量化研究系列报告之二十五：高弹性Alpha的量化掘金：从盲区识别到策略构建

传统多因子模型的内核与挑战 5多因子模型：基于历史规律的全面发展型选股模式 5模型有效性面临周期性挑战 5传统多因子模型的局限性——模型的内生“路径依赖”与结构不适配 8局限一：分散化哲学与收益分布非正态性的根本矛盾 8局限二：因子库的“路径依赖”与高弹性风格缺失 10从多因子到多策略，挖掘高弹性ALPHA 14基于XGBOOST树模型的ALPHA预测 15构建高弹性策略：捕捉传统模型的风格盲区 18高弹性策略在指数增强模型中的应用 31中证全指增强策略 31宽基指数增强：80成分股约束下的应用 355总结 38风险提示： 39图表1公募指增基金规模（亿元）逐年攀升 5图表2指数增强型基金累计日度超额净值走势 6图表3指数增强型基金分年度超额收益和相对最大回撤中位数 6图表4指数增强基金月度超额收益最低的10个月与BARRA因子当月RANKIC(2017.1.1-2025.10.31) 7图表5特定市场阶段指数增强基金累计超额收益中位数 8图表6指数增强基金月超额和个股超额标准差（按标准差大小从左到右降序排序） 9图表72025年8月沪深300指数前十大涨幅成分股权重变化及区间涨跌幅 9图表8指增基金月度超额收益与BARRA风险因子RANKIC的相关系数汇总 10图表9因子库中各因子与BARRA风格对应关系（按高度正相关因子数降序排序） 11图表10全市场复合因子TOP100多头组合和SMART多头时序走势 12图表全市场复合因子多头组合和强势股数量重合度统计 12图表12高弹性组合历史净值走势 13图表13高弹性组合分年度表现 14图表14模型输入特征 15图表15XGB复合因子全市场有效性（2020.1.1-2025.11.28） 16图表16XGBOOST复合因子分十组多头超额净值（2020.1.1-2025.11.28） 16图表17XGBOOST复合因子分年度多头超额表现 17图表182025.10.31模型特征重要性分类汇总 17图表19特定市场阶段XGBOOST全市场TOP100组合与传统多因子全市场TOP100策略表现对比 18图表20复合因子与BARRA因子值相关系数汇总 18图表21高弹性TOP100组合净值走势 20图表22高弹性TOP100组合分年度表现 20图表23XGB高弹性TOP100组合净值走势 20图表24XGB高弹性TOP100组合分年度表现 20图表25高弹性策略与全市场选股策略的超额收益相关系数 20图表26高弹性股票池在各宽基指数内数量分布 21图表27高弹性股票池在各宽基指数内流通市值分布 21图表28高弹性股票池在中信一级行业内数量和权重分布（以超配权重占比降序排序，2016.1.1-2025.11.28） 21图表29高弹性股票池在上市板内数量分布 22图表30高弹性股票池在上市板内流通市值分布 22图表31高弹性股票池与中证全指上市板数量分布 22图表32高弹性股票池与中证全指上市板流通市值分布 22图表33代表性因子在高弹性股票池内选股有效性（2016.1.1-2025.11.28） 23图表34基于分散化价值的高弹性TOP100优选组合超额净值（2020.1.1-2025.11.28） 25图表35基于分散化价值高弹性TOP100优选组合分年度表现 25图表36基于分散化价值的高弹性策略与其它策略的超额收益相关系数 25图表37基准策略负超额时期高弹性分散价值策略超额收益表现 26图表38特定市场阶段基于分散价值的高弹性策略与其余策略表现对比 26图表39基于分散价值的策略参数敏感性分析 27图表40SIGMOID连续权重函数示意图 28图表41时序分域加权下高弹性股票池多头组合超额净值（2020.1.1-2025.11.28） 29图表42时序分域加权高弹性股票池多头组合分年度多头表现 29图表43策略间超额收益相关系数 29图表44基准策略负超额时期高弹性时序加权策略超额收益表现 30图表45特定市场阶段基于时序加权的高弹性策略与其余策略表现对比 30图表46基于时序加权的策略参数敏感性分析 30图表47各策略绩效汇总结果（2020.1.1-2025.11.28） 31图表48多策略中证全指增强策略历史净值走势（2020.1.1-2025.11.28） 32图表49不同风险预算比例下中证全指增强策略分年度表现对比 33图表50特定市场阶段中证全指增强策略表现对比 34图表51各子策略收益贡献情况 34图表52各子策略配置权重 34图表53多策略VS中证全指增强BARRA风格暴露对比 35图表54多策略-沪深300指数增强策略历史净值走势（2020.1.1-2025.11.28） 36图表55多策略-沪深300增强策略分年度表现对比（2020.1.1-2025.11.28） 36图表56多策略-中证500指数增强策略历史净值走势（2020.1.1-2025.11.28） 37图表57多策略-中证500增强策略分年度表现对比（2020.1.1-2025.11.28） 37图表58多策略-中证1000指数增强策略历史净值走势（2020.1.1-2025.11.28） 38图表59多策略-中证1000增强策略分年度表现对比（2020.1.1-2025.11.28） 38传统多因子模型的内核与挑战多因子模型：基于历史规律的全面发展型选股模式传统多因子模型是现代量化投资的基石，其核心目标是在横截面上对股票的未来相对表现进行排序预测。无论是线性回归还是更复杂的合成方式，模型均通过一系列特征或因子来评估股票，其本质是追求稳定的超额收益，而非预测绝对涨跌或捕捉趋势行情。这一预测体系的方法论深深植根于历史统计规律，即从历史数据中挖掘那些长期来看能有效区分股票优劣的因子，并相信这些规律在未来会持续产生作用。在这一框架下，投资组合的构建秉承着高度分散化和严格风险控制的原则。模型倾向于筛选出在各项考察维度上都表现均衡的全面发展型股票，而非在某一方面极端突出的偏科生。通过风险模型对行业、市值、估值、Beta等常见风格暴露进行严格约束，组合力求剥离市场常见的系统性风险，从而获取理论上纯粹的Alpha。这种经典范式在长期市场实践中证明了其稳健性。在公募行业的实践中，这一模式与指数增强产品的目标不谋而合，形成了多因子选股+组合优化与风控的经典配置。由于其追求相对基准的稳定超额，且能够容纳大规模资金，指数增强产品已成为国内量化策略最重要、规模增长最迅速的品类之一。图表1公募指增基金规模（亿元）逐年攀升模型有效性面临周期性挑战然而，上述看似稳健的多因子选股+组合优化体系，在市场实践中正面临日益严峻的挑战，在现实市场环境中并非总能奏效。为客观评估其表现，我们遵循以下步骤构建并分析了公募指增产品的整体超额收益：样本基金选择30050010000%（，超额收益计算（95%的超。汇总统计数求均值，作为当日公募指增策略的总体超额收益。