华泰博瑞丰盛是沪深300吗(华泰柏瑞沪深300etf与沪深300etf的区别？)-鸿图投资网

摘要：华泰柏瑞沪深300etf与沪深300etf的区别？就是两个不同基金公司推出的相同的指数基金，就跟各个保险公司卖的车险一样。对应的是上海股票交易所排名最靠前的300家股票构成的指数。

华泰柏瑞沪深300etf与沪深300etf的区别？

就是两个不同基金公司推出的相同的指数基金，就跟各个保险公司卖的车险一样。对应的是上海股票交易所排名最靠前的300家股票构成的指数。

【华泰金工林晓明团队】安信量化精选沪深300投资价值分析

林晓明 S0570516010001

SFCNo.BPY421 研究员

李子钰 S0570519110003 研究员

何康 S0570520080004 研究员

王晨宇 S0570119110038 联系人

报告发布时间：2021年2月18日

摘要

安信量化精选沪深300基金：优质的量化指数增强基金

安信量化精选沪深300基金（A份额：003957.OF；C份额：003958.OF；下文简称安信量化精选）成立于2017年3月16日，作为典型的量化策略指数增强基金，历史业绩表现较为出色，其中2020年超额收益位居同类产品前三。基金拥有相对稳定的超额收益，相对基准日胜率和跟踪误差控制水平突出，持仓高度分散化，在提供超额收益的同时拥有较强的Beta属性，兼具高回报和资产配置的优势。

历史业绩出色，超额收益稳定，相对基准胜率与跟踪水平突出

基于2018年以来的历史表现，安信量化精选基金长期跑赢基准指数，策略拥有长期稳定的有效性，在收益和风险端相对基准均有所优化，跟踪误差接近指数基金的水平；横向对比来看，基金相对基准的胜率和跟踪误差均位于同类产品的前列，信息比率出色；波动性位于同类产品中等水平，仍旧保持一定的弹性，但风险调整收益较为可观。

持仓高度分散化，行业偏离度低，合理控制系统性风险

从持仓特征来看，安信量化精选成分股数量稳定维持在150只以上，重仓股集中度低，呈现较高的分散化程度；组合行业权重相对基准指数偏离较小，行业风格基本中性。整体而言，安信量化精选保持较严格的分散化与对基准指数的跟踪水平，拥有突出的Beta属性与资产配置工具价值。

风格暴露控制合理，选股能力和配置能力兼具，打新优势明显

从风格因子上看，基金组合相对基准的风格控制整体较为合理，同时在动量风格上有一定的倾向，偏好持续表现优秀的个股；从Brinson归因模型来看，基金的选股能力的贡献较为突出，配置收益也提供了相对可观的贡献，可以认为基金兼具选股和择时的能力。此外，得益于稳定的询价成功率与合理的基金规模，安信量化精选基金在新股申购中具有较大优势，2020年估算获得了超过10%的可观收益。

风险提示：基金业绩特征仅代表历史数据，无法保证未来能够复现；基金风格分析与归因分析依赖于观测截面，分析结果存在一定的偶然性。本报告结论仅提供参考，不构成任何投资建议，请投资者谨慎选择。

安信量化精选沪深300：优质的量化指数增强基金

经历了疫情黑天鹅下的超跌与修复，2020年A股市场整体呈现明显的上行走势；其中，作为大盘股代表的沪深300指数表现尤为出色。2020年全年，沪深300全收益指数取得了29.89%的年度回报。而作为扎根指数的Alpha策略产品，指数增强类产品在牛市行情下仍旧取得不俗的成绩，整体收获理想的超额收益。以跟踪产品数量最多的沪深300指数为例，Wind分类下37只2020年以前成立的沪深300指数增强基金中，33只基金收益超越基准指数，超额收益中位数达到11.49%，绝对收益中位数为41.38%。

在上述产品中，作为典型的量化指数增强策略产品，安信量化精选沪深300基金（A份额：003957.OF；C份额：003958.OF）以50.28%的收益率跻身2020年同类基金收益前三，也成为同年仅有的三只超额收益超过20%的产品之一，表现较为突出；从历史表现来看，该基金拥有长期出色且较为稳定的收益能力，同时拥有相对基准较高的胜率以及理想的跟踪误差控制水平。整体而言，产品拥有良好的投资与配置价值。

