量化模型与因子总结 量化因子与构建方式 Barra风格因子 1. **因子名称**：市值因子[3][13] * **因子构建思路**：衡量公司规模大小，属于大/小盘风格因子[3][13]。 * **因子具体构建过程**：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 2. **因子名称**：账面市值比因子[3][13] * **因子构建思路**：衡量公司价值属性，属于价值/成长风格因子[3][13]。 * **因子具体构建过程**：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 3. **因子名称**：成长因子[3][13] * **因子构建思路**：衡量公司成长属性，属于价值/成长风格因子[3][13]。 * **因子具体构建过程**：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 4. **因子名称**：盈利预期因子[3][13] * **因子构建思路**：衡量公司盈利预期，属于价值/成长风格因子[3][13]。 * **因子具体构建过程**：报告未提供具体构建公式，仅作为市场常见风格因子进行收益跟踪。 开源交易行为因子 1. **因子名称**：理想反转因子[4][13][39] * **因子构建思路**：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[4][13]。 * **因子具体构建过程**： 1. 对选定股票，回溯取其过去20日的数据[41]。 2. 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[41]。 3. 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[41]。 4. 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[41]。 5. 理想反转因子 M = M_high – M_low[41]。 6. 对所有股票，都进行以上操作，计算各自的理想反转因子 M[41]。 2. **因子名称**：聪明钱因子[4][13][40] * **因子构建思路**：从分钟行情数据的价量信息中，识别出机构参与交易（聪明钱）的多寡，并跟踪其交易的相对价位高低[4][13][40]。 * **因子具体构建过程**： 1. 对选定股票，回溯取其过去10日的分钟行情数据[40]。 2. 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[40]。 3. 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[40]。 4. 计算聪明钱交易的成交量加权平均价 VWAP_smart[42]。 5. 计算所有交易的成交量加权平均价 VWAP_all[42]。 6. 聪明钱因子 $$Q = VWAP_{smart} / VWAP_{all}$$[40]。 3. **因子名称**：APM因子[4][13][41] * **因子构建思路**：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[4][13]。 * **因子具体构建过程**： 1. 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night}$$，隔夜的指数收益率为 $$R_{night}$$；逐日下午的股票收益率为 $$r_{afternoon}$$，下午的指数收益率为 $$R_{afternoon}$$[41]。 2. 将得到的40组隔夜与下午 (r, R) 的收益率数据进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[41]。 3. 以上得到的40个残差中，隔夜残差记为 $$\epsilon_{night}$$，下午残差记为 $$\epsilon_{afternoon}$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$$[41]。 4. 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下（$$\mu$$ 为均值，$$\sigma$$ 为标准差，N为样本数）： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[43] 5. 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归：$$stat = \alpha + \beta Ret20 + \epsilon$$，其中 Ret20 为股票过去20日的收益率，代表动量因子[44]。 6. 将回归得到的残差值 $$\epsilon$$ 作为 APM 因子[44]。 4. **因子名称**：理想振幅因子[4][13][46] * **因子构建思路**：基于股价维度对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[4][13]。 * **因子具体构建过程**： 1. 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价 - 1）[46]。 2. 选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子 V_high[46]。 3. 选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子 V_low[46]。 4. 将高价振幅因子 V_high 与低价振幅因子 V_low 作差，得到理想振幅因子 V = V_high - V_low[46]。 5. **因子名称**：交易行为合成因子[5][30] * **因子构建思路**：将多个交易行为因子进行加权合成，以获取更稳健的Alpha[5][30]。 * **因子具体构建过程**： 1. **因子值处理**：将理想反转、聪明钱、APM、理想振幅四个交易行为因子在行业内进行因子去极值与因子标准化[30]。 2. **因子权重**：滚动选取过去12期各因子的ICIR值作为权重[30]。 3. **因子合成**：使用上述权重对标准化后的因子值进行加权，形成交易行为合成因子[30]。 因子的回测效果 全历史区间表现（行业市值中性） 1. **理想反转因子**：IC均值 -0.049[5][14]，rankIC均值 -0.060[5][14]，IR 2.42[5][14]，多空对冲月度胜率 77.8%[5][14]。 2. **聪明钱因子**：IC均值 -0.037[5][19]，rankIC均值 -0.061[5][19]，IR 2.69[5][19]，多空对冲月度胜率 80.1%[5][19]。 3. **APM因子**：IC均值 0.028[5][23]，rankIC均值 0.034[5][23]，IR 2.25[5][23]，多空对冲月度胜率 76.2%[5][23]。 4. **理想振幅因子**：IC均值 -0.053[5][26]，rankIC均值 -0.073[5][26]，IR 2.99[5][26]，多空对冲月度胜率 83.0%[5][26]。 5. **交易行为合成因子**：IC均值 0.066[5][30]，rankIC均值 0.093[5][30]，多空对冲IR 3.25[5][30]，多空对冲月度胜率 78.8%[5][30]。多头对冲组均值的年化收益率 8.09%，收益波动比 2.56，月度胜率 77.4%[30]。 2025年12月份表现 1. **理想反转因子**：多空对冲收益 0.14%[6][14]，近12个月多空对冲月度胜率 58.3%[6][14]。 2. **聪明钱因子**：多空对冲收益 -0.24%[6][19]，近12个月多空对冲月度胜率 75.0%[6][19]。 3. **APM因子**：多空对冲收益 1.08%[6][23]，近12个月多空对冲月度胜率 41.7%[6][23]。 4. **理想振幅因子**：多空对冲收益 -0.63%[6][26]，近12个月多空对冲月度胜率 58.3%[6][26]。 5. **交易行为合成因子**：多空对冲收益 -0.04%[6][30]，近12个月多空对冲月度胜率 58.3%[6][30]。 Barra风格因子2025年12月收益 1. **市值因子**：收益 1.06%[3][13]。 2. **账面市值比因子**：收益 -0.18%[3][13]。 3. **成长因子**：收益 0.20%[3][13]。 4. **盈利预期因子**：收益 0.94%[3][13]。 合成因子在不同股票池表现（全历史区间） 1. **交易行为合成因子（国证2000）**：IR 2.83[30]。 2. **交易行为合成因子（中证1000）**：IR 2.62[30]。 3. **交易行为合成因子（中证800）**：IR 1.00[30]。

