跳转至

1.2 量化指数增强

国内私募量化的门面策略。一个简单的承诺：我跑赢你选的指数。

这章不是科普，是工具书。每个术语我都会挖到"你能直接拿去追问管理人"的程度。

一、这类策略在做什么

策略的经济学本质

"指数增强"的"指数"是什么？

指数是一组股票按规则加权的组合。比如沪深 300 是沪深两市市值最大的 300 只股票，按自由流通市值加权；中证 500 是排名 301-800 的中盘股。指数本身不是"一个股票"，它是一套规则化的股票组合。

"增强"是什么？

基金做的事情： 1. 不完全复制指数 —— 如果完全复制就是 ETF，没收费空间 2. 在指数成分股（或略宽范围）里做：偏离指数权重（超配 / 低配 / 剔除某些票），并适度加入指数外的股票 3. 目标：长期收益 > 指数

数学上： 

指增产品收益 = 指数 β + 管理人 α

但这个等式容易误导。更准确的表达是： 

指增产品收益 = β * (指数收益) + 选股 α + 风格偏离收益 + 择时贡献 + 手续费税费 - 冲击成本

每一项都可能正、可能负。理解每一项怎么来，就理解了指增的全部。

为什么指增能赚 α

中国 A 股在过去 10 年是全球最适合量化的市场之一，原因：

  1. 散户占比高（2023 年自由流通市值中散户交易量占 60-70%）—— 散户决策非理性，制造可预测的价格扭曲
  2. 机构持仓集中度低 —— 不像美股 Vanguard/BlackRock 几家巨头吃掉超额空间
  3. 涨跌停板 + T+1 制度 —— 制造出独特的"次日反转效应"和"封板预期效应"
  4. 市值结构分布宽（A 股小市值股票数量多，且散户参与深）—— 小盘 α 丰富

这是制度红利。当这些条件发生变化（例如散户占比下降、外资占比提升、T+0 试点扩大），指增的 α 结构会剧烈变化。2024-2025 年的超额衰减，部分原因就是散户比例下降。

二、产品命名规则（你必须能秒懂）

"300 指增"、"500 指增"、"1000 指增"、"2000 指增"

简称 基准 覆盖市值范围 成分股数 流动性 典型年化波动
300 指增 沪深 300 大盘（前 300） 300 最好 18-22%
500 指增 中证 500 中盘（301-800） 500 良好 22-25%
1000 指增 中证 1000 小盘（801-1800） 1000 中等 25-30%
2000 指增 中证 2000 微盘（1801-3800） 2000 差 30%+
全市场指增 中证全指 / 自定义 全市场选股 5000+ 按持仓分布 因管理人而异

"空指增强" / "空盘指增" —— 行业黑话

"空指"指中证 2000 或更小的微盘股。彬元资本的"天源量化"就是空指增强——在 2024-2025 年小盘股疯涨的环境下，空指增强的绝对收益可能高达 60-80%，但其中相当大比例是小盘风格 β，不是管理人 α。

这是重要的辨别点："空指增强 60% 收益"中，至少 30-40% 是小盘指数本身涨的，不是管理人本事。

基准指数选择的深层含义

基准选择不是中性的，它暗含管理人对自身能力圈的判断：

  • 选 300 指增 = 承认自己不擅长小盘，或者策略容量需要大盘流动性
  • 选 500 指增 = 国内量化主流选择，历史上超额最厚
  • 选 1000 / 2000 指增 = 策略要么天然适合小盘，要么规模小（大了做不动）
  • 选"自定义 benchmark" = 危险信号，管理人想挑个自己赢面大的基准

尽调追问：为什么选择这个基准？能不能做到在其他基准下也有同等超额？ 如果他说"我们 500 指增和 1000 指增都在做" —— 追问两条线的超额差距、相关性、研究团队分工。

