量化因子与构建方式 1. **因子名称：日内高频偏度因子** - 构建思路：通过捕捉股票日内收益分布的偏度特征来预测未来收益[13] - 具体构建过程：计算日内收益率的三阶矩标准化后的偏度值，公式为： $$Skew = \frac{E[(r-\mu)^3]}{\sigma^3}$$ 其中$r$为日内收益率，$\mu$为均值，$\sigma$为标准差[13] 2. **因子名称：日内下行波动占比因子** - 构建思路：衡量下行波动在总波动中的占比，反映风险不对称性[19] - 具体构建过程：计算下行收益率的标准差与整体标准差的比值： $$DownVolRatio = \frac{\sqrt{\sum_{r<0}(r-\mu_-)^2/N_-}}{\sigma}$$ $\mu_-$为下行收益均值，$N_-$为下行观测数[19] 3. **因子名称：开盘后买入意愿占比因子** - 构建思路：通过开盘后特定时段的大单买入占比捕捉资金流向[23] - 具体构建过程：统计开盘后30分钟内大单买入金额占总成交金额比例[23] 4. **因子名称：改进GRU(50,2)+NN(10)因子** - 构建思路：结合门控循环单元(GRU)和神经网络(NN)的深度学习模型[14] - 具体构建过程： - 第一层GRU网络处理50个时间步长的输入特征 - 第二层GRU输出2维隐藏状态 - 10层全连接神经网络进行最终预测[14] 5. **因子名称：多颗粒度模型-5日标签因子** - 构建思路：基于双向AGRU网络处理不同时间尺度的价格特征[70] - 具体构建过程： - 输入层接收5日累计收益率作为训练标签 - 双向AGRU网络提取多时间尺度特征 - 注意力机制动态加权特征重要性[70] 因子回测效果 1. **日内高频偏度因子** - 上周多空收益：-0.66% - 8月多空收益：-0.37% - 2025年多空收益：16.9% - 历史IC：0.026 - 2025年IC：0.037[10] 2. **改进GRU(50,2)+NN(10)因子** - 上周多空收益：1.36% - 8月多空收益：2.42% - 2025年多空收益：28.86% - 历史IC：0.066 - 2025年IC：0.045[12] 3. **多颗粒度模型-5日标签因子** - 上周多空收益：1.65% - 8月多空收益：2.68% - 2025年多空收益：44.62% - 历史IC：0.081 - 2025年IC：0.070[12] AI增强组合表现 1. **中证500 AI增强宽约束组合** - 上周超额收益：0.47% - 8月超额收益：0.85% - 2025年超额收益：11.56%[13] 2. **中证1000 AI增强严约束组合** - 上周超额收益：0.39% - 8月超额收益：0.91% - 2025年超额收益：15.66%[92] 模型构建细节 - **优化目标函数**： $$max\sum\mu_{i}w_{i}$$ 其中$w_i$为股票权重，$\mu_i$为预期超额收益[74] - **交易成本假设**：双边3‰的交易成本[75]

核心观点 - 2025年7月国内权益资产表现优异，中证1000、南华商品指数、沪深300等主要指数涨幅显著，而国债指数出现轻微回调 [8][9] - 风险平价策略在2025年表现最佳，年收益达2.65%，最大回撤0.76%，年化波动1.46% [2][21] - 基于宏观因子的资产配置策略表现稳健，2025年收益2.59%，最大回撤0.65%，年化波动1.35% [21][43] - 全球资产配置策略中，风险平价策略表现最优，2025年收益2.13%，最大回撤1.2% [52] 大类资产表现 - 7月涨幅：中证1000(4.8%)、南华商品指数(3.8%)、沪深300(3.54%)、中证转债(2.87%)、恒生指数(2.78%) [8] - 2025年累计涨幅：恒生指数(21.46%)、SHFE黄金(23.34%)、中证1000(11.81%)、中证转债(10.09%) [9] - 资产相关性：沪深300与国债指数近一年相关性-38.08%，国债指数与商品指数相关性44.36% [16] 资产配置策略表现 - BL策略1：2025年收益2.4%，7月收益0.55%，最大回撤1.31% [21][33] - BL策略2：2025年收益2.34%，7月收益0.41%，最大回撤1.06% [21][33] - 