中证500指数2026年初表现与市场结构特征 - 2026年初至1月23日，中证500指数上涨15.06%，表现显著优于同期沪深300、中证1000及中证2000指数，打破了近年来主要宽基指数表现与市值大小单调相关的规律[1] - 历史数据显示，A股市场大部分年份存在单调性：小市值因子强时，中证2000表现优于中证1000，再优于中证500和沪深300；大市值因子强时则反之[1] - 2026年市场单调性被打破，为观察未来市场结构特征及市值因子规律提供了新窗口，但行情能否持续仍需观察[2] 中证500指数表现突出的驱动因素 - 指数表现突出主要源于其权重行业集中于2026年以来表现较好的板块，如电子、有色金属（权重7.148%）和国防军工（权重6.364%）[5] - 指数涨幅由少数个股集中贡献：前5名股票贡献1.47%的涨幅，前10名贡献2.41%，前40名（占成分股不到10%）贡献了近一半的涨幅[6] - 个股贡献集中度高是2026年行情特征，也是选股策略容易跑输中证500指数的原因[6] 量化策略与指数增强基金面临的挑战 - 2026年以来，中证500指数增强基金全部跑输基准指数，平均跑输2.5%，表现最好的产品跑输0.12%，最差跑输7.93%[10] - 持仓更灵活的主动量化类指增产品（类指增）跑输幅度更大，平均跑输3.91%，表现最好的跑输2.07%，最差跑输7.61%[12] - 在强势的中证500行情下，量化策略面临失效和超额收益回撤的问题[12] 中证500指数内因子表现的变化与失效 - 自2017年以来，沪深300、中证500和中证1000内的市值因子均出现持续反向和回撤，但中证1000回撤幅度最小，并在2021年后出现强劲反弹，而中证500与沪深300的反弹微弱[13] - 2026年以来，中证500内多个因子表现出现较大异常：盈利、股息率、估值等基本面因子IC为负；流动性、反转、市值、波动率四个量价因子不仅方向相反，且IC值变大[15] - 量价因子反向是2026年以来量化策略跑输指数的根源，源于短期市场快速上涨和过热行情，导致短期涨得快、换手高、高波动的题材股继续上涨[15] - 与2025年相比，2026年流动性、反转、市值、低波四个量价因子呈现不同特征，是策略集体跑输的重要原因[16] 量价因子的不稳定性与历史表现 - 长期来看，估值、动量、反转、市值、流动性等因子的月度胜率不佳，在50%附近或更低，而低波因子长期胜率较高[18] - 2026年1月，长期胜率较高的低波因子也出现了反向[18] - 量价因子的不稳定性源于行情极致性：当行情集中于能持续上涨的热门股票时，量价因子集体出现反向的可能性很大[20] - 观察四个量价因子近一年IC值：低流动性因子表现平庸；反转因子在2025年4月后走平，并于同年11月起连续三个月为正；市值因子在2025年8月后走平，并在三季度频繁表现出大市值好的特征；低波因子稳定性较强，但在2025年10月后走平且几乎不贡献收益[21][23] - 这些量价因子的整体变化始于2025年三季度，并非2026年1月突然出现的新现象[25] - 2026年以来涨幅靠前的10只股票，在多个量价因子（如低流动性、反转、市值、低波）上的综合排序靠后，传统遵循固定方向的多因子框架基本不可能选中这些股票[25] 当前行情在因子表现上的极端性评估 - 2026年1月，没有任何单一因子出现历史最差IC值，说明情况并非由单个因子大幅拖累导致[28] - 但将低波、低流动性、反转、市值四个量价因子综合来看，2026年1月是自2011年以来181个月中，四因子综合IC表现最差的一个月[29] - 若结合所有九大类因子，当前是历史上第二差的时间，仅次于2022年6月，几乎可以认定当前是因子表现上的极端行情[29] 历史相似行情复盘与规律总结 - 复盘历史上因子整体表现较差的时期（如2018年6月、2020年2月、2020年6月、2022年6月、2025年8月等），这些月份往往伴随指数大幅波动，涨跌幅显著[31] - 关键规律：市场行情是否继续大幅波动是因子是否持续失效的重要环境；市场波动变小往往是因子逻辑回归的环境[32][36] - 从历史看，因子的持续失效时间一般不会超过2个月[38][40] - 事件驱动的行情（如2025年4月受关税影响）也是导致因子反向的重要原因[42] 对未来的展望与策略建议 - 当前极致行情的延续时间决定了因子逻辑回归的时间，随着市场波动的下降，因子逻辑必然会回归，这一时间一般不会超过2个月[45] - 首先，因子失效或反转的情况不会持续太久，当前不宜对模型进行大幅度调整，应等待市场波动减小后模型表现回归[46] - 其次，中证500指数增强策略需要建立更细致的风险控制框架，因为指数内因子有效性整体下降，超额特征向沪深300靠拢[46] - 建议引入对不同超额波动个股的差异约束控制，以及基于行业打分模型的行业约束框架[46] - 