赵大年 - 基金投资策略和运作

本基金不高于30%的基金资产投资于股票，报告期内，本基金股票组合部分结合基金管理人内部的定性和定量分析模型优选个股，行业分散，个股分散。债券投资以高评级债券为主。基金报告期内，本产品较好地抓住了市场机会，跑赢业绩基准。2025年股票组合部分投资策略的底层逻辑是，根据国内资本市场的实际运行情况和大量历史数据的实证检验，挖掘并精选各种有效因子，基于有效的选股因子和合适的风控约束条件构建选股策略，满足回测要求的策略经决策流程后被用于与其风险收益特征匹配的产品上。对选股策略的评价，我们会主要从收益性、波动性、解释性和遍历性四个维度考量。除此以外，在策略执行过程中，我们会严格遵从纪律性，做好精细化交易管理，把策略的理论收益最大化地转化到产品的实际收益中。根据金融市场的实践经验，我们尽可能挖掘能较好解释股市收益的风格，并在一定程度上把握住了这些方向的交易机会。近几年，AI技术的发展日新月异，其在量化投资领域的应用也越来越广泛，我们也把它融入到了我们经典的选股框架体系中。

四季度宏观经济呈现出增长动能转弱、内外需分化与政策积极应对并存的复杂特征：经济增长整体放缓，但全年预计可顺利完成经济增长目标；出口展现出超预期韧性并保持较高景气度，而内需和投资方面，前期“以旧换新”政策效应减弱影响而走弱，同时房地产市场的低迷和“反内卷”政策的短期影响，导致固定资产投资继续放缓甚至落入负增长区间；物价方面出现低位回暖迹象，核心CPI在服务消费支撑下温和回升，PPI同比降幅则因“反内卷”政策优化部分行业竞争格局和低基数效应而有所收窄；宏观政策在四季度转向更加积极，财政政策加大了力度（如增发专项债、投放政策性金融工具以支持基建和民生项目），货币政策则保持适度宽松基调，但更侧重于使用结构性工具进行精准支持，而非大幅总量宽松。展望新年一季度，我们认为宏观经济的核心特征仍然是新旧增长动能转换下的结构性分化。一方面，凭借强大的制造业竞争力和对非美市场的开拓，出口预计仍将展现超预期韧性，成为增长的核心支撑；同时，房地产行业对经济的影响将因体量收缩而边际减弱。另一方面，向内需驱动转型的过程非一蹴而就，居民消费受制于疲弱的劳动力市场和房价下跌而乏力，增长需依赖政府支出与投资进行托底。因此，经济增长路径将主要依靠外需韧性与内需政策的平衡。在此背景下，宏观政策预计将顺应逆周期和跨周期调节的思路，广义财政赤字率仍将保持一定水平，财政发力仍将保持前置节奏，货币政策延续适度宽松。价格的大幅回升预计在上半年实现难度较大，整体仍将保持温和回升态势。债券市场方面，短端 1 年国债和 1 年国开季度末为 1.34%和1.55%，下行约3bp 和 5bp。长端 10 年国债和 10 年国开季度末为 1.85%和 2.00%，分别下行约1bp 和4bp。信用债方面，1年期限的AAA信用债季度末收益率为 1.80%，下行约 4bp；3年期限的AAA 和 AA 的信用债季度末为 1.80%和 2.15%，分别下行约 13bp 和 4bp。权益方面，25 年四季度股票维持仓位，结构上，调整了食品饮料板块，关注了机器人产业链。基金固收部分投资保持高信用资质配置、注重组合流动性管理的特征：信用债以精选中短久期的高等级信用债配置为主，分散投资，力争保障组合固收资产具有良好的流动性；转债阶段性维持低仓位配置。

本基金分别采用了机器学习和量化多因子模型。量化多因子模型基于资产定价理论，行为金融学理论和市场经验，总结出多个有效的选股指标，例如：估值、成长、反转因子等，根据市场环境给不同因子配比不同权重，对股票预期收益进行排序打分，控制风险暴露，定量构建组合。机器学习模型，除了会采用传统选股因子外，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，根据市场风格变化自学习合适的因子配比权重。四季度A股在高位持续波动，风格上，小市值与红利较强，成长风格在十月和十一月有较大调整，十二月开始反弹。和三季度的持续高波动、高beta 风格相比，四季度分散化的行情更适合量化策略的发挥，量化策略偏好的波动率、流动性、估值和市值类选股因子在四季度都有不错表现。来年我们需要关注或有的季节性行情和外部事件对量化策略的冲击，控制好风险敞口暴露，同时也会进一步更新迭代我们的量化模型去适应新的市场环境。

