2025 年以来，量化策略基金虽然仍面临着相对复杂的挑战，但整体运行环境较2024 年有所改善。从市场阶段性表现来看，春节后的整个2 月，在科技板块强势上涨的带动下，市场迎来一波快速拉升行情，主要宽基指数均实现显著上涨，这一阶段指增基金获取超额收益的难度明显加大，特别是科技股含量较高的中小市值指数应对的指增基金整体超额回调最为明显。进入3 月后，市场回归震荡格局且保持着较好的交投活跃度，各类品种超额逐渐修复。4 月初受美国关税政策超预期升级影响，市场遭遇短期冲击，指增基金再度出现集体回撤，不过此次影响持续时间较短，自4 月中旬起各类型品种的超额收益便重拾升势并不断走高。截止2025 年5 月23 日，除上证50 指增基金以外，其余各类型品种年内均实现了正超额，其中，中证2000、国证2000、中证1000 指增基金的整体超额表现最佳。

　　本篇专题将继续延续之前《公募指增及量化基金经理精选》系列专题中对于公募量化基金经理的多角度刻画亮点，进一步聚焦银河基金罗博、安信基金施荣盛、大成基金夏高/刘旺、国金基金姚加红等4 名投资框架体系各有特色的基金经理（按照姓名拼音字母顺序，下同），以供投资者参考。

　　罗博：采用双模块量化投资框架，传统量化多因子体系与机器学习策略分仓落地。传统模块聚焦指数成分股，通过基本面因子构建线性多因子模型，实施市值与行业中性化约束，以风险预算控制为核心目标，维持低偏离度与跟踪误差；机器学习模块则基于全市场选股，融合树模型与深度神经网络，筛选40 余个因子（含20 个回测有效因子及20个主动逻辑因子），突破中性化限制，形成非线性增强策略。

　　施荣盛：采用统一的因子池与收益率预测模型覆盖A 股全市场，强调普适性与稳健性。其因子库涵盖基本面、技术面及另类数据三大类，总量超5 万因子，采用模块化思路持续拓展数据维度，提升因子挖掘效率。采用机器学习及神经网络模型捕捉因子非线性交互效应，策略聚焦3-10 天中频调仓周期，既能规避高频交易赛道的激烈竞争，又能较月度调仓策略更灵敏地响应中短期信号，形成差异化优势。

　　夏高、刘旺：采用多策略框架，管理旗下指增及量化产品，根据不同标的灵活选择传统多因子线性模型、机器学习决策树模型、以及神经网络模型。通过人工挖掘、机器挖掘等多样化的方式，积累了丰富的因子库，并积极借鉴DeepSeek 混合专家模型的思路，改进原有因子合成方式以实现因子合成动态适应市场风格变化的可能。风险模型在采用Barra 框架自主开发的基础上，加入了改造后的短期量价风险因子以期提升风险模型的整体解释度。

　　姚加红：采用以机器学习为基础的多策略量化框架，根据不同的预测内容和预测周期建立子模型，包括择时、风格预测、行业预测、个股预测等多个维度，所有特征全部作为模型输入，进行模型的构建和训练。相较于追究纯粹的阿尔法收益，更希望获取在风格、行业、热点和个股上的均衡收益，通过收益来源的均衡性和多样性来实现长期稳定的回报。

　　风险提示

　　海外降息进程不及预期、国内政策及经济复苏不及预期等带来的股票市场大幅波动风险。

　　基金相关信息及数据仅作为研究使用，不作为募集材料或者宣传材料。本文涉及所有基金历史业绩均不代表未来表现。