三、核心指标的深度拆解

3.1 绝对收益 vs 超额收益（这是最容易混的地方）

定义：

  • 绝对收益：产品净值变化率，即 (期末净值 - 期初净值) / 期初净值
  • 超额收益（Excess Return / α）： 
    超额收益 = 产品绝对收益 - 基准指数收益
    注意：这里"基准"必须和产品名义基准一致。500 指增的超额一定是对照中证 500 全收益指数（包含股息），不是上证指数，不是沪深 300。

数学上进阶理解：

严格学术定义的 α（Jensen's Alpha）是： 

α = 产品收益 - [无风险收益 + β * (基准收益 - 无风险收益)]
这里 β 是产品对基准的敏感度。但国内量化行业把 α 等同于"产品 - 基准"（称 Active Return），默认 β = 1。

为什么重要：

  • 投资人拿到的是绝对收益
  • 判断量化能力要看超额
  • 二者在不同市场环境下会极度分化

举例：

年份 中证 500 产品A绝对 产品A超额 产品B绝对 产品B超额
2021 +15% +35% +20% +25% +10%
2022 -20% -12% +8% +5% +25%
2023 -8% +2% +10% +18% +26%

绝对收益看产品 B，超额看…还是产品 B（因为它不仅绝对好，超额也稳）。但这是巧合——现实里经常出现：某产品绝对好（跟着牛市赚钱），超额差（没打过指数）。

常见陷阱：

  1. 管理人展示"累计绝对收益 100%，累计超额 30%" —— 听起来超额稳定。但如果过去 3 年里，前 2 年超额 +25%、近 1 年超额 -5%，那近期 α 正在死，只是被历史数字盖住了。必须看滚动 12 个月的超额。

  2. "我们超额稳定"通常是话术 —— "稳定"的严格定义：滚动 3 个月的超额 Sharpe > 1，且最大超额回撤 < 年化超额的 50%。听到"稳定"，直接追问这两个数。

  3. 基准偷换 —— 500 指增用沪深 300 做对比（2024 年沪深 300 更差），制造"我超额更高"的错觉。拿到归因报告第一件事：基准是什么？

尽调追问： - "过去 3 年滚动 12 个月的超额中位数是多少？最低是多少？最高是多少？" - "过去 3 年滚动 3 个月的超额 Sharpe 是多少？最低出现在什么时期？"

3.2 超额 Sharpe（量化团队最硬的指标）

定义：

超额 Sharpe = 年化超额收益 / 超额收益的年化标准差

关键点：分子分母都是"超额"，不是产品本身。

数学上进阶理解：

"超额收益的年化标准差"通常用日频或周频计算，然后乘以 sqrt(252) 或 sqrt(52) 年化。

为什么用标准差做分母而不是回撤？ - 标准差衡量整体波动，回撤衡量极端下行 - 对指增来说，超额应该"低波动、稳步增长"，所以用标准差最合适 - CTA 等趋势策略有时用 Calmar（年化收益 / 最大回撤）更合适（见卷二 2.2）

为什么重要：

这是唯一一个能跨策略、跨规模、跨时期横向比较量化能力的指标。

  • 超额 Sharpe < 1：几乎没有策略能力
  • 超额 Sharpe 1-2：及格
  • 超额 Sharpe 2-3：国内头部量化水平
  • 超额 Sharpe 3-4：行业顶尖
  • 超额 Sharpe > 5：几乎可以肯定有问题（频率造假 / 样本短 / 补净值 / 回测混入实盘）

怎么测：

给管理人发邮件要：过去 3 年日频超额收益时间序列（不是月频，月频容易误导）。自己用 Python 算： 

excess = product_nv_daily.pct_change() - benchmark_daily.pct_change()
sharpe = excess.mean() / excess.std() * sqrt(252)

常见陷阱：

  1. 月频 Sharpe 爆表：用月度数据算，样本少、高收益月拉高均值，Sharpe 虚高。 彬元中性 1 号的实例：月频 Sharpe 算出来 6.52，但换成日频后修正为 4.17（见 CMS 归因分析）。月频 Sharpe 的 6.52 不能信。

