2025年历史数据及中报解读：公募量化基金大梳理

1 公募量化基金的发展——规模演进与业绩剖析

中国公募量化基金的发展已进入深化阶段，其与传统主动管理基金的边界及优势比 较成为市场关注的核心议题。本章旨在系统梳理公募量化基金的发展历程与业绩表现。 首先，基于规模与结构视角，本章分析了 2018 年以来量化基金总规模及其内部（主动型、 指数型、对冲型）构成的阶段性演变趋势，呈现其由高速增长转向结构性调整的发展路 径。随后，通过分组对比方法，将三类量化基金与其对应的非量化同类或相似产品进行多 维度业绩比较，时间范围覆盖 2018 年至 2024 年的完整市场周期，并重点考察 2025 年前 八个月的最新表现。基于收益分布与风险控制等精细化指标，本章试图客观评估量化投 资方法在公募领域的差异化表现，明确其优势与局限性，为后续深入分析提供数据支持。

1.1 公募量化产品发展

本研究基于 Wind 对量化基金的分类体系，将公募量化基金划分为三类：量化主动型 基金、量化指数型基金及量化对冲基金，并在此分类基础上展开分析。 从整体规模来看，自 2018 年以来，公募量化基金的总规模呈现阶段性变化。2018 年 至 2021 年间，其规模持续快速增长；而 2021 年至 2025 年间，则出现波动性调整。截至 2025 年中报披露，量化基金总规模达到 2833.43 亿元，为 2018 年年报披露规模的 2.9 倍。

从分类规模占比来看，量化主动型基金与量化对冲基金的规模呈下降趋势，而量化 指数型基金规模则呈上升趋势。截至 2025年中报，量化主动型基金和量化指数型基金在 总规模中的占比分别为 31.70%和 66.48%。

基于三类量化基金各自的产品特性及风险收益特征，本研究将其分别与相同投资类 型（二级分类）或“风险收益特征相似的”非量化公募基金进行各项数据的分组对比，具 体分组包括：量化主动型基金与非量化主动型基金、量化指数型基金与非量化指数型基 金、量化对冲基金与“固收+”基金。

1.2 近年来业绩对比

1.2.1 量化主动型基金 VS 非量化主动型基金

在 2018 年至 2020 年期间，量化主动型基金相较于非量化主动型基金表现出相对较 弱的绩效水平，具体体现为各年度回报率较低、最大回撤幅度更大、波动率较高以及夏普 比率较低，整体风险收益特征相对落后。 然而，自 2021 年至 2024 年期间，量化主动型基金的整体表现出现显著改善，其年 化回报及多项绩效指标优于同期非量化主动型基金。

1.2.2 量化指数型基金 VS 非量化指数型基金

在 2018 年至 2023 年期间，量化指数型基金在多个绩效维度上持续优于非量化指数 型基金，具体表现为年化回报更高、波动率控制更有效、夏普比率更具优势，同时最大回 撤幅度相对较小（或受指增产品占比差异的影响）。2024年量化指数型基金虽表现略逊于 非量化指数产品，但两者差距较小。

1.2.3 量化对冲基金和固收+基金

从风险特征来看，量化对冲基金与固收+基金均属于中低风险、稳健收益型产品，具 有相似的风险收益属性，因此在投资者根据风险偏好进行产品匹配时，量化对冲基金与 固收+基金常被纳入同类风险型产品进行比较。 收益表现方面，量化对冲基金仅在 2018 年与 2023 年两个年度回报优于固收+基金， 其余年份其收益水平均低于固收+类产品。在风险控制维度，除 2021 年与 2022 年外，量 化对冲基金在其他年份展现出相对稳定的风控能力，波动率与回撤控制相对较好。 综合 2018 至 2024 年期间的绩效表现，在大多数年份中，量化对冲基金的夏普比率 低于固收+基金，反映出其单位风险所带来的收益回报相对较弱。这一结果说明，尽管两 类产品风险属性接近，但在长期风险调整后收益方面，固收+基金整体表现更具优势。

