简介：这份PDF资料聚焦国内规模超百亿的量化私募机构，面向关注私募基金、量化投资与资产配置的投资者及金融从业者，帮助读者快速了解头部量化机构的团队背景、策略布局与业绩表现。包内共1个PDF文件，约800KB，内容以机构清单与要点梳理为主，便于在电脑或移动端随时查阅。资料系统整理了九坤投资、九章资产与宁波幻方量化、明汯投资与千宜投资等多家机构，涵盖成立时间、备案信息、管理规模、核心人员履历、团队人数、代表作及历史年化收益与最大回撤等关键数据，并附有投资策略、获奖情况与机构特点总结。目前已有311人学习下载，适合希望建立百亿量化私募全景认知、对比不同机构风格差异、为投资研究或行业分析积累素材的读者参考。
1. 百亿量化私募数据清单：28家机构的核心参数与选型逻辑
2021年11月，国内百亿量化私募数量定格在28家。这个数字放在今天看不算夸张，但放在当时，它意味着一个分水岭——量化私募从“小众策略”正式进入“主流配置”的视野。我拿到这份《百亿量化私募数据清单》PDF时，第一反应不是看业绩，而是翻到每一家的“核心人员”和“投资策略”两栏。原因很简单：量化私募的业绩曲线可以包装，但团队背景和策略容量骗不了人。
这份清单覆盖了九坤、幻方、明汯、灵均、诚奇、启林、衍复、金戈量锐、金锝、天演、因诺、世纪前沿、千象、盛泉恒元、黑翼、鸣石、佳期等28家机构，每家都列出了成立时间、备案时间、管理规模、核心人员履历、团队人数、代表作及业绩、运作基金数量、投顾资质、投资策略和年度超额收益。它不是一份简单的排名表，而是一张可以按图索骥的“机构画像库”。
适合谁用？如果你在做FOF筛选、券商白名单准入、或者单纯想搞清楚“500指增超额到底哪家稳”，这份清单能帮你省掉至少两周的碎片化检索时间。它不保证业绩未来延续，但它把每家机构的“底牌”摊在了桌面上——谁靠高频、谁靠基本面量化、谁的中性策略回撤控制更优，一目了然。
2. 拆解数据清单：从字段定义到机构分类的实操路径
2.1 字段含义与数据口径：先搞清楚“超额”怎么算
这份清单里最容易误读的字段是“500指增超额参考”。它按年列出了每家机构相对中证500指数的超额收益，但不同机构的计算口径并不统一。有的用中性策略实盘产品拆解，比如诚奇；有的用指增产品直接对比，比如九坤。如果你直接拿两家机构的超额数字做横向比较，大概率会翻车。
我一般会先做三件事：第一，确认超额对应的产品类型——是500指增、1000指增还是中性策略拆解；第二，看产品成立时间是否覆盖2018年，没覆盖的年份参考性要打折；第三，核对最大回撤对应的区间，有些产品成立在高点，回撤数字天然好看。
以九坤为例，代表作“九坤日享中证500指数增强1号”成立于2017年6月，历史年化29.2%，最大回撤24.2%。这个回撤在500指增里属于中等偏上，但考虑到它完整经历了2018年，数据可信度就比那些2019年成立的产品高出一截。幻方的“九章幻方中证500量化多策略1号”成立于2017年1月，年化32.5%，回撤22.3%，同样经历了完整周期。
提示：清单里标注“该基金未经历2018年”的机构，其年化和回撤的参考性要主动降权。这不是说业绩造假，而是样本区间太短，统计显著性不够。
2.2 按策略类型分类：指增、中性、CTA三条线
28家机构不是铁板一块。按策略主线，可以粗分成三类：
指数增强主导型：九坤、幻方、明汯、灵均、诚奇、启林、衍复、天演、因诺、世纪前沿、鸣石、佳期。这类机构的核心能力是股票Alpha，超额收益的稳定性取决于因子挖掘深度和交易执行效率。衍复比较特殊，重点做1000指增，代表作“衍复鲲鹏三号”年化54.3%，回撤9.1%，但成立时间2019年底，没经历2018年。
中性策略主导型：金锝、盛泉恒元。金锝的“外贸信托-金锝量化套利”成立于2013年，历史年化11%，回撤10.3%，是清单里少有的长周期中性产品。盛泉恒元的“盛泉恒元量化1号”成立于2015年，年化13.6%，回撤仅4.6%，回撤控制在中性策略里非常突出。
CTA主导型：千象、黑翼。千象的“千象3期”成立于2015年，年化12.6%，回撤9.2%，连续四届金牛奖。黑翼的“黑翼CTA二号”成立于2015年，年化15.8%，回撤9.4%。这两家的CTA策略以中频趋势为主，和股票策略的相关性低，适合做组合分散。
