资本主意不会从基金管理人处获得营销推广费或各类管理费分成等利益。
核心观点 1. 聚宽的根基是40万+的平台用户，用户代表着潜在的、跟聚宽合适的投研人才，我们要做的就是持续的挖掘。
2. 聚宽创始团队都是Top Coder，所以在机器学习、高并发、微观交易、数据处理等等方面，具备先天的基因优势。 3. 量化机构的核心竞争力就是投研团队，聚宽有一套从用户行为数据（回测/模拟次数、策略编译次数等）作为招人的评估标准。只为寻找可以长期相伴至少5年以上志同道合的人。 4. 交易机会是有限的，钱多了某类超额就难做了，量化市场最大的变化就是，单个策略衰减越来越快，多策略组合将成为必然，这就要求团队在不同投研方向的进行策略迭代的能力。 5. 行业逐步走向持久战，对量化机构的考量更多会从“有一套不错的策略”提升为“公司治理、团队文化、极致分工协同、极致技术基建、稳健风控合规”等决定公司长期发展的竞争维度。 6. 量化研究是一个长征，智力只能代表你跑得快，对于奥赛金牌来说，每次考试相当于几个小时做几道题；而量化，是几万个小时，持续不间断地做题、考试。凭借智力在奥赛里赢别人太轻松了，但量化赢别人没那么容易，得死磕 7. 个人太多的光环容易让人变得孤傲，从而丢失一部分团队的协作精神。后者才是我们看重的东西。我们要打造的是一支高度互信协作的特种部队。
根据1月份私募指数增强策略管理人的超额收益排名看，百亿私募聚宽投资继续处于第一梯队的位置。
免责声明:您在阅读或使用本文章即表明您已事先接受以下免责声明”之所载条款。
1、依据《私募投资基金募集行为管理办法》《证券期货投资者适当性管理办法》《基金募集机构投资者适当性管理实施指引（试行）》《证券期货经营机构私募资产管理业务运作管理暂行规定》《私募投资基金信息披露管理办法》《私募投资基金登记备案办法》等相关法律法规及自律规则。本文内容严格按照监管要求的可公开披露的信息范围，分析管理人发展战略、投资策略、管理团队特征、高管信息，全文不涉及任何具体私募基金产品推介，亦不构成任何投资建议。 2、本文所引用的信息均来源于公开渠道，作者对本文引用内容的真实性、完整性、及时性不作任何明确或隐含的声明或保证，且不承担信息传递的任何直接或间接责任。文章如若涉及到某种观点，亦仅代表作者在发布文章时的分析、推测与判新，并不代表在您浏览本文时作者依然持有同样的判断。作者的所有观点纯属个人行为。登载于此仅出于传递信息之目的供交流学习讨论使用。
01
核心人员背景
1. 高斯蒙(创始人，CEO，投资负责人)：间接持有股权约94.38% 具备超十年二级市场中高频量化交易经验。毕业于西安交通大学计算机科学与技术专业，在校期间多次获数学建模及编程竞赛奖项，曾任微软亚洲研究院、百度高级研发工程师，有超十年二级市场中高频量化交易经验，利用自主研发的量化模型，常年于A股、数字市场中取得良好业绩回报。2015年创立聚宽平台，2017年创立聚宽投资，已带领团队实现从原始数据获取及特征挖掘，再到全预测周期Alpha策略，及算法交易的全自研开发。 2. 肖睿（投资经理） 早期核心投研之一，目前主要负责中高频策略。加拿大滑铁卢大学大学理论数学硕士，学术能力突出，毕业后一直从事交易策略的开发和研究，深耕量化投资领域多年。 3. 郭嵩（投资经理） 负责AI及T0方面工作。北京科技大学计算机专业硕士，曾任职百度、腾讯研发工程师，具备全栈技术储备和高并发系统的开发经验，负责过量化系统的技术研发工作。 4. 满奇（投资经理） 2019年正式加入公司，负责股票高频策略板块。华南理工大学应用物理硕士，曾担任多家量化私募基金研究及基金经理，主要负责股票多因子策略、量化体系建设、投资组合管理等工作。曾创立量化投研系统StoneData并担任CEO，为聚宽投资骨灰级深度用户之一。 5. 易平安（交易系统负责人） 西安交通大学计算机专业，曾任Opera高级软件架构师，拥有十年以上研发经验，擅长搭建高可用高稳定性系统。
