文章核心观点 - 文章聚焦于一家新锐量化私募基金管理人“榕树海私募”，该公司成立于2023年，管理规模约18亿元，正处于策略的“规模红利”期[4][31] - 公司核心团队背景卓越，拥有海外成熟量化框架与丰富的A股本土实践经验，其以“Pure Alpha”为核心的量化投研体系已经过百亿规模的市场验证[7][11][26][29] - 公司基于同一套强大的Alpha信号源，通过差异化约束衍生出量化选股、指数增强、市场中性、股票多空等多条产品线，致力于为投资者提供高夏普、绝对收益的策略产品[14][17][32] 公司概况 - 榕树海私募基金管理（珠海）有限责任公司成立于2023年5月29日，并于同年12月获得私募证券基金管理人牌照[4][22] 核心团队 - 核心团队由创始人陈婧女士领衔，创始合伙人来自中金公司、英国元盛等知名机构[7] - 团队成员兼具海外成熟量化框架与A股本土实践经验，完整经历多轮市场周期检验[7] - 投研人员占比超过75%，核心成员均为硕士及以上学历，平均拥有8年以上量化实盘经验[7] - 核心投研团队自2019年共事超6年，团队稳定性高、协作默契[28] 核心人物背景 - **陈婧（创始合伙人&投资总监）**：武汉大学数学本科，美国哥伦比亚大学金融数学硕士[13]；2011年至2019年在中金公司自营和中金基金领导量化策略研发[13]；其主导的策略框架曾助力合作私募公司在2019至2021年间管理规模增长至百亿[13][26]；拥有近20年海内外量化经验[26] - **田野（创始合伙人&风控总监）**：美国北卡罗来纳大学金融MBA[13]；2010年至2020年任职于英国元盛集团，领导其中国业务成长[13]；拥有多年的海外大型金融机构（如高盛）管理经验[27] 投资理念与投研体系 - 投研体系以“不押注风格、专注Pure Alpha”为核心，采用“截面收益预测+组合优化”的研究范式[11] - 策略不判断市场整体涨跌，而是聚焦全市场股票间相对强弱预测，通过对个股残差收益的系统建模获取超额回报[11] - 在策略构建中主动剥离市场Beta，将行业与风格因子作为需精确管理的风险项而非收益来源[11] - 风控深度嵌入投资流程，组合构建阶段依托成熟风险模型，对行业、市值、估值等多类风格因子敞口实时度量并严格约束[11] - 统一股票预测体系应用于指数增强、多空及市场中性等策略，使公司能长期集中资源打磨核心Alpha能力[11] 策略发展与时序迭代历史 - **国际框架奠基（2011-2019）**：陈婧女士在中金量化团队率先融合海外成熟框架与A股实践[22] - **团队与框架成型（2019-2023）**：核心团队启动模型迭代，策略历经牛熊考验，在中金时期管理规模达60亿，后续为私募机构提供技术服务期间，合作方上海某私募于2021年突破百亿规模[13][22] - **公司化与自主发行期（2023年至今）**：成立公司并获得牌照，复用已验证的核心框架，快速搭建多条产品线[22] 策略介绍及代表产品 - 策略体系整体围绕“Pure Alpha内核、严格风控约束”展开，核心目标是在不依赖风格和市场方向判断的前提下，追求持续、稳定的超额收益[14] - 基于同一套强大的Alpha信号源，通过调整优化器的约束条件和对冲工具，衍生出不同风险收益特征的产品线[14] - **指数增强策略**：在严格控制跟踪误差的前提下，追求超越特定指数（如中证500、中证1000、中证2000）的超额收益[14] - **市场中性策略**：使用股指期货等工具对冲掉市场系统性风险，追求与市场涨跌相关性较小的绝对收益[15] - **股票多空策略**：以稳定券源为基础，专注释放股票层面的pure alpha[16] - **量化选股策略**：不对标特定指数，在全市场范围内优选个股，动态调整风险暴露，追求更高的绝对收益[17] - **代表产品“鲲鹏1号”**：是公司最核心选股模型的直接应用，不依赖市场方向判断[18][19]；全自动化执行，排除人为情绪干扰[20]；持仓高度分散，通常持有数百甚至上千只股票，单一个股持仓比例<1%[23] 核心优势与亮点 - **优势一：背景卓越、经验丰富的核心团队**：团队成员毕业于哥伦比亚大学、北京大学等国内外知名学府，核心成员平均有8年以上国内外实盘量化交易经验[25] - **优势二：成熟、系统化且经过验证的量化投研体系**：策略框架有效性经合作方百亿规模及自有产品双重验证[29]；关键系统均为自行研发，构建核心壁垒[30]；公司拥有超过10000个因子的因子库，并建立严格的因子入库标准和季度级的策略更新周期[30] - **优势三：显著的“规模红利”与清晰的差异化定位**：当前约18亿元的管理规模相对于其策略容量（80亿以上）处于明显的“规模红利”期，策略灵活性高，交易冲击成本小[31]；公司专注绝对收益和高夏普的策略，致力于服务机构和家族办公室客户[32] 持续进化能力 - **技术驱动**：公司已建立AI训练集群（配备高性能GPU），未来将持续加大算力投入，将AI与机器学习深度应用于量化全流程，以提升Alpha预测准度与稳定性，并探索建立自适应、自迭代的智能投研系统[35] - **人才为本**：未来将着力推动人才梯队的制度化建设，包括设计“导师制”与系统化培训体系，建立清晰的晋升通道和多元化激励结构，并加强策略与代码的规范化管理与知识沉淀[36] - **战略深化**：业务上深耕高夏普、绝对收益路线，严控规模于策略容量舒适区；产品端基于核心阿尔法引擎开发多样化策略以满足机构需求；长期目标是塑造“技术先进、风控严、业绩可持续”的品牌形象[39]

峰会概况 - 2026年1月31日，Panda AI在重庆金融会展中心主办“Panda AI 2026年度峰会暨第二届因子大赛论坛” [1] - 峰会联合主办方包括国泰海通证券重庆分公司和宏源期货 [1] - 峰会吸引了超过300位来自学术界、金融机构及科技企业的专业人士参与 [1] 核心观点：人机协同 - Panda AI创始人李昱琦认为，大模型虽能参与交易全流程，但其“脆弱性”如规则理解偏差、自我矛盾、指令博弈等问题，仍是阻碍其独立承担实盘交易的关键瓶颈 [2] - 金融投资的未来是人类与AI在系统内协同：人类负责定义规则、设定边界、做出最终价值判断，AI则负责高效执行、多角度分析、持续追踪与对抗反思 [6] - 华通证券董事会主席周凯指出，个人投资者面临信息过载、认知偏差与执行摩擦三大系统性弱点 [6] - 解决方案在于将顶级对冲基金的“决策内核”工程化，即真相（Radical Truth）×对抗（Disagreement）×权重（Believability）的机制，并可通过AI系统实现规模化复制 [6] 公司技术与业务进展 - Panda AI构建的“多智能体投研平台”支持智能体编排、RAG增强、专业金融工具调用，旨在赋予大模型机构级投研能力 [10] - Panda AI正式宣布与宏源期货等公司启动实盘交易合作，标志着其技术能力、策略稳健性及风控体系获得传统持牌金融机构认可，实现了从“技术验证”到“商业价值创造”的关键跃迁 [11] - Panda AI海外版平台TQX（tqx.trade）正式发布，标志着其AI量化工具与理念将走向全球市场 [11] - Panda AI由重庆量云之境信息科技有限公司运营，是重庆市重点培育的本土科技企业 [16] - 公司致力于打通“投研—建模—风控—交易执行”全链路，构建开放、共享、可持续的人机协同量化生态 [16] - 随着实盘合作落地与全球平台发布，Panda AI正加速迈向“国内首家真正将AI原生交易普惠化”的目标 [16] 行业挑战与展望 - 尽管大模型在舆情分析、因子挖掘、策略生成等方面潜力巨大，但仍面临“黑箱”、幻觉、缺乏实时性等挑战 [15] - 行业需要加强可解释性研究、模型对齐与安全可控生态建设，警惕“算法共振”可能引发的系统性风险 [15]

公司战略定位与愿景 - 公司致力于打造标准化AI量化数字资产管理交易平台，使命是让数字资产财富增长简单、稳健、可信赖 [1] - 公司愿景是成为数字资产领域的“贝莱德”，即全球领先的数字资产量化投资管理平台 [1][7] 重大战略合作 - 公司正式与高盛国际金融集团、阿尔法实验室、PayPal三家科技金融巨头签订深度战略合作协议 [3] - 此次合作被视为公司全球化布局的关键一步，标志着公司正式跻身全球顶级量化机构行列 [3] - 摩根士丹利研报指出，此次资源整合将产生“1+1>3”的效应，重塑全球数字资产量化管理产业链 [3] - 