金融工程| 证券研究报告 —周报 2025 年 12 月 14 日 中银量化大类资产跟踪 A 股震荡上行，贵金属表现突出 股票市场概览 本周 A 股市场整体上涨，港股市场整体下跌，美股市场普遍下跌，其 他海外权益市场走势分化。 A 股风格与拥挤度 成长 vs 红利：相对拥挤度及超额净值近期处于历史较高位置，需注 意成长风格的配置风险。 小盘 vs 大盘：相对拥挤度及超额净值均未处于历史高位，小盘风格 当前具有较高的配置性价比。 微盘股 vs 中证 800：相对拥挤度及超额净值持续处于历史高位，需注 意微盘股风格的配置风险。 A 股行情跟踪 A 股估值与股债性价比 A 股资金面 汇率市场 近一周在岸人民币较美元升值，离岸人民币较美元升值。 商品市场 本周中国商品市场整体下跌，美国商品市场整体上涨。 风险提示 量化模型因市场剧烈变动失效。 中银国际证券股份有限公司 具备证券投资咨询业务资格 金融工程 证券分析师: 郭策 (8610) 66229081 ce.guo@bocichina.com 证券投资咨询业务证书编号：S1300522080002 联系人：宋坤笛 (8610) 83949524 kundi.son ...

量化模型与构建方式 1. 模型名称：三维择时框架 * **模型构建思路**：通过构建分歧度、流动性、景气度三个维度的指标，综合判断市场走势，当三个维度趋势一致时给出明确的上涨或下跌判断[9]。 * **模型具体构建过程**：模型基于三个核心指标进行判断[9]。 1. **分歧度**：衡量市场参与者观点的离散程度，当前处于下行趋势[9]。 2. **流动性**：衡量市场资金面的松紧程度，当前处于下行趋势[9]。 3. **景气度**：衡量上市公司基本面的繁荣程度，当前处于上行趋势[9]。 当三个指标的趋势方向一致时，框架转为一致的上涨或下跌判断。例如，当前分歧度下行、流动性下行、景气度上行，框架转为一致上涨判断[9]。 2. 模型名称：热点趋势ETF策略 * **模型构建思路**：结合价格形态（支撑阻力）和市场短期关注度（换手率变化）来筛选ETF，构建风险平价组合[30]。 * **模型具体构建过程**： 1. **形态筛选**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[30]。 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[30]。 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的ETF，即短期市场关注度明显提升的品种[30]。 4. **组合构建**：最终选择10只ETF，采用风险平价方法构建组合[30]。 3. 模型名称：ETF三策略融合轮动模型 * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格的互补，降低单一策略风险[35]。 * **模型具体构建过程**： 1. **策略构成**：模型融合了三个子策略[35]。 * **行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性[36]。 * **个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[36]。 * **困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[36]。 2. **融合方式**：将三个子策略的选股结果进行等权组合[35]。 4. 模型名称：融资-主动大单资金流共振策略 * **模型构建思路**：利用融资融券资金流和主动大单资金流两个维度，通过取交集（在主动大单因子头部行业中剔除融资融券因子头部行业）的方式，筛选出具有资金共振效应的行业，以提高策略稳定性[44][45]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：定义为经过Barra市值因子中性化后的（融资净买入-融券净买入）个股加总值，取最近50日均值后的两周环比变化率[44]。 2. **构建行业主动大单资金因子**：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值[44]。 3. **策略逻辑**：研究发现融资融券因子的多头端在不同市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子的头部行业[45]。 4. **行业剔除**：进一步剔除大金融板块[45]。 5. 因子名称：风格因子（盈利收益率、市值、价值） * **因子构建思路**：报告跟踪了多个风格因子的表现，本周市场呈现“高盈利高市值高价值”的特征[50]。 * **因子具体构建过程**：报告未详细描述具体构建公式，但提及了因子的表现方向。盈利收益率因子代表高盈利个股，市值因子代表高市值个股，价值因子代表高价值个股[50]。 6. 因子名称：Alpha因子（动量、研发收入类等） * **因子构建思路**：从多维度（时间、指数、行业）观察不同因子的表现趋势，计算其多头超额收益（前1/5组）[52]。除规模因子外，均进行了市值、行业中性化处理[52]。 * **因子具体构建过程**：报告列出了多个因子的近期表现和释义，例如： * **一年期动量因子 (pb_roe)**：近一周多头超额收益1.13%，定义为“1年-1个月的收益率”[55]。 * **研发销售收入占比因子 (safexp_operrev)**：近一周多头超额收益1.04%[55]。 * **销售费用因子 (ep_q_adv)**：近一周多头超额收益0.96%，定义为“管理费用/总销售收入”[55]。 7. 模型名称：多风格增强策略（质量增强、红利增强等） * **模型构建思路**：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[58]。 * **模型具体构建过程**：报告未详细描述具体增强因子的构建方法，但展示了基于不同风格（质量、红利、长期成长、价值、低波、短期动量、长期动量）的增强策略及其绩效[62]。 模型的回测效果 1. 热点趋势ETF策略 * 今年以来收益率：34.49%[30] * 相比沪深300指数的超额收益：19.58%[30] 2. ETF三策略融合轮动模型 * 截至2025年12月12日组合收益率：12.11%[39] * 夏普率：0.73[39] * 今年以来组合收益率：25.60%[39] * 信息比率 (IR)：1.09 (All)[40] * 最大回撤：-24.55% (All)[40] * 分年度绩效详见报告表4[40] 3. 融资-主动大单资金流共振策略 * 2018年以来费后年化超额收益：14.3%[45] * 信息比率 (IR)：1.4[45] * 策略上周（截至报告期）绝对收益：-0.27%[45] * 策略上周（截至报告期）超额收益（相对行业等权）：0.37%[45] 4. 多风格增强策略（截至2025年12月12日） * **质量增强策略**：本周超额收益率2.00%，本年超额收益率-0.01%，最近一年年化收益率18.89%，夏普率1.54，区间最大回撤-5.73%[62] * **红利增强策略**：本周超额收益率0.62%，本年超额收益率13.71%，最近一年年化收益率17.45%，夏普率1.45，区间最大回撤-5.88%[62] * **长期成长增强策略**：本周超额收益率-0.97%，本年超额收益率4.29%，最近一年年化收益率24.26%，夏普率1.40，区间最大回撤-12.76%[62] * **价值增强策略**：本周超额收益率-1.97%，本年超额收益率-12.03%，最近一年年化收益率8.76%，夏普率0.54，区间最大回撤-11.34%[62] * **低波增强策略**：本周超额收益率-2.08%，本年超额收益率4.30%，最近一年年化收益率22.72%，夏普率1.73，区间最大回撤-8.73%[62] * **短期动量增强策略**：本周超额收益率-1.86%，本年超额收益率-15.35%，最近一年年化收益率6.46%，夏普率0.46，区间最大回撤-9.14%[62] * **长期动量增强策略**：本周超额收益率-1.20%，本年超额收益率-16.31%，最近一年年化收益率7.55%，夏普率0.55，区间最大回撤-9.53%[62] 量化因子与构建方式 （注：报告中提及的Alpha因子和风格因子，其具体构建方式已在上述“量化模型与构建方式”部分的第5、6点中说明，此处不再重复列出。） 因子的回测效果 1. 风格因子（本周表现） * 盈利收益率因子：正收益2.04%[50] * 市值因子：正收益1.51%[50] * 价值因子：正收益1.37%[50] 2. Alpha因子（近一周多头超额收益，截至2025年12月12日） * 一年期动量因子 (pb_roe)：1.13%[55] * 研发销售收入占比因子 (safexp_operrev)：1.04%[55] * 销售费用因子 (ep_q_adv)：0.96%[55] 3. 分指数Alpha因子表现（上周多头超额收益，截至2025年12月12日，前20因子示例） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：在沪深300中超额收益25.52%，在中证500中10.16%，在中证800中17.88%，在中证1000中21.98%[57] * **单季度ROE同比差值（考虑快报、预告）因子 (roe_q_delta_adv)**：在沪深300中超额收益24.15%，在中证500中11.37%，在中证800中19.46%，在中证1000中20.24%[57] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：在沪深300中超额收益14.41%，在中证500中18.54%，**在中证800中21.49%**，在中证1000中15.27%[57] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：在沪深300中超额收益11.41%，**在中证500中20.25%**，在中证800中19.65%，在中证1000中16.88%[57] * **单季度净利润同比增速（考虑快报、预告）因子 (yoy_np_q_adv)**：在沪深300中超额收益22.25%，在中证500中9.56%，在中证800中15.85%，**在中证1000中22.74%**[57]

量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[28] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气状况的指数[28]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅提及构建详情可参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[28]。 2. **模型名称：A股情绪指数模型**[32] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并据此构建包含见底预警与见顶预警的情绪指数[32]。 * **模型具体构建过程**：首先，将市场按照波动率和成交额的变化方向划分为四个象限。研究发现，只有“波动上-成交下”的区间为显著负收益，其余象限都为显著正收益[32]。基于此规律，构建了A股情绪指数系统。具体算法和公式未在本报告中详述，相关研究请参考报告《视角透析：A股情绪指数构建与观察》[32]。 3. **模型名称：主题挖掘算法模型**[43] * **模型构建思路**：通过处理新闻和研报文本，从多个维度挖掘和描述主题投资机会[43]。 * **模型具体构建过程**：算法涉及文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等多个维度[43]。