02
公司关键信息
1. 公司名称：北京聚宽投资管理有限公司 2. 成立时间：2017-03-20 3. 管理规模：约100亿 4. 主要策略：指数增强策略，市场中性策略。 5. 公司人数：团队成员75人，其中投研团队及IT超过40人。 6. 核心优势：以量化平台及量化数据为基础业务，基于平台所积累的数据、用户、技术、系统、人才及市场优势，以量化基金和Alpha算法服务实现商业变现，打造业内独特的“量化投研平台—量化资管”商业模式闭环。 7. 股权结构特征：投研团队控股，实际控制人为高斯蒙。
03
策略特征及策略优势
一、公司管理规模 截至2024年1月，公司管理规模约100亿，其中500指增策略70亿左右、空气指增及1000指增策略10亿左右、300指增策略不到1亿、市场中性策略10亿+。
二、股票策略开发流程 1、因子挖掘：因子储备丰富，开发多为逻辑性先验模式为主，重视因子逻辑，基本先验模式。人工挖掘占80%以上，机器学习占10%-20%。 数量上来看，因子储备约为1000-2000个，但不强调数量，重视质量（低相关、有效性），其中80%为量价因子（基于量价信息进行截面预测），20%基本面+另类因子（一致预期数据，电商数据等）。基于交易所行情数据、基本面数据、另类数据等挖掘信号特征，进行样本内外测试及交叉验证纳入因子池。 2、特征组合：根据因子长期表现及相关性进行特征组合，基于策略效果决策优化方式，主要是非线性，机器学习，AI组合，子策略等权分仓和交易。 3、组合风控：基于风险因子模型，严控仓位、市值、行业等风险暴露。 4、交易执行：算法交易，自建交易系统，基于Tick级别信号，通过算法拆单降低交易成本。策略收益主要来源于T+3和T+5的日间交易。目前没有叠加T0。 5、策略迭代：新策略上实盘前，会经过核心研究团队及创始人共同讨论验证，检验策略因子是否具备强解释性及逻辑性，回撤逻辑是否顺畅，子策略与当下策略组合是否具备较好互补及相关性，新增策略的增益情况，交易时点的分布等。策略下行频率较低，淘汰速度低，但更新迭代速度快。 6、策略来源：
1）低频：基本面策略（15天-60天）
2）中高频：量价类日间Alpha，舆情因子（1天-5天）
三、策略特征及逻辑（分类说明在文末处） 1、指数增强策略：500指增为主要策略，也有300指增、中证1000指增和空气指增策略。不做择时调仓。
1）500指增策略：持仓1000-1500只股票，其中20%是成分股，剩下30%-50%是300或是1000的成分股；换手率80-100倍。
2）300指增策略：与500,1000指增的因子模型不同，其中80%是成分股；换手率40-50倍，预测周期是T+3和T+5为主。
3）空气指增策略（全市场选股策略）：聚宽的做法类似于用中证全指对标的指数增强。
4）策略容量：200-250亿。
2、市场中性策略 1）多头端：300+500+1000指增混合。
2）持股数量：1000-1500只,70%-80%在成分股（沪深300+中证500+中证1000的1800只股票）里面选。
3）空头端：基本无敞口，目前主要通过股指对冲+股指基差管理，多个子策略等权对冲。以6000万资金为例，可能采用2000万300对冲、2000万500对冲及2000万1000对冲进行子策略组合，从而实现长期收益曲线平滑化。
4）DMA产品：加了杠杆的市场中性产品。目前资金成本4.2%左右。会择时减仓。
5）策略容量：70-80亿。
3、风控情况 1）事前预设：对仓位、交易量、风险敞口等关键指标设置阈值，严格遵循交易所和券商合规要求。开盘前对风控指标（黑名单、雷池股票等）进行测试，确认无误后进行正式交易。
