点击注册小程序 查看完整报告 特别申明： 本订阅号中所涉及的证券研究信息由光大证券研究所编写，仅面向光大证券专业投资者客户，用作新媒体形势下研究 信息和研究观点的沟通交流。非光大证券专业投资者客户，请勿订阅、接收或使用本订阅号中的任何信息。本订阅号 难以设置访问权限，若给您造成不便，敬请谅解。光大证券研究所不会因关注、收到或阅读本订阅号推送内容而视相 关人员为光大证券的客户。 报告摘要 量化市场跟踪 大类因子表现： 本周全市场股票池中，估值因子和盈利因子分别获取正收益0.27%、0.25%；市值因子、非线性市值因子分 别获取负收益-0.91%、-0.51%，市场表现为小市值风格；残差波动率因子获取负收益-0.44%；其余风格因 子表现一般。 中证500股票池中，本周表现较好的因子有市净率因子(1.78%)、标准化预期外收入(1.74%)、经营现金流比 率 (1.28%)。表现较差的因子有单季度净利润同比增长率(-1.19%)、单季度营业利润同比增长率(-1.06%)、 单季度ROA同比(-0.98%)。 流动性1500股票池中，本周表现较好的因子有市盈率因子 (1.44%)、下行波动率占比 (1.24%)、市 ...

量化模型与构建方式 1. 动态因子调整模型（小盘股票池“2+3”模型） * **模型名称**： 小盘股票池“2+3”动态因子调整模型[4][98] * **模型构建思路**： 针对小盘股票池因子表达稳定、动量效应强的特点，结合固定有效因子与动态动量筛选，并剔除高失效风险的因子，构建动态选股模型[4][93][98]。 * **模型具体构建过程**： 1. **固定因子选择**： 每期固定选择估值因子（BTOP）和残差波动率因子（VOLATILITY）[98]。 2. **动态因子筛选**： * **剔除高失效风险因子**： 在每个月末，剔除当期条件失效概率高于80%的因子[93][98]。 * **计算动量评分**： 对剩余因子，计算其中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **选择动态因子**： 根据动量评分，选取评分最高的前3个因子[98]。 3. **模型合成**： 将2个固定因子与3个动态筛选出的因子结合，构成每期用于选股的5个因子集合[98]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，选取得分最高的50只股票构建等权投资组合[103]。 2. 动态因子调整模型（大盘股票池综合打分模型） * **模型名称**： 大盘股票池综合打分动态因子调整模型[4][109] * **模型构建思路**： 针对大盘股票池因子表达剧烈、失效反转风险高的特点，采用更严格的因子剔除标准，并将失效概率信息融入综合评分，以动态选择因子[4][106][109]。 * **模型具体构建过程**： 1. **初步剔除高失效风险因子**： 在每个月末，首先剔除当期条件失效概率高于70%的因子[109]。 2. **构建综合评分**： 对剩余因子，构建综合评分。评分结合了正向的动量指标和负向的失效风险指标[87][88]。 * **动量指标**： 包括中期动量（过去6个月RankIC均值）和长期动量（过去3至12个月RankICIR均值）[4][82]。 * **失效风险指标**： 使用条件失效概率 $P$（次月失效|当月状态）[74][87]。将失效风险转化为负向评分，例如使用 $1 - P$ 的形式[88]。 3. **选择动态因子**： 根据综合评分，选取评分最高的前5个因子[109]。 4. **组合构建**： 使用这5个因子对股票进行等权打分，并构建投资组合[109]。 3. 因子动量评估指标 * **指标名称**： 因子RankIC动量指标[4][62][66] * **指标构建思路**： 通过计算当期因子选股能力（RankIC）与历史不同窗口期选股能力均值之间的相关性，来刻画因子的动量效应，并寻找最优的动量观察窗口[4][63][66]。 * **指标具体构建过程**： 1. **定义动量窗口**： 使用“m_n”表示从过去第m个月开始，到过去第n个月结束的历史数据均值。例如，“3_12”表示跳空最近3个月，回溯过去第3至第12个月共10个月的数据均值[66]。 2. **计算历史动量**： 对于每个因子，在时间截面 $t$，计算其在指定历史窗口（如“3_12”）内的RankIC（或RankICIR）的均值，作为该因子的历史动量值 $Momentum_{t}^{m\_n}$[4][66]。 3. **评估动量效应**： 在时间截面 $t$，计算所有因子当期RankIC值 $RankIC_t$ 与其对应的历史动量值 $Momentum_{t}^{m\_n}$ 的截面斯皮尔曼秩相关系数[65]。该相关系数越高，表明因子的选股能力在指定窗口下延续性（动量效应）越强[66]。 4. **确定最优参数**： 通过比较不同“m_n”参数组合下的平均相关系数，发现“3_12”窗口（即近端跳空3个月，回溯12个月）的动量效应最为稳健和显著，被确立为最优动量窗口[4][66]。 4. 因子条件失效概率指标 * **指标名称**： 因子条件失效概率[4][72][74] * **指标构建思路**： 基于因子当期有效性状态，通过滚动历史窗口统计其下一期陷入或维持失效状态的概率，用以评估因子短期反转的潜在风险[4][74]。 * **指标具体构建过程**： 1. **定义状态**： 在每个月末，根据因子当期RankIC值的正负（是否符合预期方向）将其划分为“有效”或“失效”两种状态[74]。 