股占比约束和跟踪误差限制，能更好地对标业绩基准，是契合当前监管政策导向的品种，发展空间可期 [1] - 2025年以来，指增基金数量加速增长，截至11月末，年内新成立产品达160只，合计发行规模近900亿元 [2] - 截至2025年9月末，全市场指增基金合计规模达2622亿元，相比2024年末增幅达23.34%，增速超过主动权益基金，略低于权益指数基金 [2] - 指增基金的发展受益于技术侧和监管侧双重利好：AI技术为获取长期稳健超额收益赋能，监管强化业绩基准作用 [2] - 优质的量化指增产品相比主动权益基金更加透明、风险可控，未来有望替代部分“平庸”的主动型基金；相比被动指数基金，其优势在于有获取超额收益的机会 [2] 公司概况与市场地位 - 天弘基金作为“指数大厂”，在2025年持续发力指增业务，新成立5只新产品 [3] - 截至2025年三季度末，公司指增产品线份额和规模较2024年末分别增长44.85%和70.21%，远超公募指增产品的整体规模增速 [3] - 天弘基金指数与数量投资部管理的量化指增基金已达18只，总管理规模突破120亿元，是业内为数不多迈入“百亿规模”的量化团队 [5] - 截至2025年6月底，天弘指数增强基金用户数达91万，位列行业第5；个人投资者持有规模占比超96%，在指增产品规模排名前十的基金公司中位居第一 [25] - 截至2025年9月30日，在天弘基金指增成立满6个月的产品中，用户平均持有时长超过7个月，远超普通指数基金大约1个月的持有期 [26] 产品布局与策略 - 天弘基金在宽基指增领域已实现对市场主流宽基指数的完整覆盖，全面贯穿大、中、小市值维度，并在主板、创业板、科创板均配置多只产品 [7] - 公司针对沪深300、中证500、创业板指、科创综指四个宽基推出了两条产品线：“指增1号”追求长期更多超额；“指增2号”追求高胜率的稳健超额 [8] - 公司推出了天弘中证1000增强策略ETF、中证A500增强策略ETF等场内工具，兼顾ETF交易便捷、透明度高、成本较低的优势与获取超额收益的潜力 [8] - 与多数同业主要聚焦宽基指增不同，天弘基金建立了具备独特竞争力的行业指增产品线，是行业指增布局方向最多的基金公司之一 [8] - 行业指增产品主要围绕科技、消费、医药、高端制造和新能源五大关键领域，对标传统优势产业及向“新质生产力”转型的趋势 [8] - 五只行业指增产品的业绩比较基准中有3只被纳入了2025年11月监管发布的业绩比较基准要素一类库 [9] 产品业绩表现 - 截至2025年12月2日，天弘基金旗下有四只宽基指数增强产品运作满三年 [11] - 2022年初成立的天弘中证1000指数增强表现突出，截至2025年三季度末，近三年相对业绩比较基准的超额收益达到33.80% [11] - 具体宽基指增产品近三年超额收益表现：天弘中证500指数增强A为6.34%，天弘沪深300指数增强A为5.70%，天弘创业板指数增强A为4.20% [12] - 公司旗下宽基指增在覆盖不同市场风格与市值板块的同时，超额表现呈现较高一致性，显示了系统化投资能力的可复制性 [12] - 行业指增产品自成立日以来的相较基准超额收益率在5%至29%之间 [13] - 从近三年维度看，天弘中证科技100指数增强、天弘国证消费100指数增强以及天弘中证高端装备制造增强的表现大幅超过同赛道主动基金的平均水平 [13] - 具体行业指增产品成立以来相对基准超额：天弘中证科技100指数增强A为27.04%，天弘国证消费100指数增强A为6.34%，天弘中证医药指数增强A为3.39%，天弘中证高端装备制造增强A为18.70%，天弘中证新能源指数增强A为7.83% [15] - 截至2025年9月30日，过往持有天弘指增产品满6个月的投资者中，超90%的用户持有收益率均跑赢同期基金业绩比较基准 [3][16] 量化投研体系与技术 - 天弘量化团队在基本面多因子框架的长期积淀基础上，全面引入机器学习、神经网络等AI技术处理高频量价、文本数据，挖掘非线性规律 [18] - 团队打造了统一的AI基座模型，目前天弘量化指增约有70%以上的超额因子来源于AI学习 [18] - 在因子挖掘环节，团队将上市公司基本面变化和量价信息深度融合，寻找基本面变化在股价中的微观传导路径，构建逻辑清晰、区分度高且与传统因子低相关的全新因子 [18] - 量化团队基于Level-2逐笔、快照行情及分钟/日频等混频数据构建高质量特征库，已实现多AI模型、多预测周期的实盘应用 [19] - AI模型包括梯度提升树、循环神经网络、图神经网络等先进算法，预测周期覆盖短期（1-5日）、中期（5-10日）及长期（20日）等多个维度 [19] - 在风控层面，团队在传统Barra体系基础上进行了深入的自研与定制化改造，构建了一套更具适应性的精细化风控体系 [22] - 团队利用大语言模型驱动的自然语言处理技术，通过解析文本信息构建股票间的相似度矩阵，以识别超越传统行业与因子范畴的隐性关联风险 [22] - 据天弘量化投研估计，大概有超过75%的超额因子在一年之内就被迭代掉 [24] - 公司从IT基础建设、特征挖掘，到模型融合、风险控制等各模块均有专人负责，实现流水线式生产阿尔法信号，并纳入统一的AI基座模型 [25]