1 邓童分享量化投资策略。

邓童介绍了公募量化策略和产品，重点讨论了PU阿尔法因子投资逻辑他提到阿尔法和贝塔的划分，并回顾了海外资产管理行业的发展历程，指出80年代主动基金经理如彼得林奇备受推崇。

2 被动投资与因子投资的发展。邓童介绍了从阿尔法到贝塔的转变，指出被动投资在美国90年代兴起，强调阿尔法难以寻找且成本高。他提到ETF和指数基金的普及，以及因子投资在模糊地带的意义，认为量化投资本质上是因子投资。他还讨论了smart

beta和指数增强产品，强调低波动和超额收益的追求。

3 指数增强基金的目标是超越指数表现。邓童介绍了指数增强基金的基本概念和运作方式，指出其核心在于跟踪指数的同时追求超额收益。他解释了指数增强基金与Smart

Beta基金的区别，强调指数增强基金可以动态调整风格，而Smart

4 低PB组合长期收益最高。

邓童分析了低PB组合的历史表现，指出其长期收益显著高于高PB组合他提到，低PB组合对冲中证500和沪深300的超额收益较为显著，但单因子策略的最大回撤较大通过行业中性化处理，回撤从40%降至10%左右，稳定性提升他还提到PPLE框架，强调选择低估且盈利稳定的公司。

5 LE因子测试验证投资框架。

邓童通过测试LE因子，发现高LE组表现并非最佳，而DLE组表现也较差他解释了高LE公司估值过高的问题，并提出了PPLE框架，强调兼顾估值和盈利通过将PB和ROE因子结合，历史表现显示复合因子策略能提升超额收益和稳定性，验证了投资框架的合理性。

6 价值与盈利因子的负相关性。

邓童介绍了价值因子（PD）和盈利因子（LE）在市场上的表现，指出两者存在负相关性，但长期来看都能带来超额收益通过多因子组合，可以降低波动性，获得更稳定的超额收益量化投资通过历史数据验证了这一逻辑，并在此基础上构建选股框架。

7 量化投资中的多因子模型。

邓童介绍了量化投资中的多因子模型，包括基本面因子、技术因子、舆情因子和预期因子等他详细解释了阿尔法模型和风险模型的作用，以及如何通过因子组合构建策略并最终形成基金产品他还提到随着市场发展，机器学习等新技术的加入对传统框架的修正。

8 传统框架成熟但弹性不足。

邓童介绍了公募基金的传统框架，指出其风险约束和因子可理解性较强，但弹性不足，尤其在A股市场创造阿尔法方面表现有限他提到，公募基金因合规性约束，超额收益空间受限，而私募在方法论上曾领先公募近年来，公募基金通过学习因子方法论和技术扩散，逐渐在数据处理和优化方面取得优势。

9 深度学习在量化投资中的应用。

邓童介绍了招商基金在量化投资中使用深度学习的经验，指出其超额收益弹性优于传统基本面选股，但由于逻辑不明确，未将其作为主要策略他提到，传统多因子策略仍是核心，同时结合深度学习和主动研究，形成多元化的选股策略招商基金在指数增强策略上布局全面，业绩表现优异，未来将继续优化策略以维持阿尔法收益。