以下是华创证券金工周报（20250825-20250829）中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：成交量模型[12] **模型构建思路**：基于价量关系进行市场择时判断[10] **模型具体构建过程**：通过分析宽基指数的成交量变化，判断市场短期走势。当成交量放大时看多，缩量时看空或中性[12] 2. **模型名称**：低波动率模型[12] **模型构建思路**：利用市场波动率特征进行择时[10] **模型具体构建过程**：计算指数的波动率指标，当波动率处于低位时模型信号为中性或看空，波动率升高时可能转为看多[12] 3. **模型名称**：特征龙虎榜机构模型[12] **模型构建思路**：基于龙虎榜机构资金流向进行择时判断[10] **模型具体构建过程**：跟踪龙虎榜上机构资金的买卖情况，机构净买入时看多，净卖出时看空[12] 4. **模型名称**：特征成交量模型[12] **模型构建思路**：结合特殊成交量特征进行择时[10] **模型具体构建过程**：分析异常成交量 patterns，如放量突破等，作为看多信号[12] 5. **模型名称**：智能算法沪深300模型[12] **模型构建思路**：应用智能算法对沪深300指数进行择时[10] **模型具体构建过程**：使用机器学习等智能算法分析多因子数据，生成择时信号[12] 6. **模型名称**：智能算法中证500模型[12] **模型构建思路**：应用智能算法对中证500指数进行择时[10] **模型具体构建过程**：使用机器学习等智能算法分析多因子数据，生成择时信号[12] 7. **模型名称**：涨跌停模型[13] **模型构建思路**：通过涨跌停板数量变化进行中期择时[10] **模型具体构建过程**：监控市场涨跌停个股数量比例，涨停增多时看多，跌停增多时看空[13] 8. **模型名称**：月历效应模型[13] **模型构建思路**：利用月份效应进行择时[10] **模型具体构建过程**：基于历史月份收益率规律，在不同月份给出看多或看空信号[13] 9. **模型名称**：长期动量模型[14] **模型构建思路**：基于长期动量效应进行择时[10] **模型具体构建过程**：计算指数的长期动量指标，动量向上时看多，向下时看空[14] 10. **模型名称**：A股综合兵器V3模型[15] **模型构建思路**：综合多周期多策略的耦合模型[10] **模型具体构建过程**：将短期、中期、长期不同模型的信号进行加权耦合，形成综合择时观点[15] 11. **模型名称**：A股综合国证2000模型[15] **模型构建思路**：针对国证2000指数的综合择时模型[10] **模型具体构建过程**：专门针对国证2000指数特点，综合多种择时信号[15] 12. **模型名称**：成交额倒波幅模型[16] **模型构建思路**：基于成交额与波动率关系进行港股择时[10] **模型具体构建过程**：分析港股成交额与波动率的倒置关系，作为择时信号[16] 13. **模型名称**：形态学监控模型[41] **模型构建思路**：基于技术形态识别进行择时和选股[41] **模型具体构建过程**：识别杯柄形态、双底形态等技术形态，在形态突破时产生交易信号[41][44][48] 模型的回测效果 1. 双底形态组合，累计收益率49.44%，相对上证综指超额收益38.36%[41] 2. 杯柄形态组合，累计收益率63.34%，相对上证综指超额收益52.26%[41] 3. 上周杯柄形态突破个股，平均超额收益-0.8%[42] 4. 