AI系列研究之二：多模型集成量價Alpha策略

正文目錄一、序經(jīng)絡其截面習型 4多層知機MLP 4梯度升樹GBDT 5時序經(jīng)絡RNN 6二、于線價據(jù)成Alpha 7數(shù)據(jù)和型定明 7不同型成的Alpha表現(xiàn)析 10模型關分與型集成 TOP100略析 13三、數(shù)強略建 14滬深300數(shù)增略 15中證500數(shù)增略 16中證1000數(shù)強略 17四、18圖表目錄圖1：多感機MLP礎網(wǎng)結構 4圖2：于MLP的Alpha學習型 4圖3：XGBoost單次學習程 5圖4：LightGBM和XGBoost決策的長法比 5圖5：循神網(wǎng)示圖 6圖6：GRU元構圖 6圖7：LSTM元構圖 6圖8：數(shù)集分明 8圖9：GRU價子結構圖 9圖10：AGRU價子型結圖 9圖11：同型組年化益全A，2010圖12：同型頭凈值全A，2010圖13：同型子均兩相系走勢 11圖14：RankIC勢計IC（全A，周） 12圖15：成子組年化益全A，2012圖16：成子組凈值全A，2012圖17：見子性后的成子RankIC勢及計全A，） 13圖18：性集因組對年收全A，20組） 13圖19：性后成分組沖值全A，20組） 13圖20：深300略走勢（邊率20%，費） 15圖21：證500略走勢（邊率40%，費） 16圖22：證1000略值走圖雙換率60%，后） 17表1：梯降vs度升 5表2：數(shù)集關定數(shù)說明 7表3：MLP量因模參數(shù)明 8表4：GBDT量因型參說明 8表5：GRU&AGRU量因子型數(shù)明 9表6：全A成股不模型因表現(xiàn) 10表7：其成股因表現(xiàn) 10表8：不模間平截面關數(shù) 11表9：不成股的成因表現(xiàn) 11表10：成子常格因的均面關性 12表11：TOP100略度絕收表匯總 14表12：深300數(shù)分年表（對益） 15表13：深300數(shù)分年表（額益） 15表14：證500數(shù)分年表（對益） 16表15：證500數(shù)分年表（額益） 16表16：證1000數(shù)強分度現(xiàn)絕收） 17表17：證1000數(shù)強分度現(xiàn)超收） 17一、時序神經(jīng)網(wǎng)絡與其他截面學習模型 多層感知機多層感知機MLP是最常用的神經(jīng)網(wǎng)絡組件之一。通常作為復雜神經(jīng)網(wǎng)絡的特征整合層。例如卷積神經(jīng)網(wǎng)絡CNNMLPMLP一個2層MLP的數(shù)學模型可以表示為：HXW(1)b(1)OHW(2)b(2)XWbHO為輸出向量，ReLUSigmoid隱藏層與模型的擬合能力的簡單經(jīng)驗關系：023）N Nsh NNioiNsNiNo210在訓練集訓練模型的過程中，固定迭代次數(shù)，隨著隱Loss圖1：多層感知機MLP基礎網(wǎng)絡結構 圖2：基于MLP的Alpha學習模型資料來源： 資料來源：在確定隱藏層層數(shù)和隱藏層神經(jīng)元個數(shù)后，模型的表達能力基本確定。為加快模型的收斂速度，通常會在激活函數(shù)之前加入BatchNormal層來防止隱藏層輸入的方差變化過大導致收斂困難。在前期報告中，我們利用MLP和常見基本面因子和量價因子構建了非線性Alpha模型相比于線性基準Alpha證明了在Alpha梯度提升樹GBDT梯度提升樹在業(yè)務場景中也是非常重要的一類機器學習模型。一直以來，在各類數(shù)據(jù)分析大賽的高分方案中基能看到基于GBDT的模型的身影。MLPGBDT因此在各類處理表格數(shù)據(jù)類型的數(shù)據(jù)分析場景中，梯度提升樹總能獲得不錯的表現(xiàn)。GBDT結合了GradientBoostingfm(x)fm1(x)Tx;mNm?mginm

