【华泰金工林晓明团队】公募主动量化观察:小赛道有大未来

（以下内容从华泰证券《【华泰金工林晓明团队】公募主动量化观察:小赛道有大未来》研报附件原文摘录）
　　林晓明 S0570516010001 研究员 SFC No.BPY421 何 康 S0570520080004 研究员 SFC No.BRB318 报告发布时间：2022年8月4日 摘要 公募主动量化观察：小赛道有大未来 2019 年以来，公募、私募基金行业均实现快速扩张，数量、规模迭创新高，但公募主动量化赛道略显冷落。截至 2022Q2， 主动型量化基金总规模为604.7 亿元，占公募量化市场 3.4%，占公募市场 0.4%。近 3 年业绩相比全市场股基、混基无显著优势。客户需求、投资风格、交易限制等因素制约其发展。未来三条细分赛道或存在机会。类指数增强基金以更高跟踪误差为代价，换取更高夏普比和更低回撤，相比指增基金投资体验更好；投资者对行业主题型基金存在较大需求；量化投资的强项之一是对风险的控制，有效的量化择时模型能弱化权益部分下行风险，构建差异化的固收+产品。 公募主动量化市场现状如何？ 截至 2022Q2，主动型量化基金总规模为 604.7 亿元，占公募量化市场 3.4%，占公募市场 0.4%。2019 年 7 月至 2022 年 6 月，主动型量化基金区间年化收益率中位数 18.4%，低于全市场股票型基金（ 26.4%），与混合型基金（18.2%）基本持平。客观地说， 过去 3 年无论是收益水平还是收益风险比，主动型量化基金整体相比股基、混基没有显著优势。 哪些因素制约公募主动量化发展？ 对比公募指数基金：机构配置需求叠加市场有效性提升预期，催生公募指数基金大发展；主动量化本质仍是博弈市场存量Alpha，容量有限，机构配置需求低。对比公募主动管理型基金：主动管理型基金持股集中，风险暴露高，业绩弹性大；量化基金持股分散，控制相对基准风险暴露，结构性行情反而成为劣势。对比私募量化基金：私募量化基金投资限制少，投资品种、手段灵活，交易费率低，激励机制相对好；公募量化基金存在投资品种、交易频率/方向/费率等因素限制。 公募主动量化哪些细分赛道存在机会？——类指数增强基金 相比“正牌”指数增强基金，类指数增强基金以更高跟踪误差为代价，换取更高夏普比和更低回撤。从量化产品设计角度看，指数增强基金设置明确的比较基准，通过信息比率指标能客观反映管理人超额收益水平。但对于投资者（尤其是个人投资者），往往从绝对收益角度出发选择产品，年化收益率、夏普比率、最大回撤等指标反而更重要，类指数增强基金投资体验可能更好。 公募主动量化哪些细分赛道存在机会？——行业主题型基金和固收+基金 近3年股票型主动量化基金收益排名前列产品以行业主题型为主，如高景气的环保、新能源、食饮等行业，且规模在主动量化基金中相对较大，显示出投资者对行业主题特征鲜明产品的需求。近3年多数偏债混合型主动量化产品收益位于固收+基金前列。固收+产品追求绝对收益，相比相对排名导向的产品更注重风险管理。量化投资的强项之一正是对风险的控制，有效的量化择时模型能弱化权益部分下行风险，构建差异化的固收+产品。相比博弈Alpha，Beta管理类量化产品具有更广阔的发展空间。 风险提示：风格因子的效果与宏观环境和大盘走势密切相关，历史结果不能预测未来；量化与非量化基金的业绩受到多种因素影响，包括环境、政策、基金管理人变化等，过去业绩好的基金不代表未来依然业绩好，投资需谨慎。本报告所采用的基金仓位测算方法仅基于日频基金净值数据和行业数据，没有利用基金报告中公布的重仓股、行业分布等信息，存在一定局限性，敬请注意。 正文 2019年以来，公募、私募基金行业均实现快速扩张，数量、规模迭创新高。但大时代下也不乏失意者，其中公募主动量化赛道略显冷落，发展不及其他类型产品。公募主动量化市场现状如何？哪些因素制约其发展？哪些细分赛道存在机会？本文将尝试解答。 公募主动量化产品规模：2022Q2合计605亿元，公募市场占比不及1% 基于公募开放式基金2022年二季报，统计各类型基金规模（剔除货币基金），如下图所示。全市场总规模约为16.4万亿元。