报告未提供具体的数学模型或计算公式。 4. **模型名称：中证500指数增强模型**[44] * **模型构建思路**：通过量化策略构建投资组合，旨在持续稳定地跑赢中证500指数基准[44]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置或组合优化公式，仅展示了其历史表现和当期持仓[44][45]。 5. **模型名称：沪深300指数增强模型**[50] * **模型构建思路**：通过量化策略构建投资组合，旨在持续稳定地跑赢沪深300指数基准[49]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置或组合优化公式，仅展示了其历史表现和当期持仓[49][52]。 6. **模型名称：风格因子模型（BARRA框架）**[54] * **模型构建思路**：参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益差异并进行组合归因[54]。 * **模型具体构建过程**：报告列出了十大类风格因子，包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[54]。报告未提供每个因子的具体计算公式。 模型的回测效果 1. **A股情绪指数模型**，择时表现参见图表17[41]。 2. **中证500指数增强模型**，截至本周收益-0.25%，跑输基准1.27%[44]。2020年至今，相对中证500指数超额收益47.37%，最大回撤-5.89%[44]。 3. **沪深300指数增强模型**，截至本周收益率0.57%，跑赢基准0.65%[49]。2020年至今，相对沪深300指数超额收益39.15%，最大回撤-5.86%[49]。 量化因子与构建方式 1. **因子名称：市值（SIZE）**[54] * **因子构建思路**：衡量公司规模大小的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 2. **因子名称：BETA**[54] * **因子构建思路**：衡量股票相对于市场整体波动性的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 3. **因子名称：动量（MOM）**[54] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 4. **因子名称：残差波动率（RESVOL）**[54] * **因子构建思路**：衡量股票特异性风险（剔除市场风险后）的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 5. **因子名称：非线性市值（NLSIZE）**[54] * **因子构建思路**：捕捉市值因子非线性效应的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 6. **因子名称：估值（BTOP，Book-to-Price）**[54] * **因子构建思路**：通常指市净率（PB）的倒数，衡量股票估值高低的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 7. **因子名称：流动性（LIQUIDITY）**[54] * **因子构建思路**：衡量股票交易活跃度与变现难易程度的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 8. **因子名称：盈利（EARNINGS_YIELD）**[54] * **因子构建思路**：衡量公司盈利能力的风格因子，通常为市盈率（PE）的倒数[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 9. **因子名称：成长（GROWTH）**[54] * **因子构建思路**：衡量公司成长性的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 10. **因子名称：杠杆（LVRG）**[54] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 因子的回测效果 1. **风格因子（近一周纯因子收益率）**，表现参见图表24[58]。其中，非线性市值因子超额收益较高，价值、流动性因子呈较为显著的负向超额收益[55]。 2. **风格因子（近期表现）**，高Beta股表现优异，杠杆、价值、流动性等因子表现不佳[55]。 3. **行业因子（近一周纯因子收益率）**，表现参见图表25[58]。其中，国防军工、通信等行业因子跑出较高超额收益，石油石化、煤炭等行业因子回撤较多[55]。

金融工程 | 证券研究报告 — 周报 2025 年 12 月 14 日 中银量化多策略行业轮动 周报 – 20251211 当前（2025 年 12 月 11 日）中银多策略行业配置系统仓位：通信 （9.6%）、银行（9.5%）、交通运输（9.1%）、非银行金融（8.0%）、 食品饮料（7.7%）、电力设备及新能源（7.2%）、钢铁（6.7%）、机械 （6.2%）、基础化工（4.7%）、石油石化（4.7%）、家电（4.4%）、综 合 （3.5% ）、农林牧渔（ 3.5% ）、综合金融（ 3.5% ）、有色金属 （3.5%）、建材（3.4%）、电子（2.4%）、电力及公用事业（1.2%）、 建筑（1.2%）。 相关研究报告 《中银证券量化行业轮动系列（七）：如何把 握市场"未证伪情绪"构建行业动量策略》 20220917 《中银证券量化行业轮动系列（八）："估值泡 沫保护"的高景气行业轮动策略》20221018 《中银证券宏观基本面行业轮动新框架：对传 统自上而下资产配置困境的破局》20230518 《中银证券量化行业轮动系列（九）：长期反 转-中期动量-低拥挤"行业轮动策略》20240914 《中银证券量化行 ...

