行业整体概览 - 截至2025年11月14日，量化私募行业共有852家公司，其中近5年成立的新锐量化私募有135家，占比约16% [2] - 新锐量化私募成立时间高度集中在2021-2022年，期间成立数量达118家，占比近九成 [2] - 新锐量化私募业绩表现突出，近半年和近1年收益均值分别为21.11%和36.05%，显著高于成立更早的量化私募（分别为17.99%和27.46%） [2] 新锐量化私募规模分布 - 从管理规模看，0-5亿规模组的私募数量最多，达88家 [3] - 管理规模达50亿以上的头部私募有12家，其中百亿私募有5家 [3] - 5家百亿私募分别为齐家私募、北京正定私募、上海睿量私募、磐松资产和上海波克私募，成立时间均在2022年，管理规模突破百亿用时在1.4年至3.1年之间 [3] - 管理规模在20-50亿、10-20亿、5-10亿的私募分别有7家、10家和18家 [4] 策略布局与地域分布 - 股票策略仍为主流，采用该策略的新锐私募有82家 [4] - 期货及衍生品策略、多资产策略、债券策略的私募分别有28家、17家和4家 [4] - 新锐量化私募多数位于上海（57家）、北京（28家）、深圳（18家）等一线城市 [4] - 员工人数在20人及以上的新锐量化私募有14家，其中北京正定私募、磐松资产、海南盛丰私募、乐水私募的员工人数分别达83人、58人、35人、32人 [4] 近半年业绩领先机构 - 有近半年业绩展示的新锐量化私募共67家，旗下符合排名产品209只，产品规模合计约183.90亿元 [9] - 近半年收益均值前10的私募上榜门槛因合规要求未显示，前10名依次为京盈智投、龙吟虎啸、海南磊暄私募、云起量化、系综私募、上海合骥私募、巨量均衡基金、全成基金、海南盛丰私募、长鲸九州（北京）私募 [9] - 京盈智投旗下3只量化CTA产品规模约3.75亿元，近半年收益表现突出，其创始人谢黎博拥有北京大学物理学士与卡内基梅隆大学统计学博士背景 [10] - 云起量化为准百亿私募，旗下3只产品规模合计约4.73亿元，以科技和数据驱动为核心 [11] - 上海合骥私募旗下3只产品规模合计约8968万元，创始人倪金晶为复旦大学电子工程系本科和香港科技大学数学硕士 [11] 近一年业绩领先机构 - 有近1年业绩展示的新锐量化私募共63家，旗下符合排名产品182只，产品规模合计约168.56亿元 [12] - 近1年收益均值前10的私募依次为京盈智投、全成基金、云起量化、系综私募、巨量均衡基金、海南盛丰私募、龙吟虎啸、长鲸九州（北京）私募、上海汉鸿私募、托特（三亚）私募 [12] - 全成基金成立于2021年6月，专注于二级市场投资，覆盖股票、期货、期权、债券等多类标的 [13] - 海南盛丰私募旗下10只产品均由创始人林子洋管理，产品规模合计约19.94亿元，是上榜私募中产品规模最大的 [15] - 托特（三亚）私募旗下5只产品规模合计约4.25亿元，创始团队自2016年即开始专注于量化投资 [15] 综合业绩亮点 - 京盈智投表现尤为亮眼，同时问鼎近半年与近1年收益榜首 [16] - 在规模与收益的匹配度上，云起量化、海南盛丰等准百亿私募在近半年和近1年的收益排名中均跻身前十 [16]

投资理念的多样性 - 资本市场存在多种有效的投资策略，包括量化轮动、银行股轮动、涨价题材、套利、可转债、期权、小市值轮动、摘帽、大类资产配置、北交所打新、价值投资、重整、量化投资等，这些策略被验证可赚取几十倍上百倍收益且可复现 [2] - 段永平的价值投资是众多有效投资策略中的一种，并不比其他策略更高级 [3] - 投资是非常个性化的事情，重要的是吸收各方面智慧来完善自我体系，刻舟求剑似的有样学样行不通 [6][7] 段永平投资方法的适用性与挑战 - 段永平的投资方法基于企业家的认知，对网易、拼多多、苹果的成功投资门槛极高，普通投资者可能难以复制 [3] - 其成功投资多集中在美股市场，对A股市场生态和隐性规则缺乏认知，因此其方法在A股的适用性存疑 [3] - 段永平的投资理念在腾讯200多和茅台300多时具有参考价值，但在茅台2000+时讨论大道缺乏实际指导意义，难以在当前低价股或低总市值股票中挑出未来的领先公司 [5] - 