量化模型与因子总结 量化因子与构建方式 **1. 深度学习因子** 1. **因子名称**：agru_dailyquote[5][56] * **因子构建思路**：基于日频行情数据，使用注意力门控循环单元（AGRU）深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤，仅提及了模型类型（AGRU）和使用的数据源（日频行情）[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为13.94%，历史胜率达91.63%，表现出较高的预测能力和稳定性[5][56]。 2. **因子名称**：DL_1[5][56] * **因子构建思路**：使用深度学习模型构建的Alpha因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为14.08%，历史胜率为87.97%[5][56]。 3. **因子名称**：fimage[5][56] * **因子构建思路**：基于图像数据的深度学习因子[5]。 * **因子具体构建过程**：报告未提供该深度学习因子的具体构建公式和详细计算步骤[5]。 * **因子评价**：在全市场月度换仓条件下，该因子历史RankIC均值为5.17%，历史胜率为78.11%[5][56]。 **2. Level-2高频因子** 1. **因子名称**：integrated_bigsmall_longshort[5][56] * **因子构建思路**：综合大小单和长短单信息的复合因子[5][56]。 * **因子具体构建过程**：报告未提供该复合因子的具体构建公式和详细计算步骤[56]。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为15.18%，历史RankIC均值为11.10%，历史胜率为75.86%[5][56]。 2. **因子名称**：bigbuy[56] * **因子构建思路**：基于Level-2数据的大单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：bigsell[56] * **因子构建思路**：基于Level-2数据的大单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：bigbuy_bigsell[56] * **因子构建思路**：大单买入与大单卖出合成的因子[56]。 * **因子具体构建过程**：报告未提供该合成因子的具体构建公式和详细计算步骤[56]。 5. **因子名称**：longbuy[56] * **因子构建思路**：基于Level-2数据的长单买入因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 6. **因子名称**：longsell[56] * **因子构建思路**：基于Level-2数据的长单卖出因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 7. **因子名称**：integrated_bigsmall[56] * **因子构建思路**：综合大小单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 8. **因子名称**：integrated_longshort[56] * **因子构建思路**：综合长短单信息的因子[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **3. 分钟频因子** 1. **因子名称**：Amihud_illiq[5][58] * **因子构建思路**：衡量股票非流动性的因子，基于Amihud非流动性指标构建[5][58]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[58]。经典的Amihud非流动性指标计算公式通常为： $$Illiq_{it} = \frac{|R_{it}|}{VOLD_{it}}$$ 其中，$R_{it}$为股票i在第t日的收益率，$VOLD_{it}$为股票i在第t日的成交金额（以万元计）。因子值通常取一定时间窗口内的平均值。 * **因子评价**：在全市场月度换仓条件下，该因子近期表现较好，近一月RankIC均值为16.88%，历史RankIC均值为11.17%，历史胜率为74.95%[5][58]。 2. **因子名称**：real_var[56] * **因子构建思路**：日内已实现方差因子，衡量股票日内价格波动[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 3. **因子名称**：real_skew[56] * **因子构建思路**：日内已实现偏度因子，衡量股票日内收益率分布的不对称性[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 4. **因子名称**：real_kurtosis[56] * **因子构建思路**：日内已实现峰度因子，衡量股票日内收益率分布的尖峭程度[56]。 * **因子具体构建过程**：报告未提供该因子的具体构建公式和详细计算步骤[56]。 **4. 