其中股票型基金（含普通股票型和偏股混合型）总规模约为3.9万亿元，指数型基金（含被动指数型和指数增强型）总规模约为1.7万亿元，混合型、债券型、FOF、QDII基金总规模分别为2.3、7.8、0.2、0.3万亿元。 基于基金投资理念、管理人背景等信息，筛选出量化基金，进一步分为主动性、指数增强型、被动型、对冲型四类产品。量化基金总规模约为1.8万亿元，占公募市场11.0%。其中被动型量化基金总规模约为1.6万亿元，占公募量化市场86.8%。主动型量化基金总规模仅为604.7亿元，占公募量化市场3.4%，占公募市场0.4%。 公募主动量化风险收益特征：收益、收益风险比相比股基、混基无优势 以2019年7月1日至2022年6月30日为观察区间，统计各类型公募基金产品风险收益特征，如下表。 从风险特征看，主动型量化基金区间年化波动率中位数为20.5%，全市场股票型、混合型基金区间年化波动率中位数分别为24.2%和14.8%。主动量化基金风险水平低于股票型基金，高于混合型基金。 从收益特征看，主动型量化基金区间年化收益率中位数为18.4%，全市场股票型、混合型基金区间年化收益率中位数分别为26.4%和18.2%。主动量化基金收益水平低于股票型基金，与混合型基金基本持平。 从夏普比率看，主动型量化基金区间夏普比率中位数为0.9，低于全市场股票型基金（1.1）和混合型基金（1.2），收益风险比相对较低。 客观地说，过去3年，无论是收益水平还是收益风险比，主动型量化基金整体相比股票型、混合型基金没有显著优势。尽管有一批优秀的量化管理人取得了不逊于非量化产品的出色业绩，但投资人对公募量化的整体印象不易改变。 对公募主动量化基金与近三年其他热门产品做对比分析，如下表。 公募主动量化产品观察：截至2022年7月共168只基金，内部差异大 下面具体分析现有公募主动量化产品。分析对象为2019年8月1日已成立，2022年7月29日未到期的初始基金，筛选得到168只基金。其中普通股票型、偏股混合型、灵活配置型、偏债混合型基金数量分别为43、52、64、10只。2022Q2规模最大44.8亿元，最小0.01亿元，均值3.6亿元，中位数1.4亿元。 下表展示规模排名前25公募主动量化基金基本信息。华夏基金、华泰柏瑞基金、景顺长城基金、银华基金、长信基金、博道基金、中欧基金均有多只产品在列。 以2019年8月1日至2022年7月29日为观察区间，统计主动量化基金收益风险特征。 观察知，主动量化基金业绩表现内部差异较大，年化收益率最低-5.5%，最高46.9%，年化波动率最低3.4%，最高34.2%。全部主动量化基金合并分析可能欠妥，下面对股票型（含普通股票型和偏股混合型）、灵活配置型和偏债混合型三类基金分别进行分析。 股票型主动量化基金：超过半数产品定位为类沪深300或中证500指增 量化选股的主流体系是多因子框架，以获取相对基准的超额收益为目标，构建组合时会控制相对基准的风险暴露，代表性产品形式是指数增强型基金，通常约束相对基准指数年化跟踪误差在8%范围内。 对于主动量化基金，尽管基金合同中没有明确的跟踪误差要求，但由于方法论未脱离多因子框架，较多产品仍然有隐性的跟踪误差约束。部分基金公司也会将主动量化基金定位为“类沪深300指增”、“类中证500指增”。 统计95只股票型主动量化基金相对沪深300和中证500指数年化跟踪误差，如下图所示。观察知，图表左下方存在两簇点，分别代表相对沪深300低偏离（左侧红色）和相对中证500低偏离（下侧黄色）。 根据相对沪深300和中证500跟踪误差，将股票型主动量化基金分为如下四类： 1. 类沪深300指增：相对沪深300年化跟踪误差低于9%；共32只产品。 2. 类中证500指增：相对中证500年化跟踪误差低于9%；共17只产品。 3. 中偏离：相对沪深300和中证500年化跟踪误差至少一项低于15%；共35只产品。 4. 高偏离：相对沪深300和中证500年化跟踪误差两项均高于15%；共11只产品。 可以看出，超过半数产品定位为类沪深300或中证500指增，业绩指标中位数如下表。 类沪深300指数增强基金：博时量化多策略和博时量化价值等产品较出色 统计32只类沪深300指数增强基金业绩指标。对标主动管理型产品，分别以夏普比率、最大回撤、Calmar比率为排序依据，筛选前3名基金如下表。