段永平表里如一、执行力强、信念强大，严格遵循巴菲特的打孔理论，投资标的寥寥无几，打的孔不到十个 [12] 成功投资的关键要素 - 每个人需要找到匹配自身条件的投资之道，自身能挣钱的方法就是适合自己的道 [3] - 段永平最像巴菲特的地方在于拥有"无限子弹"，即通过未上市的OPPO、VIVO、小天才等实业现金流反哺投资，OPPO和VIVO 2024年营收合计3900亿，净利润率约5%达195亿，其持股10-15%每年可获得10~15亿分红，这为股票投资提供了零资金成本的持续弹药 [9] - 拥有实业的无限现金流支持是成为股神的重要条件，当具备无限子弹时，投资者也可以复制成功 [9][10] - 找到好公司并长期持有虽然正确但执行起来非常困难，需要强大的信念和执行力 [11][12]

昆山海菲曼科技公司分析 - 公司昆山海菲曼科技是一家高端电声技术企业，即将登陆北交所，计划募资4.3亿元 [1] - 公司前三季度净利润增速达到29.49%，并拥有216项专利构成技术壁垒 [4] - 公司在WiFi无线音频技术上有突破，旨在攻克蓝牙传输瓶颈 [10] 市场现象与投资行为分析 - 牛市环境中常出现剧烈暴跌，例如2019年创业板曾出现近8%的大阴线，2020年三根阴线就跌去10% [4] - 市场波动中，主力资金可能利用“牛市的暴跌”作为资金出清或洗盘震仓的掩护 [4] - 投资者存在厌恶损失的心理特质和认知偏差，如“框架效应”，容易因表象而惊慌失措或忽略本质 [4][9] 股价走势与机构行为案例 - 存在“温水煮青蛙”式的股价折磨模式，例如在36根K线中，若非最后四连阳，涨跌几乎持平，这种走势用于消磨散户耐心 [7] - 量化工具如“机构库存”数据能揭示真相，在股价震荡期间若该数据持续活跃，表明是主力设计的洗盘行为 [9] - 存在危险的假突破现象，例如股价五连阳看似突破前高，但“机构库存”数据却已消失，这容易误导经验主义者 [10] 投资方法论建议 - 投资应重视量化工具和可靠的数据支持，以透过现象看本质 [13] - 投资者需要理解行为金融学，认识自身认知偏差 [13] - 投资应关注长期价值，认识到短期波动充满噪音 [13] - 在市场喧嚣中保持独立思考和清醒，比任何技术分析都重要 [13]

公司量化业务发展历程 - 博道基金于2018年8月发行首只公募量化产品博道启航，正式进军公募量化领域 [1] - 截至2025年11月14日，该产品成立七年多累计回报率超过144%，年化回报率超13% [1] - 截至2025年三季度末，公司量化管理规模约达270亿元，成功跻身行业前三 [1] AI量化投资框架演进 - 公司于2017年开始使用GP算法挖掘因子，2019年研究AI量价因子，2020年实盘落地 [5] - 2023年一季度将AI量价框架升级为“AI全流程投资框架”，进入传统与AI双轮驱动新阶段 [5] - AI全流程框架从原始数据输入开始，由神经网络模型进行端到端学习和预测 [5] - 团队在AI模型上已进行数以千计尝试，实盘应用子策略模型有十几套 [6] 团队架构与投研模式 - 量化团队共有8名成员，全部为内部培养，形成从研究员到基金经理的完善梯队 [6] - 实行“分工协作、投研一体化”模式，研究成果达标后直接上线参与实盘运作 [6] - 组合生成、交易执行、归因分析等由系统完成，确保投资流程高度纪律性和体系化 [6] 核心投资策略：双均衡模型 - 方法论均衡：传统多因子模型与AI全流程模型各占50%权重 [9] - 因子配权均衡：股票收益预测信息约一半来自基本面判断，另一半来自估值波动和技术面判断 [10] - 均衡策略旨在实现穿越市场周期的“长青”竞争力，除2022年外其余年份排名均处市场前列 [11] 产品矩阵布局 - 标准指增系列：投资基准指数成分股超80%，跟踪误差控制严格，覆盖沪深300、中证500等主流宽基指数 [13] - 灵活指增系列：可突破成分股限制投资全市场，包括对标主动权益基金平均业绩的博道远航等产品 [13] - Smart Beta增强系列：参考主动选股逻辑但以量化方式运作，如博道大盘价值、博道大盘成长 [14] - 量化固收系列：拓展至绝对收益品类，为低风险偏好投资者提供量化增强方案 [14] 行业发展趋势 - 截至2025年三季度末，中国公募量化产品总规模已突破4000亿元 [1] - 公募量化行业在因子挖掘、策略迭代和AI技术深化应用方面仍有巨大发展潜力 [1]

