量化产品展望：量化优势可否持续 - 报告核心观点是探讨2026年A股市场环境下量化投资策略优势的可持续性，认为市场模式在共识行情与分歧行情间的切换是关键，并引入市场集中度指标作为分析桥梁 [2] - 当市场集中度提升预示共识行情时，交易型Alpha空间被压缩，传统量化策略面临挑战；集中度下降或维持低位意味着分歧行情，有利于量化策略捕捉交易型Alpha [2] - 展望2026年，市场集中度在从历史低位回归后，将进入中枢抬升的平台期，量化策略平均表现仍有望优于主动权益基金平均水平 [2] 市场模式切换与Alpha来源演变 - 市场模式在主线驱动的共识行情（如2017年漂亮50、2019-2021年新能源半导体）与轮动分散的分歧行情（2022年至2025上半年）间周期性切换 [6][7] - 共识行情中策略有效性取决于研究深度，有利于主动管理；分歧行情中策略有效性取决于广度和纪律性，量化策略表现出优势 [6][7] - Alpha来源随市场模式演变：分歧行情中交易型Alpha是主要来源，侧重捕捉短期定价偏差；共识行情中认知型Alpha重要性提升，侧重基本面预判 [11][12] 市场集中度的核心作用 - 市场集中度是衡量市场模式与Alpha来源的有效量化指标，低集中度对应分歧行情和交易型Alpha，高集中度对应共识行情和认知型Alpha [13][14] - 在共识行情高集中度环境下，传统因子可能失效，小市值低估值等因子可能持续跑输，分散化持仓拖累量化产品表现 [14] - 对2026年市场集中度演变路径的判断是分析不同投资策略相对有效性的基础 [16] 2026年市场集中度与策略展望 - 市场集中度演变分为两阶段：第一阶段（2025Q3-Q4）从历史低位向中枢回归，AI主线驱动增量资金向核心企业聚集 [17] - 第二阶段（2026年全年）市场集中度进入中枢抬升的平台期，呈现弱均衡下的区间震荡，难以触及历史极高点 [18] - 2026年A股盈利增长有望呈现科技成长与传统行业复苏的双轮驱动格局，多元化基本面抑制机构持仓集中度过快提升 [18] 复杂市场环境下的量化策略优势 - 中枢抬升平台期对应的复杂化主线行情，要求量化模型具备主题识别和基本面量化能力，同时其系统性、纪律性、分散化特点能捕捉主线内部轮动 [19] - 能够将深度理解主线与广度捕捉轮动相结合的持续进化量化策略，在未来平均表现可能仍优于主动权益基金 [19] 2026年A股市场整体观点 - 对2026年A股市场维持中期乐观判断，综合多维度量化择时体系显示健康市场环境，宏观与估值层面提供支撑，技术结构指向震荡上行 [3][20] - 风格判断看好大盘风格，量化风格轮动模型显示驱动指标由偏向小盘转向明确指向大盘，机构偏好和市场情绪指标均显著偏向大盘 [3][20]

公司核心投资哲学与发展理念 - 公司创始人以探寻金融市场客观规律为核心，定位为市场的“观测者” [1] - 公司发展哲学强调以技术为信仰、以稳健为生命线，追求行稳致远 [1] - 创始人通过规律探索的纯粹性、发展定力以及“技术超配”的长期主义构建公司投资哲学和发展韧性 [1] 技术驱动与量化方法论 - 公司将技术驱动奉为核心信条，致力于在低延迟交易和AI赋能等前沿领域构筑竞争力 [2] - 公司自建行业领先的低延迟交易系统，实现微秒级别延迟，并每年保持千万级IT投入以确保技术领先 [2] - 公司早在2019年率先使用AI辅助投研，并于2025年初成立AI Lab，AI已全面赋能因子挖掘、组合优化、交易执行和风险控制等投资流程 [2] - 量化投资被视为一个“永远解不完的谜题”，公司以突破人类认知边界为目标持续探索市场规律 [3] 风险控制与战略定力 - 公司在2023年末至2024年初行业低潮中因小幅放开风控约束而经历挫折，此次教训使其更加坚信战略定力的重要性 [4] - 公司发展定力强调“稳字当头”，目标是获取全频段上纯粹的阿尔法收益 [5] - 公司对规模增长持克制态度，认为客户资产是负债，在业绩达到第一梯队有竞争力标准前坚决不放规模 [5] - 公司资管规模近150亿元，其中短周期策略约80亿元，阿尔法选股类策略约30亿元，形成覆盖主流指数的全频段布局 [5] 人才储备与内部治理 - 公司遵循“策略储备先于资管规模；人才储备先于策略储备”的原则，在规模较小时就进行超前人才布局 [6] - 公司管理规模20亿元时团队有40多人，50亿元时达六七十人，强调技术储备需以人才为基础 [6] - 公司设计极具吸引力的激励体系，包括投研团队“提成制”（收益提成上不封顶）和“合伙人制度”（股权奖励），以打开员工晋升通道并激发协作 [6] 社会价值与行业责任 - 公司以幻方投资（DeepSeek）为榜样，积极承担社会价值，推动量化行业整体在社会公益上的努力 [7] - 公司社会价值践行包括纯粹的科研捐赠以及对前沿硬科技（如能源与物理学交叉领域）的天使投资，即使短期无经济价值也愿意早期参与 [7][8] - 公司强调量化机构应秉持“正心正念”，行为方式要有利于行业健康发展，不能损害或透支外界对行业的信任 [8] 未来愿景 - 公司未来十年目标是成为中国综合能力最优秀的头部量化机构之一，并成为全球范围内具有影响力的优秀机构 [9]