1.3 今年以来的对比情况

为系统评估量化基金与非量化基金最近的中期业绩表现及群体分布特征，本研究选 取 2025 年 1 月 1 日至 8 月 31 日作为观测窗口，采集全市场基金的年化回报率、年化波 动率等核心业绩指标。根据上述分组依据将样本划分为 3 组，通过对比各组产品的收益 风险分布情况，旨在揭示量化和非量化基金群体的最新整体表现差异及内部离散程度。 为更好对比量化和非量化之间的差异，本小节对上下同组直方分布图进行了 X 轴对 齐处理。

1.3.1 量化主动型基金 VS 非量化主动型基金

在年化回报率超过 70%的高收益区间，量化主动型基金的分布概率为 7.69%，显著 低于非量化主动型基金的 16.77%。在年化回报率介于 15%至 70%的中高收益区间，量 化主动型基金展现出更高的集中度，分布概率达到 78.46%，而非量化主动型基金为 66.97%。在年化回报率处于 0%至 15%的温和收益区间，两类基金分布概率相近，量化主 动型基金为 13.46%，非量化主动型基金为 15.10%。在负收益区间，量化主动型基金出现 亏损的概率仅为 0.38%，远低于非量化主动型基金的 1.18%。

总体而言，量化主动型基金在收益分布上呈现更为集中的特征，其业绩主要集中于 15%-70%的中高收益区间，同时在极端高收益和负收益区间的分布概率均显著低于非量 化主动型基金。 从最大回撤与年化回报的散点图分布特征来看，两类基金展现出显著差异。量化主 动型基金的数据点主要沿对角线方向呈线性分布，表明其最大回撤与年化回报之间存在 较强的负相关关系，风险收益匹配度较高。 相比之下，非量化主动型基金的数据点呈现放射状分布特征：在相同年化回报水平 下，最大回撤值的离散程度明显更大，部分基金在取得高回报的同时保持了较低回撤，而 另一些基金则出现高回报伴随高回撤的现象，显示出非量化策略在风险控制方面存在较 大差异性。 这一分布特征的形成，一方面可归因于非量化主动型基金样本数量较大带来的统计 效应，另一方面或揭示了投资策略本质差异带来的影响。量化主动型基金采用系统化投 资方法，其风险收益分布呈现较高的一致性，反映出量化模型在风险控制和收益获取方 面具有较强的纪律性和可重复性。

相比之下，非量化主动型基金的放射状分布格局，除样本量因素外，更凸显出主动 管理能力的异质性。这种分散化特征实际上反映了不同投资经理在投资决策、风险控制 和时机把握能力上的显著差异：部分优秀基金经理能够实现较好的风险收益平衡，而其 他管理人则可能因投资理念、操作风格或风险偏好的不同，导致业绩表现出现较大分化。

1.3.2 量化指数型基金 VS 非量化指数型基金

从年化回报的分布特征来看，量化指数型基金与非量化指数型基金呈现出一定的差 异。在年化回报超过 50%的高收益区间，量化的分布概率稍高于非量化基金，分别为 29.85% 和 26.42%。在 20%至 50%的中高收益区间，量化基金表现出显著优势，分布概率达到 65.67%，明显高于非量化基金的 48.99%。在 0%至 20%的收益区间，量化基金的分布概 率为 4.48%，远低于非量化基金的 22.51%。特别值得注意的是，在负收益区间，量化基 金的分布概率为 0%，而非量化基金的概率为 2.07%。这一分布格局表明，量化指数型基 金在收益分布上更加集中于 20%至 50%的中高收益区间。

