核心观点 - 报告基于行业轮动策略构建ETF组合，在20250929当周推荐配置航空航天、军工电子、半导体等板块，并调整持仓，调入卫星ETF、央企科技ETF等，继续持有航空航天ETF、影视ETF等 [2][12] - 策略自2024年10月14日样本外运行以来累计收益约24.76%，相对沪深300ETF累计超额收益约4.92%，但最近一周（20250922-20250926）策略净收益约-0.12%，相对沪深300ETF超额收益约为-1.14% [3][12] 策略持仓与调整 - 未来一周（20250929-20250930）策略调入卫星ETF（市值11.27亿元，重仓军工电子32.59%）、央企科技ETF（市值14.16亿元，重仓半导体21.06%）、央企科创ETF（市值2.38亿元，重仓通信服务23.64%）、传媒ETF（市值29.50亿元，重仓游戏32.91%）、中药ETF（市值24.47亿元，重仓中药II 100%）、VRETF（市值2.04亿元，重仓光学光电子24.95%） [3] - 策略继续持有航空航天ETF（市值13.51亿元，重仓航空装备58.23%）、影视ETF（市值1.06亿元，重仓影视院线45.35%）、钢铁ETF（市值35.42亿元，重仓普钢63.56%）、工业母机ETF（市值11.63亿元，重仓自动化设备46.98%） [3] - 近期调出粮食ETF（近一周涨跌幅-1.77%）、油TETF（近一周涨跌幅0.09%）、房地产ETF（近一周涨跌幅4.10%）、游戏ETF（近一周涨跌幅-0.25%）、绿电ETF（近一周涨跌幅-0.09%）、农业ETF（近一周涨跌幅-1.11%） [12] 策略表现与市场对比 - 在20250922-20250926期间，ETF组合平均收益为-0.12%，而沪深300ETF（代码510300，市值4167.21亿元）同期收益为1.02%，组合超额收益为-1.14% [12] - 策略组合采用100%权益仓位、等权加权构建，不考虑择时信号 [6] 行业与板块配置 - 模型推荐配置板块包括航空装备、军工电子、半导体、通信服务、游戏、影视院线、中药、光学光电子、普钢、自动化设备等 [3][12] - 部分ETF的日度或周度择时信号提示风险，如央企科创ETF日度信号为-1（看空），影视ETF日度信号为-1（看空），钢铁ETF日度信号为-1（看空） [3]

基金经理金梓才投资框架 - 坚持"Beta优先"的投资框架，在把握核心主线的同时动态调整持仓结构[2] - 独创"宏观周期-中观行业-微观个股"三位一体分析体系，先判断经济与政策阶段，再锁定优势板块，最后精选标的[4] - 持仓兼顾光模块、通信设备等多个算力细分领域，通过行业内分散配置降低单一标的波动对组合的冲击[2] - 善于在行业景气度触底或即将反转时进行前瞻性布局，也会在行业趋势明确、业绩加速释放时果断参与[14] - 根据景气度变化果断卖出已度过高峰的行业，切换到新的景气方向上，较好规避单一行业下行风险[14] 基金业绩表现 - 财通价值动量混合A基金自成立来收益率833.15%，今年来收益率53.78%，近1年来收益率118.05%[5] - 财通价值动量混合A基金近3月收益率93.70%，近6月收益率104.50%，近2年收益率131.91%[5] - 金梓才任职财通价值动量混合A期间回报高达351.16%，任职时间10年又63天[6] - 财通成长优选混合A基金自成立来收益率243.40%，今年来收益率59.13%，近1年来收益率133.92%[15] - 财通成长优选混合A基金近3月收益率100.47%，近6月收益率111.45%，近2年收益率144.41%[15] - 金梓才任职以来年化回报13.08%，大幅跑赢沪深300指数的4.85%[4] 投资组合与个股操作 - 基金资产配置分为战略和战术两个层面，战略上基于宏观经济长期基本面研究确定基准配置比例[6] - 战术上根据市场中短期的动量特征对资产配置比例进行动态调整，行业配置层面先依据各行业长期价值水平确定配置基准[7] - 2023年4季度买入329.96万股新易盛，持有期间2023年10月9日-2025年3月31日股票价格上涨113.58%[9] - 