  2. 样本短 Sharpe 爆表：6 个月的数据算 Sharpe 可能极高，纯粹是短期运气。至少要 2 年日频数据才有意义。

  3. 自选样本 Sharpe 爆表：管理人展示"2022 年至今"的 Sharpe，刻意避开 2021 年的震荡期。必须看他成立以来所有月份，不挑不选。

尽调追问： - "能不能发过去 3 年的日频超额时间序列？我们自己算 Sharpe。" - "你们内部用的是日频 Sharpe 还是月频 Sharpe？为什么？"

3.3 超额最大回撤 & 回撤修复天数

定义：

  • 超额最大回撤：累计超额曲线从历史高点跌到谷底的最大幅度 
    最大回撤_超额 = max[(峰值_超额 - 谷值_超额) / (1 + 峰值_超额)]
  • 回撤修复天数：从回撤起点到超额曲线创新高所需的交易日数

为什么超额回撤和绝对回撤要分开看：

  • 绝对回撤衡量产品跟随大盘暴跌的风险。对指增来说这是β风险，管理人对此负有限责任。
  • 超额回撤衡量管理人本事失灵的严重程度。这是 α 风险，管理人对此负全责。

举例：2022 年 500 指增行业整体超额持平或略亏。如果 2022 年某产品超额 -8%，行业中位数 0%，说明他在 α 层面跑输同业 8%。这比绝对亏损更能说明"这家管理人的模型出问题了"。

正常范围（国内 500 指增）：

情形 超额最大回撤 修复天数
头部团队 3-5% 30-60 天
中游团队 5-8% 60-120 天
尾部 / 策略老化 8-15% > 120 天
红线 > 15% 或修复 > 180 天 —

常见陷阱：

  1. 用"产品回撤"伪装"超额稳定"：产品最大回撤 25%（跟着跌 20% 基准 + 多回撤 5%），管理人说"回撤不大"。但你真正该看的是那 5% —— 超额最大回撤 5% 意味着他在 α 层面也失灵了 5%。

  2. 样本期刻意避开大回撤期：管理人展示"最近 18 个月无回撤"，但成立于 24 个月前，中间 6 个月的历史被切掉了。

  3. 回撤修复天数 = 60 天，听起来不错：但如果他常年都有小回撤（每 3 个月就一次回撤修复 60 天），说明策略持续性差。

尽调追问： - "历史上每一次超额回撤超过 3% 的时间段，能不能列出来？每次的归因是什么？" - "超额连续走平（比如 2 个月横盘）算不算 α 衰退信号？你们内部怎么看这个？"

3.4 跟踪误差（Tracking Error）

定义：

跟踪误差 = std(产品收益 - 基准收益) * sqrt(年化因子)

简单说：产品每天收益和基准每天收益的差值的标准差，年化。

为什么存在这个指标：

严格的指增产品应该尽可能贴着基准走，同时做出稳定超额。但贴得太紧就没有超额空间，贴得太松就不是指增了（变成主动股票多头）。跟踪误差衡量"产品的风险/行为和基准的偏离程度"。

典型值：

  • 严格指增：跟踪误差 3-5%（小偏离）
  • 主流指增：跟踪误差 5-8%
  • "主动指增"：跟踪误差 8-12%（已经偏向主动多头）
  • 超过 12%：本质是主动选股，不应叫指增

为什么重要：

  1. 风险定价：跟踪误差大 = 不跟指数走 = LP 拿到的收益可能和指数极不相关。2024 年沪深 300 涨 15%，跟踪误差 12% 的 "300 指增" 可能只涨 5%，LP 会觉得"你这 300 指增到底增在哪？"

  2. 信息比率（IR）： 

    IR = 超额年化收益 / 跟踪误差
    这是指增的核心评估指标之一。IR 1.5+ 算优秀，2.0+ 是顶级。IR 用途是回答："为了拿到这点超额，承担了多少偏离风险？"