《华尔街日报》评论认为，此次合作是“金融巨人遇上科技新锐”，将改变整个行业 [7] 公司核心能力与技术 - 公司深耕AI量化投资多年，已搭建覆盖趋势跟踪、网格交易、期现套利、做市策略等多维度的量化策略体系 [3] - 公司凭借AI技术的持续迭代与严苛的风控标准，在全球数字资产及传统金融量化市场积累了丰富的实践经验与客户口碑 [3] 合作方资源与协同效应 - 合作方作为全球金融领域领军者，拥有成熟的全球渠道网络、海量的优质客户资源以及权威的行业合规运营经验 [3] - 此次合作是技术与资源的强强联合，旨在为行业打造“技术+资源+合规”的合作范本 [3][7] 合作具体方向 - 共同推进AI量化策略的研发与升级，针对不同区域、不同品类的金融市场开发更适配、更高效的量化模型 [4] - 联合搭建跨境量化投资服务平台，依托合作方的全球金融牌照与渠道资源，将公司的AI量化产品推向更广阔的国际市场 [4][5] - 共建金融科技人才培养与交流机制，通过技术研讨、联合实验室等形式培育专业人才 [5] 行业背景与影响 - 在全球金融市场加速数字化、智能化转型的当下，AI量化投资已成为金融创新的核心赛道之一 [7] - 此次战略合作标志着金融科技行业进入资源整合、生态共建的新阶段 [7] - 随着合作计划实施，一个更加开放、智能、高效的全球数字资产量化新生态正在形成 [7]

全市场指数增强基金发展概况 - 截至2025年12月5日，全市场公募指数增强基金产品数量超460只，总规模逾2800亿元，较去年年末增长近三成 [2] - 2025年以来，指增基金平均单位净值增长率达21.73%，平均最大回撤为-10.78%，风险收益比优于同期主动权益基金（平均回撤-14.82%）[2] - 指增基金近一年平均年化波动率为16.45%，低于主动权益基金的19.93%，在风险控制上具备显著优势 [2] 天弘基金指数增强业务整体表现 - 天弘基金是市场上少数的百亿量化指增管理人之一，其同类产品数量在全市场排名第2 [2] - 公司实现了从宽基到行业、从场外到场内的产品全覆盖 [2] - 截至2025年9月30日，公司旗下所有运作满三年的指数增强产品均实现正超额收益 [3] - 公司指增产品中，70%以上的超额因子来源于AI学习 [3] 天弘基金产品布局与策略 - 产品布局采取“宽基+细分”双轮驱动策略 [3] - 宽基覆盖沪深300、中证500、中证1000、国证2000等全市值产品 [3] - 细分赛道聚焦科技、高端制造、新能源等“新质生产力”领域 [3] - 通过发行增强型ETF，兼顾交易灵活性与超额收益 [3] 天弘基金指增产品业绩表现 - 2025年以来，公司所有指数增强产品均稳定跑赢基准，无一只“拖后腿” [4] - 截至2025年12月5日，旗下所有成立满6个月的增强型基金，近一年均实现正超额收益 [5] - 具体产品表现：天弘国证2000指数增强A、天弘中证1000指数增强A、天弘中证500指数增强A等产品年内实现超额收益均超10% [5] - 长期业绩：天弘中证500增强A成立至今累计超额36.67%；天弘沪深300指数增强A自成立以来累计超额收益31.63% [5] - 行业指增产品表现：天弘中证科技100指数增强A近一年单位净值增长率达50.35%；天弘中证高端装备制造增强A近一年单位净值增长率达42.96% [7] - 近1-2年超额收益持续性：多达18只产品超额收益超5%，8只超10% [9] AI量化模型与投资方法论 - AI量化模型旨在系统性剥离市场β波动干扰，聚焦挖掘真正的α [10] - 通过标签化因子归因，识别并剔除与指数β高度相关的因子信号 [10] - 系统整合日内tick级买卖盘数据、5分钟K线、行业分类、股票因子及宏观数据，构建混合特征构造器 [10] - 实践成果：旗下所有指增产品近一年最大回撤均低于基准指数 [12] - 具体案例：天弘中证500增强A近一年超额收益12.07%，跟踪误差仅0.28%，远低于行业均值0.45%；天弘国证2000增强A近一年超额收益22.70%，最大回撤-15.59%，同期指数回撤-18.3% [12] AI投资体系与生产模式 - 采用统一的AI基座模型加个性化优化的工业化生产模式 [13] - 