风格因子** 报告列出了盈利、成长、杠杆、流动、技术、规模、质量、估值共8大类45个风格因子[5][59][60]。这些均为传统基本面与市场面因子，报告未提供其具体构建过程。部分示例如下： 1. **因子名称**：销售净利率、毛利率、ROE、ROA（盈利类）[59] 2. **因子名称**：股东权益增长率、净利润增长率、EPS增长率（成长类）[59] 3. **因子名称**：资产负债率、长期负债比率（杠杆类）[59] 4. **因子名称**：1个月成交金额、换手率（流动类）[59] 5. **因子名称**：一个月股价反转、三个月股价反转（技术类）[59] 6. **因子名称**：流通市值、总资产（规模类）[59] 7. **因子名称**：存货周转率、流动比率（质量类）[60] 8. **因子名称**：EP、BP、SP、DP（估值类）[60] 因子的回测效果（全市场，月度换仓） 以下为报告“表1：因子表现分析（全市场，月度换仓）”中部分因子的历史表现汇总[56][58][59][60]。指标包括：近一周RankIC均值、近一月RankIC均值、近一年RankIC均值、历史以来RankIC均值、历史胜率。 1. **agru_dailyquote因子**，近一周RankIC均值5.18%，近一月RankIC均值12.44%，近一年RankIC均值14.42%，历史以来RankIC均值13.94%，历史胜率91.63%[56] 2. **DL_1因子**，近一周RankIC均值4.00%，近一月RankIC均值19.68%，近一年RankIC均值16.48%，历史以来RankIC均值14.08%，历史胜率87.97%[56] 3. **fimage因子**，近一周RankIC均值-0.17%，近一月RankIC均值3.95%，近一年RankIC均值3.92%，历史以来RankIC均值5.17%，历史胜率78.11%[56] 4. **integrated_bigsmall_longshort因子**，近一周RankIC均值-4.74%，近一月RankIC均值15.18%，近一年RankIC均值9.78%，历史以来RankIC均值11.10%，历史胜率75.86%[56] 5. **Amihud_illiq因子**，近一周RankIC均值-3.21%，近一月RankIC均值16.88%，近一年RankIC均值13.34%，历史以来RankIC均值11.17%，历史胜率74.95%[58] 6. **一个月股价反转因子**，近一周RankIC均值-13.27%，近一月RankIC均值-4.60%，近一年RankIC均值-9.14%，历史以来RankIC均值-7.01%，历史胜率68.05%[59] 7. **BP(行业相对)因子**，近一周RankIC均值-2.04%，近一月RankIC均值7.28%，近一年RankIC均值6.13%，历史以来RankIC均值6.29%，历史胜率71.92%[60] 模型的回测效果（指数增强） 以下为报告第二部分中，三个深度学习因子在控制行业、市值等偏离度，并进行月末换仓、双边千三计费的条件下，于“沪深300”板块进行指数增强策略的回测表现（2020-2025年）[21][34][49]。指标包括：总收益、年化收益率、最大回撤率、年化波动率、信息比率(IR)、夏普比率、收益回撤比。 1. **agru_dailyquote因子模型**，总收益68.73%，年化收益率9.29%，最大回撤率-7.29%，年化波动率4.30%，信息比率(IR)2.16，夏普比率1.58，收益回撤比1.27[21] 2. **DL_1因子模型**，总收益39.95%，年化收益率5.87%，最大回撤率-9.15%，年化波动率4.37%，信息比率(IR)1.34，夏普比率0.77，收益回撤比0.64[34] 3. **fimage因子模型**，总收益45.52%，年化收益率6.58%，最大回撤率-3.58%，年化波动率3.70%，信息比率(IR)1.78，夏普比率1.10，收益回撤比1.84[49]

量化模型与构建方式 1. 模型名称：三维择时框架 * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场走势，当三个维度趋势一致时给出明确的上涨或下跌判断[9]。 * **模型具体构建过程**：模型基于三个核心指标进行判断[9]。 1. **分歧度**：衡量市场参与者观点的离散程度，当前处于下行趋势[9]。 2. **流动性**：衡量市场资金面的松紧程度，当前处于下行趋势[9]。 3. **景气度**：衡量上市公司基本面的繁荣程度，当前处于上行趋势[9]。 当三个指标的趋势方向一致时，框架转为一致的上涨或下跌判断。例如，当前分歧度下行、流动性下行、景气度上行，框架转为一致上涨判断[9]。 2. 模型名称：热点趋势ETF策略 * **模型构建思路**：结合价格形态（支撑阻力）和市场短期关注度（换手率变化）来筛选ETF，构建风险平价组合[30]。 * **模型具体构建过程**： 1. **形态筛选**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[30]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[30]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的ETF，即短期市场关注度明显提升的品种[30]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建组合[30]。 