上周双底形态突破个股，平均超额收益-5.28%[46] 量化因子与构建方式 1. **因子名称**：龙虎榜机构资金流向因子[12] **因子构建思路**：基于龙虎榜机构买卖净额构建[12] **因子具体构建过程**：计算龙虎榜上机构买入金额与卖出金额的差值，作为资金流向指标[12] 2. **因子名称**：成交量异常因子[12] **因子构建思路**：识别异常成交量 patterns[12] **因子具体构建过程**：计算当前成交量与历史平均成交量的偏离度，识别异常放量或缩量[12] 3. **因子名称**：波动率因子[12] **因子构建思路**：衡量市场波动程度[12] **因子具体构建过程**：计算指数收益率的标准差，作为波动率指标$$ \sigma = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(r_i - \bar{r})^2} $$[12] 4. **因子名称**：动量因子[14] **因子构建思路**：捕捉价格趋势效应[14] **因子具体构建过程**：计算过去一段时间内的累计收益率，作为动量指标$$ Momentum = \frac{P_t}{P_{t-n}} - 1 $$[14] 5. **因子名称**：涨跌停因子[13] **因子构建思路**：反映市场极端情绪[13] **因子具体构建过程**：计算涨停个股数量与跌停个股数量的比例或差值[13] 6. **因子名称**：月历效应因子[13] **因子构建思路**：捕捉月份周期性 patterns[13] **因子具体构建过程**：基于历史数据计算各月份的平均收益率，构建月份虚拟变量[13] 7. **因子名称**：成交额波幅关系因子[16] **因子构建思路**：分析成交额与波动率的相关性[16] **因子具体构建过程**：计算成交额与波动率的比值或相关性指标[16] 8. **因子名称**：形态识别因子[41] **因子构建思路**：识别特定技术形态[41] **因子具体构建过程**：通过价格走势 pattern 识别杯柄形态、双底形态等，在形态确认时产生信号[41] 因子的回测效果 （报告中未提供具体因子的单独回测结果）

量化模型与构建方式 1 GAN_GRU 模型 - **模型名称**：GAN_GRU 模型[4][13] - **模型构建思路**：利用生成式对抗神经网络（GAN）进行量价时序特征处理，再通过 GRU 模型进行时序特征编码，最终输出选股因子[4][13] - **模型具体构建过程**： （1）**输入特征**：包括收盘价、开盘价、成交量、换手率等 18 个量价特征，频次包括日频和月频特征[14][17][19] （2）**训练数据设定**：使用所有个股过去 400 天内的 18 个量价特征，每 5 个交易日做一次特征采样，采样形状为 40×18（过去 40 天的量价特征），预测未来 20 个交易日的累计收益[18] （3）**数据处理**：每个特征在时序上去极值+标准化，每个特征在个股层面上截面标准化[18] （4）**训练方式**：半年滚动训练（每年 6 月 30 日和 12 月 31 日），训练集与验证集比例 80%:20%，batch_size 为截面股票数量，优化器为 Adam，学习速率 1e-4，损失函数为 IC，早停轮数 10，最大训练轮数 50[18] （5）**GAN 部分构建**： - 生成器（G）：使用 LSTM 模型，输入原始量价时序特征（形状 40×18），输出处理后的量价时序特征（形状 40×18）[33][37] 生成器损失函数： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中 z 为随机噪声（高斯分布），G(z) 为生成数据，D(G(z)) 为判别器对生成数据的输出概率[24][25] - 判别器（D）：使用 CNN 模型，输入真实数据或生成数据，输出为真实数据的概率[33] 判别器损失函数： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中 x 为真实数据，D(x) 为判别器对真实数据的输出概率[27] - 训练过程：生成器和判别器交替训练，首先生成噪声数据并生成假数据，计算损失并更新生成器参数；然后采样真实数据，计算判别器损失并更新判别器参数[28][29][34] （6）**GRU 部分构建**：使用两层 GRU 层（GRU(128,128)）和 MLP(256,64,64)，输出预测收益 