第三，需要进一步优化量价因子的构建，剥离其非线性特征，以提升因子的胜率[47]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 2026 年以来中证 500 指数表现突出，指数增强基金全部跑输，平均跑输 2.5% [1][13] - 中证 500 指数集中热门行业且少数股票贡献主要收益，使战胜指数变难 [1] - 短期市场行情致量价类因子反向失效，当前是因子表现极端行情 [1] - 参考历史，市场大幅波动会致因子失效，极致行情延续时间决定因子逻辑回归时间，一般不超 2 个月 [1] - 未来因子失效或反转情况不会持续太久，不宜大幅调模型，需建立风控框架并优化量价因子构建 [1] 各目录内容总结 2026 年以来中证 500 指数表现突出 - 2026 年开始以来，中证 500 指数表现突出，截至 1 月 23 日已上涨 15.06%，打破主要宽基指数表现单调性，是否持续待观察 [4] - 中证 500 指数集中电子、有色金属、国防军工等 2026 年以来表现较好行业 [7] - 少数股票贡献指数主要涨幅，前 5 名股票贡献 1.47%，前 40 名贡献近一半，个股贡献集中度高使选股策略易跑输 [11] 因子视角：战胜中证 500 指数为何变难？ 指数增强基金集体跑输指数 - 2026 年以来，中证 500 指数增强基金全部跑输，平均跑输 2.5%，最好跑输 0.12%，最多跑输 7.93% [1][13] - 主动量化类指增产品跑输幅度更大，平均 3.91%，最好跑输 2.07%，最多跑输 7.61% [15] 中证 500 指数内的因子变化 - 2017 年以来，沪深 300、中证 500 和中证 1000 内市值因子持续反向回撤，2021 年后中证 1000 市值因子反弹明显，中证 500 与沪深 300 仅微弱反弹 [16] - 2026 年以来，中证 500 内不少因子表现异常，盈利、股息率、估值等基本面因子反向为负，流动性、反转、市值、波动率等量价因子反向且 IC 变大，致量化策略跑输 [19] - 短期市场快速上涨和过热行情，使方向偏向反转的量价类因子反向失效 [20] - 估值、动量、反转、市值、流动性等因子长期胜率不佳，2026 年以来量价因子集中反向，长期胜率较高的低波因子 1 月也反向 [26] - 四个量价因子从 2025 年三季度开始走平或反向，26 年 1 月集体失效影响更明显 [29][32][35] - 26 年以来涨幅靠前的热门股在量价因子上排名靠后，传统多因子框架难选到 [35] 历史相似情况复盘与未来展望 当前行情属于因子表现上的极端情况？ - 1 月无单因子出现历史最差 IC，四个量价因子综合是历史上 IC 综合表现最差月，结合九因子是历史第二差，仅次于 2022 年 6 月 [39][40] 历史上中证 500 类似情况出现过哪些，后续如何演绎？ - 历史上 2018 年 6 月、2020 年 2 月、2022 年 6 月、2025 年 8 月等出现因子整体表现较差情况，部分月份行情大幅波动 [42] - 行情大幅波动是因子持续失效重要环境，市场波动变小往往是因子逻辑回归环境，因子持续失效一般不超 2 个月 [46][52][69] 未来展望 - 因子失效或反转情况不会持续太久，当前不宜大幅调模型，应等待表现回归 [70] - 中证 500 指数增强需建立细致风控框架，引入对不同超额波动个股的差异约束控制和基于行业打分模型的行业约束框架 [70] - 需进一步优化量价因子构建，剥离非线性特征，提升胜率 [71]

量化模型与因子总结 根据您提供的研报，该报告主要对各类公募量化基金的业绩表现进行了跟踪统计，并未详细阐述具体的量化模型或量化因子的构建过程。报告内容侧重于基金产品的分类业绩回顾，而非模型或因子本身的构建与测试[1][2][3][15]。 因此，报告中**未涉及**具体的量化模型或量化因子的构建思路、具体构建过程、公式或定性评价。 基金策略类型与业绩表现 报告提及了多种基于量化方法的基金策略类型，并给出了其近期业绩中位数数据。这些策略类型本身可被视为应用了不同量化模型（如多因子模型、行业轮动模型、大数据模型等）的投资产品，但报告未对其底层模型进行分解说明。 