2）事中监控：实时监控，确认交易系统运行正确性，针对突发事件即时反应并作出相应调整；针对风控端对持仓进行监控，有相关问题风控系统及时报警，第一时间介入。
3）事后确认：收盘后，复核当日所有交易相关风险指标，确认每日无异常交易行为。定期对基金决策程序进行审查，并及时修正异常情况。
4）风控模型对Barra风险因子的暴露动态控制在0.5个sigma，大部分控制在0.3个sigma。
5）指增产品（包括空气指增）风控较严格，行业偏离对标申万一级指数不超过5%，实际操作一般在3%。
6）个股占比（除300指增产品）一般在0.5%以内。
04
典型策略与同类私募平均水平比较
策略代表选取为连续三年存续的500指数增强策略 一、策略代表总览 业绩比较基准为：通联股票多头指数增强指数 （联系我们索取私募基金关键指标排名手册） 我们从到目前为止的策略代表绩效看，相对全市场指数增强型私募基金的平均表现，策略代表的数据指标相对全市场平均水平看具有优势。
二、策略代表的风险控制能力表现 策略代表的回撤能力与全市场指增私募的平均水平相当；策略代表的盈利天数占比和亏损天数占比相对基准代表的全市场平均水平都要好。
三、策略代表的收益获取能力表现 1、收益统计 近三年不同统计周期的收益获取能力超越同类平均水平； 产品的累计收益在近一周，近一月，近半年，年初至今，近一年区间表现优于市场平均水平；分别有59.46%的月份，84.62%的季度，100.00%的年度表现优于市场平均水平。 2、收益分布特征 策略代表在整体指增私募平均表现较好的期间，获取收益的能力更好。
私募策略分类简介
一、股票策略主要包含主观多头策略和量化选股策略 1、主观多头策略主要依据对公司基本面或者技术面分析进行选股，相对量化投资更为依靠主观和定性判断，投资组合中的股票数量相对少和集中，日常调整仓位以控制风险为主，管理人对投资标的的计划期限相对长。 2、量化选股主要指采取定量算法对标的的基本面数据、量价数据进行建模以识别、筛选、分类，最终得到性价比信号以支持股票选择和交易时机确认。目前以指数增强型策略为市场主流，大多数对标300/500/1000三类宽基指数，近期开发全市场选股策略的量化管理人占比逐步增加。 3、量化选股策略往往都会使用T0 策略增强收益，T0策略采用某些特定量化方法捕捉极短期的资产价格变动规律，如开发日内回转交易因子等，该策略最主要的收益来源于对超短交易价格不敏感的投资者数量。T0交易持仓时间短，交易频率高。目前多使用机器学习优化算法，相对人工交易，在交易胜率上在越来越高。 二、相对价值策略主要包括市场中性策略、套利策略、期权策略 1、市场中性一般采用股指期货、融资融券或期权等方式完全或部分对冲市场风险，但保留管理人偏好的某些净敞口。股票多空策略是典型的中性策略，其主要指采取主观基本面或定量分析进行选股，建立多头和空头头寸，是较为灵活且更能体现管理人选股能力的策略。 2、套利策略与期权策略一般被专注细分领域的中小型管理人所使用，旨在实现某些更为特定的投资理念，大型管理人通常混合使用。 三、管理期货策略主要分为主观CTA和量化CTA，总体属于趋势追踪的投资理念 1、主观CTA 主要采用主观基本面分析和技术分析等传统方法，对特定商品期货价格的中长期变化进行预测，分析逻辑更偏向基于产业上下游情况对价格的影响进行研究。 2、量化CTA通常按照交易频率再分为高频和中频两类。 高频CTA基于捕捉单个品种的短期量价关系特征进行交易，当期货现货价格、跨期品种期货价格出现过度偏离时进行套利交易，或找到趋同性品种进行配对交易。 中频CTA是更为主流的CTA策略，研究和捕捉多个品种期货价格的趋势特征，常采用中短期动量因子检验和衡量多个品种的趋势强弱，并进行品种选择和交易时机确认。