《私募投资基金监督管理办法》中第十二条规定，私募基金的合格投资者和是指具备相应风险识别能力和风险承担能力，投资于单只私募基金的金额不低于100万元且符合下列相关标准的单位和个人：
2.金融资产不低于300万元或者近三年个人年均收入不低于50万元的个人。
前款所称金融资产包括银行存款、股票、债券、基金份额、资产管理计划、银行理财产品、信托计划、保险产品、期货权益等。
本文不构成买入任何证券、基金或其他投资工具的建议，不涉及任何具体私募基金产品推介。对于文中所提供信息，所导致的任何直接的或者间接的投资盈亏后果不承担任何责任。
管理人G专注于量化投资领域，团队具有期货/机构背景，2016年开始合作，2021年独立运营，2022年发行产品。策略线涵盖指增、量化选股和中性产品，其中500指增策略于2022年4月开始实盘，当前管理规模1亿+。
策略负责人S，清华大学电子系博士，2011-2015开发基于信号处理技术股指期货高频交易；2016-2018成功研发基于人工智能技术的A股短线至今研发A股中长周期量化选股策略。
核心策略团队C，斯坦福大学统计系硕士，德克萨斯大学电子与计算机工程系硕士，清华大学电子系学士。在美联储从业6年，从事对冲基金监管和波动率交易研究工作，用机器学习分析解构对冲基金的策略特征，进行交易行为监控和风险评估。2011年开始和团队一起从事国内股指期货算法开发和实盘运行。
核心策略团队W，清华大学电子系博士，长期公募基金和券商研究经验，构建了大量基于财务数据的估值体系和模型，挖掘了大量特色财务模型。2011年开始和团队一起操盘和开发股指期货算法，拥有非常丰富的量化交易和程序和交易的理论和实践。
深度基本面+长周期量价结合，规避市场同质化竞争。拒绝高频量价数据，避免与主流趋势趋同，同时聚焦基本面逻辑如企业财务健康度、行业相对估值、长周期价格波动隐含信息。采用非线性升维的方法构建结构化风险模型，突破Barra模型的线性约束，降低风格拥挤，优化流动性管理。
多因子选股策略，基于基本面数据和长周期量价数据，通过两百多个子模型（财务模型）进行打分，并结合自建的风险模型构建投资组合。
模型驱动因素：侧重于基本面数据，基本面数据占比60-70%，量价数据30%。
子模型构成：两百多个子模型，结合财务数据和量价数据进行估值和打分，最后用非线性整合方法将各子模型的打分综合成总分数。
在构建组合时，不仅考虑超额收益，还结合波动率控制和总体风险暴露值进行优化。
自主开发的波动率控制工具，通过升维更细节地发现市场微观波动；波动率监测触发调仓，通过实时监测更快发现市场雪崩前的异动；更迅捷地权重分配和仓位调整，规避波动率放大的风险。
A：相较于传统的挖掘量价因子，以及用Barra模型进行组合配置，更偏向于基本面因子为主，长周期量价为辅，运用自建的非线性升维风险模型，生成上万个风格因子替代Barra模型的维度，同时对于波动率的优化权重更高。
A：构建子模型既要分析基本面情况，也需要给股票定价，既要参考行业横向的对比的价格，也要参考历史价格，因此需要把量价数据和财务结合起来，通过财务指标（如盈利增速分位数）叠加量价波动异常检测（如低波动下的高增速）生成深度特征，再经非线多个子模型均为人工开发，目前也会借助大语言模型。
A：4个不同的股指期货共同对冲（IF/IH/IC/IM 1:1:1:1），基差波动敏感性降低，基差成本降低。
A：通过沪深300成分股15-20%，中证500成分股10%，中证1000成分股10%，中证2000成分股20%，其余占比约30%。市值分布动态调整，行业偏离度±5%。