展望未来，袁宇认为，过去量化私募主要依靠算法生成股票预测信号，而如今AI技术已被嵌入数据清 理、特征提取、组合优化、交易执行等整个投研流程。强化学习、深度学习等前沿技术也助力量化私募 在风险控制与资产配置等环节实现动态优化。"总体来看，行业的核心竞争力正从资金规模转向模型与 算法的迭代速度，越来越多的量化私募将更像科技公司。" 谈及全球竞争格局，袁宇表示，海外不少量化模型长期在全球市场中占据压倒性优势，但过去一年，中 国本土量化投资策略的实战表现已超越海外头部机构。他认为，这一突破的根本原因在于：其一，中国 拥有活跃且持续成长的资本市场，为模型持续优化提供了充足的数据支持；其二，本土人才优势日益凸 显，无论是AI科研人才还是金融数据分析师，都为量化私募的快速发展奠定了坚实基础。 12月16日，在2025南通投资大会暨上证多层次资本市场高质量发展大会上，鸣石基金总经理袁宇在发表 主题演讲时表示，国内量化私募行业的发展本身就是科技驱动的。如今，量化私募与人工智能的深度融 合，正推动本土资产管理行业迈向新的竞争格局。 袁宇介绍，中国量化基金的起步与2010年沪深300股指期货的推出密切相关，并在2019年进入高速发 ...

量化策略优势持续性分析框架 - 构建分析框架认为A股市场模式在"共识行情"与"分歧行情"间周期性切换，决定主动与量化策略相对有效性[2] - 市场模式切换引发超额收益来源结构性演变，在侧重深度基本面预判的"认知型Alpha"与侧重捕捉短期定价偏差的"交易型Alpha"之间转变[2] - 引入"机构持仓集中度"作为核心指标连接宏观市场模式与微观Alpha来源，集中度提升预示"共识行情"压缩"交易型Alpha"空间，集中度下降则对应"分歧行情"有利量化策略[2] 市场模式历史回顾与特征 - "共识行情"特征为存在强大产业趋势驱动的清晰主线，如2017年"漂亮50"及2019-2021年新能源半导体主题，此阶段有效性取决于研究"深度"更利主动策略[6] - "分歧行情"特征为经济存量博弈缺乏整体共识主线，如2022年至2025上半年资金高频切换轮动，此阶段有效性取决于"广度"和"纪律性"使量化策略表现出优势[7] - 自2025年下半年以来AI等新兴主题形成新投资主线，策略重心可能再次从捕捉轮动"广度"向挖掘主线"深度"倾斜[11] Alpha来源演变与验证 - "交易型Alpha"适应分歧行情，侧重捕捉市场短期无效性，来源包括行为偏差Alpha和微观结构Alpha[18] - "认知型Alpha"适应共识行情，侧重对未来基本面正确预判，来源包括产业趋势预判、核心标的挖掘及通过另类数据实现的另类Alpha[19] - 数据验证显示2022年前共识行情下认知型Alpha预测能力更强，2022年以来分歧行情中交易型Alpha收益预测能力更强[25] 市场集中度指标构建与作用 - 市场集中度是连接宏观模式与微观Alpha来源的关键指标，高集中度对应共识行情奖励"深度"，低集中度对应分歧行情奖励"广度"[26][27][28] - 基于公募基金季度前十大重仓股数据构建集中度指数，数值越高代表机构持仓越集中头部股票市场共识越强[30][31] - 历史数据显示集中度是判断因子有效性的关键，集中度下行区间市值反转等传统因子更优，上行区间这些因子可能失效[31] 2026年市场集中度与量化策略展望 - 判断2026年市场集中度将进入"中枢抬升的平台期"，中枢高于2022-2024年但低于历史高点并震荡[38] - "中枢抬升"动力来自市场机构化长期趋势未逆转，ETF等增量资金对龙头公司偏好构成底部支撑[39] - "平台震荡"约束来自估值性价比抑制，当前大小盘估值分位数均处于历史高位（滚动5年市盈率分位数80%以上），缺乏风格洼地抑制资金形成单边共识[40] - 复杂主线行情下量化策略仍具优势，需结合理解主线的"深度"与捕捉轮动的"广度"，平均表现可能仍优于主动权益基金[41][42] 2026年A股市场整体观点 - 对2026年A股市场维持中期乐观判断，综合估值情绪资金等指标显示市场未处极端过热状态，风险溢价具吸引力[43][44] - 宏观预期差模型显示PPI超预期、社融规模连续两月超预期、CPI连续两月不及预期、人民币贷款连续三月不及预期，整体对股票市场影响偏中性[44] - 风格判断短期价值占优，四象限风格轮动模型显示综合得分由偏小盘转向均衡，成长价值维度转向价值[45]