pRet 作为选股因子[22] （7）**因子处理**：对因子做行业市值中性化+标准化处理[22] - **模型评价**：该模型通过 GAN 增强量价时序特征生成能力，结合 GRU 捕捉时序依赖关系，提升选股因子的预测效果[4][13][30] --- 量化因子与构建方式 1 GAN_GRU 因子 - **因子名称**：GAN_GRU 因子[4][13] - **因子构建思路**：基于 GAN_GRU 模型输出的预测收益 pRet 作为选股因子[4][13][22] - **因子具体构建过程**： （1）使用 GAN_GRU 模型对全 A 股进行预测，输出每只股票的预测收益 pRet[22] （2）对 pRet 进行行业市值中性化+标准化处理，得到最终因子值[22] （3）每月末调仓，选取因子值排名前 10% 的股票作为多头组合[4][48] --- 模型与因子的回测效果 1 GAN_GRU 因子全市场表现（2019 年 1 月至 2025 年 8 月，月频调仓）[41][42] - IC：11.36% - ICIR（未年化）：0.88 - 换手率：0.83 - 年化收益率：38.09% - 年化波动率：23.68% - 信息比率（IR）：1.61 - 最大回撤率：27.29% - 年化超额收益率：23.52% 2 GAN_GRU 因子近期表现（截至 2025 年 8 月 28 日）[41][42] - 最新一期 IC：-2.56% - 近一年 IC 均值：8.94% 3 GAN_GRU 因子行业表现（截至 2025 年 8 月）[42][44] - **当期 IC 排名前五行业**： - 食品饮料：22.17% - 煤炭：18.28% - 建筑材料：13.48% - 公用事业：13.20% - 社会服务：12.23% - **近一年 IC 均值排名前五行业**： - 公用事业：15.87% - 钢铁：13.95% - 商贸零售：13.51% - 非银金融：12.78% - 建筑材料：12.44% 4 GAN_GRU 因子多头组合行业超额收益（截至 2025 年 8 月）[2][44][45] - **当期超额收益排名前五行业**： - 纺织服饰：5.19% - 公用事业：3.62% - 汽车：3.29% - 非银金融：2.56% - 医药生物：1.47% - **近一年月平均超额收益排名前五行业**： - 家用电器：4.97% - 建筑材料：4.11% - 公用事业：3.94% - 食品饮料：3.86% - 纺织服饰：3.35% 5 最新多头组合（2025 年 8 月末因子值排名前十个股）[5][49] 1. 神火股份（有色金属） 2. 广州港（交通运输） 3. 中谷物流（交通运输） 4. 中国外运（交通运输） 5. 汉缆股份（电力设备） 6. 民生银行（银行） 7. 兴发集团（基础化工） 8. 驰宏锌锗（有色金属） 9. 中信特钢（钢铁） 10. 中直股份（国防军工）

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：成交量模型[12] **模型构建思路**：基于价量关系构建短期择时信号[10] **模型具体构建过程**：通过分析宽基指数的成交量变化与价格变动的关系，判断市场短期走势。具体构建过程未详细说明。 2. **模型名称**：低波动率模型[12] **模型构建思路**：利用波动率指标构建择时信号[10] **模型具体构建过程**：通过计算宽基指数的波动率，判断市场状态。具体构建过程未详细说明。 3. **模型名称**：特征龙虎榜机构模型[12] **模型构建思路**：基于龙虎榜机构数据构建择时信号[10] **模型具体构建过程**：通过分析龙虎榜中机构投资者的买卖行为，构建择时信号。具体构建过程未详细说明。 4. **模型名称**：特征成交量模型[12] **模型构建思路**：基于成交量特征构建择时信号[10] **模型具体构建过程**：通过分析成交量的变化特征，构建择时信号。具体构建过程未详细说明。 