这些产品具备良好的收益风险比和控制回撤能力，其中博时基金两只产品——博时量化多策略和博时量化价值均在列。 博时量化多策略（A/C份额代码005635/005636）成立于2018年4月3日，2022Q2规模为2.04亿元，现任基金经理为黄瑞庆和林景艺。该产品属于普通股票型基金，股票资产占基金资产的80%-95%，其中港股通标的占股票资产的0-50%。“多策略”主要体现在A股投资策略，涵盖因子打分、事件驱动、量价特征等多种投资逻辑，同时运用港股投资策略、债券投资策略、权证投资策略等。 博时量化价值（A/C份额代码005960/005961）成立于2018年6月26日，2022Q2规模为0.30亿元，现任基金经理为黄瑞庆和林景艺。该产品属于普通股票型基金，股票资产占基金资产的80%-95%，其中港股通标的占股票资产的0-50%。“价值”主要体现在投资风格，对多策略体系中的价值型策略进行集中配置，突出组合的价值风格。 全部类沪深300指数增强基金夏普比率和最大回撤如下图。 类指数增强基金剖析：高跟踪误差换取高夏普比和低回撤，投资体验更好 “类”指数增强基金和“正牌”指数增强基金有何差异？对比32只存续满3年的沪深300指数增强基金，以及前述32只类沪深300指数增强基金。类沪深300指数增强基金夏普比率更高，最大回撤更低，如下图。 类沪深300指数增强基金信息比率更低，年化跟踪误差更大，如下图。 详细业绩指标对比如下表。类指数增强基金以更高跟踪误差为代价，换取更高夏普比和更低回撤。从量化产品设计角度看，指数增强基金设置明确的比较基准，通过信息比率指标能客观反映管理人超额收益水平。但对于投资者（尤其是个人投资者），往往从绝对收益角度出发选择产品，年化收益率、夏普比率、最大回撤等指标反而更重要，类指数增强基金投资体验可能更好。 类中证500指数增强基金：夏普比率和回撤控制同样优于中证500指增 统计17只类中证500指数增强基金业绩指标，分别以夏普比率、最大回撤、Calmar比率为排序依据，筛选前3名基金如下表。 对比24只中证500指数增强基金与17只类中证500指数增强基金，结论与前述沪深300产品一致：类中证500指数增强基金跟踪误差更高，信息比率更低，但是夏普比率更高，回撤更小，对绝对收益导向的投资人来说，投资体验可能更好。 中高偏离股票型主动量化基金：靠前产品以行业主题型为主且规模相对大 分别统计35/11只中/高偏离股票型主动量化基金业绩指标，分别以夏普比率、最大回撤、Calmar比率为排序依据，筛选前3名基金。高偏离基金排名前列产品以行业主题型为主，如近3年高景气的环保、新能源、食饮等行业，且规模在主动量化基金中相对较大，显示出投资者对行业主题特征鲜明产品的需求。 灵活配置型主动量化基金：多数高仓位运作，低仓位产品回撤控制好 灵活配置型基金的股票投资比例限制一般在0-95%，股票仓位弹性大。统计64只灵活配置型主动量化基金2019Q3至2022Q2股票仓位均值及标准差，如下图。 根据股票仓位均值及标准差，将灵活配置型主动量化基金分为如下四类： 1. 低仓位+择时：股票仓位均值低于60%，标准差大于10%；共9只产品。 2. 中高仓位+择时：股票仓位均值超过60%，标准差大于10%；共14只产品。 3. 中等仓位+不择时：股票仓位均值介于60%-80%，标准差小于10%；共1只产品。 4. 高仓位+不择时：股票仓位均值超过80%，标准差小于10%；共40只产品。 四类灵活配置型主动量化基金业绩指标如上表。大部分产品采取高仓位运作。低仓位+择时类别夏普比率高，回撤控制较好。中高仓位+择时类别夏普比率低，回撤较大。由此可见，对于灵活配置型主动量化基金，择时并不一定能直接提升业绩，取决于管理人择时能力。 偏债混合型主动量化基金：博时量化平衡等产品收益位于固收+基金前列 主动量化基金中，存续满3年的偏债混合型基金共10只，2022Q2规模中位数6.63亿元，高于全市场主动量化基金水平。以2019年8月1日至2022年7月29日为统计区间，从区间年化收益率看，博时量化平衡等多只产品表现出色。 博时量化平衡（代码004495）成立于2017年5月4日，2022Q2规模为8.11亿元，现任基金经理为黄瑞庆和林景艺。