行业政策与趋势 - 政策明确提出促进行业高质量发展，鼓励基金公司加大对人工智能、大数据等新兴技术的研究与应用[1] - 公募基金行业正站在技术驱动的历史拐点，AI日益成为行业转型升级的核心引擎[1] 公司AI技术应用历程与基础 - 中银基金是国内首批投入AI新浪潮的基金公司之一，早在2009年就已组建量化投研团队[2] - 公司已自主完成从数据库到投资策略模型的构建，并自主构建因子库、阿尔法模型、风险模型、优化器模型、归因模型等[1] AI在数据处理与因子挖掘中的应用 - AI技术可将非结构化、多源、海量的"边缘数据"低成本纳入因子框架，早期使用BERT等轻量级神经网络对上市公司公告进行情感分析[2] - 大语言模型成为新基座后，数据处理的广度和深度得到质的飞跃，可将数据量更大的券商研报、论坛评论等纳入语义分析，并识别公司公告中的隐语[2] - 公司团队构建基于大模型的算法挖掘体系，将因子公式算子化、算子组合自动化、筛选标准严格化，形成模型驱动的算法挖掘流程[3] - 该体系能在传统因子挖掘周期内产出数量级更多的有效因子，同时保持因子质量和多样性，使研究员能将精力更多投入复杂因子设计和核心模型架构[3] AI对量化投资策略的全面影响 - AI研究方法论深度参与策略开发，包括收益预测、另类研究、组合优化等多个层面[4] - 在收益预测方面，使用神经网络、树模型对人工挖掘因子进行非线性组合，或使用股票量价数据直接预测收益率，深度神经网络能捕捉市场复杂模式，树模型提供优秀特征组合能力[4] - 在另类研究领域，大语言模型更好赋能文本情感分析及文本嵌入，在因子挖掘领域提供了区别于传统人工挖掘与遗传算法的新路径[4] 人机协同与未来展望 - 成功的量化投资实践表明，人机协同是最优解决方案，经验性判断在实际量化投资中仍然不可或缺[4] - 基于经验的数据处理方法和模型调优能显著提升AI模型的训练效率和稳定性，人工因子提供稳定基础和可解释性，AI因子提供多样性和复杂性，两者结合实现1+1>2效果[4] - 随着技术不断进步，AI在量化投资中的应用前景更加广阔，强化学习的快速发展为未来因子挖掘、组合优化提供更多优化提升空间[5]

量化产品展望：量化优势可否持续 - 报告核心观点是探讨2026年A股市场环境下量化投资策略优势的可持续性，认为市场模式在共识行情与分歧行情间的切换是关键，并引入市场集中度指标作为分析桥梁 [2] - 当市场集中度提升预示共识行情时，交易型Alpha空间被压缩，传统量化策略面临挑战；集中度下降或维持低位意味着分歧行情，有利于量化策略捕捉交易型Alpha [2] - 展望2026年，市场集中度在从历史低位回归后，将进入中枢抬升的平台期，量化策略平均表现仍有望优于主动权益基金平均水平 [2] 市场模式切换与Alpha来源演变 - 市场模式在主线驱动的共识行情（如2017年漂亮50、2019-2021年新能源半导体）与轮动分散的分歧行情（2022年至2025上半年）间周期性切换 [6][7] - 共识行情中策略有效性取决于研究深度，有利于主动管理；分歧行情中策略有效性取决于广度和纪律性，量化策略表现出优势 [6][7] - Alpha来源随市场模式演变：分歧行情中交易型Alpha是主要来源，侧重捕捉短期定价偏差；共识行情中认知型Alpha重要性提升，侧重基本面预判 [11][12] 市场集中度的核心作用 - 市场集中度是衡量市场模式与Alpha来源的有效量化指标，低集中度对应分歧行情和交易型Alpha，高集中度对应共识行情和认知型Alpha [13][14] - 在共识行情高集中度环境下，传统因子可能失效，小市值低估值等因子可能持续跑输，分散化持仓拖累量化产品表现 [14] - 对2026年市场集中度演变路径的判断是分析不同投资策略相对有效性的基础 [16] 2026年市场集中度与策略展望 - 市场集中度演变分为两阶段：第一阶段（2025Q3-Q4）从历史低位向中枢回归，AI主线驱动增量资金向核心企业聚集 [17] - 第二阶段（2026年全年）市场集中度进入中枢抬升的平台期，呈现弱均衡下的区间震荡，难以触及历史极高点 [18] - 2026年A股盈利增长有望呈现科技成长与传统行业复苏的双轮驱动格局，多元化基本面抑制机构持仓集中度过快提升 [18] 复杂市场环境下的量化策略优势 - 中枢抬升平台期对应的复杂化主线行情，要求量化模型具备主题识别和基本面量化能力，同时其系统性、纪律性、分散化特点能捕捉主线内部轮动 [19] - 能够将深度理解主线与广度捕捉轮动相结合的持续进化量化策略，在未来平均表现可能仍优于主动权益基金 [19] 2026年A股市场整体观点 - 对2026年A股市场维持中期乐观判断，综合多维度量化择时体系显示健康市场环境，宏观与估值层面提供支撑，技术结构指向震荡上行 [3][20] - 风格判断看好大盘风格，量化风格轮动模型显示驱动指标由偏向小盘转向明确指向大盘，机构偏好和市场情绪指标均显著偏向大盘 [3][20]

公司核心投资哲学与发展理念 - 公司创始人以探寻金融市场客观规律为核心，定位为市场的“观测者” [1] - 公司发展哲学强调以技术为信仰、以稳健为生命线，追求行稳致远 [1] - 创始人通过规律探索的纯粹性、发展定力以及“技术超配”的长期主义构建公司投资哲学和发展韧性 [1] 技术驱动与量化方法论 - 公司将技术驱动奉为核心信条，致力于在低延迟交易和AI赋能等前沿领域构筑竞争力 [2] - 公司自建行业领先的低延迟交易系统，实现微秒级别延迟，并每年保持千万级IT投入以确保技术领先 [2] - 公司早在2019年率先使用AI辅助投研，并于2025年初成立AI Lab，AI已全面赋能因子挖掘、组合优化、交易执行和风险控制等投资流程 [2] - 量化投资被视为一个“永远解不完的谜题”，公司以突破人类认知边界为目标持续探索市场规律 [3] 风险控制与战略定力 - 公司在2023年末至2024年初行业低潮中因小幅放开风控约束而经历挫折，此次教训使其更加坚信战略定力的重要性 [4] - 公司发展定力强调“稳字当头”，目标是获取全频段上纯粹的阿尔法收益 [5] - 公司对规模增长持克制态度，认为客户资产是负债，在业绩达到第一梯队有竞争力标准前坚决不放规模 [5] - 公司资管规模近150亿元，其中短周期策略约80亿元，阿尔法选股类策略约30亿元，形成覆盖主流指数的全频段布局 [5] 人才储备与内部治理 - 公司遵循“策略储备先于资管规模；人才储备先于策略储备”的原则，在规模较小时就进行超前人才布局 [6] - 公司管理规模20亿元时团队有40多人，50亿元时达六七十人，强调技术储备需以人才为基础 [6] - 公司设计极具吸引力的激励体系，包括投研团队“提成制”（收益提成上不封顶）和“合伙人制度”（股权奖励），以打开员工晋升通道并激发协作 [6] 社会价值与行业责任 - 公司以幻方投资（DeepSeek）为榜样，积极承担社会价值，推动量化行业整体在社会公益上的努力 [7] - 公司社会价值践行包括纯粹的科研捐赠以及对前沿硬科技（如能源与物理学交叉领域）的天使投资，即使短期无经济价值也愿意早期参与 [7][8] - 公司强调量化机构应秉持“正心正念”，行为方式要有利于行业健康发展，不能损害或透支外界对行业的信任 [8] 未来愿景 - 公司未来十年目标是成为中国综合能力最优秀的头部量化机构之一，并成为全球范围内具有影响力的优秀机构 [9]

公司荣誉与行业认可 - 因诺资产在"2025私募基金高质量发展大会"上荣获"金牛私募管理公司（三年期管理期货策略）"奖项[1] - 这是公司自成立以来第五次获得金牛奖，体现了其在量化投资领域的稳健实力与专业深耕[1] AI与量化投资的关系定位 - AI被视为量化方法论的自然延展，而非外来革命，其本质是"更有特点、更具优势的统计学"[1] - AI与量化在底层相通，AI（尤其是机器学习与大模型）是更强大的统计学工具，具备更好的表征能力与非线性刻画能力[3] - AI是更锋利的工具，不是替代的剧本，公司选择将效率、精度与广度沉淀为工程与风控的底座[9] AI在量化投资中的具体应用 - AI已系统性地应用在Alpha、CTA、算法交易等多个策略方向上，提升了模型的识别力、响应速度与可迭代性[3] - AI被用作"放大镜"与"涡轮增压器"，负责效率、精度与广度的提升，而"方向盘"始终由人掌握[2] - AI承接了数据清洗、特征构造、代码生成与回测编排等繁琐环节，显著压缩了"想法→实验→上线"周期[4] - AI被嵌入数据—模型—工程—交易全链路，通过标准化数据域与特征库实现研究可复现与灰度上线[4] 