Lyi,fm1T;mi1其中TxmmCARTm對決策樹T的參數(shù)估計?mBosngaintBoosingm f(x)Lm ffm1方法 優(yōu)化空間 迭代算法 損失函數(shù)表1：梯度下降vs方法 優(yōu)化空間 迭代算法 損失函數(shù)梯度下降 參數(shù)空間

wwm1mwLww

Llyi,fxi,wm資料來源：

ffm1mfLffmff

Llyi,fmxim梯度提升（GradientBoosting）和梯度下降（GradientDescent）有異曲同工之妙，前者在參數(shù)空間Rw迭代，后者在函數(shù)空間RF迭代。兩者優(yōu)化函數(shù)的f(x)的方向均為損失函數(shù)的負梯度方向。m圖3：XGBoost單次迭代學習流程 圖4：LightGBM和XGBoost決策樹的生長算法對比 資料來源：、《XGBoost:AScalableTreeBoostingSystem》

資料來源：GBDT的工程化實現(xiàn)主要包括：XGBoost、LightGBM等，與原始的GBDT算法不同，XGBoost和LightGBM在單步迭代的過程使用了二階導的信息比原始GBDT算法更快。此外，這些工程實現(xiàn)在FeatureSplitting、LeafGrowing、MissingHandling和DataParallelingMLPGBDTMLPGBDT時序神經(jīng)網(wǎng)絡RNN循環(huán)神經(jīng)網(wǎng)絡RNN通常也被稱為時序神經(jīng)網(wǎng)絡，可以看作為多個時間截面的MLP通過時序狀態(tài)H傳遞時序信息。單個時間步t的數(shù)學模型如下：Ht(XtWxhHt1Whhbh).OtHtWhqbq.X，W，btanhO資料來源：、《DiveintoDeepLearning》隨著RNNNNLT）（UGRULSTM研究（Chungetal.,2014）表明相比于LSTM圖6：GRU單元結構圖 圖7：LSTM單元結構圖資料來源：、《DiveintoDeepLearning》 資料來源：、《DiveintoDeepLearning》GRU的單個時間步t的數(shù)學模型如下：Rt(XtHtbr)Zt(XtHtbz)Httanh(XtRt Ht1bh),HtZt