5. **模型名称**：智能算法沪深300模型[12] **模型构建思路**：应用智能算法对沪深300指数进行择时[10] **模型具体构建过程**：使用智能算法（如机器学习）分析沪深300指数的相关数据，生成择时信号。具体构建过程未详细说明。 6. **模型名称**：智能算法中证500模型[12] **模型构建思路**：应用智能算法对中证500指数进行择时[10] **模型具体构建过程**：使用智能算法（如机器学习）分析中证500指数的相关数据，生成择时信号。具体构建过程未详细说明。 7. **模型名称**：涨跌停模型[13] **模型构建思路**：基于涨跌停板现象构建中期择时信号[10] **模型具体构建过程**：通过分析市场中涨跌停股票的数量和分布，判断市场中期趋势。具体构建过程未详细说明。 8. **模型名称**：月历效应模型[13] **模型构建思路**：利用月历效应（如月初、月末效应）构建择时信号[10] **模型具体构建过程**：通过统计历史数据中特定时间段的市场表现，生成择时信号。具体构建过程未详细说明。 9. **模型名称**：长期动量模型[14] **模型构建思路**：基于动量效应构建长期择时信号[10] **模型具体构建过程**：通过计算宽基指数的长期收益率，判断市场长期趋势。具体构建过程未详细说明。 10. **模型名称**：A股综合兵器V3模型[15] **模型构建思路**：综合多周期多策略的A股择时模型[10] **模型具体构建过程**：耦合短期、中期、长期的不同模型信号，进行综合判断。具体构建过程未详细说明。 11. **模型名称**：A股综合国证2000模型[15] **模型构建思路**：针对国证2000指数的综合择时模型[10] **模型具体构建过程**：耦合适用于国证2000指数的多模型信号，进行综合判断。具体构建过程未详细说明。 12. **模型名称**：成交额倒波幅模型[16] **模型构建思路**：基于成交额与波幅的关系构建港股择时信号[10] **模型具体构建过程**：通过分析港股指数的成交额与价格波幅的关系，生成择时信号。具体构建过程未详细说明。 13. **模型名称**：杯柄形态模型[44][45] **模型构建思路**：识别杯柄形态技术图形以捕捉上涨突破机会[44] **模型具体构建过程**：识别股价走势中形成的“杯状”和“柄状”结构，在柄部调整结束后价格突破杯沿时产生买入信号。具体步骤包括识别A点（杯左起点）、B点（杯底）、C点（杯右终点/柄部起点），当价格突破C点水平时确认信号。 14. **模型名称**：双底形态模型[44][52] **模型构建思路**：识别双底形态技术图形以捕捉上涨突破机会[44] **模型具体构建过程**：识别股价走势中形成的两个低点（A点和C点）及之间的反弹高点（B点），当价格突破B点（颈线）时产生买入信号。具体步骤包括识别A点（第一个底）、B点（颈线）、C点（第二个底），当价格突破B点水平时确认信号。 模型的回测效果 1. **杯柄形态模型**，本周收益2.83%[44]，同期上证综指收益3.49%[44]，本周超额收益-0.66%[44]，2020年12月31日至今累计收益64.88%[44]，累计超额收益54.73%[44] 2. **双底形态模型**，本周收益2.52%[44]，同期上证综指收益3.49%[44]，本周超额收益-0.97%[44]，2020年12月31日至今累计收益49.3%[44]，累计超额收益39.14%[44] 量化因子与构建方式 *(注：本报告中未明确提及量化因子的具体构建细节。)* 因子的回测效果 *(注：本报告中未提供量化因子的测试结果取值。)*