2.3 团队规模与投研模式：人多人少不是关键
清单里团队人数从25人到200人不等。九坤200人以上，幻方150人以上，明汯60人以上，诚奇50人以上，金戈量锐25人以上。人数多不代表策略一定强，但能反映投研模式。
九坤是“人海战术”的典型，200多人里大部分是量化研究员，覆盖股票、期货、期权、债券多品种。幻方走的是“AI+超算”路线，2019年建立“幻方萤火一号”超算中心，每年50%-60%收入投入算力。明汯采用垂直管理模式，类似Citadel和Two Sigma，策略研发和交易执行分离。诚奇则是“全栈研究员”模式，每个研究员挖掘所有类型因子，所以总人数少但单兵作战能力强。
注意：团队人数要和策略容量匹配。高频策略需要低延迟系统，人少但系统强；中低频策略需要因子覆盖广度，人多但单因子深度可能不足。没有绝对优劣，只有适不适合你的配置需求。
3. 从清单到筛选：构建量化私募评估表的五个步骤
3.1 第一步：提取核心字段，建立结构化表格
拿到PDF后，不要直接读文字。先把每家机构的关键字段抽出来，做成一张可排序的表格。我一般用Python的pandas做这件事，字段包括：机构名称、成立时间、备案时间、管理规模、团队人数、代表作、成立时间、历史年化、最大回撤、投顾资质、主要策略。
import pandas as pd # 手动录入清单中的核心字段，实际使用时可以从PDF解析 data = [ {"机构": "九坤投资", "成立": "2012-04", "规模": "600亿+", "团队": 200, "代表作": "九坤日享中证500指增1号", "产品成立": "2017-06", "年化": 29.2, "回撤": 24.2, "投顾": "是", "策略": "指增/CTA/对冲/多空"}, {"机构": "幻方量化", "成立": "2015-06", "规模": "800亿+", "团队": 150, "代表作": "九章幻方中证500多策略1号", "产品成立": "2017-01", "年化": 32.5, "回撤": 22.3, "投顾": "是", "策略": "指增/对冲"}, {"机构": "明汯投资", "成立": "2014-04", "规模": "800亿+", "团队": 60, "代表作": "明汯稳健增长1期", "产品成立": "2015-02", "年化": 31.0, "回撤": 28.9, "投顾": "是", "策略": "指增/CTA/对冲/全天候"}, {"机构": "灵均投资", "成立": "2014-06", "规模": "600亿+", "团队": 140, "代表作": "灵均中证500指增2号", "产品成立": "2018-10", "年化": 40.5, "回撤": 17.3, "投顾": "是", "策略": "指增/多策略/中性"}, {"机构": "诚奇资产", "成立": "2013-09", "规模": "300亿+", "团队": 50, "代表作": "诚奇中证500增强精选1期", "产品成立": "2020-09", "年化": 40.2, "回撤": 8.0, "投顾": "是", "策略": "指增/中性"}, ] df = pd.DataFrame(data) # 按年化排序，但要注意产品成立时间是否覆盖完整周期 df_sorted = df.sort_values("年化", ascending=False) print(df_sorted[["机构", "年化", "回撤", "产品成立"]])这段代码的逻辑很简单：把非结构化文本转成可排序的DataFrame。参数说明：年化和回撤是数值型，方便计算夏普比率；产品成立是字符串，用来判断是否覆盖2018年。实际使用时，你可以把28家全部录入，然后按“年化/回撤”比值排序，快速找出风险调整后收益较高的机构。
3.2 第二步：按策略类型分组，计算组内排名