公司对AI的实践原则与组织管理 - 量化竞争不是简单的"AI竞赛"，决定胜负的核心仍是人对问题的定义、逻辑构建和边界把握[7] - 公司原则是方法中立、结果导向，AI信号与传统因子并行开发、分档校准，组合成低相关的多源Alpha[8] - AI在组织中更多是赋能而非替代，让机器承接标准化与高频重复环节，使人能聚焦于洞察生成与决策取舍[7] - 通过将监管与交易所规则参数化写入系统，形成"模型—系统—风控"三重校验，实现快而不失稳[4] 未来发展方向与战略 - 随着数据要素丰富与工程基础夯实，AI在跨市场、跨资产与多模态融合中的应用空间将持续扩大[3] - 公司将持续把AI嵌入多策略与全链路，在本土市场把底盘做厚，在多资产、多市场寻找低相关的新增量[9] - 坚持方法中立与结果导向，让AI与传统方法并行验证、相互增益，以系统化迭代对抗复杂性[9] - 以可解释、可迁移、可持续的业绩回应信任，在合规与风控的框架中持续进化[9]

根据研报内容，现总结其中涉及的量化模型与因子如下： 量化模型与构建方式 **1 模型名称：宏观环境Logit模型[6][18][19]** - 模型构建思路：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[16] - 模型具体构建过程：使用多个宏观变量（如银行间债券质押式回购利率、SHIBOR、国债收益率、社融、PMI等）的平稳化处理值，通过Logit模型计算宏观环境预测值[18] **2 模型名称：企业盈利景气指数2.0[20][23][26]** - 模型构建思路：通过识别主营业务，追踪主营业务的营收和成本情况来监控行业整体的景气度[20] - 模型具体构建过程：基于产业链系统分析追踪上下游行业部门；对行业进行财务指标分解；重构行业景气度追踪框架；计算各行业景气指数后，按上证指数每日各行业市值权重加权合成景气指数2.0[20][23] **3 模型名称：基于基差的股指期货择时模型[31][33]** - 模型构建思路：利用股指期货基差与指数自身的相关性趋势反映市场情绪变化，基于此相关性进行分组测试构建日频择时信号[31] - 模型具体构建过程：基于中证500股指期货基差构建衍生品择时信号，信号范围在-0.4到1之间[31] **4 模型名称：多维度择时模型[33][34]** - 模型构建思路：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，叠加股指期货基差信号合成四维度非线性择时模型[33] - 模型具体构建过程：将宏观环境、景气周期、景气方向组合成9种状态（如1-1宏观利多中观景气上行对应多头信号），再叠加衍生品信号合成最终择时信号[34] **5 模型名称：多风格策略[37]** - 模型构建思路：从价值、红利、质量、成长、低波、动量等多维度出发，刻画在不同主导风格下市场的表现，通过多因子信号的横向整合与动态权重配置实现收益平滑与风险分散[37] **6 模型名称：多风格增强策略[41]** - 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[41] **7 模型名称：可转债随机森林模型[46]** - 模型构建思路：通过随机森林方法构建可转债增强模型[46] **8 模型名称：REITs随机森林模型[48]** - 模型构建思路：通过随机森林方法构建REITs增强模型[48] **9 模型名称：宽基指数遗传规划选股模型[52][59][62][64][70]** - 模型构建思路：使用遗传规划算法挖掘选股因子，构建指数增强组合[52][59][62][64][70] - 模型具体构建过程： - 股票池：对应宽基指数成分股（沪深300、中证500、中证1000、中证全指）[52][59][62][64][70] - 训练集：2016年1月1日-2020年12月31日[52][59][62][64][70] - 