简介：这份PDF资料整理自私募排排网及机构公开信息，面向关注量化私募行业动态的投资者、研究员及金融从业者，系统梳理了国内管理规模超过百亿的28家量化私募机构。资源以九坤投资、九章资产&宁波幻方量化、明汯投资&千宜投资等头部机构为例，逐一拆解其成立时间、管理规模、核心团队背景、投资策略、代表产品业绩、获奖情况及500指增超额收益等关键参考数据，便于横向对比研究。整个资源包仅含1个PDF文件，大小约800KB，内容精炼，查阅方便。目前已有312人学习下载，适合需要快速掌握百亿量化私募格局、撰写行业分析报告或进行尽调参考的读者。通过这份清单，可直观了解国内头部量化私募在团队建设、技术投入及策略布局上的差异化定位，为投资研究和机构评估提供一份简洁实用的数据底稿。
1. 从一份28家机构的名单说起：这份百亿量化私募数据清单能怎么用
国内管理规模突破百亿的量化私募，目前有28家，这是很多从业者想找却不容易找全的一份名单。我最初拿到这份资料，是想回答三个问题：头部机构都在做什么策略、各自的核心人物是什么背景、产品业绩到底处在什么水平。这份[百亿量化私募数据清单]把这些信息按机构逐条整理好了，包含成立备案时间、管理规模、核心人员、代表作的历史年化与最大回撤、运作基金数量、投资策略和历年超额数据。对做FOF尽调、渠道准入对比、或者想了解量化行业格局的人来说，它是一份可以直接提炼成对比表的原始素材。下文我会带你把它拆成能用的结构化信息，并指出哪些数字能信、哪些字段需要留个心眼。
2. 先读懂这份清单的字段口径：规模、超额、回撤三条主线怎么拆
2.1 管理规模与运作基金数：弄清楚统计时点和口径，别被“600亿+”误导
清单里每家的“管理规模”都写的是“600亿+”“800亿+”这样的区间，而不是精确数值。原因是私募管理规模是动态变化的数据，监管层面也只披露区间。截至2021年11月，规模最大的一档是两家并列的“800亿+”，其次是三家“600亿+”，大部分集中在“100亿+”刚过线的位置。这里有一个容易误读的点：规模区间是“成立以来最高规模”还是“截至统计日规模”，清单里并没有明说。我自己的处理习惯是把它当作参考性数据，用来判断头部梯队，而不是拿来精确计算。如果做正式尽调，必须去基金业协会的公示页面核对实时规模区间，两边经常对不上。
运作基金数这个字段同样要谨慎看待。清单里最极端的一个例子是某机构运作基金1008只，另一家只有65只。数字差异的背后不只是规模差别，还涉及产品结构：有的机构大量发行同策略复制产品，基金数量自然多；有的以机构专户为主，一只大账户顶几十只小产品。所以在横向对比时，我会把“运作基金数”除以“管理规模”得到一个“单只产品平均规模”的辅助指标，低于0.5亿的说明产品碎片化程度高，通道类产品占比可能偏大。这个加工逻辑不一定精确，但至少能避免被表面的绝对数字误导。
2.2 500指增超额参考：把不同起始时间的数据拉到同一标准下再比较
清单里最有复用价值的是“500指增超额参考”这一列，但也是最容易踩坑的一列。每家的统计区间起点不一样，有的从2017年6月开始，有的从2016年开始，有的甚至只有一段完整年度数据。直接把年化超额数字横向对比，等于拿不同起跑线的人比速度。比如某机构2021年（截至10月22日）的500指增超额约+21%，另一家约+8.2%，单看这一年领先11个百分点，但前者的统计区间从2017年开始，经历过完整的2018年熊市，后者是2017年8月才开始建仓，起步点位不同，超额的可比性就大打折扣。
我处理这类数据的标准做法是先做区间对齐，再计算。关键参数有三个：统计起始年份、截止日（清单统一为10月22日前后）、超额计算基准（中证500指数）。对齐逻辑就是把每家每年的超额放进同一个时间轴里，只比较共同覆盖的年份。比如2019年到2021年10月这段，所有机构都有数据，就可以算这三年累计超额或年平均超额。超出共同区间而多出来的年份数据，只能用来观察该机构的风格起伏，不能进入横向对比的估值中枢。表格落到具体数值时我会用原始清单的口径，但比较结论一定基于对齐后的数据。