2. **构建转移矩阵**： 滚动过去一年的历史数据，统计因子从“当月有效”转移到“次月失效”的频率，以及从“当月失效”维持到“次月失效”的频率[72][74]。 3. **计算条件概率**： 以当期因子的状态（有效或失效）为条件，计算其次月失效的条件概率 $P$（次月失效|当月状态）[74][87]。该概率即为当期关注的因子失效指标。 5. 因子收益与选股能力背离指标 * **指标名称**： 因子收益与RankIC滚动相关系数[55][56] * **指标构建思路**： 通过计算因子收益率与其实际选股能力（RankIC）在滚动窗口内的相关性，识别因子回报是否由基本面选股Alpha驱动，以预警交易拥挤和失效风险[55][56]。 * **指标具体构建过程**： 1. **计算时间序列**： 对于每个一级风格因子，分别计算其因子收益率时间序列和RankIC时间序列[55]。 2. **滚动计算相关性**： 采用6个月的向前滚动窗口（T-5期至T期），计算两个序列的斯皮尔曼秩相关系数[55]。 3. **设定风险阈值**： 分析发现，当滚动相关系数的绝对值突破0.75的阈值时，往往预示着因子面临显著的短期失效风险[4][57][60]。极端正相关可能反映“因子拥挤”，极端负相关可能反映市场的“非理性过激”[60]。 量化因子与构建方式 **注**：报告详细分析了一个包含15个一级风格因子的体系，但未提供所有因子的具体计算公式，仅给出了描述性定义[8]。以下列出报告中明确提及并进行分析的核心因子。 1. 估值类因子 * **因子名称**： 账面市值比（BTOP）[8][39] * **因子构建思路**： 属于估值因子，衡量股票的相对便宜程度，通常认为账面价值相对市值越高，股票未来回报可能越高[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“账面价值除以当前市值”[8]。 * **因子名称**： 股息率（DIVIDEND）[8][39] * **因子构建思路**： 属于估值因子，衡量公司分红回报水平，通常认为股息率越高，股票可能更具投资价值[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“滚动过去一年股息水平”[8]。 * **因子名称**： 盈利收益率（EARNING）[8][39] * **因子构建思路**： 属于估值/盈利因子，衡量公司盈利相对于市值的水平，通常认为盈利收益率越高，股票估值可能越低[8]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“各类盈利 vs 市值”[8]。 * **因子评价**： 估值类因子在大盘股内表现相对极端，选股力度可能更强但方向把控需更精准；BTOP因子在小盘股中优势更明显[39]。在慢牛、震荡、下行市场中更倾向正向表达[30]。 2. 质量类因子 * **因子名称**： 盈利变异性（EARNINGVAR）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的稳定程度，通常认为盈利波动越小，公司质量越高，未来股票回报可能越高（负向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营业收入、净利润、现金的变异程度”[8]。 * **因子名称**： 盈收质量（PROFITABLITY）[8][50] * **因子构建思路**： 属于质量因子，衡量公司盈利的质量和水平，通常认为盈利质量越高，公司基本面越好，未来股票回报可能越高（正向因子）[50]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“营收、利润等水平”[8]。 * **因子评价**： 质量类因子在大盘股内存在明显的正向优势，选股区分度高，但在成长股票池内的选股效果弱于其他池[47][50]。盈收质量因子在2021年前后出现有效性分水岭[50]。 3. 价量类因子 * **因子名称**： 动量（MOMENTUM）[8][46] * **因子构建思路**： 属于价量因子，认为过去表现好的股票在未来一段时间内会延续其趋势（报告中定义方向为负）[8][46]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益率、alpha的动量”[8]。 * **因子评价**： 动量因子在大盘股内持续正向表达，大盘股动量效应显著；而在小盘股内反转效应显著[4][46]。该因子属于失效概率较高的因子之一[4][78]。 4. 波动与流动性因子 * **因子名称**： 残差波动率（VOLATILITY）[8][40] * **因子构建思路**： 属于波动率因子，衡量股票剔除市场影响后的特异性风险，通常认为波动率越低，股票风险越小，未来回报可能越高（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“收益与时间回归残差项的波动率”[8]。 * **因子名称**： 流动性（LIQUIDITY）[8][40] * **因子构建思路**： 属于流动性因子，衡量股票的交易便利程度，通常认为流动性越差，股票需要提供更高的风险补偿（负向因子）[8][40]。 * **因子具体构建过程**： 报告未给出具体公式，仅描述为“短、中、长期的流动性”[8]。 * **因子评价**： 波动率和流动性因子在各个股票池内大多保持稳定的负向表达，失效概率较低[20][40][78]。当其RankIC出现异常正向放大后，市场往往上行[41]。 模型的回测效果 1. 