2025年2季度再度买入新易盛，持有期间2025年4月1日-2025年9月26日股票价格上涨435%[9][21] - 2023年4季度买入466.32万股沪电股份，持有期间2023年10月9日-2025年3月31日股票价格上涨48%[11] - 2025年2季度买入608.35万股仕佳光子，持有期间2025年4月1日-2025年9月26日股票价格上涨316%[14] - 2025年2季度买入222.23万股长芯博创，持有期间股票价格上涨178%，买入233.8万股天孚通信，持有期间股票价格上涨190%[14] AI算力赛道布局 - 2025年股市呈现"主线切换快、科技领涨"特征，精准捕捉海外算力板块爆发机会[2] - 敏锐意识到AI产业应用"0到1"的爆发节点已至，果断布局光模块、PCB等细分领域[2] - 2023年末看好科技制造行业前景，在四季度调仓中进一步增配算力方向[15] - 2024年上半年继续超配算力方向，三季度将重仓仓位基本全部转移至科技制造产品板块[15] - 观察到海外巨头AI模型研发及其资本开支持续加码，服务于海外科技巨头的优质细分领域迎来业绩与估值双重提振[27] - 海外云计算服务厂商对明年的资本开支预期可能会超预期，训练用算力的需求仍未见顶[28]

量化模型与构建方式 1. A股大盘择时模型 - **模型名称**：A股多维择时模型[2][9] - **模型构建思路**：从估值、情绪、资金、技术四个维度对万得全A指数进行整体方向性判断，左侧指标（估值、情绪）采用反转逻辑规避风险，右侧指标（资金、技术）采用趋势逻辑捕捉机会[9] - **模型具体构建过程**： - 选取四个维度的具体指标： - 估值维度：股权风险溢价（ERP）[9][15] - 情绪维度：期权沽购比、期权隐含波动率、期货会员持仓比[9][15] - 资金维度：融资买入额[9][15] - 技术维度：布林带、个股涨跌成交额占比差[9][15] - 各维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[9] - 以各维度得分之和的正负性作为大盘多空观点的依据[9] 2. 红利风格择时模型 - **模型名称**：红利风格择时模型[3][17] - **模型构建思路**：结合中证红利相对中证全指的动量、10Y-1Y期限利差和银行间质押式回购成交量三者的趋势进行择时[3][17] - **模型具体构建过程**： - 选取三个维度的指标： - 中证红利相对中证全指的动量：红利风格正向指标[21] - 10Y-1Y期限利差：红利风格负向指标[21] - 银行间质押式回购成交量：红利风格正向指标[21] - 三个指标从趋势维度日频发出信号，每日信号取值为0（看平）、+1（看多）、-1（看空）[17] - 以各维度得分之和的正负性作为红利风格多空观点的依据[17] - 当模型看好红利风格时全仓持有中证红利，不看好时全仓持有中证全指[17] 3. 大小盘风格择时模型 - **模型名称**：大小盘风格择时模型[3][22] - **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的双均线模型判断趋势[3][22][24] - **模型具体构建过程**： - 以沪深300指数和万得微盘股指数为大小盘风格代表[22] - 从动量视角和成交视角计算大小盘风格拥挤度得分[22][26]： - 动量之差：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）动量之差，进一步计算各窗长动量之分的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的动量得分，最低的3个结果取均值作为大盘风格的动量得分[26] - 成交额之比：计算万得微盘股指数与沪深300指数的多窗长（10/20/30/40/50/60日）成交额之比，进一步计算各窗长成交额之比的3.0/3.5/4.0/4.5/5.0年分位数的均值，对6个计算窗长下分位数最高的3个结果取均值作为小盘风格的成交量得分，最低的3个结果取均值作为大盘风格的成交量得分[26] - 将小盘风格的动量得分和成交量得分取均值得到小盘风格的拥挤度得分，大于90%视为触发高拥挤；将大盘风格的动量得分和成交量得分取均值得到大盘风格的拥挤度得分，小于10%视为触发高拥挤[26] - 若最近20个交易日中曾触发过高拥挤，视为运行在高拥挤区间，否则为低拥挤区间[24] - 在高拥挤区间采用小参数双均线模型应对风格反转，在低拥挤区间采用大参数双均线模型跟踪中长期趋势[24] 4. 