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]