量化模型与因子总结 量化模型与构建方式 本报告主要跟踪了基于多因子选股模型构建的指数增强策略的表现，并详细展示了单因子及大类因子的表现。报告提及的模型构建方法在过往系列报告中有详细说明，本报告未详细描述具体模型的构建过程，但明确了因子处理的核心流程[7][28]。 1. **模型名称**：多因子选股指数增强模型 * **模型构建思路**：从估值、盈利、成长、公司治理、价量、超预期等多种投资逻辑出发构建常用因子库，通过因子合成与组合优化，在目标指数成分股内进行选股，以获取超越基准指数的超额收益[7][28]。 * **模型具体构建过程**： * **因子库构建**：涵盖超预期、成长、分析师、高频分钟、公司治理、估值、价量、盈利等多个大类下的众多单因子[28][35][36]。 * **因子处理**：对因子进行标准化和中性化处理。具体步骤为： 1. 对因子原始值进行绝对中位数法去极值。 2. 进行Z-Score标准化。 3. 以标准化后的因子值为因变量，对数市值和中信一级行业虚拟变量为自变量进行横截面回归。 4. 将回归残差作为最终的因子值，以排除市值和行业的影响[28]。 * **组合构建**：报告中用于测试因子表现的组合构建方式为，在特定股票池内，根据因子值对股票进行排序分组，构建多头（前10%或16%）和空头（后10%或16%）的等权组合，以考察因子的选股能力[37]。 量化因子与构建方式 报告跟踪了大量单因子，并汇总为大类因子进行展示。以下根据报告内容，分类列出部分代表性因子。 超预期因子 1. **因子名称**：标准化预期外单季度归母净利润-带漂移项 * **因子构建思路**：衡量公司实际发布的归母净利润与市场预期之间的差异，并经过带漂移项的标准化处理，以捕捉盈利超预期带来的股价反应（PEAD效应）[7][35]。 2. **因子名称**：标准化预期外单季度归母ROA-带漂移项 * **因子构建思路**：衡量公司实际ROA与预期ROA的差异，经过标准化和漂移项调整，反映盈利能力的超预期情况[35]。 3. **因子名称**：标准化预期外市盈率（归母）-带漂移项 * **因子构建思路**：基于盈利超预期幅度构建的估值类超预期因子[35]。 4. **因子名称**：过去90日报告上调比例 * **因子构建思路**：跟踪过去一段时间内分析师报告上调盈利预测的比例，反映分析师群体对公司盈利预期的乐观变化[35]。 成长因子 1. **因子名称**：单季度归母ROA变动 * **因子构建思路**：计算公司最新单季度归母ROA相对于前一季度的变化，衡量盈利能力的成长性[35]。 2. **因子名称**：单季度营业收入同比增长率 * **因子构建思路**：计算公司最新单季度营业收入相对于去年同期的增长率，衡量收入的成长性[35]。 3. **因子名称**：单季度归母净利润同比增长率 * **因子构建思路**：计算公司最新单季度归母净利润相对于去年同期的增长率，衡量净利润的成长性[35]。 分析师因子 1. **因子名称**：分析师预测ROE-FY3的120变动 * **因子构建思路**：计算分析师对未来第三年（FY3）预测ROE在过去120日内的变动，反映分析师长期盈利预期调整的方向和幅度[34][35]。 2. **因子名称**：分析师预测净利润FY3的120日变动 * **因子构建思路**：计算分析师对未来第三年预测净利润在过去120日内的变动[30][35]。 3. **因子名称**：EPS120日变动FY3 * **因子构建思路**：计算分析师对未来第三年预测EPS在过去120日内的变动[30][34][35]。 高频分钟因子 1. **因子名称**：1分钟路径动量 * **因子构建思路**：基于分钟级别行情数据构建的动量类因子，捕捉极短期的价格趋势[7][32][36]。 2. **因子名称**：20日日内收益 * **因子构建思路**：基于日内的价格行为模式构建的因子[32][36]。 3. **因子名称**：5分钟成交量偏度 * **因子构建思路**：基于分钟成交量分布特征构建的因子[30][36]。 价量因子 1. **因子名称**：60日特异度 * **因子构建思路**：可能衡量股价的特异性波动，通常特质波动率越低，因子值越好[30][31][32][36]。 2. **因子名称**：20日日均交易金额 * **因子构建思路**：衡量股票的近期流动性，报告显示该因子与收益呈负相关（越小越好）[30][36]。 3. **因子名称**：1个月自由流通换手率 * **因子构建思路**：衡量股票的换手率，即流动性指标[31][32][36]。 盈利因子 1. **因子名称**：单季度归母ROE * **因子构建思路**：使用最新财务报告的单季度归母净利润计算ROE，衡量公司的股东权益回报率[30][36]。 2. **因子名称**：单季度扣非ROA * **因子构建思路**：使用最新财务报告的单季度扣非净利润计算ROA，衡量公司的总资产盈利能力[36]。 估值因子 1. **因子名称**：EP60日变化 * **因子构建思路**：衡量市盈率倒数（Earnings-to-Price）在60日内的变化，跟踪估值水平的变动[33][36]。 2. **因子名称**：股息率 * **因子构建思路**：公司现金分红与股价的比率，是传统的估值类因子[33][36]。 公司治理因子 1. **因子名称**：60日持股比例变动 * **因子构建思路**：可能跟踪大股东、管理层或机构投资者的持股比例变化，作为公司内部人行为的代理变量[33]。 2. **因子名称**：前三高管薪酬 * **因子构建思路**：将公司高管的薪酬水平作为治理或激励程度的代理变量[32][36]。 模型的回测效果 报告展示了基于因子库构建的指数增强策略在多个宽基指数上的样本外表现[7]。 1. **沪深300指数增强策略**：截至2025年12月26日，本年收益27.19%，超额收益8.84%，超额最大回撤-3.15%[4]。 2. **中证500指数增强策略**：截至2025年12月26日，本年收益31.54%，超额收益1.28%，超额最大回撤-4.76%[4]。 3. **中证1000指数增强策略**：截至2025年12月26日，本年收益42.2%，超额收益14.54%，超额最大回撤-5.59%[4]。 4. **中证2000指数增强策略**：截至2025年12月26日，本年收益63.87%，超额收益27.31%，超额最大回撤-5.23%[4]。 因子的回测效果 单因子表现（以“本年超额收益”为例，取自各股票池表现前列的因子） 报告以“单因子组合优化”形式展示了各因子在不同股票池和不同时间窗口（上周、本月、本年）的超额收益[35][36]。以下选取部分在本年（截至2025年12月26日）表现突出的因子： 1. **分析师预测ROE-FY3的120变动**：中证全指股票池超额收益30.55%[34][35]。 2. **单季度归母ROE**：沪深300股票池超额收益26.18%[30][36]。 3. **标准化预期外单季度扣非净利润-带漂移项**：中证2000股票池超额收益25.88%[33][35]。 4. **单季度归母ROA变动**：沪深300股票池超额收益25.76%[30][35]。 5. **单季度营业收入同比增长率**：沪深300股票池超额收益25.58%[30][35]。 6. **过去90日报告上调比例**：沪深300股票池超额收益24.70%[35]。 7. **分析师预测ROE-FY3的120变动**：中证1000股票池超额收益24.06%[32][35]。 8. **单季度扣非ROA**：沪深300股票池超额收益24.02%[36]。 9. **分析师预测净利润FY3的120日变动**：中证全指股票池超额收益23.94%[34][35]。 10. **EPS120日变动FY3**：中证全指股票池超额收益23.78%[34][35]。 大类因子表现（本年超额收益） 报告将单因子按逻辑归类，并等权合成大类因子，考察其表现[37]。 1. **盈利因子**：在沪深300股票池本年超额收益33.2%[38]。 2. **分析师超预期因子**：在沪深300股票池本年超额收益30.25%[38]。 3. **成长因子**：在沪深300股票池本年超额收益29.73%[38]。 4. **分析师因子**：在沪深300股票池本年超额收益27.45%（根据上下文及表格数据推断）[38]。 5. **公司治理因子**：在沪深300股票池本年超额收益12.71%（根据上下文及表格数据推断）[38]。 6. **高频分钟因子**：在沪深300股票池本年超额收益-0.11%（根据上下文及表格数据推断）[38]。 7. **估值因子**：在沪深300股票池本年超额收益-0.40%（根据上下文及表格数据推断）[38]。 8. **价量因子**：在沪深300股票池本年超额收益-4.01%（根据上下文及表格数据推断）[38]。

