市场表现与私募产品创新高概况 - 8月A股三大股指强势上涨 上证指数涨7.97% 深证成指涨15.32% 创业板指涨24.13% [1] - 3321只成立满1年私募产品净值创新高 占同类产品比例71.19% [1] - 量化产品创新高数量达1303只 非量化产品2018只 [1] 创新高产品策略分布 - 股票策略产品数量最多达2135只 占比64% 含主观多头和量化多头 [1] - 多资产策略产品471只 期货及衍生品策略305只 债券策略302只 组合基金108只 [1] 私募公司规模分布 - 5亿以下规模私募创新高产品1347只 占比超40% [2] - 百亿私募创新高产品456只 [2] 全产品线创新高私募机构 - 20家私募旗下10只以上产品全部创新高 含13家量化私募和7家主观私募 [2] - 百亿量化私募包括天演资本 稳博投资 宁波幻方量化 聚宽投资 明汯投资 进化论资产 九坤投资 日斗投资 盛泉恒元 君之健投资 [2][5] - 百亿主观私募含君之健投资 [5] 长期绩优产品表现 - 33只成立超10年产品创新高 其中24只为主观多头策略 [6] - 25只产品达成"双十基金"标准（年化收益超10%） 5只年化收益超20% [6] - 百亿私募占4只双十基金 但斌旗下东方港湾马拉松一号与梁宏旗下产品在列 [6][9] 股票量化多头策略收益排名 - 512只量化多头产品创新高 翰荣投资旗下产品以近一年收益接近***%夺冠 [10][13] - 百亿私募黑翼资产 龙旗科技 明汯投资各有1只产品进入前20 [10][12] - 细分策略中量化选股占10只 其他指增占8只 中证500指增占2只 [10] 股票主观多头策略收益排名 - 650只主观多头产品创新高 北京禧悦私募旗下产品收益居首 [15][17] - 上海歌汝私募旗下产品"歌汝奇点"近一年收益超***% 位列第二 [17] - 基金经理石浩具备20年从业经验 重点关注创新药和AI领域投资机会 [17] 多资产策略收益排名 - 286只多资产策略产品创新高 天辉(上海)私募旗下产品收益第一 [18][20] - 百亿私募黑翼资产 千象资产各有1只产品上榜 [18] - 昭融汇利私募旗下产品近一年收益超***% 采用量化多头为主复合策略 [21][22] 期货及衍生品策略收益排名 - 137只期货及衍生品策略产品创新高 申优资产旗下主观CTA产品收益夺冠 [23][25] - 钧富投资4只产品进入前20 会世私募量化CTA产品位列第四 [23][26] - 会世资产看好下半年大宗商品牛市机会 强调CTA策略盈利潜力 [27] 债券策略收益排名 - 204只债券策略产品创新高 可转债策略产品占18只 [28][30] - 金时(厦门)资产旗下债券复合策略产品收益第一 [30] - 百亿私募艾方资产 纽达投资 喜世润投资均有产品上榜 [30][31]

行业发展趋势 - 指数化投资推动资管行业结构性变革 核心目标是在可控风险下实现稳定超额收益 [2] - 指数化投资为被动投资者提供低成本高透明度配置渠道 同时为主观投资者开启系统性可复制可验证的投研新范式 [2] - 主观判断与量化逻辑结合 数据驱动的投资决策成为越来越多专业人士的选择 [2] 赛事核心信息 - 赛事名称为2025 ALPHA进化论·Alice AI指数增强擂台赛 由Wind主办 [2] - 大赛正式赛程为2025年9月16日至2025年12月31日 [5] - 参赛平台为Wind Alice AI指数策略平台 全球首个自然语言生成指数策略增强平台 [2][11] 比赛规则设置 - 比赛围绕中证800指数进行指数增强策略研究 [6] - 参赛选手必须以中证800指数成分股为选股样本空间 其他选股范围的策略无法参赛 [8] - 评选依据年化超额收益排名 通过模拟盘业绩进行评估 [9] 平台技术特性 - Wind Alice