行业轮动模型 - **模型名称**：遗传规划行业轮动模型[4][29][32] - **模型构建思路**：采用双目标遗传规划技术直接对行业指数的量价、估值等特征进行因子挖掘，每季度末更新因子库，周频调仓[4][29][32] - **模型具体构建过程**： - 底层资产为32个中信行业指数[29] - 使用双目标遗传规划，以|IC|和NDCG@5两个指标同时评价因子的分组单调性和多头组表现[32] - 采用NSGA-II算法提升因子多样性、降低过拟合风险[33] - 结合贪心策略和方差膨胀系数，将共线性较弱的多个因子合成为行业得分[33] - 每周末选出多因子综合得分最高的五个行业进行等权配置[4][29] - 最新一期权重最大的因子基于单行业流动性中性化后的估值水平构建[36]： - 在截面上，用全体行业市净率滚动4年分位数对标准化月度成交额开展带有常数项的一元线性回归，取残差，记作变量A[37] - 在过去15个交易日中，取A最小的9个交易日，取其之和，记作变量B[37] - 在过去15个交易日中，对B开展zscore标准化；对于大于2.5的数值，进行反转即乘以-1；最后计算这15个交易日之和[37] 5. 中国境内全天候增强组合 - **模型名称**：中国境内全天候增强组合[5][38] - **模型构建思路**：采用宏观因子风险预算框架，选取增长超预期/不及预期、通胀超预期/不及预期四种宏观风险源作为平价对象，在四象限风险平价的基础上基于宏观预期动量的观点主动偏配看好象限[5][38] - **模型具体构建过程**： - 宏观象限划分与资产选择：选择增长和通胀维度，根据是否超预期划分为四象限，结合"定量+定性"的方式确定各象限适配的资产[41] - 象限组合构建与风险度量：象限内资产等权构建子组合，注重刻画象限的下行风险[41] - 风险预算模型确定象限权重：每月底根据"象限观点"调整象限风险预算，进行主动偏配[41] - "象限观点"由宏观预期动量指标给出，该指标综合考虑资产价格交易的"买方预期动量"和经济指标预期差体现的"卖方预期差动量"[41] - 模型月频调仓，9月配置观点为超配"增长超预期"象限和"通胀超预期"象限[5] 模型的回测效果 1. A股多维择时模型 - 回测区间：2010-01-05至2025-09-26[14] - 年化收益：25.23%[14] - 最大回撤：-28.46%[14] - 夏普比率：1.17[14] - Calmar比率：0.89[14] - YTD收益：40.98%[14] - 上周收益：0.15%[14] 2. 红利风格择时模型 - 回测区间：2017-01-03至2025-09-26[20] - 年化收益：16.04%[20] - 最大回撤：-25.52%[20] - 夏普比率：0.87[20] - Calmar比率：0.63[20] - YTD收益：21.75%[20] - 上周收益：0.23%[20] 3. 大小盘风格择时模型 - 回测区间：2017-01-03至2025-09-26[27] - 年化收益：26.25%[27] - 最大回撤：-30.86%[27] - 夏普比率：1.09[27] - Calmar比率：0.85[27] - YTD收益：65.89%[27] - 上周收益：1.07%[27] 4. 遗传规划行业轮动模型 - 回测区间：2022-09-30至2025-09-26[32] - 年化收益：32.60%[32] - 年化波动：17.95%[32] - 夏普比率：1.82[32] - 最大回撤：-19.63%[32] - 卡玛比率：1.66[32] - 上周表现：0.27%[32] - YTD收益：36.44%[32] 5. 中国境内全天候增强组合 - 回测区间：2013-12-31至2025-09-26[42] - 年化收益：11.53%[42] - 年化波动：6.16%[42] - 夏普比率：1.87[42] - 最大回撤：-6.30%[42] - 卡玛比率：1.83[42] - 上周表现：0.66%[42] - YTD收益：9.02%[42]

