国泰君安科创板量化选股股票发起C(020699) - 基金经理

在市场方面，A股三季度出现了巨幅波动，在9月底之前市场整体处于阴跌的格局，上证指数一度跌破2700点，超出大多数投资者的预期，后续情绪的反转也超乎预料。市场从7月初开始，部分前期强动量的股票率先进入大幅度回调，动量失效对部分量化策略的超额收益带来一些挑战，8月底开始五大国有银行的深幅调整，这轮红利资产当中最坚挺的堡垒彻底瓦解，而与此同时创业板指率先见底。从8月底开始以创业板指见底为标志性事件，市场风格逐渐从价值转向成长。9月底，金融三部委国新办新闻发布会上宣布了一系列利好资本市场的政策，包括创设“证券、基金、保险公司互换便利”和“股票回购增持专项再贷款”等货币工具，大大超出市场预期，稳定了投资者的信心，短期点燃了资本市场的情绪，三季度最后5个交易日的走势，几乎逆转了今年股票市场所有的颓势。直至三季度末，科创50指数（涨幅2.58%）科创100指数（跌幅9.68%），弱于大盘宽基沪深300（涨幅17.67%）和中证500（涨幅6.70%），整体表现一般。展望四季度，央行支持资本市场的货币工具有望进入实质性落地阶段，为市场带来实质性的资金支持，进一步稳定了投资者和国际资本的信心。不过每一次市场中长期底部都不是一蹴而就的，在当前复杂的国际政治形势和尚未企稳的经济基本面的现实面前，短期出现较大波动依然是难免的。本基金聚焦科创板，特别是科创50和科创100的成分股，投资于成长潜力较大的科技新兴产业，挖掘A股未来最有潜力的结构性Beta。以量化的方式，从各个数据维度对科技产业上市公司进行全覆盖，有效挖掘“科技龙头”、“专精特新”、“小而美”的科技创新企业，发挥量化选股及模型的优势，获取大幅超越科创板主流指数（科创50和科创100等）的收益。以分散化投资为主的量化投资在今年超大盘股引领的防御性行情下，阶段性面临一定的挑战，也本没有一种投资方法论可以通吃所有风格的行情，但是量化投资从投资理念和投资逻辑来讲并未发生本质性改变，量化投资在不同风格的选股方面依然有较大的可为空间和较高的性价比。在行业和个股走势出现较大的变化下，我们依然维持一贯的投资理念和投资组合管理体系，本基金在投资组合的配置和交易方面严格遵循量化模型的建议，基金经理则主要从挖掘有投资逻辑的Alpha因子、随着市场演变不断改进底层量化模型以及模型的日常跟踪和分析等层面不断增强策略的表现，常年来我们坚守整体一贯的投资体系和理念，也尽可能以此稳定投资者在不同市场环境下对我们超额收益率的预期。在量化增强层面，我们尽量结合以财务数据为基础的基本面信号和以量价为主的技术面信号，对于科技创新型公司也会更注重研发投资和专利数据等另类因子的挖掘和利用，并通过机器学习模型来进行有效因子的选择和因子之间的轮动，得益于基本面量化、另类因子和实时量价在信号层面较低的相关性，使得我们有信心在兼顾各类因子的情况下追求稳健的Alpha。

上半年，市场风险偏好降至冰点，投资者在不确定性笼罩下寻求避风港，红利及大型垄断性国企成为资金青睐的对象，展现出显著的超额收益。这不仅反映了投资者对确定性资产的强烈需求，也揭示了市场在动荡时期的价值回归趋势。同时，今年两市跑赢沪深300指数的公司不足15%，而跑赢中证500的公司也不到1/4，整体市场平均涨跌幅超过20%，显示出明显的亏钱效应，这对以分散化持股为主要投资风格的量化策略并不友好。本基金聚焦科创板，特别是科创50和科创100的成分股，投资于成长潜力较大的科技新兴产业，挖掘A股未来最有潜力的结构性Beta。以量化的方式，从各个数据维度对科技产业上市公司进行全覆盖，有效挖掘“科技龙头”、“专精特新”、“小而美”的科技创新企业，发挥量化选股及模型的优势，获取大幅超越科创板主流指数（科创50和科创100等）的收益。随着我国积极的财政政策适度加力，高水平对外开放政策不断延续，以及消费需求仍处于充分释放阶段，未来市场具备回升条件，我们预计，未来市场板块轮动速度仍然较快。以分散化投资为主的量化投资在今年超大盘股引领的防御性行情下，阶段性面临一定的挑战，也本没有一种投资方法论可以通吃所有风格的行情，但是量化投资从投资理念和投资逻辑来讲并未发生本质性改变，量化投资在不同风格的选股方面依然有较大的可为空间和较高的性价比。在行业和个股走势出现较大的变化下，我们依然维持一贯的投资理念和投资组合管理体系，本基金在投资组合的配置和交易方面严格遵循量化模型的建议，基金经理则主要从挖掘有投资逻辑的Alpha因子、随着市场演变不断改进底层量化模型以及模型的日常跟踪和分析等层面不断增强策略的表现，常年来我们坚守整体一贯的投资体系和理念，也尽可能以此稳定投资者在不同市场环境下对我们超额收益率的预期。在量化增强层面，我们尽量结合以财务数据为基础的基本面信号和以量价为主的技术面信号，对于科技创新型公司也会更注重研发投资和专利数据等另类因子的挖掘和利用，并通过机器学习模型来进行有效因子的选择和因子之间的轮动，得益于基本面量化、另类因子和实时量价在信号层面较低的相关性，使得我们有信心在兼顾各类因子的情况下追求稳健的Alpha。