以下是报告中提到的各类策略基金及其业绩表现汇总[2][3][4][8][15][16][17][18][19][20]： **策略基金的业绩表现 (收益中位数)** 1. **沪深300指数增强基金**，本周超额收益0.49%，本月超额收益0.59%，本季度超额收益0.59%，本年度超额收益0.59%[3][4] 2. **中证500指数增强基金**，本周超额收益-0.25%，本月超额收益-2.08%，本季度超额收益-2.08%，本年度超额收益-2.08%[3][4] 3. **中证1000指数增强基金**，本周超额收益0.43%，本月超额收益-0.36%，本季度超额收益-0.36%，本年度超额收益-0.36%[3][4] 4. **中证A500指数增强基金**，本周超额收益0.39%，本月超额收益-0.02%，本季度超额收益-0.02%，本年度超额收益-0.02%[3][4] 5. **其它指数增强基金**，本周收益0.11%，本月收益0.75%，本季度收益0.75%，本年度收益0.75%[3][4] 6. **绝对收益（对冲）基金**，本周收益0.19%，本月收益-0.03%，本季度收益-0.03%，本年度收益-0.03%[3][8] 7. **其它主动量化基金**，本周收益1.51%，本月收益6.03%，本季度收益6.03%，本年度收益6.03%[3][8] 8. **定增主题基金**，本周收益0.46%，本月收益2.92%，本季度收益2.92%，本年度收益2.92%[15][16] 9. **提取业绩报酬基金**，本周收益0.37%，本月收益3.29%，本季度收益3.29%，本年度收益3.29%[15][17] 10. **行业主题轮动基金**，本周收益1.55%，本月收益6.03%，本季度收益6.03%，本年度收益6.03%[15][18] 11. **多因子类型基金**，本周收益1.89%，本月收益7.44%，本季度收益7.44%，本年度收益7.44%[15][19] 12. **大数据驱动主动投资基金**，本周收益-0.89%，本月收益7.22%，本季度收益7.22%，本年度收益7.22%[15][20] 13. **大数据被动型基金**，本周收益5.90%，本月收益14.92%，本季度收益14.92%，本年度收益14.92%[20]

报告行业投资评级 未提及 报告核心观点 报告聚焦量化基金市场表现，总结主要指数和量化基金业绩、不同类型公募量化基金整体和业绩分布，以及收益较优的量化基金供投资者参考 [1] 根据相关目录分别进行总结 主要指数和量化基金业绩表现 - 1月12日 - 1月16日A股小盘成长领涨，大盘价值下跌，量化基金正收益，指增超额分化 [2][6] - 主动量化平均上涨1.21%，沪深300指增、中证500指增、中证1000指增超额收益分别为0.63%、 - 0.34%、0.34%，其他指增平均超额0.25%，市场中性上涨0.16% [2][4][6] - A股指数涨跌不一，沪深300、中证500、中证1000本周收益率分别为 - 0.57%、2.18%、1.27% [3][6] 不同类型公募量化基金业绩表现 |基金类型|本周收益率（%）|近一月收益率（%）|近三月收益率（%）|近六月收益率（%）|近一年收益率（%）|今年以来收益率（%）| | ---- | ---- | ---- | ---- | ---- | ---- | ---- | |沪深300指数增强基金|0.06|5.98|4.49|18.97|28.26|2.82| |中证500指数增强基金|1.84|13.95|11.77|31.37|46.82|8.08| |中证1000指数增强基金|1.61|13.93|11.58|28.43|50.81|7.97| |其他指数增强基金|1.23|11.05|8.89|31.54|49.43|6.43| |主动量化基金|1.21|9.67|7.56|22.97|39.33|5.52| |市场中性基金|0.16|0.03| - 0.07|0.45|1.18|0.09|[14][15][16] 不同类型公募量化基金业绩分布 展示各类型公募量化近半年业绩走势，以及本周和近一年的业绩分布情况，指数增强型基金展示超额收益率表现 [17] 不同类型公募量化绩优基金 - 各类型公募量化基金列出本周业绩较优的五只基金，指数增强型按超额收益率展示，基金名单季度更新 [30] - 沪深300指数增强绩优基金如易方达沪深300精选增强等 [31] - 中证500指数增强绩优基金如博道中证500指数增强等 [32] - 中证1000指数增强绩优基金如华泰柏瑞中证1000增强策略ETF等 [33] - 其他指数增强绩优基金如易方达上证50增强策略ETF等 [34] - 主动量化绩优基金如汇安量化优选等 [35] - 市场中性绩优基金如中邮绝对收益策略等 [36]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：多因子模型[2][15][18] * **模型构建思路**：通过综合多个能够预测股票收益的因子（特征）来构建投资组合，以期获得超越基准的收益[15][18]。 * **模型具体构建过程**：研报未详细描述具体的多因子模型构建过程，仅将其作为一类基金（多因子基金）的投资策略进行归类统计[15][18]。 2. **模型名称**：行业主题轮动模型[2][15][18] * **模型构建思路**：根据对宏观经济、市场情绪、行业景气度等因素的判断，动态调整在不同行业或主题上的配置权重，以捕捉不同阶段的投资机会[15][18]。 * **模型具体构建过程**：研报未详细描述具体的行业主题轮动模型构建过程，仅将其作为一类基金（行业主题轮动基金）的投资策略进行归类统计[15][18]。 3. **模型名称**：大数据驱动主动投资模型[2][15][19][20] * **模型构建思路**：利用海量、非结构化的数据（如互联网搜索数据、社交媒体舆情、电商交易数据等）作为信息源，通过机器学习、自然语言处理等技术提取有效信号，辅助投资决策[15][19][20]。 * **模型具体构建过程**：研报未详细描述具体的大数据模型构建过程，仅将其作为一类基金（大数据驱动主动投资基金）的投资策略进行归类统计[15][19][20]。 模型的回测效果 1. **多因子模型**，本周收益中位数5.54%，本月收益中位数5.54%，本季度收益中位数5.54%，本年度收益中位数5.54%[18]。 2. **行业主题轮动模型**，本周收益中位数4.48%，本月收益中位数4.48%，本季度收益中位数4.48%，本年度收益中位数4.48%[18]。 3. **大数据驱动主动投资模型**，本周收益中位数8.19%，本月收益中位数8.19%，本季度收益中位数8.19%，本年度收益中位数8.19%[19][20]。 量化因子与构建方式 * 本研报主要对采用不同量化模型或策略的基金产品进行业绩统计和分类，并未涉及具体量化因子的构建与测试[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20]。 因子的回测效果 * 本研报未涉及具体量化因子的测试结果。

核心观点 中证500指数增强策略的超额收益自2021年以来持续衰减，近两年已降至与沪深300指数增强相当的水平[1] 报告认为，这一现象源于中证500指数本身结构变化（如收益集中度上升、容错率下降）以及传统多因子有效性降低[1] 为应对挑战，报告在传统多因子框架内提出了五个方向的改进方法，旨在提升策略的稳健性与收益能力[1] 指数增强产品现状与挑战 - **中证500指数增强产品规模与数量**：截至2025年三季度，中证500指数增强产品（非ETF及联接基金）规模为429.85亿元，产品数量为63只，规模仅次于沪深300指数增强产品[7] - **超额收益显著衰减**：2020年以前，主要指数增强产品的年度平均超额收益排序为中证1000 > 中证500 > 沪深300[9] 但自2020年开始，中证500的超额收益降至与沪深300相近水平，近3年平均超额收益仅在2%左右，而中证1000仍能维持在6%以上[9] 对于成立早于2017年的产品，中证500指数增强的超额难度在2021年后显著提升，2025年跑赢指数的难度已超出沪深300[12] 中证500指数变化：容错率下降 - **个股权重与收益集中度上升**：中证500指数第一大个股权重在近几年明显提升[16] 同时，数量前1%和前5%个股的收益贡献在2016-2021年持续提升，2022-2023年缓和后，近两年提升速度明显快于沪深300[18] 这表明指数收益贡献集中度向沪深300靠拢[23] - **个股离散程度增加，容错率下降**：2024-2025年，中证500每月收益前20%个股的收益标准差明显上升，表明头部个股离散度增加、选股难度加大[20] 同时，每月收益最高与最低的10%个股的收益均值差在中证500中也出现更明显提升，意味着头尾个股收益差拉大，选股容错率下降[21][23] 传统多因子有效性降低 - **因子平均IC表现**：在2015年以来的历史周期中，中证500股票池内部分因子仍保持一定有效性，例如成长因子平均IC为3.94%，盈利因子为3.06%，红利因子为4.72%[24] - **近期因子有效性衰减**：2024-2025年，多个因子的IC出现衰减或规律变化，例如成长因子IC从历史平均的3.94%降至2.80%，长期动量因子从4.20%降至3.36%[26] 低波动率、短期反转等因子虽IC尚可，但多空收益偏弱，未能呈现稳定正收益[26] - **因子动量规律减弱**：广泛使用的12个月ICIR（信息系数信息比率）对下一个月因子IC排序的指导意义明显减弱，其累计相关性在2020年后显著下降，说明因子动量加权的规律有效性降低[30] 传统多因子框架的改进方法 - **严格化个股权重偏离限制**：针对头部个股权重集中度提高的问题，测试了三种方案：对所有成分股增加0.5%偏离限制；对跟踪指数最紧的40%个股设置0.3%偏离限制（其余0.5%）；根据过去6个月收益贡献设置差异化限制[34] 所有方案均能改善超额回撤、降低跟踪误差并提升信息比率，其中根据个股超额波动率分档设置限制的方案在2025年改善效果最佳，使当年超额收益从-3.73%提升至-1.24%[35][37] - **适度放松行业偏离限制**：鉴于中证500行业分散、分化加大且热点赛道频现，适度放宽行业偏离有助于提升收益[38] 