Ht(1Zt

Ht.其中Rt為重門，Zt為新門，為Hadamard積，GRU一定程度地緩解了度炸和梯度消失的問，MLPGBDTRNNMLP，RNN這類時序模型作為AlphaAlpha二、基于日線量價數(shù)據(jù)生成Alpha 數(shù)據(jù)集和模型設定說明本章基于日線級別的量價數(shù)據(jù)來探討不同模型的Alpha學習能力。日線量價數(shù)據(jù)包括：OPEN、HIGH、LOW、CLOSE、VOLUME101202381AST、*ST此外，MLP和GBDT序列長度相同數(shù)量的量價特征即PRICE(0)、PRICE(-1)…PRICE(-N+1)，成交量同理。10天的價格收益為訓練label。batchbatchbatch變化。分析因子分組收益率以及策略實現(xiàn)，均按周一為調(diào)倉日并持倉一周。其他固定設置如下：名稱 參數(shù)說明表2：數(shù)據(jù)集相關固定參數(shù)說明名稱 參數(shù)說明股票池 全A股票，剔除上市不滿三月、ST、*ST、停牌的股票數(shù)據(jù)集 日線量價數(shù)據(jù)預測label T+1日至T+11日復權日內(nèi)VWAP價格收益率調(diào)倉周期 每周一按照上一個交易日的因子生成持倉信息因子預處理 3倍MAD截斷，zscore標準，缺失值填充為0Label預處理 Label截面zscore標準化對比基準 滬深300、中證500、中證1000Batch定義 一個交易截面上所有的股票為一個batch數(shù)據(jù)劃分 20111001-20230801，滾動練模式；在訓練集中劃分最后252個交易日作為驗證集；試集為最近2個季度（每半年訓練一次）資料來源：AlphaAlpha這里采用訓練集隨拓展的構建方式，即隨著時間推移，訓練集的長度不斷增加，驗證集和測試集的長度保持不變。同時為了防止10天樣本數(shù)據(jù)。圖8：數(shù)據(jù)集劃分說明資料來源：MLP的參數(shù)主要包括學習率、隱藏層、隱藏層神經(jīng)元個數(shù)等，具體參數(shù)設置如表3所示。名稱 參數(shù)說明表3：MLP量價因子模型參數(shù)說明名稱 參數(shù)說明學習率 1e-3隱藏層數(shù) 3隱藏層神經(jīng)元個數(shù) 128丟棄率 0.05最大輪數(shù) 1000早停輪數(shù) 50Batch大小 截面所有股票數(shù)損失函數(shù) 均方誤差MSE資料來源：名稱 參數(shù)說明GBDT模型這里采用LightGBM作為基礎模型。LightGBM的參數(shù)如表4所示。表4：GBDT量價因子模型參數(shù)說明名稱 參數(shù)說明學習率 1e-2最大樹深 64最大葉子數(shù) 512葉子節(jié)點大小 512列采樣率 0.7樣本采樣 0.7早停輪數(shù) 50損失函數(shù) 均方誤差MSE資料來源：圖9：GRU量價因子模型結構圖資料來源：TransformerNLPAttention本文在GRUSelfAttention并與原始GRU模型的特征拼接構建了withAttention模型，以下簡稱AGRU。AGRUAttentionAttention0GRU圖10：AGRU量價因子模型結構圖資料來源：GRU類的模型的參數(shù)主要包括隱藏層層數(shù)、特征維度、序列長度等，具體設定如表5所示。名稱 參數(shù)說明表5：GRU&AGRU量價因子模型參數(shù)說明名稱 參數(shù)說明學習率 1e-3（采用可變學習率）隱藏層數(shù) 2特征維度 6序列長度 30丟棄率 0.1最大輪數(shù) 200早停輪數(shù) 20Batch大小 截面所有股票數(shù)損失函數(shù) 均方誤差MSE資料來源：所有模型的數(shù)據(jù)集參數(shù)均按表2不同模型生成的Alpha表現(xiàn)分析MLP、GBDT、AGRU單因子測試均按5日滾動調(diào)倉，且不考慮費率?；販y期為20170101至20230801，20組）2012020組。IC勝RankIC0ICIR頭平均換手率為單邊換手率。表6：全A成分股中不同模型的因子表現(xiàn)RankIC均值 ICIR IC勝率 IC的t值 多頭收益率 多頭夏普 多頭最大回撤 多頭周均換手率MLPGBDTAGRUGRU10.601.06 86.6742.14 28.491.51 -25.6176.6010.661.14 86.3545.50 29.841.57-25.4277.8010.670.99 84.4039.64 26.67 1.43-17.5373.5011.271.0688.7442.78 28.831.48 -21.2273.00資料來源：，回溯期：20170101-20230801，周頻122017120237/-1。圖11：不同模型分組對沖年化收益（全A，20組） 圖12：不同模型多頭相對凈值（全A，20組）資料來源： 資料來源：300500100010模型滬深300中證模型滬深300中證500中證1000RankICICIR 多頭收益率RankICICIR 多頭收益率RankICICIR 多頭收益率MLP0.0810.64 25.71%0.0930.85 25.24%0.1021.02 30.46%GBDT0.0830.74 26.84%0.0920.93 26.79%0.1021.05 34.46%AGRU0.0810.65 24.66%0.0930.85 24.38%0.1040.98 29.81%GRU0.0850.67 25.86%0.0970.89 26.23%0.1091.04 33.39%資料來源：從測試的結果來看，GBDT結合歷史量價特征的收益率表現(xiàn)最好。GRU模型的單因子RankIC的表現(xiàn)最好。各模型在不同的成分股內(nèi)的因子的多頭收益率都表現(xiàn)出較高的水平。說明機器學習量價因子模型在各個成分股的選股穩(wěn)定性較高。模型相關性分析與模型集成MLP、GBDT、、AGRUAlphaA3005001000GBDT模型在各個成分股內(nèi)的收益率和ICIR都表地最好，在全A內(nèi)多頭對沖年化收益率達到29.8%，ICIR達到1.14；其次是模型，GRU模型的RankICA。A圖13：不同模型因子的平均兩兩相關系數(shù)走勢平均兩兩相關性 60日移動平均0.90.850.80.750.70.650.617!-0117!-0317!-0517!-0117!-0317!-0517!-0717!-0917!-1118!-0118!-0318!-0518!-0718!-0918!-1119!-0119!-0319!-0519!-0719!-0919!-1120!-0120!-0320!-0520!-0720!-0920!-1121!-0121!-0321!-0521!-0721!-0921!-1122!-0122!-0322!-0522!-0722!-0922!-1123!-0123!-0323!-0523!-07資料來源：MLP GBDT AGRU GRUMLPGBDT1.00MLP GBDT AGRU GRUMLPGBDT1.000.800.720.750.801.000.730.75AGRU0.720.731.000.85GRU0.750.750.851.00資料來源：GBDTAGRU模型和AGRU模型的相關最低。時序模型和截面模型之間的相關性低于同類型的模AlphaICIR加ICIR60表9：不同成分股中的集成因子表現(xiàn)RankIC均值ICIRIC勝率IC的t值多頭收益率多頭夏普多頭最大回撤多頭周均換手率滬深3008.920.7176.2228.3228.201.80-17.8364.60中證50010.120.9283.2036.7627.681.74-14.4765.10中證100011.181.0887.4843.1033.861.93-10.4265.00全A11.901.1387.9244.9433.111.56-20.4072.40資料來源：，回溯期：20170101-20230801，周頻300500100010A20ICIRRankICAGRU為GBDTGBDT29.84%。3.27%AGRUGBDT0-0.25-0.11000.4 35300.30-0.25-0.11000.4 35300.3250.2200.115400.5RankIC 累計IC（右軸）450.6資料來源：圖15：集成因子分組對沖年化收益（全A，20組） 圖16：集成因子分組對沖凈值（全A，20組） 資料來源： 資料來源：2020Alpha動量beta賬面價值比流動性動量beta賬面價值比流動性市值殘差波動率杠桿成長動量10.06-0.210.170.310.28-0.030.09beta0.061-0.220.41-0.06-0.02-0.130.05賬面價值比-0.21-0.221-0.320.12-0.340.49-0.06流動性0.170.41-0.321-0.350.51-0.16-0.03市值0.31-0.060.12-0.351-0.060.250.11殘差波動率0.28-0.02-0.340.51-0.061-0.090.02杠桿-0.03-0.130.49-0.160.25-0.0910.04成長0.090.05-0.06-0.030.110.020.041集成因子-0.04-0.080.17-0.330.11-0.440.060.02資料來源：、回測期：20170101-20230801從截面相關性來看，集成因子與殘差波動率和流動性的相關性稍高。其他風格因子的暴露較小。進一步通過中性化可以觀察集成因子Alpha的穩(wěn)定性。圖17：常見因子中性化以后的集成因子RankIC走勢及累計IC（全A，周頻）常見因子中性化后的集成因子 累計IC（右軸）0.5 300.4 250.3200.2150.11017!-0117!-0317!-0117!-0317!-0517!-0717!-0917!-1118!-0118!-0318!-0518!-0718!-0918!-1119!-0119!-0319!-0519!-0719!-0919!-1120!-0120!-0320!-0520!-0720!-0920!-1121!-0121!-0321!-0521!-0721!-0921!-1122!-0122!-0322!-0522!-0722!-0922!-1123!-0123!-0323!-0523!-07-0.1 5-0.2 0資料來源：圖18：中性化集成因子分組對沖年化收益（全A，20組）圖19：中性化后集成因子分組對沖凈值（全A，20組）0.3 2.5q1q2q3q4q5q6q7q8q9q10q11q12q13q14q15q16q17q18q19q200q1q2q3q4q5q6q7q8q9q10q11q12q13q14q15q16q17q18q19q20