量化模型与构建方式 1 模型名称：扩散指数行业轮动模型[3][23][24]；模型构建思路：基于价格动量原理，通过计算行业扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[24][36]；模型具体构建过程：首先，计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度；然后，每周或每月跟踪各行业扩散指数的数值及其变化，并选择扩散指数排名前六的行业作为当期配置建议[25][28]；模型评价：该模型在趋势性行情中表现较好，能有效捕捉行业动量，但在市场风格切换至反转行情时可能面临失效风险[24][36] 2 模型名称：GRU因子行业轮动模型[3][6][31]；模型构建思路：基于分钟频量价数据，利用GRU（门控循环单元）深度学习网络生成行业因子，以把握短期交易信息并进行行业轮动[31][37]；模型具体构建过程：首先，收集各行业的分钟频量价数据；然后，将这些数据输入到GRU深度学习网络中进行训练，以生成GRU行业因子；最后，根据GRU行业因子的数值进行排序，选择因子排名靠前的行业进行配置[6][32][34]；模型评价：该模型对短周期行情有较好的自适应能力，但在长周期表现一般，且可能因极端行情而失效[31][37] 模型的回测效果 1 扩散指数行业轮动模型，2025年以来超额收益3.68%[3][23][28] 2 GRU因子行业轮动模型，2025年以来超额收益-7.53%[3][31][34] 量化因子与构建方式 1 因子名称：行业扩散指数[3][5][25]；因子的构建思路：通过量化行业内个股价格走势的强弱来构建一个综合指标，用以衡量行业的整体趋势强度[24][36]；因子具体构建过程：对于每个中信一级行业，计算其成分股中价格处于上涨趋势的股票比例或使用其他类似方法合成一个0到1之间的指数，数值越高代表行业趋势越强[25][26] 2 因子名称：GRU行业因子[3][6][32]；因子的构建思路：利用GRU深度学习模型处理高频量价数据，提取能够预测行业短期表现的因子[31][37]；因子具体构建过程：使用各行业的分钟频量价数据作为输入特征，通过训练好的GRU网络模型输出一个因子得分，该得分反映了模型对该行业未来表现的预测[32][37] 因子的回测效果 1 行业扩散指数因子，截至2025年9月26日，在通信行业的取值为0.949，在有色金属行业的取值为0.927，在银行业的取值为0.897，在电子行业的取值为0.864，在汽车行业的取值为0.859，在综合行业的取值为0.811[5][25] 2 GRU行业因子，截至2025年9月26日，在钢铁行业的取值为3.15，在房地产行业的取值为2.6，在建材行业的取值为2.08，在石油石化行业的取值为1.85，在交通运输行业的取值为0.81，在电力及公用事业的取值为0.01[6][32]

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]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 今日转债多数行业上涨，估值环比抬升；转债市场成交情绪减弱；大盘成长相对占优；转债中枢提升，高价券占比提升；正股行业指数下降占比过半[1] 根据相关目录分别进行总结 市场主要指数表现 - 中证转债指数环比上涨0.46%，上证综指环比下降0.01%，深证成指环比上涨0.67%，创业板指环比上涨1.58%，上证50指数环比上涨0.45%，中证1000指数环比下降0.37%[1] - 大盘成长环比上涨1.28%，大盘价值环比下降0.57%，中盘成长环比上涨0.64%，中盘价值环比上涨0.25%，小盘成长环比下降0.05%，小盘价值环比下降0.70%[1] 市场资金表现 - 