测试了三种方案：统一将行业偏离上限从0.5%放宽至2%；对权重前一半的行业放宽至2%（后一半0.5%）；叠加行业轮动策略进行差异化放宽[42] 各方案下组合的年化超额收益和信息比率均进一步提升，其中根据权重大小差异化放宽的方案年化超额收益达8.22%，信息比率为1.71[44] 根据规则放宽的方案比统一放宽更稳健[42] - **调整因子敞口规则**：原始优化过程未能均匀放松各因子敞口，例如2025年年中组合实际敞口更多偏向了拖累表现的低波动率和短期反转因子，而对占优的成长因子敞口有限[50][52] 改进尝试两种方案：对低波动率、低流动性、短期反转等传统价量因子统一限制敞口在0.2倍标准差以内；或根据过去2年月度IC胜率低于70%来限制其敞口[52] 两种方法均提升了信息比率，其中根据IC胜率调整的方案效果更佳，使年化超额收益达9.21%，信息比率提升至2.08，并在2025年重回正超额（1.13%）[52][55] - **调整因子有效性判断标准**：由于12个月ICIR指导意义减弱，且2023年以来宏观方法筛选因子的有效性明显强于因子动量方法[58] 报告改进了因子合成权重的决定方式，根据过去一年宏观与因子动量方法各自的多空净值表现动态调整权重（如宏观方法表现更好则按2:1加权，否则按1:2）[58] 此调整进一步提升了组合表现，年化超额收益增至9.58%，并重点改善了2025年因子动量失效的问题，使2025年截至11月的超额收益从1.13%提升至3.01%[60] - **对部分因子尝试双向使用**：观察到短期反转、小市值等因子历史上多次出现反向多空收益大于5%的情况[61][63] 尝试对低波动率、短期反转、小市值因子在筛选过程中加入反向测算并允许反向敞口[63] 该方案使2025年表现略有提升（超额收益从3.01%微增至3.34%），但导致2020年和2024年表现明显下降，表明因子双向使用在反向规律不稳定时风险与机会并存[64][66]

公司高管变更 - 中邮基金于12月17日发布公告，任命张涛为公司董事长，任职日期为12月16日，原董事长毕劲松因年满退休离任 [1] - 同日，公司发布关于取消监事会暨监事离任的公告，取消监事会后，共有1位监事会主席、2位监事及3位职工代表监事不再担任相关职务 [1][4] - 新任董事长张涛的任命紧随其大股东首创证券的人事变动，张涛于11月19日被任命为首创证券董事长，并不再担任总经理 [4] 新任董事长背景 - 张涛具备丰富的金融管理经验，曾历任华泰证券、华泰期货、钟山金控、东兴证券及首创证券等重要职务，现任首创证券党委书记、董事长 [5][6] - 张涛拥有博士研究生学历，并已取得基金从业资格 [5] - 与现任总经理张志名一样，新任董事长张涛同样出自大股东首创证券体系 [6] 公司基本情况与股东结构 - 中邮基金成立于2006年5月，股东发起方为首创证券、中国邮政集团和三井住友银行 [2][7] - 公司于2015年8月完成股改，同年11月在新三板挂牌，成为首家挂牌交易的公募基金公司 [7] 公司管理规模与现状 - 截至今年三季度末，中邮基金公募管理规模为757.72亿元，共有23位基金经理 [2][7] - 公司目前处于中小公募行列，管理规模在近一年整体呈现增长趋势，此前长期在600亿元上下徘徊，今年重返700亿元之上，接近2015年末789.3亿元的巅峰水平 [2][7][8] - 公司现任基金经理多为中生代和新生代，在23位基金经理中，任职年限超过10年的有3位，不足5年的有14位，其中11位是从2022年之后开始担任基金经理 [7] 业务结构与战略重心 - 公司现已把业务重心转向“固收+”多资产配置赛道 [8] - 从产品结构看，债券型基金规模合计578.07亿元，是公司规模最大的一类产品，混合型基金数量最多有36只，股票型基金数量相对较少仅1只 [8]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：标准化预期外市净率[35] **因子构建思路**：属于超预期因子大类，旨在捕捉公司基本面（此处为市净率）超出市场一致预期的程度，预期超预期程度高的股票未来表现更好[35]。 **因子具体构建过程**：报告未提供该因子的具体计算公式，但指出超预期因子的详细介绍可参考系列报告《基于PEAD效应的超预期因子选股效果如何》[7]。通常，此类因子构建涉及计算财报实际公布值与分析师预测一致预期值的差异，并进行标准化处理。 2. **因子名称**：分析师预测净利润 FY1 的 120 日变动[35] **因子构建思路**：属于分析师因子大类，通过跟踪分析师对未来一期（FY1）净利润预测在近期（120日）内的调整方向与幅度，捕捉基本面预期的变化趋势[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为计算当前分析师对FY1净利润的一致预期值与120个交易日前的该值之间的相对变动率。 