下文中，我们从基金的历史业绩表现、持仓结构、风险风格与收益归因等多个角度，对安信量化精选沪深300基金的特点进行具体分析，并探讨其投资与配置价值。

安信量化精选沪深300业绩分析

我们首先展示安信量化精选沪深300基金（下文简称安信量化精选）的历史业绩表现，从收益、风险、基准跟踪等多个维度进行统计，并与基准指数和同类可比基金进行横向比较，以展示基金的绝对水平与相对定位；统计起始时间为2018年初，包含近三个完整的年度区间。为增加可比性，所有的基金业绩选用复权净值，基准指数采用全收益指数。

收益风险特征：长期表现稳定，兼顾收益增强与风险优化

从历史净值走势来看，安信量化精选沪深300基金长期跑赢基准指数，呈现出明显的超额收益；从相对走势来看，基金的增强效果持续且稳定，呈现显著的正斜率，近两年尤为明显。整体而言，基金的指数增强策略拥有长期稳定的有效性。

从收益端来看，安信量化精选在相对基准指数稳定增强，其中在2020年尤为突出；风险端上，产品在各年间的波动率和回撤控制均优于基准指数，在稳定性上同样有所提升；从相对基准的胜率上看，安信量化精选的胜率维持在55%以上，其中2020年接近70%，体现出增强策略的稳健性。此外，各年间产品的年化跟踪误差均严格控制在3%以内，足以比肩常规的指数基金，体现出基金经理优秀的组合管理能力。

同类产品对比：收益与胜率出色，提供低跟踪误差下的优质Alpha

我们以Wind指数增强基金分类为标准，进一步选取同属于沪深300指数增强基金的同类产品进行对比；为增保证对比的可靠性，我们只保留业绩完整覆盖对应观测区间的基金，即剔除区间内发行的产品；此外，我们去除全部非初始基金（即分级基金只保留一只），以防止重复统计。

为更直观地展示目标基金在同类产品中的相对水平，我们计算安信量化精选基金各个指标值在同类产品中的分位数，分位值越高代表相对水平越靠前；其中，负面指标（波动率、最大回撤、跟踪误差）等取相反数，即分位值越高对应数值越低。

可以看到，安信量化精选基金在同类产品间定位较为稳定。收益保持在同类产品前25%的水平，且有逐年提升的趋势，其中在2020年跻身同类产品前三；在相对基准的日胜率上，安信量化精选稳定在前10%，其中2019-2020年蝉联日胜率第一，可以认为策略拥有较强的稳定性；而在风险端，安信量化精选基金的波动率水平处在同类中等偏高的位置，回撤水平整体处于同类中游，可以认为产品在相对基准有所优化的同时，仍旧保留了一定程度的弹性。从夏普比率、Calmar比率来看，基金的风险调整收益在同类产品中较为理想。

值得一提的是，安信量化精选的基准跟踪水平出色，跟踪误差控制与历史信息比率稳定在指数增强型产品的最前列，年化跟踪误差达到被动产品的水平；结合基金良好的超额收益增强水平来看，可以认为安信量化精选的Alpha较为优质，既可以为普通投资者创造绝对收益，同时也为Beta策略和市场中性策略投资者提供理想标的。

安信量化精选持仓特征与归因分析

一步的，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，以观察基金组合的特点。安信量化精选基金2020年四季度的前十五大重仓股如下：

可以看到，组合在权重上集中度较低，前十五大持股总权重仅为28.14%；行业覆盖面较广，市值上以大盘股为核心，同时也包含部分中小盘股。我们进一步对基金的历史持仓情况进行分析。

持仓组合高度分散化，行业偏离控制合理

从历史持仓来看，安信量化精选成分股数量稳定维持在150只以上，其中2019年Q4与2020年Q2的成分股数超过200只，呈现较高的分散化程度，体现出明显的量化配置策略特征；从重仓股的比重来看，前50大重仓股总权重占据50%-70%的比重，集中度相对较低。整体而言，基金的分散化程度较高，对个股特有风险的分散较为有效。