产品信息 - 南方基金于8月18日正式发售南方中证A500指数增强型证券投资基金 基金代码A类024375 C类024376 [1] - 该基金锚定中证A500指数 在跟踪指数Beta收益基础上力争超额收益 [1] - 基金C类份额销售服务费率为0.40%/年 管理费率为0.80%/年 托管费率为0.10%/年 [5] 投资团队 - 南方基金数量化投资团队由13位成员组成 平均从业时间超8年 投资团队平均从业时间逾10年 [2] - 团队采用全自研一体化工作平台 包含统一策略开发平台 投资管理平台和风险评测平台 [2] - 团队聚焦量化选股与资产配置两大领域 涵盖多因子策略 基本面量化策略 AI策略等 [2] 基金经理 - 拟任基金经理解锐为清华大学金融专业硕士 拥有8年证券从业经验与5年投资经验 [3] 投资策略 - 采用多策略叠加运作方式 构建同目标 低相关 高信息比子策略群 [4] - 通过风险预算模型进行多策略合成 结合风格约束 行业约束等多维度完成组合优化 [4] - 策略模型包含多因子模型 基本面量化模型 风格轮动模型 深度学习模型 [4] 标的指数 - 中证A500指数覆盖A股107个行业 包含半导体 医疗服务 银行 白酒等行业龙头 [5] - 指数被描述为全市场的精简版缩影 能捕捉新质生产力赛道机遇并平衡传统行业价值 [5] 公司实力 - 南方基金旗下多只宽基指数产品规模超百亿 [5] - 南方中证500ETF规模达1134亿 南方中证A500ETF规模178亿 南方标普A股大盘红利低波50ETF规模超100亿（截至6月底） [5]

百亿级私募业绩表现 - 截至7月底有业绩展示的百亿级私募今年以来平均收益达16.6% [2] - 实现正收益的百亿级私募占比达98.18% [2] - 其中21家机构收益介于10%至20% 17家收益介于20%至30% 4家收益超30% [2] 量化与主观策略对比 - 36家百亿级量化私募平均收益达18.92%且正收益占比100% [2] - 16家百亿级主观私募平均收益为13.59%且正收益占比93.75% [2] - 量化策略因市场成交活跃获得显著超额收益 [2] 私募行业规模扩张 - 百亿级私募数量增至90家 [1] - 7月新备案私募证券投资基金达1298只 环比增长18% [3] - 新备案基金数量前十名机构全部为百亿级私募 [3] 头部机构产品备案动态 - 宽德私募单月备案新基金数量达31只 主攻指数增强策略 [3] - 明汯投资备案新基金数量达26只 同样聚焦指数增强策略 [3] 资金流向与投资者行为 - 机构资金加速入场 偏好从市场中性策略转向主观选股/指数增强/量化选股等多头策略 [3] - 个人投资者赎回量缩减且申购量逐步增加 [3] 头部私募配置策略 - 源乐晟资产保持高仓位 重点配置科技/创新药/有色金属/新消费/非银金融板块 [4] - 近期增持非银金融板块 其他板块进行结构调整 [4] - 多家百亿级私募维持八成以上仓位并积极调仓 [4] 板块轮动与调仓逻辑 - 8月半年报披露期成为调仓重要窗口 部分标的进行获利了结 [5] - 加仓方向包括周期股/保险板块及低估值困境反转医药股 [5] - 券商与保险行业预计受益于市场活跃度提升及利率见底回升 [4]

量化模型与构建方式 1. **模型名称：成交量模型** - 模型构建思路：基于市场成交量变化判断短期市场情绪[12] - 模型具体构建过程：监测宽基指数成交量突破阈值（如20日均值），触发看多/中性信号[12] 2. **模型名称：低波动率模型** - 模型构建思路：利用波动率指标识别市场稳定性[12] - 模型具体构建过程：计算指数历史波动率（如30日标准差），低于阈值时触发中性信号[12] 3. **模型名称：特征龙虎榜机构模型** - 模型构建思路：跟踪机构资金流向判断市场热度[12] - 模型具体构建过程：统计龙虎榜机构净买入占比，中位数以上为看多信号[12] 4. **模型名称：智能算法沪深300/中证500模型** - 模型构建思路：结合机器学习和价量因子预测指数趋势[12] - 模型具体构建过程：输入历史价格、成交量、换手率等特征，输出看多信号[12] 5. **模型名称：涨跌停模型** - 模型构建思路：通过涨跌停股数量反映市场极端情绪[13] - 模型具体构建过程：统计全A股涨跌停比例，阈值触发中性信号[13] 6. **模型名称：长期动量模型** - 模型构建思路：捕捉指数长期趋势延续性[14] - 模型具体构建过程：计算上证50等指数250日收益率，突破阈值翻多[14] 7. **模型名称：成交额倒波幅模型（港股）** - 模型构建思路：结合成交额与波动率判断港股中期趋势[16] - 模型具体构建过程：$$信号=\frac{成交额}{波幅}$$，高于历史分位数看多[16] 8. **复合模型：A股综合兵器V3模型** - 模型构建思路：多因子耦合（防御+进攻因子）[15] - 模型具体构建过程：加权短期成交量、中期涨跌停、长期动量信号，输出看空[15] 模型的回测效果 1. 