报告行业投资评级 未提及 报告核心观点 报告介绍多个华宝研究的ETF策略指数，各指数采用不同方法获取超额收益，且各指数在不同时间段的超额收益表现不同 ，投资者可借助ETF将量化模型或主观观点转化为投资策略，报告以周度频率跟踪指数绩效和持仓 [4][5][6][12] 各指数总结 华宝研究大小盘轮动ETF策略指数 - 利用多维度技术指标因子，用机器学习模型预测申万大小盘指数收益差，周度输出信号决定持仓获取超额回报 - 截至2025/11/21，2024年以来超额收益20.10%，近一月0.51%，近一周0.57% - 近一周收益-3.74%，近一月-4.37%，2024年以来48.77%，基准中证800对应收益为-4.31%、-4.88%、28.67% - 持仓为沪深300ETF，权重100% [4][14][16][18] 华宝研究SmartBeta增强ETF策略指数 - 用量价类指标对自建barra因子择时，依据ETF在9大barra因子暴露度映射择时信号，选取主流宽基及风格、策略ETF获取超越市场收益 - 截至2025/11/21，2024年以来超额收益19.67%，近一月4.56%，近一周1.02% - 近一周收益-3.29%，近一月-0.32%，2024年以来48.35%，基准中证800对应收益为-4.31%、-4.88%、28.67% - 持仓包括红利低波ETF、红利ETF、中证红利ETF、高股息ETF，权重分别为25.19%、25.06%、24.92%、24.83% [4][18][19][22] 华宝研究量化风火轮ETF策略指数 - 从多因子角度出发，把握中长期基本面、跟踪短期趋势、分析参与者行为，用估值与拥挤度信号提示风险，挖掘潜力板块获取超额收益 - 截至2025/11/21，2024年以来超额收益35.64%，近一月4.56%，近一周0.09% - 近一周收益-4.22%，近一月-0.32%，2024年以来64.32%，基准中证800对应收益为-4.31%、-4.88%、28.67% - 持仓包括油气ETF、银行ETF、新能源ETF等，权重分别为20.69%、20.60%、19.80%等 [5][22][25][26] 华宝研究量化平衡术ETF策略指数 - 采用多因子体系，涵盖经济基本面等四大类因子构建量化择时系统，研判权益市场趋势，建立大小盘风格预测模型调整仓位分布，综合择时和轮动获取超额收益 - 截至2025/11/21，2024年以来超额收益-8.44%，近一月2.51%，近一周1.83% - 近一周收益-1.94%，近一月-1.94%，2024年以来21.36%，基准沪深300对应收益为-3.77%、-4.44%、29.80% - 持仓包括十年国债ETF、500ETF增强、中证1000ETF等，权重分别为9.35%、5.96%、5.86%等 [5][26][27][29] 华宝研究热点跟踪ETF策略指数 - 根据市场情绪分析等策略，跟踪挖掘热点指数标的产品，构建ETF组合，为投资者提供短期趋势参考和投资决策依据 - 截至2025/11/21，近一月超额收益3.13%，近一周0.17% - 近一周收益-4.88%，近一月-1.44%，基准中证全指对应收益为-5.05%、-4.57% - 持仓包括有色50ETF、港股红利博时ETF、港股通医药ETF等，权重分别为36.17%、24.13%、21.12%等 [6][29][32][33] 华宝研究债券ETF久期策略指数 - 采用债券市场流动性和量价指标筛选择时因子，用机器学习预测债券收益率，低于阈值时减少长久期仓位，提升组合长期收益和回撤控制能力 - 截至2025/11/21，近一月超额收益0.00%，近一周0.11% - 近一周收益0.02%，近一月0.27%，2024年以来9.32%，成立以来23.46%，基准中债 - 总指数对应收益为-0.09%、0.28%、3.58%、7.87% - 持仓包括十年国债ETF、政金债券ETF、国债ETF5至10年，权重分别为49.99%、25.02%、24.99% [6][33][34][36]