指数型基金中的指数增强型基金更能体现管理人的主动收益能力，于是在进一步筛 选指数增强型基金后，对量化与非量化两类基金的信息比率分布及风险收益特征进行了 分析。

通过直方图显示，量化指数增强型基金的信息比率分布整体右偏，在信息比率超过 0.4 的区间，量化指增基金的分布概率为 8.65%，略高于非量化指增基金的 7.14%。在 0 至 0.4的区间，量化指增基金的分布概率达到60.90%，明显高于非量化指增基金的50.00%。 而在负值区间，量化指增基金的分布概率为 30.45%，显著低于非量化指增基金的42.86%。 根据散点图显示，量化指增与非量化指增产品今年以来的夏普比率均主要集中于 0.3 至 0.6的区间。这一分布格局表明，量化指增型基金在信息比率的整体表现上优于非量化指 增基金，展现出更好的收益能力。量化指增产品可能通过系统化的模型和风险控制手段， 在收益增厚方面展现出一定的相对优势。

1.3.3 量化对冲基金和固收+基金

从数据分布来看，在年化回报 20%以上的区间，固收+基金的分布概率为 7.56%，量 化对冲基金为 0%。在 0-20%的回报区间，固收+基金的分布概率达到 90.76%，显著高于 量化对冲基金的 65.22%。值得注意的是，量化对冲基金在负收益区间的分布概率达到 34.78%，远高于固收+基金的 1.68%。从整体来看，固收+基金今年以来年化回报分布优 于量化对冲基金。

2 解析量化收益来源——代表性产品的业绩归因

业绩差异的背后，是收益来源与策略逻辑的根本不同。本章致力于穿透表层业绩，深 入探析量化基金，特别是其中的佼佼者，其超额收益（Alpha）的来源。我们首先从财务 视角切入，通过拆解 2025 年中报利润表，呈现了量化与非量化基金在收益构成上的显著 差异，明确了“交易获利”与“资产增值”在不同策略中的主导地位。随后，我们聚焦于 一组经过历史有效前沿筛选、体现出优秀管理水平的量化主动型基金案例，运用多因子 模型对其进行业绩归因。分析结果表明，这些产品并非依赖于对常见风格因子（如市值、 价值）的简单暴露，而是更多地源于模型所捕捉的“特质因子”收益，这证明其具备一定 “阿尔法挖掘”能力。

2.1 利润表拆解

量化主动和非量化主动的差异：根据 2025年中报利润表统计数据显示，在收益结构 方面，量化主动型基金的投资收益占比达 66.62%，占据主要地位，表明其收益来源更多 依赖于交易活动产生的投资收益；而非量化主动型基金则以公允价值变动收益为主，占 比为 75.06%，说明其收益主要来源于持仓资产的市值波动。这类基金更倾向于长期持有 资产，而非频繁交易带来的投资收益。从投资收益的细分结构来看，量化主动型基金的衍 生品工具收益占比显著高于非量化主动型基金，这是由于量化基金通常采用高频交易、 算法交易及衍生品套利等策略，从而获得更高的衍生品收益贡献。 量化指数和非量化指数的差异：在收益结构方面，量化指数型基金的投资收益占比 显著高于非量化指数型基金。从投资收益的细分结构来看，量化指数型基金的债券投资 收益和衍生工具收益占比明显高于非量化指数型基金。而非量化指数型基金在基金投资 收益方面存在一定比例，达到 12.7%。 量化对冲和固收+的差异：在投资收益细分结构方面，固收+基金呈现债券投资收益、 股票投资收益和股利收益三分格局，三者占比相对均衡。而量化对冲基金的投资收益则 呈现债券投资收益、衍生品工具收益、股票投资收益和股利收益四分格局。

2.2 站在“有效前沿”上的量化主动代表

有效前沿理论（Efficient Frontier Theory）由经济学家哈里·马科维茨（Harry Markowitz） 于 1952 年在其著作《投资组合选择》（Portfolio Selection）中首次提出。该理论旨在通过 数学方法确定在给定风险水平下能够实现最大预期收益的投资组合，或在给定预期收益 下能够实现最小风险的投资组合。 我们借鉴“有效前沿”理论，用年化回报与年化波动率（或最大回撤）绘制散点图。 选取年化回报与最大回撤散点图中位于上边缘的样本点，以及年化回报与年化波动率散 点图中位于下边缘的样本点，可作为今年以来量化主动型基金的代表。 如图所示，标记的彩色散点为：年化回报与最大回撤组合中位于“历史有效前沿”上 缘的优选点位，同时也是年化回报与年化波动率组合中位于“历史有效前沿”下缘的精选 点位。这些彩色散点集中体现了该群体中今年以来最具代表性的优质个体，其在风险收 益维度上展现出卓越的综合表现。