本基金采用机器学习量化模型，选取预期收益高的个股，按产品合同要求，严控指数成分股比例，同时适度控制投资组合与基准指数的行业、风格、个股偏离度，降低跟踪误差。机器学习模型的输入数据，除了常用的选股指标，例如：估值、成长、量价等，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，并根据市场风格变化自学习合适的因子配比权重。四季度A股在高位持续波动，风格上，小市值与红利较强，成长风格在十月和十一月有较大调整，十二月开始反弹。和三季度的持续高波动、高beta 风格相比，四季度分散化的行情更适合量化策略的发挥，量化策略偏好的波动率、流动性、估值和市值类选股因子在全市场和中证500指数成分股内都有不错表现。来年我们需要关注或有的季节性行情和外部事件对量化策略的冲击，控制好风险敞口暴露，同时也会进一步更新迭代我们的量化模型去适应新的市场环境。

本基金采用机器学习量化模型，按产品合同与风格库要求，在限定股票池内选取预期收益高的股票，同时控制好策略组合与基准的行业、风格、个股的风险偏离度，通过组合优化工具计算个股权重，构建组合。机器学习模型的输入数据，除了常用的选股指标，例如：估值、成长、量价等，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，并根据市场风格变化自学习合适的因子配比权重。四季度A股在高位持续波动，风格上，小市值与红利较强，成长风格在十月和十一月有较大调整，十二月开始反弹。和三季度的持续高波动、高beta 风格相比，四季度分散化的行情更适合产品策略的发挥，量化策略偏好的波动率、流动性、估值和市值类选股因子在四季度都有不错表现。来年我们需要关注或有的季节性行情和外部事件对量化策略的冲击，控制好风险敞口暴露，同时也会进一步更新迭代我们的量化模型去适应新的市场环境。

本基金结合机器学习模型，按产品合同与风格库要求，在限定股票池内选取预期收益高的股票，同时控制好策略组合与基准的风险偏离，构建组合。机器学习模型的输入数据，除了常用的选股指标，例如：估值、成长、量价等，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，并根据市场风格变化自学习合适的因子配比权重。四季度A股在高位持续波动，风格上，小市值与红利较强，成长风格在十月和十一月有较大调整，十二月开始反弹。和三季度的持续高波动、高beta 风格相比，四季度分散化的行情更适合产品策略的发挥，量化策略偏好的波动率、流动性、估值和市值类选股因子在四季度都有不错表现。来年我们需要关注或有的季节性行情和外部事件对量化策略的冲击，控制好风险敞口暴露，同时也会进一步更新迭代我们的量化模型去适应新的市场环境。

本基金固收部分以利率债投资为主，基于宏观形势与行情变化，适度调整久期。权益部分结合机器学习模型，按产品合同的资产配置比例要求，在限定股票池内选取预期收益高的股票，同时控制好策略组合风险暴露，构建组合。机器学习模型的输入数据，除了常用的选股指标，例如：估值、成长、量价等，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，并根据市场风格变化自学习合适的因子配比权重。四季度A股在高位持续波动，风格上，小市值与红利较强，成长风格在十月和十一月有较大调整，十二月开始反弹。和三季度的持续高波动、高beta 风格相比，四季度分散化的行情更适合产品策略的发挥，量化策略偏好的波动率、流动性、估值和市值类选股因子在四季度都有不错表现。来年我们需要关注或有的季节性行情和外部事件对量化策略的冲击，控制好风险敞口暴露，同时也会进一步更新迭代我们的量化模型去适应新的市场环境。本产品固收部分四季度继续采取短久期配置，力争提升收益确定性。

本产品报告期内采用量化多因子选股策略运作，其底层逻辑是，根据国内资本市场的实际运行情况和大量历史数据的实证检验，挖掘并精选各种有效因子，基于有效的选股因子和合适的风控约束条件构建选股策略，满足回测要求的策略经决策流程后被用于与其风险收益特征匹配的产品上。对选股策略的评价，我们会主要从以下四个维度考量：1、收益性。策略相对基准指数超额收益较高2、波动性。策略相对基准指数超额收益波动相对平稳3、解释性。策略收益来源有金融学解释基础，避免伪相关4、遍历性。策略能适应不同的极端市场环境，遇到极端回撤修复能力较好除此以外，在策略执行过程中，我们会严格遵从纪律性，做好精细化交易管理，把策略的理论收益最大化地转化到产品的实际收益中。根据金融市场的实践经验，我们尽可能挖掘能较好解释股市收益的风格，并在一定程度上把握住了这些方向的交易机会。近几年，AI技术的发展日新月异，其在量化投资领域的应用也越来越广泛，我们也把它融入到了我们经典的选股框架体系中。本产品报告期内表现跑输业绩比较基准。 本基金是创业板主题型产品，采用数量化投资策略建立投资模型，以90%×创业板综合指数收益率 + 10%×银行活期存款利率（税后）为基准，不低于非现金基金资产的80%投资于创业板上市公司，在严格控制风险和保持良好流动性的前提下，通过运用量化投资策略，积极去捕捉创业板中的交易机会。我们对国内的经济长期保持一个乐观态度，量化投资策略本质上交易的是市场中的长期规律，短期的变化对策略方向的影响有限，我们坚持做长期难而正确的事，用一个科学的投资方法和积极的投资态度力争帮助投资者分享中国经济增长的成果。