3. **因子名称**：过去 90 日报告上调比例[35] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师发布上调评级报告的比例，反映分析师群体对公司的乐观情绪变化[35]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，上调评级的研报数量除以研报总数（或上调与下调研报数量之和）。 4. **因子名称**：净经营资产收益率[36] **因子构建思路**：属于盈利因子大类，衡量公司利用净经营资产创造利润的效率，是盈利能力的重要指标[36]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$净经营资产收益率 = \frac{营业利润}{净经营资产}$$。其中，净经营资产 = 经营资产 - 经营负债。 5. **因子名称**：过去 90 日公告后报告上调比例[36] **因子构建思路**：属于分析师超预期因子大类，特指在公司发布公告（如财报）后，分析师据此调整评级中上调的比例，用于捕捉对公告信息的积极解读[36]。 **因子具体构建过程**：报告未提供具体公式。构建逻辑与“过去90日报告上调比例”类似，但样本限定在公告日后发布的研报。 6. **因子名称**：分析师预测净利润 FY3 的 120 日变动[36] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净利润长期预测的调整趋势，反映长期盈利预期的变化[36]。 **因子具体构建过程**：报告未提供具体公式。构建方式与“分析师预测净利润 FY1 的 120 日变动”类似，但预测期变为FY3。 7. **因子名称**：分析师预测营收增长率-FY3[37] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）营业收入增长率，作为公司长期成长性的代理指标[37]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3营收增长率数据。 8. **因子名称**：分析师预测营收 FY3 的 120 日变动[37] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）营业收入绝对预测值的近期调整趋势[37]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3营收一致预期值与120个交易日前的该值之间的相对变动率。 9. **因子名称**：90 日盈利上调占比[37] **因子构建思路**：属于分析师超预期因子大类，衡量近期（90日）内分析师上调盈利预测（如EPS）的占比，反映盈利预期的改善程度[37]。 **因子具体构建过程**：报告未提供具体公式。通常构建方式为：过去90日内，发生盈利预测上调的机构数（或次数）占比。 10. **因子名称**：分析师预测净利润增长率 FY3[38] **因子构建思路**：属于分析师因子大类，采用分析师预测的未来第三年（FY3）净利润增长率，衡量长期盈利成长性[38]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3净利润增长率数据。 11. **因子名称**：除去早盘 30 分钟后的涨跌幅[38] **因子构建思路**：属于高频分钟因子大类，通过剔除开盘时段可能存在的非理性波动或流动性冲击，捕捉更纯粹的股价变动信息[38]。 **因子具体构建过程**：报告未提供具体公式，但指出高频因子的详细介绍可参考系列报告《基于分钟数据的高频因子选股效果研究》[7]。通常构建为从开盘后30分钟开始计算至收盘的收益率。 12. **因子名称**：分析师预测 ROE-FY3 的 120 变动[39] **因子构建思路**：属于分析师因子大类，跟踪分析师对未来第三年（FY3）净资产收益率（ROE）预测值的近期调整趋势[39]。 **因子具体构建过程**：报告未提供具体公式。构建方式为计算当前FY3 ROE一致预期值与120个交易日前的该值之间的变动（绝对变动或相对变动）。 13. **因子名称**：分析师预测 ROA-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）总资产收益率（ROA），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROA数据。 14. **因子名称**：分析师预测 ROE-FY3[39] **因子构建思路**：属于分析师因子大类，直接采用分析师预测的未来第三年（FY3）净资产收益率（ROE），作为长期盈利能力的代理指标[39]。 **因子具体构建过程**：报告未提供具体公式。通常直接使用机构一致预期的FY3 ROE数据。 