本文首发于公众号"私募排排网"。 （点击↑↑ 上图查看详情 ） 今年以来，量化投资在多重机遇的交织下热度持续攀升。一方面，以DeepSeek为代表的人工智能前沿技术取得突破，为量化模型的迭代与策略 的创新注入了强劲动力；另一方面，A股市场震荡上行、结构性行情凸显，小微盘风格整体占优，为量化多头策略提供了施展空间。 根据私募排排网数据，截至2025年11月底， 符合排名规则且有业绩展示的量化多头产品有 715只，产品规模合计约为609.92亿元，近1年平均收 益达39.07%，领跑其他二级策略 。 | 排序 | 私募二级策略 | 符合排名规则的产品数 | 近1年收益均值 | 产品规模合计(亿元) | | --- | --- | --- | --- | --- | | 1 | 를化务杀 | 715 | 39.07% | 609.92 | | 2 | 主观多杀 | 2021 | 35.20% | 1817.49 | | 3 | 其他衍生品策略 | 15 | 29.36% | 17.98 | | 4 | 宏观策略 | 187 | 27.06% | 207.92 | | 5 | 复合策略 | 367 | 26.48% ...

核心观点 - 报告期内（2025年12月8日至12月12日），市场呈现明显的大市值风格占优特征，规模因子、beta因子和非线性市值因子获得正收益 [1] - 在各类量化选股策略中，私募调研跟踪策略和PB-ROE-50组合表现突出，超额收益显著 [3] 因子表现跟踪 大类因子表现 - 本周全市场股票池中，规模因子收益为1.18%，beta因子收益为0.91%，非线性市值因子收益为0.82%，显示大市值风格占优 [1][20] - BP因子和流动性因子表现不佳，分别获得负收益-0.55%和-0.38% [1][20] 单因子表现 - **沪深300股票池**：表现最好的因子是总资产增长率(2.05%)、单季度ROA(1.71%)和换手率相对波动率(1.59%) [1][12] - **沪深300股票池**：表现最差的因子是对数市值因子(-1.00%)、下行波动率占比(-1.10%)和大单净流入(-1.14%) [1][12] - **中证500股票池**：表现最好的因子是单季度EPS(1.61%)、总资产增长率(1.39%)和动量弹簧因子(1.22%) [1][14] - **中证500股票池**：表现最差的因子是市销率TTM倒数(-2.49%)、下行波动率占比(-2.55%)和市净率因子(-3.06%) [1][14] - **流动性1500股票池**：表现最好的因子是总资产增长率(2.25%)、单季度营业收入同比增长率(2.05%)和单季度ROA同比(1.92%) [2][18] - **流动性1500股票池**：表现最差的因子是市盈率因子(-0.90%)、下行波动率占比(-0.95%)和市净率因子(-0.97%) [2][18] 行业内因子表现 - 成长类因子在通信、综合等行业表现突出，例如净资产增长率因子在通信、综合、煤炭行业表现较好 [2][22] - 动量因子表现分化：5日动量因子在国防军工、通信行业表现为动量效应，在商业贸易、钢铁、食品饮料行业表现为反转效应 [2][22] - 估值类因子普遍承压，BP因子在多数行业表现不佳，但EP因子在通信行业表现较好 [2][22] - 规模与流动性因子在特定行业占优：对数市值因子在综合、通信、农林牧渔、电子行业表现较好；流动性因子在通信、商业贸易、电子行业表现较好 [2][22] 量化组合跟踪 PB-ROE-50组合表现 - 本周该组合在各股票池中均获得显著正超额收益：在中证500股票池为0.30%，在中证800股票池为1.60%，在全市场股票池为1.59% [3][24] - 今年以来，该组合超额收益显著，在全市场股票池累计超额收益达20.09%，绝对收益率达46.31% [25] 机构调研组合跟踪 - 私募调研跟踪策略表现最佳，本周相对中证800获得超额收益2.77% [3][27] - 公募调研选股策略本周相对中证800获得超额收益1.79% [3][27] - 今年以来，私募调研跟踪策略累计超额收益为19.34%，公募调研选股策略为19.08% [28] 大宗交易组合跟踪 - 本周大宗交易组合表现不佳，相对中证全指超额收益为-0.95% [3][31] - 但该组合今年以来累计超额收益高达37.70%，绝对收益率为67.77% [32] 定向增发组合跟踪 - 本周定向增发组合表现最差，相对中证全指超额收益为-1.50% [3][37] - 今年以来，该组合累计超额收益为-8.69%，但绝对收益率仍为11.24% [38]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：中性约束条件下最大化因子暴露组合[22] **模型构建思路**：在构建单因子投资组合时，采用一种优化方法，在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[22]。 **模型具体构建过程**：模型的具体构建方法在附录中提及，但正文未详细展开。