AI指数策略平台打通策略生成建模回测结果分析报告输出与策略优化的全流程 [11] - 平台提供无代码壁垒的环境 允许天马行空的想法和独特策略视角 [2] - 平台支持策略展示与迭代 参赛选手发布策略后 其他选手可在此基础上修改优化 [8] 参赛方式 - 大赛面向Wind金融终端全部用户开放 不设门槛 [2] - 参赛流程分为研究策略提交模拟发布参赛三个步骤 [9] - 通过Wind金融终端输入快捷键"WINDX"或点击指数F5分时图页面彩色飘带进入平台报名 [12] 附加服务 - Wind提供WBUY（万得交易快线）服务 实现一次开户基金市场一键链接 [15] - 万得基金APP提供申购0折起费率优惠 专为机构打造一站式基金投研交易管理平台 [15][16]

市场整体表现 - 上证指数站稳3400点且成交量持续放大 个股涨跌比达2.57:1 [1] - 106只个股连续5天以上获主力资金净流入 其中万凯新材和长江传媒连续13天获机构买入 [1][10] 结构性行情特征 - 涨幅超6%个股占比不足50% 显示指数上涨未惠及全部个股 [2] - 机构资金集中流入传媒及新材料板块 与散户追逐热门题材形成分化 [2][10] - 机构正从高位题材向估值合理标的调仓 市场整体成交量未显著放大 [12] 机构行为分析 - 量化指标"机构库存"可穿透市场表象 活跃机构库存与股价后续走势呈正相关 [7][9] - 资金性质比股价涨跌更重要 机构持续流入标的具备更强持续性 [2][14] - 万凯新材因技术壁垒及下游行业渗透率提升获机构青睐 长江传媒因数字内容先发优势受关注 [10] 行业资金动向 - 主力资金持续流入领域涵盖新材料、消费电子及家居用品 呈现分散化特征 [10] - 传媒板块中具备确定性标的获机构集中配置 新材料板块因技术壁垒受资金关注 [2][10] 投资方法论 - 短期股价波动存在随机性 但机构交易行为呈现高度规律性 [14] - 单日资金流向参考价值有限 需重点观察连续多日资金流入标的 [14] - 真实交易数据是验证投资逻辑的核心依据 需建立数据驱动决策体系 [13][14]

量化策略类型及收益来源 - T0策略为高频日内交易策略 通过高抛低吸赚取差价 对交易速度要求极高 与大盘走势相关性较低 Alpha收益相对稳健 [4] - 中低频策略（如指数增强）借鉴主观选股框架 利用基本面数据、价量数据或另类数据对全市场股票打分 买入排名靠前的数百至上千只股票 [4] - 中性策略通过股指期货等衍生品对冲市场Beta风险 保留Alpha作为绝对收益 收益表现与市场涨跌关系不大 [5] - 相对小众策略包括CTA策略（投资商品期货）、期权套利策略（利用理论波动率与实际波动率价差套利）及跨市场投资 专业FOF团队通过均衡配置各类Alpha来源实现稳定超额收益 [5] 管理人筛选标准 - 资产安全性优先于收益考量 需杜绝三重嵌套等违规结构 确保资金由经验丰富的大型券商托管 严格限定投资范围排除非标资产或流动性不佳资产 [6] - 对符合基本要求的私募管理人进行专业尽调 通过数据分析考察细分策略、收益来源及风控体系 验证子基金是否知行合一 [6] - 尽调时优先约见投研负责人员而非市场人员 重点关注策略迭代更新能力、行情预测频率（小时至周频）、交易胜率与风控保障 并核实合作机构资质（如风控严格的国有企业） [7] - 通过跟踪净值序列和特征曲线验证管理人交易描述准确性 多次调研结合数据分析筛选言行合一机构 [8] 投后管理机制 - 持续观察底层管理人风格暴露异常情况 如发现变化则沟通评估是否需要降低配比或调出 [9] - 建立赛马机制进行投后跟踪 分析已投子基金的持仓情况、收益风险、策略容量、相关性及贡献度 结合未来判断持续优化组合 [9] 个人投资者建议 - 投资决策前需充分认识自身风险承受能力 了解投资标的的风险收益特征 避免因跟风高收益传闻盲目投资 [10]