3. 模型名称：ETF三策略融合轮动模型 * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格的互补，降低单一策略风险[35]。 * **模型具体构建过程**： 1. **策略构成**：模型融合了三个子策略[35]。 * **行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性[36]。 * **个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[36]。 * **困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[36]。 2. **融合方式**：将三个子策略的选股结果进行等权组合[35]。 4. 模型名称：融资-主动大单资金流共振策略 * **模型构建思路**：利用融资融券资金流和主动大单资金流两个维度，通过取交集（在主动大单因子头部行业中剔除融资融券因子头部行业）的方式，筛选出具有资金共振效应的行业，以提高策略稳定性[44][45]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：定义为经过Barra市值因子中性化后的（融资净买入-融券净买入）个股加总值，取最近50日均值后的两周环比变化率[44]。 2. **构建行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[44]。 3. **策略逻辑**：研究发现融资融券因子的多头端在不同市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业[45]。 4. **行业剔除**：进一步剔除大金融板块[45]。 5. 因子名称：风格因子（盈利收益率、市值、价值） * **因子构建思路**：报告跟踪了多个风格因子的表现，本周市场呈现“高盈利高市值高价值”的特征[50]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及了因子的表现方向。盈利收益率因子代表高盈利个股，市值因子代表高市值个股，价值因子代表高价值个股[50]。 6. 因子名称：Alpha因子（动量、研发收入类等） * **因子构建思路**：从多维度（时间、指数、行业）观察不同因子的表现趋势，计算其多头超额收益（前1/5组）[52]。除规模因子外，均进行了市值、行业中性化处理[52]。 * **因子具体构建过程**：报告列出了多个因子的近期表现和释义，例如： * **一年期动量因子 (pb_roe)**：近一周多头超额收益1.13%，定义为“1年-1个月的收益率”[55]。 * **研发销售收入占比因子 (safexp_operrev)**：近一周多头超额收益1.04%[55]。 * **销售费用因子 (ep_q_adv)**：近一周多头超额收益0.96%，定义为“管理费用/总销售收入”[55]。 7. 模型名称：多风格增强策略（质量增强、红利增强等） * **模型构建思路**：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[58]。 * **模型具体构建过程**：报告未详细描述具体增强因子的构建方法，但展示了基于不同风格（质量、红利、长期成长、价值、低波、短期动量、长期动量）的增强策略及其绩效[62]。 模型的回测效果 1. 热点趋势ETF策略 * 今年以来收益率：34.49%[30] * 相比沪深300指数的超额收益：19.58%[30] 2. ETF三策略融合轮动模型 * 截至2025年12月12日组合收益率：12.11%[39] * 夏普率：0.73[39] * 今年以来组合收益率：25.60%[39] * 信息比率 (IR)：1.09 (All)[40] * 最大回撤：-24.55% (All)[40] * 分年度绩效详见报告表4[40] 3. 融资-主动大单资金流共振策略 * 2018年以来费后年化超额收益：14.3%[45] * 信息比率 (IR)：1.4[45] * 策略上周（截至报告期）绝对收益：-0.27%[45] * 策略上周（截至报告期）超额收益（相对行业等权）：0.37%[45] 4. 多风格增强策略（截至2025年12月12日） * **质量增强策略**：本周超额收益率2.00%，本年超额收益率-0.01%，最近一年年化收益率18.89%，夏普率1.54，区间最大回撤-5.73%[62] * **红利增强策略**：本周超额收益率0.62%，本年超额收益率13.71%，最近一年年化收益率17.45%，夏普率1.45，区间最大回撤-5.88%[62] * **长期成长增强策略**：本周超额收益率-0.97%，本年超额收益率4.29%，最近一年年化收益率24.26%，夏普率1.40，区间最大回撤-12.76%[62] * **价值增强策略**：本周超额收益率-1.97%，本年超额收益率-12.03%，最近一年年化收益率8.76%，夏普率0.54，区间最大回撤-11.34%[62] * **低波增强策略**：本周超额收益率-2.08%，本年超额收益率4.30%，最近一年年化收益率22.72%，夏普率1.73，区间最大回撤-8.73%[62] * **短期动量增强策略**：本周超额收益率-1.86%，本年超额收益率-15.35%，最近一年年化收益率6.46%，夏普率0.46，区间最大回撤-9.14%[62] * **长期动量增强策略**：本周超额收益率-1.20%，本年超额收益率-16.31%，最近一年年化收益率7.55%，夏普率0.55，区间最大回撤-9.53%[62] 量化因子与构建方式 （注：报告中提及的Alpha因子和风格因子，其具体构建方式已在上述“量化模型与构建方式”部分的第5、6点中说明，此处不再重复列出。） 