量化模型与构建方式 1. **模型名称**：中证500增强组合 - **模型构建思路**：通过量化选股策略构建中证500指数的增强组合，旨在跑赢基准指数[48] - **模型具体构建过程**： 1. 基于多因子模型筛选股票，因子包括市值、Beta、动量、残差波动率等[60] 2. 对股票进行加权配置，持仓权重根据因子暴露和优化算法确定[52] 3. 组合定期调整，保持与基准指数的风格一致性[48] - **模型评价**：长期超额收益显著，但近期表现略逊于基准[48] 2. **模型名称**：沪深300增强组合 - **模型构建思路**：采用量化方法构建沪深300指数的增强组合[55] - **模型具体构建过程**： 1. 使用BARRA风格因子（如市值、Beta、盈利等）进行选股[60] 2. 通过风险模型控制组合跟踪误差[55] 3. 动态调整持仓权重，优化组合表现[58] - **模型评价**：历史超额收益稳定，但近期跑输基准[55] 3. **模型名称**：A股情绪指数系统 - **模型构建思路**：基于市场波动率和成交额变化构建情绪择时模型[38] - **模型具体构建过程**： 1. 将市场划分为四个象限：波动上-成交下（显著负收益）、其他（显著正收益）[38] 2. 构建见底预警指数（价）和见顶预警指数（量）[42] 3. 综合信号生成多空观点[40] - **模型评价**：对市场拐点有较好的预警作用[38] 模型的回测效果 1. **中证500增强组合**： - 本周收益3.04%，跑输基准0.24%[48] - 2020年至今超额收益49.91%，最大回撤-4.99%[48] 2. **沪深300增强组合**： - 本周收益1.33%，跑输基准0.36%[55] - 2020年至今超额收益33.78%，最大回撤-5.86%[55] 3. **A股情绪指数系统**： - 当前综合信号为"多"[42] - 历史择时表现见图表19[47] 量化因子与构建方式 1. **因子名称**：BARRA十大类风格因子 - **因子构建思路**：参照BARRA模型构建A股市场风格因子[60] - **因子具体构建过程**： 1. 包括市值（SIZE）、Beta、动量（MOM）、残差波动率（RESVOL）等十大类因子[60] 2. 通过个股风险暴露计算因子收益[61] 3. 因子相关性分析见图表25[63] 2. **因子名称**：行业纯因子 - **因子构建思路**：衡量行业相对市场市值加权组合的超额收益[61] - **因子具体构建过程**： 1. 按中信一级行业分类构建行业因子[61] 2. 计算行业纯因子收益率[67] 因子的回测效果 1. **风格因子表现**： - 本周Beta因子超额收益较高，残差波动率呈负向超额收益[61] - 近期高Beta股表现优异，流动性、盈利因子表现不佳[61] 2. **行业因子表现**： - 本周煤炭、有色金属、钢铁行业因子超额收益较高[61] - 银行、电力及公用事业行业因子回撤较多[61] 3. **指数收益归因**： - 中证500、创业板指在Beta因子上暴露较大，表现较好[69] - 上证综指、上证50在Beta因子上暴露较小，表现不佳[69]

量化模型与构建方式 1. **模型名称：全频段融合因子模型** - 模型构建思路：通过深度学习模型提取高频量价数据特征，并结合低频量价数据的多任务学习结果，合成综合因子[26] - 模型具体构建过程： 1) 训练27个高频因子生成高频深度学习因子 2) 对低频量价数据端到端挖掘生成低频多任务因子 3) 将两类因子融合为全频段融合因子 4) 分层回测中TOP层年化超额收益率达31.23%[26][27] - 模型评价：多频段数据融合有效提升信息捕获能力 2. **模型名称：AI中证1000增强组合** - 模型构建思路：基于全频段融合因子构建指数增强策略[27] - 模型具体构建过程： 1) 成分股权重≥80%，个股权重偏离≤0.8% 2) 控制barra暴露<0.3，周双边换手率30% 3) 周频调仓，交易成本双边0.4%[29] - 模型评价：严格风险控制下实现稳定超额收益 3. **模型名称：AI行业轮动模型** - 模型构建思路：利用全频段量价因子对32个一级行业进行周频轮动[16][23] - 模型具体构建过程： 1) 行业成分股因子得分加权生成行业评分 