广发证券首席金工分析师 安宁宁 SAC: S0260512020003 anningning@gf.com.cn 广发金工安宁宁陈原文团队 摘要 最近5个交易日，科创50指数涨6.47%，创业板指涨1.96%，大盘价值跌0.34%，大盘成长涨2.48%，上证50涨1.07%，国证2000代表的小盘跌1.27%，电力设 备、有色金属表现靠前，社会服务、综合表现靠后。 广发证券资深金工分析师 张钰东 SAC: S0260522070006 zhangyudong@gf.com.cn | 日 期 | 指数代码 | 指数名称 | | --- | --- | --- | | 20250926 | 950125.CSI | 上证科创板半导体材料设备主题指数 | | 20250926 | 931865.CSI | 中证半导体产业指数 | | 20250926 | 931743.CSI | 中证半导体材料设备主题指数 | | 20250926 | 000685.SH | 上证科创板芯片指数 | | 20250926 | 000682.SH | 上证科创板新一代信息技术指数 | 一、市场涨跌 风险溢价，中证全指静态PE的倒数E ...

研究报告合集下载链接（下载密码欢迎联系团队成员或对口销售）： https://pan.baidu.com/s/1d2oPPwOo4jMsF-kYQ5XpMg CTA系列专题报告 | 《系列一：基于混沌理论的股指期货噪声趋势交易策略》 | | --- | | 《系列二：一类波动收敛突变模式的趋势跟随策略》 | | 《系列三：多项式拟合的股指期货趋势交易 (LPTT) 策略》 | | 《系列四：基于日内波动极值的股指期货趋势跟随系统》 | | 《系列五：基于缠中说禅之分型通道趋势交易系统》 | | 《系列六：基于 GFTD 的期指日内程序化交易策略》 | | 《系列七：在标度不变性破缺下洞察资金流向——MFT 交易策略》 | | 《系列八：基于时域分形的相似性匹配日内低频交易策略（SMT）》 | | 《系列九：基于遗传规划的智能交易策略方法》 | | 《系列十：基于遗传算法的期指日内交易系统》 | | 《系列十一：日内突破模式及其资金管理的多重比较研究》 | | 《系列十二：基于遗传规划多维变量的股指期货交易策略》 | | 《系列十三：基于统计语言模型（SLM）的择时交易研究》 | | 《系列十四：经验模态分解下 ...

资产配置系列专题报告 - 涵盖资产荒背景下的BL模型应用 探讨趋势追踪TAA方法 基于预期不确定性和宏观因子的配置体系构建 [2] - 研究行业趋势股债配置策略 从宏观因子走势中挖掘投资机会 配置风险组合构建及商品资产配置价值多角度分析 [2] - 涉及宏观数据预期误差配置策略 不同经济状态下资产配置方法 SmartBeta策略有效性及可变周期资产定价 [2] - 包含经济周期修正均值方差配置 降息周期历史规律分析 均值回复应用及EPU指数与投资时钟关联 [2] - 细分债务周期定量配置 利率量化研判与国债期货策略 不同目标下权益板块选择及技术分析利率择时 [2] - 宏观因子到资产价格传导路径定量研究 中国经济领先指数构建与实践 量化固收+模式及风险溢价股债策略 [3] - 货币先行指数与A股择时应用 A股历史4次底部20个特征分析 宏观指标关注度在配置中的应用 [3] - 海外权益资产配置研究 领先滞后关系宏观因子择时策略 风格因子驱动行业选择及ABL经济周期行业配置 [3] 行业轮动系列专题报告 - 基于大单资金流反转效应 回归树行业配置应用 历史状态空间相似性匹配SMIA模型及行业轮动规律挖掘 [3] - 捕捉羊群效应行业轮动 月份效应行业配置策略 个股极值比例行业轮动及Hurst指数切换策略 [3] - 宏观视角行业轮动 景气视角下游消费/中游/金融及服务篇轮动策略 行业聚类与估值轮动方法 [3] - 预期增速与偏差行业轮动 细分行业景气盈利策略 多维宏观状态行业轮动及拥挤度细分行业动量策略 [3] - 行业聚类方法探讨 预期改善及底部特征轮动 宏观趋势行业轮动及卖方买方观点共振配置策略 [3] - 北向资金行业与风格轮动因子差异化 细分行业景气+轮动配置 行业拥挤度指标应用及指数增强 [3] - 基于舆情概念指数轮动 宏观超预期事件行业配置 市场结构变化风格轮动规律及多维度风格轮动研究 [3] - 另类视角指数轮动策略 龙头扩散效应行业轮动框架及其扩展研究 [3] 研究团队与方向 - 团队覆盖量化择时 CTA策略 资产配置与基金产品研究 因子选股与资产配置 量化策略及量化选股等全方位研究方向 [5][6][7] - 研究范围包括宏观经济因子 债务周期 利率研判 行业景气 风格轮动 舆情分析等多维度市场结构研究 [3][6][7]