下图表展示了20172021Alpha呈对于对标沪深300和中证500指数的增强产品而言，连续获取年度正超额已较为困难挤度加剧以及整体风格结构变迁的背景下，以中低频交易为主的传统多因子模型，图表2指数增强型基金累计日度超额净值走势图表3指数增强型基金分年度超额收益和相对最大回撤中位数超额收益中位数 相对最大回撤中位数年份总体沪深300中证500中证1000年份总体沪深300中证500中证100020176.2%6.0%6.4%20172.0%1.9%2.1%20185.2%2.8%3.9%8.8%20182.7%2.1%3.4%2.5%20194.0%0.3%3.6%8.2%20194.1%3.3%4.8%4.2%20206.3%2.6%6.0%10.3%20203.1%3.0%3.4%3.0%2022.8%20215.1%4.2%6.7%4.3%20222.4%0.4%1.0%5.9%20223.3%3.5%4.7%1.7%20231.8%0.5%0.8%4.1%20232.9%3.0%3.2%2.5%20243.2%1.7%2.6%5.4%20245.5%4.1%6.3%5.9%202510314.6%1.9%3.0%8.9%202510312.9%2.9%3.5%2.2%长期来看，公募超额分布呈现出左偏与肥尾特征，表明策略不仅存在稳定的正超额阶段，也伴随着频繁且剧烈的超额回撤期。这一现象直指模型有效性的周期性失灵。下表列出了2017年以来公募指数增强型基金月度超额收益最差的10个月，并结合同期Barra风格因子的表现，可以发现一些共性规律：170%与之相悖的高波动、高换手观预期驱动的成长主导行情情绪与资金驱动的主题动量行情适应。2BPRankIC图表4指数增强基金月度超额收益最低的10个月与Barra因子当月RankIC(2017.1.1-2025.10.31)884.24.9...2.2%-.2%-8-3.9%-1.5%%.5-80.5%%-0.5%4.45.0%2.0%-0.2%历史平均4.9%-9%10.1%0%-14.%1.96.4%%-2.4%5.8%%.693%-1.平均6.2%-19%61.7%-2.5%%7.4%%0.75%-21.3.6%-5.5%20%-1.2025-02-286.2%-22%71.5%1.1%%7.9%%-9.13%-20.6.4%-.8%5-2.1%2024-10-312.1%-%.21.8%-32.1%%6.5%%5.47%13.-1.8%-7.5%2-1.7%2024-09-307.8%-.0%--5.9%9.5%-1%.2-58.4%1%-15.%%2.81.5%60%-1.2024-07-314.5%5%.824.5%-1.4%%7.1%-3%12.%0.512.4%-0.7%22%-1.2024-02-293.7%-.7%-4-3.3%-4.4%%-4.42.5%1%-8.7%7.6%3.213.1%-1%-1.2022-11-303.4%-13.8%-2-7.5%8.8%-1%-26.03.9%14%-10.2%18.8.6%26.4%-18%-0.2021-12-310.3%-1%.4-4.8%-5.5%%3.3%-%-2.35%12.-6.3%-8.4%10%-1.2021-05-311.4%-2.7%-2-6.9%23.9%-%-23.90.7%1%-8.57%11.5.0%23.2%-11%-1.2020-11-302.9%-2.0%0.3%-33.3%%2.1%17%11.%-6.1%9.24.9%2-2.3%2019-02-28市值波动率非线性市值动量流动性杠杆成长盈利价值BETA指增超额日期这些周期性的失效在特定的市场环境中有着具体表现。为进一步剖析模型在结构性行情中的适应性，我们选取近五年来四个具有代表性的市场阶段，考察指增产品的超额表现：2021年4季度行业轮动和风格反转为主导，导致依赖因子动量的量化策略集体遭遇超额回撤。2024年1月至春节前募指增产品受80%2024年924行情以跟上市场情绪驱动的上涨节奏。2025年7月至9月图表5特定市场阶段指数增强基金累计超额收益中位数日期开始日期结束日期交易日数沪深300增强中证500增强中证1000增强20261-1.3%-2.9%-2.0%202425-0.2%-0.4%0.0%2024年9.24-11.82024-09-242024-11-0829-3.0%-5.9%-5.1%2025年7.11-9.222025-07-112025-09-2252-1.1%-2.5%0.3%这些周期性的失效并非偶然，它深刻揭示了传统多因子模型内核逻辑与动态市场之间存在的固有矛盾。模型基于历史规律构建的全面发展选股标准与静态风险约束，在面对市场风格陡然转向偏科生或主题明星时，便显得僵化与滞后。这引出了我们对模型更深层次局限性的拷问：为何模型会在这些特定环境下系统性失灵？其内在机理是什么？本文后续章节将重点剖析这些问题，并探讨可行的解决方案。传统多因子模型的局限性——模型的内生路径依赖与结构不适配量化模型的局限性错综复杂，不同类型的策略所面临的挑战也各不相同。本文无意面面俱到，而是基于对现有主流公募量化策略的实证观察和复盘分析，聚焦于那些导致公募量化策略在关键时期系统性失灵的主要矛盾。深入分析可以发现，这些挑战并非偶然的外部冲击，而根植于传统多因子模型自身的内生逻辑之中——即对历史路径的依赖与对市场结构动态变化的不适配。本章将从分散化哲学与选股逻辑的路径依赖这两个层面进行逐一剖析。局限一：分散化哲学与收益分布非正态性的根本矛盾传统多因子模型在组合构建上遵循着经典的投资分散化原则，其核心假设是：股票收益在横截面上近似服从正态分布，通过持有大量股票可以平均化个股特异性风险，从而稳定地获取因子选股带来的平均Alpha。然而，这一理想化的统计假设与真实市场的收益分布结构时常发生尖锐冲突。在市场处于由宏观主线或产业主题驱动的结构性行情时，个股或行业风格超额收益的分布往往呈现显著的右偏特征。这意味着大部分超额收益并非均匀地来自于投资组合中的所有股票，而是高度集中于少数几只权重股或处于风口中心的标的。此时，严格遵循分散化原则、持仓通常多达数百只且权重相对均匀的传统量化模型，其表现就如同一个被严重稀释的投资组合：虽然抓住了部分强势股，但因权重限制，无法充分享受其强势上涨带来的收益；同时，组合中大量平庸或弱势的持仓反而拖累了整体表现。在实践中，这种均匀主义的持仓结构很难根据行情分布进行动态、大幅度的调整，使得模型在结构性行情中天然处于劣势。我们统计了每月全市场股票在根号总市值加权后的超额收益率的横截面标准差，并与当月公募指增产品的平均超额收益进行对比。结果表明，个股横截面超额标准差与指增当月总体超额收益呈现一定的负相关关系，与指增超额收益的绝对值呈正相关关系。在个股超额分化平缓的月份，量化模型凭借高胜率、低赔率的选股模式，往往能获取稳定但有限的超额收益。在分化剧烈的月份，市场呈现出低胜率、高赔率的特征。尽管其中蕴藏着通过集中持仓博取极高回报的理论机会，但量化模型因其分散化约束，绝大多数时候无法捕捉这种机会，反而因持仓被大量平庸股票稀释，更容易遭遇显著的超额回撤。这印证了，分散化哲学在应对收益分布的非正态性时存在天然短板。