我们进一步对基金的权益持仓进行归一化，以中信一级行业分类为标准，并对比同期基准沪深300指数的行业分布。整体来看，安信量化精选基金相对基准的行业偏离不超过±4%，绝大部分行业偏离控制在±1%以内，对行业相对偏离的控制较为合理；以2020Q2的报告期披露为例，基金在食品饮料、非银金融、医*、电子等热门板块相对超配。

从整体持仓情况来看，安信量化精选保持较严格的分散化与对基准指数的偏移水平，在保持高收益的同时，对系统性风险有理想的控制水平，基金超额收益的可控性较高。总体而言，安信量化精选基金拥有较突出的Beta属性与配置工具价值。

Barra风格因子分析：风格暴露整体控制合理，倾向高动量风格

基于Barra风险模型的视角，我们对安信量化精选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。

从整体风格偏移上看，基金组合的各个风格因子相对暴露均控制在±0.25以内，整体风格暴露控制较为合理。从具体偏离值上看，基金在动量风格上有长期较高的暴露，偏好持续表现优秀的个股，同时更倾向于高配流动性因子，低配价值、残差波动率因子，呈现出一定的延续性。同时注意到，在不同的时间节点，基金在部分风格因子上会进行一定的切换，如2018年市场下行时，组合在Beta因子的暴露上明显下调，体现出一定的防御性。

整体而言，基金在整体控制风格暴露水平的基础上，能够针对市场行情做出一定的调整，同时对高动量、历史业绩较好的股票更加偏好。

Brinson模型归因：选股能力突出，兼具配置择时

为更好地了解基金持仓Brinson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Brinson-Fachler模型进行归因，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，为提高稳定性，我们选取持仓截面后一个月作为业绩观察窗口，对收益进行分解。

从整体来看，基金在大部分观测区间内均获得超额收益，仅在2018年6月出现小幅回撤；从具体分解来看，基金的选股和仓位配置效应均对超额收益有所贡献。其中，选股能力的贡献较为突出，除2020年6月市场大涨时未能超过基准外，其余各期均提供了正向的超额收益；配置收益在2018年中和2019年中出现一定回撤，在其余各期能够提供较可观的超额收益；交叉收益部分相对不稳定，同时可解释性不高。总体来看，安信量化精选基金兼具选股和择时的能力。

网下打新测算：询价入围率高，基金规模适宜，收益增强可观

由于A股市场的IPO长期存在的高溢价，打新策略对基金组合提供了相对稳定的收益来源；尤其近两年以来，作为“注册制试点”的科创板开板以及创业板注册制的推行，显著提升了板块内新股上市的审批效率，2020年A股一级市场活跃度明显提升，IPO总募资规模创下近十年的新高。

但另一方面，由于注册制板块打破了询价的市盈率红线，作为IPO重要板块的科创板和创业板的询价难度有所提升，不同机构在询价入围率上出现较大的差距。下面我们对公募基金的整体询价及收益情况进行统计。在询价入围情况上，由于同一基金公司的入围情况较为接近，我们仅在基金公司的层面进行统计。

可以看到，安信基金在全市场及两个注册制板块的网下询价入围率均超过市场中位数，科创板的入围率明显超过市场的75%分位数。可以认为安信基金在IPO网下询价中表现较为理想，拥有相对稳定的报价策略。我们进一步对公募产品的打新收益进行测算。我们假定注册制板块的新股在首日以VWAP价卖出，非注册制板块在开板日以VWAP价卖出（首日未涨停则当日卖出）。在计算收益率时，我们以统计区间内产品的期初和期末规模均值作为基金的计算用规模，并剔除规模在一亿元以下的产品，以提高结果的稳定性。