研究报告合集概览 - 提供百度网盘下载链接 包含71篇基金系列专题报告和16篇FOF系列专题报告 涵盖权益基金、债券基金、ETF、QDII、可转债基金、私募基金等多领域研究[2][3][4] 基金研究框架构建 - 权益基金研究框架系统构建 包括主动管理型股票基金超额收益影响因素分析和风格定量研究[2] - 指数及增强基金研究框架 涵盖影响指数基金规模的因素分析和增强基金优选框架[2][29] - 债券基金研究框架 包含债券指数基金解析和主动型债券基金配置工具价值分析[2][15] - 股票多头私募基金研究框架构建 覆盖私募基金市场概况与产品梳理[3][30] 基金产品深度解析 - QDII基金作为跨境投资利器的深度解析 涵盖港股通基金发展现状、收益归因与产品优选[2][18] - 可转债基金风险收益平衡特性分析 强调正股为矛、债底为盾的投资特点[2][27] - "固收+"混合型基金股债双驱动下的绝对收益特性分析[2][21] - 对冲型基金挖掘beta外稳健收益的策略分析[3][22] - 主动管理型ETF发展状况分析 指出方兴未艾、暗流涌动的发展态势[3][35] 基金投资策略研究 - 基于因子的主动股票型基金优选策略 包括低换手主动型基金的绩优选股策略[2][38] - 行业主题投资工具分析 涵盖主动型及被动型行业主题基金深度解析[2][13] - 基于收益归因的主动管理型基金划分与优选方法[2][20] - 基金经理分析框架及稳定风格基金经理优选策略[2][12] - 基于基金长线重仓股的选股能力分析框架[2][16] 量化分析与因子应用 - 基于净值的债券型基金仓位测算方法[3][31] - 信用风险溢价的因子构建及应用实践[3][43] - 基于Level2因子的ETF轮动策略设计[3][63] - 基于AGRV因子聚合的ETF轮动策略研究[3][71] - 最大效应在主动权益基金中的应用方法[3][56] ETF专题研究 - 国内ETF产品全面梳理及投资总览[2][9] - ETF视角下权益基金风格与收益预测方法[3][50] - ETF视角下权益基金筛选框架[3][51] - 通过ETF实现全球多元配置的策略分析[3][64] - 基于ETF申赎的轮动策略设计[3][68] FOF资产配置研究 - 海内外FOF简介 从"耶鲁模式"看FOF资产配置方案[4] - 不同目标下的FOF资产配置方案详解[3] - 指数化相对收益及绝对收益两类FOF配置思路[3] - 基于基金精选的FOF组合策略构建方法[3] - 量化视角下的FOF组合构建 从大类资产配置到分类基金优选[3][15] 另类收益分解视角 - 基于个股持仓热度的基金收益分解方法[3][46] - 基于个股持仓周期的基金收益分解框架[3][48] - 基于个股平台持仓的基金收益分解技术[3][52] - 另类视角下的主动型权益基金组合构建：从多因子到多策略[3][54] 团队研究覆盖范围 - 研究团队覆盖量化择时、CTA策略、资产配置、基金产品研究、因子选股、量化策略等多个方向[7] - 团队成员具备海外教育背景 包括伯明翰大学、波士顿大学等知名院校[7] - 研究时间跨度从2011年至2025年 显示团队持续研究能力[5][6][7]