图表6指数增强基金月超额和个股超额标准差（按标准差大小从左到右降序排序）2025年8月的行情将这一矛盾极端化呈现。以沪深300成分股为例，该月个股相对于指数的超额收益率分布呈现极强的右偏性。以寒武纪、中际旭创为首的少数科技成长股贡献了绝大部分涨幅。然而，量化模型不仅因风险约束天然低配这类高波动、高估值股票，更在行情演进中陷入被动：这些领涨股因股价飙升，其在指数内的权重随之快速上升。若模型未能及时调整，则低配的幅度实际上在动态扩大，形成越涨越拖累超额的恶性循环。这并非简单的选股失误，而是其固守的组合构建哲学与市场动态的最优收益结构之间产生了根本性矛盾。这一矛盾深刻揭示，旨在降低风险的分散化持股，在某些市场状态下，其本身就会构成一种无法回避的收益稀释风险。Wind图表72025年8月沪深300指数前十大涨幅成分股权重变化及区间涨跌幅Wind代码证券名称月初权重月末权重变化绝对幅度区间涨跌幅688256.SH寒武纪-U0.67%1.31%0.64%110.4%300502.SZ新易盛0.84%1.48%0.64%88.3%300394.SZ天孚通信0.23%0.39%0.15%87.9%002600.SZ领益智造0.12%0.18%0.06%72.5%300308.SZ中际旭创0.87%1.32%0.45%63.1%002241.SZ歌尔股份0.26%0.38%0.12%59.5%0.61%0.90%0.29%55.5%600111.SH北方稀土0.42%0.60%0.18%51.5%000617.SZ中油资本0.10%0.13%0.03%46.4%H00300.CSI300全收益10.5%局限二：因子库的路径依赖与高弹性风格缺失前文对公募指增产品极端负超额月份的分析，揭示了一个关键现象：量化策略的大部分剧烈回撤，均伴随着盈利、波动与换手等风格因子的失效乃至反向。更为系统的统计表明，这种关联并非偶然的尾部特征，而是一种常态化的风格依赖。下表统计了2017年以来公募指增月度超额收益与Barra风险因子RankIC的时序相关系数，可以发现，在大部分年份里，策略整体表现与低Beta、高盈利、低波动、低换手等风格因子的表现呈现显著稳定的正相关性。这意味着，传统模型的超额收益并非完全纯净，其表现好坏在常态下就与这些特定风格因子的走势深度绑定。当然，这种相关性结构并非一成不变，其本身也受市场环境影响。2020年在公募资金持续抱团大盘成长风格的驱动下，市场表现出明显的高Beta、高动量特征。此时，遵循因子动量配置逻辑的多因子模型，会通过ICIR加权等方式，逐步提升成长超预期、动量等当期强势因子的权重，同时降低低波动、低换手等近期弱势因子的权重。这一动态调整过程，使得整个策略的组合风格暴露发生了系统性漂移，其表现与高Beta、高动量因子的正相关性增强，而与低波、低换手、高盈利等因子的相关性则转为负值。这恰恰从另一个侧面印证了模型的路径依赖：其风格暴露并非主动前瞻，而是被动跟随过去一段时间内表现强势的因子，从而在市场风格形成趋势时强化暴露，在风格反转时遭遇冲击。图表8指增基金月度超额收益与barra风险因子RankIC的相关系数汇总慧博，这种绑定关系根植于模型选股和配置逻辑的双重路径依赖。传统多因子模型从历史数据中挖掘长期有效的统计规律，而历史数据显示，高盈利、低波动等因子在A股长期提供了显著的风险溢价。这导致模型在训练和迭代过程中，会不断强化对这类高胜率因子的依赖，最终构建的组合实质上高度暴露于此类风格，演变为一种带有鲜明风格偏向的SmartBeta增强组合，而非纯粹的Alpha组合。AlphaBarraBarra2016高度正相关；若小于-0.3，则定义为高度负相关。结果表明，因子库中存在大量与低波动、高盈利、低换手风格显著正相关的深度因子；然而，与高波动、低盈利、高换手风格高度正相关的因子数量却极为稀少。这种严重不对称性不仅体现在数量上，更体现在暴露的深度上：因子库容易构建出对低波、低换手的深度暴露，却难以形成对高波、高换手的深度暴露，至多只能达到浅度相关。这种结构性缺陷，使得模型在面对由高弹性风格主导的市场时，缺乏有效、有力的选股工具。风险因子高度正相关因子数高度正相关因子数占比高度负相关风险因子高度正相关因子数高度正相关因子数占比高度负相关因子数高度负相关因子数占比平均相关系数盈利5222.7%00.0%17.6%波动率4419.2%10.4%14.2%流动性4318.8%10.4%13.5%价值3615.7%20.9%11.2%杠杆135.7%62.6%0.9%市值62.6%00.0%3.0%成长52.2%00.0%3.5%动量41.7%20.9%0.4%非线性市值31.3%00.0%0.9%BETA20.9%7231.4%4.0%慧博，为进一步验证上述观点，我们构建了两个多头组合进行对比：首先，通过因子对称正交与12个月RankICIR加权的方式构建全市场复合因子，每月选取该因子得分最高的100只股票等权配置，构建全市场多头组合。同时，我们合成一个弹性代理变量，其本质是低盈利、高波动与高换手风格得分的综合，用以刻画股票的弹性最低50%低弹性股票池池内100只股票等权配置对照组合。回测结果显示，两者长期超额收益曲线高度重合，月度超额收益相关系数高达0.89。这表明，传统多因子模型的超额收益，绝大部分可以归因于其因子体系在低弹性风格域内的选股效应，并未展现出能够有效超越该特定风格域的、更为普适的选股能力。图表10全市场复合因子TOP100多头组合和SmartBetaTOP100多头时序走势慧博，领涨力量10%的强50%10%549.8%50%50%10754.4%图表11全市场复合因子多头组合和强势股数量重合度统计造成这一困境的原因是多方面的：历史数据挖掘的惯性A因子定义的滞后性：模型对成长、盈利的定义多基于已实现的财务数据，而市场在高弹性行情中定价的核心往往是未来预期。这种过往事实与未来想象之间的错配，导致模型系统性地低配由预期驱动、业绩还未体现的热门股。Alpha在知晓造成传统量化多因子策略失效的根源之后，随之而来的问题是：高弹性风格究竟是一个应被回避的StupidBeta，还是一个需要约束的风险？长期回测结果似乎支持前者：依据低盈利、高波动和高流动性的复合得分构建的TOP30%高弹性股票池在近16年相对全市场等权基准的超额收益为-10.2%，月胜率仅36.6%，从年度周期看无疑是一个价值陷阱。第一2020益下行斜率已显著放缓，月度胜率的劣势不再明显，且时常出现脉冲式高收益。二3个第三略新兴产业的业绩兑现周期拉长，使得基于短期财务稳健性的传统定价逻辑出现阶段性失效。这警示我们，曾被视为Alpha基石的低波、高盈利特征，其风险溢价可能正在发生结构性变化。若一味将其视为StupidBeta而系统性回避，可能导致策略在风格覆盖上存在永久性缺陷，无法适应未来市场。