三季度，本基金分别采用了机器学习和量化多因子模型。量化多因子模型基于资产定价理论，行为金融学理论和市场经验，总结出多个有效的选股指标，例如：估值、成长、反转因子等，根据市场环境给不同因子配比不同权重，对股票预期收益进行排序打分，控制风险暴露，定量构建组合。机器学习模型，除了会采用传统选股因子外，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，根据市场风格变化自学习合适的因子配比权重。三季度A股市场呈现机构行情特征，光模块、人工智能、半导体设备等科技板块股票和稀土相关股票大涨，市场偏好强成长、高波动、高beta风格，在机构持仓较多的沪深300、中证500指数成分股内表现尤为突出。大小盘风格上，市场表现出明显的非线性特征，处在中间的中证500指数显著优于市值更大的沪深300指数，和市值较小的中证1000、中证2000指数。量化策略基于A股的长期历史数据规律研发，不同投资管理人的风格有所差异，但总体而言更偏好低波动、市场热点分散、小市值相对强势的市场环境，与三季度的A股行情差异较大。不过截至三季度末时，很多热门板块股票估值已经很高，股价也开始高位震荡，展望后市，目前来看，市场风险偏好仍有发生变化的可能，利于量化策略的发挥。

本基金采用机器学习量化模型，选取预期收益高的个股，按产品合同要求，严控指数成分股比例，同时适度控制投资组合与基准指数的行业、风格、个股偏离度，降低跟踪误差。机器学习模型的输入数据，除了常用的选股指标，例如：估值、成长、量价等，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，并根据市场风格变化自学习合适的因子配比权重。三季度A股市场呈现机构行情特征，光模块、人工智能、半导体设备等科技板块股票和稀土相关股票大涨，市场偏好强成长、高波动、高beta风格，在机构持仓较多的沪深300、中证500指数成分股内表现尤为突出。大小盘风格上，市场表现出明显的非线性特征，处在中间的中证500指数显著优于市值更大的沪深300指数，和市值较小的中证1000、中证2000指数。量化策略基于A股的长期历史数据规律研发，不同投资管理人的风格有所差异，但总体而言更偏好低波动、市场热点分散、小市值相对强势的市场环境，与三季度的A股行情差异较大。本产品不低于非现金资产的80%投资于中证500指数成分股及备选成分股，受三季度行情影响较为明显。不过截至三季度末时，很多热门板块股票估值已经很高，股价也开始高位震荡，展望后市，目前来看，市场风险偏好仍有发生变化的可能，利于量化策略的发挥。

本基金结合机器学习模型，按产品合同与风格库要求，在限定股票池内选取预期收益高的股票，同时控制好策略组合与基准的风险偏离，构建组合。机器学习模型的输入数据，除了常用的选股指标，例如：估值、成长、量价等，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，并根据市场风格变化自学习合适的因子配比权重。三季度A股市场呈现机构行情特征，光模块、人工智能、半导体设备等科技板块股票和稀土相关股票大涨，市场偏好强成长、高波动、高beta风格，在机构持仓较多的沪深300、中证500指数成分股内表现尤为突出。大小盘风格上，市场表现出明显的非线性特征，处在中间的中证500指数显著优于市值更大的沪深300指数，和市值较小的中证1000、中证2000指数。机器学习模型基于A股的长期历史数据规律研发，更偏好低波动、市场热点分散、小市值相对强势的市场环境，与三季度的A股行情差异较大。不过截至三季度末时，很多热门板块股票估值已经很高，股价也开始高位震荡，展望后市，目前来看，市场风险偏好仍有发生变化的可能。

本基金采用机器学习量化模型，按产品合同与风格库要求，在限定股票池内选取预期收益高的股票，同时控制好策略组合与基准的行业、风格、个股的风险偏离度，通过组合优化工具计算个股权重，构建组合。机器学习模型的输入数据，除了常用的选股指标，例如：估值、成长、量价等，还会借助机器算力，让模型从不同类型输入数据中去学习挖掘低相关性的选股因子，并根据市场风格变化自学习合适的因子配比权重。三季度A股市场呈现机构行情特征，光模块、人工智能、半导体设备等科技板块股票和稀土相关股票大涨，市场偏好强成长、高波动、高beta风格，在机构持仓较多的沪深300、中证500指数成分股内表现尤为突出。大小盘风格上，市场表现出明显的非线性特征，处在中间的中证500指数显著优于市值更大的沪深300指数，和市值较小的中证1000、中证2000指数。量化策略基于A股的长期历史数据规律研发，不同投资管理人的风格有所差异，但总体而言更偏好低波动、市场热点分散、小市值相对强势的市场环境，与三季度的A股行情差异较大。不过截至三季度末时，很多热门板块股票估值已经很高，股价也开始高位震荡，展望后市，目前来看，市场风险偏好仍有发生变化的可能，利于量化策略的发挥。