量化模型与构建方式 1. PB-ROE-50 组合 - **模型名称**：PB-ROE-50 组合 - **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）两个估值与盈利指标，通过综合筛选构建投资组合[24] - **模型具体构建过程**：从全市场股票中筛选出 PB 较低且 ROE 较高的股票，最终选取 50 只股票构成组合，具体公式为综合评分： $$Score = w_1 \cdot Rank(PB^{-1}) + w_2 \cdot Rank(ROE)$$ 其中 $w_1$ 和 $w_2$ 为权重，$Rank$ 为排序函数，选取评分最高的50只股票[24] - **模型评价**：兼顾估值与盈利质量，风格稳定，长期表现稳健 2. 公募调研选股策略 - **模型名称**：公募调研选股策略 - **模型构建思路**：基于公募基金调研行为，挖掘调研事件背后的超额收益机会[27] - **模型具体构建过程**：跟踪公募基金调研的上市公司，结合调研频率、调研后股价表现等指标，构建投资组合[27] - **模型评价**：事件驱动型策略，捕捉机构关注度提升带来的短期机会 3. 私募调研跟踪策略 - **模型名称**：私募调研跟踪策略 - **模型构建思路**：基于私募基金调研行为，挖掘调研事件背后的投资机会[27] - **模型具体构建过程**：跟踪私募基金调研的上市公司，结合调研深度、公司基本面等指标构建组合[27] 4. 大宗交易组合 - **模型名称**：大宗交易组合 - **模型构建思路**：基于大宗交易数据，通过“高成交金额比率、低波动率”原则筛选股票[31] - **模型具体构建过程**：计算每只股票的“大宗交易成交金额比率”和“6日成交金额波动率”，选取成交金额比率高且波动率低的股票，按月调仓，公式为： $$Selection\,Criteria = \frac{Block\,Trade\,Amount}{Total\,Trading\,Amount} > \alpha\,,\, \sigma_{6d} < \beta$$ 其中 $\alpha$ 和 $\beta$ 为阈值参数[31] - **模型评价**：利用大宗交易的信息优势，捕捉流动性冲击带来的定价偏差 5. 定向增发组合 - **模型名称**：定向增发组合 - **模型构建思路**：基于定向增发事件，挖掘再融资政策收紧背景下的投资机会[37] - **模型具体构建过程**：以股东大会公告日为节点，结合市值、调仓周期和仓位控制，筛选涉及定向增发的股票[37] - **模型评价**：事件驱动策略，适应政策变化，捕捉定增事件的超额收益 模型的回测效果 1. PB-ROE-50 组合 - 中证500：上周超额收益-0.57%，今年以来超额收益3.00%，上周绝对收益2.79%，今年以来绝对收益28.59%[25] - 中证800：上周超额收益-0.02%，今年以来超额收益16.16%，上周绝对收益1.89%，今年以来绝对收益36.42%[25] - 全市场：上周超额收益0.79%，今年以来超额收益22.30%，上周绝对收益2.87%，今年以来绝对收益48.27%[25] 2. 公募调研选股策略 - 上周超额收益3.82%，今年以来超额收益8.10%，上周绝对收益5.81%，今年以来绝对收益26.96%[28] 3. 私募调研跟踪策略 - 上周超额收益0.51%，今年以来超额收益12.02%，上周绝对收益2.44%，今年以来绝对收益31.56%[28] 4. 大宗交易组合 - 上周超额收益-1.77%，今年以来超额收益0.26%，上周绝对收益未明确，今年以来绝对收益62.65%[32] 5. 定向增发组合 - 上周超额收益-1.71%，今年以来超额收益-0.77%，上周绝对收益0.32%，今年以来绝对收益20.29%[38] 量化因子与构建方式 1. 