朱剑涛 - 基金投资策略和运作

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。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。

本基金采用机器学习量化模型，按产品合同与风格库要求，剔除市值小和流动性差的股票，在限定的具备红利特征的股票池内，选取预期收益高的股票，同时控制好策略组合与基准中证红利指数的风险偏离，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，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，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。

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，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。

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。

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。