其核心思想是通过优化求解，在满足行业和风格因子暴露中性（即组合在这些维度上的暴露与基准指数一致或为零）的约束条件下，使投资组合对目标因子的暴露达到最大[22]。 量化因子与构建方式 风格因子（共10个大类）[16] 构建思路：参考BARRA因子模型构建，以捕捉A股市场的风格变化[16]。大类风格因子通过细分因子合成[16]。 1. **因子名称**：估值因子 **因子具体构建过程**：估值因子 = BP。其中BP（Book to Price）为细分因子，构造方式为：归母股东权益 / 总市值[17]。 2. **因子名称**：成长因子 **因子具体构建过程**：成长因子 = (SGRO + EGRO) / 2[17]。 * 细分因子SGRO（Sales growth）：过去五个财年年报的每股营业收入按时间进行回归，将回归系数（斜率）除以每股营业收入的平均值，得到营业收入增长率SGRO[17]。 * 细分因子EGRO（Earnings growth）：过去五个财年年报的每股归母净利润按时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值，得到归母净利润增长率EGRO[17]。 3. **因子名称**：盈利因子 **因子具体构建过程**：盈利因子 = (ETOP + CETOP) / 2[17]。 * 细分因子ETOP（Earnings-to-price ratio）：归母净利润TTM / 总市值[17]。 * 细分因子CETOP（Cash earnings-to-price ratio）：经营活动产生的现金流量净额TTM / 总资产[17]。 4. **因子名称**：规模因子 **因子具体构建过程**：规模因子 = LNCAP。其中LNCAP（Natural log of market cap）为细分因子，构造方式为：总市值的对数[17]。 5. **因子名称**：Beta因子 **因子具体构建过程**：Beta因子 = BETA。其中BETA为细分因子，构造方式为：将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归，半衰期为63个交易日。最终取回归系数作为BETA[17]。 6. **因子名称**：动量因子 **因子具体构建过程**：动量因子 = RSTR。其中RSTR（Relative strength）为细分因子，构造方式为：过去504个交易日个股累计收益率，不含最近21个交易日。其中收益率序列使用半衰指数加权，半衰期为126个交易日[17]。 7. **因子名称**：流动性因子 **因子具体构建过程**：流动性因子 = (STOM + STOQ + STOA) / 3[17]。 * 细分因子STOM（Share turnover, one month）：个股过去1个月的换手率加总，之后取对数[17]。 * 细分因子STOQ（Average share turnover, trailing 3 months）：个股过去3个月STOM的均值[17]。 * 细分因子STOA（Average share turnover, trailing 12 months）：个股过去12个月STOM的均值[17]。 8. **因子名称**：波动性因子 **因子具体构建过程**：波动性因子 = (DASTD + CMRA + HSIGMA) / 3[17]。 * 细分因子DASTD（Daily standard deviation）：过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差。其中计算标准差时使用半衰指数加权，半衰期为40个交易日[17]。 * 细分因子CMRA（Cumulative range）：计算个股过去12个月内的累计对数收益率，将累计最高收益与累计最低收益做差得到CMRA[17]。 * 细分因子HSIGMA（Historical sigma）：计算BETA时残差的标准差[17]。 9. **因子名称**：非线性市值因子 **因子具体构建过程**：非线性市值因子 = NLSIZE。其中NLSIZE（Non-linear Size）为细分因子，构造方式为：将股票总市值对数的三次方与对数市值进行加权最小二乘回归，其中权重为对数市值的平方根，最终取回归残差作为NLSIZE。总市值越大或越小的股票NLSIZE越大，中市值股票NLSIZE小[17]。 10. **因子名称**：杠杆因子 **因子具体构建过程**：杠杆因子 = (MLEV + DTOA + BLEV) / 3[17]。 * 细分因子MLEV（Market leverage）：非流动负债 / 总市值[17]。 * 细分因子DTOA（Debt to assets）：总负债 / 总资产[17]。 * 细分因子BLEV（Book leverage）：非流动负债 / 归属母公司股东权益[17]。 选股因子（共53个）[21] 构建思路：构建了53个常用的选股因子，涵盖了估值、成长、质量、规模、反转、动量、流动性、波动性、分红、公司治理以及技术等多个方面[21]。在计算全市场股票池因子表现时，会对每个单因子进行中性化处理，消除其与行业、风格（规模、估值、成长）因子的相关性[47]。 **因子列表及具体构建过程如下表所示**[22]： | 因子类别 | 因子名称 | 构造方式 | 参考方向 | | :--- | :--- | :--- | :--- | | 估值 | BP | 归属母公司股东权益/总市值 | 正向[22] | | | 单季度EP | 单季度归母净利润/总市值 | 正向[22] | | | EP_TTM | 归母净利润TTM/总市值 | 正向[22] | | | 单季度SP | 单季度营业收入/总市值 | 正向[22] | | | SP_TTM | 营业收入TTM/总市值 | 正向[22] | | | 单季度CFEV | 单季度经营活动产生的现金流量净额/（市值 + 短期借款 + 长期借款 + 应付债券 - 货币资金） | 正向[22] | | | CFEV_TTM | 经营活动产生的现金流量净额TTM/（市值 + 短期借款 + 长期借款 + 应付债券 - 货币资金） | 正向[22] | | 成长 | 单季度净利润同比增速 | 单季度归母净利润同比增长率 | 正向[22] | | | 单季度营业收入同比增速 | 单季度营业收入同比增长率 | 正向[22] | | | 单季度营业利润同比增速 | 单季度营业利润同比增长率 | 正向[22] | | | 标准化预期外盈利 | （当前季度归母净利润 -（去年同期单度归母净利润+过去8个季度单季归母净利润同比增长均值））/ 过去8个季度的单季度归母净利润同比增长值的标准差 | 正向[22] | | | 标准化预期外收入 | （当前季度营业收入 -（去年同期单度营业收入+过去8个季度单季度营业收入同比增长均值））/ 过去8个季度的单季营业收入同比增长值的标准差 | 正向[22] | | | 单季度ROE同比 | ROE单季度同比变化 | 正向[22] | | | 单季度ROA同比 | ROA单季度同比变化 | 正向[22] | | 质量 | 单季度ROE | 单季度归母净利润/归属母公司股东权益 | 正向[22] | | | 单季度ROA | 单季度归母净利润/总资产 | 正向[22] | | | 单季度毛利率 | （单季度营业收入-单季度营业成本）/单季度营业收入 | 正向[22] | | | 单季度营业利润率 | 单季度营业利润/单季度营业收入 | 正向[22] | | | 单季度净利润率 | 单季度归母净利润/单季度营业收入 | 正向[22] | | | 盈余质量 | (经营活动现金流量净额-营业利润) /总资产 | 正向[22] | | | 流动比率 | 流动资产/流动负债 | 正向[22] | | 规模 | 对数市值 | 总市值的对数 | 负向[22] | | 反转 | 20日反转 | 个股过去20个交易日收益率 | 负向[22] | | | 60日反转 | 个股过去60个交易日收益率 | 负向[22] | | 动量 | 60日动量 | 个股过去60个交易日（排除近20日）收益率 | 正向[22] | | | 240日动量 | 个股过去240个交易日（排除近20日）收益率 | 正向[22] | | | 盈余公告前隔夜动量 | 个股盈余公告前20个交易日的隔夜收益 | 正向[22] | | | 盈余公告次日开盘跳空超额 | 个股盈余公告次日开盘价/昨日收盘价-中证全指次日开盘价/昨日收盘价 | 正向[22] | | 流动性 | 20日换手率 | 个股过去20个交易日换手率的平均值 | 负向[22] | | | 60日换手率 | 个股过去60个交易日换手率的平均值 | 负向[22] | | | 20日换手率波动 | 个股过去20个交易日换手率的标准差 | 负向[22] | | | 60日换手率波动 | 个股过去60个交易日换手率的标准差 | 负向[22] | | | 20日非流动性冲击 | 个股过去20个交易日的收益率绝对值/过去20日成交额的均值 | 正向[22] | | | 60日非流动性冲击 | 个股过去60个交易日的收益率绝对值/过去60日成交额的均值 | 正向[22] | | 波动性 | 20日收益率标准差 | 个股过去20个交易日的日收益率标准差 | 负向[22] | | | 60日收益率标准差 | 个股过去60个交易日的日收益率标准差 | 负向[22] | | | 20日特异度 | 个股过去20个交易日的日收益与Fama-French三因子回归的拟合度 | 负向[22] | | | 60日特异度 | 个股过去60个交易日的日收益与Fama-French三因子回归的拟合度 | 负向[22] | | | 20日三因子模型残差波动率 | 个股过去20个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | | 120日三因子模型残差波动率 | 个股过去120个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | | 240日三因子模型残差波动率 | 个股过去240个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | 分红 | 股息率 | 最近4个季度分红/总市值 | 正向[22] | | 公司治理 | 前五大股东持股比例 | 前五大股东持股比例合计 | 正向[22] | | | 前十大股东持股比例 | 前十大股东持股比例合计 | 正向[22] | | 技术 | 20日成交额 | 过去20个交易日日均成交额 | 负向[22] | | | 60日成交额 | 过去60个交易日日均成交额 | 负向[22] | | | 60日偏度 | 过去60个交易日日度收益率数据计算的偏度 | 负向[22] | | | 240日偏度 | 过去240个交易日日度收益率数据计算的偏度 | 负向[22] | | | 20日成交量变异系数 | 过去20个交易日成交量的标准差 / 过去20个交易日成交量均值 | 负向[22] | | | 60日成交量变异系数 | 过去60个交易日成交量的标准差 / 过去60个交易日成交量均值 | 负向[22] | | | 20日成交量比率 | 过去20个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | | | 60日成交量比率 | 过去60个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | | | 120日成交量比率 | 过去120个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | 模型的回测效果 *注：报告中未提供“中性约束条件下最大化因子暴露组合”模型整体的综合回测指标（如年化收益、夏普比率等），仅提供了该模型框架下各单因子的超额收益表现。* 因子的回测效果 风格因子表现（近一周多空收益）[19] 1. Beta因子， 多空收益 4.54%[19] 2. 动量因子， 多空收益 4.34%[19] 3. 波动性因子， 多空收益 3.81%[19] 4. 规模因子， 多空收益 3.36%[19] 5. 流动性因子， 多空收益 1.59%[19] 6. 成长因子， 多空收益 1.15%[19] 7. 非线性市值因子， 多空收益 0.88%[19] 8. 盈利因子， 多空收益 0.61%[19] 9. 杠杆因子， 多空收益 -0.56%[19] 10. 估值因子， 多空收益 -3.71%[19] 选股因子表现（基于“中性约束条件下最大化因子暴露组合”） **以下为各股票池中，因子在“最近一周”窗口期的超额收益表现。** 沪深300股票池[24] 1. 标准化预期外盈利因子， 超额收益 0.87%[24] 2. 240日动量因子， 超额收益 0.78%[24] 3. 单季度净利润率因子， 超额收益 0.74%[24] 中证500股票池[28] 1. 单季度毛利率因子， 超额收益 1.49%[28] 2. 单季度营业利润率因子， 超额收益 1.26%[28] 3. 单季度净利润率因子， 超额收益 1.05%[28] 中证800股票池[33] 1. 单季度ROE因子， 超额收益 1.02%[33] 2. 盈余公告前隔夜动量因子， 超额收益 0.97%[33] 3. 标准化预期外盈利因子， 超额收益 0.94%[33] 中证1000股票池[38] 1. 单季度营业利润率因子， 超额收益 1.34%[38] 2. 单季度净利润率因子， 超额收益 1.25%[38] 3. 单季度营业利润同比增速因子， 超额收益 1.15%[38] 沪深300ESG股票池[42] 1. 标准化预期外盈利因子， 超额收益 0.96%[42] 2. 单季度营业利润同比增速因子， 超额收益 0.57%[42] 3. 单季度ROA因子， 超额收益 0.52%[42] 全市场股票池（近一周Rank IC）[46] 1. 单季度ROE因子， Rank IC 17.68%[46] 2. 单季度ROA因子， Rank IC 17.19%[46] 3. 单季度净利润率因子， Rank IC 16.25%[46]

● 本报记者 刘英杰 日前，"中国银河证券·中国证券报私募行业星耀领航计划"调研团队走进国内知名量化私募机构超量子 基金，与其创始人张晓泉展开深度对话。围绕量化投资的科研创新驱动、私募机构的行业责任以及科技 金融实践等议题，共同探讨在激烈竞争的量化赛道中，如何通过底层科学探索构建长期核心竞争力，并 推动市场健康发展与价值发现。 "星耀领航计划"致力于打造国内最具影响力的科创类私募赋能平台，聚焦挖掘并培育兼具专业投资能力 与合规治理水平的私募管理机构。本次调研旨在推动多元投资理念的行业共享，助力构建科技、资本与 实体经济良性循环的生态体系。 发明量化投资"显微镜" 超量子基金的创立与发展，植根于张晓泉深厚的学术背景与对金融市场底层逻辑的长期思考。从二十多 年前在华夏证券实习时初次尝试用数据方法分析市场，到后来在金融数学与机器学习交叉领域持续探 索，张晓泉坚信，量化投资的未来不仅在于工程优化和算力堆砌，更在于基础科学研究带来的范式革 命。 "与其他机构不同的是，我们投入大量精力进行底层科学研究，致力于发明'显微镜'，而非仅优化'望闻 问切'。"张晓泉在接受中国证券报记者采访时表示。超量子基金将金融数学的严谨逻辑与 ...