AI量化研究系列 - 深度学习应用于股指期货日内交易策略开发 [2] - 深度学习算法用于Alpha因子挖掘和再挖掘 [2] - 趋势策略通过深度学习技术进行增强 [2] - 风险中性的深度学习选股策略构建 [2] - 深度学习在指数增强策略上的应用实践 [2] - 高频数据因子在深度学习框架下进行挖掘 [2] - 基本面因子模型通过深度学习技术增强 [2] - 条件随机场应用于周频择时策略开发 [2] - 机器学习多因子动态调仓策略研究 [2] - 人工智能在资产管理行业的应用和前景展望 [2] - 涨跌模式识别用于指数和行业择时策略 [2] - 隐马尔科夫模型应用于选股策略研究 [2] - 机器学习模型在因子选股上的比较分析 [2] - 多周期机器学习选股模型构建 [2] - 卷积神经网络用于股价走势识别与分类 [2] - Transformer架构下的量价选股策略研究 [2] - Visibility Graph-CNN创新架构用于高效股价预测 [2] - 卷积神经网络应用于ETF轮动策略 [2] - 多模态多尺度股价预测方法研究 [2] - DeepSeek工具用于提高投研效率 [2] - 知识库到知识图谱转换通过DeepSeek+GraphRAG实现 [3] - 神经常微分方程与液态神经网络技术研究 [3] - AlphaForge基于梯度下降进行因子挖掘 [3] - 强化学习应用于价格择时策略 [3] - 机器学习选股训练手册编制 [3] 基本面量化研究系列 - 多视角探寻长线选股策略研究 [3] - 景气向上且持续增长企业的挖掘方法 [3] - 寻找"物美价廉"优质企业的策略研究 [3] - 高估值股中投资机会的挖掘方法 [3] - 财务指标选股策略深入研究 [3] - 叠加反转效应下的财务指标选股策略 [3] - 细分行业景气盈利轮动策略开发 [3] 转债风险管理 - 转债退市风险与信用风险监控系统构建 [6] 研究团队信息 - 广发金融工程团队负责相关研究 [4]

广发金工Alpha因子数据库概述 - 数据库基于mysql8.0构建 覆盖基本面因子、Level-1中高频因子、Level-2高频因子、机器学习因子及另类数据因子等多元类型[1] - 依托100TB级存储数据库与高性能CPU/GPU算力服务器 支持多空策略、指数增强、ETF轮动等量化策略[1] - 整合Wind、天软、通联等多源数据供应商 实现因子高效研发与动态更新[1] 核心Alpha因子性能表现 - 深度学习类因子表现突出：GRU因子历史胜率达91.97% RankIC自相关性91.42%[3] - Level-2高频因子中 大买大卖单复合因子(bigbuy_bigsell)历史胜率79.05% RankIC达94.72%[3] - 长短单复合因子(integrated_longshort)历史均值10.70% RankIC自相关性98.09%[3] - 集合竞价阶段因子表现分化：开盘集合竞价成交委托比因子(transaction_order_ratio_oa)历史均值-10.03% 但胜率达76.68%[3] - 分钟频行情统计因子中 上行收益率方差(real_upvar)历史均值-9.82% RankIC达93.67%[3] - 成交量分布因子显示午后时段占比提升：第7个半小时成交量占比因子(ratio_volumeH7)历史均值4.80% 胜率74.39%[3] 多因子研究体系 - 已形成九十五篇系列专题报告 覆盖风格因子、行业选择、机器学习应用等多维度研究[4][5] - 研究深度贯穿微观至宏观：包括个股量化选股（系列一）、行业轮动（系列二）、宏观周期关联（系列八）等[4] - 高频数据应用持续深化：系列三十九至四十四专注日内高频数据因子化方法[4][5] - 创新研究领域扩展：涵盖可转债多因子组合（系列六十六）、地理关联度因子（系列五十）等前沿方向[5] 研究团队配置 - 团队核心成员具备多年从业经验：首席分析师安宁宁自2011年加入 覆盖全研究方向[6] - 专业背景复合化：成员学历覆盖暨南大学、中山大学、上海交通大学及海外高校 研究领域互补[7][8] - 研究方向系统化布局：涵盖量化择时、CTA策略、资产配置、因子选股等多元领域[7][8]