为进一步剖析上述优质基金的收益构成，我们采用多因子模型对其进行收益归因分 析。在 Wind 金融终端中选用六因子模型，以沪深 300 指数为基准，对各基金的风险暴露 及收益来源进行拆解。 具体来看，广发量化多因子在市场因子、规模因子、价值因子、盈利因子、投资因子 及动量因子上均实现了因子中性，其超额收益主要来源于特质因子。 汇安成长优选 A 在价值因子及特质因子上暴露显著，但其主要收益贡献仍来自特质 因子。基金于 2025 年中报市场分析道，其投资组合构建始终基于对产业中长期趋势的把 握，即寻找并持有那些能够通过技术创新实现国产替代、具备长期成长动力的优质资产， 并力求在产业和估值的周期底部进行布局。揭示其价值因子暴露较高的原因在于，该策略的投资逻辑聚焦于识别并布局处于估值周期底部的资产。 诺安多策略 A 和中信保诚多策略 A 在规模因子上暴露显著，其收益主要均源于特质 因子，其次为规模因子。 上述基金的主动收益主要来源于主动特质收益，体现了基金通过有效对冲不必要的 风险因子暴露，实现了收益结构的优化，具备一定的“特质阿尔法挖掘”能力。

3 洞察策略多元探索——主动量化的创新实践

业绩归因的实质在于投资理念的有效执行。本章将视角从业绩比较转向单个产品的 策略探索，精选五只各具特色的主动量化产品，对其策略内核进行亮点解读。这些案例共 同勾勒出中国公募量化投资策略多元探索与积极创新的图景，彰显了基金管理人为实现 持续阿尔法所进行的尝试与技术迭代。

3.1 易方达易百智能量化策略 A策略亮点

1）资产配置策略方面，基金依托于百度提供的特色数据及其在数据处理方面的能力。 基金管理人自主研发量化策略，综合考虑宏观经济与相关政策预期、微观经济、市场情 绪及投资者行为等因素，据此确定组合中权益类品种、固定收益类品种及金融衍生品的 投资比例目标。 2）股票投资策略方面，基金将人工智能相关领域（主要包含模式识别、自然语言处 理以及数据挖掘等）的优势技术和数量化算法应用于证券市场的海量信息处理，一方面 对百度提供的互联网搜索及舆情等方面的特色个股指标数据进行研究和分析，构造搜索 量因子及舆情因子。另一方面，基金借助百度在互联网数据挖掘方面的积累及其在人工 智能领域专业的算法及技术优势，利用人工智能技术对证券市场相关数据进行深度分析， 构造其他具有一定预测能力的特色因子。基金在海外成熟的多因子量化选股框架下扩充 因子维度，从基本面、技术面、分析师以及风险水平等四个维度构建相应因子。

3.2 大成动态量化 A策略亮点

1）大类资产配置策略方面，基金通过动态资产配置模型进行资产配置。动态资产配 置模型包括量化资产配置和动态调整两个层次。量化模型通过持续跟踪宏观经济变量、 风险预警指标等，判断不同资产类别在当前市场环境下的风险收益状态，根据市场环境 变化时，动态调整投资组合结构、各类资产配置比例。 2）股票投资策略方面，基金采用动态多因子模型进行量化选股，动态多因子选股模 型是在传统多因子模型上引入机器学习等人工智能算法，自适应地根据宏观经济环境的 变化动态筛选有效选股因子，构建和优化投资组合。基金管理人量化投资团队开发了动 态多因子选股模型。该模型因子池的构建现阶段主要考虑行业、盈利、成长、规模、估 值、风险、市场情绪、分析师预期等多维大类因子及其项下的各细分小类因子，利用这些 因子对股票进行综合评分，在兼顾股票本身流动性和风险分散度的基础上构建股票投资 组合。同时，通过机器学习等人工智能算法，动态追踪不同因子的有效性、鲁棒性、时 效性、容错性和风险特征等，并根据宏观经济环境和市场变化的动态筛选能带来稳定收 益的有效因子，优化有效因子组合并动态调整各因子的权重，使模型在风险因子的选取 上具有自我调整、自我学习的功能。