可以看到，安信量化精选的打新总收益明显高于所处规模区间（2-3亿元）的整体水平，可以认为基金管理团队的询价成功率较高，同时对几个关键的大规模IPO项目都有较好的命中率；从收益率上看，估算打新收益为安信量化精选贡献了超过10%的可观收益。同时，从2亿元的规模门槛开始，基金的整体打新收益率随规模增长呈现稀释效应；截至2020年四季度，安信量化精选基金的规模为4.05亿元，在满足大部分新股顶格申购的同时并未明显稀释收益率，处于较为理想的规模区间。

总结

2020年，A股市场整体涨幅较为明显，指数增强类产品同样表现不俗。其中，安信量化精选沪深300基金（A份额：003957.OF；C份额：003958.OF）作为典型的量化指数增强基金，在2020年取得了超额收益前三、日胜率和信息比率第一的出色表现，成绩较为出色。

历史表现上看，安信量化精选沪深300基金长期跑赢基准指数，策略拥有长期稳定的有效性，在收益和风险端均有所优化。此外，基金相对进准指数的胜率较高，跟踪误差与指数基金的水平接近。可以认为，基金管理团队兼顾了收益和风险的优化，同时拥有优秀的组合管理能力。

横向对比同类基金，安信量化精选基金定位较为稳定，收益和相对基准胜率均位于前列；基金的波动率和回撤水平处于同类中游，仍旧保留了一定程度的弹性。此外，安信量化精选的基准跟踪水平出色，跟踪误差控制与历史信息比率稳定指数增强型产品顶端。整体来看，基金既拥有理想的绝对收益，同时也为Beta策略和市场中性策略投资者提供选择。

从持仓特征来看，安信量化精选成分股数量稳定维持在150只以上，呈现较高的分散化程度，重仓股集中度较低，组合大部分行业权重偏离较小。整体来看，安信量化精选保持较严格的分散化与对基准指数的跟踪水平，拥有突出的Beta属性与配置工具价值。

从风格因子上看，基金组合相对基准的风格控制较为合理。具体来看，基金在动量风格上有长期较高的暴露，偏好持续表现优秀的个股；从Brinson归因模型来看，基金的选股能力的贡献较为突出，同时配置收益也提供了相对可观的贡献。可以认为，安信量化精选基金兼具选股和择时的能力。此外，得益于相对稳定的询价成功率与合理的规模，安信量化精选基金在新股申购上具有较大优势，2020年估算获得了超过10%的可观收益。

总体而言，安信量化精选基金拥有高收益、高胜率、跟踪误差小、高度分散化的特点，相对基准的特有风险较小，兼顾Alpha和Beta收益。从增强策略上看，基金的选股和择时能力均能带来相对稳定的回报，同时在IPO打新中也能获取相对稳定的收益，具有较好的投资前景。

风险提示

基金业绩特征仅代表历史数据，无法保证未来能够复现；基金风格分析与归因分析依赖于观测截面，分析结果存在一定的偶然性。本报告结论仅提供参考，不构成任何投资建议，请投资者谨慎选择。

免责声明与评级说明

公众平台免责申明

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】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】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GlidePath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：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

行业轮动

【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SmartBeta——华泰SmartBeta系列之四

【华泰金工林晓明团队】投资优质股票：红利类SmartBeta——华泰SmartBeta系列之三

【华泰金工林晓明团队】博观约取：价值和成长SmartBeta——华泰SmartBeta系列之二

【华泰金工林晓明团队】SmartBeta：乘风破浪趁此时——华泰SmartBeta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】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

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】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则