| 对比维度 | 直接看的风险 | 我的对齐方法 |
|---|---|---|
| 管理规模 | 区间值，统计时点不明 | 只做梯队判断，不做精确排序 |
| 运作基金数 | 产品结构影响大 | 除以规模看单产品平均规模 |
| 500指增超额 | 起始年份不同，不可直接比 | 只比较共同覆盖年份 |
| 历史年化/最大回撤 | 成立时间不同，牛熊周期不一样 | 未经历完整周期的标注“参考性降低” |
2.3 策略标签与代表作选择：CTA、中性、指增的业绩参考逻辑不同
清单里每家都标了投资策略，比如指数增强、CTA、量化对冲、中性策略、套利策略。对比业绩时不能用一个策略的代表作去硬比另一家的策略。要理解这其中的差异，得先厘清三类策略的风险收益特征。指数增强属于暴露市场Beta的策略，业绩和基准指数高度相关，熊市里超额为正但绝对收益可能为负；中性策略剥离市场波动，追求绝对收益，回撤一般较小，但牛市里很难跑赢指增；CTA策略投资期货市场，与股票市场相关性低，在股票熊市里经常能提供对冲保护，但单一趋势策略的业绩波动很大。
清单里其实给了很贴心的提示：某机构以CTA策略为主，代表作用的是CTA基金的历史年化；另一家主打中性策略，代表作用的是中性套利产品。我会建议把策略标签当作阅读时的分类框架，先在同类策略内比较，再跨策略看配比。比较务实的做法是：把指数增强类机构的代表作数据摘出来做指增对比，把CTA类机构单独归档，中性策略单独归档。这样做出来的对比结论才有业务意义，否则就是在拿苹果比橘子。
3. 把PDF变成可复用的横向对比表：从28家机构里提炼关键字段
3.1 字段集设计与空值处理：建一张你自己的机构对比底表
拿到这份清单后，第一步不是逐家阅读，而是先设计一张空白对比表，明确要摘哪些字段，这样才能一次性把信息抽干净。我常用的字段集分为四类：身份信息、团队信息、产品业绩、策略风格。身份信息包含机构代称、成立时间、备案时间、管理规模区间、运作基金数、是否有投顾资质；团队信息包含核心人员背景关键词、团队人数；产品业绩包含代表作名称、成立日期、历史年化、最大回撤、500指增超额分年度数据；策略风格包含投资策略标签、获奖情况、机构特点关键词。
实际建表时会遇到大量空值和模糊值，这是数据整理中一定会翻车的环节。比如“是否有投顾资质”有的写“否”，有的写“是”；“获奖情况”有的列了奖项，有的写“暂无数据”；团队人数有精确的“25人+”，也有“不详（协会备案18人，实际不止）”。处理原则是：宁缺毋滥，不臆补。空值保留“N/A”，并在备注列标注原因；模糊值保留原始表述，比如“团队人数：25人+”，不换算不取整；有冲突的信息保留清单原文，同时备注“协会备案口径与实际人员口径不同”。不建议把“远期”“早期”这类时间副词直接转成具体年份，那会引入无根据的精度。
3.2 用表格提炼策略分布与人员背景：一张统计表看清行业结构
字段摘完以后，下一步是做聚合统计。这类统计不需要编程，Excel透视表或WPS表格就能完成，但统计口径要想清楚。我一般会统计五个维度：按策略标签聚合、按规模梯队聚合、按团队人数分档、按核心人员背景类型归档、按代表作策略类型归类。其中最能说明行业特征的有两个结果，一是策略标签聚合，二是核心人员背景画像。策略标签聚合能看出行业的主流赛道；核心人员背景画像能看出人才结构。