根据提供的研报内容，以下是关于量化模型与因子的总结。 量化模型与构建方式 1. **模型名称：博时中证500增强策略ETF量化模型**[3][48][51] * **模型构建思路**：该模型旨在对中证500指数进行有效跟踪的基础上，通过增强策略积极管理指数组合与控制风险，力争实现超越目标指数的投资收益[51] * **模型具体构建过程**：模型通过严格的投资程序约束和数量化风险管理手段进行运作。具体包括： * **组合构建与偏离控制**：基金持仓大部分来自中证500成分股，各月末截面中证500成分股内权重占比平均为84.64%，并严格控制个股权重偏离，89.40%的个股偏离绝对值不超过0.5%[4][56][58] * **行业与风格暴露**：模型在行业上表现出超配电子、机械、汽车等行业的正向暴露，在风格上偏好高成长、强长期动量、强盈利能力的股票[63][68] * **收益归因**：采用Brinson模型进行归因，将超额收益拆解为行业配置收益和行业内选股收益。结果显示，超额收益主要来源于行业内选股能力，在大部分行业都有正向选股超额，尤其在计算机、电子、电力设备及新能源等行业选择能力较强[4][66] * **模型评价**：该模型实现了对标的指数的紧密跟踪，同时通过选股贡献了稳健的超额收益，风险调整后收益表现突出[3][52][54] 模型的回测效果 1. **博时中证500增强策略ETF量化模型**[3][52][54][55] * 年化超额收益：7.76% * 年化跟踪误差：3.84% * 信息比率(IR)：1.79 * 相对最大回撤：6.66% * 超额卡玛比：1.16 * 月度胜率：65.63% * 夏普比率：0.71 量化因子与构建方式 1. **因子类别：风格因子**[68][73] * **因子构建思路**：分析基金持仓相对基准指数的风格暴露，以理解其选股偏好 * **因子具体构建过程**：根据基金每日披露的PCF清单计算持股权重，进而计算每月末基金相对基准中证500指数在各类风格因子上的暴露情况。研报提及的具体风格因子包括： * **成长因子**：基金在该因子上有正向暴露，说明偏好高成长性股票 * **长期动量因子**：基金在该因子上有正向暴露，说明偏好具有强长期动量的股票 * **盈利能力因子**：基金在该因子上有正向暴露，说明偏好强盈利能力的股票 * **非线性规模因子**：基金在该因子上有负向暴露 * **流动性因子**：基金在该因子上有负向暴露 因子的回测效果 *（注：研报中未提供具体风格因子的独立测试结果指标值，如IC、IR等，因此本部分略过）*

核心观点 - 政策与市场环境改善推动主动权益基金价值重估，2025年成为重要转折点，多数基金展现出正向择券能力并在结构性行情中实现超额收益，高集中度的先进制造等主题型基金表现突出 [4] - 结构性牛市适配“核心+卫星”策略，报告在国企、科技、消费三大主题通过分域量化选股方法构建策略，回测证实可获得稳健超额收益，未来建议持续关注主题投资并挖掘基本面优质个股的Alpha机会 [4] - ETF市场在2025年实现数量和规模的跨越式突破，总规模突破2.5万亿元，较2024年底增长超1万亿元，行业主题ETF、债券及跨境ETF扩容显著，预计2026年将呈现热门赛道强者恒强、产品结构持续优化的格局 [4] - 构建了多元化的ETF量化配置体系，包括宏观择时、动量择势、行业轮动及Copula等进阶策略，在2025年表现突出，展望2026年建议侧重大类资产综合配置，并关注动量强劲、拥挤度较低的板块如科技主线 [4] 一、主动权益利好落地，主动优势展现投资潜力 - 2022至2024年主动权益基金整体表现疲软，平均收益落后于主要宽基指数，规模占比自2022年起被被动型基金反超，2024年上半年亏损基金比例超过35%，部分产品回撤逾30% [6] - 2025年成为转折点，政策层面强化业绩基准约束并引导中长期资金入市，市场层面A股步入“慢牛”格局，主动权益基金的选股能力与灵活配置价值有望进一步释放 [6] - 截至2025年第三季度，主动权益基金总规模为3.12万亿元，小于被动型基金总规模3.43万亿元，主动型基金在权益基金中的规模占比从2022年3月的65.35%下跌至2025年三季度不足50% [10] - 