华泰和嘉实将分别推出沪深300etf，这两家在套利和结算机制等方面有什么不同？求详细解释。看情况追加分数

套利也叫价差交易，套利指的是在买入或卖出某种电子交易合约的同时，卖出或买入相关的另一种合约。套利交易是指利用相关市场或相关电子合同之间的价差变化，在相关市场或相关电子合同上进行交易方向相反的交易，以期望价差发生变化而获利的交易行为。套利交易模式总结为4大类型，分别为：股指期货套利、商品期货套利、统计和期权套利。股指期货：股指期货套利是指利用股指期货市场存在的不合理价格，同时参与股指期货与股票现货市场交易，或者同时进行不同期限、不同（但相近）类别股票指数合约交易，以赚取差价的行为。股指期货套利分为期现套利、跨期套利、跨市套利和跨品种套利。商品期货：与股指期货对冲类似，商品期货同样存在套利策略，在买入或卖出某种期货合约的同时，卖出或买入相关的另一种合约，并在某个时间同时将两种合约平仓。在交易形式上它与套期保值有些相似，但套期保值是在现货市场买入（或卖出）实货、同时在期货市场上卖出（或买入）期货合约；而套利却只在期货市场上买卖合约，并不涉及现货交易。商品期货套利主要有期现套利、跨期对套利、跨市场套利和跨品种套利4种统计：有别于无风险套利，统计套利是利用证券价格的历史统计规律进行套利的，是一种风险套利，其风险在于这种历史统计规律在未来一段时间内是否继续存在。统计对冲的主要思路是先找出相关性最好的若干对投资品种（股票或者期货等），再找出每一对投资品种的长期均衡关系（协整关系），当某一对品种的价差（协整方程的残差）偏离到一定程度时开始建仓——买进被相对低估的品种、卖空被相对高估的品种，等到价差回归均衡时获利了结即可。统计对冲的主要内容包括股票配对交易、股指套利、融券对冲和外汇套利交易。期权：期权（option）又称选择权，是在期货的基础上产生的一种衍生性金融工具。从其本质上讲，期权实质上是在金融领域将权利和义务分开进行定价，使得权利的受让人在规定时间内对于是否进行交易行使其权利，而义务方必须履行。在期权的交易时，购买期权的一方称为买方，而出售期权的一方则称为卖方；买方即权利的受让人，而卖方则是必须履行买方行使权利的义务人。期权的优点在于收益无限的同时风险损失有限，因此在很多时候，利用期权来取代期货进行做空、套利交易，会比单纯利用期货套利具有更小的风险和更高的收益率

跟踪沪深300指数的基金,到底选哪只？

沪深300ETF～华泰柏瑞版自2012年4月5日至2012年4月26日进行发售

沪深300ETF～嘉实版自2012年4月5日至2012年4月27日进行发售

标志着两只沪深300ETF基金几乎同时诞生。这两只都可以

华泰柏瑞沪深300ETF开始交易了吗?

1、华泰柏瑞沪深300ETF（510300）5月4日正式成立，首发募集329.69亿份，刷新了2006年12月13日以来的基金首发记录。华泰柏瑞沪深300ETF的有效认购总户数65654户，也刷新了2006年6月9日以来的ETF认购户数记录。华泰柏瑞沪深300ETF正式成立后，即可进入市场，进行运作。2、上海证券报记者从相关渠道获得最新消息，华泰柏瑞沪深300ETF采取了快速建仓的策略，截至昨日（周一）仓位已经达到七成，并计划于今日（5月8日）建仓完毕。国泰君安高级理财顾问！百度：国泰君安江川海仅供参考！

【华泰金工林晓明团队】今年IR-沪深300选股超额7.78%——人工智能选股周报20200816

林晓明 S0570516010001 研究员

陈烨 S0570518080004 研究员

李子钰 S0570519110003 研究员

报告发布时间：2020年8月16日

摘要

今年IR-沪深300选股（信息比率为标签，沪深300内选股）超额7.78%

今年IR-沪深300选股（信息比率为标签，沪深300内选股）超额收益为7.78%。今年以来双周频调仓的“遗传规划+随机森林”模型表现较好，换手率限制为60%的情况下，该模型上周超额收益为-0.35%，最近一个月超额收益为2.36%，今年以来超额收益为14.50%。

全A选股模型中，今年以来收益率为标签的模型表现最好

全A选股模型中，收益率为标签的模型上周超额收益为-0.38%，最近一个月超额收益为0.64%，今年以来超额收益为11.34%。信息比率为标签的模型上周超额收益为-0.87%，最近一个月超额收益为0.74%，今年以来超额收益为5.97%。Calmar比率为标签的模型上周超额收益为-0.31%，最近一个月超额收益为1.37%，今年以来超额收益为10.79%。等权集成模型上周超额收益为-0.92%，最近一个月超额收益为0.71%，今年以来超额收益为8.49%。