公司荣誉与行业认可 - 因诺资产在"2025私募基金高质量发展大会"上荣获"金牛私募管理公司（三年期管理期货策略）"奖项[1] - 这是公司自成立以来第五次获得金牛奖，体现了其在量化投资领域的稳健实力与专业深耕[1] AI与量化投资的关系定位 - AI被视为量化方法论的自然延展，而非外来革命，其本质是"更有特点、更具优势的统计学"[1] - AI与量化在底层相通，AI（尤其是机器学习与大模型）是更强大的统计学工具，具备更好的表征能力与非线性刻画能力[3] - AI是更锋利的工具，不是替代的剧本，公司选择将效率、精度与广度沉淀为工程与风控的底座[9] AI在量化投资中的具体应用 - AI已系统性地应用在Alpha、CTA、算法交易等多个策略方向上，提升了模型的识别力、响应速度与可迭代性[3] - AI被用作"放大镜"与"涡轮增压器"，负责效率、精度与广度的提升，而"方向盘"始终由人掌握[2] - AI承接了数据清洗、特征构造、代码生成与回测编排等繁琐环节，显著压缩了"想法→实验→上线"周期[4] - AI被嵌入数据—模型—工程—交易全链路，通过标准化数据域与特征库实现研究可复现与灰度上线[4] 公司对AI的实践原则与组织管理 - 量化竞争不是简单的"AI竞赛"，决定胜负的核心仍是人对问题的定义、逻辑构建和边界把握[7] - 公司原则是方法中立、结果导向，AI信号与传统因子并行开发、分档校准，组合成低相关的多源Alpha[8] - AI在组织中更多是赋能而非替代，让机器承接标准化与高频重复环节，使人能聚焦于洞察生成与决策取舍[7] - 通过将监管与交易所规则参数化写入系统，形成"模型—系统—风控"三重校验，实现快而不失稳[4] 未来发展方向与战略 - 随着数据要素丰富与工程基础夯实，AI在跨市场、跨资产与多模态融合中的应用空间将持续扩大[3] - 公司将持续把AI嵌入多策略与全链路，在本土市场把底盘做厚，在多资产、多市场寻找低相关的新增量[9] - 坚持方法中立与结果导向，让AI与传统方法并行验证、相互增益，以系统化迭代对抗复杂性[9] - 以可解释、可迁移、可持续的业绩回应信任，在合规与风控的框架中持续进化[9]

根据研报内容，现总结其中涉及的量化模型与因子如下： 量化模型与构建方式 **1 模型名称：宏观环境Logit模型[6][18][19]** - 模型构建思路：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[16] - 模型具体构建过程：使用多个宏观变量（如银行间债券质押式回购利率、SHIBOR、国债收益率、社融、PMI等）的平稳化处理值，通过Logit模型计算宏观环境预测值[18] **2 模型名称：企业盈利景气指数2.0[20][23][26]** - 模型构建思路：通过识别主营业务，追踪主营业务的营收和成本情况来监控行业整体的景气度[20] - 模型具体构建过程：基于产业链系统分析追踪上下游行业部门；对行业进行财务指标分解；重构行业景气度追踪框架；计算各行业景气指数后，按上证指数每日各行业市值权重加权合成景气指数2.0[20][23] **3 模型名称：基于基差的股指期货择时模型[31][33]** - 模型构建思路：利用股指期货基差与指数自身的相关性趋势反映市场情绪变化，基于此相关性进行分组测试构建日频择时信号[31] - 模型具体构建过程：基于中证500股指期货基差构建衍生品择时信号，信号范围在-0.4到1之间[31] **4 模型名称：多维度择时模型[33][34]** - 模型构建思路：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，叠加股指期货基差信号合成四维度非线性择时模型[33] - 模型具体构建过程：将宏观环境、景气周期、景气方向组合成9种状态（如1-1宏观利多中观景气上行对应多头信号），再叠加衍生品信号合成最终择时信号[34] **5 模型名称：多风格策略[37]** - 模型构建思路：从价值、红利、质量、成长、低波、动量等多维度出发，刻画在不同主导风格下市场的表现，通过多因子信号的横向整合与动态权重配置实现收益平滑与风险分散[37] **6 模型名称：多风格增强策略[41]** - 模型构建思路：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[41] **7 模型名称：可转债随机森林模型[46]** - 模型构建思路：通过随机森林方法构建可转债增强模型[46] **8 模型名称：REITs随机森林模型[48]** - 