风险平价策略：夏普比率1.264，卡玛比率3.477，显著优于均衡配置策略 [21][42] - 宏观因子策略：采用增长、通胀等六大因子构建，8月调整因子暴露为增长(-1)、利率(-1)、汇率(1) [47] 全球资产配置 - 全球BL策略1：2025年收益0.87%，最大回撤1.64% [52][69] - 全球BL策略2：2025年收益1.51%，最大回撤1.28% [52][70] - 全球风险平价策略：历史年化收益5.97%，最大回撤3.91% [71] 宏观观点 - 增长因子：预期未来有向下偏离风险，7月PMI连续四个月低于荣枯线 [45] - 利率：7月末shibor隔夜利率1.39%，预计8月可能略微下降 [45] - 汇率：美联储降息预期或缓解人民币汇率压力 [45] - 流动性：DR007维持低位震荡，8月整体平稳 [45]

研究框架培训日程安排 - 2025年8月18日至8月26日举办为期4天的全领域研究框架培训，每天9:00-17:40 [3][14] - 培训分为四大主题：消费篇（8月18日）、总量篇（8月19日）、周期篇（8月25日）、医药+科技+先进制造篇（8月26日）[5][8][10][11] - 地点设于上海黄浦区国泰海通金融外滩广场B栋1楼报告厅 [19] 消费篇（8月18日） - 覆盖食品饮料（含美妆）、批零社服、纺织服装、互联网应用、家电、农林牧渔、造纸轻工、非银行金融、银行等细分领域 [15] - 各领域研究时长45分钟，从9:00持续至16:45 [15] - 参与分析师包括农业联席首席、互联网联席首席、社服/零售分析师等 [6][7] 总量篇（8月19日） - 包含宏观研究、策略研究、海外策略研究、固定收益研究、基金评价与研究、金融工程研究、中小市值与创新股权研究、新股研究 [15] - 各环节研究时长45分钟，时间安排与消费篇一致 [15] - 参与分析师包括策略首席、固定收益领域负责人、宏观首席、金融工程首席等 [9] 周期篇（8月25日） - 涵盖非金属类建材、有色金属、公用事业、建筑工程、基础化工、交通运输、煤炭开采、石油化工、房地产等领域 [16][17] - 研究时长45分钟/场，13:00起新增房地产研究至17:30 [17] - 由周期组副所长领衔，包括钢铁首席、基础化工首席、有色金属联席首席等分析师 [10] 医药+科技+先进制造篇（8月26日） - 包含生物医药、传播文化、电子、海外科技、计算机、通信、机械、军工、汽车、电力设备与新能源、环保等前沿领域 [16][17] - 研究时长调整为40分钟/场，新增17:00-17:40环保研究时段 [17] - 参与分析师包括医药科技组首席、汽车首席、电力设备与新能源首席、军工首席等 [11] 活动组织 - 活动主题为"洞察价值，共创未来"，强调全领域覆盖和深度框架分析 [19] - 采用分主题连续举办模式：8/18-8/19聚焦总量+消费+金融，8/25-8/26侧重周期+医药+科技+制造 [19] - 报名方式包括扫码或联系对口销售 [19]

量化因子与构建方式 1. **因子名称**：量稳换手率STR因子 - **构建思路**：从日频换手率稳定性的角度构造选股因子，通过考察换手率的稳定性而非绝对数值来改进传统换手率因子的缺陷[8] - **具体构建过程**： 1. 计算每只股票过去20个交易日的日频换手率 2. 计算这些日频换手率的稳定性指标（具体方法未详细说明，但参考了UTD因子的研究思路）[8] 3. 对因子进行市值中性化处理[6] - **因子评价**：因子计算简单且效果优秀，在剔除市场常用风格和行业干扰后仍具备较好的选股能力[1] 2. **因子名称**：传统换手率因子（Turn20） - **构建思路**：基于过去20个交易日的日均换手率构造选股因子，逻辑为换手率越小的股票未来越可能上涨[6] - **具体构建过程**： 1. 每月月底计算每只股票过去20个交易日的日均换手率 2. 对换手率进行市值中性化处理[6] - **因子评价**：表现可圈可点，但存在逻辑缺陷，高换手率分组内股票未来收益差异较大[7] 因子的回测效果 1. **量稳换手率STR因子**（2006/01-2025/07，全体A股）[9][10]： - 年化收益率：40.75% - 年化波动率：14.44% - 信息比率（IR）：2.82 - 月度胜率：77.02% - 最大回撤率：9.96% 2. **传统换手率因子（Turn20）**（2006/01-2021/04，全体A股）[6]： - 年化收益率：33.41% - 信息比率（IR）：1.90 - 月度胜率：71.58% - 月度IC均值：-0.072 - 年化ICIR：-2.10 3. **量稳换手率STR因子**（2025年7月，全体A股）[10]： - 多头组合收益率：1.29% - 空头组合收益率：-0.02% - 多空对冲收益率：1.32%