可转债市场成交额为773.68亿元，环比减少12.25%；万得全A总成交额为23917.71亿元，环比增长1.90%；沪深两市主力净流出236.00亿元，十年国债收益率环比降低1.82bp至1.88%[1] 转债估值 - 转债整体收盘价加权平均值为130.63元，环比上升0.41%；价格中位数为130.20元，环比下降0.01%[2] - 百元平价拟合转股溢价率为28.71%，环比上升0.29pct；整体加权平价为100.56元，环比下降0.14%[2] - 偏股型转债溢价率为9.77%，环比上升1.15pct；偏债型转债溢价率为85.27%，环比上升0.57pct；平衡型转债溢价率为23.08%，环比上升0.21pct[2] 行业轮动 - A股市场中，跌幅前三位行业为纺织服饰（-1.45%）、农林牧渔（-1.22%）、家用电器（-1.07%）；涨幅前三位行业为传媒（+2.23%）、通信（+1.99%）、有色金属（+1.87%）[3] - 转债市场共计21个行业上涨，涨幅前三位行业为环保（+2.46%）、有色金属（+1.62%）、汽车（+1.22%）；跌幅前三位行业为建筑装饰（-0.49%）、基础化工（-0.21%）、轻工制造（-0.19%）[3] - 收盘价方面，大周期环比+0.71%、制造环比+0.59%、科技环比+0.27%、大消费环比+0.48%、大金融环比+0.57%[3] - 转股溢价率方面，大周期环比+0.71pct、制造环比+1.3pct、科技环比+0.0015pct、大消费环比+1.7pct、大金融环比+1.2pct[3] - 转换价值方面，大周期环比+0.35%、制造环比-0.44%、科技环比+0.19%、大消费环比-0.76%、大金融环比-1.06%[3] - 纯债溢价率方面，大周期环比+1.0pct、制造环比+0.9pct、科技环比+0.4pct、大消费环比+0.64pct、大金融环比+0.66pct[4]

市场表现综述 - 国内权益市场指数表现分化 创业板指上涨2.34% [4] - 煤炭、电力设备、电子行业涨幅居前 银行、有色金属、非银金融行业跌幅居前 [4] - 权益基金表现较好 混合债券型基金业绩回撤 [4] 基金产品发行情况 - 新成立基金63只 合计发行份额为748.28亿份 [5] - 新成立基金中债券型基金27只 股票型基金27只 混合型基金7只 [5] - 全市场新发行基金31只 股票型基金21只 FOF基金4只 混合型基金4只 [5] 基金产品表现跟踪 - TMT主题基金净值涨幅优势延续 本周涨跌幅为2.56% 金融地产主题基金回调明显 本周涨跌幅为-2.68% [6] - 医药主题基金净值持续回撤 本周涨跌幅为-2.41% [6] - 股票被动指数型基金净值涨跌幅中位数为-0.04% 半导体、游戏、港股科技ETF净值表现较好 [6] ETF市场跟踪 - 国内股票ETF资金转为净流入77.93亿元 收益中位数为0.03% [7] - 港股ETF资金维持大幅流入166.52亿元 收益中位数为0.84% [7] - 金融地产主题ETF资金净流入显著 合计流入113.16亿元 [8] 基金仓位监控 - 主动偏股基金仓位相较上周下降0.27个百分点 [9] - 汽车、电子、基础化工等行业获资金增配 银行、医药生物、农林牧渔等行业遭资金减持 [9] ESG金融产品跟踪 - 新发行绿色债券34只 已发行规模合计379.48亿元 累计发行规模达4.82万亿元 [10] - 主动权益型ESG基金本周净值涨跌幅中位数为1.42% 气候变化、低碳经济等主题基金表现占优 [10] - 国内基金市场存量ESG基金共214只 规模合计1589.84亿元 [10]