基于T-M模型分析，具有正向择券能力的主动基金占比达55.10%，但显著具有正向择券能力的仅为0.13%；2025年5月至9月，大多数主动权益基金取得了正向的超额收益，牛市超额收益显著 [22][24][25] 二、主动权益主题选股策略 - 2025年A股“慢牛”格局下，国企、科技、消费三大赛道成为资金配置核心方向，需针对不同赛道的行业属性、成长阶段与盈利模式差异实施分化选股逻辑 [67] - 国企主题选股策略结合通用因子（如ROE、营业现金比率）和行业特色因子，将行业划分为红利型与成长型，策略回测（2019年12月31日至今）年化收益达14.50%，相比中证国企指数实现年化超额收益12.06% [68][69][70][71][72][73][74] - 科技主题选股需以现金流为核心锚点划分企业生命周期，优选成长与成熟期企业；消费主题选股需兼顾成长潜力、盈利质量与现金流稳定性，聚焦新消费趋势下的高质量标的 [67] 三、被动产品跨越式突破，迈入高质量发展阶段 - 2025年以来ETF市场实现跨越式突破，规模突破2.5万亿元，比2024年底增长逾1万亿元；新发产品数量与份额均创历史新高，大额规模产品阵营扩容，主要集中在宽基和头部行业主题领域 [4][34] - 行业板块方面，受益于政策支持、下游需求爆发及产业技术升级，有色金属及TMT行业相关ETF领涨；从资金流向看，科技和金融地产板块净流入明显 [4] - 截至2025年第三季度，行业主题ETF规模首次突破1万亿元，债券及跨境ETF扩容显著 [34] 四、ETF量化配置策略 - 宏观择时策略通过经济周期划分实现稳健的大类资产轮动；动量择势策略捕捉板块轮动机会；低波扩散行业轮动策略及基于Copula的二阶随机占优策略依托多因子建模与尾部风控 [4] - 基于分位数随机森林的科技类ETF配置策略，依托科技大类的强势增长，在2025年中表现突出 [4] - 展望2026年，建议侧重大类资产综合配置以获取稳定风险收益，同时在“慢牛”中关注动量强劲、拥挤度较低的板块，尤其是科技等主线赛道，以捕捉超额收益 [4]

中水渔业个股分析 - 中水渔业出现连续七个交易日上涨的K线形态 [1] - 交易所龙虎榜数据显示，最近三个交易日机构专用席位净卖出金额达1.2亿元 [10] - 公司市盈率为77.53倍，显著高于水产养殖行业21倍的平均市盈率水平 [3] 市场现象与板块轮动 - 2025年行情中指数上涨900点，但自选股中仍有三分之一股票下跌 [3] - 电子板块是当年表现最稳定的板块，但仍有四个月录得阴线 [4] - 广聚能源在一季度股价暴涨50%后，用了半年时间回吐了60%的涨幅 [3] 机构资金行为分析 - 机构利用大数据系统监测散户集体抄底时的买单密度，并可能进行反向操作 [4] - 银行股从2022年至2025年期间，尽管有估值过高的声音，但量化系统显示机构资金持续流入 [5] - 机构活跃度指标（橙色柱体）在银行股2022年横盘期间持续活跃，显示机构正在建仓 [7] - 白酒板块自2023年10月起，系统捕捉不到机构资金痕迹，反弹缺乏机构参与 [7][9] 投资策略与工具 - 投资重点在于识别当前市场状态，而非预测短期涨跌 [11] - “机构库存”指标活跃（橙色柱体持续）表明主力资金在积极运作，指标消失则需警惕 [11] - 近五年发布类似风险提示公告的公司中，有83%在一个月内出现20%以上的股价回调 [11] - 建议关注异常波动，在股价突然放量上涨时查阅龙虎榜数据了解买卖方身份 [12]

公司量化投资发展历程与市场地位 - 公司主动量化管理规模截至三季度末超270亿元，在该领域行业排名跃居前三 [1] - 公司量化投资发展历程与国内量化行业成熟过程高度契合，早在2013年私募形态时已开启量化实盘 [1] - 公司于2018年由私募成功转型为公募，首只公募量化产品“博道启航”落地 [2] 量化投资策略体系演进 - 早期采用基于Barra风险模型的多因子组合体系，风险暴露均衡，核心市场中性产品经受住2014年底极端行情考验 [2] - 在期指贴水扩大等市场变化后，量化策略拓展至商品CTA，并发行了纯CTA策略产品 [2] - 