广发证券首席金工分析师 安宁宁 SAC: S0260512020003 anningning@gf.com.cn 广发证券资深金工分析师 张钰东 SAC: S0260522070006 zhangyudong@gf.com.cn 广发金工安宁宁陈原文团队 摘要 最近5个交易日，科创50指数涨1.84%，创业板指涨2.34%，大盘价值跌3.23%，大盘成长涨1.95%，上证50跌1.98%，国证2000代表的小盘涨0.03%，煤炭、 电力设备表现靠前，有色金属、银行表现靠后。 风险溢价，中证全指静态PE的倒数EP减去十年期国债收益率，权益与债券资产隐含收益率对比，历史数次极端底部该数据均处在均值上两倍标准差区 域，比如2012/2018/2020年（疫情突发），2022/04/26达到4.17%，2022/10/28风险溢价再次上升到4.08%，市场迅速反弹，2024/01/19指标4.11%，自2016年 以来第五次超过4%。截至2025/09/19指标2.89%，两倍标准差边界为4.76%。 估值水平，截至2025/09/19，中证全指PETTM分位数77%，上证50与沪深300分别为69%、68%，创业板 ...

SAC: S0260512020003 anningning@gf.com.cn 广发证券资深金工分析师 张钰东 SAC: S0260522070006 广发证券首席金工分析师 安宁宁 zhangyudong@gf.com.cn 广发金工安宁宁陈原文团队 摘要 最近5个交易日，科创50指数涨5.48%，创业板指涨2.10%，大盘价值跌0.22%，大盘成长涨2.16%，上证50涨0.89%，国证2000代表的小盘涨2.34%，电子、 房地产表现靠前，综合、银行表现靠后。 风险溢价，中证全指静态PE的倒数EP减去十年期国债收益率，权益与债券资产隐含收益率对比，历史数次极端底部该数据均处在均值上两倍标准差区 域，比如2012/2018/2020年（疫情突发），2022/04/26达到4.17%，2022/10/28风险溢价再次上升到4.08%，市场迅速反弹，2024/01/19指标4.11%，自2016年 以来第五次超过4%。截至2025/09/12指标2.87%，两倍标准差边界为4.76%。 估值水平，截至2025/09/12，中证全指PETTM分位数78%，上证50与沪深300分别为72%、70%，创业板指接近 ...

市场表现 - 最近5个交易日科创50指数下跌5.42% 创业板指上涨2.35% 大盘价值下跌1.25% 大盘成长上涨1.68% 上证50下跌1.15% 国证2000代表的小盘下跌2.41% [1] - 电力设备及综合行业表现靠前 国防军工和计算机行业表现靠后 [1] - 中证全指PETTM分位数达76% 上证50与沪深300分位数分别为71%和69% 创业板指分位数47% 中证500与中证1000分位数分别为59%和55% [2] 风险溢价指标 - 中证全指静态EP与十年期国债收益率差值达2.99% 两倍标准差边界为4.76% [1] - 该指标在2022年4月26日达到4.17% 2022年10月28日达4.08% 2024年1月19日达4.11% 为2016年以来第五次超过4% [1] 技术分析 - 深100指数呈现3年周期规律 2012/2015/2018/2021年均出现熊市 每次下行幅度40%-45% [2] - 本轮调整始于2021年一季度 时间和空间均较充分 关注底部向上周期可能性 [2] 资金流向 - 最近5个交易日ETF资金流入297亿元 融资盘增加约358亿元 [2] - 两市日均成交额达25676亿元 [2] 行业主题配置 - 卷积神经网络模型最新配置主题为通信和人工智能 覆盖全指通信设备指数/人工智能产业指数/5G通信主题指数等 [2][3][9] - 重点跟踪指数包括中证全指通信设备指数(931160)/人工智能产业指数(931071)/通信设备主题指数(931271)等 [3][9] 指数周期特征 - 深100指数技术面显示每隔3年出现一轮熊市 之后进入牛市周期 [2] - 历史极端底部时风险溢价指标均处于均值上两倍标准差区域 如2012/2018/2020年 [1]