文章核心观点 - 全球领先的另类资产管理公司Marshall Wace已采用彭博的多资产风险因子模型MAC3 以支持其量化研究和系统化投资策略 这反映出机构投资者对高精度风险模型日益增长的需求 [1] Marshall Wace公司概况 - Marshall Wace是一家全球领先的另类投资管理公司 成立于1997年 专注于多空股票和系统化交易策略 [3] - 公司资产管理规模超过700亿美元 是全球最大的另类资产管理公司之一 [1][3] - 公司在伦敦 纽约 香港 新加坡 阿布扎比和上海设有办公室 拥有超过750名员工 [3] - 公司成功的重要驱动在于其构建的稳健且可扩展的全球基础设施 以及对创新和技术升级的持续投入 [3] 彭博MAC3风险因子模型 - MAC3是彭博新一代多资产类别风险因子模型 代表了目前最先进的一类模型 [1] - 该模型每日基于超过3000个因子进行计算 为不同投资组合 投资范围和投资风格提供卓越的预测准确性 [1] - 模型不仅用于识别更广泛的市场信号 还能解析不同市场状态下的风险动态 [1] - MAC3融合了多项行业首创的创新方法 确立了其在风险模型领域的领先地位 [1] - 模型文件可通过彭博灵活开放的API基础设施访问 便于客户在各类工作流程中高效调用 [1] 模型应用与价值 - 采用MAC3能使机构获取先进的建模技术 实现更优的模型设定 精准的风险预测和强大的投资组合分析能力 [1] - 该模型有助于机构投资者深入理解驱动投资组合风险的因子 并确保在不同策略和市场实现一致的风险衡量 [1] - 在阿尔法策略制定过程中 MAC3的模块化设计和强大的因子结构 能助力量化和系统化管理者提升投资组合构建与风险预测能力 [1] 彭博投资组合管理解决方案 - MAC3模型为彭博投资组合管理旗舰级产品PORT Enterprise的风险分析提供计算引擎 [2] - PORT Enterprise为超过800家客户提供先进的投资组合风险分析和组合归因 并具备更强的定制化和批量报告功能 [2] - 彭博投资管理解决方案覆盖整个投资生命周期 提供多资产管理能力 集成研究管理 订单与执行管理 投资组合与风险分析 交易合规和运营支持 [2] - 该解决方案依托彭博值得信赖的证券主数据和行业领先的数据 确保一致性与高质量 助力实现精准透明的决策和深入的投资分析 [2]

文章核心观点 - 私募量化股票多头策略正从单一模式向“复合策略”演进，这已成为行业趋势，旨在挖掘更多元、更可持续的收益来源，以应对传统超额收益来源变薄、变难的竞争环境[5][34][35] 量化股多策略的复合化趋势 - **第一类：多策略融合** 量化股多策略开始从单一选股转向多策略融合模式[7] - **交易增厚** 在满仓选股的基础上叠加T0策略，利用短周期价格信号进行日内高频交易，以积累小额盈利，稳定增厚选股超额收益，且与选股超额相关性低[8][9][10] - **仓位管理** 叠加择时策略，但使用谨慎，趋向于小仓位、低频率以追求更高确定性[12][14] - 例如，有管理人核心仓位为选股，仅留20%敞口做择时，通过两融杠杆或股指期货对冲，将净敞口在80%至120%之间调整[15][16] - 另有管理人进行风格择时，根据市场性价比和确定性，在红利与小盘风格间灵活切换，避免过度风格暴露[16][17] 从股多到多资产交易 - **第二类：多资产交易** 策略从纯粹的量化股多趋向于多资产交易模式[21] - **资产配置** 在量化选股为主的基础上，战术性配置可转债、黄金、国债等其他资产[21][23] - **收益与风险** 可转债兼具股性弹性和债性防御，黄金、国债等资产与股票底层逻辑不同，可在不增加整体风险的前提下提供低相关收益来源，提高组合抗风险能力[22][23] - **策略深化** 在不同资产头寸上可采用更多策略，从简单的Beta配置转向挖掘更多Alpha收益[24] 多资产多策略复合模式 - **第三类：多资产多策略复合** 量化股多向多资产多策略复合模式转变[24] - **模式构成** 多资产提供大类资产配置的Beta收益，多策略捕捉更多元的Alpha收益[25] - **典型组合** 量化股多与CTA策略结合是代表性模式[26] - 量化股多在牛市提供高弹性并积累选股超额，CTA通过趋势跟踪、多空对冲等模型捕捉期货价格波动收益，两者收益来源独立，可丰富收益并对冲风险[27][28][29] - **配置比例灵活** 可根据偏好调整主次策略，例如以量化选股为主（80%仓位）则辅以30%-40%的CTA策略，并用15%股指期货多头补足仓位；若更看好CTA，则可将CTA设为主仓位[30] - **资金效率** CTA策略具备运用杠杆的固有属性，可有效提升资金使用效率[30] - **具体案例** 有管理人将70%仓位用于CTA策略保证金，运行15-20个子策略交易商品、股指、国债期货；其余30%仓位用于量化选股获取稳定超额[33] 策略演进的背景与动因 - **发展历程** 国内量化股多策略自2018、2019年以来吸引了大量资金涌入[31] - **竞争压力** 当越来越多资金采用相似方法，传统的超额收益来源会变薄、变难[34] - **行业方向** 寻找更多元、更可持续的收益来源成为量化管理人的首要竞争方向[35] 可转债策略的灵活性 - **策略切换** 针对可转债，可根据估值水平灵活切换策略：估值低、债性明显时采用高到期收益率轮动策略，侧重防守和利息收益；估值高、股性主导时采用双低策略，寻找股债双重特性中的上涨机会[32] - **交易机制** 可转债的T+0交易机制为日内高频交易提供了条件，进一步拓宽了收益来源[32]