【华泰金工林晓明团队】沪深300指数及其跟踪基金分析

（以下内容从华泰证券《》研报附件原文摘录）
　　林晓明 S0570516010001 SFC No.BPY421 研究员 李子钰 S0570519110003 SFC No.BRV743 研究员 王晨宇 S0570522010001 研究员 本文源自2022年7月25日发布的研报《沪深300指数及其跟踪基金分析》，对本文的完整理解请参见研报原文。 摘要 当前沪深300指数特征：成分股为A股核心资产，估值较低 从Beta的层面来看，当前沪深300指数具有以下特征：（1）大市值为主，集中各行业龙头企业，近年来一些快速成长的行业在沪深300中占有较大比例，比如食品饮料（11%）、电力设备与新能源（8%）、医药（6%）等。（2）2012年以来收益表和夏普比率表现较好。（3）当前估值水平较低，2010年以来的PE_TTM和PB_LF分位数最近在40%左右。（4）目前有规模超过500亿元的指数增强基金和规模超过1800亿元的指数和ETF基金跟踪沪深300指数，是市场重要的配置标的。 跟踪沪深300指数的基金：指数增强基金及指数和ETF基金 当前沪深300指数增强基金数量为49只，规模超过500亿元，近年来数量和规模呈明显上升趋势。基金的投资目标为在对沪深300指数进行有效跟踪的基础上，力争实现超越目标指数的投资收益。沪深300指数和ETF基金当前数量为50只，规模超过1800亿元，近年来数量和规模维持在高位。基金的投资目标为紧密跟踪沪深300，追求跟踪偏离度和跟踪误差最小化。沪深300指数增强基金获取超额收益的方式主要为量化多因子选股模型，并辅以打新、获取股指期货基差收益、交易可转债以及期权等多种方法来增厚收益。 沪深300指数型基金分析：以博时裕富沪深300为例 目前跟踪沪深300的被动指数型基金有17只，其中博时裕富沪深300（050002.OF）规模为59.19亿元，规模最大，较有代表性。 风险提示：本报告对历史数据进行梳理总结，历史结果不能简单预测未来。指数历史表现仅作为案例说明，不构成对指数及具体基金产品的投资建议。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。投资者应结合自身风险承受能力，充分考虑各种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。 沪深300指数特征及跟踪基金分析 沪深300指数由上海和深圳证券市场中市值大、流动性好的300只股票组成，综合反映中国A股市场上市股票价格的整体表现。我们将从多个角度分析沪深300指数的特征。 成分股特征：大市值为主，集中各行业龙头企业 从市值分布来看沪深300包括了各行业一线龙头企业，市值较大，平均市值为1655亿元。这些公司经过长期的成长，具备稳定成熟的业务格局和较高的规模效应，盈利能力较强，属于A股的核心资产。 从行业分布上来看，沪深300中传统行业银行和非银行金融占比为18%和8%，近年来一些快速成长的行业也在沪深300中占有较大比例，比如食品饮料（11%）、电力设备与新能源（8%）、医药（6%）等。随着我国产业的动态发展，一些优秀的企业和行业市值会不断扩大，并被纳入沪深300指数。 业绩表现：2012年以来沪深300收益表现较好，今年跑赢主流宽基指数 我们将沪深300与另外两个主流宽基指数中证500和中证1000进行对比。2012年以来，沪深300全收益指数年化收益率为8.30%，2016年至2020年，持续多年跑赢中证500和中证1000，体现出近年来投资者对于A股核心资产的偏好，今年收益优于中证500。 估值：当前沪深300估值水平较低 从估值来看，沪深300当前的PE_TTM和PB_LF处于较合理的水平，PE_TTM和PB_LF分位数在2021年初达到高点之后逐渐回落，在2022年初落至低点，最近反弹至40%左右，当前估值水平仍然较低。 跟踪沪深300的基金 作为A股市场最重要的宽基指数之一，沪深300指数一直以来都有大量资金进行配置。目前跟踪沪深300指数的公募基金大致有两类： 1. 沪深300指数增强基金：当前数量为49只，规模超过500亿元，近年来数量和规模呈明显上升趋势。基金的投资目标为在对沪深300指数进行有效跟踪的基础上，力争实现超越目标指数的投资收益。 2. 沪深300指数和ETF基金（包括ETF联接基金）：当前数量为50只，规模超过1800亿元，近年来数量和规模维持在高位。基金的投资目标为紧密跟踪沪深300，追求跟踪偏离度和跟踪误差最小化。 