1-0.2017-0118-0119-0120-0121-0122-0123-01-0.3-0.5-0.4-1-1.5 資料來源：招商證券資料來源：招商證券（RankIC下0.77，ICt44.29，ICIR著。2018.7%，20-1.5 資料來源：招商證券資料來源：招商證券將基于集成模型構建不同的策略進一步分析模型在策略中的表現(xiàn)。TOP100策略分析TOP100100NAlphaNTOP100Alpha模型多頭的實際表現(xiàn)，并給后續(xù)的指數(shù)增強策略構建，提供收益率、換手率、風險指標的參考。本文中TOP100策略均為周頻調(diào)倉，不考慮費率，可根據(jù)換手率和交易費率估算。其中hsl次日指標20172018201920202021指標201720182019202020212022-2023.7全樣本年化收益率13.77%-16.21%36.58%28.04%30.32%10.75%37.37%17.63%最大回撤-7.61%-23.99%-12.18%-8.41%-5.41%-14.57%-2.56%-23.99%年化收益率hsl=0.219.44%-7.07%41.57%31.48%28.33%10.21%35.94%21.03%最大回撤-6.70%-18.72%-14.84%-8.51%-8.14%-16.70%-2.18%-18.72%年化收益率hsl=0.320.72%-4.54%38.65%37.69%32.82%11.43%35.02%22.94%最大回撤-8.22%-17.89%-16.64%-8.22%-10.57%-19.14%-1.98%-19.14%年化收益率20.32%0.27%40.46%48.06%35.25%13.74%37.26%26.33%最大回撤-8.17%-15.59%-16.23%-7.52%-10.42%-19.92%-2.47%-19.92%年化收益率hsl=0.524.68%0.89%42.65%54.76%33.67%12.48%38.02%27.91%最大回撤-8.17%-15.58%-16.69%-7.32%-10.36%-20.54%-3.00%-20.54%年化收益率hsl=1.027.90%7.26%45.19%58.45%29.68%15.44%38.37%30.36%最大回撤-8.40%-14.25%-16.28%-7.15%-10.06%-19.40%-3.12%-19.40%hsl=0.1hsl=0.4資料來源：TOP100于20%201840%三、指數(shù)增強策略構建 AlphaATOP100500和中證1000成長等為最大偏離0.5個標準差、行業(yè)占比偏離約束為最大偏離0.03；滬深300指數(shù)增強策略的風格約束為0.010.016%30%，40%，50%。（maxs.t.