因子的回测效果 1. 风格因子（本周表现） * 盈利收益率因子：正收益2.04%[50] * 市值因子：正收益1.51%[50] * 价值因子：正收益1.37%[50] 2. Alpha因子（近一周多头超额收益，截至2025年12月12日） * 一年期动量因子 (pb_roe)：1.13%[55] * 研发销售收入占比因子 (safexp_operrev)：1.04%[55] * 销售费用因子 (ep_q_adv)：0.96%[55] 3. 分指数Alpha因子表现（上周多头超额收益，截至2025年12月12日，前20因子示例） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：在沪深300中超额收益25.52%，在中证500中10.16%，在中证800中17.88%，在中证1000中21.98%[57] * **单季度ROE同比差值（考虑快报、预告）因子 (roe_q_delta_adv)**：在沪深300中超额收益24.15%，在中证500中11.37%，在中证800中19.46%，在中证1000中20.24%[57] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：在沪深300中超额收益14.41%，在中证500中18.54%，**在中证800中21.49%**，在中证1000中15.27%[57] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：在沪深300中超额收益11.41%，**在中证500中20.25%**，在中证800中19.65%，在中证1000中16.88%[57] * **单季度净利润同比增速（考虑快报、预告）因子 (yoy_np_q_adv)**：在沪深300中超额收益22.25%，在中证500中9.56%，在中证800中15.85%，**在中证1000中22.74%**[57]

量化投资策略演进 - Alpha因子数量呈现指数级增长 但因子挖掘的边际效用递减 核心矛盾转向模型配置[2][5] - 不同因子合成模型在不同市场阶段表现差异明显 没有单一模型能始终适应所有市场环境[8][10][12] - 线性模型(IC加权、线性回归)在趋势明确市场表现更好 非线性模型(XGBoost)在市场结构变化时展现优势[7][10] 传统配置方法局限性 - 均值-方差模型对输入参数高度敏感 历史数据微小扰动会导致输出权重较大变化[14][15] - 机器学习集成方法存在"黑箱"问题 可解释性差 影响投资决策信任度[16] - 传统方法陷入"收益-可解释性-稳定性"不可能三角 需要新的配置方法[13][16] LLM研判推理框架 - 采用三层架构：训练层(多模型策略库)、分析层(自动化绩效分析)、决策层(LLM配置决策)[3][19][21] - 分析层生成结构化"绩效分析简报" 包含市场状态刻画和多维度绩效评估[24][25][28] - 决策层通过精心设计的Prompt引导LLM扮演投资经理 进行逻辑推理和权重分配[3][29][31] 框架实施效果 - 在沪深300成分股内回测显示年化超额收益达7.21% 信息比率0.68[41][44] - 最大回撤-9.47% 低于所有基准模型和等权基准的-10.50%[41][44] - 在2021年9月市场风格切换中成功规避回撤 通过高配XGB模型和低配IC模型[39][44] 框架优势特点 - 将模型配置从数值优化问题转变为逻辑推理任务 追求逻辑合理性而非数学最优解[18][25] - 决策过程透明可解释 输出包含精确权重和决策理由 建立人机信任[31][44] - 能够动态适应市场变化 根据市场状态调整模型权重配置[25][39] 未来优化方向 - 扩展基础模型库 加入深度学习模型和另类策略等低相关策略[44] - 丰富市场状态维度 融入宏观数据和情绪指标等另类数据[45]