该产品股票资产占基金资产的0-40%。“平衡”主要体现在大类资产配置，根据宏观经济周期决定股票和债券投资比例，实现股债平衡配置。同时辅以量化择时策略，以多逻辑、多期限、多品种为目标设计开发，综合考虑基本面和市场面因素，形成对投资品种的长、中、短期趋势和方向判断。 观察上述产品股票仓位变化，2018Q1股票仓位降低至10%，2018Q2维持低仓位，体现出管理人的择时能力；此后股票仓位中枢在37%，接近合同约定的上限，逐渐淡化择时。 将偏债混合型基金、债券型基金、债券型FOF基金定义为固收+基金。存续满3年的固收+基金共1656只，近3年年化收益率中位数4.0%，前25%分位数5.4%。10只偏债混合型主动量化基金中，9只年化收益率高于固收+基金中位数，7只年化收益率高于固收+基金前25%分位数。 对比偏债混合型主动量化基金与其他固收+基金风险收益特征，如下图所示。同样可知博时量化平衡等主动量化产品收益位于固收+基金前列。固收+产品追求绝对收益，相比相对排名导向的产品更注重风险管理。量化投资的强项之一正是对风险的控制，有效的量化择时模型能够弱化权益部分下行风险，构建差异化的固收+产品。相比博弈Alpha，Beta管理类量化产品具有更广阔的发展空间。 总结和展望 最后回答开头提出的三个问题。 公募主动量化市场现状如何？ 截至2022Q2，主动型量化基金总规模为604.7亿元，占公募量化市场3.4%，占公募市场0.4%。2019年7月至2022年6月，主动型量化基金区间年化收益率中位数18.4%，低于全市场股票型基金（26.4%），与混合型基金（18.2%）基本持平。过去3年，无论是收益水平还是收益风险比，主动型量化基金整体相比股基、混基没有显著优势。 哪些因素制约公募主动量化发展？ 1. 对比公募指数基金：机构配置需求叠加市场有效性提升预期，催生公募指数基金大发展；主动量化本质仍是博弈市场存量Alpha，容量有限，机构配置需求低。 2. 对比公募主动管理型基金：主动管理型基金持股集中，风险暴露高，业绩弹性大；量化基金持股分散，控制相对基准风险暴露，结构性行情中反而成为劣势。 3. 对比私募量化基金：私募量化基金投资限制少，投资品种/手段灵活，交易费率低，激励机制相对好；公募量化基金存在投资品种、交易频率/方向/费率等因素限制。 公募主动量化哪些细分赛道存在机会？ 1. 类指数增强基金：相比“正牌”指数增强基金，类指数增强基金以更高跟踪误差为代价，换取更高夏普比和更低回撤。从量化产品设计角度看，指数增强基金设置明确的比较基准，通过信息比率指标能客观反映管理人超额收益水平。但对于投资者（尤其是个人投资者投资者），往往从绝对收益角度出发选择产品，年化收益率、夏普比率、最大回撤等指标反而更重要，类指数增强基金投资体验可能更好。 2. 行业主题型基金：近3年股票型主动量化基金收益排名前列产品以行业主题型为主，如高景气的环保、新能源、食饮等行业，且规模在主动量化基金中相对较大，显示出投资者对行业主题特征鲜明产品的需求。 3. 固收+基金：近3年多数偏债混合型主动量化产品收益位于固收+基金前列。固收+产品追求绝对收益，相比相对排名导向的产品更注重风险管理。量化投资的强项之一正是对风险的控制，有效的量化择时模型能弱化权益部分下行风险，构建差异化的固收+产品。相比博弈Alpha，Beta管理类量化产品具有更广阔的发展空间。 风险提示 本报告不涉及证券投资基金评价业务，所涉及到的基金产品信息均为公开客观信息。本报告内容仅供参考，投资者应结合自身风险承受能力，充分考虑指数编制规则、样本股变化、市场风格变化等因素对基金产品业绩产生的影响，根据自身情况自主做出投资决策并自行承担投资风险。 免责声明 公众平台免责声明 本公众平台不是华泰证券研究所官方订阅平台。相关观点或信息请以华泰证券官方公众平台为准。根据《证券期货投资者适当性管理办法》的相关要求，本公众号内容仅面向华泰证券客户中的专业投资者，请勿对本公众号内容进行任何形式的转发。若您并非华泰证券客户中的专业投资者，请取消关注本公众号，不再订阅、接收或使用本公众号中的内容。因本公众号难以设置访问权限，若给您造成不便，烦请谅解！