常见陷阱：

  1. 管理人刻意压低跟踪误差："我们跟踪误差只有 3%" —— 听起来保守，但可能意味着超额空间也小（IR 不一定高）。

  2. "我们跟踪误差大是因为我们敢主动偏离" —— 听起来有格调，实则意味着本质是主动选股，应该按主动多头收费（不是指增 1.5% + 20%）。

尽调追问： - "你们目标跟踪误差是多少？实盘实际值？" - "信息比率（IR）历史均值？" - "IR 最低出现在什么时期？为什么？"

3.5 月度 / 周度胜率

定义：

  • 月度胜率 = 超额收益为正的月份数 / 总月份数
  • 周度胜率 = 超额收益为正的周数 / 总周数

为什么重要：

指增的期望画像是"小步快跑、稳步积累"。胜率反映超额收益是不是均匀分布。

  • 胜率 > 70%：稳健型超额（信号多周期组合、分散度高）
  • 胜率 55-70%：正常范围
  • 胜率 50-55%：策略依赖少数"爆发月"，持续性待观察
  • 胜率 < 50% 但绝对收益正：非常可疑，可能是少数月份（如策略踩中重大事件）拉起来的幸存者数字

数学直觉：

假设每月超额服从正态分布 N(μ, σ²)，胜率等于 Φ(μ/σ)（累计概率函数）。 - 年化超额 12%、年化波动 8% → 月均 1%、月 Std 2.3% → 胜率 ≈ Φ(1/2.3) ≈ 67% - 年化超额 12%、年化波动 15% → 月均 1%、月 Std 4.3% → 胜率 ≈ Φ(1/4.3) ≈ 59%

波动率越高，胜率越低。所以胜率高不一定是优点（可能是低波动、低收益），胜率要结合超额水平一起看。

参考数据（彬元天源量化）：

  • 空指增强，月度胜率 100%（12/12 月都正超额）
  • 周度胜率 81.6%

周度胜率 81.6% 是相当高的数字。但注意这是 12 个月样本，样本较短。真正考验持续性要看至少 24 个月样本。

常见陷阱：

  1. 胜率高但波动也高：意味着"赢的月份赚得多、输的月份也输得多"，月度胜率可能 60%，但实际夏普一般。
  2. 选择性月份：管理人只展示"成立以来月度胜率 75%"，但成立不到 18 个月，样本小。
  3. "年度胜率 100%"：过去 3 年每年都正收益，听起来牛。但 3 个样本太少。

尽调追问： - "成立以来所有月份的超额分布能不能列表发给我？" - "胜率最低的 3 个月对应什么环境？" - "滚动 12 个月的月度胜率，有没有低于 50% 的窗口？"

3.6 换手率

定义：

换手率（年化）= (年总成交额 / 2) / 平均资产规模

除以 2 是因为一买一卖算两次成交额。

为什么重要：换手率决定三件事：

  1. 策略持仓周期：
  2. 换手率 5x/年 → 平均持仓 73 天
  3. 换手率 10x/年 → 平均持仓 37 天
  4. 换手率 20x/年 → 平均持仓 18 天
  5. 换手率 30x/年 → 平均持仓 12 天

  6. 换手率 100x/年 → 平均持仓 3.6 天（基本是日内交易）

  7. 超额来源的周期：短周期（< 20 天）主要靠价量因子；中周期（1-3 月）靠多因子混合；长周期（> 6 月）靠基本面。换手和超额来源严格对应。

  8. 容量上限：

  9. 年成交额 = 规模 * 换手率 * 2
  10. 50 亿 × 20x × 2 = 2000 亿年成交额 —— 对应 A 股日均流动性占比不小
  11. 规模上限 ≈ (市场可吸收年成交额) / (换手率 * 2)
  12. 换手越高，容量越小

典型值（国内量化指增）：

  • 低频（年换手 < 5x）：偏基本面，持仓周期长，容量大但超额低
  • 中频（年换手 5-15x）：主流价量 + 基本面混合
  • 中高频（年换手 15-30x）：头部量化主力
  • 高频（年换手 30-100x）：短信号为主，容量敏感
  • 超高频 / T0（年换手 > 100x）：接近日内策略，容量 < 20 亿