模型构建思路：通过随机森林方法构建REITs增强模型[48] **9 模型名称：宽基指数遗传规划选股模型[52][59][62][64][70]** - 模型构建思路：使用遗传规划算法挖掘选股因子，构建指数增强组合[52][59][62][64][70] - 模型具体构建过程： - 股票池：对应宽基指数成分股（沪深300、中证500、中证1000、中证全指）[52][59][62][64][70] - 训练集：2016年1月1日-2020年12月31日[52][59][62][64][70] - 因子挖掘：由遗传规划因子挖掘模型挖掘2000个初始种群、5代、多轮得到复合因子（沪深300：102个因子，中证500：189个因子，中证1000：564个因子，中证全指：709个因子）[52][59][62][64][70] - 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[52][59][62][64][70] **10 模型名称：三策略融合行业轮动模型[76][78]** - 模型构建思路：采用量化基本面驱动、质量低波风格驱动、困境反转行业发掘三种方法分别构建行业轮动策略，进行等权组合实现因子与风格的互补[76][78] - 模型具体构建过程：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，从不同维度筛选行业[78] **11 模型名称：三策略融合ETF轮动模型[85][88]** - 模型构建思路：基于三策略融合逻辑构建ETF轮动策略[85][88] 量化因子与构建方式 **1 因子名称：盘口平均深度因子[98][100]** - 因子构建思路：反映整体市场的深度，衡量市场流动性水平[100] - 因子具体构建过程：$$avg_{depth}=\frac{av_{1}+bv_{1}}{2}$$，其中av1和bv1分别为盘口委托快照数据的卖一量和买一量，若挂单量为0则令盘口深度为0[98][99] - 因子评价：因子取值越大，市场整体挂单量越大，市场总体深度越大，市场流动性越高，与未来收益负相关[100] **2 因子名称：盘口价差因子[103][104]** - 因子构建思路：反映卖一价和买一价的距离，衡量交易成本和市场宽度[104] - 因子具体构建过程：$$spread={\frac{2(a1-b1)}{a1+b1}}$$，其中a1和b1分别为盘口委托快照数据的卖一价和买一价[103] - 因子评价：盘口价差越大，交易成本越高，市场宽度越大，流动性越差，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[104] **3 因子名称：价格弹性因子[106][108]** - 因子构建思路：反映单位成交额下股价的波动幅度，衡量市场流动性强度[108] - 因子具体构建过程：$$resiliency={\frac{high-low}{turnover}}$$，其中high、low、turnover分别代表tick数据中的最高价、最低价和成交额[106][107] - 因子评价：弹性越大说明单位成交额对价格冲击越大市场流动性越弱，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[108] **4 因子名称：卖单非流动性因子[110][113]** - 因子构建思路：衡量高频数据下主动卖出的交易金额对于股票价格变动的影响[113] - 因子具体构建过程：$\Gamma_{1,t}=a+\beta_{1}*\delta_{1,t}+\beta_{2}*\delta_{1,t}+\epsilon_{1,t}$，其中β1为卖出非流动性系数，β2为买入非流动性系数，Si，t为股票i在t时间区间内的主动卖出金额，Bi,t为股票i在t时间区间内的主动买入金额[110][111] - 因子评价：卖单非流动性在控制风险后的Fama-MacBeth截面回归对收益率显著，且预测效果要好于买单非流动性，主要是由于投资者存在亏损厌恶的心理[113] **5 因子名称：Barra风险因子[121]** - 因子构建思路：包括20个风险因子全面刻画市场风险特征[121] - 因子具体构建过程：Barra CNE6 Trading模型包括规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师情绪）、红利（股息率）等20个风险因子[121] 模型的回测效果 **1 宏观环境Logit模型**：最新预测值0.945，较上周末上行[19] **2 企业盈利景气指数2.0**：最新景气指数为0.885，剔除大金融板块景气指数为1.234[26] **3 中证500股指期货择时模型**：本周信号为1，累计仓位为多头（0.65）[7][34] **4 