本公众号旨在沟通研究信息，交流研究经验，华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。 本公众号研究报告有关内容摘编自已经发布的研究报告的，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。如需了解详细内容，请具体参见华泰证券所发布的完整版报告。 本公众号内容基于作者认为可靠的、已公开的信息编制，但作者对该等信息的准确性及完整性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。 在任何情况下，本公众号中的信息或所表述的意见均不构成对客户私人投资建议。订阅人不应单独依靠本订阅号中的信息而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。普通投资者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。 本公众号版权仅为华泰证券股份有限公司所有，未经公司书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。本公司具有中国证监会核准的“证券投资咨询”业务资格，经营许可证编号为：91320000704041011J。 林晓明 执业证书编号：S0570516010001 华泰金工深度报告一览 金融周期系列研究（资产配置） 【华泰金工林晓明团队】2020年中国市场量化资产配置年度观点——周期归来、机会重生，顾短也兼长20200121 【华泰金工林晓明团队】量化资产配置2020年度观点——小周期争明日，大周期赢未来20200116 【华泰金工林晓明团队】风险预算模型如何度量风险更有效-改进风险度量方式稳定提升风险模型表现的方法 【华泰金工林晓明团队】周期双底存不确定性宜防守待趋势——短周期底部拐头机会渐增，待趋势明朗把握或更大20191022 【华泰金工林晓明团队】二十年一轮回的黄金投资大周期——黄金的三周期定价逻辑与组合配置、投资机会分析20190826 【华泰金工林晓明团队】如何有效判断真正的周期拐点？——定量测度实际周期长度提升市场拐点判准概率 【华泰金工林晓明团队】基钦周期的长度会缩短吗？——20190506 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（下） 【华泰金工林晓明团队】二十载昔日重现，三四年周期轮回——2019年中国与全球市场量化资产配置年度观点（上） 【华泰金工林晓明团队】周期轮动下的BL资产配置策略 【华泰金工林晓明团队】周期理论与机器学习资产收益预测——华泰金工市场周期与资产配置研究 【华泰金工林晓明团队】市场拐点的判断方法 【华泰金工林晓明团队】2018中国与全球市场的机会、风险 · 年度策略报告（上） 【华泰金工林晓明团队】基钦周期的量化测度与历史规律 · 华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（四）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（三）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（二）——华泰金工周期系列研究 【华泰金工林晓明团队】周期三因子定价与资产配置模型（一）——华泰金工周期系列研究 【华泰金工林晓明团队】华泰金工周期研究系列 · 基于DDM模型的板块轮动探索 【华泰金工林晓明团队】市场周期的量化分解 【华泰金工林晓明团队】周期研究对大类资产的预测观点 【华泰金工林晓明团队】金融经济系统周期的确定（下）——华泰金工周期系列研究 【华泰金工林晓明团队】金融经济系统周期的确定（上）——华泰金工周期系列研究 【华泰金工林晓明团队】全球多市场择时配置初探——华泰周期择时研究系列 行业指数频谱分析及配置模型：市场的周期分析系列之三 【华泰金工林晓明团队】市场的频率——市场轮回，周期重生 【华泰金工林晓明团队】市场的轮回——金融市场周期与经济周期关系初探 周期起源 