国信金工团队概况 - 团队由7名成员组成，研究方向覆盖主动量化选股、指数增强、因子研究、FOF投资、基金研究、行业轮动、资产配置、港股投资、CTA策略等多个领域 [1] 量化选股策略 - 超预期精选组合自2010年以来年化收益率高达36.04%，相对中证500指数年化超额32.90%，分年度业绩在主动股基中排名前30%以内 [11] - 成长稳健组合自2012年以来年化收益41.15%，相对中证500指数年化超额34.84% [13][14] - 券商金股业绩增强组合年化收益21.78%，相较股基中位数年化超额14.15%，2018年以来基本每年排在主动股基前30% [17][19] - 优秀基金业绩增强组合自2012年以来年化收益21.56%，相对偏股混合型基金指数年化超额11.61%，分年度基本均能排名在主动股基前30% [21] - 小盘精选组合自2014年以来年化收益39.22%，相对中证2000指数年化超额28.66% [25] - 稳健精选组合自2012年以来年化收益率26.18%，相对中证红利全收益指数年化超额14.96%，每年均有正超额且最大回撤明显更低 [30] 多策略增强与指数增强 - 启发式分域多策略增强组合自2013年以来年化收益率23.43%，年化超额收益18.60%，信息比2.60，收益回撤比2.50 [34] - 港股精选组合自2010年以来年化收益率20.54%，相对恒生指数年化超额19.28%，信息比1.26，收益回撤比0.81 [35] 行业轮动与CTA策略 - 基于时点动量的行业轮动策略自2013年以来年化收益25.29%，相对中证全指年化超额收益19.65%，在2022Q4-2023Q2行业轮动加剧环境下依然有较好表现 [39] FOF投资组合 - 稳定战胜主动股基中位数的FOF精选组合自2014年以来年化超额收益8.74%，年化跟踪误差3.55%，超额收益信息比2.22，相对收益回撤比2.57，平均排名分位点为27.95% [43]

国庆前后A股市场表现规律 - 近十年国庆假期前5个交易日上证指数整体上涨概率仅30% [1][2][6] - 节前最后一个交易日上涨概率达70% [1][2][6] - 节后第一个交易日上涨概率达70% [2][6] - 节后5个交易日上涨概率为60% [2][6] 具体年份市场涨跌幅表现 - 2024年节前5日涨幅达21.37% 为近十年最高 [2] - 2018年节后5日跌幅达-7.60% 为近十年最差表现 [2] - 2023年节前5日涨幅0.84% 节后5日跌幅-0.72% [2] - 2015年节后5日涨幅6.87% 表现最佳 [2] 行业轮动特征 - 2020年节前领涨行业为食品饮料 社会服务 国防军工 [4] - 2020年节后领涨行业变为纺织服饰 电力设备 美容护理 [4] - 2023年节前领涨行业为传媒 通信 计算机 [4] - 2023年节后领涨行业变为电子 汽车 医药生物 [4] - 2024年节前领涨行业为公用事业 银行 石油石化 [4] - 2024年节后领涨行业为电子 计算机 银行 [4] 机构观点 - 光大证券预计节前市场延续震荡格局 呈现"存量博弈下的结构平衡"特征 [6] - 配置关注三个方向：服务消费 TMT方向 反内卷与涨价主线 [6] - 招商证券指出融资盘呈现"节前收敛 节后迸发"规律 [7] - 建议关注固态电池 AI算力 人形机器人 商业航天等低渗透率赛道 [7]

量化模型与构建方式 1. 可转债随机森林策略 - **模型名称**：可转债随机森林策略[16][17] - **模型构建思路**：利用随机森林这一机器学习方法，以决策树为基础筛选出每期具有超额收益潜力的可转债标的，构建高胜率可转债择券策略[17] - **模型具体构建过程**：采用随机森林算法，通过多棵决策树进行集成学习，每棵树基于不同的样本和特征子集训练，最终通过投票或平均方式得到最终预测结果，用于筛选具有超额收益潜力的可转债标的[17] 2. 多维度择时模型 - **模型名称**：多维度择时模型[18][19] - **模型构建思路**：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，在此基础上叠加股指期货基差产生的衍生品信号，合成四维度非线性择时模型[18] - **模型具体构建过程**： 1. 宏观维度：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[21] 2. 中观维度：通过行业景气指数构建，基于产业链系统分析追踪上下游行业部门，对行业进行财务指标分解，重构行业景气度追踪框架[27][30] 3. 