统一AI基座模型包含1200+原始因子，涵盖高频数据、另类数据、宏观指标等，每日自动更新、回测、筛选 [13] - 因子采取标签化管理，被标记为“纯α”、“β暴露”、“噪声”、“周期性”四类，确保可解释 [13] - 基金经理角色转变为在AI输出的“α候选池”中，基于行业认知进行组合优化 [13] - 体系具备三大可信支柱：可解释、可验证、可持续 [13] - 因子更新频率达日频，响应市场变化速度远超传统季度调仓 [14] - 组合构建过程透明、可追溯，每笔收益均可回溯至具体因子贡献 [14] - 系统韧性体现：无一只指增产品因因子失效而业绩大幅下跌 [14] 风险控制能力 - 在2025年市场震荡加剧背景下，产品展现出抗波动能力，波动更小，回撤更低 [15] - 核心团队稳定：数量投资部团队成员平均从业经验超过8年，基金经理平均从业年限达11年，加入公司平均时间超过6年 [15] - 具体产品回撤控制：天弘中证1000增强A、中证500增强A、沪深300增强A近一年最大回撤分别为-15.38%、-12.76%、-10.16%，均低于各自业绩基准的最大回撤 [15] - 风险控制机制包括：AI动态风险预算、行业对冲机制、尾盘流动性监控 [16] 公司整体指数业务实力 - 截至2025年12月5日，天弘旗下共有116只各类指数基金，覆盖股票、债券、商品、指数增强、QDII等大类，合计管理规模位居行业第六 [17]

文章核心观点 2025年中国私募行业正处于技术驱动与规则重塑的关键时期，量化私募凭借AI赋能与策略进化，在规模、业绩和行业影响力上首次全面超越主观投资，成为市场主导力量，同时行业生态在“公奔私”、出海、险资入局等趋势下向多元化、国际化深度演进 [2] 行业格局与规模变化 - 截至2025年11月底，百亿私募数量增至113家，其中百亿量化私募占据55席，首次明显超过47家百亿主观私募，量化私募成为百亿阵营主导力量 [10] - 2025年7月初，百亿量化私募数量（41家）首次超越百亿主观私募（40家），10月22日百亿私募总数突破100家，行业重返“双百时代” [10] - 2025年管理规模首次突破百亿的私募（“新秀”）共有24家，包括纽达投资、微观博易、珠海宽德等 [13] - 截至2025年10月末，国内存续私募基金管理规模历史上首次突破22万亿元，11月末进一步增至22.09万亿元 [15] - 私募证券投资基金规模增长尤为突出，截至11月末规模达7.04万亿元，较2024年末大幅增加1.8万亿元，增幅超过34% [15] - 截至11月底，在7569家存续证券类私募管理机构中，有673家管理规模较2024年底实现跃升，其中规模区间至少跃升3级的有20家，跃升2级的有99家 [17] AI技术驱动量化投资 - 2025年初，由幻方量化创始人梁文锋创立的深度求索公司推出AI大模型DeepSeek-R1，其应用在苹果商店中美免费应用下载榜登顶，一度在美国市场超越ChatGPT，被视为量化投资进入“AI驱动”时代的关键信号 [3][4] - 2025年12月初，DeepSeek公司再度发布DeepSeek-V3.2和高计算版本DeepSeek-V3.2-Speciale，在保持强大推理能力的同时实现了高计算效率的平衡 [4] - 在AI加持下，梁文锋实控的量化私募（九章资产和宁波幻方量化）旗下13只产品今年1-11月平均收益及超额收益数据因合规要求未公开，近3年平均收益及超额收益数据同样未公开 [4] - 截至2025年11月底，积极布局AI的国内百亿量化私募至少有16家，包括黑翼资产、进化论资产、九坤投资、信弘天禾、因诺资产等 [5] - 多家头部量化私募已深度布局AI：黑翼资产实现了全流程AI量化投资；进化论资产自2017年引入机器学习，2023年成立AI大模型专家组；九坤投资自2019年搭建AI团队，并成功复现DeepSeek-R1；宽德投资旗下设有AI研究实验室WILL [6] 监管新规影响 - 2025年4月，沪深北交易所同步发布《程序化交易管理实施细则》，于7月7日正式实施，对程序化交易报告、交易行为、信息系统及高频交易管理等作出细化规定 [8] - 新规明确了瞬时申报速率异常、频繁瞬时撤单等异常交易行为的构成要件，并规定单个账户每秒申报/撤单最高笔数达300笔以上或单日达20000笔以上属于高频交易 [8] - 行业专家认为，新规将促使管理人提升基本面因子占比、向中低频策略转型，同时更注重机器学习和另类数据的应用以拓展超额收益来源，并提升风控合规水平 [8] 产品备案与发行 - 截至2025年12月25日，年内新备案私募证券投资基金数量超过12000只，达12331只 [26] - 新备案产品中，股票策略私募基金数量高达8116只，占比65.8%，是发行市场主力 [26] - 百亿量化私募成为新备案主力军，其中明汯投资、世纪前沿、黑翼资产、宽德私募4家年内新备案产品均在120只以上，明汯投资以148只居首 [26][27] 业绩表现对比 - 截至11月底，有业绩显示的833只量化多头产品今年来收益均值高达40.34%，显著高于2172只主观多头产品的平均收益34.25% [30] - 从百亿私募看，旗下有至少3只产品展示业绩的57家百亿私募中，百亿量化私募今年来收益均值达34.40%，远高于百亿主观私募平均收益的28.49% [30] - 私募股票投资整体业绩亮眼，截至11月底，368家私募的股票策略平均收益为36.50%，大幅跑赢同期上证指数和深证成指，其中有44家私募收益数据因合规要求未公开 [37] - 市场交投活跃、流动性充裕，消费、科技、高端制造等板块均有亮眼表现，为股票策略基金提供了丰富投资机会 [38] 人才流动：“公奔私”浪潮 - 2025年以来，在公募行业激励机制生变、“去明星化”趋势深化及市场行情走牛等多重因素驱动下，“公奔私”浪潮持续涌动 [38] - 截至2025年12月19日，今年已有304位公募基金经理离职，包括鲍无可、张翼飞、周海栋、曹名长、翟相栋等多位绩优基金经理或资深老将，其中不少人已传出转向私募领域发展的消息 [38] - 截至2025年12月12日，从业背景为公募的基金经理已有859位，其中43位“公奔私”基金经理今年来平均收益为27.70%，收益排名前10的上榜门槛数据因合规要求未公开 [39] - 今年十佳“公奔私”基金经理分别为黄立图、于江勇、陆航、杨绍基、戴春平、聂守华、王鹏辉、王立立、程志田、杨泽辉 [39] 国际化进程加速 - 获取香港9号牌照是私募机构“出海”关键路径之一，持牌机构可通过设立香港资管子公司直接管理美元基金 [43] - 截至2025年11月26日，今年已有10家私募新获香港9号牌照，至此持有该牌照的私募数量增加至107家 [43] - 新获牌机构包括优美利投资、平方和投资、致诚卓远、前海博普资产、黑翼资产等 [43] - 持有9号牌照的头部私募（50亿以上）和50亿以下规模私募分别占54家和53家 [43] 险资加速入局 - 2025年险资私募领域呈现加速扩容态势，年内新增备案登记的险资系私募达4家，分别为泰康稳行（武汉）私募、太保致远（上海）私募、太平（深圳）和人保启元惠众（北京）私募 [50] - 其中，泰康稳行（武汉）私募由泰康资产100%持股，管理规模为50-100亿；太保致远（上海）私募由太平洋资产100%持股，为百亿私募 [50] - 在长期投资试点深化与低利率环境延续的背景下，预计“险资系”私募基金的设立热潮仍将延续 [51]

市场背景与策略定位 - 在A股市场风格频繁切换、波动常态化的背景下，兼具市场贝塔收益和超额阿尔法收益的指数增强策略，有望成为投资者穿越市场周期的重要配置工具[1][22] - 聚焦中小盘成长风格的中证1000指数增强策略，凭借高弹性、高成长等特点，吸引了众多投资者的目光[1][22] - 在当前中国经济结构转型、科技创新成为核心驱动力的时代背景下，中小盘成长风格有望显现出长期的配置价值[22][44] 黑翼资产公司概况 - 黑翼资产成立于2014年，是国内首批成立的量化投资机构之一，始终贯彻科学理性、策略多元和长期稳健的投资理念[2][23] - 公司专注于数量模型研究，注重回撤控制和长期业绩表现，以投资者利益为核心，力争在控制回撤的基础上获取可观收益[2][23] - 两位创始人陈泽浩和邹倚天均为国内第一批华尔街归国量化投资经理，均拥有18年海内外量化投资实战经验[2][23] - 两位创始人既是基金经理，也是核心量化策略的控制人，公司管理结构非常稳定[2][24] - 