沪深300成份内选股模型中，今年以来信息比率为标签的模型表现最好

沪深300成份内选股模型中，收益率为标签的模型上周超额收益为0.53%，最近一个月超额收益为1.4%，今年以来超额收益为3.3%。信息比率为标签的模型上周超额收益为0.73%，最近一个月超额收益为2.56%，今年以来超额收益为7.78%。Calmar比率为标签的模型上周超额收益为0.31%，最近一个月超额收益为1.81%，今年以来超额收益为5.82%。等权集成模型上周超额收益为0.47%，最近一个月超额收益为1.79%，今年以来超额收益为5.96%。

中证500成份内选股模型中，今年以来收益率为标签的模型表现最好

中证500成份内选股模型中，收益率为标签的模型上周超额收益为-0.17%，最近一个月超额收益为1.44%，今年以来超额收益为7.66%。信息比率为标签的模型上周超额收益为0.09%，最近一个月超额收益为0.34%，今年以来超额收益为3.46%。Calmar比率为标签的模型上周超额收益为-0.56%，最近一个月超额收益为0.28%，今年以来超额收益为-1.41%。等权集成模型上周超额收益为-0.02%，最近一个月超额收益为0.62%，今年以来超额收益为2.9%。

今年公募中证500指数增强基金平均超额收益为7.36%

截至2020年8月14日公募沪深300指数增强基金上周平均超额收益为0.44%，最近一个月平均超额收益为1.22%，今年以来平均超额收益为4.6%。公募中证500指数增强基金上周平均超额收益为-0.53%，最近一个月平均超额收益为1.37%，今年以来平均超额收益为7.36%。

今年以来CTA私募基金收益率中位数为20.15%

截至2020年8月7日，今年以来，股票多空类私募基金收益率中位数为24.99%，宏观对冲类私募基金收益率中位数为24.24%，阿尔法策略类私募基金收益率中位数为16.18%，沪深300增强私募基金收益率中位数为17.48%，中证500增强私募基金收益率中位数为27.08%，CTA私募基金收益率中位数为20.15%。有投资顾问的沪深300增强私募基金和中证500增强私募基金超额收益率中位数分别为8.32%和19.48%。无投资顾问的沪深300增强私募基金和中证500增强私募基金超额收益率中位数分别为2.27%和0.04%。

风险提示：通过人工智能模型构建选股策略是历史经验的总结，存在失效的可能。

遗传规划+随机森林”模型近期表现

本章对《华泰人工智能系列之28——基于量价的人工智能选股体系》(2020.2.18)中的“遗传规划+随机森林”模型进行跟踪，模型流程图如图表1所示。

我们使用模型构建月频调仓和双周频调仓的中证500增强策略，展示不同换手率控制情况下策略的表现。模型近期超额收益情况如图表2和图表3所示。

模型自2011年2月回测以来的超额收益情况和回测绩效如图表4~图表7所示。

图表8展示了模型中重要性排名前十的因子

另类标签和集成学习模型近期表现

本报告所涉及的所有机器学模型的详细介绍，可参见华泰人工智能系列报告：

本章对《华泰人工智能系列之29——提升超额收益：另类标签和集成学习》(2020.3.19)中的模型进行跟踪，包含以下三个股票池内模型：

1.全A选股(中证500行业市值中性)

2.沪深300成份内选股(沪深300行业市值中性)

3.中证500成份内选股(中证500行业市值中性)

每个股票池内都构建以下四个模型：

1.收益率为标签的Boosting模型。

2.信息比率为标签的Boosting模型。

3.Calmar比率为标签的Boosting模型。

4.集成模型：以上三类模型等权集成。

模型近期超额收益情况如图表9~图表11所示。

模型自2011年2月回测以来的超额收益情况和回测绩效如图表12~图表17所示。

公募指数增强基金近期表现

我们选取公募基金旗下的34只沪深300指数增强基金和24只中证500指数增强基金，分析指数增强产品的业绩表现。图表18展示了近期沪深300指数增强基金和中证500指数增强基金按规模加权的平均超额收益情况。