核心观点 - 美国经济衰退风险有限，通胀可能进入持续超预期上行通道，维持看多铜、黄金等大宗商品 [1] - 美国就业市场维持温和放缓趋势，私营部门非农数据稳定，失业率基本稳定，时薪增速超预期 [1][12] - 美国7月ISM制造业PMI不及预期主要受供应商交付分项下降影响，新订单及产出分项边际改善 [1][17] - 关税不确定性落地后，企业向消费者的成本传导可能加速，美国通胀或进入持续超预期阶段 [2][18] - 8月配置建议：看多铜、黄金等大宗商品，恒生科技指数具备补涨空间，美股中性，中债谨慎 [3] 宏观环境展望 - 美国5-6月新增非农数据下修主要来自政府就业，私营部门就业数据仍处震荡区间 [1][12] - 剔除政府部门后，5月新增非农下修5.7万人，6月下修6.2万人，在总下修中占比近半 [1][12] - 美国7月非农不及预期，ISM制造业PMI不及预期加剧市场衰退担忧，但需求端可能企稳修复 [1][17] - 6月PCE已超出市场预期，未来通胀上行超预期概率较大 [2][17] - 企业端无力持续承担高额关税成本，未来向消费者传导可能加速 [2][18] 模型观点更新 宏观评分模型 - 宏观因子显示国内及全球景气因子转为上行，全球货币因子转为下行 [19] - 模型看多A股、原油、铜，对中债边际谨慎 [19][22] - 国内通胀因子上行主要受7月反内卷政策预期影响，近期驱动减弱 [21] - 若将国内通胀因子设为0，各大类资产择时观点不变 [21] 美股择时模型 - 美股中期择时指标读数62.7，较上月继续修复，模型维持看多观点 [23] - 美股对关税负面效应计价不充分，维持中性观点 [23] - 美国经济景气低位震荡，资金流入维持高位，金融压力缓解 [23][28] 黄金择时模型 - 黄金择时指标最新值-0.37，信号维持谨慎 [24] - 美国赤字收缩及央行购金放缓是主要走弱因素 [24] - 中期仍看好黄金配置价值，因通胀上行趋势或将确认 [24][26] 原油择时模型 - 原油景气指数上行至0.61，宏观风险降温及通胀预期上修是主要驱动 [29][32] - 美元下行趋势对油价形成支撑，维持看多观点 [29][32] 大类资产配置策略表现 - 7月收益0.6%，最近1年收益9.4%，最大回撤2.9% [4][6][35] - 8月配置比例调整：中证800从8.2%上调至17.5%，铜从6.6%上调至13.4%，10年国债从60.6%下调至23.5% [37] - 策略净值走势稳健，最近一年动态回撤控制在3%以内 [36]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：无形资产因子(INT)** - 构建思路：替代传统投资因子以提升资产定价模型的解释力[10] - 具体构建过程：通过量化企业无形资产（如专利、品牌价值等）对收益的影响，重构五因子模型。公式未明确给出，但文献提到其显著提升模型对异象的解释力[10] - 因子评价：有效捕捉传统因子未覆盖的价值驱动因素 2. **因子名称：高频部分可观测因子模型(POFM)** - 构建思路：同步处理可观测因子与潜在因子以提升拟合优度[15] - 具体构建过程： - 开发鲁棒估计方法（抗跳跃/噪声/异步数据） - 首创高频无监督外生成分学习框架(HF-UECL)，量化可观测因子对潜在因子的贡献 - 实证验证潜在因子在残差中的必要性及显-隐因子相关性[15] - 因子评价：突破传统高频因子模型的线性假设局限 3. **因子名称：新闻分歧度因子** - 构建思路：基于成交量-波动率弹性衡量投资者分歧[11] - 具体构建过程： - 计算新闻事件后的成交量变化率与波动率变化的弹性系数 - 公式：$$ \text{Divergence} = \frac{\Delta \log(\text{Volume})}{\Delta \log(\text{Volatility})} $$ - 负向信号筛选（低弹性股票预示未来超额收益）[11] - 因子评价：符合行为金融理论中的过度反应机制 4. **因子名称：碳风险因子** - 构建思路：量化企业碳转型风险对股票收益的影响[41] - 具体构建过程： - 构建行业调整后的碳排放强度指标 - 通过Fama-MacBeth回归验证其定价能力 - 污染重/大市值企业敏感度更高[41] - 因子评价：在双碳政策背景下具有持续有效性 量化模型与构建方式 1. **模型名称：调整后PIN模型(AdjPIN)** - 构建思路：解决传统PIN模型数值不稳定性问题[11] - 具体构建过程： - 采用对数似然分解技术 - 智能初始值算法避免局部最优 - 公式：$$ \text{AdjPIN} = \frac{\alpha \mu}{\alpha \mu + \epsilon_b + \epsilon_s} $$ 其中$\alpha$为信息事件概率，$\mu$为信息交易强度，$\epsilon$为噪声交易[11] - 模型评价：实现无偏估计且计算效率提升 2. **模型名称：HARLF分层强化学习模型** - 构建思路：整合轻量LLM情感与市场指标优化资产配置[39] - 具体构建过程： - 三层架构：基础RL层（处理原始数据）、元智能体层（融合市场情绪）、超级智能体层（战略决策） - 动态调整股票/债券/期权权重[39] - 模型评价：实现跨模态信息的高效利用 3. **模型名称：DiT-LSTM-SVAR联合预测模型** - 构建思路：结合深度学习与计量经济学方法[39] - 具体构建过程： - DiT模块预测涨跌方向（马修斯相关系数+3%） - SVAR模块识别随机游走股票 - 组合优化公式：$$ w^* = \arg\min_w w^T \hat{\Sigma} w \quad \text{s.t.} \quad R^T w \geq \tau $$[39] - 模型评价：在保持可解释性同时提升预测精度 因子回测效果 1. **INT因子** - 年化超额收益：未明确数值但提及"显著提升五因子模型解释力"[10] - IR：未披露 2. **POFM高频因子** - 拟合优度提升：较传统模型提高15%-20%[15] - 因子贡献度：HF-UECL框架量化显性因子解释力达68%[15] 3. **新闻分歧度因子** - 多空组合收益：负向信号组合年化超额2.4%[11] - IC：-0.12（横截面测试）[11] 4. **碳风险因子** - 分组收益差：高碳风险组合年化低收益3.8%[41] - 风险溢价：碳排放强度每升1σ导致预期收益降0.6%[41] 模型回测效果 1. **AdjPIN模型** - 估计偏差：较传统PIN降低42%[11] - 计算耗时：减少67%[11] 2. **HARLF模型** - 年化收益：26%[39] - 夏普比率：1.2（超基准17%）[39] 3. **DiT-LSTM-SVAR模型** - 累计收益：266.6%[39] - 夏普比率：1.8[39] 注：部分指标因原文未明确数值而省略，严格遵循同一因子/模型的指标口径一致性要求[7][8]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：价值50组合 - **构建思路**：基于价值风格因子筛选股票，追求高beta弹性和长期稳健超额收益[7] - **具体构建过程**： 1. 以国证价值指数为基准，选取估值（如PE、PB）、股息率等价值因子 2. 通过因子加权（如等权或优化权重）构建组合 3. 定期调仓以维持风格暴露[7] 2. **模型名称**：价值均衡50组合 - **构建思路**：在价值因子的基础上加入风险控制，降低组合波动[7] - **具体构建过程**： 1. 与价值50组合同源因子，但引入行业中性化或波动率约束 2. 通过风险模型（如Barra）优化权重[7] 3. **模型名称**：成长50组合 - **构建思路**：聚焦营收增长、盈利增长等成长因子[7] - **具体构建过程**： 1. 以国证成长指数为基准，选取ROE、净利润增长率等指标 2. 因子标准化后加权合成[7] 4. **模型名称**：成长均衡50组合 - **构建思路**：平衡成长因子与风险因子，避免风格漂移[7] - **具体构建过程**：类似价值均衡组合，加入成长因子与风险优化[7] 5. **模型名称**：小盘50组合 - **构建思路**：捕捉小市值股票的溢价效应[7] - **具体构建过程**： 1. 