公司已实现全流程AI量化投资，并构建了多元化的策略矩阵，覆盖量化选股、指数增强、市场中性、多策略、量化CTA等产品线[2][23] 投研团队实力 - 黑翼资产中投研人员占比达约70%左右[3][25] - 投研团队成员的平均从业年限超过10年[3][25] - 超过60%团队成员拥有博士学位，多毕业于斯坦福、麻省理工、清华、北大等知名学府[3][25] - 公司建立了全面的人才梯队建设体系，既有经验丰富的资深基金经理，也有充满创新与活力的应届生加入[3][25] AI技术与量化流程 - 黑翼是较早将人工智能技术应用到金融市场的机构之一，将AI技术植入量化投资的全流程，包括数据收集、因子挖掘、收益预测、组合优化、算法交易等各个环节[4][27] - 公司秉承长期、多元的投资理念，重视全频段、全周期、多品种、多策略覆盖，追求超额收益来源多元化、超额同质化程度低[4][27] - 公司通过自建数据中心，采用分布式存储系统和大数据处理技术，实现海量数据的高效存储和快速访问[18][39] - 投研流程由数据团队、因子团队、建模团队、组合优化团队和算法团队分工协作，涵盖数据分析、因子挖掘、收益预测、组合优化和算法交易等步骤[20][41] - 公司持续更新和优化因子库，除了量价数据、基本面数据外，还积极扩充另类数据，包括新闻舆情、电商数据、信用卡交易、卫星图像数据等，并利用AI技术解码挖掘更多隐藏的市场信号[20][41] 中证1000指数特征 - 中证1000指数小盘特征鲜明，主要聚焦于小市值公司，选取中证800指数样本以外的规模偏小且流动性好的1000只证券作为指数样本，与沪深300和中证500等指数形成互补[5][28] - 从行业分布来看，中证1000指数成分股大多包含高成长、高盈利能力的科技行业，其前三大行业分别为工业(占比26.59%)、信息技术(占比21%)和原材料(占比12.98%)[10][31] - 成分股多集中在新兴产业，"专精特新"企业占比领先，成分股内"专精特新"企业数量为175家，数量占比达17.50%，均远高于沪深300(15家，5.00%)、中证800(56家，7.00%)和中证500(41家，8.20%)，指数新经济特征较为显著[13][34] 中证1000指增策略核心 - 中证1000指数增强策略以中证1000指数为参考，在追踪对标基准指数的前提下，充分利用数理统计、机器学习等技术优势，力争挑选出全市场有alpha的股票，同时追求市场收益和超额收益[15][36] - 黑翼资产采用多元化因子配置作为其核心策略，通过均衡融合机器学习因子、基本面因子和人工量价因子，构建了一个相互协同的因子体系[16][37] - 公司有成熟的数据团队和AI技术赋能，以收集和挖掘更多数据信息，分散超额收益来源[16][37] 风险控制体系 - 黑翼资产建立了完善的风险控制体系，通过事前、事中、事后风控三大体系将具体措施深入至整个投资流程[20][41] - 事前风控在因子层面严控各类因子的暴露敞口和偏离度，力争使产品的业绩稳定性得到增强[20][41] - 事中风控实行24小时实时监控与人工监督，实时监控订单执行情况，防范异常交易[20][41] - 事后风控根据市场变化进行动态调整，以适合的制度把控全局[20][41] - 公司自研风险控制模型，通过技术与风控深度融合，依托强大的IT能力实现风控规则的自动化执行与实时监控，响应速度快，并保持风控高度独立[22][44]

公司创始人与背景 - 温州睿亿科技有限公司创始人樊睿哲大学期间以6万元人民币起步投资，目前个人资产突破1.6亿元 [2] - 其创立的RY Capital管理规模达8000万美元 [2] - 2021年创始人获得“第21届全国职业金融投资大赛”冠军，并在“第八届全国证券投资模拟实训大赛”区域赛中带领团队获市场交易组东部赛区团队一等奖 [2] 公司业务与技术发展 - 公司专注于金融科技领域创新与研发，在AI量化交易与数字货币投资分析领域取得突破 [2] - 自主研发的“数字货币量化投资AI技术应用软件”获得多项技术认证并应用于实际投资决策 [2] - 构建了具备自主知识产权的AI交易系统，融合多因子模型、机器学习与动态风控机制，能在高频交易中实现稳定超额收益 [4] 投资机构表现与合作 - RY