图表12高弹性组合历史净值走势慧博，图表13高弹性组合分年度表现年份基准策略超额收益信息比相对回撤跟踪误差超额月胜率201014.6%8.1%-6.4%-1.4762-6.4%4.3%50.0%2011-28.8%-37.3%-8.5%-2.2262-11.7%3.8%25.0%20125.2%-3.5%-8.7%-2.4389-9.6%3.6%25.0%201327.5%27.0%-0.5%-0.0640-8.4%7.6%50.0%201448.7%32.1%-16.6%-2.3967-15.9%6.9%25.0%201595.8%71.4%-24.4%-1.7344-24.1%14.1%50.0%2016-5.5%-25.1%-19.6%-2.7192-19.2%7.2%16.7%2017-13.3%-27.0%-13.7%-3.0903-15.7%4.4%0.0%2018-30.7%-35.0%-4.3%-0.7729-6.4%5.5%33.3%201926.6%21.0%-5.6%-1.0294-7.0%5.4%33.3%202016.4%15.4%-1.0%-0.1376-10.0%7.5%58.3%202124.5%14.8%-9.7%-1.3809-9.4%7.0%50.0%2022-11.9%-22.4%-10.5%-1.7000-12.0%6.2%41.7%20238.8%-0.2%-9.0%-1.2611-10.3%7.1%41.7%20243.4%-5.0%-8.4%-0.8704-9.0%9.6%50.0%2025112837.1%29.9%-7.2%-0.8938-10.0%8.1%36.4%汇总10.3%0.2%-10.2%-1.4090-73.4%7.2%36.6%慧博，许多曾被视为Alpha的因子（如小市值、账面市值比）已逐渐被认知并Beta化，成为控制优先级较高的风险。始终将其视为StupidBeta而一味回避，会导致策略在收益来源上存在结构性短板。因子挖掘层面23从Alpha预测的角度的特征输入下通过更复杂的模型获得更加稳健的Alpha预测，是近年来的研究热点，在第3章第一节中也会简要介绍这部分内容。因此，更根本的解决方法或许在于突破单一模型的路径依赖，构建一个能够兼容多元风格、特别是覆盖传统模型盲区的体系。这自然指向了通过多策略组合来提升整体鲁棒性的思路：通过引入能捕捉高弹性Alpha的辅助策略来提高阶段性超额收益，同时由于策略间的低相关性来降低整体波动。其核心目标之一是直击痛点，弥补传统模型在高弹性风格域的覆盖度缺失。如何构建这样的策略，正是本文接下来要探讨的解决方案。从多因子到多策略，挖掘高弹性Alpha在深入探讨多策略体系之前，有必要首先明确后续分析所依存的比较基准。下文将简要阐述基于传统线性框架的多因子复合因子的构建流程，该因子将作为后续各项策略对比的基准源头，基准复合因子构建流程如下：1、因子池：基于基本面与量价数据，共纳入229个华安金工因子库中的因子；2、样本空间：中证全指成分股；3、因子预处理：所有因子均在当期横截面上进行缺失值填充、异常值缩尾、Z-Score标准化，并进行行业与市值中性化处理；4因子筛选（>0.7）RankICIR5、因子合成12RankAlpha6、组合构建：每月末选取得分最高的100只股票等权配置。后续章节提出的XGBoost模型及高弹性策略，均将在此基准上进行对比与增量分析，以客观评估其提升效果。基于XGBoost树模型的Alpha预测为突破传统线性多因子模型的路径依赖，一种直接的思路是采用更具灵活性的非线性模型来预测Alpha。机器学习方法，特别是树模型，为此提供了强大的技术工具。其核心在于，即便使用与线性模型相似的特征集，非线性模型也能够通过复杂的特征交互与分割，捕捉数据中隐藏的非线性规律与结构性变化，从而可能生成相关度较低、预测逻辑迥异的新Alpha信号。在众多机器学习模型中，以XGBoost为代表的梯度提升决策树模型在量化选股领域得到了广泛应用与验证。其基本原理是通过一系列二叉树结构对样本进行递归划分，天然适用于处理非线性关系与高阶交互效应。XGBoost通过集成多棵决策树，并采用梯度提升框架逐步修正预测误差，在保持模型可解释性的同时，大幅提升了预测精度与泛化能力。与近年来兴起的深度神经网络相比，精心调优的树模型在表格数据预测任务上往往表现相当甚至更优，且与传统线性模型的预测结果通常具有较低的相关性。这种差异性使得树模型不仅能够作为独立的预测工具，更能在多策略框架下与线性模型形成有效互补，为实现1+1>2的分散化效果奠定了基础。我们构建XGBoost收益预测模型的具体流程如下：1输入特征的类型Alpha预测得分。而在机器学习领域中，可用于输入模型的特征类型往往并不要求原本特XGBoost图表14模型输入特征特征类型特征数量简要介绍HAFactor229华安金工团队依据基本面和量价数据手工构建的因子。QlibAlpha158158Qlib量化分 泛使 义交易量等多维度的市场动态。慧博，2、样本空间：中证全指成分股。3、训练区间划分：以2010年1月1日-2017年12月31日为训练集，2018年1月1日-2019年12月31日为验证集。4特征筛选与预处理5MAD5预测目标预处理Zscore6超参数选择与调优202011日-202528XGBoostRankIC13.4%ICIR5.2662.3%20.0%3.78图表15XGB复合因子全市场有效性（2020.1.1-2025.11.28）慧博，XGBoost6.4%的图表16XGBoost复合因子分十组多头超额净值（2020.1.1-2025.11.28）慧博，图表17XGBoost复合因子分年度多头超额表现慧博，XGBoost特征重要性度量有助于我们理解模型决策的底层逻辑。我们主要采用增益重要性评估指标，该指标综合考虑了特征在所有树模型中被用于节点分裂的频率各特征对模型整体性能提升的贡献程度。图表182025.10.31模型特征重要性分类汇总慧博，XGBoost100100收益互补性2024XGBoostXGBoost图表19特定市场阶段XGBoost全市场TOP100组合与传统多因子全市场TOP100策略表现对比日期开始日期结束日期交易日数全市场多因子TOP100全市场XGBTOP100202261-0.1%8.3%2022255.1%-9.6%2024年9.24-11.82024-09-242024-11-0829-10.4%-2.1%2025年7.11-9.222025-07-112025-09-2252-3.8%10.6%慧博，为深入理解其收益来源的差异性，我们进一步分析了XGBoost合成因子与Barra风格因子的相关性。结果显示，相较于传统线性复合因子，XGBoost因子在价值、盈利和低波动风格上的暴露显著降低，而在小市值因子上的暴露有所提升。这一相关性结构表明，XGBoost模型能够在一定程度上突破依赖低波动、高盈利的线性选股逻辑，通过非线性路径捕捉了不同的收益来源。