策略分布统计的大致做法：把每家的“投资策略”字段拆成单标签，比如“指数增强；CTA；量化对冲”拆成三个标签，然后计数。逐家拆分后，可以筛出指数增强、中性策略、CTA策略各自被多少家采用。按清单统计，指数增强和中性策略是出现频率最高的两类，几乎每家都做；CTA策略是第二梯队，约半数机构布局；套利、全天候、量化多空是少数派的差异化选择。这个统计结果的业务含义是：头部机构的核心收入与超额来源仍然在股票端，CTA更多是产品线配置里的补充，而非主力。
核心人员背景画像更有意思。把清单里所有核心人员的教育和工作经历汇总起来，大致能分成两类：一类是海内外名校理工科博士背景，另一类是“海外对冲基金体系出身、有过实盘交易经验”的实战派。理工科博士背景的团队往往擅长从数据挖掘和统计建模切入，风格偏学术；对冲基金体系出身的团队更强调策略容量、交易执行和风控纪律。真正做得大的机构里，通常是两类人搭配，一人负责公司治理和投资决策，一人负责策略研发和系统架构。这一条观察对判断机构的可持续性很有帮助——纯学术团队容易忽略容量限制，纯实战团队中期策略研发容易看到天花板。
3.3 代表作业绩摘录与回撤区间的横向核对
清单里每一家都给了“代表作”的业绩数据，包括成立时间、历史年化和最大回撤。摘录这段时我会集中核对三个细节：产品是否经历完整市场周期、策略类型是否与机构主策略一致、业绩区间是否覆盖最近一年。清单对这三个细节大多做了注释，比如某机构代表作“成立于2018-10-17，历史年化40.5%，最大回撤17.3%”，但后面明确写了“该基金未完整经历2018年，历史平均年化和最大回撤的参考性降低”，这类注释不能当作装饰词略过。
把28家代表作的成立时间排个序就能看到一个规律：2015年到2017年成立的代表作，经历的市场周期最完整，数据参考性最强；2019年以后成立的代表作，恰好避开了2018年单边下跌，历史年化普遍偏高、最大回撤普遍偏小。这不是这些机构的管理能力突然变强了，而是统计区间的天然红利。我处理这类数据时会额外加一列“是否经历2018年”，用来做参考性评级：经历的标A，经历一半的标B，完全未经历的标C。对比结论尽量引用A级数据，B级作为辅助，C级只做展示。这条习惯能帮你避开“拿次贷危机后入场的基金证明自己回撤控制出色”这类逻辑陷阱。
4. 常见问题：这28家量化私募的数据，哪些要留个心眼？
4.1 现象：同一家机构在两个数据源里规模区间对不上
原因：清单的数据时点是2021年11月，引用的是私募排排网和机构官网口径，而其他平台可能更新到不同月份，或者统计的是不同口径的规模（比如含母子基金合并统计与不含合并）。
解决：我一般把规模区间的用途限定在“判断梯队”，不用于任何精确计算。见到区间不一致时，以基金业协会备案公示数据为准，但协会数据本身也有滞后，所以要记录查询时间。做尽调或准入时，直接向机构索取其最近一期经审计的管理规模确认函，那是唯一有约束力的口径。
4.2 现象：某机构的500指增超额某一年特别高，另一年突然很低
原因：超额数字的波动受基差、行业暴露、大小盘风格切换的影响很大。2021年量化行业整体超额衰减，很多机构10月后出现回撤，清单数据截止到10月22日，还没包含四季度的极端行情。此外每个机构超额计算的参考基准细节不同——是用价格指数还是全收益指数，结果能差出几个点。
解决：看超额时不要只盯单一年份，而是看三年连续超额的稳定性。把“超额均值/超额标准差”做成一个粗糙的夏普比，超过0.8的才算稳定性合格。遇到特别高的单年超额，先确认那一年是不是小盘股风格占优、是否叠加了打新收益。这些隐性收益来源在2021年后快速衰减，不能线性外推。
4.3 现象：历史年化30%以上的产品，买入后业绩却达不到预期
原因：清单里的历史年化是“从成立日到统计日”的复合年化，包含了产品净值从低点修复的完整过程。很多代表作成立于2017年或2018年中，正好经历2018年底的净值低谷，之后的反弹放大了年化收益。如果投资者在2021年高位认购，统计起点完全不同，收益预期自然落空。