成交量模型：上证50看多，沪深300看多，中证500中性[12] 2. 低波动率模型：上证50中性[12] 3. 特征龙虎榜机构模型：沪深300中性[12] 4. 智能算法模型：沪深300看多，中证500看多[12] 5. 涨跌停模型：全A中性[13] 6. 长期动量模型：上证50看多[14] 7. 成交额倒波幅模型：恒生指数看多[16] 8. A股综合兵器V3模型：看空[15] 量化因子与构建方式 1. **因子名称：杯柄形态因子** - 因子构建思路：识别价格“杯柄”突破形态[45] - 因子具体构建过程： 1. 定义杯底（A点）、杯沿（B点）、柄部（C点）[45] 2. 突破柄部高点时触发信号：$$突破价>C点最高价$$[45] - 因子评价：中长期超额收益显著[44] 2. **因子名称：双底形态因子** - 因子构建思路：捕捉W形底部反转机会[52] - 因子具体构建过程： 1. 识别两个低点（A/C点）和颈线（B点）[52] 2. 突破颈线时触发：$$突破价>B点最高价$$[52] 因子的回测效果 1. 杯柄形态因子：2020年至今累计超额收益50.35%[44] 2. 双底形态因子：2020年至今累计超额收益36.34%[52]

量化模型与构建方式 1. **模型名称：上涨家数占比情绪指标** - **模型构建思路**：通过计算指数成分股的近期正收益个数来判断市场情绪，强势股的持续上行能为整个板块带来机会[12] - **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{成分股总数}$$ 2. 当指标高于70%时，市场情绪较高；低于阈值时可能预示风险[12] - **模型评价**：能较快捕捉上涨机会，但对下跌市场的判断存在缺陷，可能错失持续亢奋阶段的收益[12] 2. **模型名称：动量情绪指标择时策略** - **模型构建思路**：通过双重平滑处理上涨家数占比指标，捕捉短期与长期情绪趋势差异[13][15] - **模型具体构建过程**： 1. 对沪深300指数N日上涨家数占比分别计算窗口期为N1（慢线）和N2（快线）的移动平均，其中N1=230，N2=35[13] 2. 当快线>慢线时看多市场，反之持谨慎观点[15] - **模型评价**：快线慢线同步向上时能有效维持看多信号[16] 3. **模型名称：均线情绪指标** - **模型构建思路**：基于八均线体系划分趋势状态，通过价格与均线关系判断情绪区间[20][26] - **模型具体构建过程**： 1. 计算沪深300收盘价的8条均线（参数：8,13,21,34,55,89,144,233）[20] 2. 统计当日收盘价大于均线的数量，超过5条时看多[26] - **模型评价**：指标值与涨跌变化规律清晰，适用于短期情绪判断[20] 4. **模型名称：PB-ROE-50策略** - **模型构建思路**：结合PB-ROE定价模型与超预期因子（SUE、ROE同比增长）挖掘预期差股票[31] - **模型具体构建过程**： 1. 基于Wilcox（1984）模型筛选低PB高ROE股票 2. 通过SUE因子增强选股，最终构建50只股票组合[31] - **模型评价**：在中证800和全市场股票池中超额收益显著[31] 5. **模型名称：机构调研策略** - **模型构建思路**：利用公募/私募调研数据挖掘alpha，结合调研次数与股价相对表现选股[39] - **模型具体构建过程**： 1. 公募调研选股：筛选被调研次数多且调研前相对基准涨幅低的股票 2. 