量化模型与构建方式 1. **模型名称**：GAN_GRU模型[4][13] **模型构建思路**：利用生成式对抗网络（GAN）模型对量价时序特征进行增强处理，再利用门控循环单元（GRU）模型对处理后的时序特征进行编码，最终输出股票的未来收益预测值作为选股因子[4][13] **模型具体构建过程**： * **数据准备**：使用18个量价特征，包括日频特征（如前收盘价、开盘价、收盘价、最高价、最低价、成交量、成交金额、涨跌幅、振幅、换手率、均价）和月频特征（如月成交金额、月涨跌幅、月振幅、月换手率、月收盘最高价、月收盘最低价、月日均换手率）[17][19] * **特征采样**：对每只个股，取过去400天内的18个量价特征，每5个交易日进行一次采样，采样形状为40（天）* 18（特征），用以预测未来20个交易日的累计收益[18] * **数据处理**：每次采样的40天内，每个特征在时序上进行去极值和标准化处理；同时，每个特征在个股层面上进行截面标准化[18] * **GAN特征生成**： * **生成器（G）**：采用LSTM模型，输入原始量价时序特征（形状为(40, 18)），输出增强后的时序特征（形状仍为(40, 18)）[33][37] * **判别器（D）**：采用CNN模型，用于区分真实量价特征与生成器生成的特征[33] * **对抗训练**：生成器与判别器交替训练。生成器的目标是让判别器无法区分其生成的特征与真实特征，其损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中，\(z\) 表示随机噪声，\(G(z)\) 表示生成器生成的数据，\(D(G(z))\) 表示判别器判断生成数据为真实数据的概率[24][25] 判别器的目标是准确区分真实数据与生成数据，其损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中，\(x\) 表示真实数据，\(D(x)\) 表示判别器对真实数据的输出概率[27] * **GRU收益预测**：将GAN生成器输出的增强特征，输入到一个两层GRU网络（GRU(128, 128)）中，后面再接一个多层感知机（MLP(256, 64, 64)），模型最终输出的预测收益（pRet）即为GAN_GRU因子[22] * **模型训练**：采用半年滚动训练方式，训练时间点为每年的6月30日及12月31日，使用过去数据训练模型并用于未来半年的预测[18] * **股票筛选**：选取全市场股票，剔除ST及上市不足半年的股票[18] **模型评价**：该模型结合了GAN的数据增强能力和GRU的时序建模能力，旨在挖掘更深层次的量价时序规律以预测股票收益[4][13] 量化因子与构建方式 1. **因子名称**：GAN_GRU因子[4][13] **因子构建思路**：GAN_GRU模型最终输出的股票未来收益预测值，直接作为选股因子使用[4][13][22] **因子具体构建过程**：如上述模型构建过程所述，经过GAN特征生成和GRU模型预测后，得到每只股票的未来收益预测值（pRet），即为因子值[22]。在因子测试前，会对该因子值进行行业和市值中性化处理，并进行标准化[22] 模型的回测效果 1. GAN_GRU模型（因子）[41][42] * IC均值：0.1119***[41][42] * ICIR（未年化）：0.89[42] * 年化收益率：37.40%[42] * 年化波动率：23.39%[42] * 信息比率（IR）：1.60[42] * 最大回撤率：27.29%[42] * 年化超额收益率：22.42%[41][42] * 换手率：0.83X[42] * 最新一期IC（截至2025年12月29日）：0.0331***[41][42] * 近一年IC均值（截至2025年12月29日）：0.0669***[41][42] 因子的回测效果 1. GAN_GRU因子[41][42] * IC均值：0.1119***[41][42] * ICIR（未年化）：0.89[42] * 年化收益率：37.40%[42] * 年化波动率：23.39%[42] * 信息比率（IR）：1.60[42] * 最大回撤率：27.29%[42] * 年化超额收益率：22.42%[41][42] * 换手率：0.83X[42] * 最新一期IC（截至2025年12月29日）：0.0331***[41][42] * 近一年IC均值（截至2025年12月29日）：0.0669***[41][42]

量化模型与构建方式 1. 滤波方法（数据处理模型） 1. **模型名称**：HP滤波 (Hodrick-Prescott Filter)[10] * **模型构建思路**：将宏观经济时间序列分解为长期趋势成分和中期周期成分，以剔除长期趋势和短期噪声，提取周期波动[3][9]。 * **模型具体构建过程**：通过求解一个最小化问题来得到趋势成分。具体公式为： $$\operatorname*{min}\left\{\sum_{t=1}^{T}(y_{t}-g_{t})^{2}+\lambda\sum_{t=2}^{T-1}[(g_{t+1}-g_{t})-(g_{t}-g_{t-1})]^{2}\right\}$$ 其中，\(y_{t}\)为原始序列数据，\(g_{t}\)为待求解的趋势成分，\(\lambda\)为平滑参数，\(\lambda\)越大，趋势线越平滑[10]。在应用中，首先使用较大的\(\lambda\)去除长期趋势得到周期成分，再使用较小的\(\lambda\)过滤噪声，得到用于分析的中周期序列[10]。 * **模型评价**：可以直观地将时间序列分解为趋势和周期成分，符合经典宏观经济分析框架，但存在较严重的端点偏差问题，且无法识别不同频率的周期[3][42]。 2. **模型名称**：傅里叶变换[25] * **模型构建思路**：将时间序列数据分解为一系列不同频率、振幅和相位的正弦函数的叠加，以识别数据中存在的主要周期性规律[25][26]。 * **模型具体构建过程**：对时间序列进行傅里叶变换，公式为： $$F(f)=\int_{-\infty}^{\infty}f(x)e^{-i2\pi f(x)}\,\mathrm{d}x$$ 由于宏观经济数据通常非平稳，在应用傅里叶变换前，先使用HP滤波去除长周期趋势项，得到平稳序列，再进行变换以提取主要周期并拟合周期序列[26]。 * **模型评价**：适合分析历史数据的整体周期结构，尤其适用于探究经济周期的历史规律，但其假设周期结构在时间上恒定，短期内拟合度可能受到影响[3][42]。 3. **模型名称**：混合滤波[42] * **模型构建思路**：结合HP滤波和傅里叶变换两种方法的优点，以挖掘数据的周期性规律并观察短期趋势变化[3][42]。 * **模型具体构建过程**：将HP滤波与傅里叶变换叠加使用。实践中，使用傅里叶变换挖掘宏观数据的周期性规律，同时使用HP滤波观察因子短期上升或下降的趋势变化[42]。叠加使用后得到的序列既具有一定外推性，又保留了HP滤波在周期拟合上的灵活性[42]。 * **模型评价**：结合了两种方法的优势，所得序列兼具周期规律性和趋势观察的灵活性[42]。 2. 资产配置模型 1. **模型名称**：美林时钟模型[68] * **模型构建思路**：依据经济增长（以PMI同比增速代表）和通货膨胀（以PPI同比代表）两个核心指标的高低变化，将经济周期划分为四个阶段，并为每个阶段配置不同类别的大类资产[68][72]。 * **模型具体构建过程**：使用HP滤波处理后的PMI同比增速和PPI同比数据判断经济周期阶段，具体配置方案如下[68][72]： * 复苏期：PMI同比增速上行，PPI同比下行，配置60%股票、40%债券。 * 扩张期：PMI同比增速上行，PPI同比上行，配置60%商品、40%股票。 * 滞胀期：PMI同比增速下行，PPI同比上行，配置60%现金、40%商品。 * 衰退期：PMI同比增速下行，PPI同比下行，配置60%债券、40%现金。 * **模型评价**：是最著名的经济周期模型之一[68]。 2. **模型名称**：货币信用模型[76] * **模型构建思路**：作为美林时钟理论在中国市场的适应性改进，通过观察“货币”（以M2同比增速代表）和“信用”（以社会融资规模同比增速代表）两个核心驱动因素来指导大类资产配置[76]。 * **模型具体构建过程**：使用HP滤波处理后的M2同比和社会融资规模同比数据判断货币信用状态，具体配置方案如下[76]： * 宽货币宽信用：M2同比上行，社会融资规模同比上行，配置60%股票、40%商品。 * 紧货币宽信用：M2同比下行，社会融资规模同比上行，配置60%商品、40%股票。 * 紧货币紧信用：M2同比下行，社会融资规模同比下行，配置60%现金、40%债券。 * 宽货币紧信用：M2同比上行，社会融资规模同比下行，配置60%债券、40%股票。 量化因子与构建方式 1. **因子名称**：M1同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了M1的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 2. **因子名称**：M2同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了M2的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 3. **因子名称**：社会融资规模同比[3][9] * **因子构建思路**：作为代表货币供给量的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了社会融资规模的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 4. **因子名称**：1年期国债收益率同比差值[3][9] * **因子构建思路**：作为代表利率的宏观经济因子[3][9]。 * **因子具体构建过程**：报告采用了1年期国债收益率的同比差值数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 5. **因子名称**：PMI同比增速[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告采用了PMI的同比增速数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 6. **因子名称**：PPI同比[3][9] * **因子构建思路**：作为代表通胀的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了PPI的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 7. **因子名称**：工业增加值同比[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了工业增加值的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 8. **因子名称**：企业利润同比[3][9] * **因子构建思路**：作为代表经济增速的宏观经济因子[3][9]。 * **因子具体构建过程**：报告直接采用了企业利润的同比数据作为原始因子，并主要使用HP滤波进行处理以得到周期成分[3][9][10]。 模型的回测效果 （以下回测结果均基于2006年以来的数据） 1. **美林时钟模型**，累计收益807.28%，年化收益11.71%，波动率11.30%，最大回撤17.10%，夏普比率1.037，信息比率0.681，胜率56.49%[70]。 2. **货币信用模型**，累计收益558.45%，年化收益9.93%，波动率16.84%，最大回撤56.02%，夏普比率0.589，信息比率0.362，胜率56.90%[79]。 因子的回测效果 （以下回测结果均基于2006年以来的数据，使用HP滤波处理后因子进行择时） 1. 单因子股指择时表现 （策略：因子上升周期持有中证全指，下降周期空仓） 1. **M1同比因子**，累计收益971.09%，年化收益12.64%，波动率24.85%，最大回撤69.42%，夏普比率0.509，信息比率0.339，胜率57.74%[58]。 2. **M2同比因子**，累计收益100.26%，年化收益3.55%，波动率22.51%，最大回撤69.42%，夏普比率0.158，信息比率-0.237，胜率48.95%[58]。 3. **国债收益率同比差值因子**，累计收益685.90%，年化收益10.91%，波动率18.43%，最大回撤27.47%，夏普比率0.592，信息比率0.265，胜率49.79%[58]。 4. **社会融资规模同比因子**，累计收益731.39%，年化收益11.22%，波动率24.77%，最大回撤69.42%，夏普比率0.453，信息比率0.249，胜率53.56%[58]。 5. **PMI同比增速因子**，累计收益1436.01%，年化收益14.70%，波动率21.07%，最大回撤42.44%，夏普比率0.698，信息比率0.513，胜率54.39%[58]。 6. **PPI同比因子**，累计收益919.17%，年化收益12.36%，波动率20.58%，最大回撤42.44%，夏普比率0.601，信息比率0.355，胜率52.72%[58]。 7. **工业增加值同比因子**，累计收益124.56%，年化收益4.15%，波动率16.52%，最大回撤39.35%，夏普比率0.251，信息比率-0.226，胜率46.86%[58]。 8. **企业利润同比因子**，累计收益522.94%，年化收益9.62%，波动率18.37%，最大回撤42.44%，夏普比率0.524，信息比率0.172，胜率51.46%[58]。 2. 单因子股债择时表现 （策略：因子上升周期持有中证全指，下降周期持有国债指数；对照组为60%债券+40%股票的固定比例组合） 1. **M1同比因子**，累计收益1297.47%，年化收益14.16%，波动率24.84%，最大回撤69.42%，夏普比率0.570，信息比率0.432，胜率60.25%[61]。 2. **M2同比因子**，累计收益174.96%，年化收益5.21%，波动率22.56%，最大回撤69.42%，夏普比率0.231，信息比率-0.129，胜率53.14%[61]。 3. **国债收益率同比差值因子**，累计收益1358.04%，年化收益14.40%，波动率18.43%，最大回撤27.47%，夏普比率0.781，信息比率0.508，胜率56.07%[61]。 4. **社会融资规模同比因子**，累计收益1110.38%，年化收益13.34%，波动率24.76%，最大回撤69.42%，夏普比率0.539，信息比率0.381，胜率59.00%[61]。 5. **PMI同比增速因子**，累计收益2226.26%，年化收益17.12%，波动率21.07%，最大回撤42.44%，夏普比率0.813，信息比率0.669，胜率57.74%[61]。 6. **PPI同比因子**，累计收益1637.78%，年化收益15.41%，波动率20.59%，最大回撤42.44%，夏普比率0.749，信息比率0.558，胜率58.58%[61]。 7. **工业增加值同比因子**，累计收益274.27%，年化收益6.85%，波动率16.65%，最大回撤36.37%，夏普比率0.411，信息比率-0.026，胜率51.05%[61]。 8. **企业利润同比因子**，累计收益864.21%，年化收益12.05%，波动率18.39%，最大回撤42.44%，夏普比率0.655，信息比率0.340，胜率53.56%[61]。