TwflFwHwwblBbwbhwtwt11Tw1wt1flfh。約束2為行業(yè)偏離約束，用于保證組合行業(yè)占比的主動偏離不超過下限hl和上限hh。約束3為個股權重的相對偏離。約束4為成分股占比約束，保證成分股數(shù)量占比。約束5為換手率約束，在優(yōu)化失敗時候，優(yōu)先刪除該約束，保證組合權重能夠順利求解。約束6為全額投資約束，同時約束w大于0即無賣空限制。費率設置為：買入費率千分之一，賣出費率千分之二。其他交易設置：成交價格為次日復權WVAP價格，停牌無法買入賣出、漲停無法買入，跌停無法賣出。dhsl表示雙邊換手率。滬深300指數(shù)增強策略指標20172018201920202021指標201720182019202020212022-2023.7全樣本年化收益率dhsl=0.256.72%-13.80%54.77%41.95%9.09%-12.87%15.72%16.55%最大回撤-2.53%-21.78%-11.37%-11.64%-13.11%-22.80%-6.16%-26.71%年化收益率59.84%-10.58%57.16%39.77%11.27%-12.47%12.56%16.00%最大回撤-2.41%-20.23%-11.19%-11.55%-11.64%-23.59%-7.67%-26.37%年化收益率61.00%-11.19%53.00%38.79%14.86%-14.05%13.09%14.02%最大回撤-2.66%-21.58%-11.57%-11.20%-10.71%-25.54%-8.42%-27.20%dhsl=0.4dhsl=0.6資料來源：指標20172018201920202021指標201720182019202020212022-2023.7全樣本年化收益率27.80%16.45%11.63%11.61%15.09%12.22%9.30%13.00%最大回撤-1.58%-0.56%-1.08%-1.60%-1.67%-0.46%-1.21%-1.67%年化收益率dhsl=0.430.32%20.78%13.36%9.91%17.43%12.76%6.33%12.47%最大回撤-1.58%-0.54%-1.07%-1.67%-1.33%-0.67%-1.33%-1.67%年化收益率dhsl=0.631.25%19.93%10.36%9.04%21.12%10.72%6.86%10.52%最大回撤-1.58%-1.08%-1.73%-2.55%-1.05%-0.99%-2.03%-2.55%dhsl=0.2資料來源：圖20：滬深300策略凈值走勢圖（雙邊換手率20%，費后）動態(tài)回撤（左軸） 基準（滬深300） 策略凈值 超額凈值02017/1/302017/1/3022018/1/32019/1/32020/1/32021/1/32022/1/32023/1/304060801121416-0.02-0.0-0.0 1.5-0.01-0.-0.0 0.5-0.0-0.0-0.018資料來源：