微观维度：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] 4. 衍生品维度：基于股指期货基差与指数自身的相关性趋势构建日频择时信号[43] 5. 信号合成：将四个维度的信号综合，形成最终的多维度择时信号[18][19] 3. 宏观Logit模型 - **模型名称**：宏观Logit模型[24][25] - **模型构建思路**：通过Logit回归模型对宏观环境状态进行预测[24] - **模型具体构建过程**：使用短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量，经过平稳化处理后，构建Logit回归模型来预测宏观环境状态[21][24] - **模型评价**：能够有效预测宏观环境变化，为择时策略提供宏观维度的信号支持[24] 4. 中观景气度2.0模型 - **模型名称**：中观景气度2.0模型[27][28] - **模型构建思路**：通过追踪行业主营业务的营收和成本情况来监控行业整体的景气度[27] - **模型具体构建过程**： 1. 基于产业链系统分析，追踪上下游行业部门[30] 2. 对行业进行财务指标分解，挖掘可追踪的重点指标[30] 3. 重构行业的景气度追踪框架[30] 4. 计算各行业景气指数后，按上证指数每日各行业市值权重加权合成新景气指数2.0[27] - **模型评价**：能够领先预测A股盈利扩张周期，有效反映行业景气变化[28][29] 5. 微观结构风险模型 - **模型名称**：微观结构风险模型[35][36] - **模型构建思路**：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] - **模型具体构建过程**： 1. 估值：市盈率与市净率在过去5年中所处分位数的均值[36] 2. 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处的分位数[36] 3. 波动率：50日波动率在过去5年中所处分位数[36] 4. 流动性：自由流通市值换手率在过去5年中所处分位数[36] 5. 结构风险因子：四因子等权相加[36] - **模型评价**：能够有效刻画市场微观结构风险，为择时策略提供微观维度的信号支持[36] 6. 行业轮动策略2.0 - **模型名称**：行业轮动策略2.0[68][69] - **模型构建思路**：通过信用及企业盈利构建经济四象限，开发多维度行业风格因子，构建适用于A股市场的行业轮动策略[68][69] - **模型具体构建过程**： 1. 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][68] 2. 开发多维度行业风格因子：包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta[69] 3. 在四个经济象限分别对各因子进行有效性检验[69] 4. 基于因子轮动配置相应的高预期收益行业[69] - **模型评价**：宏观适配性强，覆盖行业多维度特性，能够实现有效的行业轮动[69][78] 7. ETF轮动策略 - **模型名称**：ETF轮动策略[78][79] - **模型构建思路**：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，实现因子与风格的互补[78] - **模型具体构建过程**： 1. 基本面轮动策略：使用超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等因子[78] 2. 质量低波策略：聚焦个股质量与低波，防御性突出[78] 3. 困境反转策略：使用PB_zscore、分析师长期预期、短期筹码交换等因子捕捉估值修复与业绩反转机会[78] 4. 将三个策略等权组合，形成最终的ETF轮动策略[78] - **模型评价**：能够实现因子与风格的互补，降低单一策略的风险[78] 8. 遗传规划指数增强模型 - **模型名称**：遗传规划指数增强模型[88][93][97][102] - **模型构建思路**：使用遗传规划算法挖掘选股因子，构建指数增强组合[88][93][97][102] - **模型具体构建过程**： 1. 