鹏华上证科创板100指数增强 ：2026第三季度报告（026147）

本基金为股票指数增强型基金，在力求对标的指数进行有效跟踪的基础上，通过数量化方法及基本面分析进行积极的指数组合管理与风险控制，力争实现超越业绩比较基准的投资收益，谋求基金资产的长期增值。

1、股票投资策略 本基金为指数增强型基金，以上证科创板100指数为标的指数，基金股票投资方面将主要采用指数增强量化投资策略，在力求对标的指数进行有效跟踪的基础上，力争获得超越业绩比较基准的超额收益。 指数增强量化投资策略主要借鉴国内外成熟的组合投资策略，在对标的指数成份股及其他股票基本面的深入研究的基础上，运用多因子量化选股模型构建投资组合，同时优化组合交易并严格控制组合风险，力求实现超额收益。 （1）多因子量化选股模型 本基金将以多因子量化选股模型构建股票组合。多因子模型针对个股构建价值、质量、动量、成长、一致预期等因子，通过量化方法处理因子与个股超额回报之间的特征关系，挑选出具有基本面逻辑支撑和统计意义有效的因子组合，进而得出具有稳定超额回报的股票组合。本基金对因子的有效性进行持续的跟踪，分析其变化规律，基金经理根据市场状况结合因子变化趋势，对模型使用的因子结构进行动态调整。 （2）风险控制与调整 本基金为指数增强型基金。在追求超额收益的同时，需要控制跟踪偏离度或跟踪误差过大的风险。基金将根据投资组合相对标的指数的暴露度等因素的分析，对组合跟踪效果进行预估，及时调整投资组合，力求将跟踪偏离度和跟踪误差控制在目标范围内。 本基金的风险控制目标是追求日均跟踪偏离度的绝对值不超过0.5%，年跟踪误差不超过7.75%。 （3）投资组合优化模型 本基金将综合考虑预期回报、风险及交易成本进行投资组合优化。选股范围以标的指数成份股为主，也包括非成份股中与成份股相关性强，流动性好，基本面信息充足的股票。 2、存托凭证投资策略 本基金将根据本基金的投资目标和股票投资策略，基于对基础证券投资价值的深入研究判断，进行存托凭证的投资。 3、债券投资策略 本基金债券投资将采取久期策略、收益率曲线策略、骑乘策略、息差策略、个券选择策略、信用策略等积极投资策略，自上而下地管理组合的久期，灵活地调整组合的券种搭配，同时精选个券，以增强组合的持有期收益。 本基金可投资可转换债券及可交换债券，可转换债券及可交换债券兼具债权和股权双重属性，本基金将通过对目标公司股票的投资价值分析和债券价值分析综合开展投资决策，以增强本基金的收益。 4、股指期货投资策略 本基金将根据风险管理的原则，以套期保值为目标，选择流动性好、交易活跃的股指期货合约，充分考虑股指期货的风险收益特征，通过多头或空头的套期保值策略，以改善投资组合的投资效果。 5、资产支持证券的投资策略 本基金将综合运用战略资产配置和战术资产配置进行资产支持证券的投资组合管理，并根据信用风险、利率风险和流动性风险变化积极调整投资策略，严格遵守法律法规和基金合同的约定，在保证本金安全和基金资产流动性的基础上获得稳定收益。 6、参与融资及转融通证券出借业务策略 本基金可在综合考虑预期收益、风险、流动性等因素基础上，参与融资业务。 为更好地实现投资目标，在加强风险防范并遵守审慎经营原则的前提下，本基金可根据投资管理的需要参与转融通证券出借业务。本基金将在分析市场环境、投资者类型与结构、基金历史申赎情况、出借证券流动性情况等因素的基础上，合理确定出借证券的范围、期限和比例。 未来，随着证券市场投资工具的发展和丰富，本基金在履行适当程序后可相应调整和更新相关投资策略，并在招募说明书中更新公告。

上证科创板100指数收益率×95%+活期存款利率（税后）×5%

本基金属于股票指数增强型基金，其预期的收益和风险高于货币市场基金、债券型基金、混合型基金。本基金为指数型基金，具有与标的指数相似的风险收益特征。 本基金资产投资于科创板，会面临科创板机制下因投资标的、市场制度以及交易规则等差异带来的特有风险，包括但不限于科创板上市公司股票价格波动较大的风险、流动性风险、退市风险、投资集中风险、监管规则变化的风险等。

报告期内，本基金在控制相对上证科创板100指数跟踪误差的基础上，采用量化方法进行选股，在严格遵守指数成分股投资比例，控制包括行业、风格在内的各类风险暴露的前提下，力争在上证科创板100指数收益率的基础上进行增强。量化选股模型侧重于不同预测收益来源、不同预测周期因子的动态配置，辅以稳健均衡的风格，平衡模型长期有效性和对短期市场环境波动的适应性，力争获取稳健的超额收益。 近年来，市场结构化行情加剧，这对管理人的选股能力和超额回撤控制能力提出了更高要求。我们的量化模型在基本面、量价、另类等因子上采用了相对均衡的配置以此应对各种行情，努力争取相对基准的超额收益。 展望未来，随着市场有效性不断提升，在策略竞争日趋激烈的情况下，尤其是市场成交活跃度不足时，模型的稳定性和适应性仍然可能遇到挑战，我们认为高质量、低相关性的alpha因子是模型保持生命力的核心因素，因此我们将持续挖掘新的alpha因子，对模型进行优化和迭代。