【华泰金工林晓明团队】金融经济周期的耗散结构观——华泰周期起源系列研究之十 【华泰金工林晓明团队】经济系统中有序市场结构的进化——华泰周期起源系列研究报告之九 【华泰金工林晓明团队】企业间力的产生、传播和作用效果——华泰周期起源系列研究之八 【华泰金工林晓明团队】耦合振子同步的藏本模型——华泰周期起源系列研究之七 【华泰金工林晓明团队】周期在供应链管理模型的实证——华泰周期起源系列研究之六 【华泰金工林晓明团队】不确定性与缓冲机制——华泰周期起源系列研究报告之五 【华泰金工林晓明团队】周期是矛盾双方稳定共存的结果——华泰周期起源系列研究之四 【华泰金工林晓明团队】周期是不确定性条件下的稳态——华泰周期起源系列研究之三 【华泰金工林晓明团队】周期趋同现象的动力学系统模型——华泰周期起源系列研究之二 【华泰金工林晓明团队】从微观同步到宏观周期——华泰周期起源系列研究报告之一 FOF与金融创新产品 【华泰金工林晓明团队】养老目标基金的中国市场开发流程--目标日期基金与目标风险基金产品设计研究 【华泰金工】生命周期基金Glide Path开发实例——华泰FOF与金融创新产品系列研究报告之一 因子周期（因子择时） 【华泰金工林晓明团队】市值因子收益与经济结构的关系——华泰因子周期研究系列之三 【华泰金工林晓明团队】周期视角下的因子投资时钟--华泰因子周期研究系列之二 【华泰金工林晓明团队】因子收益率的周期性研究初探 择时 【华泰金工林晓明团队】波动率与换手率构造牛熊指标——华泰金工量化择时系列 【华泰金工林晓明团队】A股市场低开现象研究 【华泰金工林晓明团队】华泰风险收益一致性择时模型 【华泰金工林晓明团队】技术指标与周期量价择时模型的结合 【华泰金工林晓明团队】华泰价量择时模型——市场周期在择时领域的应用 中观基本面轮动 【华泰金工林晓明团队】行业配置落地：指数增强篇——华泰中观基本面轮动系列之十 【华泰金工林晓明团队】行业配置策略：拥挤度视角——华泰中观基本面轮动系列之九 【华泰金工林晓明团队】行业配置策略：景气度视角——华泰中观基本面轮动系列之八 【华泰金工林晓明团队】行业配置策略：趋势追踪视角——华泰中观基本面轮动系列之七 【华泰金工林晓明团队】行业配置策略：宏观因子视角——华泰中观基本面轮动系列之六 【华泰金工林晓明团队】行业全景画像：投入产出表视角——华泰中观基本面轮动系列之五 【华泰金工林晓明团队】行业全景画像：改进杜邦拆解视角——华泰中观基本面轮动系列之四 【华泰金工林晓明团队】行业全景画像：风格因子视角 ——华泰中观基本面轮动系列之三 【华泰金工林晓明团队】行业全景画像：宏观因子视角 ——华泰中观基本面轮动系列之二 【华泰金工林晓明团队】确立研究对象：行业拆分与聚类——华泰中观基本面轮动系列之一 行业轮动 【华泰金工林晓明团队】不同协方差估计方法对比分析（二）——华泰行业轮动系列报告之十三 【华泰金工林晓明团队】拥挤度指标在行业配置中的应用——华泰行业轮动系列报告之十二 【华泰金工林晓明团队】基于投入产出表的产业链分析 ——华泰行业轮动系列报告之十一 【华泰金工林晓明团队】不同协方差估计方法对比分析——华泰行业轮动系列报告之十 【华泰金工林晓明团队】景气度指标在行业配置中的应用——华泰行业轮动系列报告之九 【华泰金工林晓明团队】再探周期视角下的资产轮动——华泰行业轮动系列报告之八 【华泰金工林晓明团队】“华泰周期轮动”基金组合改进版——华泰行业轮动系列报告之七 【华泰金工林晓明团队】“华泰周期轮动”基金组合构建——华泰行业轮动系列之六 【华泰金工林晓明团队】估值因子在行业配置中的应用——华泰行业轮动系列报告之五 【华泰金工林晓明团队】动量增强因子在行业配置中的应用——华泰行业轮动系列报告之四 【华泰金工林晓明团队】财务质量因子在行业配置中的应用——华泰行业轮动系列报告之三 【华泰金工林晓明团队】周期视角下的行业轮动实证分析——华泰行业轮动系列之二 【华泰金工林晓明团队】基于通用回归模型的行业轮动策略——华泰行业轮动系列之一 Smartbeta 【华泰金工林晓明团队】重剑无锋：低波动 Smart Beta——华泰 Smart Beta 系列之四 【华泰金工林晓明团队】投资优质股票：红利类Smart