解决：看历史年化时必须搭配两个参数——最大回撤发生时间和净值修复周期。把净值的年度收益拆开看，如果某一年收益贡献了年化的大头，这一年大概率是风格顺风期，不能作为“该机构平均能力”的证据。实操中我把历史年化打八折作为中性预期，同时要求近一年超额不能低于行业中位数，用这两个条件同时过滤。
4.4 现象：团队人数有的写“200人+”，有的写“25人+”，但两家的规模差不多
原因：团队人数统计口径不一致。有的机构按全公司人数算，包含产品运营、市场销售和后台职能；有的只算投研和技术开发人员。另有少数机构存在外包合作研究员的情况，外包与自研的边界在行业内没有统一标准。
解决：横向对比时把“团队人数”限定为“投研+技术”口径，如果清单里没有细分，就在备注里标注“总人数”。更有信息量的指标是“人均管理规模”，即管理规模除以团队人数，这个数字能侧面反映机构的系统化和自动化程度。人均管理规模明显偏高的机构，通常自动化程度高，但也要警惕投研商业化不足、策略迭代受限的风险。
4.5 现象：同一家机构的代表作有两个，年份不同、收益差距很大
原因：代表作往往按策略线分开展示，500指增和1000指增、中性策略和CTA策略的业绩基准不同，收益自然不具备直接可比性。清单里某机构重点做1000指增，给出的代表作就是1000指增产品；另一家主打中性策略，代表作就是套利产品。硬要放在一起排序，结论没有业务含义。
解决：先按策略类型把产品分类，同类之间再比较。做指数增强对比时，还要注意对标指数不同带来的基准偏差，500指增和1000指增的超额不能直接相加或平均。我习惯把代表作业绩统一拆成“绝对收益”和“超额收益”两个维度记录：绝对收益反映产品本身，超额收益反映相对于基准的管理能力。这两个数字拆开后，跨策略比较才不会得出错误结论。
5. 进阶用法：把超额区间对齐后，再算一组百亿量化机构的超额分位数
到这里，方法论都齐了，最后给一个可以直接复现的进阶操作。假设你要向某渠道介绍百亿量化机构的整体超额水平，最有力的呈现方式不是逐家罗列，而是一张分位数表。做法分三步。
第一步，筛选出至少连续三年有500指增超额数据的机构，按清单大约能覆盖一半以上。第二步，把每家每年的超额按自然年对齐，计算2019年、2020年、2021年（截至10月22日）的共同覆盖区间。第三步，在Excel里用PERCENTILE函数，对每一年的超额数据分别计算25分位、50分位、75分位。
以清单数据按我这种方式处理，粗略结果大致如下（用代称，不代表精确值）：2019年超额中位数约24%，25分位约21%，75分位约32%；2020年中位数约29%，分散度明显放大；2021年中位数约15%，整体下移。这个趋势与量化行业超额衰减的现实是一致的。这张分位数表比任何单家机构的宣传口径都更有说服力——它展示的是“如果买中位数水平的头部量化私募，历史超额大概在哪条线”。
这里有两个参数要提前定好：一是截止日期，清单统一到10月22日，如果你在别的时间点复现，要注明“全年未结束，实际超额存在下调可能”，因为四季度往往伴随着风格反转和超额回吐；二是处理缺失年份的方式，建议只保留三年都有数据的机构，不要用已有年份的平均值填充缺失年份，那会把样本搞脏。
复盘这类数据整理项目，我最大的教训是：任何一份名单类资料都只是起点，不是终点。从那以后我每次做机构对比，都强制走一遍“字段设计→对齐统计区间→标注空值→交叉验证”这四步，宁可慢一点也不想在数据口径上翻车。这份清单的价值不在于它本身有多完整，而在于它能不能帮你快速建立起对国内量化私募行业的结构性认知。真实世界的尽调肯定会更复杂，至少你需要再去核实投研团队的真实到岗情况、策略容量上限和持有人结构，但先把这28家的框架搭起来，后面的工作就有了落脚的架子。希望这份使用笔记能帮你在做量化私募调研时少走点弯路。
本文还有配套的精品资源，点击获取