多维度择时策略**：最终合成信号为多头（1）[7][34] **5 多风格策略（截至2025年10月17日）**[40]： - 质量策略：年化收益率27.39%，超额年化收益率13.53%，夏普率2.00，区间最大回撤-8.31% - 红利策略：年化收益率12.80%，超额年化收益率3.82%，夏普率1.00，区间最大回撤-7.00% - 长期成长策略：年化收益率41.07%，超额年化收益率20.72%，夏普率1.88，区间最大回撤-12.41% - 价值策略：年化收益率14.79%，超额年化收益率-5.55%，夏普率0.88，区间最大回撤-12.92% - 低波策略：年化收益率20.53%，超额年化收益率0.19%，夏普率1.62，区间最大回撤-7.23% - 短期动量策略：年化收益率29.44%，超额年化收益率9.09%，夏普率1.27，区间最大回撤-19.89% - 长期动量策略：年化收益率19.80%，超额年化收益率-0.54%，夏普率1.32，区间最大回撤-8.70% **6 多风格增强策略（截至2025年10月17日）**[45]： - 质量增强策略：年化收益率16.04%，超额年化收益率2.19%，夏普率1.24，区间最大回撤-5.73% - 红利增强策略：年化收益率16.83%，超额年化收益率7.84%，夏普率1.31，区间最大回撤-5.88% - 长期成长增强策略：年化收益率25.11%，超额年化收益率4.76%，夏普率1.40，区间最大回撤-16.84% - 价值增强策略：年化收益率19.98%，超额年化收益率-0.37%，夏普率1.16，区间最大回撤-11.34% - 低波增强策略：年化收益率36.29%，超额年化收益率15.94%，夏普率2.43，区间最大回撤-9.71% - 短期动量增强策略：年化收益率13.76%，超额年化收益率-6.58%，夏普率0.93，区间最大回撤-9.14% - 长期动量增强策略：年化收益率7.74%，超额年化收益率-12.61%，夏普率0.50，区间最大回撤-10.99% **7 可转债随机森林模型**：年化收益率22.15%，夏普率1.73，今年以来绝对收益率14.25%[46] **8 REITs随机森林模型**：年化超额收益率39.26%，夏普率3.27，今年以来超额收益率57.60%[49] **9 宽基指数增强模型（截至2025年10月17日）**： - 沪深300指数增强：年化超额收益率17.70%，夏普率1.04，今年以来超额收益率-4.86%[55][57] - 中证500指数增强：年化超额收益率12.24%，夏普率0.87，今年以来超额收益率3.45%[63] - 中证1000指数增强：年化超额收益率18.83%，夏普率0.93，今年以来超额收益率2.73%[66] - 中证全指指数增强：年化超额收益率24.57%，夏普率1.31，今年以来超额收益率11.15%[71] **10 三策略融合行业轮动策略**：年化超额收益率10.59%，夏普率0.74[80] **11 三策略融合ETF轮动策略**：年化超额收益率12.78%，夏普率0.88，今年以来超额收益率14.75%[88] 因子的回测效果 **1 盘口平均深度因子**：当前略低于历史均值，相较上周末有所下降[101] **2 盘口价差因子**：当前低于历史均值，相较上周末有所上升[104] **3 价格弹性因子**：当前低于历史均值，相较上周末有所上升[109] **4 卖单非流动性因子**：当前高于历史均值，相较上周末有所下降[114] **5 Barra风险因子**：2025年10月13日至17日，股息率因子表现较好，BETA因子表现较差；本月股息率因子表现较好，最近一年短期反转因子和动量因子表现较好[121]

A股投资者市场概况 - 截至2025年6月末A股投资者总数突破2.4亿相当于每6个中国人中就有1个是股民[2] - 2024年底A股投资者总量为2.37亿均为有效账户2025年上半年新增开户1259.77万户新增投资者超过400万[2] - 个人投资者占绝对主导地位2024年底占比超99.76%2025年上半年新增开户中个人占比达99.63%[2] - 个人投资者大量涌入股市显示市场对A股的坚定信心和强大预期也反映居民在经济新周期和产业结构调整背景下对财富管理的迫切需求[2] 财富管理市场背景 - 截至2024年末中国家族信托规模已突破9000亿元预计2025年将迈入万亿时代[2] - 未来10年中国将有约20万亿元财富传给下一代凸显家族财富传承问题的紧迫性[2] - 改革开放40多年带来的巨大红利正进入交棒阶段这是一个体量庞大时间紧迫的财富传承问题也是突出的社会问题[3][17] 个人理财观念与行为 - 年轻人理财呈现两极分化部分极其保守超过90%资产配置在银行存款害怕亏损部分则非常激进追求一夜暴富[7] - 