> **来源：[研报客](https://pc.yanbaoke.cn)** # 金融工程组策略总结 ## 一、国证2000指数增强策略 ### 核心内容 - **策略目标**：构建适用于小微盘股的指数增强策略，以提升收益。 - **因子构建**：基于技术、反转、特异波动率等因子进行筛选与合成，通过回归残差方法优化波动率因子。 - **因子表现**：最终合成的国证2000增强因子IC均值为12.24%，T统计量为12.54，具有良好的预测效果。 - **策略表现**： - 样本内年化超额收益率为12.04%，信息比率为1.53。 - 样本外5月超额收益率为-4.18%，表现震荡。 - **持仓情况**：最新持仓包括如软控股份、嘉元科技、贵航股份等股票。 ### 主要观点 - 该策略在样本内表现优异，但样本外表现受动量因子失效影响，略有下滑。 - 因子的独立性和预测效果是策略成功的关键。 ### 关键信息 - 回测区间为2014年4月至今。 - 手续费率假设为单边千分之二。 - 每月月底调仓，等权构建多头组合。 ## 二、基于多目标、多模型的机器学习指数增强策略 ### 核心内容 - **策略目标**：利用机器学习模型提升宽基指数增强策略的收益。 - **模型改进**：引入Mamba-2模型，提升模型的表达力、效率与可扩展性。 - **模型结构**：结合MBGRU与LGBM模型，构建改进的选股因子。 ### 主要观点 - 该策略在沪深300、中证500和中证1000指数上均表现良好。 - 策略通过控制跟踪误差和权重偏离，实现因子暴露最大化。 - 本月策略表现修复，超额收益有所回升。 ### 关键信息 - **沪深300**： - 月IC为17.36%，多头超额收益率为6.95%。 - 年化超额收益率为8.43%，信息比率为1.70。 - **中证500**： - 月IC为3.27%，多头超额收益率为3.13%。 - 年化超额收益率为9.69%，信息比率为1.94。 - **中证1000**： - 月IC为9.82%，多头超额收益率为2.84%。 - 年化超额收益率为13.96%，信息比率为2.46。 ## 三、基于红利风格择时+红利股优选构建的固收+策略 ### 核心内容 - **策略目标**：利用红利股的稳定收益特性，构建固收+策略。 - **择时逻辑**：通过经济增长和货币流动性共10个指标构建动态事件因子体系。 - **选股逻辑**：使用AI模型在中证红利指数成分股中优选股票。 ### 主要观点 - 红利股具有长期稳定收益优势，能减少市场弱势时的风险。 - 该策略在今年以来表现稳定，超额收益显著。 - 6月信号为100%，表明对红利股的配置信心较强。 ### 关键信息 - **策略表现**： - 选股策略年化收益率为17.22%，夏普比率为0.83。 - 择时策略年化收益率为13.04%，最大回撤为25.05%。 - 固收+策略年化收益率为6.97%，最大回撤为4.93%，夏普比率为2.09。 - **6月持仓**：包括洪城环境、山东高速、华夏银行等股票。 ## 风险提示 - **模型失效风险**：历史数据统计、建模和测算结果可能因环境变化失效。 - **政策风险**：政策环境变化可能导致因子关系不稳定。 - **市场风险**：国际政治摩擦等事件可能引起资产同向大幅波动。 - **交易成本风险**：交易成本上升可能导致策略收益下降。 ## 图表概览 - **图表1-6**：国证2000指数增强策略相关指标与持仓。 - **图表7-15**：机器学习指数增强策略在沪深300、中证500、中证1000上的表现。 - **图表16-18**：固收+策略的指标与净值走势。 - **图表19-20**：红利风格择时与选股策略的信号与持仓。 ## 总结 金融工程组在多个指数增强策略与固收+策略上进行了深入研究和优化，通过引入先进的机器学习模型如Mamba-2、MBGRU与LGBM，提升了策略的表达力与效率。各策略在样本内表现优异，但样本外表现受市场风格调整影响，需关注模型失效风险。固收+策略结合了红利股的稳定收益与择时因子，表现稳定，具备一定的抗风险能力。