2) 每周选取评分TOP5行业等权配置 3) 调仓频率为周频，不计交易成本[23] - 模型评价：AI特征提取能力与自上而下策略形成互补[16] 4. **模型名称：AI主题指数轮动模型** - 模型构建思路：对133个主题指数进行周频轮动[9][15] - 模型具体构建过程： 1) 成分股因子得分加权生成主题指数评分 2) 每周选取评分TOP10指数等权配置 3) 交易成本双边0.04%[9] 5. **模型名称：文本FADT_BERT选股组合** - 模型构建思路：基于BERT升级的文本因子构建主动量化组合[32] - 模型具体构建过程： 1) 对盈利预测调整文本构建forecast_adjust_txt_bert因子 2) 在多头端基础股票池选取TOP25构成组合[32] 模型的回测效果 1. **全频段融合因子模型** - 5日RankIC均值：0.116[26] - TOP层年化超额收益率：31.23%[26] - 今年以来TOP层超额收益：18.28%[26] 2. **AI中证1000增强组合** - 年化超额收益率：22.36%[27] - 年化跟踪误差：6.04%[27] - IR：3.70[27] - 超额收益最大回撤：7.55%[27] - Calmar比率：2.96[27] 3. **AI行业轮动模型** - 年化收益率：25.69%[22] - 年化超额收益率：20.23%[22] - 超额收益最大回撤：12.43%[22] - 超额夏普比率：1.96[22] 4. **AI主题指数轮动模型** - 年化收益率：16.65%[8] - 年化超额收益率：12.19%[8] - 今年以来超额收益：6.87%[8] 5. **文本FADT_BERT组合** - 年化收益率：39.73%[36] - 年化超额收益：31.34%[36] - 夏普比率：1.38[36] 量化因子与构建方式 1. **因子名称：全频段量价融合因子** - 因子构建思路：融合高频深度学习因子与低频多任务因子[26] - 因子具体构建过程： 1) 高频部分：通过LSTM网络提取27个高频特征 2) 低频部分：采用多任务学习框架挖掘价量关系 3) 合成方法：加权整合两类因子得分[26] 2. **因子名称：forecast_adjust_txt_bert** - 因子构建思路：基于BERT模型升级文本分析因子[32] - 因子具体构建过程： 1) 对盈利预测调整文本进行BERT编码 2) 通过注意力机制提取关键语义特征[32] 因子的回测效果 1. **全频段量价融合因子** - 分层回测TOP层年化超额：31.23%[26] - RankIC稳定性：5日均值0.116[26] 2. **forecast_adjust_txt_bert因子** - 组合年化超额收益：31.34%[36] - 历史最大回撤：48.69%[36]

公司概况 - 深圳市前海合之力量创投资管理有限公司（量创投资）成立于2016年3月，同年7月取得私募基金管理人牌照（P1032081），2018年3月成为中基协观察会员（GC1900030800）[2] - 专注于量化投资领域，策略覆盖股票、期货、期权、债券等标准化资产，交易结构合规，投资周期涵盖日内至中低频交易[2] - 拥有自建数据库、因子库及自主研发的交易、风控、回测等系统，并组建AI团队应用于因子挖掘、模型构建等环节[2] - 截至2025年7月管理规模达10亿元人民币，团队总人数22人，其中投研团队16人（研究人员11人，IT成员5人）[5][6][7] 核心团队 - 创始人兼总经理骆俊：北京大学应用数学学士，美国西北大学电子工程学博士，曾任职美国对冲基金ALPHAWORKS ASSET MANAGEMENT和高盛亚洲，负责量化建模与风险管理[8][9] - 副总经理王伟男：北京大学金融数学学士/硕士，曾任新加坡星展银行量化模型与技术部副总裁，负责IT系统、期权策略及深度学习建模[10][11] 业绩表现 - 2025年上半年收益均值位列百强量化私募榜第1，规模5-10亿量化私募中近半年平均收益排名第1[3] - 旗下产品"量创量化北证选股1号A类份额"上半年收益位列量化多头-其他指增榜第1，王伟男在管产品收益进入基金经理榜Top10[3] - 在中生代量化私募（成立5-10年）中上半年收益排名第1[3] 策略与产品 - **量化多策略**：基于风险平价理念配置股票、债券、商品等资产，代表产品"量创全天候元语1号"（2022年10月成立）[15] - **量化选股**：聚焦北交所"专精特新"小盘股，构建深度学习选股模型，代表产品"量创量化北证选股1号"（2022年7月成立）[16] 发展历程 - 2016-2018年：初期以股票套利策略为主，2018年新增期权套利策略[5] - 2020-2022年：陆续上线量化CTA策略、量化选股策略及AI量化模型[5][6] - 2023-2025年：推出全天候策略，量化CTA策略扩展至国债期货和股指期货，管理规模突破10亿元[6] 核心优势 - 数据驱动与模型导向：自主研发数据平台，消除人为情绪干扰[11] - 多资产多策略协同：分散风险并提升组合抗周期性[12] - 严格风控体系：设置仓位、回撤与波动率控制标准[13] - 动态优化机制：实时跟踪市场并调整策略[14] 行业荣誉 - 2024年私募排排网半年私募之星收益榜季军，财达证券期货CTA组半年度亚军[19] - 2023年私募排排网广深地区多资产策略十强，2022年复合策略十强[20] - 2017年复合策略冠军（深地区1-10亿规模），2016年全国复合策略十强（0-1亿规模）[20] 行业动态 - 2025年上半年百亿量化私募业绩排名中稳博投资夺冠，幻方、龙旗持续领先[23] - 北向资金二季度加仓算力、光伏概念股超10亿元，英伟达产业链标的受市场关注[23]

根据提供的量化周报内容，以下是核心量化模型与因子的结构化总结： --- 量化模型与构建方式 1. **沪深300指数增强模型** - 构建思路：通过多因子选股模型超越沪深300指数基准[10][30] - 具体构建： 1) 采用日频数据计算超额收益，年化基准为242个交易日[32] 2) 组合采用月度再平衡，仅包含成立满2个月的基金[24] 3) 超额基准为标的指数对应的全收益指数[32] 2. **中证500/1000/A500指数增强模型** - 构建思路：针对中小盘风格优化因子暴露，捕捉超额收益[10][30] - 具体差异： - A500指增允许成立满1个月的基金进入组合[24] - 中证1000指增跟踪误差范围2.86%-8.18%[10] --- 量化因子与构建方式 1. **超额收益因子** - 构建过程： $$超额收益 = \frac{基金日收益 - 基准日收益}{基准日收益}$$[32] 采用几何年化计算，窗口期包括周/月/年等[10][32] 2. **跟踪误差因子** - 构建过程： $$跟踪误差 = \sqrt{242 \times \frac{\sum_{t=1}^n (超额收益_t - \overline{超额收益})^2}{n-1}}$$[32] 其中n为计算周期内交易日数量 --- 模型回测效果 | 模型 | 本年超额收益 | 近一年IR | 最大回撤 | |---------------------|-------------|----------|-----------| | 沪深300指增 | 0.66% | -1.99% | 9.78%[10] | | 中证500指增 | 2.17% | -1.51% | 12.22%[10]| | 中证1000指增 | 5.59% | 6.64% | 6.91%[10] | | 主动量化 | 13.63% | 35.24% | 31.80%[10]| --- 因子回测效果 | 因子 | 沪深300指增 | 中证500指增 | |--------------|------------|------------| | 周度超额收益 | -0.02% | -0.14%[10] | | 年度跟踪误差 | 3.51% | 4.95%[10] | --- 关键图表结论 - 中证1000指增近1年超额收益显著高于其他宽基指数（散点图右上方聚集）[16] - 市场中性策略年化波动率最低（最大回撤4.29% vs 主动量化14.88%）[10][21] 注：所有数据截至2025年7月25日[10][24][30]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **单季度营业利润同比增长率因子** - 构建思路：反映公司短期盈利能力的增长情况[12] - 具体构建：计算单季度营业利润同比变化率 $$ \text{因子值} = \frac{\text{本期营业利润} - \text{去年同期营业利润}}{\text{去年同期营业利润}} $$ - 因子评价：对短期业绩敏感，但易受季节性影响[13] 2. **市净率因子（BP因子）** - 构建思路：衡量公司估值水平[12] - 具体构建：使用最新财报数据计算 $$ \text{因子值} = \frac{\text{股东权益}}{\text{总市值}} $$ - 因子评价：长期有效但需结合行业特性[13][16] 3. **换手率相对波动率因子** - 构建思路：捕捉流动性风险溢价[12] - 具体构建：计算换手率与价格波动率的比值 $$ \text{因子值} = \frac{\text{20日平均换手率}}{\text{20日收益率标准差}} $$ - 因子评价：在反转行情中表现突出[13] 4. **下行波动率占比因子** - 构建思路：衡量股价下跌风险[14] - 具体构建：计算负收益波动占总体波动的比例 $$ \text{因子值} = \frac{\sum_{r_t<0}(r_t - \bar{r})^2}{\sum(r_t - \bar{r})^2} $$ - 因子评价：在市场下跌阶段防御性强[15] 5. **日内波动率与成交金额相关性因子** - 构建思路：识别量价联动效应[14] - 具体构建：计算日内收益率波动与成交额的滚动相关系数 - 因子评价：对小盘股有显著选股能力[15] 6. **5日反转因子** - 构建思路：捕捉短期反转效应[16] - 具体构建：计算过去5日累计收益率并取负值 $$ \text{因子值} = -\prod_{t=1}^5(1+r_t) $$ - 因子评价：在流动性差的股票中效果显著[17] 量化模型与构建方式 1. **PB-ROE-50组合模型** - 构建思路：结合估值与盈利质量的GARP策略[23] - 具体构建： 1) 在全市场筛选PB低于行业中位数且ROE高于行业中位数的股票 2) 按ROE/PB比值排序选取前50只 3) 等权重配置，月度调仓 - 模型评价：兼顾价值与成长特性[24] 2. **大宗交易组合模型** - 构建思路：利用"高成交金额比率+低波动率"特征[29] - 具体构建： 1) 计算个股大宗交易成交金额/总成交金额 2) 计算6日成交金额波动率 3) 对两个指标标准化后加权求和，选取前20%股票 - 模型评价：事件驱动型策略，需高频调仓[30] 3. **定向增发组合模型** - 构建思路：挖掘定增公告后的超额收益[35] - 具体构建： 1) 以股东大会公告日为事件日 2) 筛选市值小于100亿且折价率>10%的标的 3) 持有期60天，动态仓位控制 - 模型评价：受政策影响较大，需灵活调整[36] 回测效果指标 | 模型/因子名称 | 本周收益 | 近1月收益 | 近1年收益 | 10年累计收益 | |------------------------|----------|-----------|-----------|--------------| | PB-ROE-50(全市场) | 0.06% | - | 9.34% | - | [24] | 大宗交易组合 | 0.83% | - | 27.95% | - | [30] | 单季度营业利润同比(沪深300)| 2.40% | 5.39% | 10.57% | 1.18% | [13] | 下行波动率占比(中证500)| 3.85% | 4.14% | 7.35% | 160.94% | [15] | 5日反转(流动性1500) | -2.11% | -0.57% | 9.53% | -4.48% | [17] | 大类因子名称 | 本周收益 | |------------------------|----------| | Beta因子 | 0.49% | [18] | 动量因子 | -0.60% | [18] | 流动性因子 | -0.49% | [18] 注："-"表示原文未提供数据