过于保守难以实现财富显著增值可能无法战胜通货膨胀过于激进追求高收益则是过度冒险可能一赔就没有机会[7][8] - 需要区分情绪影响和理性操作不要因害怕亏损导致投资过于趋于安稳从而无法实现显著增值长期来看财富可能因通胀而实质缩水[14] 股票投资心态与策略 - 炒股心态反映非理性的投资心态希望快速进出获得收益但持之以恒追逐龙虎榜热门股约两三年投资收益率可能变为-100%即赔光[9] - 应从非理性投资转向理性投资具备相对理性心态而非一夜暴富的心态这需要心态和理念上的更新和转变[9][10] - 量化投资可帮助解决买什么和什么时候买的问题减少主观因素干预但需区分高频量化和基本面量化后者回归投资本源分析公司基本面[11][12] 资产配置与投资目标 - 资产配置需首先明确个人财富目标和风险承受能力不同财富阶段对投资回报率要求不同本金亏损承受度从30%-50%到5%以上不等[13] - 合理年化投资回报率目标约为8%-10%需在通货膨胀之上实现约5%的财富增长但不应期望每年赚钱而是长期年化平均的概念[15][16] - 资金应分层管理分为保障层和增值层保障层保障生活品质增值层用长期科学方式理财其盈亏不影响日常生活[17] 家族财富传承框架 - 家族财富传承需要五位一体包括家族信托投资慈善捐赠分配和系统家族信托通过财产与人的分离实现风险隔离[18] - 慈善捐赠可帮助家族成员将视野从自身转向社会从金钱转向爱心增强家族凝聚力使财富传承持续而非陷入财产纠葛[19] - 透明的财务管理系统对长期传承必不可缺需清晰展示资金使用和投资收益甚至引入专业审计[19] 财富管理哲学 - 财富管理是需要坚持40年的事理念上应从财富主人转变为财富管家这有助于减少投资焦虑并用科学高效方式管理财富[5][19] - 从永恒角度思考财富价值一时的得失和亏损相对终身财富增值并不重要财富应具有永恒价值为社会带去祝福[20][21] - 财富应向善需有崇高品德支撑对财富的支配和使用应给对方带来益处而不仅是个人满足让财富绽放道德光芒[22]

文章核心观点 - 行业专家在私募基金高质量发展大会上探讨AI技术如何重塑量化投资生态、量化策略的演进与突破、行业挑战与未来趋势 [1] - 监管规范为行业健康发展注入信心 A股市场自2024年9月24日后展现出显著韧性与独立性并走出强势复苏行情 [1] - AI技术被视为量化投资的重要赋能工具 能提升对海量金融数据的分析能力并深化对商业世界的理解 [2] - 量化行业在应对策略同质化等挑战时 通过多样性、组合管理及另类数据挖掘寻求突破 AI可能加剧行业头部聚集效应 [3][4][5] 市场环境与表现 - 监管深入规范程序化交易并厘清量化投资与程序化交易的边界 规范发展成为行业主基调 [1] - 2024年9月24日以来A股市场展现出显著韧性与独立性 走出一波强势复苏行情 [1] - 驱动此轮行情核心动力包括政策支撑为市场与经济明确底部、DeepSeek技术突破带来宏观叙事新视角、基本面验证和市场参与者共同努力 [1] - 此轮行情与2014年至2015年相比显示出更加稳健的特征 [2] - 量化私募业绩整体表现突出 募资情况显著优于主观机构 [2] 量化与主观投资对比 - 量化与主观投资在方法论、持仓特点、盈利频率等方面相对独立 双方同时提升市场整体活跃度和流动性 [2] - 量化投资特色在于稳健性 持仓分散且具有完备风险管理工具 主观投资优势在于爆发力 [2] - 万物皆有周期 量化与主观表现交替是正常现象 [2] AI技术应用与影响 - AI技术比起人脑或线性模型能更多抓住海量金融数据之间的微妙联系 [2] - 大模型基于原始数据分析可成为优秀分析师 使量化策略对商业世界的理解实现飞跃式提升 [2] - AI被定位为一种有优势的统计学 与量化投资有非常强的底层关系 但在可预见的未来不会取代人的核心地位 [3] - AI技术发展直击金融领域哲学问题 即应相信简洁规律还是拥抱复杂智能 [3] - 量化投资是交叉学科 用程序和工程连接数学、金融、统计、经济及心理学等学科 [3] - 量化模型容易掉进样本内部过度优化的陷阱 [3] - 量化私募天然与AI相辅相成 [3] 行业挑战与应对策略 - 行业面临策略同质化、市场风格快速切换等挑战 [3] - 应对阿尔法因子周期性的核心在于多样性（不同来源信息与玩法）和组合管理水平（因子失效时有效管理风险） [4] - 通过收益来源拆分 在不同时间维度上研究风格收益与非风格收益 通过多模型研究不同收益来源并合成预测以丰富多样性 [4] - 另类数据在未来具有较好前景 具体解决方案包括采用自然语言处理技术去噪、多周期回测验证有效性及保障实时性 [5] - AI时代算力、算法和数据呈指数级上升 需警惕样本内过度优化 要理解复杂模型背后逻辑并确保样本外可重复 [5] 行业生态与格局演变 - AI有可能造成量化行业的头部聚集效应 因开发优质策略需在数据、算力和人才上大量投入 提高行业门槛 [5] - 在监管规范与技术创新的双轮驱动下 量化行业正在构建更加健康、多元的生态体系 [5]