因子挖掘：由遗传规划因子挖掘模型挖掘2000个初始种群、5代、多轮得到复合因子（沪深300：102个因子，中证500：189个因子，中证1000：564个因子，中证全指：709个因子）[52][59][62][64][70] - 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[52][59][62][64][70] **10 模型名称：三策略融合行业轮动模型[76][78]** - 模型构建思路：采用量化基本面驱动、质量低波风格驱动、困境反转行业发掘三种方法分别构建行业轮动策略，进行等权组合实现因子与风格的互补[76][78] - 模型具体构建过程：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，从不同维度筛选行业[78] **11 模型名称：三策略融合ETF轮动模型[85][88]** - 模型构建思路：基于三策略融合逻辑构建ETF轮动策略[85][88] 量化因子与构建方式 **1 因子名称：盘口平均深度因子[98][100]** - 因子构建思路：反映整体市场的深度，衡量市场流动性水平[100] - 因子具体构建过程：$$avg_{depth}=\frac{av_{1}+bv_{1}}{2}$$，其中av1和bv1分别为盘口委托快照数据的卖一量和买一量，若挂单量为0则令盘口深度为0[98][99] - 因子评价：因子取值越大，市场整体挂单量越大，市场总体深度越大，市场流动性越高，与未来收益负相关[100] **2 因子名称：盘口价差因子[103][104]** - 因子构建思路：反映卖一价和买一价的距离，衡量交易成本和市场宽度[104] - 因子具体构建过程：$$spread={\frac{2(a1-b1)}{a1+b1}}$$，其中a1和b1分别为盘口委托快照数据的卖一价和买一价[103] - 因子评价：盘口价差越大，交易成本越高，市场宽度越大，流动性越差，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[104] **3 因子名称：价格弹性因子[106][108]** - 因子构建思路：反映单位成交额下股价的波动幅度，衡量市场流动性强度[108] - 因子具体构建过程：$$resiliency={\frac{high-low}{turnover}}$$，其中high、low、turnover分别代表tick数据中的最高价、最低价和成交额[106][107] - 因子评价：弹性越大说明单位成交额对价格冲击越大市场流动性越弱，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[108] **4 因子名称：卖单非流动性因子[110][113]** - 因子构建思路：衡量高频数据下主动卖出的交易金额对于股票价格变动的影响[113] - 因子具体构建过程：$\Gamma_{1,t}=a+\beta_{1}*\delta_{1,t}+\beta_{2}*\delta_{1,t}+\epsilon_{1,t}$，其中β1为卖出非流动性系数，β2为买入非流动性系数，Si，t为股票i在t时间区间内的主动卖出金额，Bi,t为股票i在t时间区间内的主动买入金额[110][111] - 因子评价：卖单非流动性在控制风险后的Fama-MacBeth截面回归对收益率显著，且预测效果要好于买单非流动性，主要是由于投资者存在亏损厌恶的心理[113] **5 因子名称：Barra风险因子[121]** - 因子构建思路：包括20个风险因子全面刻画市场风险特征[121] - 因子具体构建过程：Barra CNE6 Trading模型包括规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师情绪）、红利（股息率）等20个风险因子[121] 模型的回测效果 **1 宏观环境Logit模型**：最新预测值0.945，较上周末上行[19] **2 企业盈利景气指数2.0**：最新景气指数为0.885，剔除大金融板块景气指数为1.234[26] **3 中证500股指期货择时模型**：本周信号为1，累计仓位为多头（0.65）[7][34] **4 