彬元 CMS 归因对照：换手率 29x/年（11.31 天持仓期）—— 属于中高频，以价量因子为主，辅以基本面。

常见陷阱：

  1. 换手率造假：管理人说"15x"，但实际持仓周期数据对不上。要对照 CMS 归因里的"持仓周转天数"。

  2. 换手率波动：近 12 个月 15x，但过去某段时间 5x。可能在扩容过程中被迫降低换手以适应更大规模 —— 这是 α 衰减信号。

  3. 换手高但不承认高频：有些管理人年换手 40x，却说自己是中频。对照持仓周期数据，13 天算中频？不算。

尽调追问： - "过去 24 个月月度换手率能不能列出来？" - "换手是否随规模下降？" - "换手的因子周期分布（日内 / 1-5日 / 5-20日 / > 20 日）？"

3.7 规模曲线（资金曲线）

定义：产品规模随时间的变化曲线。

为什么重要，但经常被忽视：

量化策略的 α 衰减几乎完全由规模决定。规模曲线比历史业绩更能预测未来超额。

关键形态：

  1. "J 型规模曲线 + 阶梯型超额衰减"：
  2. 规模从 5 亿 → 50 亿 → 200 亿
  3. 超额从 25% → 15% → 8%

  4. 这是几乎所有国内头部量化的宿命（九坤、明汯、鸣石都走过）

  5. 规模触及拐点：当规模到达某个阈值，超额断崖式下跌。每家量化都有自己的阈值：

  6. 500 指增：200-300 亿 / 家
  7. 1000 指增：80-150 亿 / 家

  8. 2000 指增 / 空指：30-80 亿 / 家

  9. 主动封盘 vs 被动扩容：

  10. 主动封盘（管理人主动限制规模）= 重视 α 持续性的信号
  11. 被动扩容（有多少钱进多少）= 重规模轻 α 的信号

怎么看规模曲线：

  • 问管理人拿成立以来月度 AUM 数据
  • 绘图，标注每次封盘 / 开放申购的时点
  • 对比同期超额 Sharpe

常见陷阱：

  1. 只看当前规模：管理人当前 30 亿听起来合适，但他历史最高规模可能到过 80 亿再被赎回下来。这意味着他在 80 亿跑不动。

  2. "我们还有很大空间"：没有数据支持的空间陈述。正确的回答应该类似："我们 500 指增策略估算容量 200 亿，当前 80 亿，还有 120 亿空间。"

尽调追问： - "成立以来月度 AUM 数据？有没有被动缩水过？" - "历次封盘时点？封盘时策略信号出现什么变化？" - "本策略容量上限的估算方法？"

四、超额的三大来源

指增的超额（α），本质上是让组合的某些"风险暴露"偏离基准，承担这些偏离的风险，换来额外收益。没有无风险的超额。

4.1 基本面因子（Fundamental Factors）

核心思想：某些财务 / 估值 / 成长指标能预测股票未来的相对收益。

主流基本面因子：

因子 定义 学术文献
价值（Value） PE / PB / EV/EBITDA 低 Fama-French (1992)
质量（Quality） ROE / ROIC / 负债率 / 利润质量 Asness (2013)
成长（Growth） 营收 / 利润增速 多文献
盈利质量（Earnings Quality） 应计项 / 现金流 Sloan (1996)
投资保守（Conservative Investing） 资本开支增速慢 Fama-French 5-Factor

在 A 股的表现：

  • 价值因子：2007-2014 年强，2015-2020 年死，2021 年后弱复苏
  • 质量因子：在上证 50 / 沪深 300 里有效，但 2020-2021 年消费股泡沫期大幅拖累
  • 成长因子：2019-2020 年爆发（"核心资产"），2021 年后大幅回撤