不同策略的业绩不可直接比较。指增策略的基准是中证500或1000，中性策略的基准是绝对收益，CTA的基准是商品指数。我一般会先分组，再在组内做排名。
# 按策略类型分组，这里简化处理，实际需要更细的标签 df["策略类型"] = df["策略"].apply(lambda x: "指增" if "指增" in x else "其他") grouped = df.groupby("策略类型") for name, group in grouped: print(f"\n=== {name} ===") # 计算年化/回撤比值，粗略衡量风险调整后收益 group = group.copy() group["年化回撤比"] = group["年化"] / group["回撤"] print(group.sort_values("年化回撤比", ascending=False)[["机构", "年化", "回撤", "年化回撤比"]])逻辑说明：年化回撤比不是夏普比率，但能快速筛掉那些“高收益高回撤”的机构。参数上，如果年化回撤比低于1.5，说明每承担1%的回撤只换来1.5%的年化，性价比一般。诚奇的40.2/8.0=5.03，在这个指标上非常突出，但要注意它的产品成立于2020年9月，没经历2018年。
3.3 第三步：核对投顾资质与运作基金数量
投顾资质是机构能否承接银行委外、券商FOF的关键门槛。清单里明确标注了每家机构是否有投顾资质。衍复、世纪前沿、佳期显示“否”，其余大部分是“是”。运作基金数量则反映产品线的丰富程度，灵均1008只，明汯658只，九坤622只，幻方505只。
提示：运作基金数量多不一定是好事。如果同策略产品复制过多，业绩一致性会下降。清单里提到千象“同策略产品都是复制策略，业绩一致性较高”，这种反而更省心。
3.4 第四步：交叉验证核心人员履历
核心人员的履历是判断策略风格的线索。九坤的王琛和姚齐聪来自千禧年基金，幻方的徐进是信号处理博士，明汯的裘慧明是宾大物理学博士，诚奇的何文奇和张万成分别来自千禧年和世坤，灵均的马志宇来自世坤，衍复的高亢来自Two Sigma和DRW。
这些履历不是用来“崇拜”的，而是用来推断策略偏好。比如，世坤背景的人通常擅长多因子模型和组合优化；千禧年背景的人更偏向统计套利和日内交易；物理学博士往往在信号处理和随机过程上有优势。如果你要配置指增策略，优先看有世坤或Two Sigma背景的团队；如果要配中性策略，千禧年背景的团队可能更对路。
3.5 第五步：生成候选名单，做尽调前的最后筛选
经过前面四步，你应该已经有一张按策略分组、按风险调整后收益排序、标注了投顾资质和团队背景的表格。最后一步是设定硬性门槛：比如，只保留有投顾资质的、产品成立满3年的、最大回撤低于25%的。然后生成一份不超过10家的候选名单，进入实地尽调。
# 设定筛选条件 candidates = df[ (df["投顾"] == "是") & (df["产品成立"] < "2019-01") & # 成立满3年 (df["回撤"] < 25) & (df["年化"] > 20) ] print(candidates[["机构", "年化", "回撤", "产品成立", "策略"]])这段代码的参数可以根据你的风险偏好调整。产品成立 < 2019-01确保覆盖2018年，回撤 < 25控制下行风险，年化 > 20保证收益底线。跑出来的结果就是你的初筛名单。
4. 避坑与排查：这份清单使用中的五个血泪教训
4.1 坑一：直接比较不同年份成立的产品的年化
现象：看到某机构年化40%+，另一家年化29%，直接认为前者更强。
原因：年化40%的产品可能成立于2019年，只经历了牛市和结构性行情；年化29%的产品成立于2017年，完整经历了2018年熊市。两者的统计区间完全不同。
解决：在表格里加一列“是否覆盖2018年”，筛选时优先看覆盖完整周期的产品。如果一定要比较，把未覆盖2018年的产品年化打八折再比。
4.2 坑二：把“500指增超额”当成同口径指标
现象：清单里九坤2018年超额+28.5%，明汯+57.2%，以为明汯强很多。