多维度择时策略**：最终合成信号为多头（1）[7][34] **5 多风格策略（截至2025年10月17日）**[40]： - 质量策略：年化收益率27.39%，超额年化收益率13.53%，夏普率2.00，区间最大回撤-8.31% - 红利策略：年化收益率12.80%，超额年化收益率3.82%，夏普率1.00，区间最大回撤-7.00% - 长期成长策略：年化收益率41.07%，超额年化收益率20.72%，夏普率1.88，区间最大回撤-12.41% - 价值策略：年化收益率14.79%，超额年化收益率-5.55%，夏普率0.88，区间最大回撤-12.92% - 低波策略：年化收益率20.53%，超额年化收益率0.19%，夏普率1.62，区间最大回撤-7.23% - 短期动量策略：年化收益率29.44%，超额年化收益率9.09%，夏普率1.27，区间最大回撤-19.89% - 长期动量策略：年化收益率19.80%，超额年化收益率-0.54%，夏普率1.32，区间最大回撤-8.70% **6 多风格增强策略（截至2025年10月17日）**[45]： - 质量增强策略：年化收益率16.04%，超额年化收益率2.19%，夏普率1.24，区间最大回撤-5.73% - 红利增强策略：年化收益率16.83%，超额年化收益率7.84%，夏普率1.31，区间最大回撤-5.88% - 长期成长增强策略：年化收益率25.11%，超额年化收益率4.76%，夏普率1.40，区间最大回撤-16.84% - 价值增强策略：年化收益率19.98%，超额年化收益率-0.37%，夏普率1.16，区间最大回撤-11.34% - 低波增强策略：年化收益率36.29%，超额年化收益率15.94%，夏普率2.43，区间最大回撤-9.71% - 短期动量增强策略：年化收益率13.76%，超额年化收益率-6.58%，夏普率0.93，区间最大回撤-9.14% - 长期动量增强策略：年化收益率7.74%，超额年化收益率-12.61%，夏普率0.50，区间最大回撤-10.99% **7 可转债随机森林模型**：年化收益率22.15%，夏普率1.73，今年以来绝对收益率14.25%[46] **8 REITs随机森林模型**：年化超额收益率39.26%，夏普率3.27，今年以来超额收益率57.60%[49] **9 宽基指数增强模型（截至2025年10月17日）**： - 沪深300指数增强：年化超额收益率17.70%，夏普率1.04，今年以来超额收益率-4.86%[55][57] - 中证500指数增强：年化超额收益率12.24%，夏普率0.87，今年以来超额收益率3.45%[63] - 中证1000指数增强：年化超额收益率18.83%，夏普率0.93，今年以来超额收益率2.73%[66] - 中证全指指数增强：年化超额收益率24.57%，夏普率1.31，今年以来超额收益率11.15%[71] **10 三策略融合行业轮动策略**：年化超额收益率10.59%，夏普率0.74[80] **11 三策略融合ETF轮动策略**：年化超额收益率12.78%，夏普率0.88，今年以来超额收益率14.75%[88] 因子的回测效果 **1 盘口平均深度因子**：当前略低于历史均值，相较上周末有所下降[101] **2 盘口价差因子**：当前低于历史均值，相较上周末有所上升[104] **3 价格弹性因子**：当前低于历史均值，相较上周末有所上升[109] **4 卖单非流动性因子**：当前高于历史均值，相较上周末有所下降[114] **5 Barra风险因子**：2025年10月13日至17日，股息率因子表现较好，BETA因子表现较差；本月股息率因子表现较好，最近一年短期反转因子和动量因子表现较好[121]