为什么基本面因子在 A 股"时灵时不灵"：

A 股由散户和政策驱动的成分高，基本面定价有效性比美股差 20 年。纯基本面因子的 Sharpe 在国内常年 < 1，远差于美股。

所以国内量化把基本面因子作为"压舱石"（占比 10-20%），用于长周期信号，但不是主力。

4.2 价量因子（Price-Volume / Technical Factors）

核心思想：从历史价格、成交量、订单簿中提取可预测收益的信号。

主流价量因子：

因子 定义 信号周期
动量（Momentum） 过去 1-12 月累计收益高 → 未来继续涨 中周期（1-6 月）
反转（Reversal） 短期涨得多 → 短期会跌 短周期（1-5 日）
低波（Low Volatility） 波动率低的股票长期收益更好 长周期
换手率（Turnover） 换手率异常高低预测未来收益 短-中周期
流动性冲击 成交异动预测短期反应 短周期
订单簿不平衡 买单 vs 卖单力量差 日内

为什么价量因子在 A 股极强：

A 股的散户比例高 + 情绪化 + 涨跌停板创造了大量短期价格扭曲。价量因子本质是捕捉散户的非理性。2015-2021 年，国内头部量化年化超额 20-30%，70-80% 来自价量因子。

价量因子的半衰期：

这是价量因子的命门 —— 信号的有效期短。

  • 日内订单簿信号：半衰期几分钟到几小时
  • 短期反转信号：半衰期 1-5 天
  • 动量信号：半衰期 1-3 个月

半衰期短意味着换手率高、冲击成本高、容量受限。这是价量因子的本质。

4.3 另类因子（Alternative Factors）

情绪因子：雪球热度、股吧情绪、研报 polarity。 事件因子：业绩预告、机构调研、股权激励公告。 AI / 深度学习因子：端到端用神经网络从 K 线和基本面预测收益。

AI 因子的真假：

2021 年后，国内头部量化大量铺 AI 因子。优点：能捕捉非线性关系、可以端到端拟合。缺点：可解释性极差 + 过拟合风险极高。

判断一家量化的 AI 因子是真是假： - 回测 vs 实盘的 α 差距 —— 过拟合的 AI 模型，回测 25%、实盘 8% 是常态 - AI 因子占整体超额贡献率 —— 头部通常说 20-30%，如果说 50%+ 要怀疑 - 模型迭代频率 —— 真做 AI 的每月迭代，假做的一年改一次

4.4 多周期组合

头部量化会把不同周期的信号加权组合：

总信号 = w1 * 日内信号 + w2 * 短频信号 + w3 * 中频信号 + w4 * 长频信号

权重不是固定的，会根据市场状态动态调整。

为什么多周期组合重要：

不同周期信号的相关性低。当短频信号失效，中频还能赚。当所有信号同时失效（像 2024 年 9 月那种极端行情），至少能让回撤不那么深。

"超额稳定"的量化，十有八九用多周期组合。只有单一周期信号的量化，在信号失效期会连着几个月超额为负。

尽调追问： - "你们信号库按周期怎么分类？各占比？" - "最近 12 个月哪个周期的信号对超额贡献最大？" - "过去有没有出现过多个周期同时失效的时期？怎么处理？"

五、容量天花板

5.1 容量的经济学逻辑

量化策略的容量，本质上是信号强度 vs 冲击成本的平衡点。

一个信号如果预测某只股票未来 1 天会涨 1%，但买入这只股票会产生 0.3% 的冲击成本（买入本身推高价格），那么净预期收益是 0.7%。

规模变大后： - 同样的信号需要买更大金额 → 冲击成本从 0.3% 涨到 0.6% → 净收益降到 0.4% - 规模再大 → 冲击 0.9% → 净收益 0.1% - 规模临界点 → 冲击 = 信号强度 → 净收益为 0，这时加码一分钱都是赔钱

容量 = 信号强度 / 单位规模冲击成本

5.2 影响容量的三个维度

（1）基准指数成分股的流动性

前面的表格已经给了：沪深 300 容量最大、中证 2000 最小。

具体数字（2025 年估算）：

基准 单策略容量上限（亿元）
沪深 300 500-1000
中证 500 200-400
中证 1000 80-200
中证 2000 30-80
空指 / 全市场 20-60