Capital在三年内管理规模从200万美元增长至8000万美元，投资回报超过40倍，年化夏普比率稳定在2.3以上 [4] - 2025年1月RY Capital与AC Capital联合宣布推出一支专注于加密资产二级市场的基金，规模达5000万美元 [4] - 该基金由双方共同管理，计划投资于多种主流虚拟资产 [4] 跨界布局与产业协同 - 以杭州、温州为支点布局商业地产、供应链管理、汽车租赁、内容传媒等多个实体板块 [6] - 通过睿亿商业地产、睿亿供应链管理等企业串联资金流、物流与品牌流，形成去中心化实业网络 [6] - 创始人提出“用结构去对抗不确定性”的投资哲学，将投资决策转化为数据驱动的自动化流程 [5] 行业影响与观点 - 创始人频繁活跃于行业前沿论坛，曾在香港Web3峰会期间与以太坊创始人Vitalik Buterin同台并就AI与Web3融合路径发表观点 [6] - 强调AI Agent将在区块链系统中扮演自动化金融交互主体的技术趋势 [6] - AC Capital与RY Capital的合作被视为加密资管领域新范式，标志着工程语言、金融逻辑与跨界视野共同驱动的新时代开启 [7]

民生加银基金的AI量化战略 - 公司是公募量化领域AI竞赛的先行者 早在2021年就由量化投资总监何江率队聚焦AI量化投资策略研究 [1] - 历时四年构建了"数据-特征-策略-组合"的飞轮闭环 形成持续进化且难以复制的核心护城河 [1] - AI量化被视为公募基金生存的必答题 未来行业将形成"AI主导量化+工具型指数产品"的新生态 [1] 基金经理何江的背景与转型 - 基金经理何江毕业于清华大学流体力学专业 早期对混沌复杂系统的研究为其转向量化投资埋下伏笔 [5] - 受到华尔街"火箭科学家"转行金融及AlphaGo事件的启发 认识到投资中的"盘感"可能是非线性规律 [5] - 于2019年加入民生加银基金后 率队开启从传统量化到AI量化的转型 [5] 转向AI量化的核心动因 - 传统量化遭遇瓶颈 多因子策略同质化严重 线性模型效力衰减 例如2022年中证500指增公募平均超额收益已跌破3% [6] - AI技术红利爆发 算力提升和算法迭代使AI模型能捕捉人脑难以解析的复杂市场非线性关系 预测胜率较高 [6] - 公司具备独特数据优势 已转化整合内部主动投研成果 构建起专属的基本面特征数据库 [7] AI量化策略的核心特色与优势 - 全AI策略替代传统线性模型 实现从"因子加权打分"到"复杂非线性规律挖掘"的本质跃迁 例如中证800增强策略升级为AI模型后超额收益显著提升 [9] - 工程化平台支撑 构建模块化开发体系 各模块协同迭代升级 核心壁垒在于将主观认知转化为机器可学习优化的机制 [10] - AI模型创新体现在三个维度：数据维度提升（处理高维海量及非结构化数据）、模型能力飞跃（捕捉非线性关系）、决策过程进化（动态自适应） [11] 国证2000指数的配置价值与产品表现 - 看好国证2000指数在科技升级中的中长期配置价值 尤其在AI、科技成长、高端制造等领域存在结构性机会 [13] - 公司旗下国证2000指数增强基金是AI量化策略代表作 截至今年6月末近六个月回报17.18%（基准10.26%） 近一年回报49.66%（基准35.04%） 近一年同类排名3% [13] - 国证2000指数作为增强标的具备核心优势：成份股数量多、行业分布广、定价效率低、成长属性突出 为量化策略捕捉Alpha提供丰厚土壤 [13] AI量化的实践与风险管理 - 有效的量化增强需结合严格风险控制 在行业中性、风格偏离中性等约束下 依据AI模型打分进行组合优化 [14] - AI并非预测水晶球 基于历史数据总结规律 在外部冲击导致短期扰动时需依赖风险管理 产品在2024年小盘股暴跌和2025年关税风波中表现稳健 [14] - AI量化是用机器延伸人的认知边界 能同时解析几千只股票的多维特征关系 处理人脑无法企及的复杂度 [14]