百亿私募行业整体表现 - 截至2025年7月底，百亿私募总数达90家，其中百亿量化私募为44家，占比48.49% [1] - 2025年1至7月，有业绩展示的55家百亿私募平均收益达16.60%，其中54家实现正收益，占比高达98.18% [1][6] 量化私募业绩表现 - 2025年1至7月，36家百亿量化私募平均收益率为18.92%，全部实现正收益，正收益比例为100% [1][6] - 在收益超10%的42家百亿私募中，量化私募占比超七成，其中32家量化私募收益超过10%，占比近九成 [2][6] - 15家量化私募收益介于10%至20%之间，14家收益在20%至30%之间 [6] 主观私募业绩表现 - 2025年1至7月，16家百亿主观私募平均收益率为13.59%，15家实现盈利，正收益比例为93.75% [1][6] - 仅9家主观私募收益超过10%，复胜资产、日斗投资表现突出 [6] 混合策略私募业绩表现 - 3家采用主观与量化结合策略的百亿私募平均收益率为4.75%，全部实现正收益 [1] 百亿私募阵营变动 - 2025年7月，3家主观策略私募退出百亿阵营，包括深圳红筹投资（股票策略）、杭州遂玖私募（多资产策略）、上海合远基金（股票策略） [3][4] - 3家机构新晋或重返百亿阵营，包括上海久期投资（主观债券策略）、上海千衍私募（量化股票策略）、上海波克私募（量化多资产策略） [3][4] - 新晋机构中量化策略占据两席，持续扩大领先优势 [4] 新晋百亿私募详情 - 上海久期投资以债券策略为核心，专注主观投资，公司成立于2013年年底，其一只产品成立8.7年以来总收益高达748.5% [5] - 上海千衍私募成立于2015年1月，员工人数超100人，属大中型量化机构，从2022年开始运作股票量化策略，2023年下半年开始运行量化CTA策略 [5] - 上海波克私募2022年7月25日成立，以量化多资产策略为主，旗下管理12只基金 [5] 量化投资的核心优势 - 量化投资通过程序化执行策略，有效规避人性弱点，在市场剧烈波动时保持投资决策一致性，避免情绪化操作 [2][7] - 量化系统能够并行处理多维度的海量市场数据，识别人力难以捕捉的复杂市场规律和微观结构特征 [7] - 基于算法驱动的交易系统能实时监控市场，在毫秒级时间内完成交易，精准把握短暂的定价偏差机会 [7] - 量化策略通过严格的历史回测和压力测试验证，具备完整的逻辑链条和透明的绩效归因体系 [7] - 量化投资在投研覆盖范围和广度上有优势，投资效率和速度显著优于主观投资的人工分析 [8] - 量化投资通过程序化交易实现分散化投资，能快速调整组合标的，降低非系统性风险的能力更强 [8] 主观投资的相对优势 - 主观投资在宏观基本面研究、行业深度研究、个股内在价值深度挖掘方面有优势 [8] - 主观投资在应对极端市场方面相对于量化投资有优势 [8]

人工智能在金融领域的应用 - 2025年全球人工智能技术蓬勃发展，以DeepSeek为代表的大模型技术在金融领域引发广泛应用热潮 [1] - 量化投资作为金融与科技的交汇点，已在因子挖掘、策略生成等多个环节融入AI技术 [1] - 越来越多的投资机构开始重视并加大在AI技术上的布局和研究 [1] FOF基金的发展与AI融合 - FOF基金凭借分散风险、降低组合相关性的优势，日益受到投资者关注和积极布局 [1] - 在人工智能浪潮推动下，FOF投资迎来新的发展机遇 [1] - 行业关注如何借助AI提升FOF投研效率、优化资产配置，为投资决策提供科学精准支持 [1] 第九届AI&FOF投资创新发展论坛 - 论坛由排排网与世纪证券联合主办，银河期货、私募排排网、公募排排网协办，定于2025年7月18日在上海举办 [1] - 主题为"智算未来·量化跃迁"，旨在构建高端交流平台，汇聚行业智慧推动创新发展 [3] - 邀请投资大咖、资深从业者及机构投资人探讨AI时代下的最新趋势、机遇与挑战 [3] 主办方及支持方背景 - 世纪证券成立于1990年，是新中国最早一批成立的证券公司，总部设在深圳前海，国有控股全牌照券商 [2] - 主营业务涵盖财富管理、资产管理、投资银行、投资交易四大板块 [2] - 公募排排网是排排网集团旗下持牌公募基金销售平台，代销超过6500只公募基金，与80余家机构合作，累计服务320万投资者 [2] 论坛议程与嘉宾 - 世纪证券资产配置团队负责人吴贤敏、倍漾量化创始人冯霁、蒙玺投资创始人李骧等将发表主题演讲 [3] - 设置两场圆桌对话，聚焦FOF投资、量化投资等领域热门话题 [3] - 参与圆桌嘉宾包括鸣石基金高级副总裁蔡贤、艾方资产董事长蒋锴等12位行业专家 [3] 私募基金资金对接 - 论坛安排优质私募基金资金闭门交流会，通过一对一路演促进私募机构与资金方深度合作 [4] - 活动旨在搭建深度交流桥梁，推动私募基金行业持续发展 [4]

