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提升效果。6月该因子表现承压，IC值转负。样本外整体策略长期表现良好，但6月策略超额收益为-11.02%，表现较上月明显下滑。
　　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》，原策略中我们选取了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股各类宽基指数上历史表现优异。
　　对此，我们创新性地将Mamba-2模型加入整体模型架构，该模型通过SSD把SSM计算重写为矩阵乘+少量结构化算子，既继承Mamba的“选择性状态压缩”，又在系统层面获得与GPU硬件高度匹配的输入输出优势，形成“表达力-效率可扩展性”的三重平衡。构建了改进的机器学习选股模型，该模型能更好地捕捉近期的市场信息，表现出色。
　　为贴合交易实际，我们构建了基于MBGRU+LGBM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2018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6月超额收益率分别为-0.11%、-1.74%和-1.47%，本月策略整体表现承压。
　　基于多目标、多模型的机器学习指数增强策略
　　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。6月选股策略收益率为-7.38%，中证红利全收益为-8.99%。固收+策略超额收益率为0.30%，小幅跑赢固收+基准的，整体表现相对稳健。
　　风险提示
　　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失效的风险。