图表20复合因子与Barra因子值相关系数汇总因子简称线性复合XGB复合BETA价值盈利成长杠杆流动性动量非线性市值波动率市值线性复合100%48%-6%23%33%9%0%-38%-3%-4%-42%1%XGB复合48%100%-11%11%8%-3%-1%-37%-9%-29%-27%-24%BETA-6%-11%100%-27%-21%17%-20%45%10%13%-3%0%价值23%11%-27%100%45%-8%30%-35%-25%6%-37%4%盈利33%8%-21%45%100%22%23%-19%0%16%-27%25%成长9%-3%17%-8%22%100%-3%12%8%24%-7%30%杠杆0%-1%-20%30%23%-3%100%-12%-9%3%-4%18%流动性-38%-37%45%-35%-19%12%-12%100%36%15%55%11%动量-3%-9%10%-25%0%8%-9%36%100%16%37%22%非线性市值-4%-29%13%6%16%24%3%15%16%100%0%39%波动率-42%-27%-3%-37%-27%-7%-4%55%37%0%100%1%市值1%-24%0%4%25%30%18%11%22%39%1%100%慧博，总结而言，XGBoost模型通过其强大的非线性拟合能力，提供了一条生成差异化Alpha的有效路径，能够在一定程度上缓解传统模型在风格暴露上的路径依赖问题。然而，其预测逻辑仍然主要基于全市场相似的特征集，对于传统模型完全缺失的高弹性风格域，其覆盖能力可能依然有限。因此，要系统性弥补这一风格盲区，需要更具针对性的策略设计。下文将介绍第二种方案，即通过横截面分域，直接构建聚焦于高弹性股票池的选股策略。构建高弹性策略：捕捉传统模型的风格盲区传统多因子模型往往缺失对高弹性风格的捕捉能力。若想在不颠覆原有策略核心的前提下弥补这一盲区，构建一个独立的、针对性覆盖高弹性股票域的子策略，便成为一条合乎逻辑的路径。这本质上是将分域思想应用于风格维度，通过策略间的低相关性来提升整体组合的鲁棒性。分域增强的核心思想，在于承认并利用不同股票子集（域）内可能存在的差异化定价逻辑。其增量实现取决于两个关键：一是目标域内确实存在显著且稳定的、区别于全市场的特异Alpha能在风险与收益间获得更优的权衡。目前实践中的分域思路大致可分为三类：一是单边式风格增强，如专注成长超预期或红利低波等强势风格域，旨在放大对该风格敞口的暴露以博取更高收益，但通常会同步推高组合跟踪误差，在信息比上较难获得显著提升；二是基于特征的双边分域，依据长期无明显方向性风险溢价的特征将全市场划分为两端，并分别建模，其增益完全取决于该特征对因子预测能力的区分度；三是针对传统模型空头端的建模，即直接对主流模型系统性回避的股票区域如低盈利、高波动板块进行重点研究，力求在不明显放大跟踪误差的基础上提升超额收益，这正是本文探索的方向。子有效性截然不同，达到最优信息比率所需的持仓集中度与分散化程度存在显著差异。一个统一的模型框架很难同时最优地满足这些矛盾的要求。第二，灵活性。独立的子策略在因子选择、模型训练、组合优化上不受大一统框架的条条框框约束，可以针对各自域的特性进行极致优化，包括使用非常规的另类数据与非线性模型。第三，鲁棒性与可解释性。多个低相关性子策略的组合，其整体表现通常比一个复杂模型更为稳定；同时，每个子策略的损益归因清晰，便于理解和迭代。因此，从一个复杂模型的条件化走向多个简单策略的组合化，是分域模型实践中一个非常经典和有效的进阶路径。Alpha/XGBoost定义基于BarraCNE5原始流动性波动率盈利30%选股方面，我们每月末在高弹性股票池中选取Alpha得分最高的100只股票等权配置，从而构建组合。结果表明，这种朴素方法已初见成效。无论是全市场传统线性多因子模型还是XGBoost模型，以此构建的高弹性优选组合相对于全A等权基准均能产生显著的年化超额收益，均为14.7%。另外，符合直觉的是，高弹性优选组合的超额收益波动和相对回撤均处于较高水平，导致信息比较低。2020XGBoost图表21高弹性TOP100组合净值走势 图表22高弹性TOP100组合分年度表现年份全A等权策略超额收益信息比相对回撤跟踪误差202016.4%67.1%50.7%3.6907-11.1%13.7%202124.5%31.2%6.6%0.5556-14.4%12.0%2022-11.9%-10.7%1.2%0.1342-7.1%8.8%20238.8%22.0%13.2%1.2341-8.4%10.7%20243.4%12.9%9.6%0.7312-11.2%13.1%2025112837.1%46.4%9.4%1.0724-5.5%8.7%汇总12.6%27.3%1汇图表23XGB高弹性TOP100组合净值走势 图表24XGB高弹性TOP100组合分年度表现汇年份全A等权策略超额收益信息比相对回撤跟踪误202016.4%34.6%18202124.5%42.6%18.1%1.61712022-11.9%-6.4%5.5%20238.8%11.6%20243.4%20251128从策略间的超额收益相关性来看，这类组合与原始全市场选股策略的收益表现相关性较低，初步具备了作为分散化工具的潜力。图表25高弹性策略与全市场选股策略的超额收益相关系数全市场线性100%8%3%-22%全市场XGB8%全市场线性100%8%3%-22%全市场XGB8%100%6%54%高弹性线性3%54%高弹性XGB-22%100%然而，这种朴素方法存在较大的改进空间。首先，其本质近似于在全市场选股基础上，叠加了对高弹性风格的约束条件，并未构建独立的定价逻辑。其次，更关键的是，即使在高弹性池内，传统模型选出的股票，依然是该池子中相对绩优、低估值、低波动的部分。这导致组合虽然置身于高弹性域，其内核风格却可能仍偏向稳健，与在全市场选股但适当约束风险敞口的传统组合区别有限，未能真正捕捉高弹性风格的核心驱动因素——即由情绪、动量、远期预期所主导的定价机制。因此，要构建一个真正有效、能提供差异化收益的卫星策略，必须进行更深层次的定制化设计，我们旨在构建一个策略，其收益来源与核心组合低相关，并能在市场风险偏好上升期，敏锐地捕捉由情绪和动量驱动的机会，真正承担起组合进攻之矛的职能。在此之前，有必要深入剖析高弹性股票池本身的特征画像，从宽基分布、行业分布及上市板分布进行考察。2016300内的平均数量占比仅5.7%，流通市值占比35.7%；在中证500内成分股数量占比%17.3%；在中证100027.7%22.5%；在中证1800外数量占比57.2%，流通市值占比24.5%。