（2）换手率

相同规模下，换手率越高，对市场的压力越大，容量越小：

实际容量 ≈ 理论容量 / (换手率 / 参考换手率)

参考换手率通常是 10x/年。换手率 30x 的策略，容量是换手率 10x 策略的 1/3。

（3）同业拥挤度（Crowdedness）

这是最被忽视的维度。

假设全行业做 500 指增的规模总共 5000 亿，信号相似度 60%（大家都用类似的价量因子）。当市场环境变化（比如散户行为改变），5000 亿同时减仓会导致指数下跌、超额集体崩盘。这就是 2024 年 2 月 "小盘股"雪崩的来源。

拥挤度的外部观察（我们能用的指标）： - 头部 10 家量化的 500 指增合计规模（排排网季报能部分统计） - 量化集体换仓方向（如果多家同时减仓某行业，拥挤度高） - 策略在极端行情下的相关性（2024 年 9 月所有量化指增都同时回撤 5-10%，说明持仓相似）

5.3 实际观察：头部量化的规模-超额轨迹

管理人 高峰期规模 高峰期超额 下行期规模 下行期超额
明汯 千亿级（2021） 25%+ 回落 400-500 亿 10%
九坤 700+亿（2022） 20%+ 稳定 500 亿 10-12%
鸣石 500+亿（2022） 18% 300-400 亿 8-10%
衍复 400 亿（2021） 22% 300 亿 12%

模式高度一致：规模达到个体极限 → 超额从 20%+ 腰斩到 10% 附近 → 被迫主动降规模 / LP 赎回 → 稳定在一个"舒服规模"上做 10% 超额。

这对我们做 FOF 有一个重要启示：找到一家刚上轨道、规模还在"甜蜜区"的量化，比追头部性价比高。

六、常见骗术与陷阱

6.1 用"绝对收益"判断指增好坏

指增的核心是跑赢基准。看绝对收益等于把 β 归到管理人能力上。

正确姿势： 1. 先算管理人在同期基准下的超额 2. 同策略的行业中位数超额 3. 他在中位数之上多少

6.2 迷信老数据

行业口述"500 指增年化超额 15-20%" —— 这是 2019-2021 年黄金期数据。2024 年中位数已降到 6-10%。

讨论时必须明确时间窗口： - 过去 3 年中位数是 8% - 过去 5 年中位数是 12% - "成立以来"中位数是 15%

三个数都说，但别混。

6.3 线性外推小规模业绩

10 亿时年化超额 18% ≠ 100 亿时也 18%。

α 衰减不是线性的，有临界点。规模在容量阈值内时 α 稳定，超过阈值后断崖式下跌。

判断是否"已过临界点"： - 最近 6 个月超额 < 成立以来超额的 50% - 最近 3 个月的超额 Sharpe < 1 - 规模在过去 6 个月还在加速扩张