AI量化投资发展 - AI通过算力提升和开源工具普及，正推动量化投资进入2.0时代 [1] - 传统量化局限于价值、动量等少量因子，AI量化可识别数百个高频信号并挖掘数据中的非线性关系 [1] - AI量化策略关注约400个由研究员人工构建的高频信号，远超传统量化常用的约20个公司层面信号 [7] 公司AI量化策略特点 - 策略持有期设定约为20天，区别于市场上许多偏向1至5天超短持仓周期的同业 [7][8] - 使用更传统的数据训练模型以覆盖更长历史周期，强调对价值、动量等传统风格因子保持中性暴露 [7][8] - 通过输入具有经济学依据的信号、采用成千上万个简单模型集成训练、以及使用15年数据进行交叉验证三种方法来规避过度拟合风险 [8] AI模型能力与应用 - AI能学习到成千上万种数据间的条件关系，对信号进行条件化筛选，使组合预测力显著强于单独使用某一信号 [6] - 以“分析师上调股票评级”为例，AI通过结合日历信息（如距离财报发布天数）等协同信号建模，能进一步提升命中率 [6] - 模型识别出的信号关系中，人类仅能对约10%给出清晰解释，绝大多数复杂关系需借助机器学习识别 [7] 全球布局与中国市场计划 - 公司AI量化策略产品已在发达市场验证，正系统性地拓展至新兴市场，A股在计划版图之中 [1][4] - 覆盖新兴市场股票的AI量化策略预计明年落地，届时将纳入A股标的；若新增QDLP额度获批，将考虑推出面向中国投资者的产品 [1][5] - 目前全球资本对中国的兴趣正在回升，团队回测显示其AI识别的信号关系可迁移至包括中国在内的新兴市场 [4][5] 市场差异与模型适应性 - 新兴市场的潜在超额收益似乎高于发达市场，但交易成本也更高，导致两个市场相对于基准的超额收益大致相近 [5] - 在新兴市场同时纳入情绪、价格和基本面全部信号能得到更好结果，说明加入基本面信号能提升模型表现 [5] - 同一套信号在不同市场训练，模型识别到的信号关系不会完全相同，部分为跨区域通用关系，部分为市场特有关系，这些差异可由机器学习自动捕捉 [6] 基金经理角色演变 - 在AI辅助下，基金经理职能从研究因子、搭建模型转变为设计因子、训练模型、检验模型和执行策略 [8] - 公司配置的基金经理人数在传统量化策略和AI量化策略中相同，但职能发生变化 [8]

AI量化投资的发展与优势 - AI通过算力提升和开源工具普及推动量化投资进入2.0时代 [1] - AI量化可识别数百个高频信号并挖掘数据中的非线性关系，而传统量化仅局限于价值、动量等少量因子 [1] - AI量化模型能够研究“分析师上调股票评级是否真的会推动股价上涨”等具体问题，通过结合“分析师评级信号”与日历信息等协同信号，可进一步提升预测命中率 [4] 瑞士百达资管的AI量化策略特点 - 策略关注约400个由研究员人工构建的高频信号，而非传统量化常用的约20个公司层面信号 [5] - 模型训练既关注财报等基本面信息，也关注股价、分析师报告、投资者仓位等数据，并在组合构建上保持对传统风格因子的中性暴露 [5] - 策略持有期设定约为20天，区别于同业偏向1至5天的超短持仓周期 [5] - 策略强调使用更传统的数据进行训练以覆盖更长历史周期，并采用因子中性方法 [5] AI量化策略的全球拓展与中国计划 - 公司量化股票及解决方案投资团队管理规模为250亿美元 [2] - AI量化策略产品已在发达市场验证，正系统性地拓展至新兴市场，计划明年落地新兴市场版本并纳入A股标的 [2] - 目前全球资本对中国的兴趣正在回升，公司通过QDLP面向境内投资者的额度已基本用尽，一旦获得更多配额，AI驱动策略可能成为中国客户的重点候选 [2] - 在中国相关资产上，策略已少量参与港股，A股将成为新兴市场版本落地后的下一步重要资产 [2] AI模型的适应性与风险管理 - AI识别的“信号关系”在各国具有普遍性，回测显示这些关系可迁移至包括中国在内的新兴市场 [3] - 新兴市场的潜在超额收益似乎高于发达市场，但交易成本也更高，因此两个市场相对于基准的超额收益大致相近 [3] - 在新兴市场同时纳入全部信号（包括基本面信号）能得到更好结果，说明加入基本面信号能提升模型表现 [3] - 通过输入具有经济学依据的信号、采用成千上万个简单模型进行集成训练、以及使用15年数据并采用交叉验证的方法来规避过度拟合风险 [6] AI对基金经理角色的影响 - 在AI辅助下，基金经理的职能转变为设计因子、训练模型、检验模型和执行策略，而不再亲自搭建模型 [6][7] - 公司配置的基金经理人数在传统量化策略和AI量化策略下相同，只是职能发生变化 [7]