私募跟踪策略：聚焦知名私募调研标的[39] --- 量化因子与构建方式 1. **因子名称：有息负债率** - **因子构建思路**：衡量企业偿债压力，高值预示流动性风险[44] - **因子具体构建过程**： 1. 传统口径：$$传统有息负债率 = \frac{短期借款+长期借款+应付债券}{总资产}$$ 2. 宽松口径增加其他流动负债等科目[44] 2. **因子名称：财务成本负担率** - **因子构建思路**：从利润表角度量化企业还息压力[48] - **因子具体构建过程**： $$财务成本负担率 = \frac{利息费用}{息税前利润}$$ 数值>10倍表明财务风险极高[48] --- 模型的回测效果 1. **PB-ROE-50模型** - 中证500超额收益：0.59%（上月），3.62%（今年以来）[35] - 中证800超额收益：2.91%（上月），9.73%（今年以来）[35] - 全市场超额收益：2.34%（上月），10.36%（今年以来）[35] 2. **机构调研模型** - 公募调研选股IR：3.66%（上月），7.03%（今年以来）[42] - 私募跟踪策略IR：5.58%（上月），18.00%（今年以来）[42] --- 因子的回测效果 1. **有息负债率因子** - 宽松口径下前30名股票负债率均>44%，传统口径排名差异显著（如中毅达传统排名4732）[45] 2. **财务成本负担率因子** - 头部股票数值极高（辽宁成大为241084倍，银宝山新2314倍）[49]

量化模型与构建方式 1. **模型名称**：成交量模型 - **模型构建思路**：基于宽基指数的成交量变化判断市场短期趋势[12] - **模型具体构建过程**：监测主要宽基指数（如上证指数、沪深300等）的成交量突破历史均值的幅度，结合价格波动确认看多/看空信号[12] - **模型评价**：对短期市场情绪敏感，但需结合其他模型过滤噪音[12] 2. **模型名称**：低波动率模型 - **模型构建思路**：通过计算指数波动率分位数判断市场风险偏好[12] - **模型具体构建过程**：采用20日历史波动率，当波动率低于过去一年25%分位数时标记为“中性”[12] 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪龙虎榜机构资金流向构建反向信号[12] - **模型具体构建过程**：统计机构席位净买入占比，当超买时触发看空信号[12] 4. **模型名称**：智能算法沪深300/中证500模型 - **模型构建思路**：基于机器学习算法融合价量因子预测指数走势[12] - **模型具体构建过程**：输入包括动量、换手率、资金流等因子，通过XGBoost输出看多/看空信号[12] 5. **模型名称**：长期动量模型 - **模型构建思路**：捕捉指数12个月以上的趋势延续性[14] - **模型具体构建过程**：计算上证50等指数的年化收益率，突破阈值时翻多[14] 6. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：结合成交额与波动率判断港股中期趋势[16] - **模型具体构建过程**：$$Signal = \frac{成交额}{波幅}$$，当比值突破历史中枢时看多[16] 7. **模型名称**：杯柄形态/双底形态模型 - **模型构建思路**：技术形态识别策略，捕捉个股突破机会[47][53] - **模型具体构建过程**： - **杯柄形态**：识别“A点（左杯沿）-B点（杯底）-C点（右杯沿）”结构，突破柄部时买入[47] - **双底形态**：识别“A点（第一底）-B点（反弹）-C点（第二底）”结构，突破颈线时买入[53] --- 模型的回测效果 1. **成交量模型**：本周对上证指数、沪深300等7个宽基指数发出看多信号[12] 2. **智能算法模型**：沪深300模型本周收益1.69%，中证500模型收益3.28%[12] 