15. **因子名称**：单季度归母 ROE[35] **因子构建思路**：属于盈利因子大类，使用最新单季度的归母净资产收益率，反映公司近期的盈利能力和资本运用效率[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度归母ROE = \frac{单季度归母净利润}{期初和期末平均归母净资产}$$ 16. **因子名称**：单季度营业收入同比增长率[35] **因子构建思路**：属于成长因子大类，衡量公司最近一个季度营业收入相对于去年同期的增长情况，反映短期成长性[35]。 **因子具体构建过程**：报告未提供具体公式。通常计算公式为：$$单季度营业收入同比增长率 = \frac{本期单季度营业收入}{去年同期单季度营业收入} - 1$$ 17. **因子名称**：单季度归母 ROA 变动[35] **因子构建思路**：属于盈利因子大类，衡量单季度归母总资产收益率（ROA）相对于上一季度的变化，捕捉盈利能力的边际改善或恶化[35]。 **因子具体构建过程**：报告未提供具体公式。通常为当期单季度归母ROA与上一季度单季度归母ROA的差值。 18. **因子中性化处理** **构建思路**：为了排除市值和行业对因子选股效果的影响，使因子更纯粹地反映其背后的投资逻辑[34]。 **具体构建过程**： 1. 对初步计算得到的因子原始值进行预处理：采用绝对中位数法去极值，并进行Z-Score标准化[34]。 2. 横截面回归：在每个截面上，以标准化后的因子值作为因变量（y），以对数市值和申万一级行业虚拟变量作为自变量（X）进行回归[34]。 3. 取残差：将上述回归得到的残差作为每个股票的最终因子值。该残差即为经过市值和行业中性化处理后的因子暴露[34]。 19. **大类因子** **构建思路**：将逻辑相似的多个单因子聚合，形成更具代表性和稳定性的因子类别，以考察各类投资逻辑的整体表现[44]。 **具体构建过程**：报告提及的因子库包括估值、盈利、成长、公司治理、价量、超预期、分析师等多种投资逻辑的大类因子[34]。每个大类因子内部，对其包含的所有单因子采用等权加权的方式合成[44]。 因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，在各股票池中表现较好或较差的单因子及其超额收益。数据来源于报告中的单因子表现总结及详细表格[35][36][37][38][39][41][42]。* | 股票池 | 因子名称 | 超额收益 | | :--- | :--- | :--- | | **沪深300** | 单季度归母 ROE | 25.63% | | **沪深300** | 单季度营业收入同比增长率 | 25.10% | | **沪深300** | 单季度归母 ROA 变动 | 22.51% | | **中证500** | 分析师预测净利润增长率 FY3 | 15.13% | | **中证500** | 分析师预测营收 FY3 的 120 日变动 | 14.74% | | **中证500** | 分析师预测营收增长率-FY3 | 14.74% | | **中证1000** | 分析师预测 ROE-FY3 的 120 变动 | 21.77% | | **中证1000** | 标准化预期外单季度归母 ROE-带漂移项 | 20.54% | | **中证1000** | 标准化预期外单季度归母净利润-带漂移项 | 20.32% | | **中证2000** | 标准化预期外单季度扣非净利润-带漂移项 | 25.17% | | **中证2000** | 过去 90 日报告上调比例 | 24.28% | | **中证2000** | 5 分钟成交量偏度 | 23.98% | | **中证全指** | 分析师预测 ROE-FY3 的 120 变动 | 27.33% | | **中证全指** | 单季度营业收入同比增长率 | 21.77% | | **中证全指** | 分析师预测 ROA-FY3 的 120 变动 | 21.27% | 大类因子的回测效果 *注：以下为截至2025年12月12日的“本年”区间内，各大类因子的超额收益与多空收益。数据来源于报告中的大类因子表现总结及详细表格[45][46][47]。* | 股票池 | 因子类别 | 超额收益 | 多空收益 | | :--- | :--- | :--- | :--- | | **沪深300** | 盈利 | 31.35% | 41.69% | | **沪深300** | 分析师超预期 | 27.31% | 35.22% | | **沪深300** | 成长 | 26.87% | 42.74% | | **沪深300** | 分析师 | 18.50% | 25.53% | | **沪深300** | 超预期 | 8.35% | 28.04% | | **中证500** | 成长 | 16.53% | 未提供 | | **中证500** | 分析师 | 9.54% | 未提供 | | **中证500** | 超预期 | 7.35% | 未提供 |