量化策略表现 - 上半年量化多头策略收益均值达17.54%，正收益占比96.11%，显著领先其他策略 [2] - 量化CTA策略上半年收益均值仅为3.66%，在量化二级策略中排名靠后 [2] - 股票市场中性策略收益均值6.08%，正收益占比95.53% [3] - 复合策略收益均值8.14%，债券复合策略收益均值6.64%且全部实现正收益 [3] 公司规模分布 - 百强量化私募中百亿规模占比最高达30家，20-50亿规模22家 [5] - 股票策略量化私募占比71家，纯期货及衍生品策略仅12家 [5] - 近1年百强量化私募中百亿规模30家，20-50亿规模21家 [12] - 近3年64家量化私募管理规模合计364.16亿元 [20] 业绩排名 - 上半年量创投资以***%收益夺冠，旗下产品受益北证50指数39.45%涨幅 [10] - 云起量化上半年收益***%排名第二，稳博投资位列百强榜第三 [11] - 近1年上海紫杰私募以***%收益居首，靖奇投资排名第二 [18] - 近3年广州守正用奇收益居首，橡木资产和阿巴马投资分列二三位 [24] 长期表现 - 19家量化私募连续三次上榜百强，其中13家为百亿规模 [25] - 百亿私募在长期投资中表现更稳定，包括进化论资产、天演资本等 [27] - 橡木资产近3年收益***%，投研团队平均从业年限8.5年 [24] 技术能力 - 量创投资拥有自建数据库和因子库，自主研发交易系统 [10] - 稳博投资2018年引入机器学习团队，构建AI研究方法体系 [11] - 天演资本管理规模260亿元，构建综合量化投资体系 [19]

百亿私募榜单 - 私募排排网发布百亿主观私募半年度10强榜单，复胜资产以45.5%的平均收益夺冠，日斗投资、久期投资、海南希瓦、中欧瑞博位居前五 [1] - 百亿量化私募数量增至41家，首次超越百亿主观私募（40家），稳博投资以27.2%的收益位居量化私募榜首，进化论资产以24.45%紧随其后 [2] - 16家私募新晋或重回百亿阵营，包括9家量化私募、6家主观私募及1家混合型机构，上海以8家百亿新锐领跑全国 [3] - 泓湖私募、微观博易等机构实现"两级跳"，管理规模从20-50亿元区间跃升至百亿以上 [4] 市场观点 - 景华资产认为2025年上半年市场韧性尽显，经历两波有效下跌测试后均强势反弹，全A指数单日跌幅达9.26%后收复全部跌幅 [5] - 市场近期呈现普涨特征，多个指数创年内高点，成交量稳定放大，市场进入良性循环，向上阻力最小 [6] - 神农投资董事长陈宇指出创新药、新消费、智能机器人及贵金属四大赛道表现抢眼，创新药赛道ETF指数涨幅达数十个百分点 [7] - 创新药赛道具备历史性机遇，头部企业已处于价值洼地，有望走出独立牛市行情 [8] 企业动态 - 瑞信证券更名为北京证券，北京国资公司成为其实际控制人，持有85.01%股权 [9][10] - 北京国资参股的券商增至5家，包括中信建投证券、首创证券、第一创业、金融街证券及北京证券 [11] - 国泰海通将于8月22日实施法人切换、客户及业务迁移，涉及多家交易所及结算机构 [12] - 第一创业证券董事长吴礼顺辞职，已出任北京市国资委主任 [13][15] 行业动态 - 申港证券获批私募子公司牌照，需完成工商设立登记及备案程序后方可开展业务 [16][17] - 成都富坤盈创股权投资基金管理有限公司因5项违规被责令改正，包括未履行投资者适当性管理义务等 [18] - 君创基金及君创资管因未按规定办理私募基金备案手续被出具警示函，管理规模分别在20-50亿元和5-10亿元 [19][20]

A股市场整体表现 - 上半年A股主流指数呈现低个位数小幅上涨趋势，但成交规模显著放大至162.68万亿元，远超去年同期的101万亿元，显示市场活跃度大幅提升 [1] 私募股票策略收益概况 - 符合排名规则的303家私募旗下产品平均收益达14.04%，明显强于沪深300等市场基准 [1] - 50-100亿规模私募平均收益15.95%，10-20亿规模私募平均收益18.36%，表现最优 [1] - 百亿以上规模私募中，量化私募占比90%（9/10），仅复胜资产为主观投资模式且夺冠 [3][5] - 50-100亿规模私募前十中量化占70%（7/10），但前三名中主观私募同犇投资夺冠 [7][9] 分规模区间业绩亮点 百亿以上私募 - 复胜资产凭借主观投资模式夺冠，重点布局港股新消费赛道 [5] - 稳博投资位列第二，专注量化模型并运用大数据分析 [6] 50-100亿私募 - 同犇投资以***%收益居首，专注消费品行业价值投资 [9] - 天算量化排名第二，采用AI技术并两获"金牛奖" [9] 