图表19和图表20展示了规模排名前5的沪深300指数增强基金和中证500指数增强基金。

私募基金近期表现

以2020年8月7日为最近取得净值的时间，我们选取Wind数据库中以下6类私募基金：

1.股票多空：“投资策略”为“股票多空”的私募基金，共62只。

2.宏观对冲：“投资策略”为“宏观对冲”的私募基金，共97只。

3.阿尔法策略：“投资策略”为“阿尔法策略”的私募基金，共121只。

4.沪深300增强：“简称”包含“沪深300”关键字的股票型私募基金，共8只。

5.中证500增强：“简称”包含“中证500”关键字的股票型私募基金，共164只。

6.CTA：“简称”包含“CTA”关键字的私募基金，共65只。

图表21展示了近期以上5类私募基金的收益率中位数情况。

对于中证500增强基金和沪深300增强基金，我们再将其划分为以下两类：

1.有投资顾问：“投资顾问”字段非空的基金。

2.无投资顾问：“投资顾问”字段为空的基金。

图表22和图表23展示了有、无投资顾问的私募中证500增强基金和沪深300增强基金的超额收益中位数情况。

风险提示

通过人工智能模型构建选股策略是历史经验的总结，若市场规律改变，存在失效的可能。人工智能模型可解释程度较低，归因较困难，使用须谨慎。本报告对基金历史数据进行梳理总结，不构成任何投资建议。

免责声明与评级说明

公众平台免责申明

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】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】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GlidePath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

行业轮动

【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SmartBeta——华泰SmartBeta系列之四

【华泰金工林晓明团队】投资优质股票：红利类SmartBeta——华泰SmartBeta系列之三

【华泰金工林晓明团队】博观约取：价值和成长SmartBeta——华泰SmartBeta系列之二

【华泰金工林晓明团队】SmartBeta：乘风破浪趁此时——华泰SmartBeta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】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

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

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则

华泰柏瑞沪深300ETF[0.000.00%]（510300）到底能不能日内t+0，有没有门槛，有，最低要多少？

可以T+0 但是必须是买入成份股再转换成基金份额，当天转换的份额，可以赎回，如果不是用成份股转换的份额（就是认购）那是不能当天赎回的，必须T+1才能赎回。

华泰柏瑞沪深300ETF现在已经上市交易了，你可以当成普通股票一样来买卖，佣金跟你的股票交易一样（每笔最少五元）

请推荐ETF代表性的股票？

ETF是基金吧

为什来自么说华泰柏瑞沪深300ETF是具有里程碑意义?

自2004年中国第一只ETF诞生至华泰柏瑞沪深300ETF前，市场上共有40只ETF,分别在上海证券交易所和深圳证券交易所上市，均为单市场产品。然而许多有良好市场代表性和行业代表性的指数均横跨两市，这就为ETF的发展造成了瓶颈，也是华泰柏瑞沪深300ETF诞生的背景。沪深300指数是具有中国市场代表性的宽基指数，有A股“晴雨表”之称，以其为标的的华泰柏瑞沪深300ETF将成为投资者投资中国最为有效、方便的选择之一，有望成为未来A股主要投资者的核心配置资产之一。作为我国首个以T+0模式实现跨市场的ETF，华泰柏瑞沪深300ETF将为后来者提供参考和借鉴。无论是一二级市场套利者、指数投资者，还是股指期货投资者，都有望从华泰柏瑞沪深300ETF中获得方便。华泰柏瑞沪深300ETF有望成为未来相关市场进一步创新的焦点。海外经验显示，具有良好市场代表性的指数往往成为挂钩金融衍生品最多的标的。沪深300指数不仅成份股横跨沪深两市，同时也是目前我国唯一股指期货合约的标的。华泰柏瑞沪深300ETF不仅将成为与期指较匹配的现货，还将为日后金融衍生品的创新提供便利，丰富的金融衍生品将进一步促进其投资交易策略的多元化、深化市场交易活跃度、并助于形成高效的ETF定价机制。最后，华泰柏瑞沪深300ETF所开创的跨市场ETF模式，有望为我国未来的跨市场ETF创新开辟新的道路。