A股投资者市场概况 - 截至2025年6月末A股投资者总数突破2.4亿相当于每6个中国人中就有1个是股民[2] - 2024年底A股投资者总量为2.37亿均为有效账户2025年上半年新增开户1259.77万户新增投资者超过400万[2] - 个人投资者占绝对主导地位2024年底占比超99.76%2025年上半年新增开户中个人占比达99.63%[2] - 个人投资者大量涌入股市显示市场对A股的坚定信心和强大预期也反映居民在经济新周期和产业结构调整背景下对财富管理的迫切需求[2] 财富管理市场背景 - 截至2024年末中国家族信托规模已突破9000亿元预计2025年将迈入万亿时代[2] - 未来10年中国将有约20万亿元财富传给下一代凸显家族财富传承问题的紧迫性[2] - 改革开放40多年带来的巨大红利正进入交棒阶段这是一个体量庞大时间紧迫的财富传承问题也是突出的社会问题[3][17] 个人理财观念与行为 - 年轻人理财呈现两极分化部分极其保守超过90%资产配置在银行存款害怕亏损部分则非常激进追求一夜暴富[7] - 过于保守难以实现财富显著增值可能无法战胜通货膨胀过于激进追求高收益则是过度冒险可能一赔就没有机会[7][8] - 需要区分情绪影响和理性操作不要因害怕亏损导致投资过于趋于安稳从而无法实现显著增值长期来看财富可能因通胀而实质缩水[14] 股票投资心态与策略 - 炒股心态反映非理性的投资心态希望快速进出获得收益但持之以恒追逐龙虎榜热门股约两三年投资收益率可能变为-100%即赔光[9] - 应从非理性投资转向理性投资具备相对理性心态而非一夜暴富的心态这需要心态和理念上的更新和转变[9][10] - 量化投资可帮助解决买什么和什么时候买的问题减少主观因素干预但需区分高频量化和基本面量化后者回归投资本源分析公司基本面[11][12] 资产配置与投资目标 - 资产配置需首先明确个人财富目标和风险承受能力不同财富阶段对投资回报率要求不同本金亏损承受度从30%-50%到5%以上不等[13] - 合理年化投资回报率目标约为8%-10%需在通货膨胀之上实现约5%的财富增长但不应期望每年赚钱而是长期年化平均的概念[15][16] - 资金应分层管理分为保障层和增值层保障层保障生活品质增值层用长期科学方式理财其盈亏不影响日常生活[17] 家族财富传承框架 - 家族财富传承需要五位一体包括家族信托投资慈善捐赠分配和系统家族信托通过财产与人的分离实现风险隔离[18] - 慈善捐赠可帮助家族成员将视野从自身转向社会从金钱转向爱心增强家族凝聚力使财富传承持续而非陷入财产纠葛[19] - 透明的财务管理系统对长期传承必不可缺需清晰展示资金使用和投资收益甚至引入专业审计[19] 财富管理哲学 - 财富管理是需要坚持40年的事理念上应从财富主人转变为财富管家这有助于减少投资焦虑并用科学高效方式管理财富[5][19] - 从永恒角度思考财富价值一时的得失和亏损相对终身财富增值并不重要财富应具有永恒价值为社会带去祝福[20][21] - 财富应向善需有崇高品德支撑对财富的支配和使用应给对方带来益处而不仅是个人满足让财富绽放道德光芒[22]

文章核心观点 - 行业专家在私募基金高质量发展大会上探讨AI技术如何重塑量化投资生态、量化策略的演进与突破、行业挑战与未来趋势 [1] - 监管规范为行业健康发展注入信心 A股市场自2024年9月24日后展现出显著韧性与独立性并走出强势复苏行情 [1] - AI技术被视为量化投资的重要赋能工具 能提升对海量金融数据的分析能力并深化对商业世界的理解 [2] - 量化行业在应对策略同质化等挑战时 通过多样性、组合管理及另类数据挖掘寻求突破 AI可能加剧行业头部聚集效应 [3][4][5] 市场环境与表现 - 监管深入规范程序化交易并厘清量化投资与程序化交易的边界 规范发展成为行业主基调 [1] - 2024年9月24日以来A股市场展现出显著韧性与独立性 走出一波强势复苏行情 [1] - 驱动此轮行情核心动力包括政策支撑为市场与经济明确底部、DeepSeek技术突破带来宏观叙事新视角、基本面验证和市场参与者共同努力 [1] - 此轮行情与2014年至2015年相比显示出更加稳健的特征 [2] - 量化私募业绩整体表现突出 募资情况显著优于主观机构 [2] 量化与主观投资对比 - 量化与主观投资在方法论、持仓特点、盈利频率等方面相对独立 双方同时提升市场整体活跃度和流动性 [2] - 量化投资特色在于稳健性 持仓分散且具有完备风险管理工具 主观投资优势在于爆发力 [2] - 万物皆有周期 量化与主观表现交替是正常现象 [2] AI技术应用与影响 - AI技术比起人脑或线性模型能更多抓住海量金融数据之间的微妙联系 [2] - 大模型基于原始数据分析可成为优秀分析师 使量化策略对商业世界的理解实现飞跃式提升 [2] - AI被定位为一种有优势的统计学 与量化投资有非常强的底层关系 但在可预见的未来不会取代人的核心地位 [3] - AI技术发展直击金融领域哲学问题 即应相信简洁规律还是拥抱复杂智能 [3] - 量化投资是交叉学科 用程序和工程连接数学、金融、统计、经济及心理学等学科 [3] - 量化模型容易掉进样本内部过度优化的陷阱 [3] - 量化私募天然与AI相辅相成 [3] 行业挑战与应对策略 - 行业面临策略同质化、市场风格快速切换等挑战 [3] - 应对阿尔法因子周期性的核心在于多样性（不同来源信息与玩法）和组合管理水平（因子失效时有效管理风险） [4] - 通过收益来源拆分 在不同时间维度上研究风格收益与非风格收益 通过多模型研究不同收益来源并合成预测以丰富多样性 [4] - 另类数据在未来具有较好前景 具体解决方案包括采用自然语言处理技术去噪、多周期回测验证有效性及保障实时性 [5] - AI时代算力、算法和数据呈指数级上升 需警惕样本内过度优化 要理解复杂模型背后逻辑并确保样本外可重复 [5] 行业生态与格局演变 - AI有可能造成量化行业的头部聚集效应 因开发优质策略需在数据、算力和人才上大量投入 提高行业门槛 [5] - 在监管规范与技术创新的双轮驱动下 量化行业正在构建更加健康、多元的生态体系 [5]

百亿私募行业整体表现 - 截至2025年7月底，百亿私募总数达90家，其中百亿量化私募为44家，占比48.49% [1] - 2025年1至7月，有业绩展示的55家百亿私募平均收益达16.60%，其中54家实现正收益，占比高达98.18% [1][6] 量化私募业绩表现 - 2025年1至7月，36家百亿量化私募平均收益率为18.92%，全部实现正收益，正收益比例为100% [1][6] - 在收益超10%的42家百亿私募中，量化私募占比超七成，其中32家量化私募收益超过10%，占比近九成 [2][6] - 15家量化私募收益介于10%至20%之间，14家收益在20%至30%之间 [6] 主观私募业绩表现 - 2025年1至7月，16家百亿主观私募平均收益率为13.59%，15家实现盈利，正收益比例为93.75% [1][6] - 仅9家主观私募收益超过10%，复胜资产、日斗投资表现突出 [6] 混合策略私募业绩表现 - 3家采用主观与量化结合策略的百亿私募平均收益率为4.75%，全部实现正收益 [1] 百亿私募阵营变动 - 2025年7月，3家主观策略私募退出百亿阵营，包括深圳红筹投资（股票策略）、杭州遂玖私募（多资产策略）、上海合远基金（股票策略） [3][4] - 3家机构新晋或重返百亿阵营，包括上海久期投资（主观债券策略）、上海千衍私募（量化股票策略）、上海波克私募（量化多资产策略） [3][4] - 新晋机构中量化策略占据两席，持续扩大领先优势 [4] 新晋百亿私募详情 - 上海久期投资以债券策略为核心，专注主观投资，公司成立于2013年年底，其一只产品成立8.7年以来总收益高达748.5% [5] - 上海千衍私募成立于2015年1月，员工人数超100人，属大中型量化机构，从2022年开始运作股票量化策略，2023年下半年开始运行量化CTA策略 [5] - 上海波克私募2022年7月25日成立，以量化多资产策略为主，旗下管理12只基金 [5] 量化投资的核心优势 - 量化投资通过程序化执行策略，有效规避人性弱点，在市场剧烈波动时保持投资决策一致性，避免情绪化操作 [2][7] - 量化系统能够并行处理多维度的海量市场数据，识别人力难以捕捉的复杂市场规律和微观结构特征 [7] - 基于算法驱动的交易系统能实时监控市场，在毫秒级时间内完成交易，精准把握短暂的定价偏差机会 [7] - 量化策略通过严格的历史回测和压力测试验证，具备完整的逻辑链条和透明的绩效归因体系 [7] - 量化投资在投研覆盖范围和广度上有优势，投资效率和速度显著优于主观投资的人工分析 [8] - 量化投资通过程序化交易实现分散化投资，能快速调整组合标的，降低非系统性风险的能力更强 [8] 主观投资的相对优势 - 主观投资在宏观基本面研究、行业深度研究、个股内在价值深度挖掘方面有优势 [8] - 主观投资在应对极端市场方面相对于量化投资有优势 [8]