纪要涉及的行业和公司 - **行业**：量化投资、ETF、金融、科技、消费、医药、新能源、地产、传媒、通信、半导体、计算机软件、信创、云计算、债券基金等 - **公司**：申万宏源、华安基金、工银、景顺长城、国投、国联安、招商银行、易方达、富国、汇添富、兴全、交银、国泰君安、西部利德、财通、文心、千问、DeepMind、ChatGPT、阿里巴巴、小米、腾讯、美团、理想汽车、康冠科技、三大运营商等 纪要提到的核心观点和论据 量化投资与AI应用 - **AI提升传统多因子处理能力**：传统多因子方法处理因子数量有限，AI算法如树模型、遗传算法等可同时处理数千甚至更多因子，提升信息聚合能力，且能更有效整合利用财务、宏观等数据实现优质投资决策[4]。 - **基本面量化与人工智能策略联系**：两者通过不同路径解决原有简单算法无法处理大量信息问题，基本面量化结合主观判断和宏观或行业模型分析，人工智能策略依赖强大算法处理复杂信息[5]。 - **AI在金融工程设计优势**：AI策略能深度整合财务、宏观经济等信息，提供更精准高效数据分析结果，优化投资组合设计，提高收益率并降低风险[7]。 - **量价因子在算法应用地位**：量价因子数据量大且结构性好，最早被算法应用，传统多因子处理能力有限，AI策略显著提升处理能力，大模型可覆盖更多信息[8]。 - **人工智能策略与传统多因子比较**：AI算法可处理更多特征，能更有效聚合信息和全局分析，在超额收益方面表现优异，不同思维模式下应用AI方法有差异[9]。 - **大模型在金融投资应用前景**：大模型如DeepSeek和ChatGPT有一定主观分析能力，为“主观 + 量化”新范式提供可能，通用能力可涵盖更多数据类型，组合优化可控制市值风险，但能否达专家级水准需验证[11]。 - **AI策略与统计模型区别**：AI策略来自人工智能领域用于特定任务，不限于量价数据，信息聚合和市场全局分析能力更强，小市值股票入选概率问题可通过组合优化控制[12]。 - **资管行业对AI策略接受程度**：基于统计模型的AI策略业绩表现好，已被资管行业逐渐接受并广泛应用于私募基金，推理型大语言模型能否达专家级水平需进一步观察验证[13][14]。 - **推理模型在投资领域应用前景**：推理模型能否在投资领域达专家级水平并降本增效需未来验证，可能改变现有投资方法论，但资管行业接受新方法论需较长时间[15]。 - **统计模型与推理模型区别**：统计模型可回撤但不可解释，推理模型有可解释性但不可直接回撤，涉及使用未来数据问题，还存在AI幻觉和随机数问题需验证[16]。 - **AI对量化投资流程影响**：传统量化方法存在幸存者偏差和过拟合，统计AI阶段大部分探索迭代工作由AI承担，大模型阶段AI能生成代码且达助理级别质量，人力和算力是关键要素[21]。 ETF市场与华安基金策略 - **ETF市场发展现状及趋势**：ETF市场规模突破3.8万亿元，权益ETF达3万亿元，产品超千只，华安基金提供ETF产品及解决方案，关注smart beta策略，提供专业化服务和多种策略组合[22][23]。 - **华安基金资产配置策略**：目标是实现稳健收益，波动小，类似固收加策略，主要投资债券，占比50% - 60%，对标万得偏债混合主动基金指数，历史收益表现好[27]。 - **华安基金行业轮动策略**：根据每月行业变化调整，结合宏观、中观及微观因子，通过AI识别和定性分析选择标的，三月份看好科技、消费及医药领域[3][31]。 - **两会对市场影响分析**：回顾历史两会热点和市场表现，结合择时指标和A股市场温度计模型判断市场位置，目前A股处于温和区间[32]。 基金经理制度与产品分析 - **国内外基金经理制度趋势**：海外富达重视单一明星基金经理，资本集团倾向多基金经理制度；国内多数主动权益基金以单一明星基金经理为主，开始探索多基金经理制度，实现风格互补[38]。 - **多基金经理制度对基金管理效果**：可带来显著效果，有效区分需观察共同管理与单独管理产品相似度及基金经理风格差异，互补形式占比不到三分之一[44][45]。 - **固收加模式与多因子模型**：固收加模式多采用多因子模型，但并非都成功，总结成功模式需考虑资产配置、风险控制和团队协作等因素[47]。 - **权益与固收基金经理互补形式**：体现在对不同类型资产的专业知识和投资策略上，如景顺长城景盈双利项目中董涵和林英杰的分工[48][49]。 - **量化策略在固收加产品应用**：通过多种手段实现不同投资目标，如招商银行量化基金经理使用增强型指数和Alpha Beta策略[51]。 - **指数增强型与主动权益指增型差异**：指数增强型跟踪误差小，主动权益指增型跟踪误差大，加大跟踪误差不一定提高超额收益[54]。 