3. **杯柄形态组合**：2020年至今累计收益54.21%，超额收益50.74%[46] 4. **双底形态组合**：2020年至今累计收益39.3%，超额收益35.83%[53] --- 量化因子与构建方式 1. **因子名称**：分析师上调比例因子 - **因子构建思路**：反映行业一致预期变化[20] - **因子具体构建过程**：$$Factor = \frac{分析师上调个股数}{行业总覆盖个股数}$$[20] 2. **因子名称**：基金超低配因子 - **因子构建思路**：监测机构仓位偏离度[33] - **因子具体构建过程**：$$Factor = \frac{基金持仓占比 - 行业市值占比}{行业市值占比}$$[33] --- 因子的回测效果 1. **分析师上调比例因子**：煤炭行业本周上调比例5.56%，钢铁行业7.55%[20] 2. **基金超低配因子**：电子行业超配15.64%（股票型基金），食品饮料超配8.99%（混合型基金）[33]

量化私募市场表现分化 - 中小盘风格策略显著跑赢大盘策略 反映市场结构性变化对不同投资策略的深刻影响 [1] - 量化1000指增策略表现最突出 灵均投资以36.79%年内收益领跑 信弘天禾/龙旗/启林等机构同类策略收益均超30% [3] - 量化500指增策略表现优异 信弘天禾和阿巴马相关产品年内收益超30% 量化300指增策略相对逊色 最高收益仅19.13% [3] 量化选股策略盈利能力突出 - 孝庸量化选股策略以46.26%年内收益领跑市场 衍盛铭量/子午等机构选股策略收益均超40% [3] - 选股策略因不受指数成分股限制 可通过动态调整因子权重和行业暴露精准捕捉市场机会 [3] 中小盘风格主导市场格局 - 中证1000指数成分股受益专精特新政策 涨幅显著高于沪深300指数 中小盘股研究覆盖度低带来更多定价偏差机会 [4] - 市场波动率提升有利量化策略 中小盘股波动率高于大盘股 日均成交额维持万亿以上保障策略容量需求 [4] - 个股表现高度分化 结构性行情下量化模型能更好识别相对价值 系统性捕捉定价偏差带来的超额收益 [4] 规模效应与策略分化特征 - 百亿私募在指增策略占据主导 量化1000/500指增前20名中大型机构优势明显 凭借资金/人才/算力资源实现更快模型迭代 [5] - 50亿以上私募指增产品上半年平均收益率18.30% 平均超额14.51% 正超额占比99.25% 显著优于中小型私募 [5] - 量化私募业绩分化加剧 1000指增策略最高收益与第20名相差超15个百分点 头部机构GPU算力优势显著 [5]

基金业绩表现 - 2025年第二季度基金利润为64.92万元，加权平均基金份额本期利润为0.0195元 [3] - 2025年第二季度基金净值增长率为2.05% [3] - 截至2025年7月21日，近三个月复权单位净值增长率为7.61%，在同类18只可比基金中排名第13位 [3] - 截至2025年7月21日，近半年复权单位净值增长率为8.31%，在同类18只可比基金中排名第14位 [3] - 截至2025年7月21日，基金单位净值为1.165元 [3] 基金规模与持仓 - 截至2025年第二季度末，基金规模为3482.17万元 [3][10] - 基金成立以来平均股票仓位为90.7%，高于同类基金平均仓位88.74% [8] - 基金股票仓位在2024年末达到最高点94.4%，在2024年第三季度末为最低点81.77% [8] - 2025年第二季度末前十大重仓股为兴业银行、邮储银行、中国石化、南钢股份、海螺水泥、西部矿业、北京银行、交通银行、江苏银行、南京银行 [13] 投资策略与运作 - 基金属于标准股票型基金，长期投资于周期股票 [3] - 基金在报告期内保持高仓位运作，股票仓位部分以中证红利为基准，通过量化选股模型构建股票组合 [3] - 基金管理人计划在公司基本面经营稳健、股东回报力度持续改善的前提下维持高仓位运作 [3] - 量化模型将在实际运行过程中进行定期动态调整，以优化股票配置，目标是持续超越业绩比较基准收益率 [3]