核心观点 - 基于宏观与技术分析的大类资产配置观点显示权益、债券和黄金资产被看多，工业品资产被看空 [1][2][23] - 资产配置组合的历史表现显示固定比例+宏观指标+技术指标组合年化收益率达11.96%，最大回撤为9.06% [3][28] - 宏观指标趋势通过T检验方法评估，技术指标基于价格趋势、估值和资金流分析，两者结合提升配置有效性 [4][5][21] 宏观分析视角 - 权益资产宏观层面整体利多，受CPI同比（1月周期利多）、10年期国债收益率（12月周期利多）和美元指数（1月周期利多）支撑，但PMI（3月周期利空）和社融存量同比（1月周期利空）形成部分抵消 [7][8] - 债券资产宏观层面整体利多，主要受PMI（3月周期利多）、社融存量同比（3月周期利多）和美国10年期国债收益率（1月周期利多）推动，但CPI同比（3月周期利空）产生负面影响 [7][8] - 工业品资产宏观层面整体利空，因PMI（3月周期利空）、WTI原油（1月周期利空）和社融存量同比（1月周期利空）指标均显示负面信号 [7][8] - 黄金资产宏观层面整体利多，受益于PMI（3月周期利多）、中美10年期国债利差（1月周期利多）和美国M2同比（12月周期利多） [7][8] 技术分析视角 - 权益资产技术层面趋势向上，估值适中和资金流入：趋势指标显示1.02%向上，估值ERP分位数为52.65%，资金流指标为31亿元净流入 [12][13][16][19][20] - 债券资产技术层面趋势向下，趋势指标为-0.79% [12][13] - 工业品资产技术层面趋势向上，趋势指标为1.35% [12][13] - 黄金资产技术层面趋势向上，趋势指标为2.66% [12][13] 资产配置组合表现 - 固定比例+宏观指标+技术指标组合2025年8月收益率2.64%，2025年累计收益率6.82%，年化收益率11.96%，最大回撤9.06%，年化波动率6.92% [3][28] - 波动率控制+宏观指标+技术指标组合2025年8月收益率3.50%，年化收益率9.50%，最大回撤9.25%，年化波动率5.91% [3][30] - 风险平价+宏观指标+技术指标组合2025年8月收益率0.79%，年化收益率9.63%，最大回撤5.41%，年化波动率4.36% [3][30] - 组合权重调整基于宏观和技术信号，权益资产基准权重10%调整至5%，债券资产基准权重30%调整至5%，商品和货币资产权重保持稳定 [24][25] 方法论框架 - 宏观指标趋势使用历史均线法和T检验评估，筛选不同趋势下资产收益显著分化的指标，周期包括1月、3月和12月 [4][5][6] - 技术指标基于价格趋势（如LLT和收盘价计算）、估值（ERP分位数）和资金流（净流入额）分析，优选历史测试有效的计算方法 [9][13][16][19] - 宏观与技术信号结合，平均相关系数约0.17，通过得分加总提升配置有效性，如权益总得分3（宏观2+技术1），黄金总得分4（宏观3+技术1） [21][22]