韩羽辰 - 基金投资策略和运作

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，策略偏好的波动率、流动性、估值和市值类选股指标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产品策略的冲击，控制好风险敞口暴露。

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。

2025年四季度，中国宏观经济呈现温和增长态势，全年GDP增速有望实现5%左右的目标。出口展现出结构性韧性，对增长形成支撑，但内需消费与投资整体偏弱。宏观政策保持托底定力，通过结构性工具和财政发力来缓冲经济下行压力。同期A股市场走出震荡上行行情。主要指数在创阶段新高后经历调整，并于年末企稳回升，全年实现显著上涨。市场运行的主线清晰，以人工智能、半导体为代表的科技成长板块持续引领市场，而传统板块表现相对平淡。整体而言，本季度形成了 “经济有压有托、股市结构主导” 的格局。在宏观承压的背景下，政策为经济提供了缓冲，而A股市场则在产业趋势与改革预期的驱动下，延续了以科技为核心的结构性慢牛行情。　　本基金以中证A500指数为基准，选股模型采用机器学习框架，依托高性能算力对海量历史数据进行深度挖掘，构建符合长期市场逻辑的综合选股指标，并在控制风格行业偏离和跟踪误差的基础上优选个股构建指数增强组合，力争实现长期稳健的超额收益。

2025年四季度，中国宏观经济呈现温和增长态势，全年GDP增速有望实现5%左右的目标。出口展现出结构性韧性，对增长形成支撑，但内需消费与投资整体偏弱。宏观政策保持托底定力，通过结构性工具和财政发力来缓冲经济下行压力。同期A股市场走出震荡上行行情。主要指数在创阶段新高后经历调整，并于年末企稳回升，全年实现显著上涨。市场运行的主线清晰，以人工智能、半导体为代表的科技成长板块持续引领市场，而传统板块表现相对平淡。整体而言，本季度形成了 “经济有压有托、股市结构主导” 的格局。在宏观承压的背景下，政策为经济提供了缓冲，而A股市场则在产业趋势与改革预期的驱动下，延续了以科技为核心的结构性慢牛行情。　　本基金以上证科创板综合价格指数为基准，选股模型采用机器学习框架，依托高性能算力对海量历史数据进行深度挖掘，构建符合长期市场逻辑的综合选股指标，并在控制风格行业偏离和跟踪误差的基础上优选个股构建指数增强组合，力争实现长期稳健的超额收益。

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。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。本产品固收部分四季度将继续采取短久期配置，力争提升收益确定性。

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。产品三季度表现较弱。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。

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。