股票池：根据不同指数选择对应的成分股[88][93][97][102] 2. 训练集：2016年1月1日-2020年12月31日[88][93][97][102] 3. 因子挖掘：由遗传规划因子挖掘模型挖掘多个初始种群，经过多代多轮得到最终因子集合[88][93][97][102] 4. 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[88][93][97][102] - **模型评价**：能够有效挖掘具有预测能力的选股因子，实现稳定的超额收益[88][93][97][102] 量化因子与构建方式 1. Barra CNE6风格因子 - **因子名称**：Barra CNE6风格因子[45][46] - **因子构建思路**：包括9个一级风格因子和20个二级风格因子，通过计算各个风格因子近期收益，评估不同因子在近期市场中的表现[45] - **因子具体构建过程**：规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师预期）、红利（红利）[45] 2. 行业轮动因子 - **因子名称**：行业轮动因子[55][57] - **因子构建思路**：通过多维度行业风格因子构建行业轮动策略[55][57] - **因子具体构建过程**：包括一致预期行业景气度、超越预期盈利、龙头效应、北向资金、估值beta、动量因子、反转因子、拥挤度等因子[57] 模型的回测效果 1. 可转债随机森林策略 - 本周超额收益：0.64%[16] 2. 多维度择时模型 - 最新信号：多头（1）[19] 3. 宏观Logit模型 - 最新预测值：0.919[24][25] 4. 中观景气度2.0模型 - 当前景气指数：0.913[28][31] - 剔除大金融板块景气指数：1.288[28][31] 5. 行业轮动策略2.0 - 无剔除版年化超额收益：9.44%[71] - 双剔除版年化超额收益：10.14%[71] 6. ETF轮动策略 - 年化超额收益率：12.84%[82] - 夏普率：0.89[82] - 今年以来超额收益率：14.34%[82] 7. 遗传规划指数增强模型 沪深300指数增强 - 年化超额收益率：17.91%[91][92] - 夏普率：1.05[91][92] - 今年以来超额收益率：-4.35%[91][92] - 本周收益率：-1.14%[91] - 本周超额收益率：-0.70%[91] 中证500指数增强 - 年化超额收益率：11.78%[95] - 夏普率：0.85[95] - 今年以来超额收益率：-2.92%[95] - 本周收益率：-0.41%[95] - 本周超额收益率：-0.73%[95] 中证1000指数增强 - 年化超额收益率：17.97%[98][99] - 夏普率：0.93[98][99] - 今年以来超额收益率：-1.80%[98][99] - 本周收益率：-1.01%[98] - 本周超额收益率：-1.22%[98] 中证全指指数增强 - 年化超额收益率：24.84%[103] - 夏普率：1.33[103] - 今年以来超额收益率：11.36%[103] - 本周收益率：-0.27%[103] - 本周超额收益率：-0.09%[103] 因子的回测效果 1. Barra CNE6风格因子 - 2025年9月15日至2025年9月19日：规模因子表现较好，波动性因子表现较差[46] - 本月（9月以来）：波动性因子表现较好[46] - 最近一年：动量（反转）因子和波动性因子表现较好[46] 2. 行业轮动因子 - 一致预期行业景气度月收益率：0.40%[57] - 超越预期盈利月收益率：-0.21%[57] - 龙头效应月收益率：-1.18%[57] - 北向资金月收益率：0.63%[57] - 估值beta月收益率：2.37%[57] - 动量因子月收益率：-0.95%[57] - 反转因子月收益率：0.95%[57] - 拥挤度月收益率：0.15%[57]