从超额收益中位数来看，沪深300增强基金每年都能获得超额收益。 指数增强基金的管理方式 指数增强方法包括仓位控制、行业轮动与选股等方面。基金仓位控制基于投资人对市场环境进行判断并进行择时，行业轮动源于对不同行业的分析，选股则基于对个股质地的甄选；三种方法分别对应了资产配置的宏观、中观和微观三种视角。 从实践方式上看，指数增强策略一般分为主观型和量化型。主观型策略一般采用主观逻辑和相对灵活的策略进行组合优化，看重公司价值、基本面以及预期等因素；而量化型策略则立足于量化数据和统计规律，通过相对稳定的规则或模型对投资进行决策，多因子模型是目前量化产品的典型方法，也是量化选股方法中理论体系最完善的模型之一。 主观策略对决策者的长期投资分析能力和决策稳健性要求较高，策略在拥有较大潜力的同时也具有一定的不确定性；相比之下，量化策略依托科学的数理模型，降低了个人的不确定性因素，具有相对更强的稳定性。 由于决策机制上的差异，主观投资和量化投资经常分立而为；但与此同时，一些应用其他有价证券、衍生品以及市场机制的另类策略，可以并行地实现策略的收益增强。典型的方式包括参与打新、获取股指期货基差收益、交易可转债以及期权、收益凭证等其他衍生品以获得超额收益。 主流量化选股策略：多因子模型 量化选股模型的主流是多因子模型，量化多因子选股模型的长处在于科学跟踪误差控制，而主动方法选股方式下跟踪误差难以定量感知，容易造成比较大的波动。 使用多因子模型进行量化选股的流程包含： 收益预测。通过各种数据来源构建alpha因子（alpha因子是指对于未来股票收益具有显著且稳定预测能力的因子）。单个alpha 因子提供了全市场股票一个维度的评分，投资经理通常会根据不同alpha 因子的收益预测能力，对多个alpha因子进行加权，得到一个最终的合成评分，以此为基础构建组合。 组合管理和业绩归因。这部分使用的因子通常称为风险因子，这类因子的特征是能够对于未来股票的风险有显著且稳定的预测能力。此外，组合通常还有持仓最大权重、换手率、波动率、相对基准的跟踪误差、最大回撤等诸多限制条件。最简单直观的风险控制手段是行业中性和市值中性，因为行业、市值是最显著的风险因子，股票的收益波动很大程度来自行业端和市值端。实际中运用的风险模型可能更为复杂精细，但它们的目的都是使组合运行在产品的约束框架内。业绩归因对组合收益主要来源分析，保证模型的透明性。 博时裕富沪深300基金使用多因子模型来管理组合。包含三个模块，（1）Alpha模型：根据市场风格变化不断迭代，动态调整因子权重，增强模型市场适应性；（2）组合管理：严控跟踪误差、行业和风格偏离，追求低回撤、稳定的超额收益；（3）业绩归因：组合收益主要来源分析，这是模型长期可持续的关键。 沪深300指数型基金分析：以博时裕富沪深300为例 目前跟踪沪深300的被动指数型基金有17只，其中博时裕富沪深300规模最大，较有代表性，本文将以其为例进行分析。博时裕富沪深300在控制跟踪误差的同时，引入了Alpha模型以增强收益，下文中，我们将从历史业绩、风险收益特征、持仓风格暴露、选股配置能力等多个角度入手，全方位分析该产品。 收益风险特征 我们首先展示博时裕富沪深300的历史业绩表现，对于纵向的时序业绩分析，我们选取相对较长的时间跨度，统计2012年末以来的表现，能够更充分地反映产品的属性与特征。基金业绩选用复权单位净值进行测算。 博时裕富沪深300基金持仓特征与归因分析 重仓股龙头特征明显，持仓高度分散化 我们以报告期披露的基金持仓信息为基础，对基金的持仓结构进行分析，观察基金组合的特点。博时裕富沪深300最近报告期（2022Q1）的前十大重仓股如下： 可以看到，与基准指数沪深300的定位相似，博时裕富沪深300的重仓股呈现明显的龙头特征，前十大重仓股的总市值均超过2000亿元；另一方面，前十大重仓股的总权重为23.0%，拥有较明显的分散化程度。从行业上看，基金的重仓股覆盖食品饮料、电新、金融、医药、计算机等多个板块，同时覆盖传统价值型企业与新兴成长企业。 从历史持仓来看，博时裕富沪深300的成分股数量稳定维持在250只以上，其中2021Q4的成分股达到400只以上，超过了基准沪深300指数，一定程度上反映了产品对组合分散化的重视。基金仓位稳定在90%-95%附近，以维持较高的跟踪度。从重仓股的比重来看，前十大成分股权重保持在25%-30%，与沪深300指数接近；前50大重仓股总权重2020年以来保持着60%左右，集中度较为合理。整体而言，基金的拥有较高的持仓覆盖度与分散化程度。 行业风格分析：严格控制行业与风格偏离 、 以中信一级行业分类为标准，我们对比博时裕富沪深300相对基准沪深300指数的行业分布偏离。