3.3 广发量化多因子策略亮点

股票投资策略上，基金通过自主研发量化多因子模型选择股票并进行择时配置，具 体策略如下。 1）智能量化选股策略基金通过智能量化选股分析框架进行个股选择。个股的选择分 为基础股票库的筛选和个股组合精选两个层面。 A、基础股票库的筛选：通过财务状况相关指标来进行定量筛选，选择 PE、PB （含预测值）合理，净利润有一定增长的股票作为股票库的基础选择，股票库按照季 度进行定期的批量调整，保证股票库更新与股票的财务报表更新周期一致。 B、个股组合精选：基于基金对于股票市场运作机理的研究，股票市场的驱动包 括估值调整、动量加速、风格特征、板块特征、事件驱动、周期特征等多种因素，基 金的股票组合采用多因子模型进行构建，即通过对宏观经济、行业基本面及市场环境 的分析，运用量化模型选择适合市场周期的一种或多种驱动因素进行打分，并利用量 化手段优化、调整各因素的权重，对个股的投资价值以及组合的风险收益特征进行综 合评判，精选具有较高投资价值的上市公司构建股票组合，追求稳健的超额收益。除 了传统因子的模型外，基金也分析事件驱动对于组合超额收益的贡献情况，事件超额 收益的来源包括但不限于如下事件：业绩预告、定向增发、员工持股、高管增持等。 2）多层次择时策略在量化选股的基础上，基金将通过计算和跟踪对股市形成影响的 各个层面（主要包括宏观经济层面、基本面层面、资金层面、交易层面、行为学层面、价 格扰动层面等）的因素变动情况进行分析。分析因素主要包括宏观经济层面的人口结构、 GDP、CPI 及利率汇率变化趋势，微观层面的行业估值、收入、景气度、交易量、动量变 化等，此外还包含风险偏好变化以及大类资产价格影响机制的变化。在因素分析的基础 上，通过机器学习进行预测和分析，得到科学的股票配置比例。对于股票市场，基金采 用监督学习的方法来进行分析。基金将市场划分为不同的模式，通过学习其可以掌握不 同模式之间转换的规律性，并且结合现有数据和历史数据之间的关系，来预测股票的配 置比例。