图表26高弹性股票池在各宽基指数内数量分布 图表27高弹性股票池在各宽基指数内流通市值分布图表28高弹性股票池在中信一级行业内数量和权重分布（以超配权重占比降序排序，2016.1.1-2025.11.28）高弹性股票池中证全指高弹性-中证全指中信一级行业平均数量占比平均权重占比平均数量占比平均权重占比平均数量占比平均权重占比电子10.2%13.5%6.9%6.1%3.3%7.4%计算机10.6%11.0%5.9%3.8%4.7%7.2%医药8.3%12.3%8.4%7.2%-0.1%5.1%国防军工3.2%4.9%1.9%2.0%1.2%2.9%有色金属3.3%5.2%2.8%3.0%0.5%2.2%通信4.7%4.3%2.8%2.1%1.8%2.2%电力设备及新能源5.7%6.6%5.5%4.7%0.2%1.9%机械11.0%6.0%10.2%4.2%0.8%1.7%传媒4.2%3.8%3.3%2.1%1.0%1.7%消费者服务1.3%1.5%1.1%0.8%0.3%0.7%农林牧渔2.4%2.0%2.2%1.5%0.2%0.4%基础化工7.1%4.6%8.6%4.2%-1.5%0.4%综合1.1%0.8%1.0%0.4%0.1%0.3%商贸零售1.9%1.6%2.6%1.3%-0.7%0.3%汽车3.9%3.7%4.6%3.6%-0.7%0.1%综合金融0.2%0.1%0.3%0.1%-0.1%0.0%纺织服装1.7%0.7%2.2%0.8%-0.6%-0.1%建材1.9%1.1%2.1%1.3%-0.3%-0.2%轻工制造2.0%0.8%3.0%1.1%-0.9%-0.2%钢铁0.7%0.9%1.3%1.4%-0.6%-0.5%房地产2.6%2.0%3.4%3.3%-0.9%-1.3%煤炭0.5%0.5%0.9%1.8%-0.4%-1.3%.3%0.9%1.8%2.3%-0.5%-1.3%3.2%2.6%-0.4%-1.5%交通运输1.2%1.6%2.9%3.6%-1.7%-2.0%电力及公用事业2.1%1.3%4.4%3.9%-2.3%-2.6%食品饮料2.5%4.2%2.7%6.9%-0.2%-2.7%1.2%4.2%-0.5%-3.8%非1.6%7.1%-0.6%-4.5%银行0.0%0.0%0.8%12.5%-0.8%-12.5%202036.0%26.5%。图表29高弹性股票池在上市板内数量分布 图表30高弹性股票池在上市板内流通市值分布图表31高弹性股票池与中证全指上市板数量分布 图表32高弹性股票池与中证全指上市板流通市值分布这些结构特征共同描绘出一个以中小市值、科创成长为主导的高弹性群体画像，其定价逻辑与传统蓝筹股主导的低弹性域存在本质不同，这决定了我们必须在该域内重新审视和评估因子的有效性。对行业市值中性化后的因子在高弹性股票池里的有效性进行检验。可以看到，2016年1月1日-2025年11月28日，其有效性与全市场确实存在差异：RankIC4.0%RankICIR3.071.13；并回避其中的定价噪声往往能获得显著的Alpha。总体而言，虽然量价与成长类因子在该域内保持了一定的选股效果，但完全摒弃价值与盈利维度势必会损失部分信息。同时，由于该股票池长期具有显著的负向风格Beta，单一因子策略难以持续战胜基准，仍需依赖多因子复合来提升稳健性。图表33代表性因子在高弹性股票池内选股有效性（2016.1.1-2025.11.28）因子简因子简称 RankIC均值年化ICIRIC月胜率多空年化多头年化超额多头信息比多头相对回撤 类型关联季度EP关联EP季度EPEP标准分关联营收企业价值比关联BP关联DP关联OCFPEP营收企业价值比OCFPEP_FY1BP_FY1DPBPCFROA季度ROEROE_TTMROE稳定性ROE_FY3盈余公告动量季度营收同比季度净利润同比SUESUR相分析师覆盖度分析师覆盖度变化预期EPS变化分析师盈利上调高管薪酬

2.9%2.2%%%2.5%%5.9%4.0%4.7%1.6%0.3%%2.6%0.0%%1.5%%3.4%2.4%0.1%1.7%%%%%%%%3.03.03.32.9.%%%%%2.32.52.2%1.9%

1.85641.31271.02442.96593.07372.71061.27300.12561.49481.07591.40170.90230.02880.90492.78481.66171.62622.15912.26812.37511.74631.77901.34062.0084

5.4%9.0%5.9%0.4%0.7%9.8%3.1%1.1%-1.8%4.9%-2.0%8.4%0.1%1.6%3.0%9.0%7.4%8.6%

6.7%8.2%7.5%5.5%5.6%4.1%3.2%3.8%3.3%3.0%2.1%3.4%1.5%2.0%-0.7%6.1%0.5%-1.0%4.7%6.1%4.8%7.6%9.0%8.1%6.8%5.7%8.5%7.9%8.0%4.4%

1.231.261.321.231.261.321.131.130.0.0.0.0.0.0.0.0.0.1.171.170.0.0.0.0.0.1.051.05

-3.9%2.2620-5.5%2.2620-8.6%-6.2%-7.6%.9%-16.9%%%%-13.9%-13.7-27.6%-27.6%-33.8%%-15.4-33.8%%-31.7%23.1%--31.7%23.1%21.1%.3%-1821.1%.3%-25.7%-28.3%--25.7%-28.3%%-31.9%-12.9%-31.9%-9.4%-8.1%-7.6%-8.6%-30.3%.9%-18-30.3%.9%%.6%-19%.6%%-16.3%-15.4-9.2%

价值价值价值价值价值价值价值价值价值价值价值价值价值价值价值盈利盈利盈利盈利盈利成长成长成长成长成长分析师分析师分析师分析师分析师另类股东数目变动大单买入资金Beta10日量价相关性残差波动率10日非流动性个股行业相关性1慧博，

-3%-7.0-8.9.2%-7.0-8.9.2-10.4%-10.4%%%%7.2%6.6

3.11943.1656

5.5%7.9%10.6%9.4%10.3%7.6%10.3%12.5%

1.99071.180.1.99071.180.1.161.291.161.291.241.24

-9.4% 另类-10.1% 量价-4.3% 量价%-9.2% 量价%-13.7 量价-9.1% 量价1.8944-6.1% 量价1.8944-5.8% 量价然而，一个核心矛盾随之浮现：如果继续沿用传统多因子模型那套在全市场行之有效的线性合成与因子筛选框架，即使应用于高弹性池，其结果很可能与在全市场选股后简单约束风格暴露的组合大同小异，甚至可能因为样本减少而引入过拟合风险。那么，如何才能构建出真正具有差异化收益来源的高弹性策略？一个极端的思60%40%因此，本文的目标是构建一个既能捕捉高弹性域内特异Alpha，又能对核心全市场策略起到有效分散化作用，尤其是在后者失效时提供保护的子策略。这就要求我们在因子加权合成时，不仅要考虑因子在域内的绝对表现，还需纳入其与基准策略的分散化价值。下文将介绍三种旨在实现这一平衡的差异化构建思路。基于分散化价值的因子配置模型第一种思路借鉴了资产配置中的均值-方差思想，旨在为每个因子分配权重时，同时权衡其在高弹性域内的历史收益及其与基准策略收益序列的协方差。我们设计如下综合评分函数：𝑆𝑐𝑜𝑟𝑒𝑖=𝜇𝑖–𝜆√𝐶𝑜𝑣(𝑟𝑖,𝑡,𝑟𝑏𝑚,𝑡)其中，𝜇𝑖指因子𝑖在高弹性域内分十组多头组合相对高弹性域等权基准的超额收益均值。指因子𝑖在高弹性域内分十组多头组合相对全市场等权基准的超额收益序列。𝜆因子预处理ZScore因子筛选权重计算12组合构建Alpha100配置。