5日反转因子 - **因子名称**：5日反转因子 - **因子构建思路**：捕捉短期价格反转效应[12] - **因子具体构建过程**：计算过去5日的收益率并取负值，公式为： $$5Day\,Reversal = -R_{t-5,t}$$ 其中 $R_{t-5,t}$ 为过去5日收益率[12] - **因子评价**：短期反转效应显著，尤其在小市值股票中表现突出 2. 早盘收益因子 - **因子名称**：早盘收益因子 - **因子构建思路**：捕捉开盘后短期价格动量[12] - **因子具体构建过程**：计算开盘后一定时间内的收益率[12] 3. 对数市值因子 - **因子名称**：对数市值因子 - **因子构建思路**：捕捉市值规模效应[12] - **因子具体构建过程**：对总市值取自然对数： $$Log\,Market\,Cap = \ln(MCAP)$$ 其中 $MCAP$ 为总市值[12] 4. 市销率TTM倒数因子 - **因子名称**：市销率TTM倒数因子 - **因子构建思路**：捕捉估值低估机会[14] - **因子具体构建过程**：计算市销率（TTM）的倒数： $$PS^{-1} = \frac{1}{P/S}$$ 其中 $P/S$ 为市销率[14] 5. 标准化预期外盈利因子 - **因子名称**：标准化预期外盈利因子 - **因子构建思路**：捕捉盈利超预期带来的价格反应[18] - **因子具体构建过程**：计算实际盈利与预期盈利的差，并除以标准差标准化[18] 6. 市盈率TTM倒数因子 - **因子名称**：市盈率TTM倒数因子 - **因子构建思路**：捕捉估值低估机会[18] - **因子具体构建过程**：计算市盈率（TTM）的倒数： $$PE^{-1} = \frac{1}{P/E}$$ 其中 $P/E$ 为市盈率[18] 因子的回测效果 1. 沪深300股票池因子表现（最近1周） - 5日反转因子：3.11%[13] - 早盘收益因子：2.31%[13] - 对数市值因子：2.24%[13] - 单季度ROA因子：2.08%[13] - 标准化预期外盈利因子：1.91%[13] 2. 中证500股票池因子表现（最近1周） - 市销率TTM倒数因子：1.60%[15] - 标准化预期外收入因子：1.55%[15] - 5日反转因子：0.65%[15] 3. 流动性1500股票池因子表现（最近1周） - 市销率TTM倒数因子：2.75%[19] - 标准化预期外盈利因子：2.69%[19] - 市盈率TTM倒数因子：2.67%[19] - 市盈率因子：2.18%[19] - 标准化预期外收入因子：1.85%[19]

核心发展理念 - 公司坚持科技为先人才为本的核心发展理念 将人才视为量化投资技术创新的核心引擎[1] - 公司致力于为员工提供全球化成长平台 培养具备国际竞争力的专业化团队[1] 人才生态体系 - 公司构建三维人才生态体系 包括国际化与多元化布局 扁平化赋能与高效协作 全周期培养与终身学习[2] - 团队学科背景覆盖数学 计算机 物理 化学等多领域 通过跨学科跨文化碰撞激发创新活力[2] - 管理体系采用扁平化+投研体系中心化架构 研究员可直接参与项目讨论消除层级冗余[3] - 项目团队采用专业化分工+多项目协同模式 2-5人/组确保资源高效配置[3] - 公司鼓励成员在股票期货宏观经济等多领域探索 表现优异者可晋升为项目负责人或团队领导[3] 人才培养机制 - 选拔机制注重逆商+自驱力+工程能力的多维评估 通过代码问题考察实战能力[4] - 培养体系实行导师制 通过项目实践快速成长 投入指数级增长的算力资源支持AI等前沿技术研究[5] - 创新文化鼓励开放式思考+严谨验证 完善内部文档系统和知识库 展开内部技术探讨交流[6] 业务规模与技术实力 - 国内管理规模突破500亿元 国际化布局围绕中国股票 美国股票 