3.4 招商量化精选 A策略亮点

1）股权激励策略：股权激励策略的核心是在股权激励预案公布时，一般市场参与者 认为股权激励政策在短期内会对公司预期有一定的提升作用进而买入该股票。通过大样 本统计发现上述种类预案公布后股价的确会有抬升作用，将期限拉长后发现实行股权激 励的股票在长期内依然有一定的超额收益，即无论在长期还是短期，股权激励都对股价 有一定的提振作用。在某只个股股权激励预案公布后买入该股票并构建组合后发现该策 略获得了比较明显的超额收益。 2）评级反转策略：评级反转策略综合利用证券分析师提供的研究报告信息、以及股 票的市场交易信息进行选股。该策略倾向于选择具有以下特征的股票：在一段时期内， 某个股票的多个研究报告均给出较正面的信息，即大部分的证券分析师看好该股的后市 走势，然而在二级市场上，该股票的表现却滞后于行业指数的表现。当分析师已获取的 信息和预测被市场进一步验证时，该类股票有望获得超额收益。同时，通过行业中性化、 市值分档、以及区分是否在指数成份股内的选股等方式，可进一步降低组合的回撤比，提 高策略的收益风险比。 3）分状态使用不同因子策略：关于 Alpha 多因子策略的因子选择，因子的有效性和 时变性对策略往往会带来较大的影响。如常规的市值因子，在风格切换较剧烈时，该因子 表现迥异。从历史数据统计和行业特征出发，挖掘在不同行业中，相对有效的因子，以及 因子表现较好时对应的市场特征规律。然后，根据市场运行的不同阶段，采用不同的因子 进行选股。如在牛市行情启动初期，业绩稳定、低 PB 值、大市值的股票往往有较好的 表现。在分市场状态使用不同因子的情况下，若结合风格轮动、板块轮动等辅助判断， 可进一步提高超额收益。 4）高 Beta 策略：Beta 系数衡量股票收益相对于业绩评价基准收益的总体波动性。 Beta 越高，意味着股票相对于业绩评价基准的波动性越大。选择 Beta 较高的股票，看 似风险较大。但除了 Beta 系数之外，该策略会使用其他的因子来做辅助，倾向于选择有 安全边际，但近期内波动较大的股票。通过其他因子来选择质地较好的股票，而股票本 身高 Beta 的特性，有助于组合获得较明显的超额收益。该策略在牛市中表现突出，熊 市中也有较好的防御性。同时，通过行业中性化、市值分档等方式，可进一步降低组合的 回撤比，提高策略的收益风险比。

3.5 国泰君安量化选股 A策略亮点

量化选股策略基金主要通过机器学习模型和对股票因子特征的研究，致力于捕捉市 场短期失效带来的盈利空间，在充分控制投资风险的前提下，在以下几个层面通过量化 选股的投资策略进行投资，力求实现基金资产的长期、稳定增值。 1）投资逻辑层面：在策略维度上，同时注重基本面量化模型和高频统计套利模型， 并将两者进行结合。一方面，选择基本面优质且被机构看好的公司，争取赚取长期持股 的收益。另一方面，通过量价因子尽量刻画股票的技术面特征，以便更准确把握股票的 买卖时间点。 2）模型层面：模型结合股票市场的高噪音和时序性的特征自主研发而成，致力于用 多个子模型从不同的角度来刻画市场投资逻辑，并通过因子之间的优胜劣汰和风格轮动 来捕捉市场的投资机会，提升模型对不同市场风格的普适性，尽量减少单个子模型的失 效概率。 3）Alpha 因子层面：团队维护的 Alpha 因子库覆盖股票的日频交易数据相关因子、 股票定期报告衍生因子、分析师报告衍生因子、事件驱动合成因子、股票高频数据相关 因子以及互联网和舆情数据因子等。 4）策略配置层面：模型采取将低频因子和高频因子在底层训练和子模型合成两个维 度进行融合，而非在策略配置层面。该方式试图保留基本面因子的多头端表现和高频因 子的空头端优势，在某些市场阶段可以形成策略互补的效果，使得策略更稳健。 5）行业配置层面：量化行业配置模型综合考虑行业的景气度、估值、资金流、价量 和机构行为等视角，由多个相关性较低、具备显著超额收益能力的子模型，形成综合的 行业配置信号，以此对部分行业进行适当的高配和低配。 6）组合管理层面：团队运作的 Alpha 量化策略通过自主研发的风险模型和组合优 化模型得到日内实时的投资组合在多个不同时间段对持仓进行调仓。在投资组合优化的 过程中主要严格控制的风险因子为规模因子、Beta 因子、流动性因子、波动率因子、动 量因子、反转因子、估值和行业因子等，将主要市场风险因子以及行业因子相对于基准 指数的暴露程度控制在一定范围之内，动态调整投资组合。