14.1%1.1566.3%2020年70.0%2022年小幅跑输全A图表34基于分散化价值的高弹性TOP100优选组合超额净值（2020.1.1-2025.11.28）慧博，图表35基于分散化价值高弹性TOP100优选组合分年度表现年份基准策略超额收益信息比相对回撤跟踪误差202016.4%86.4%70.0%4.7032-8.9%14.9%202124.5%34.5%10.0%0.5299-17.8%18.8%2022-11.9%-13.9%-2.0%-0.2232-7.6%8.9%20238.8%15.3%6.5%0.8480-6.0%7.7%20243.4%4.7%1.4%0.1470-10.2%9.3%2025112837.1%47.7%10.7%1.1403-8.6%9.4%汇总12.6%26.8%14.1%1.1543-17.8%12.2%慧博，从策略间的超额收益相关性来看，基于分散化价值框架的策略相对于直接使用全市场预测的Alpha构建的高弹性策略，与原全市场多头策略拥有更低的相关性，达-10%。尤为重要的是，在全市场多头策略出现月度负超额的失效期内，该高弹性策略的平均月度超额可达1.9%，在众多备选方案中分散化保护效果最为突出。图表36基于分散化价值的高弹性策略与其它策略的超额收益相关系数全市场线性全市场XGB高弹性线性高弹性XGB高弹性分散价值全市场线性100%8%3%-22%-10%全市场XGB8%100%6%54%6%高弹性线性3%100%高弹性XGB-22%554%高弹性分散价值-10%6%73%48%100%慧博，图表37基准策略负超额时期高弹性分散价值策略超额收益表现策略名称月超额均值超额月胜率年化信息比全市场XGB高弹性线性高弹性XGB1.8%74.1%2.5907高弹性分散价值1.9%63.0%1.55922024年9月242025年7月至9月的科技主题行情中的策略互补性。图表38特定市场阶段基于分散价值的高弹性策略与其余策略表现对比日期开始日期结束日期交易日数全市场多因子TOP100全市场XGBTOP100高弹性股票池高弹性多因子高弹性XGB高弹性策略-分散价值2021年4季度2021-10-012021-12-3161-0.1%8.3%-4.0%-3.7%3.3%-2.8%2024年1.5-2.82024-01-052024-02-08255.1%-9.6%-6.0%-8.1%-12.3%-7.0%2024年9.24-11.82024-09-242024-11-0829-10.4%-2.1%4.6%3.9%2.8%5.5%2025年7.11-9.222025-07-112025-09-2252-3.8%10.6%3.3%4.8%6.7%9.0%𝜆𝜆=0意味着完全依据因子历史收益进行配置，通常预期其样本内超额收益最高；𝜆>0𝜆在0-2=0.5𝜆=0𝜆=05一种针对因子稳定性的筛选机制。它倾向于剔除那些虽然历史收益高但收益来源与基准趋Alpha的纯净度与可持续性因此，𝜆=0.5并非一个简单的折中平衡点，而是在高弹性域这一特定环境下，能够系统性地筛选出更具差异化、更可持续Alpha来源的关键参数。N将N设定为100只能够在收导致净值波动加剧；而过多的持仓则会过度稀释Alpha信号，削弱组合的超额收益能力。N=100的设定使得该策略既能保持足够的攻击性以获取显著超额，又能通过适度分散来平滑波动、增强与核心策略的收益互补性。图表39基于分散价值的策略参数敏感性分析参数名称多头年化超额收益信息比基准策略失效期超额均值基准策略失效期信息比lambda=012.8%1.05661.7%1.3775lambda=0.113.1%1.07931.8%1.4238lambda=0.213.7%1.12171.8%1.4601lambda=0.313.4%1.09681.8%1.4845lambda=0.414.2%1.16151.9%1.5136lambda=0.514.1%1.15431.9%1.5592lambda=111.1%0.89291.8%1.5517lambda=1.59.2%0.73161.7%1.4783lambda=29.1%0.72911.6%1.3941N=5013.7%0.97001.5%1.0477N=10014.1%1.15431.9%1.5592N=2008.9%0.88851.5%1.6765基于基准策略状态的时序样本加权模型第二种思路从时序维度进行优化。传统因子动量加权平等看待每一段历史，但我们期望高弹性策略能在基准策略表现疲弱时挺身而出。因此，可以通过对历史样本进行非等权加权，赋予基准策略表现不佳时期更高的学习权重。我们引入一个基于基准策略超额收益的Sigmoid形式的连续权重函数：2𝑏𝑚,𝑡𝜔𝑡=1+exp(𝛾∗𝑟 )𝑏𝑚,𝑡𝜔2𝜔0为便于读者理解，我们绘制了基准策略超额收益与基于Sigmoid函数转换后的权重关系图，如下所示：图表40Sigmoid连续权重函数示意图策略构建流程如下：3.2.112内的超额收益序列，同时，计算同期基准策略的超额收益序列。计算加权动量Sigmoid𝜔𝑡组合构建Alpha每一期选得分最高的100只股票等权配置构建高弹性优选组合。时序加权模型下的高弹性策略年化超额收益为11.4%，同样展现出明显的进攻性，在2020年获得68.9%的超额，策略在2022和2024年跑输基准。慧博，图表42时序分域加权高弹性股票池多头组合分年度多头表现年份基准策略超额收益信息比相对回撤跟踪误差202016.4%85.3%68.9%4.6718-9.3%14.7%202124.5%32.4%7.8%0.4353-15.6%18.0%2022-11.9%-15.5%-3.5%-0.3403-10.3%10.4%20238.8%14.0%5.2%0.6816-5.6%7.6%20243.4%-3.4%-6.8%-0.7083-11.2%9.6%2025112837.1%48.8%11.7%1.2450-7.6%9.4%汇总12.6%24.0%11.4%0.9279-18.3%12.2%慧博，Alpha1.6%图表43策略间超额收益相关系数全市场线性全市场XGB高弹性线性高弹性XGB高弹性分散价值高弹性时序加权全市场线性100%8%3%-22%-10%-5%全市场XGB8%100%6%54%6%5%高弹性线性3%6%100%54%73%75%高弹性XGB-22%4%49%高弹性分散价值-10%3%96%高弹性时序加权-5%5%75%49%96%100%慧博，图表44基准策略负超额时期高弹性时序加权策略超额收益表现策略名称月超额均值超额月胜率年化信息比全市场XGB1.1%55.6%1.3616高弹性线性1.3%66.7%1.6559高弹性XGB1.8%74.1%2.5907高弹性分散价值1.9%63.0%1.5592高弹性时序加权1.6%55.6%1.3298慧博，基于时序加权框架构建的高弹性策略，在特定市场环境下同样展现出显著的收益弹性与互补价值，总体弱于分散价值框架下策略的表现。