可以看到，博时裕富沪深300相对基准的行业偏离不超过±2%，且前三个半年报的行业偏离极值均控制在1%以内，对于行业的偏离程度控制较为严格。 进一步基于Barra风险因子模型的框架，我们对博时裕富沪深300持仓相对基准指数的风格偏移进行统计，以观察指数增强策略在风格因子的视角下的特征。单期的因子暴露为持仓组合个股因子暴露与相应权重的点积。 从整体风格偏移上看，在过往的四个半年报告期，基金组合的全部因子偏离均控制在±0.2以内，方向性相对稳定，对风格的偏离有较严格的控制。相对来看，基金整体倾向于高配动量、成长、盈利，在市值暴露上有一定的低配。 Brinson模型归因：选股效应贡献核心收益 我们进一步引入Brinson模型进行归因。模型能够基于既定的基准，对持仓组合的超额回报进行拆解。具体的，我们采用BF模型（Brinson-Fachler）模型进行拆解，以中信一级行业作为拆解基准，以沪深300指数作为业绩基准。由于持仓数据相对静态，我们仅选取持仓截面后续2个月作为业绩观察窗口，对收益进行分解。 从具体分解来看，基金的选股效应是超额收益的核心来源，在各期均提供了正向且显著的超额收益；相对而言，配置效应和交叉效应对组合超额收益的贡献不明显。 博时裕富沪深300产品概况 风险提示 本报告对历史数据进行梳理总结，历史结果不能简单预测未来。指数历史表现仅作为案例说明，不构成对指数及具体基金产品的投资建议。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。投资者应结合自身风险承受能力，充分考虑各种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。 免责声明与评级说明 公众平台免责申明 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。 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：绝对收益型ETF轮动策略——华泰中观基本面轮动系列之十八 【华泰金工林晓明团队】行业配置策略：资金流向视角——华泰中观基本面轮动系列之十七 【华泰金工林晓明团队】行业配置策略：投资时钟视角——华泰中观基本面轮动系列之十六 【华泰金工林晓明团队】行业配置落地：科技主题基金筛选——华泰中观基本面轮动系列之十五 【华泰金工林晓明团队】行业配置落地：消费主题基金筛选——华泰中观基本面轮动系列之十四 【华泰金工林晓明团队】行业配置策略：机构调研视角——华泰中观基本面轮动系列之十三 【华泰金工林晓明团队】行业配置落地：医药主题基金筛选——华泰中观基本面轮动系列之十二 【华泰金工林晓明团队】行业配置落地：指数增强篇(2)——华泰中观基本面轮动系列之十一 【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】新闻舆情分析的HAN网络选股——华泰人工智能系列之五十六 【华泰金工林晓明团队】图神经网络选股的进阶之路——华泰人工智能系列之五十五 【华泰金工林晓明团队】基于遗传规划的一致预期因子挖掘——华泰人工智能系列之五十四 【华泰金工林晓明团队】揭秘微软AI量化研究——华泰人工智能系列之五十三 【华泰金工林晓明团队】神经网络组合优化初探——华泰人工智能系列之五十二 【华泰金工林晓明团队】文本PEAD选股策略——华泰人工智能系列之五十一 【华泰金工林晓明团队】再探cGAN资产配置——华泰人工智能系列之五十 【华泰金工林晓明团队】SinGAN 单样本生成——人工智能系列之四十九 【华泰金工林晓明团队】对抗过拟合：cGAN应用于策略调参——人工智能系列之四十八 【华泰金工林晓明团队】cGAN模拟宏观指标——人工智能系列之四十七 【华泰金工林晓明团队】AlphaNet改进：结构和损失函数——华泰人工智能系列之四十六 【华泰金工林晓明团队】cGAN应用于资产配置——华泰人工智能系列之四十五 【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 财务质量 【华泰金工林晓明团队】财务质量分析体系初探-财务质量系列研究之一 【华泰金工林晓明团队】财报附注中隐藏的财务风险-财务质量系列研究之二 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

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）