0-0.5從結果來看，滬深300指增策略的表現(xiàn)良好，在周雙邊換手率約束為20%的情況下，取得了最高的超額年化收益率。隨著換手率的提高，超額年化收益率有所下降且最大回撤提高，說明交易費用侵蝕了因子收益率。中證500指數(shù)增強策略指標20172018201920202021指標201720182019202020212022-2023.7全樣本年化收益率dhsl=0.210.26%-12.48%43.51%27.63%29.90%-6.09%29.55%13.08%最大回撤-10.29%-22.96%-17.10%-10.66%-8.44%-23.71%-3.37%-23.71%年化收益率16.28%-8.13%43.12%31.62%34.54%-3.98%28.84%14.62%最大回撤-10.14%-19.83%-18.15%-10.60%-8.71%-23.17%-4.32%-23.17%年化收益率dhsl=0.619.53%-4.72%46.31%35.37%38.32%-2.23%31.55%15.97%最大回撤-10.60%-19.73%-18.56%-10.88%-8.73%-22.35%-3.88%-22.35%dhsl=0.4資料來源：指標20172018201920202021指標201720182019202020212022-2023.7全樣本年化收益率15.35%32.58%4.15%9.34%5.11%23.15%19.04%12.86%最大回撤-2.60%-1.01%-5.32%-3.69%-5.61%-1.98%-3.09%-7.13%年化收益率dhsl=0.423.13%38.18%4.49%11.08%10.06%23.16%18.61%14.14%最大回撤-1.97%-1.38%-4.80%-3.24%-3.65%-2.28%-3.12%-6.76%年化收益率dhsl=0.621.56%40.94%4.34%9.72%8.56%20.76%20.73%14.44%最大回撤-2.10%-1.06%-4.16%-3.46%-4.50%-2.17%-3.20%-7.29%dhsl=0.2資料來源：圖21：中證500策略凈值走勢圖（雙邊換手率40%，費后）動態(tài)回撤（左軸） 基準（中證500） 策略凈值 超額凈值02017/1/302017/1/3012018/1/32019/1/32020/1/32021/1/32022/1/32023/1/3020304050607-0.-0.-0.-0.-0.-0.-0.08資料來源：

1.61.41.210.80.60.40.20-0.2-0.4-0.6中證500指增策略在周雙邊換手率約束大于40%的情況下，超額年化收益率年化收益率沒有明顯提升但最大回撤增大。繼續(xù)提高換手率約束限制無法顯著提高年化收益率的表現(xiàn)。從上述分析可以看出，滬深300和中證500指增策略的換手率約束不宜過高，這也對因子的自相關性提出了更高的要求。中證1000指數(shù)增強策略指標20172018201920202021指標201720182019202020212022-2023.7全樣本年化收益率dhsl=0.210.26%-12.48%43.51%27.63%29.90%-6.09%29.55%13.08%最大回撤-10.29%-22.96%-17.10%-10.66%-8.44%-23.71%-3.37%-23.71%年化收益率16.28%-8.13%43.12%31.62%34.54%-3.98%28.84%14.62%最大回撤-10.14%-19.83%-18.15%-10.60%-8.71%-23.17%-4.32%-23.17%年化收益率dhsl=0.619.53%-4.72%46.31%35.37%38.32%-2.23%31.55%15.97%最大回撤-10.60%-19.73%-18.56%-10.88%-8.73%-22.35%-3.88%-22.35%dhsl=0.4資料來源：指標20172018201920202021指標201720182019202020212022-2023.7全樣本年化收益率33.63%39.32%10.19%8.08%6.56%20.48%21.24%17.13%最大回撤-1.40%-1.81%-3.83%-3.91%-7.98%-1.47%-3.18%-7.98%年化收益率dhsl=0.441.02%46.02%9.76%11.90%10.50%23.15%20.63%18.77%最大回撤-1.40%-2.08%-4.12%-2.96%-6.98%-2.22%-3.30%-6.98%年化收益率dhsl=0.644.91%51.18%12.16%15.06%13.67%25.35%23.09%20.13%最大回撤-1.40%-1.92%-4.22%-3.71%-5.62%-1.69%-3.61%-5.62%dhsl=0.2資料來源：圖22：中證1000策略凈值走勢圖（雙邊換手率60%，費后）動態(tài)回撤（左軸） 基準（中證1000） 策略凈值 超額凈值02017/1/302017/1/3012018/1/32019/1/32020/1/32021/1/32022/1/32023/1/30203040506-0. 2-0. 1.5-0. 1-0. 0.5-0. 0-0.-0.07資料來源：

-0.5-1中證1000指增策略受換手率限制的影響明顯強于滬深300策略和中證500策略。在雙邊換手率限制提高的過程中，超