指数增强基金概述 - 指数增强基金在被动复制指数样本股的同时通过主动选股力求获取超额收益 是指数投资的升级版 [1] - 通过多因子、基本面量化、风格轮动、深度学习等策略模型精准匹配多种行情 例如多因子模型通过财务数据、传统量价数据、分析师预期数据等海量数据构建策略 [1] - 截至2025年8月22日全市场增强ETF产品共有60多只 近一半在近2年成立 不少为2025年新成立产品 [1] 指数增强策略表现分化 - 近一年部分沪深300指数增强ETF整体收益低于完全复制法指数ETF 例如国泰沪深300增强策略ETF回报36.95% 低于基准37.13% [2][3] - 中证A500指数增强策略同样出现收益不及基准的情况 [2] - 小盘股指数增强表现优异 招商中证2000增强策略ETF近一年回报达96.56% 银华和海富通同类产品收益率均超90% [5][6] 策略有效性差异原因 - 大盘股（如沪深300成分股）机构覆盖充分且信息透明 定价效率高导致量化策略难以找到错误定价 [4] - 策略同质化严重导致超额收益衰减较快 [4] - 市场从"基本面驱动"转向"资金流驱动" 个股表现与ETF资金流向关联度提升 基本面因子有效性下降 [4] - 小盘股（如中证1000、中证2000成分股）机构研究不足 存在更多定价偏差 量化模型可通过数据挖掘捕捉超额收益 [4] 长期收益优势 - 中证A500增强指数（Wind）在近3年、5年、10年维度表现遥遥领先基准指数 [7] - 近5年中证A500出现负收益情况下 A500增强指数仍能取得近30%超额收益 [8] - 中国资本市场弱有效性为指数增强产品创造超额收益提供空间 持有时间越长超额收益越高 [9] 产品定位与市场价值 - 指数增强基金为非专业投资者提供接近机构水平的量化能力 为专业投资者提供高效资产配置工具 [9] - 在超额收益概率高达90%以上的背景下 产品兼具Beta收益与Alpha收益的特性成为持续吸金根本原因 [9]

会议信息 - 2025年夏季量化沙龙(上海站)将于8月13日(周三)13:30-17:00举行 [1] - 地址为上海市浦东新区东方路778号金陵紫金山大酒店四楼紫玉A厅 [1] 会议议程 13:30-14:00 - 主题为稳健型选股策略探析 [1] - 主讲人为国信证券金融工程首席分析师张欣慰 [1] 14:00-14:30 - 主题为启发式分域视角下的多策略增强组合 [1] - 主讲人为国信证券金融工程首席分析师张欣慰 [1] 14:30-15:00 - 主题为日内特殊时刻蕴含的主力资金Alpha信息 [1] - 主讲人为国信证券金融工程联席首席分析师能宇 [1] 15:00-15:30 - 主题为风险模型全攻略 -- 恪守、衍进与实践 [2] - 主讲人为国信证券金融工程联席首席分析师张宇 [2] 15:30-16:00 - 主题为财务报表中的Alpha因子扩容与增强 [4] - 主讲人为国信证券金融工程联席首席分析师张宇 [4] 16:00-16:30 - 主题为基金经理逆向投资能力与投资业绩 [4] - 主讲人为国信证券金融工程分析师陈梦琪 [4] 16:30-17:00 - 主题为隐性风险视角下的选基因子统一改进框架 [4] - 主讲人为国信证券金融工程分析师胡志超 [4] 参会方式 - 活动名额有限需提前报名审核 [2] - 报名通过审核后会通过电话或短信确认 [2] 参会福利 - 现场参会者将获赠《国信金工团队2025年研究报告精选集》 [5]

文章核心观点 - 2025年1月20日上证科创板综合指数发布 公司根据编制规则复制该指数且准确率较高 构建复合因子并探讨不同约束条件下的指数增强效果 特定条件下超额年化收益率为6.37% [1][2][3] 上证科创板综合指数概况 - 2025年1月20日 上交所和中证指数公司发布上证科创板综合指数 为市场提供业绩基准和投资标的 [1][5][26] - 指数样本由上交所符合条件的科创板上市公司证券组成 样本分红计入指数收益 样本空间含科创板股票和红筹企业存托凭证 不含ST、*ST证券 [1][5][26] - 前三大权重行业为信息技术52.8%、工业24.3%、医药卫生15.1% 前10大权重股中信息技术行业居多 [5] - 截至2025年3月21日 11家基金公司成立11只科创综指ETF被动产品 总规模超98亿元 未来产品规模有望扩增 [6] 上证科创板综合指数复制 - 公司根据编制规则估计科创综指历史成分股及权重 实现指数复制 复制指数与实际指数高度重合 估计准确率较高 [2][8] - 指数调整日期不定期 选样选样本空间内所有证券 不同情形的证券有不同的指数样本调整规则 [9] 上证科创板综合指数增强 Alpha因子在科创综指成分股中的表现统计 - 公司对Alpha因子数据库中的因子进行有效性测试 考量RankIC表现 挑选多个绩优因子构建复合因子 [10][13] - 2021/01/01 - 2025/03/14期间 复合因子在科创综指成分股内历史RankIC均值为9.6%、胜率为77.0% 10分档组合收益单调性显著 [13] - 同期 复合因子在全市场及沪深300、中证500等各大板块RankIC表现较优 10分档组合收益单调性显著 [14] 不同约束条件下的科创综指增强 - 指数增强以最大化组合在复合因子上的加权得分α^T w为目标函数 控制指数成分股占比下限等四个约束条件 [21] - 回测区间为2021/01/01 - 2025/03/14 展示相对基准的超额收益 已双边千三换手计费 [22] - 以收益回撤比控制约束条件 最优约束条件为指数成分股占比下限0.90、个股偏离上限0.01、市值暴露偏离上限0.05、行业暴露偏离上限0.05 [24] - 该条件下 2021/01/01 - 2025/03/14期间 双边千三计费 超额年化收益率为6.37% 超额最大回撤率为7.08% 超额年化波动率为6.92% 超额收益回撤比为0.90 [3][25][27] 总结 - 上证科创板综合指数于2025年1月20日发布 公司复制该指数准确率高 [26] - 公司构建复合因子并探讨不同约束条件下的指数增强效果 特定条件下有较好超额收益表现 [27]