以国证2000指数为基准，筛选市值最小的50只股票 2. 结合流动性因子（如换手率）剔除极端样本[7] 6. **模型名称**：小盘均衡50组合 - **构建思路**：在小盘因子的基础上控制组合换手和行业偏离[7] - **具体构建过程**：引入换手率阈值和行业中性化处理[7] --- 模型的回测效果 1. **价值50组合**： - 周收益率：-2.12%（超额-0.41%）[8] - 年收益率：12.44%（超额8.78%）[8] - 最大相对回撤：2.35%[8] 2. **价值均衡50组合**： - 周收益率：-0.46%（超额1.26%）[8] - 年收益率：10.16%（超额6.50%）[8] - 最大相对回撤：3.99%[8] 3. **成长50组合**： - 周收益率：-1.48%（超额0.68%）[8] - 年收益率：4.50%（超额2.38%）[8] - 最大相对回撤：3.61%[8] 4. **成长均衡50组合**： - 周收益率：-1.64%（超额0.53%）[8] - 年收益率：8.71%（超额6.59%）[8] - 最大相对回撤：6.11%[8] 5. **小盘50组合**： - 周收益率：1.25%（超额1.43%）[8] - 年收益率：36.52%（超额19.90%）[8] - 最大相对回撤：6.23%[8] 6. **小盘均衡50组合**： - 周收益率：-1.09%（超额-0.90%）[8] - 年收益率：26.60%（超额9.98%）[8] - 最大相对回撤：4.56%[8] --- 量化因子与构建方式 （报告中未明确提及单因子构建细节，仅描述复合模型） --- 因子的回测效果 （报告中未提供单因子测试结果） --- 注：所有模型均基于国证风格指数基准，超额收益为相对基准表现[7][8]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：攻守兼备红利50组合 - **模型构建思路**：采用"稳健+成长"风格，结合红利资产防御特性与成长性选股逻辑[15] - **模型具体构建过程**： 1. 筛选标的：从红利资产池中选取兼具高分红和盈利增长潜力的个股 2. 因子加权：综合股息率、盈利稳定性、行业景气度等指标动态调整权重 3. 组合优化：控制行业偏离度≤5%，个股权重上限3%[16][21] - **模型评价**：在防御性不足的市场环境下仍能保持超额收益，体现多因子协同效应[21] 2. **模型名称**：央国企高分红30组合 - **模型构建思路**：聚焦央国企标的，强化分红因子的纯粹性[15] - **模型具体构建过程**： 1. 初筛：选取中证央企红利指数成分股 2. 排序：按近3年股息支付率、股息增长率双指标降序排列 3. 风控：剔除波动率高于行业均值1.5倍的标的[18][21] 3. **模型名称**：电子板块优选增强组合 - **模型构建思路**：捕捉电子行业成熟期细分赛道龙头Alpha[15] - **模型具体构建过程**： 1. 细分赛道筛选：选取印制电路板、电子终端品等活跃子行业[24] 2. 龙头识别：综合营收增速、专利数量、市占率构建评分卡 3. 动态调仓：月度频率调整成分股，权重与景气度正相关[31] 模型的回测效果 1. **攻守兼备红利50组合** - 周度超额收益：1.41%（vs 中证红利全收益）[21] - 年初至今超额：3.52%[21] - 基金分位数：11%（红利类产品）[21] 2. **央国企高分红30组合** - 周度超额收益：0.35%[21] - 最大回撤：-6.69%（同期中证红利）[16] 3. **电子板块优选增强组合** - 周度超额收益：0.89%（vs 电子行业指数）[31] - 胜率：跑赢76%科技类基金产品[32] 量化因子与构建方式 1. **因子名称**：红利质量因子 - **因子构建思路**：区分传统红利因子的盈利可持续性[18] - **因子具体构建过程**： $$ \text{QualityScore} = 0.4 \times \text{ROE} + 0.3 \times \text{毛利率} + 0.3 \times \text{经营现金流/营收} $$ 其中ROE取近3年移动平均值[18] 2. **因子名称**：细分赛道拥挤度因子 - **因子构建思路**：量化电子子行业交易过热风险[24] - **因子具体构建过程**： 1. 计算各三级行业20日换手率Z-score 2. 叠加融资买入占比变化率 3. 标准化为0-100分位数[24][29] 因子的回测效果 1. **红利质量因子** - IC均值：0.32（近1年）[18] - 多空收益差：年化9.7%[21] 2. **细分赛道拥挤度因子** - 预警准确率：82%（回撤前10%分位）[29] - 行业轮动贡献度：超额收益的23%[31]