高弹性高弹性高弹性高弹性策高股票池多因图表45高弹性高弹性高弹性高弹性策高股票池多因日期开始日期结束日期交易日数全市场多因子全市场XGBTOP100TOP1002021年4季度2021-10-012021-12-3161-0.1%2024年1.5-2.82024-01-052024-02-082024年9.24-11.82024-09-22025年7慧博，gamma和股票数量N:图表46基于时序加权的策略参数敏感性分析参数名称多头年化超额收益信息比策略负超额月份超额均值策略负超额月份信息比gamma=111.4%01.6gamma=211.0%0.88621.6%1.3387gamma=311.1%0.88411.7%1.3340N=5010.4%0.72121.2%0.8549N=10011.4%0.92791.6%1.3298N=2008.0%0.79141.3%1.4879慧博，全市场XGB策略基于以上分析，我们在后续的实战检验中，将全市场线性复合因子策略全市场XGB策略以及略策略名称多头年化多头信相对回撤基准策略负超额基准策略负高弹策略名称多头年化多头信相对回撤基准策略负超额基准策略负高弹超额收益息比月份超额均值全市场复合线性11.3%1.7305-13.7%全市场XGB22.0%2.0140-20.6%高弹性线性14.7%1.2903高弹性XGB14.7%高弹性分散价值慧博，高弹性策略在指数增强模型中的应用中证全指增强是以全市场线性复合因子作为Alpha得分80%300成分股500成分股1000离2%，市值暴露偏离0.2，其余Barra风格暴露偏离0.5。中证全指增强策略我们曾在量化绝对收益系列报告中对风险预算模型在资产配置中的应用进行了深入的探索，并详细阐述了其原理和具体执行流程，因此在此章节中不再重复赘述。我们以各子策略历史超额收益的协方差矩阵为核心输入，通过优化使各策略对组合总风险的贡献度符合预设的预算目标。协方差估计采用与BarraUSE4模型类似的指数衰减方法，其中超额波动率的半衰期设为240天，相关系数的半衰期设为480天。策略构建细节如下：策略池：包含4XGB100组XGB100100策略。风险预算场景：测试四种风险贡献分配方案，分别为等权配置（25%/25%/25%/25%）（%，，回测时间区间：202011202528日。调仓频率：成交价格：交易费用及仓位：。在不同的风险预算配置下，多策略融合后的中证全指增强组合均实现了年化超额收益与信息比率的同步提升，同时最大相对回撤也得到改善。随着配置保守性地向传统增强策略倾斜，超额收益的提升幅度有所降低，但风险调整后收益与回撤控制的改善更为显著。2.1%至（提升至2.80，最大相对回撤由-8.4%收窄至-6.6%。从分年度业绩来看，多策略组合在2021年及2025年表现显著更优，仅在2024年小幅跑输，其表现与高弹性风格的市场环境密切相关。图表48多策略中证全指增强策略历史净值走势（2020.1.1-2025.11.28）慧博，图表49不同风险预算比例下中证全指增强策略分年度表现对比风险预算比例（25%/25%/25%/25%）多策略中证全指增强多因子中证全指增强策略多策略-多因子年份超额收益信息比相对回撤超额收益信息比相对回撤超额收益信息比相对回撤202017.7%3.7671-4.6%12.9%2.9766-3.7%4.8%0.7905-0.8%202118.4%2.7620-5.3%7.9%1.4970-3.7%10.5%1.2649-1.6%202212.5%2.0254-4.8%11.3%3.0105-1.6%1.3%-0.9851-3.1%202315.5%3.4936-1.6%12.1%3.8869-2.2%3.4%-0.39340.5%20247.6%0.8439-11.4%8.9%1.6525-8.4%-1.3%-0.8086-3.0%2025112813.1%3.1160-2.7%3.8%0.8192-3.5%9.3%2.29680.8%汇总15.0%2.4554-11.4%10.3%2.3005-8.4%4.7%0.1549-3.0%风险预算比例（40%/20%/20%/20%）多策略中证全指增强多因子中证全指增强策略多策略-多因子年份超额收益信息比相对回撤超额收益信息比相对回撤超额收益信息比相对回撤202016.6%3.8119-4.2%12.9%2.9766-3.7%3.6%0.8353-0.4%202115.8%2.6907-4.3%7.9%1.4970-3.7%7.9%1.1937-0.7%202212.2%2.3620-3.5%11.3%3.0105-1.6%0.9%-0.6485-1.8%202314.8%3.7819-1.4%12.1%3.8869-2.2%2.7%-0.10510.7%20247.9%1.0750-8.7%8.9%1.6525-8.4%-1.0%-0.5775-0.3%2025112811.1%2.8050-2.7%3.8%0.8192-3.5%7.4%1.98580.8%汇总13.9%2.6517-8.7%10.3%2.3005-8.4%3.6%0.3512-0.3%风险预算比例（55%/15%/15%/15%）多策略中证全指增强多因子中证全指增强策略多策略-多因子年份超额收益信息比相对回撤超额收益信息比相对回撤超额收益信息比相对回撤202015.7%3.7632-3.9%12.9%2.9766-3.7%2.8%0.7866-0.1%202113.9%2.5629-3.6%7.9%1.4970-3.7%6.0%1.06590.1%202211.9%2.6561-2.5%11.3%3.0105-1.6%0.7%-0.3544-0.9%202314.2%3.9816-1.3%12.1%3.8869-2.2%2.1%0.09470.8%20248.1%1.2869-6.6%8.9%1.6525-8.4%-0.8%-0.36561.7%202510.8192-3.5%5.9%1.66820.8%汇总13.1%2.7666-7.4%10.3%2.3005-8.4%2.8%0.46611.0%风险预算比例（70%/10%/10%/10%）多策略中证全指增强多因子中证全指增强策略多策略-多因子年份超额收益信息比相对回撤超额收益信息比相对回撤超额收益信息比相对回撤202015.0%3.6465-3.7%12.9%2.9766-3.7%2.0%0.66990.0%202112.2%2.3787-3.0%7.9%1.4970-3.7%4.3%0.88170.7%202211.7%2.9132-1.9%11.3%3.0105-1.6%0.4%-0.0973-0.3%202313.7%4.1161-1.5%12.1%3.8869-2.2%1.6%0.22920.7%20248.3%1.4783-5.7%8.9%1.6525-8.4%-0.6%-0.17422.7%20257%3.8%0.8192-3.5%4.6%1.33160.8%汇6%10.3%2.3005-8.4%2.1%0.50441.8%慧博，基于多策略融合的中证全指增强组合，在应对不同市场环境时展现出更优的适应性。该组合在多数市场阶段——尤其是风格剧烈切换或极端行情中——能够持续获取更为稳健的超额收益，体现了多策