全球期货 其他股票市场稳步推进[7] - 海外管理规模近三年保持稳定增长[7] - 金融数据应用场景下AI算力达800P Flops 进入世界超算排名TOP500榜单[11] - 在机器学习深度学习算法交易等模型上累积几千万行代码[11] 区域发展与行业贡献 - 公司吸引北大清华等顶尖高校毕业生留沪发展 跨国轮岗机制年均输送多人赴海外交流[9] - 积极参与高校活动包括赞助大赛 学术交流 技术讲座 设立教育发展计划支持青年科技人才培养[11] - 深度参与金融科技前沿探索 在金融投资垂类模型应用有深厚积累 将开展AI+数据跨界合作[11] 行业创新价值 - 打破传统人才筛选界限 以系统化思维训练为核心 使跨学科人才迅速成长为行业骨干[12] - 团队多元化避免同化和坍缩 保持创新活力 有效降低员工主动离职率[13] - 量化工程能力转化为行业基础设施如自研算法库 服务更多类型金融机构 降低从业者技术门槛[14]

最近市场热闹非凡，上证指数稳稳站上3400点，成交量持续放大，个股涨跌比达到2.57:1。表面上看，这波行情气势如虹，但细究之下却发现：真正涨幅超 过6%的个股还不到五成。这不禁让我想起格雷厄姆那句警世名言："牛市是普通投资者亏损的主要原因。" 一、牛市四大假象：散户的认知陷阱 就在市场一片欢腾之际，国家卫健委主导的《预制菜食品安全国家标准》草案悄然通过专家审查。这个看似与股市无关的消息，却折射出当前市场的第一个 假象——待涨假象。就像那些依赖预制菜的餐饮企业，表面光鲜的背后，可能隐藏着巨大的转型压力。 第二个是冷热假象。看看最近的海运价格全线下跌，宁波出口集装箱运价指数环比跌11.7%，21条航线中17条运价下滑。这种行业冷暖的变化，往往被牛市 的喧嚣所掩盖。 第三个是涨跌假象。高盛否认上调胜宏科技目标价的传闻给我们提了个醒：市场上充斥着各种真假难辨的信息。就像那些被归类为光模块概念的青山纸业， 9天6板后不得不澄清事实。 第四个是高低假象。当看到企业贷款利率维持历史低位（8月新发贷款加权平均利率约3.1%），很多人会想当然地认为市场资金充裕。但别忘了同时出现的 股东减持潮——超30家公司发布减持计划，包括 ...

报告行业投资评级 未提及 报告的核心观点 - 模型多维度提示关注沪深 300 的配置价值，沪深 300 指增长期超额收益明显，发展稳定，中欧旗下两只沪深 300 指增有较高超额收益和较低相关性 [4] 根据相关目录分别进行总结 模型信号：多维度提示关注沪深 300 的配置价值 - 沪深 300 指数成交额占比近期提升，8 月以来显著上升，关注度突出 [4][9] - 沪深 300 是高质量宽基指数，盈利能力 ROE 指标领先、盈利稳健，兼具“偏低估值”与“高质量”特征 [4][14] - 沪深 300 股息性价比突出，近 12 个月股息率 2.63%，超中证 500、中证 1000 及十年期国债收益率，与中证红利股息率差距下滑 [4][15] - 沪深 300 成分股年内高涨幅股票占比偏低，低于指数涨幅的占比超 50%，含美的集团、贵州茅台等高质量股票 [4][20] - 模型提示大盘风格占优，短期内 5 日 RSI 相对 20 日 RSI 大幅下滑，沪深 300 指数相对突出 [4][23] 沪深 300 指数增强基金：投资价值与策略分析 沪深 300 指增的长期超额收益明显 - 2015 年以来（2015/1/6 - 2025/9/5）等权持有沪深 300 指增累计收益率 92.89%，沪深 300 指数为 22.48%，超额收益 70.40%，年化超额收益 5.31% [4][26] - 近十年沪深 300 指增每年超额收益均值、中位数为正，2021 年后不同指增产品超额收益差距缩小，业绩前 25%分位数的近年年化超额收益在 2.5% - 4.5% [4][30] 整体发展情况与基金经理背景分析 - 2016 年至 2025 