根据提供的研报内容，报告主要对ETF市场、主动权益及增强指数型基金的表现和发行情况进行回顾与跟踪，并未涉及具体的量化模型或量化因子的构建、测试与评价。报告内容以市场数据统计、基金业绩排名和资金流动情况为主[2][3][4][5][6][16][17][24][33][35][37][40][44]。 因此，本次总结中**没有**需要报告的量化模型或量化因子相关内容。

量化模型与因子总结 量化因子与构建方式 1. **因子名称：价值因子** * **因子构建思路：** 早期南向资金偏好高股息、低波动、具有估值安全垫的板块，其配置行为体现出对“价值因子”的暴露[41]。 * **因子具体构建过程：** 报告通过分析南向资金的历史行业配置比例来识别价值因子暴露。具体表现为，在2016-2018年期间，南向资金持仓高度集中于银行、保险、地产建筑、能源开采等典型低估值板块，其中银行与地产链条合计占比多次超过50%[41]。这种行业配置结构被视为资金早期以“价值因子”为核心的配置特征。 2. **因子名称：成长因子** * **因子构建思路：** 随着新经济标的纳入投资范围，南向资金的配置重心从低估值板块转向科技与新消费方向，体现出对“成长因子”的主动暴露[41][49]。 * **因子具体构建过程：** 报告通过观察二级行业配置权重的变化来捕捉成长因子。2019年以来，软件服务、专业零售、半导体等科技类板块的占比迅速提升，增配幅度显著超出其对应一级行业的权重变化[41]。这种在行业内部主动提升科技成长板块权重的行为，被视为从价值向成长的风格迁移，即增加了“成长因子”暴露。 3. **因子名称：防御因子** * **因子构建思路：** 在市场波动或成长行业调整阶段，南向资金增配具备稳健特征的行业，以强化组合的防御性，形成“防御因子”暴露[42][49]。 * **因子具体构建过程：** 报告通过分析资金净流入和持仓权重的变化来识别防御因子。2022年以来，药品及生物科技、公用事业、电讯等行业的权重有所回升或获得持续净流入[42][47]。这些行业通常具有需求稳定、现金流稳健或高分红特性，资金对其的增配行为构成了“防御因子”。 4. **因子名称：核心三角组合因子（复合因子）** * **因子构建思路：** 南向资金在长期配置中形成了以金融、科技、消费三大行业为核心的稳定结构，分别对应稳定收益、成长弹性和稳定需求三类长期因子，构成一个复合因子暴露[48]。 * **因子具体构建过程：** 报告通过长期跟踪一级行业配置比例来定义该复合因子。尽管市场周期轮动，但金融、信息科技、非必需消费三大行业的合计占比长期稳定在60%左右，构成南向资金最稳固的“核心三角组合”[36][48]。这个组合本身代表了多种风险收益特征的混合暴露。 5. **因子名称：多因子并存格局** * **因子构建思路：** 南向资金的配置风格从单一价值主导，逐步演进为价值、成长、防御等多种风格因子并存的复合格局[2][49]。 * **因子具体构建过程：** 报告通过综合审视不同时期的一级、二级行业配置比例及净流入结构，描绘出风格因子的演进路径。早期为“价值因子主导”[41][47]，随后切换至“科技成长”因子[41]，近年则叠加了防御与资源（如能源）因子，最终形成“价值—成长—防御”并存的多因子组合[42][49]。这并非一个单一因子，而是描述了资金整体配置中同时存在的多种风格因子暴露状态。 模型的回测效果 *本报告为南向资金行为分析报告，未涉及具体的量化策略模型，因此没有提供模型回测的各项指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）结果。* 因子的回测效果 *本报告侧重于对南向资金历史配置行为中暴露出的风格因子进行定性分析和描述，并未对这些因子进行独立的量化回测，因此没有提供因子IC值、IR、多空收益等具体的因子测试指标结果。*

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：价格区间因子[2][3] * **因子构建思路**：衡量股票在日内不同价格区间成交的活跃程度，以体现投资者对未来走势的预期[3] * **因子具体构建过程**：该因子由三个细分因子按特定权重合成[33][36] 1. **高价格80%区间成交量因子 (VH80TAW)**：计算股票在日内高价格（前80%）区间的总成交量，该因子值与未来收益呈负相关[33] 2. **高价格80%区间成交笔数因子 (MIH80TAW)**：计算股票在日内高价格（前80%）区间的总成交笔数，该因子值与未来收益呈负相关[33] 3. **低价格10%区间每笔成交量因子 (VPML10TAW)**：计算股票在日内低价格（后10%）区间的平均每笔成交量，该因子值与未来收益呈正相关[33] 4. **合成**：将上述三个细分因子按权重（VH80TAW: 25%， MIH80TAW: 25%， VPML10TAW: 50%）进行合成[36] 5. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的价格区间因子[32][36] 2. **因子名称**：量价背离因子[2][3] * **因子构建思路**：衡量股票价格与成交量的相关性，相关性越低，未来上涨的可能性越高[3] * **因子具体构建过程**：该因子由两个衡量价格与成交量相关性的细分因子等权合成[40] 1. **价格与成交笔数相关性因子 (CorrPM)**：计算高频快照数据中价格与成交笔数的相关性[40] 2. **价格与成交量相关性因子 (CorrPV)**：计算高频快照数据中价格与成交量的相关性[40] 3. **合成**：对上述两个细分因子进行等权合成[40][42] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的量价背离因子[32][42] 3. **因子名称**：遗憾规避因子[2][3] * **因子构建思路**：基于行为金融学的遗憾规避理论，考察投资者卖出股票后股价反弹的比例和程度，以捕捉情绪对预期收益的影响[3][46] * **因子具体构建过程**：该因子由两个细分因子等权合成[46][51] 1. **卖出反弹占比因子 (LCVOLESW)**：利用逐笔成交数据区分主动卖单，计算卖出后股价反弹的交易占比[46] 2. **卖出反弹偏离因子 (LCPESW)**：利用逐笔成交数据区分主动卖单，计算卖出后股价反弹的偏离程度[46] 3. **合成**：对上述两个细分因子进行等权合成[51] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的遗憾规避因子[32][51] 4. **因子名称**：斜率凸性因子[2][3] * **因子构建思路**：从投资者耐心与供求关系弹性的角度出发，利用限价订单簿数据刻画委托量和委托价的关系（斜率和凸性）对预期收益的影响[3][54] * **因子具体构建过程**：该因子由两个细分因子等权合成[54][58] 1. **低档斜率因子 (Slope_abl)**：基于订单簿低档位的累计委托量和委托价计算买方或卖方的订单簿斜率[54] 2. **高档位卖方凸性因子 (Slope_alh)**：基于订单簿高档位的累计委托量和委托价计算卖方的订单簿凸性[54] 3. **合成**：对上述两个细分因子进行等权合成[58] 4. **中性化处理**：对合成后的因子进行行业和市值中性化处理，得到最终的斜率凸性因子[58] 5. **因子名称**：高频“金”组合合成因子[3] * **因子构建思路**：将多个表现较好的高频因子结合，以构建更稳健的选股信号[3] * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子三类高频因子进行等权合成[3][62] 6. **因子名称**：高频&基本面共振组合合成因子[4] * **因子构建思路**：将相关性较低的高频因子与有效的基本面因子结合，以提升多因子组合的表现[4][67] * **因子具体构建过程**：将价格区间因子、量价背离因子、遗憾规避因子三类高频因子，与一致预期、成长、技术三个基本面因子进行等权合成[4][67] 因子的回测效果 （注：以下因子表现均为在中证1000指数成分股内，进行行业市值中性化后的测试结果，基准为所有成分股等权配置[32]） 1. **价格区间因子**[32][36][39] * 上周多头超额收益率：-1.00%[32] * 本月以来多头超额收益率：-0.90%[32] * 