6.4 "主动型指增"伪装

有些产品名字叫"XX 指增"，但跟踪误差 15%+，前 10 重仓里一半不在基准成分股里。

本质是主动多头，但打着指增的旗号收费（1.5% + 20%，比主动多头便宜）。风险其实远大于指增。

识别方法： - 看跟踪误差 - 看前 10 重仓中"指数外股票"占比 - 看跟踪基准的 R² （< 0.85 就是主动了）

6.5 "指增 +" 的对冲陷阱

有些"指增"产品偷偷用股指期货对冲部分仓位： 

实际持仓 = 80% 选股 + 20% 股指空头

这样算超额时，80% 多头的超额 + 20% 空头的基差收益都算到"α"里。实际上后者应该归为市场中性策略的收益。

识别方法： - 追问"有没有期货对冲？" - 看归因报告里是否有"空头贡献"项 - 对比同管理人纯指增产品和"指增+"产品的超额差距

6.6 基准切换

今年用 500 指增的基准，明年发现沪深 300 跌得更多，改用 300 作基准显示"超额更高"。

防范：基准只看产品合同里约定的那一个，合同之外的"我们跟沪深 300 比也很强"一律不算。

6.7 样本期剪裁

"成立以来超额 15%"，但成立正好在 2019 年 1 月（牛市开始）。"近 3 年超额 10%"，但最近 12 个月只有 4%。

防范：强制要完整历史的月度数据，自己分段算。

七、尽调追问清单

A. 策略与信号

  1. 超额来源拆解：基本面因子 / 价量因子 / 事件 / AI 各占多少？（头部参考：价量 50-70%，基本面 10-20%，AI 20-30%，事件 5-10%）
  2. 信号周期分布：日内 / 短频（1-5日） / 中频（1-4周） / 长频（> 1月）各占？
  3. 持仓周期 / 换手率：年化？月度波动？有没有随规模下降？
  4. 选股池范围：严格指数成分股，还是有"外挂票"？外挂占比？
  5. 跟踪误差目标 vs 实盘：目标 5%，实盘 4.8% 算合理；目标 5%，实盘 10%，管控失败。
  6. T+0 / T-0 贡献：如果做 T+0（融券 / 期货），贡献超额多少？
  7. 对冲工具使用：纯多头，还是"指增+对冲"混合？

B. 业绩真实性验证

  1. 回测 vs 实盘超额差距：衰减 30-50% 是常态；衰减 > 60% 要追回测方法论。
  2. 日频超额时间序列：要求发过去 3 年日频数据，自己算 Sharpe、回撤、胜率。
  3. 同策略多产品差异：A 产品和 B 产品同策略，年度超额差 > 5% 要追原因（规模不同？时间差？仓位管理差异？）。
  4. 归因报告：CMS / 国泰君安 / 中信 / 自研都可以，但必须提供第三方或可验证版本。

C. 容量与未来

  1. 当前规模 vs 策略容量：策略容量估算方法论？留有多少空间？
  2. 历史封盘时点：封盘前后超额有没有变化？
  3. 扩容节奏：未来 12 个月募集规划？什么规模主动封盘？
  4. 同业拥挤度观察：团队内部有没有监控？最近有没有信号 IC 衰减？

D. 团队与运营

  1. IT / 研究员比例：纯量化 IT:Quant ≈ 1:1 甚至更高。
  2. 核心人员稳定性：关键 Quant 近 3 年流失率？
  3. 交易系统自研 / 外包：自研是加分项，外包要考察供应商稳定性。
  4. 自营与资管策略差异：有没有自营和资管共用策略？差异是什么？（这是利益冲突点，关键追问）

E. 风控

  1. 最大单票敞口上限：指增里应该 3-5% 硬上限。
  2. 行业 / 风格偏离上限：VS 基准权重上下多少？
  3. 极端行情应对：2024 年 2 月小盘雪崩、2024 年 9 月量化大回撤，他们怎么处理？

八、实战案例预告（卷三 3.7）

彬元资本 · 天源量化（空指增强，2026 年一季度截至数据）：

  • 12 个月累计 +59.67%
  • 超额 +27.12%
  • 年化 Sharpe 3.22（日频）
  • 规模 < 5 亿

卷三会做的拆解： 1. 27% 超额里，小盘风格 β 贡献多少？真 α 多少？（关键：2024-2025 空指指数本身暴涨，多少是白送的） 2. 12 个月样本是不是太短？能不能下决策？ 3. 29x/年 换手率，持仓 11 天 —— 属于什么 α 类型？ 4. 周度胜率 81.6%（44 赢 10 输），在什么样的市场环境下可能失效？

一句话总结

指增 = 基准 β + 管理人 α。我们买的是 α，不是 β。

判断一家量化指增好坏，三个关键追问：

  1. "你的超额 α 是怎么来的？" —— 讲不清楚 = 不懂自己的策略 = 不能投
  2. "在什么条件下会衰减？" —— 说"不会衰减" = 装 / 新手 / 不敢直视
  3. "规模涨到 XX 亿还能做到同样超额吗？" —— 说"完全可以" = 销售思维压过专业思维

只要这三个问题中任何一个他给不出数据支持的、自洽的答案，都要在心里画一个问号。