AI科技板块与投资机会 - **AI科技板块对主动权益基金影响**：2025年以来主动权益基金因AI板块高配置战胜基准指数，但2月下旬AI板块回撤，与交易拥挤度高有关[60][61]。 - **AI相关行业投资热度及估值**：投资热度处于历史高位，成交活跃度达2014年以来最高，电子计算机与机械设备估值偏高，传媒与通信相对较低，持仓比例达历史高位[62]。 - **AI相关ETF产品情况**：资金流入和成交活跃程度达相对高位置，仅次于2020年牛市和公募行业大发展时期[65]。 - **AI赛道指数产品选择**：涵盖宽科技、硬件与算力、软件及其他受益产业等细分领域，不同细分赛道表现差异明显，指数产品在估值水平和成分股共振性上有区别[66][67][68]。 - **主动权益基金经理在AI板块表现**：分为均衡稳定配置型、细分赛道专注型以及灵活调整型，均衡稳定配置型选基空间大，有望带来正向投资效应[73]。 - **行业主题轮动策略**：通过行业调整捕捉投资机会，评价参考胜率和每一期行业变化带来的收益表现[76]。 - **机器人板块超额收益原因**：涵盖标的广泛，主动权益布局更纯粹，表现出更高弹性[81]。 全球市场与科技投资 - **科技投资指数选择**：复盘AI发展历程，关注具有自主创新能力且在算力芯片方面有突破性的企业，兼顾上下游产业链新兴标的[82][83]。 - **港股和海外科技大厂竞争情况**：港股竞争集中在互联网头部大厂，海外ChatGPT领先，国内开源特征利于AI研发[85]。 - **海外云厂商增长预期**：2024年KPXLS增速达55%，2025年预期在3000 - 3300亿美元之间，增速约30%[86]。 - **国内与海外市场AI应用优势**：海外有更好的To B端软件付费生态，国内有更强的To C端市场和完整制造产业链优势[87]。 - **AI应用未来发展方向**：AI agent及多模态是重要发展方向，投资需覆盖面广并接受较高波动性[88]。 - **人工智能相关投资标的选择**：关注A股人工智能指数筛选概念及实际含有的公司，从全球视角可关注港股大型互联网巨头和消费电子到造车生态良好的公司、美股M7巨头等[89][92]。 债券市场与基金发展 - **美国债券基金发展路径**：2000年以来经历三次利率环境变化，低利率时期货币基金规模增长，多德弗兰克法案后债券型基金规模翻倍，固收类产品多元化发展[110][111]。 - **美国固收类产品发展情况**：经济复苏和加息通道中，债券基金规模占比相对平稳但绝对数值下降，指数型产品受关注，资管行业向ETF格局转变[112]。 - **后疫情时代美国固收市场变化**：通胀保护类债券基金和浮息债券基金规模显著提高，固收市场指数化进程快且多元化新形态涌现[113]。 - **日本公募债券型基金市场发展历程**：经历快速下降、零利率及负利率阶段，公募债基占比仅6.62%，多数为货币储备基金，曾经辉煌但因低利率走向没落[114][115]。 - **日本与美国债券市场发展差异**：美国债券市场复杂多元化，日本以国债为主，市场格局单一限制产品创新，美国经济增长支持多样化产品发展，日本经济低迷抑制投资者需求[119]。 - **日本投资者海外资产配置**：负利率时代，日本公募市场外币资产配置比例超50%，出海寻求替代资产配置是有效策略[120]。 - **日本权益类资产发展情况**：自2000年以来发展迅速，规模达15万亿日元，得益于高股息、高流动性及税收优惠[121][122]。 - **美国指数型产品对我国借鉴意义**：美国指数型产品成功推动公募市场降费，我国应加紧布局指数型产品，构建多资配置框架，升级固收加策略[123]。 其他重要但是可能被忽略的内容 - **超额收益与风险因子**：超额收益在Kama体系下主要包括PO阿尔法，无法定量解释，通过风险因子贡献可预判策略选择，需区分策略失效与周期变化[19]。 - **量化投资策略数据平衡**：追求最新数据和长期超额收益存在冲突，应关注周期性因素，交易成本可分解[20]。 - **基金名称与投资风格**：很多基金名称不能准确反映实际投资风格，选择投资标的需审查实际持仓情况[55]。 - **主动权益基金表现分析**：跟踪基准并逐步增厚阿尔法，主动权益基金长期表现出色，未来应更重视基准和组合管理策略[59]。 - **ETF交易注意因素**：交易中需注意补券时间差异及汇率因素，对QDII产品成本有影响[105]。 - **全球资金资产配置趋势**：2025年大模型进步使全球资金重新关注国内市场，更倾向估值低且基本面稳健的资产，如香港市场头部互联网企业，南下资金流入港股速度加快[106][108]。 - **公司产品布局特点**：公司在各类产品有布局，提供多种低费率产品，有多种场外产品如云计算指数场外产品[109]。