原因：明汯的500指增超额参考从2017年8月开始，2018年只有部分月份数据；九坤从2017年6月开始，覆盖更完整。而且不同机构的超额计算方式不同，有的用中性策略拆解，有的用指增产品直接对比。
解决：只看同一机构的时间序列变化，不做跨机构绝对值比较。如果要跨机构比较，至少确认三件事：产品类型一致、计算口径一致、时间区间一致。
4.3 坑三：忽略“运作基金数量”背后的策略容量问题
现象：某机构运作基金600多只，认为它渠道能力强、市场认可度高。
原因：运作基金数量多可能意味着同一策略复制到多个产品，一旦策略容量接近上限，超额收益会快速衰减。黑翼就明确提到“短周期CTA策略容量所限，很早就停止了募集”。
解决：把“运作基金数量”和“管理规模”结合看。如果规模大、基金多、但超额收益逐年下降，说明策略容量可能已经吃紧。
4.4 坑四：被“金牛奖”数量迷惑
现象：某机构连续4届金牛奖，认为它一定比没获奖的强。
原因：金牛奖评选有滞后性，且不同年份的获奖难度不同。有些机构成立晚，还没到评奖周期；有些机构策略调整后业绩改善，但奖项还没跟上。
解决：把获奖情况当参考，不当决策依据。重点看近两年的超额收益稳定性和回撤控制，而不是奖杯数量。
4.5 坑五：忽视团队稳定性与离职率
现象：只看核心人员履历光鲜，没关注团队是否稳定。
原因：量化私募的核心资产是人。世纪前沿在清单里特别提到“自成立以来保持零离职率”，这种信息比业绩数字更有价值。反过来，如果核心人员频繁变动，策略连续性就存疑。
解决：在尽调清单里加一项“近三年核心人员变动情况”。如果清单里没写，去协会备案信息里查高管变更记录。
5. 进阶用法：把静态清单变成动态监控表
这份清单的数据截至2021年11月，是一张静态快照。但量化私募的规模、业绩、团队都在变。我一般会把它当成初始底表，然后每季度更新三个字段：管理规模、代表作年化、最大回撤。更新来源可以是协会备案信息、第三方数据平台、或者机构官网的月度报告。
具体操作上，我会用Python写一个简单的增量更新脚本，把新数据追加到原表，然后计算两个指标：超额收益的滚动12个月均值和回撤的滚动12个月最大值。如果某机构的超额均值连续两个季度下滑，或者回撤最大值突破历史阈值，就触发预警。
# 假设每季度追加一行新数据 new_data = {"机构": "九坤投资", "季度": "2022-Q1", "年化": 25.0, "回撤": 26.0} # 实际使用时，把新数据append到历史DataFrame，然后按机构分组计算滚动指标 # 这里只演示逻辑 history = pd.DataFrame([ {"机构": "九坤投资", "季度": "2021-Q4", "年化": 29.2, "回撤": 24.2}, {"机构": "九坤投资", "季度": "2022-Q1", "年化": 25.0, "回撤": 26.0}, ]) history["超额滚动均值"] = history.groupby("机构")["年化"].transform(lambda x: x.rolling(2).mean()) history["回撤滚动最大"] = history.groupby("机构")["回撤"].transform(lambda x: x.rolling(2).max()) print(history)这段代码的逻辑是：按机构分组，对年化做滚动平均，对回撤做滚动最大。参数上，滚动窗口设为2个季度，可以根据你的调仓频率调整。如果滚动均值连续下降且滚动最大回撤上升，说明该机构的策略可能正在失效或容量吃紧。
还有一个技巧：把清单里的“投资策略”字段拆成多个标签，比如“指增”“中性”“CTA”“高频”“基本面量化”，然后做标签共现分析。你会发现，同时做指增和CTA的机构，业绩相关性更低，适合做组合配置；只做单一策略的机构，弹性更大但波动也更大。
从那以后，我每次拿到类似的机构清单，都会先建一张结构化底表，再设三个预警指标：超额滚动均值、回撤滚动最大、团队人数变动。静态清单只能告诉你“过去发生了什么”，动态监控才能帮你判断“接下来要不要继续持有”。希望这份拆解思路能帮到你。
本文还有配套的精品资源，点击获取