年沪深 300 指增规模增长超 700 亿元，受市场行情影响小，体现配置需求 [4][34] - 规模靠前的 10 只沪深 300 指增产品集中度相对较高，不同产品跟踪误差、超额收益回撤及相关性有差异 [37] - 11 家管理人旗下有两只沪深 300 指增产品，管理模式多样 [39] - 8 只沪深 300 指增有主动基金经理参与管理，中欧沪深 300 指数增强超额收益回撤控制最好 [40] 如何挑选沪深 300 指增：投资策略分类与分析维度 - 指增基金超额收益来源可分为投资能力、投资广度、投资机会，投资能力由管理人决定 [42] - 量化指数增强基金投资决策流程可归纳为四步，收益预测模型是重要环节，方法论大致分四类 [42] - 公募指数增强基金可分为五大流派，具体策略需结合产品分析 [48] - 分析指数增强基金可关注超额收益环境适应能力和相关指标，今年业绩靠前的 15 只沪深 300 指增中，中欧两只产品入选 [50] 中欧旗下的两只沪深 300 指增：较高的超额收益&较低的相关性 - 两只产品今年业绩突出，投资策略有特色，因子拥挤度低、有效性强，放 FOF 组合可降波动、提收益风险比 [51][53] - 中欧沪深 300 指数增强今年收益率 20.10%，超额收益 6.75%，采用基本面和量化结合方法选股 [56][61] - 中欧沪深 300 指数量化增强今年收益率 17.24%，超额收益 3.89%，用机器学习模型预测个股收益 [57][61] - 两只产品投资方法和策略有特色，因子暴露、行业偏离情况不同 [63][67]

这份研报主要跟踪和分析了各类市场指标和风格表现，并未涉及传统意义上需要构建的量化选股模型或阿尔法因子。报告的核心是对现有风格指数、估值、资金面等指标的跟踪和解读。以下是基于报告内容的总结： 量化模型与构建方式 本报告未涉及需要构建的量化选股模型或阿尔法因子。 模型的回测效果 本报告未涉及量化模型的回测效果。 量化因子与构建方式 本报告未涉及需要构建的量化选股因子。 风格指数与跟踪指标 1. 风格拥挤度 **构建思路：** 衡量不同风格（如成长/红利、小盘/大盘等）的交易热度相对于历史水平和市场整体水平的位置，用于判断风格是否过热或过冷[37][122]。 **具体构建过程：** 1. 分别计算风格指数和万得全A指数近n个交易日（n=63，即一个季度）的日均换手率。 2. 在滚动y年（y=6）的历史窗口内，对这两组换手率时间序列分别进行z-score标准化。 3. 计算风格指数标准化后的换手率与万得全A指数标准化后的换手率之差。 4. 最后计算该差值的滚动历史分位值，即为风格拥挤度分位点[122]。 2. 风格累计超额净值 **构建思路：** 计算各风格指数相对于万得全A指数的累计超额收益，用于观察风格的长期表现[37][123]。 **具体构建过程：** 1. 以2016年1月4日为基准日，计算风格指数和万得全A指数的每日累计净值（当日收盘价 / 基准日收盘价）。 2. 将风格指数的每日累计净值除以万得全A指数同日的累计净值，得到每日的相对净值。 3. 这一系列相对净值连接起来即构成该风格相对于万得全A的累计超额净值曲线[123]。 3. 机构调研活跃度 **构建思路：** 衡量不同板块或行业受到机构关注度的历史分位水平，分为长期和短期口径[104][124]。 **具体构建过程：** 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”。 * 长期口径：n取126（近半年）[124] * 短期口径：n取63（近一季度）[124] 2. 在滚动历史窗口（长期口径为6年，短期口径为3年）内，对该“日均机构调研次数”序列以及万得全A的对应序列分别进行z-score标准化。 3. 计算板块标准化后的数值与万得全A标准化后的数值之差，得到“机构调研活跃度”。 4. 