Beta——华泰Smart Beta系列之三 【华泰金工林晓明团队】博观约取：价值和成长Smart Beta——华泰Smart Beta系列之二 【华泰金工林晓明团队】Smart Beta：乘风破浪趁此时——华泰Smart Beta系列之一 【华泰金工林晓明团队】Smartbeta在资产配置中的优势——华泰金工Smartbeta专题研究之一 多因子选股 【华泰金工林晓明团队】华泰单因子测试之历史分位数因子——华泰多因子系列之十三 【华泰金工林晓明团队】桑土之防：结构化多因子风险模型——华泰多因子系列之十二 【华泰金工林晓明团队】华泰单因子测试之海量技术因子——华泰多因子系列之十一 【华泰金工林晓明团队】因子合成方法实证分析 ——华泰多因子系列之十 【华泰金工林晓明团队】华泰单因子测试之一致预期因子 ——华泰多因子系列之九 【华泰金工林晓明团队】华泰单因子测试之财务质量因子——华泰多因子系列之八 【华泰金工林晓明团队】华泰单因子测试之资金流向因子——华泰多因子系列之七 【华泰金工林晓明团队】华泰单因子测试之波动率类因子——华泰多因子系列之六 【华泰金工林晓明团队】华泰单因子测试之换手率类因子——华泰多因子系列之五 【华泰金工林晓明团队】华泰单因子测试之动量类因子——华泰多因子系列之四 【华泰金工林晓明团队】华泰单因子测试之成长类因子——华泰多因子系列之三 【华泰金工林晓明团队】华泰单因子测试之估值类因子——华泰多因子系列之二 【华泰金工林晓明团队】华泰多因子模型体系初探——华泰多因子系列之一 【华泰金工林晓明团队】五因子模型A股实证研究 【华泰金工林晓明团队】红利因子的有效性研究——华泰红利指数与红利因子系列研究报告之二 人工智能 【华泰金工林晓明团队】深度卷积GAN实证——华泰人工智能系列之四十四 【华泰金工林晓明团队】因子观点融入机器学习——华泰人工智能系列之四十三 【华泰金工林晓明团队】图神经网络选股与Qlib实践——华泰人工智能系列之四十二 【华泰金工林晓明团队】基于BERT的分析师研报情感因子——华泰人工智能系列之四十一 【华泰金工林晓明团队】微软AI量化投资平台Qlib体验——华泰人工智能系列之四十 【华泰金工林晓明团队】周频量价选股模型的组合优化实证——华泰人工智能系列之三十九 【华泰金工林晓明团队】WGAN生成：从单资产到多资产——华泰人工智能系列之三十八 【华泰金工林晓明团队】舆情因子和BERT情感分类模型——华泰人工智能系列之三十七 【华泰金工林晓明团队】相对生成对抗网络RGAN实证——华泰人工智能系列之三十六 【华泰金工林晓明团队】WGAN应用于金融时间序列生成——华泰人工智能系列之三十五 【华泰金工林晓明团队】再探AlphaNet：结构和特征优化——华泰人工智能系列之三十四 【华泰金工林晓明团队】数据模式探索：无监督学习案例——华泰人工智能系列之三十三 【华泰金工林晓明团队】AlphaNet：因子挖掘神经网络——华泰人工智能系列之三十二 【华泰金工林晓明团队】生成对抗网络GAN初探——华泰人工智能系列之三十一 【华泰金工林晓明团队】从关联到逻辑：因果推断初探——华泰人工智能系列之三十 【华泰金工林晓明团队】另类标签和集成学习——华泰人工智能系列之二十九 【华泰金工林晓明团队】基于量价的人工智能选股体系概览——华泰人工智能系列之二十八 【华泰金工林晓明团队】揭开机器学习模型的“黑箱” ——华泰人工智能系列之二十七 【华泰金工林晓明团队】遗传规划在CTA信号挖掘中的应用——华泰人工智能系列之二十六 【华泰金工林晓明团队】市场弱有效性检验与择时战场选择——华泰人工智能系列之二十五 【华泰金工林晓明团队】投石问路：技术分析可靠否？