异常行情下的阶段性风格切换，量化产品超额如何回归？
　　近三个月（7–9月），在宽基与主要指数上行的背景下，多个品类的量化产品出现“超额下滑”的一致性特征。在基于全A市场的因子策略测试与跨期对比（2014–2015牛市、2024–2025年两段上涨样本；2024年初流动性与2025年关税危机两段下跌样本）中，我们发现近期“指数强、量化Alpha弱”的现象来自风格错配。24–25年累积超额先由小市值、中短期动量驱动，至2025年7-9月转为分析师一致预期、成长风格领跑，市值因子反转，而动量与技术因子转负；这与中报窗口前后预期上修的广度与幅度提升相吻合。
　　通过对比分析2014-2015、2019-2021两个历史牛市的因子超额表现及演变，当前很可能处于此次系统性慢牛的早中期阶段。从结构看，市值因子预计持续向大市值倾斜。短期维度，上周多成长赛道出现预期修复阶段性透支的回撤，成长类因子可能短期继续调整，动量因子有望从深负区间向中间回归。长期来看，成长预期的基本面验证是核心矛盾：验证充分则“成长+质量+趋势”协同强化慢牛主线；验证不足则风格或向“价值、质量补涨”短暂切换。目前成长逻辑仍较为坚实，整体大概率呈现“核心主线趋势性上行，辅助板块阶段性轮动”的格局，既避免2014-2015年后期杠杆牛下“小票普涨、估值泡沫化”的风险，也突破2019-2021年“赛道过度集中、市场弹性不足”的局限，最终延续“温和、持续、结构与全局兼顾”的独特慢牛特征。
　　国证2000指数增强策略
　　经过因子测试与筛选，包括技术、反转、特异波动率等在内的因子在国证2000指数成分股上均有出色表现，我们所合成的各个大类因子也基本都起到了很好的抗波动效果。9月该因子调整，IC值12.54%。样本外整体策略表现调整，9月策略的超额收益为-0.86%。
　　基于多目标、多模型的机器学习指数增强策略
　　根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》，考虑到AI各类算法在量化领域具有较强的适用性，同时也越来越受到A股众多投资者的关注。我们选取了GBDT和NN两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，最终构建出的GBDT+NN机器学习选股因子在A股各类宽基指数上表现优异。
　　为贴合交易实际，我们构建了基于GBDT+NN因子的机器学习模型的指数增强策略，通过对投资组合的跟踪误差进行控制，最大化因子暴露。回测区间自2015年2月1日开始，假定手续费率单边千二，每月月初调仓。沪深300指数增强策略、中证500指数增强策略和中证1000指数增强策略上月超额收益率分别为-1.44%、-3.19%和-0.96%。后续随着市场恢复正常，超额收益有望修复或进一步提升。
　　基于红利风格择时+红利股优选的固收+策略
　　我们使用经济增长和货币流动性共10个指标，通过动态事件因子的体系构建的红利指数择时策略表现优异，相较于中证红利指数全收益有显著的稳定性提升。在选股方面，我们利用AI模型在中证红利指数成分股内进行测试，得到因子表现相对较好，能够长期获得较稳定的超额收益。上月选股策略获取-3.08%的绝对收益率，择时策略收益率为1.1%。固收+策略收益率为-0.73%，整体表现短期调整。
　　风险提示
　　1、以上结果通过历史数据统计、建模和测算完成，在政策、市场环境发生变化时模型存在时效的风险。
　　2、策略通过一定的假设通过历史数据回测得到，当交易成本提高或其他条件改变时，可能导致策略收益下降甚至出现亏损。