20-50亿私募 - 云起量化夺冠，结合AI技术优化多因子模型 [13] - 香橙资本排名第二，践行"善于等待"的价值投资理念 [14] 10-20亿私募 - 能敬投资控股夺冠，采用右侧交易与产业研究结合策略 [15][17] - 晨耀私募排名第二，聚焦北交所战投及定增领域 [18] 5-10亿私募 - 富延资本以***%收益居首，重仓港股新消费板块 [21] - 一久私募基金排名第二，坚持"买股票就是买公司"原则 [22] 0-5亿私募 - 沁昇基金夺冠，旗下6只产品收益均超***%，侧重港股投资 [23] - 主观私募占比80%（8/10），延续小规模区间主观策略占优特征 [22] 投资模式分布特征 - 头部私募（50亿+）量化占主导：百亿级量化占比90%，50-100亿级量化占比70% [3][7] - 中小私募（20亿以下）主观占优：10-20亿区间主观占80%，0-5亿区间主观占80% [15][22]

量化私募行业表现 - 上半年量化私募整体业绩跑赢主动权益基金平均水平，主要受益于技术迭代、市场流动性宽松和小市值风格走强[1] - 百亿量化私募中，龙旗科技旗下16只产品以***%的收益均值位居第6，近1年和近3年业绩持续位居前列[1][4][8] - 量化私募在投资者资产配置中的权重进一步提升[1] 龙旗科技业绩表现 - 上半年业绩亮眼，主要得益于多因子模型迭代、低相关策略组合和投研团队高效协作[9][13][14] - 多因子模型采用量价因子(70%)、基本面因子(20%)、另类因子(10%)的7:2:1结构，兼顾短期爆发力和长期价值[9][17] - 科技创新精选产品线专注创业板和科创板，通过选股模型挖掘科技企业成长潜力[15] 龙旗科技投资策略 - 坚持"以正为纲、以奇为要"原则，从基本面量化起步逐步拓展至多因子融合与系统择时[17] - 通过"α+β+Σ"框架实现风险与收益动态平衡，2025年上半年产品最大回撤得到有效控制[18] - 不追求算力竞赛，聚焦策略相关性，动态调整AI投入确保技术服务于收益稳定性[23] 龙旗科技公司文化 - 秉持"长跑精神"文化，将投资视为马拉松，不追求短期爆发[9][17] - 办公选址杭州西溪湿地5A景区，旨在远离市场噪音，保持独立思考[19][20] - 人才招聘侧重数理方向硕博，坚持自主培养模式[22] 行业发展趋势 - AI在量化领域应用保持务实态度，3-5年内完全依赖AI存在过拟合风险，但长期可能带来颠覆性影响[24] - 政策监管深化有助于行业规范化发展，促进存优汰劣[24] - 主观与量化投资互补融合成为新趋势，量化擅长宽基覆盖，主观精于个股深度挖掘[24]

量化投资市场环境 - 2024年以来市场个股分化度显著高于近五年中位数水平，为量化策略提供丰富交易机会 [3] - 2024年2月大小盘风格收益差波动率达到极值后下降，有助于量化策略稳定表现 [3] - 2025年市场波动和成交量良好，价量策略表现突出，小市值股票交易活跃度高 [13] - 监管鼓励上市公司并购重组，中小市值股票活跃，成交量放大，股票中位数涨幅大幅超越宽基指数 [11] - 国内市场成交量、活跃度和投资者结构优化为量化策略发展提供广阔空间 [15] 小市值产品特性 - 小市值产品在中国市场具有显著特殊性，波动性大但超额收益丰厚 [9] - 小市值产品是A股市场特色资产，满足不同投资者配置需求 [11] - 通过优化交易算法可有效降低小市值股票交易成本，提高投资收益 [13] AI技术在量化投资中的应用 - 量化投资本质是人工智能在金融领域的垂直应用，过程与大模型学习相似 [6] - 大模型技术发展为行业注入新活力，推动机构加大AI投入，设立AI实验室 [9] - 算力提升使CNN和Transformer等机器学习模型可用于因子挖掘和交易策略 [13] - 需在AI技术应用中保持平衡，既要利用优势又要避免过度依赖 [15] 量化策略发展 - 当市场出现新基本面主线时，当前超额收益环境可能发生变化，需灵活调整策略 [3] - 量化市场规模和成交量的平衡对超额收益持续性非常重要 [11] - 管理人需在市场变化中不断适应和创新以应对挑战 [15] 行业技术趋势 - AI黑箱问题需关注，需确保模型可解释性和可追溯性 [6] - 虽然模型可解释性难以完全实现，但可通过保证系统可复现性追踪问题 [13]