核心观点 - 超预期因子上周表现突出，在不同宽基指数中均显示较强选股能力，特别是中证2000指数增强策略本年超额收益达21.18% [1][4] - 公募指数增强产品中，小盘指数增强基金（如中证1000、国证2000）表现显著优于大盘指数产品，最高超额收益达16.01% [4][8][29] - 因子表现存在显著分化：超预期、成长、盈利类因子持续有效，而估值和高频分钟因子表现较弱 [4][38][49] 公募指数增强基金表现 - 沪深300增强产品规模773亿元，头部产品易方达沪深300精选增强A本年超额13.41% [8][9] - 中证500增强产品规模437亿元，鹏华中证500指数增强A以10.62%超额收益领先 [4][15] - 中证1000增强产品规模154亿元，工银瑞信中证1000ETF增强超额15.81% [4][21] - 国证2000增强产品规模14亿元，汇添富国证2000指数增强A超额16.01% [4][29] 单因子表现 - 沪深300股票池中，分析师预测营收增长率-FY3因子上周超额2.09%，本年超额19.01% [38][45] - 中证500股票池中，分析师预测净利润FY3的120日变动因子上周超额0.8% [39][45] - 中证1000股票池中，标准化预期外单季度营业收入因子上周超额1.18% [40][45] - 中证2000股票池中，尾盘成交量波动率因子上周超额1.97% [41][45] - 中证全指股票池中，分析师预测ROA-FY3的120变动因子上周超额1.91% [41][45] 大类因子表现 - 沪深300内上周超额前三：分析师超预期(2.24%)、盈利(1.86%)、超预期(1.5%) [49][51] - 中证500内上周超额前三：分析师(0.02%)、高频分钟(-0.3%)、超预期(-0.33%) [54] - 中证1000内公司治理因子表现突出，超额收益领先 [4] - 中证2000内市值因子表现最佳，超额收益显著 [4] - 中证全指内成长因子表现最优，超额收益持续领先 [4] 指数增强策略表现 - 沪深300增强策略本年收益21.22%，超额6.3%，最大回撤-3.15% [4] - 中证500增强策略本年收益24.89%，超额0.06%，最大回撤-4.23% [4] - 中证1000增强策略本年收益34.35%，超额9.75%，最大回撤-5.59% [4] - 中证2000增强策略本年收益53.8%，超额21.18%，最大回撤-5.17% [4] 因子有效性分析 - 超预期因子在各指数中均显示稳定选股能力，特别在中小盘股票池中表现更佳 [38][39][40][41] - 成长类因子本年表现强劲，在中证全指中超额收益达23.84% [41][43] - 高频分钟因子表现分化，在中证2000中有效但在其他指数中表现较弱 [4][49] - 估值因子普遍表现不佳，在各股票池中超额收益多为负值 [49]

贝莱德SAE策略概况 - 贝莱德集团资产管理规模达12.5万亿美元 是全球最大资管公司之一 [1] - 系统化主动权益（SAE）策略运用机器学习、自然语言处理等大数据分析方法 持续升级满40周年 [1] - SAE已迭代至第六代大语言模型 在管规模达3360亿美元 [1] SAE策略在中国本土化应用 - 贝莱德沪深300指增A（2024年11月26日成立）净值增长率达18.35% [1] - 贝莱德中证A500指增A（2025年1月23日成立）净值增长率达18.02% [1] - 正在发行的中证500指数增强基金将借力SAE策略并加以本土化改进 [1] SAE策略的全面赋能机制 - SAE另类数据库和1000多个自研信号将全面赋能投资决策 [2] - 投研机制转变为"平台化管理" 依托统一研究框架、风险管理体系和数据平台运作 [2] - 自然语言分析模型能有效分析研报、业绩发布会、新闻、论坛评论等信息 [2] 团队构成与技术优势 - SAE团队超过120名成员 拥有会计、工程、经济、计算机科学等多样化背景 [2] - 机器学习信号权重从2019年15%上升至当前30% 且持续上升 [3] - 自研AIM机器学习系统能动态调整信号权重 确保策略适应市场变化 [3] 投资策略特点 - 指增产品线将主动风险集中于个股选择 行业和风格因子风险暴露较少 [4] - 属于相对全天候获取alpha的方式 alpha来源分散于数百只个股 [4] - 主动权益产品线以最大化获取超额收益为目标 同时控制组合波动率和回撤 [4] 本土化实施方法 - 将全球模型部署在中国的海量数据文本上持续优化 [3] - 训练模型分析公司业绩交流会内容 提取价格复苏、竞争减少等关键信息 [3] - AI驱动信号与AIM动态优化工具结合使投资更智能快速精准 [3]