最后计算该“机构调研活跃度”在滚动历史窗口内的历史分位数[124]。 4. 股债风险溢价（ERP） **构建思路：** 衡量股票市场相对于债券市场的估值吸引力，是常见的股债性价比指标[72]。 **具体构建过程：** $$ erp = \frac{1}{指数 PE_{TTM}} - 10年期中债国债到期收益率 $$ 其中，$PE_{TTM}$ 为指数滚动市盈率[72]。 指标跟踪结果 风格表现 (截至2025年9月12日) | 风格对比 | 近一周收益(%) | 近一月收益(%) | 年初至今收益(%) | | :----------------- | :------------ | :------------ | :------------- | | 成长-红利 | 1.9 | 13.9 | 22.9 | | 小盘-大盘 | 1.6 | -0.3 | 9.1 | | 微盘股-基金重仓 | 0.1 | -6.4 | 35.1 | | 动量-反转 | -1.3 | -2.0 | 24.4 | *数据来源：图表6[27]* 风格拥挤度历史分位 (截至2025年9月12日) | 风格 | 当前分位 | | :--------- | :------- | | 成长 | 14% | | 红利 | 32% | | 小盘 | 32% | | 大盘 | 76% | | 微盘股 | 15% | | 基金重仓 | 88% | *数据来源：图表11[37]* 估值水平 (PE_TTM历史分位) | 指数 | 当前分位 | 状态 | | :--------- | :------- | :--- | | 万得全A | 91% | 极高 | | 沪深300 | 80% | 极高 | | 中证500 | 73% | 较高 | | 创业板指 | 39% | 较低 | *数据来源：图表26,27,28,29,30[62][68][70]* 股债性价比 (ERP历史分位) | 指数 | 当前分位 | 状态 | | :--------- | :------- | :--- | | 万得全A | 47% | 均衡 | | 沪深300 | 48% | 均衡 | | 中证500 | 66% | 较高 | | 创业板指 | 86% | 极高 | *数据来源：图表31,32,33,34,35[72][78][80]* 机构调研活跃度历史分位 (长期口径) **前列行业:** 有色金属(97%)、房地产(94%)、石油石化(93%)[104] **后列行业:** 银行(9%)、机械(18%)、医药(23%)[104] *数据来源：图表47[105]*

行业变革趋势 - 公募量化投资正从传统量化全面向AI量化转型 数据与算法重塑投资决策方式 [1] - 行业面临降薪降费 人才流失和主动管理能力弱化挑战 推动AI技术为基础的投研体系改革 [2] - 产品工具化率提升 某中型公募产品工具化率超过70% 预计2026年完成智能投研升级 [2] 技术应用差异 - AI量化能处理非标准化数据 包括研报文本 行业政策和社交媒体情绪 显著提升超额收益 [3] - 不同公司采用差异化路径：嫁接海外算法框架 AI与传统模型加权融合 或专注行业轮动 [3] - AI模型用于寻找传统多因子模型难以发现的特殊因子 增强投资策略多样性 [4] 数据竞争核心 - 数据质量成为差异化关键 非结构化数据处理能力决定模型信息密度 [5] - 整合内部非结构化资产 包括研究员笔记 电话会议录音和产业链群聊记录 通过NLP技术转化 [5] - 专业团队基于经验选择有价值特征数据 而非全量输入 形成竞争优势 [6] 竞争优势与挑战 - AI量化覆盖全市场5000多只股票 不受情绪影响 保持投资纪律性 [6] - 客户忠诚度较低 业绩波动易导致规模缩水 需持续争取超额收益 [6] - 中小基金公司缺乏平台优势 通过构建数据平台+策略工厂双引擎应对竞争 [2]