今年以来多头超额收益率：4.56%[32] 2. **量价背离因子**[32][40][44] * 上周多头超额收益率：-2.21%[32] * 本月以来多头超额收益率：-1.48%[32] * 今年以来多头超额收益率：2.99%[32] 3. **遗憾规避因子**[32][46][53] * 上周多头超额收益率：0.45%[32] * 本月以来多头超额收益率：1.47%[32] * 今年以来多头超额收益率：0.42%[32] 4. **斜率凸性因子**[2][56][61] * 上周多头超额收益率：0.66%[2] * 本月以来多头超额收益率：0.25%[2] * 今年以来多头超额收益率：-5.54%[2] 量化模型与构建方式 1. **模型名称**：高频“金”组合中证1000指数增强策略[3][62] * **模型构建思路**：基于合成的高频“金”组合因子构建指数增强策略，以获取稳定的超额收益[3][62] * **模型具体构建过程**： 1. **因子合成**：如前述，将三类高频因子等权合成为高频“金”组合因子[3][62] 2. **选股与加权**：基于该因子值在中证1000成分股内选股并构建投资组合[62] 3. **策略设置**：调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[62] 4. **优化机制**：加入换手率缓冲机制以降低调仓成本[62] 2. **模型名称**：高频&基本面共振组合中证1000指数增强策略[4][67] * **模型构建思路**：将高频因子与基本面因子结合构建指数增强策略，旨在获得更优的风险调整后收益[4][67] * **模型具体构建过程**： 1. **因子合成**：如前述，将三类高频因子与三个基本面因子等权合成为共振组合因子[4][67] 2. **选股与加权**：基于该因子值在中证1000成分股内选股并构建投资组合[67] 3. **策略设置**：调仓频率为周度，手续费率为单边千分之二，基准为中证1000指数[67] 模型的回测效果 1. **高频“金”组合中证1000指数增强策略**[3][63][66] * 年化超额收益率：9.85%[3][63] * 跟踪误差：4.32%[63] * 信息比率(IR)：2.28[63] * 超额最大回撤：6.04%[3][63] * 上周超额收益：-2.06%[3][66] * 本月以来超额收益：-1.64%[3][66] * 今年以来超额收益：5.26%[3][66] 2. **高频&基本面共振组合中证1000指数增强策略**[4][69][71] * 年化超额收益率：13.93%[4][69] * 跟踪误差：4.20%[69] * 信息比率(IR)：3.31[69] * 超额最大回撤：4.52%[4][69] * 上周超额收益：-1.37%[4][71] * 本月以来超额收益：-1.33%[4][71] * 今年以来超额收益：5.24%[4][71]

量化模型与构建方式 1. **模型名称：长期行业主题基金标签与指数模型** * **模型构建思路**：为主动偏股基金构建完整的行业主题和细分赛道标签，以支持资产配置、主题投资和产品选择的需求，并构建相应的行业主题基金指数作为衡量工具[36]。 * **模型具体构建过程**： 1. **数据来源**：使用基金近四期（中报/年报）的持仓信息[36]。 2. **标签定义**：根据基金在长期运作中呈现的行业特征，定义三类长期行业标签： * **行业主题基金**：长期聚焦于特定行业的基金。 * **行业轮动基金**：在不同时期切换行业重心的基金。 * **行业均衡基金**：行业配置相对分散均衡的基金[36]。 3. **指数构建**：基于上述标签，构建不同行业主题（如国防军工、新能源、TMT等）的基金指数，以反映该类主题基金的整体风险收益表现[36]。 2. **模型名称：REITs系列指数模型** * **模型构建思路**：构建完整的REITs系列指数，为投资者提供基于指数化思想的资产配置新视角，综合反映REITs市场表现，并提供不同底层资产和项目类型的细分指数[48]。 * **模型具体构建过程**： 1. **指数类型**：同时提供价格指数和全收益指数，以考虑REITs的高分红特性[48]。 2. **加权方法**：采用分级靠档的方法，确保计算指数的份额保持相对稳定[48]。 3. **样本调整**：当样本成分名单或样本成分的调整市值出现非交易因素变动（如新发、扩募）时，采用除数修正法以保证指数的连续性[48]。 4. **指数分类**：构建综合指数、底层资产指数（如产权类、特许经营权类）和细分项目指数（如保障性租赁住房、生态环保等）[49]。 量化因子与构建方式 1. **因子名称：多因子ETF分类因子（红利、现金流、质量、低波、基本面、价值、动量、成长）** * **因子构建思路**：基于不同的量化投资逻辑或财务指标，对ETF产品进行分类，以区分其背后的投资风格与风险收益特征[60]。 * **因子具体构建过程**：报告未详细描述每个因子的具体计算公式，但根据常见的量化因子定义，其构建思路通常如下： * **红利因子**：通常基于股息率筛选高股息股票。 * **现金流因子**：通常基于自由现金流等指标筛选现金流充裕的公司。 * **质量因子**：通常基于盈利能力（如ROE）、盈利稳定性、财务杠杆等指标筛选优质公司。 * **低波因子**：通常基于股价历史波动率筛选波动率较低的股票。 * **基本面因子**：可能基于销售额、现金流、净资产、分红等基本面指标进行加权。 * **价值因子**：通常基于市盈率（PE）、市净率（PB）等估值指标筛选低估股票。 * **动量因子**：通常基于股票过去一段时间的收益率筛选强势股。 * **成长因子**：通常基于营收增长率、利润增长率等指标筛选高成长性公司[60]。 模型的回测效果 1. **长期行业主题基金指数**，本周收益率：国防军工 6.62%，新能源 6.34%，TMT 4.15%，行业均衡 3.08%，行业轮动 2.63%，周期 2.63%，金融地产 0.14%，消费 -0.21%，医药 -0.81%[36]。 2. **长期行业主题基金指数**，2025年12月月度收益率：行业均衡 4.70%，行业轮动 4.16%，医药 -4.57%，消费 -0.86%，TMT 6.12%，新能源 4.11%，金融地产 3.04%，国防军工 14.95%，周期 6.19%[38]。 因子的回测效果 1. **多因子ETF（红利）**，本周净流入 10.70亿元，本周回报 0.17%，近1月回报 -0.78%，今年以来回报 3.84%[60]。 2. **多因子ETF（现金流）**，本周净流入 6.97亿元，本周回报 1.02%，近1月回报 3.45%，今年以来回报 --[60]。 3. **多因子ETF（质量）**，本周净流入 0.09亿元，本周回报 2.64%，近1月回报 7.33%，今年以来回报 33.27%[60]。 4. **多因子ETF（低波）**，本周净流入 -0.02亿元，本周回报 2.11%，近1月回报 4.79%，今年以来回报 17.11%[60]。 5. **多因子ETF（基本面）**，本周净流入 -0.03亿元，本周回报 0.79%，近1月回报 0.75%，今年以来回报 8.05%[60]。 6. **多因子ETF（价值）**，本周净流入 -0.05亿元，本周回报 1.01%，近1月回报 2.58%，今年以来回报 13.61%[60]。 7. **多因子ETF（动量）**，本周净流入 -1.91亿元，本周回报 4.90%，近1月回报 11.68%，今年以来回报 44.62%[60]。 8. **多因子ETF（成长）**，本周净流入 -1.91亿元，本周回报 3.74%，近1月回报 7.43%，今年以来回报 34.70%[60]。