4 聚焦管理人 Alpha 创造能力——同一宽基指数的量化指增比较

指增产品的管理通常依托于基金管理人机构层面的量化基础设施，同一宽基指数下 的量化指增产品是衡量管理人量化管理能力的重要标准，是检验基金管理人超收益能力 的“试金石”。本章进一步将比较维度从“策略类型”深入到“管理人能力”，在同一宽基 指数（沪深 300、中证 500、中证 1000）的约束下，横向评估不同基金管理人通过量化手 段获取稳定阿尔法的能力。 我们以信息比率为尺，对近两年（中证 1000）或三年（沪深 300、中证 500）间持续 运作的指增产品及其管理人进行了系统性的评估与排名。通过对不同指数赛道下管理人 表现的交叉分析，我们不仅筛选出在单一指数上持续领先的机构，更发现了那些在多个 宽基指增领域均能跻身前列、展现出卓越综合量化实力的管理人。这一方法论可有效剥 离市场 Beta 收益的影响，聚焦于管理人 Alpha 创造能力的横向比较。

4.1 沪深 300

以下分析以沪深 300 指数为基准，选取跟踪该指数的量化指数增强型产品，并依据 以下标准进行筛选：1）在 2022 至 2024 年度持续运行的沪深 300 量化指数增强型产品； 2）同期内，产品的信息比率规模加权值为正值。经过筛选，获得整体表现较优且具备一 定稳定性的基金管理人。其中，诺安基金、中泰证券（上海）资产及银 河基金的表现更为突出。

4.2 中证 500

以下分析以中证 500 指数为基准，选取跟踪该指数的量化指数增强型产品，并依据 以下标准进行筛选：1）在 2022 至 2024 年度持续运行的中证 500 量化指数增强型产品； 2）同期内，产品的信息比率规模加权值为正值。经过筛选，获得整体表现较优且具备一 定稳定性的基金管理人。其中，上海国泰海通证券资产、华夏基金、鹏 华基金、招商基金的表现更为突出。

4.3 中证 1000

以下分析以中证 1000 指数为基准，选取跟踪该指数的量化指数增强型产品，并依据 以下标准进行筛选：1）在 2023 至 2024 年度持续运行的中证 1000 量化指数增强型产品；2）同期内，产品的信息比率规模加权值为正值。经过筛选，获得整体表现较优且具备一 定稳定性的基金管理人。其中，上海国泰海通证券资产、天弘基金、招 商基金的表现更为突出。

综上，招商基金、鹏华基金、中金基金、汇添富基金、中信建投基金在上述三个宽基 指数的量化指数增强型产品优秀管理人榜单中均位列其中。上海国泰海通证券资产、招 商基金在中证 500 和中证 1000 量化指增的管理上的表现尤为突出。

5 总结

本报告通过层层递进的系统性分析，对中国公募量化基金的发展现状、业绩表现、收 益来源、策略创新及管理人能力进行了全面分析。 首先，从宏观业绩层面发现，量化投资并非在所有领域都占据绝对优势，但其优势领 域正日益清晰：主动量化型基金在近年的业绩改善和风险收益一致性上表现出色；指数 增强型基金则在长期风险调整后收益上展现了显著且稳定的优势。这体现了量化方法在 纪律性、系统性和风险控制上的价值。 其次，归因分析揭示了具有代表性的主动量化基金的收益来源并非来自传统的风格 因子暴露，而是更多地来自于模型通过先进算法所捕获的“特质收益”，这一定程度验证 了市场上具有代表性产品的特质阿尔法创造能力。 进而，对前沿产品理念的探测表明，中国公募量化正处于一个多元化和技术驱动的 创新活跃期，人工智能、机器学习与大数据的应用正深度重塑从因子挖掘到组合优化的 整个投资链条。 最后，在同一指数下的管理人能力横向比拼中，我们看到了一批不仅单点突出，更能 跨指数证明其强大量化投研实力的机构。 综上所述，中国公募量化投资已经从一种“新兴工具”演进为市场中一股不可或缺的 “重要力量”。其价值不再局限于提供差异化的工具型产品，更体现在通过技术驱动和模 型迭代，持续为投资者挖掘超额收益的强大潜力。对于未来，我们预期量化投资将继续深 化与前沿科技的融合，策略将更趋多元和精细，而管理人之间的竞争也将愈发体现在数 据、算法、算力以及系统化投资哲学等综合实力的比拼上。

编辑：火腿肠