公司是行业较早将AI应用到量化投研的基金公司之一，2017年开始利用GP算法挖掘因子，2019年智能系列选股模型成形，2020年AI量价因子纳入实盘 [2] - AI方法的引入成为公司量化产品在2020年至2021年取得亮眼业绩的重要驱动力 [2] - 2023年一季度，公司将原有的AI量价框架扩展迁移，形成全新的AI全流程投资框架 [3] - 目前采用“双框架并行”体系，一套沿用传统多因子框架，另一套完全基于AI驱动的多因子模型框架 [3] 量化团队组织与运作模式 - 量化团队共有8位正式员工，全部以应届生身份加入，在内部培养体系下成长 [4] - 团队特色之一是人才体系的完整性与理念的高度统一，成员从加入起就在同一套框架中磨合 [4] - 团队特色之二是采用“分工协作，投研一体”的团队化作战模式，成员有明确主攻方向且须形成竞争力，个人策略中外部研究成果占比尽量低 [4] - 团队成员的研究成果参与产品实盘运作，所有产品业绩是团队成员在各个模块综合打磨的结果 [5] - 量化投资系统自动处理每日所有产品的目标交易单，所有产品不存在人工干预，呈现体系化一致性优势 [5] - 针对不同指数增强，系统根据“基准指令”和指数特点自动选择更适配的因子组合，实现“分域差异化” [5] 产品矩阵布局与特色 - 公司量化团队共管理四大产品序列，覆盖从相对收益到绝对收益的完整体系 [6] - 标准指增、灵活指增和smart beta增强构成核心骨架，均以获取相对收益为目标 [6] - 标准指增要求80%投资于指数成分股，注重跟踪误差，布局全面，从传统宽基指数到中证A500、科创综指、中证全指等均在行业内率先启动 [6] - 灵活指增不受成分股约束，超额收益弹性显著提升，对标更具特色的指数，例如博道远航对标偏股混合型基金指数，博道成长智航、消费智航、红利智航三只产品基本覆盖中信五大风格 [6] - smart beta增强产品运作思路上更接近主动选股逻辑，追求超额收益最大化，已布局的大盘成长、大盘价值两只产品在过去一年初步展现风格锐度 [6] - 在相对收益体系外，产品进一步延展至绝对收益方向，覆盖量化固收类与专户多资产多策略，形成覆盖多层级目标、多类型风格的立体产品矩阵 [7] - 过去七年公募量化业绩比较中，公司量化团队业绩始终保持前列，跨周期竞争力源于团队化协作、体系化流程与多因子模型的长期打磨 [7]

根据研报内容，以下是涉及的量化模型和因子的总结： 量化模型与构建方式 **1 模型名称：A股大盘择时模型[2][10]** - 模型构建思路：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断[10] - 模型具体构建过程：各维度日频发出信号，每日信号取值为0、±1，分别代表看平、看多、看空三种观点[10] 估值和情绪采用反转逻辑，刻画A股市场均值回归特征；资金和技术采用趋势逻辑，刻画市场趋势延续特征[10] 以各维度得分之和的正负性作为大盘多空观点的依据[10] - 模型评价：左侧指标规避风险，右侧指标捕捉机会[10] **2 模型名称：红利风格择时模型[3][18]** - 模型构建思路：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[3][18] - 模型具体构建过程：三个指标从趋势维度日频发出信号，每日信号取值为0、+1、-1，分别代表看平、看多、看空三种观点[18] 以各维度得分之和的正负性作为红利风格多空观点的依据[18] 当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[18] **3 模型名称：大小盘风格择时模型[3][23]** - 模型构建思路：采用基于拥挤度分域的趋势模型进行择时，其中拥挤度采用小盘和大盘的动量之差和成交额之比刻画[3][23] - 模型具体构建过程：首先从动量视角和成交视角计算大小盘风格拥挤度得分[23] 若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，否则为低拥挤区间[25] 在高拥挤区间采用参数值较小的双均线模型应对风格反转，在低拥挤区间采用参数值较大的双均线模型跟踪中长期趋势[25] **4 