量化模型与构建方式 1. **模型名称**：红利风格择时模型[1][4][6] **模型构建思路**：构建一个综合因子来对红利风格进行择时判断，当综合因子值为正时发出正向信号[1][6] **模型具体构建过程**：模型由多个分项因子构成，每周计算各分项因子的数值，并通过一定方式（报告中未明确具体加权或合成公式）合成为一个综合因子值[6][7][11]。综合因子值大于0代表看多红利风格，小于0则未发出正向信号[1][6]。 **模型评价**：该模型旨在捕捉影响红利风格表现的多维度信息，包括宏观经济、利率环境、市场情绪和基本面等[7][11]。 量化因子与构建方式 1. **因子名称**：中国:非制造业PMI:服务业因子[11] **因子构建思路**：使用中国非制造业PMI中的服务业指数作为反映经济景气度的指标，用于判断对红利风格的影响[11]。 **因子具体构建过程**：直接采用“中国:非制造业PMI:服务业”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为-0.80[11]。 2. **因子名称**：中国:M2:同比因子[11] **因子构建思路**：使用中国M2货币供应量的同比增速作为反映流动性环境的指标，用于判断对红利风格的影响[11]。 **因子具体构建过程**：直接采用“中国:M2:同比”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为0.58[11]。 3. **因子名称**：美国:国债收益率:10年因子[7][11] **因子构建思路**：使用美国10年期国债收益率作为反映全球无风险利率和资金成本的指标，其变化会对红利资产的吸引力产生影响[7][11]。 **因子具体构建过程**：直接采用“美国:国债收益率:10年”的原始或处理后的时间序列数据作为因子值[11]。最新（2025.12.26）因子值为-0.91[11]。 4. **因子名称**：红利相对净值自身因子[11] **因子构建思路**：使用红利指数自身的相对净值表现（可能指其相对于自身均值的偏离或动量）作为技术面或趋势指标[11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为-0.70[11]。 5. **因子名称**：中证红利股息率-10年期中债收益率因子[4][7][11] **因子构建思路**：计算中证红利指数的股息率与10年期中国国债收益率的利差，该利差反映了红利资产相对于债券的性价比，利差扩大对红利风格有利[4][7][11]。 **因子具体构建过程**：因子值 = 中证红利股息率 - 10年期中债收益率[11]。最新（2025.12.26）因子值为0.72[11]。 6. **因子名称**：融资净买入因子[11] **因子构建思路**：使用市场的融资净买入数据作为反映场内杠杆资金情绪和动向的指标[11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为0.45[11]。 7. **因子名称**：行业平均景气度因子[7][11] **因子构建思路**：使用分析师对行业的景气度判断平均值，作为反映上市公司基本面预期的指标[7][11]。 **因子具体构建过程**：报告未详述具体计算方法，但给出了该因子的时间序列值[11]。最新（2025.12.26）因子值为1.65[11]。 模型的回测效果 *报告为周报，主要展示模型及因子最新时点的状态和观点，未提供历史回测的绩效指标（如年化收益率、夏普比率、最大回撤等）[1][6][11]。* 因子的回测效果 *报告为周报，主要展示各因子最新时点的数值及观点，未提供因子历史表现的测试结果（如IC值、IR、多空收益等）[11]。* 模型及因子最新状态与取值 (截至2025年12月26日) 1. **红利风格择时模型**，综合因子值: -0.55[1][4][6] 2. **中国:非制造业PMI:服务业因子**，因子值: -0.80，最新观点: 看多(1)[11] 3. **中国:M2:同比因子**，因子值: 0.58，最新观点: 中性(0)[11] 4. **美国:国债收益率:10年因子**，因子值: -0.91，最新观点: 中性(0)[11] 5. **红利相对净值自身因子**，因子值: -0.70，最新观点: 中性(0)[11] 6. **中证红利股息率-10年期中债收益率因子**，因子值: 0.72，最新观点: 看多(1)[11] 7. **融资净买入因子**，因子值: 0.45，最新观点: 中性(0)[11] 8. **行业平均景气度因子**，因子值: 1.65，最新观点: 中性(0)[11] *注：“最新观点”列中，“1”代表该因子发出看多红利风格的信号，“0”代表中性信号[11]。*

量化模型与构建方式 1. 大类资产配置ETF组合模型 1. **模型名称**：固定比例ETF组合[21][34] * **模型构建思路**：结合战略配置模型（固定比例）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以固定比例模型作为战略配置基础，设定各类资产的权重中枢[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 2. **模型名称**：控制波动率6% ETF组合[21][34] * **模型构建思路**：结合战略配置模型（控制波动率）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以控制波动率模型（目标年化波动率6%）作为战略配置基础[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 3. **模型名称**：风险平价ETF组合[21][34] * **模型构建思路**：结合战略配置模型（风险平价）与战术动态调整模型（基于宏观和技术指标打分）构建大类资产配置策略[21] * **模型具体构建过程**： * **战略配置**：以风险平价模型作为战略配置基础[21][34] * **战术调整**：根据宏观指标和技术指标对风险资产进行月度定量打分，根据总得分调整权重，相应调高或调低货币资产的配置比例[21][34] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢及调整范围见下表[34][36] 2. QDII-ETF组合模型 1. **模型名称**：QDII-ETF组合[44][53] * **模型构建思路**：从宏观视角及技术视角出发，对境外权益指数进行定量打分，构建QDII-ETF组合[44] * **模型具体构建过程**： * **战略配置**：采用固定比例模型作为战略配置基础，设定各指数权重中枢为10%[53][54] * **战术调整**：根据宏观指标和技术指标对境外权益指数进行月度定量打分，根据总得分调整权重，相应地调高或调低货币资产的配置比例[53] * **标的与权重**：配置指数对应规模最大的ETF，权重中枢为10%，调整权重为±5%[53][54] 3. 相对收益ETF组合模型 1. **模型名称**：相对收益ETF组合[61][73] * **模型构建思路**：从权益指数轮动策略出发，通过多维度优选指标筛选指数，并配置对应ETF构建组合[61] * **模型具体构建过程**： * **指数筛选**：从历史基本面、资金流、一致预期、宏观、动量、风格6个维度构建7个优选指标，计算各指数的Z值并加权求和得到综合得分[61][65][67] * **标的筛选**：筛选规模>2亿元、近1月日均成交额>0.1亿元、存续时间>180天且非转型的ETF[74] * **组合构建**：选取综合得分前20%的指数对应的ETF构建组合，约束组合中ETF数量最多10只，并对相同宽基、同类行业主题、SmartBeta指数产品数量设限[73][74][79] 2. **模型名称**：结合指数拥挤度的相对收益ETF组合[68][73] * **模型构建思路**：在相对收益ETF组合基础上，引入拥挤度指标，剔除短期拥挤度较高的指数以提升组合稳定性[68] * **模型具体构建过程**： * **拥挤度判断**：从成交额、波动水平、融资存量、融资增量、基金持仓、资金流6个维度构建拥挤度指标，若指标处于历史特定高分位数（如90%）则判定为拥挤[69][72] * **组合构建**：在优选指数的基础上，剔除被判定为拥挤的指数，再构建ETF组合[73] 4. 绝对收益ETF组合模型 1. **模型名称**：绝对收益ETF组合[84][89] * **模型构建思路**：以绝对收益为导向，从指数的基本面、分红及技术面特征出发构建指标，筛选稳定性高、分红可观、与市场相关性低的指数构建组合[84] * **模型具体构建过程**： * **指数筛选**：构建7个指标（基本面、分红、技术面各维度），计算各指数的Z值并按权重（基本面1/3、分红1/3、技术面1/3）加权求和得到综合得分[88][89][90] * **标的筛选**：筛选规模>2亿元、近1月日均成交额>0.1亿元、存续时间>180天且非转型的ETF[91] * **组合构建**：选取综合得分前20%的指数对应的ETF构建组合，约束组合中ETF数量最多5只，并对相同宽基、同类行业主题、SmartBeta指数产品数量设限[89][91][95] 5. 