——华泰人工智能系列之二十四 【华泰金工林晓明团队】再探基于遗传规划的选股因子挖掘——华泰人工智能系列之二十三 【华泰金工林晓明团队】基于CSCV框架的回测过拟合概率——华泰人工智能系列之二十二 【华泰金工林晓明团队】基于遗传规划的选股因子挖掘——华泰人工智能系列之二十一 【华泰金工林晓明团队】必然中的偶然：机器学习中的随机数——华泰人工智能系列之二十 【华泰金工林晓明团队】偶然中的必然：重采样技术检验过拟合——华泰人工智能系列之十九 【华泰金工林晓明团队】机器学习选股模型的调仓频率实证——华泰人工智能系列之十八 【华泰金工林晓明团队】人工智能选股之数据标注方法实证——华泰人工智能系列之十七 【华泰金工林晓明团队】再论时序交叉验证对抗过拟合——华泰人工智能系列之十六 【华泰金工林晓明团队】人工智能选股之卷积神经网络——华泰人工智能系列之十五 【华泰金工林晓明团队】对抗过拟合：从时序交叉验证谈起 【华泰金工林晓明团队】人工智能选股之损失函数的改进——华泰人工智能系列之十三 【华泰金工林晓明团队】人工智能选股之特征选择——华泰人工智能系列之十二 【华泰金工林晓明团队】人工智能选股之Stacking集成学习——华泰人工智能系列之十一 【华泰金工林晓明团队】宏观周期指标应用于随机森林选股——华泰人工智能系列之十 【华泰金工林晓明团队】人工智能选股之循环神经网络——华泰人工智能系列之九 【华泰金工林晓明团队】人工智能选股之全连接神经网络——华泰人工智能系列之八 【华泰金工林晓明团队】人工智能选股之Python实战——华泰人工智能系列之七 【华泰金工林晓明团队】人工智能选股之Boosting模型——华泰人工智能系列之六 【华泰金工林晓明团队】人工智能选股之随机森林模型——华泰人工智能系列之五 【华泰金工林晓明团队】人工智能选股之朴素贝叶斯模型——华泰人工智能系列之四 【华泰金工林晓明团队】人工智能选股之支持向量机模型— —华泰人工智能系列之三 【华泰金工林晓明团队】人工智能选股之广义线性模型——华泰人工智能系列之二 指数增强基金分析 【华泰金工林晓明团队】再探回归法测算基金持股仓位——华泰基金仓位分析专题报告 【华泰金工林晓明团队】酌古御今：指数增强基金收益分析 【华泰金工林晓明团队】基于回归法的基金持股仓位测算 【华泰金工林晓明团队】指数增强方法汇总及实例——量化多因子指数增强策略实证 基本面选股 【华泰金工林晓明团队】华泰价值选股之相对市盈率港股模型——相对市盈率港股通模型实证研究 【华泰金工林晓明团队】华泰价值选股之FFScore模型 【华泰金工林晓明团队】相对市盈率选股模型A股市场实证研究 【华泰金工林晓明团队】华泰价值选股之现金流因子研究——现金流因子选股策略实证研究 【华泰金工林晓明团队】华泰基本面选股之低市收率模型——小费雪选股法 A 股实证研究 【华泰金工林晓明团队】华泰基本面选股之高股息率模型之奥轩尼斯选股法A股实证研究 基金定投 【华泰金工林晓明团队】大成旗下基金2018定投策略研究 【华泰金工林晓明团队】布林带与股息率择时定投模型——基金定投系列专题研究报告之四 【华泰金工林晓明团队】基金定投3—马科维茨有效性检验 【华泰金工林晓明团队】基金定投2—投资标的与时机的选择方法 【华泰金工林晓明团队】基金定投1—分析方法与理论基础 基金评价 【华泰金工林晓明团队】基金评价及筛选全流程研究框架——股票型与债券型基金多种维度定量与定性评价法 【华泰金工林晓明团队】基金选股择时能力的定量分析法——我国公募基金大多具有较强选股能力 【华泰金工林晓明团队】基金业绩持续性的规律与策略构建——采用有效影响因子筛选出持续性较好的绩优基金 ETF季度盘点 【华泰金工林晓明团队】2021Q2中国ETF市场盘点回顾 【华泰金工林晓明团队】2021Q1中国ETF市场盘点回顾 【华泰金工林晓明团队】2020Q4中国ETF市场全景回顾——总规模创新高，行业主题类ETF渐成市场新主角20210112 【华泰金工林晓明团队】2020年三季度中国ETF市场回顾——产品百花齐放、投资者结构日渐成熟，规模创新高20201021 【华泰金工林晓明团队】ETF产品细分差异化或成突围之道——2020二季度中国ETF市场全景回顾盘点与展望20200803 【华泰金工林晓明团队】ETF规模数量大涨品类不断丰富——2020一季度中国ETF市场全景回顾盘点 其它 【华泰金工林晓明团队】A股市场及行业的农历月份效应——月份效应之二 A股市场及行业的月份效应——详解历史数据中的隐藏法则

点此查看微信公众号原文全部内容>>

大部分微信公众号研报本站已有pdf详细完整版：https://www.wkzk.com/report/（可搜索研报标题关键词或机构名称查询原报告）