模型名称：遗传规划行业轮动模型[4][30]** - 模型构建思路：采用遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库[4][33] - 模型具体构建过程：底层资产为32个中信行业指数，因子更新频率为季频，调仓频率为周频[30] 使用|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[33] 在NSGA-II算法加持下挖掘兼具分组表现单调、多头表现优秀的行业轮动因子[33] **5 模型名称：中国境内全天候增强组合[5][39]** - 模型构建思路：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象[5][39] - 模型具体构建过程：在四象限风险平价基础上，基于宏观预期动量的观点主动偏配看好象限[5] 构建分为三步：宏观象限划分与资产选择、象限组合构建与风险度量、风险预算模型确定象限权重[42] 每月底根据"象限观点"调整象限风险预算进行主动偏配[42] 模型的回测效果 **1 A股大盘择时模型[15]** - 年化收益：24.94% - 最大回撤：-28.46% - 夏普比率：1.16 - Calmar比率：0.88 - YTD：43.84% - 上周收益：5.28% **2 红利风格择时模型[21]** - 年化收益：15.67% - 最大回撤：-25.52% - 夏普比率：-0.26 - Calmar比率：0.85 - YTD：20.86% - 上周收益：-3.63% **3 大小盘风格择时模型[28]** - 年化收益：27.04% - 最大回撤：-32.05% - 夏普比率：1.13 - Calmar比率：0.84 - YTD：71.14% - 上周收益：-7.80% **4 遗传规划行业轮动模型[33]** - 年化收益：30.83% - 年化波动：17.74% - 夏普比率：1.74 - 最大回撤：-19.63% - 卡玛比率：1.57 - 上周表现：-4.39% - YTD：35.44% **5 中国境内全天候增强组合[43]** - 年化收益：11.51% - 年化波动：6.18% - 夏普比率：1.86 - 最大回撤：-6.30% - 卡玛比率：1.83 - 上周表现：-1.53% - YTD：10.75% 量化因子与构建方式 **1 因子名称：大小盘风格拥挤度因子[23][27]** - 因子构建思路：从动量视角和成交视角计算大小盘风格拥挤度得分[23] - 因子具体构建过程： 1) 动量之差：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日动量之差，计算各窗长动量之差的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分；对分位数最低的3个结果取均值作为大盘风格的动量得分[27] 2) 成交额之比：计算万得微盘股指数与沪深300指数的10/20/30/40/50/60日成交额之比，计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分；对分位数最低的3个结果取均值作为大盘风格的成交量得分[27] 3) 将小盘风格的动量得分和成交量得分取均值得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[27] **2 因子名称：遗传规划行业轮动因子[37]** - 因子构建思路：基于单行业阻力支撑位构建[37] - 因子具体构建过程： 1) 在过去25个交易日中，计算周度标准化最低价和月度标准化开盘价的协方差，记作变量A[38] 2) 在过去15个交易日中，对周度标准化最高价开展zscore标准化，取标准化后大于2.0的日期，对A进行反转即乘以-1后，计算这15个交易日A之和[38] 因子表达式：$$ts\_grouping\_deczscorecut\_torch(ts\_covariance\_torch(wlow\_st, mopen\_st, 25), whigh\_st, 15, 2.0, 2)$$[37]