全天候多元配置ETF组合模型 1. **模型名称**：全天候多元配置ETF组合[7][100] * **模型构建思路**：综合前述四个ETF组合（A股大类资产配置、QDII-ETF、A股相对收益、A股绝对收益）的构建思路与标的筛选结果，构建全天候多元配置组合[7][12][13] * **模型具体构建过程**： * **战略配置**：采用固定比例模型作为战略配置基础，设定各大类资产的权重中枢[100] * **战术调整**：根据宏观及技术指标总得分调整A股、港股、海外权益及商品资产的权重，并相应调整货币资产比例[100] * **A股权益细分**：始终配置5%的绝对收益ETF组合，相对收益ETF组合权重在0%-10%之间动态调整[100] * **标的与权重**：配置指数对应规模最大的ETF，具体权重中枢及上下限见下表[100][101] 量化因子与构建方式 1. 宏观指标因子（用于大类资产及QDII-ETF组合） 1. **因子构建思路**：从宏观指标的趋势出发，研究其上行和下行对大类资产收益率的影响，筛选出能导致资产收益出现显著分化的宏观指标[24] 2. **因子具体构建过程**： * **有效性检验**：利用T检验判断某个宏观指标（取不同周期历史均线）处于趋势上行和下行时，某个资产的收益是否存在明显差别[24] * **T检验公式**： $$t={\frac{{\overline{{X_{1}}}}-{\overline{{X_{2}}}}}{\sqrt{\frac{(n_{1}-1){S_{1}}^{2}+(n_{2}-1){S_{2}}^{2}}{n_{1}+n_{2}-2}}({\frac{1}{n_{1}}}+{\frac{1}{n_{2}}})}}\sim t_{n_{1}+n_{2}-2}$$ 其中，$\overline{X_1}$、$\overline{X_2}$ 分别代表宏观指标趋势上行和下行情况下，某大类资产的平均月度收益率；$S_1$、$S_2$ 代表对应情况下的月度收益率标准差；$n_1$、$n_2$ 代表宏观指标处于趋势上行或下行的月份数量[24][26] * **打分规则**：对于筛选出的宏观指标，根据其趋势及影响方向（正向或负向），对对应资产进行月度打分，打分范围为-1、0、1[29][47] 2. 技术指标因子（用于大类资产及QDII-ETF组合） 1. **因子构建思路**：从趋势、估值、资金流三个方面研究技术指标对大类资产表现的影响，筛选在不同时间段内整体有效的指标[31] 2. **因子具体构建过程**： * **指标筛选**：测试历史上不同技术指标，寻找在不同时间段内对未来1个自然月表现影响较为显著的指标[31][49] * **打分规则**：根据指标最新值进行月度打分。趋势、资金流指标打分范围为-1、0、1；估值指标打分范围为-2、-1、0、1、2[32][50] 3. 相对收益优选指标因子（用于相对收益ETF组合） 1. **因子构建思路**：从历史基本面、资金流、一致预期、宏观、动量、风格6个维度构建具体指标，作为筛选指数的定量依据[61] 2. **因子具体构建过程**： * **指标构成**：共7个指标，具体计算方法如下[64][67]： * **ROE_TTM环比变化**：根据加权整体法计算指数的ROE_TTM，并计算最近一个季度报告期的环比变化 * **净利润增速TTM环比变化**：根据加权整体法计算指数的净利润增速TTM，并计算最近一个季度报告期的环比变化 * **主动资金流入市值比**：根据加权整体法计算指数的主动净流入额指标 * **预期盈利增速估值匹配度**：从个股一致预期数据出发，根据加权整体法计算指数的预期利润增速，并计算估值与预期利润增速的比值 * **工业企业利润增速**：基于统计局月频细分行业工业企业利润数据，结合成分股权重计算指数利润增速 * **风格剥离超额收益信息比**：指数历史日频涨跌幅与风格指数回归，以残差项的信息比作为指标值 * **指数风格匹配度**：定量判断未来风格相对强弱，结合指数自身风格特征计算，公式为：指数风格匹配度 = 指数规模风格得分 * λ1 + 指数成长价值风格得分 * λ2，其中λ1、λ2分别为大小盘、成长价值月度观点 * **加权合成**：由于ROE_TTM环比变化与净利润增速TTM环比变化相关性较高，给予这两个指标共计1/6的权重（各1/12），其余5个指标各赋予1/6的权重。将各指标Z值按权重加权求和得到指数综合得分[65][68] 4. 拥挤度指标因子（用于相对收益ETF组合） 1. **因子构建思路**：从成交额、波动水平、融资存量、融资增量、基金持仓、资金流6个维度构建指标，定量刻画指数的拥挤度[68] 2. **因子具体构建过程**： * **指标构成与触发条件**：共6个指标，具体计算方法及拥挤触发条件如下[72]： * **成交额占比**：历史1个月指数成分股在全部A股中的成交额占比。拥挤条件：历史3年分位数 > 90% * **Beta**：历史1个月指数相对于万得全A的Beta。拥挤条件：历史5年分位数 > 90% * **融资余额市值比**：指数融资余额与指数流通市值的比值。拥挤条件：历史3年分位数 > 90% * **融资增量成交额比**：历史1个月指数融资净增量与指数成交额的比值。拥挤条件：历史1年分位数 > 90% * **基金持仓比例**：指数成分股在主动型权益基金重仓股中的持仓占比。拥挤条件：历史5年分位数 > 90% * **中小单主动买入额占比**：历史1个月指数成分股主动买入额占比(中单/小单)。拥挤条件：历史3年分位数 > 100% 5. 绝对收益指标因子（用于绝对收益ETF组合） 1. **因子构建思路**：从指数的基本面稳定性、分红可观性、与市场波动的低相关性三个维度出发构建指标，筛选符合绝对收益导向的指数[84] 2. **因子具体构建过程**： * **指标构成**：共7个指标，具体计算方法如下[90]： * **历史1年ROE_TTM均值/ROE_TTM标准差**：采用加权整体法计算指数的ROE_TTM，基于历史4个季度报告期数据构建 * **历史1年净利润增速TTM标准差**：采用加权整体法计算指数的净利润增速TTM，基于历史4个季度报告期数据构建 * **历史3年股息率**：采用加权整体法，结合指数历史3年现金分红额及最新市值构建 * **历史3年现金分红净利润比**：采用加权整体法，结合指数历史3年现金分红额及净利润构建 * **历史12个月Beta**：指数历史12个月日频收益率相对于万得全A指数的Beta * **历史12个月SemiBeta**：指数历史12个月日频收益率相对于万得全A指数的Beta（仅万得全A指数收益率为负时） * **历史12个月平均相关性**：指数历史12个月日频收益率与其它样本指数的平均相关系数 * **加权合成**：将基本面、分红、技术面特征指标的总权重均设定为1/3，各子指标权重具体分配见下表。将各指标Z值按权重加权求和得到指数综合得分[88][89] 模型的回测效果 （回测区间：2016.12.31 - 2025.11.30，另有注明者除外） 1. **固定比例ETF组合**，年化收益率9.75%，最大回撤4.85%，年化波动率5.67%[38][42] 2. **控制波动率6% ETF组合**，年化收益率8.41%，最大回撤6.42%，年化波动率5.84%[38][42] 3. **风险平价ETF组合**，年化收益率8.31%，最大回撤2.77%，年化波动率3.75%[38][42] 4. **QDII-ETF组合**，年化收益率18.51%，最大回撤16.78%，年化波动率11.64%[54][59] 5. **相对收益ETF组合**，年化收益率16.76%，最大回撤28.66%，年化波动率22.16%[78][82] 6. **相对收益ETF组合：结合指数拥挤度**，年化收益率19.32%，最大回撤25.69%，年化波动率21.87%[78][82] 7. **绝对收益ETF组合**，年化收益率12.33%，最大回撤26.11%，年化波动率17.53%[94][98] 8. **全天候多元配置ETF组合**（回测区间：2016.12.31 - 2025.12.26），年化收益率9.36%，最大回撤3.64%，年化波动率3.82%，月度胜率82.41%，滚动3月胜率98.11%，滚动1年胜率100%[7][101][105]