量化因子与构建方式 1 **因子名称**：盈利预期期限结构因子 **因子构建思路**：通过分析历史及未来年度盈利预测数据，构建反映盈利增速和增速加速度的复合因子，捕捉分析师对企业的长期盈利预期变化趋势[7][9] **因子具体构建过程**： - **步骤1**：获取每只股票的历史2个年度已公布净利润（Y1、Y2）及未来3个年度分析师预期净利润（Y3、Y4、Y5），共5个数据点 - **步骤2**：以年度时间变量（X=1,2,3,4,5）为自变量，对净利润（Y）进行线性回归，计算斜率参数： $$ \text{斜率}_\text{增速} = \frac{\sum_{i=1}^5 (X_i - \bar{X})(Y_i - \bar{Y})}{\sum_{i=1}^5 (X_i - \bar{X})^2} $$ 该斜率反映历史+预期的盈利增速[7] - **步骤3**：将Y替换为净利润增长率（如Y2/Y1-1, Y3/Y2-1等），重新回归计算斜率： $$ \text{斜率}_\text{加速度} = \frac{\sum_{i=2}^5 (X_i - \bar{X})(G_i - \bar{G})}{\sum_{i=2}^5 (X_i - \bar{X})^2} $$ 其中G为增长率，反映盈利增速的加速度[7] - **步骤4**：综合两个斜率的排名变化，筛选排名提升显著的股票[9] **因子评价**：相比传统预期提升策略，该因子同时捕捉期限结构形态和历史成长性，对长期超额收益解释力更强[9] --- 选股组合表现 1 **盈利预期期限结构因子组合** - **沪深300组合**：2025年7月超额收益2.89%，前7个月累计超额8.59%[2][11] - **中证500组合**：2025年7月超额收益3.23%，前7个月累计超额7.42%[2][11] - **中证800组合**：2025年7月超额收益3.39%，前7个月累计超额9.38%[2][11] - **中证1000组合**：2025年7月超额收益0.99%，前7个月累计超额5.47%[2][11] （注：所有组合均采用因子排名前50/100股票等权构建[11]）

戴维斯双击策略 - 核心观点：通过以较低市盈率买入成长潜力股，待成长性显现后卖出，实现EPS和PE的乘数效应收益[7] - 2010-2017年回测期年化收益26.45%，超额基准21.08%，其中2013年超额收益达57.71%[9][10] - 2025年累计绝对收益29.82%，超额中证500指数21.30%，本周超额3.76%[1][10] - 本期组合（2025-05-06调仓）截至2025-08-01超额基准7.50%[1][10] 净利润断层策略 - 核心逻辑：结合业绩超预期（净利润）与股价跳空缺口（断层）筛选标的，等权构建前50名组合[12] - 2010年至今年化收益29.83%，年化超额基准27.67%，2015年绝对收益达106.94%[13][14] - 2025年累计绝对收益35.44%，超额基准26.93%，本周超额0.43%[2][14] 沪深300增强组合 - 构建方法：基于GARP/成长/价值型投资者偏好，通过PBROE因子（估值+盈利能力）和PEG因子（估值+成长性）选股[16] - 历史回测超额收益稳定，全样本年化超额9.39%，2025年超额沪深300指数17.08%[16] - 近期表现：本周超额0.45%，本月超额0.77%[16] 策略表现对比 - 收益稳定性：戴维斯双击在2010-2017年每年超额均超11%，净利润断层2015年超额达63.82%[9][13] - 2025年累计超额排名：净利润断层（26.93%）>戴维斯双击（21.30%）>沪深300增强（17.08%）[10][14][16]