小盘股票池“2+3”动态因子调整模型 * **回测区间**： 2016年1月4日 至 2025年11月28日[103] * **基准**： 中证1000与中证2000指数等权[103] * **业绩指标**： * 年化收益： 8.83%[103] * 年化波动： 21.08%[103] * 夏普比率： 0.42[103] * 最大回撤： 38.67%[103] * 卡玛比率： 0.23[103] * 超额年化收益： 11.47%[103] * 超额波动： 13.82%[103] * 信息比率（IR）： 0.83[103] * 超额最大回撤： 21.10%[103] 因子的回测效果 **注**：报告提供了多个因子在不同股票池和不同年份的RankICIR具体数值及排名[18][22][25][27][34][36][38][46][48][50]。以下选取全区间（约2013-2025年）在特定股票池的RankICIR均值进行概括性展示，以反映因子的长期表现差异。 1. 大盘股票池（沪深300）全区间RankICIR均值 * **BETA**: -0.19[22] * **BTOP**: 0.17[22] * **DIVIDEND**: 0.28[22] * **EARNING**: -0.26[22] * **EARNINGVAR**: 0.22[22] * **GROWTH**: -0.22[22] * **INVENSTMENT**: 0.18[22] * **LEVERAGE**: 0.01[22] * **LIQUIDITY**: -0.38[22] * **LTREVERSAL**: 0.14[22] * **MIDCAP**: -0.11[22] * **MOMENTUM**: 0.03[22] * **PROFITABLITY**: 0.00[22] * **SIZE**: 0.10[22] * **VOLATILITY**: -0.27[22] 2. 小盘股票池（中证1000+中证2000）全区间RankICIR均值 * **BETA**: -0.05[22] * **BTOP**: 0.37[22] * **DIVIDEND**: 0.37[22] * **EARNING**: -0.25[22] * **EARNINGVAR**: 0.23[22] * **GROWTH**: -0.11[22] * **INVENSTMENT**: 0.12[22] * **LEVERAGE**: 0.02[22] * **LIQUIDITY**: -0.54[22] * **LTREVERSAL**: 0.25[22] * **MIDCAP**: -0.36[22] * **MOMENTUM**: 0.06[22] * **PROFITABLITY**: -0.38[22] * **SIZE**: -0.39[22] * **VOLATILITY**: -0.39[22] 3. 成长股票池全区间RankICIR均值 * **BETA**: -0.13[25] * **BTOP**: 0.09[25] * **DIVIDEND**: 0.20[25] * **EARNING**: -0.23[25] * **EARNINGVAR**: 0.14[25] * **GROWTH**: -0.16[25] * **INVENSTMENT**: 0.21[25] * **LEVERAGE**: 0.01[25] * **LIQUIDITY**: -0.38[25] * **LTREVERSAL**: 0.09[25] * **MIDCAP**: -0.12[25] * **MOMENTUM**: 0.01[25] * **PROFITABLITY**: 0.08[25] * **SIZE**: 0.03[25] * **VOLATILITY**: -0.18[25] 4. 价值股票池全区间RankICIR均值 * **BETA**: -0.15[27] * **BTOP**: 0.22[27] * **DIVIDEND**: 0.34[27] * **EARNING**: -0.20[27] * **EARNINGVAR**: 0.25[27] * **GROWTH**: -0.19[27] * **INVENSTMENT**: 0.12[27] * **LEVERAGE**: -0.04[27] * **LIQUIDITY**: -0.42[27] * **LTREVERSAL**: 0.13[27] * **MIDCAP**: -0.25[27] * **MOMENTUM**: -0.17[27] * **PROFITABLITY**: 0.08[27] * **SIZE**: -0.08[27] * **VOLATILITY**: -0.40[27]

报告行业投资评级 未提及 报告核心观点 - 中期权益市场慢牛预期稳固，市场风险偏好阶段性回落时哑铃策略有望获超额收益 [1] - 短期转债市场风格切换，不具备趋势性行情，动量效应有阶段性回落风险，市场大概率盘整 [22] - 随着权益市场步入业绩验证阶段，估值和波动率因子有望走强，建议维持中性仓位，以哑铃型配置兼顾成长与防御 [1][22] - 11月建议关注上银转债、首华转债等10只转债 [23] 根据相关目录总结 1 转债周度思考 - 本周（2025/11/10 - 2025/11/14）转债市场风格切换，科技成长风格退潮，能源和消费指数走强，主线不明，板块轮动提速，交易难度加大 [11] - 震荡行情下债性转债估值坚挺，市场倾向防御，转债价格中位数接近134元创近期新高，风格从进攻向防御转变，偏债型转债表现更好 [3][12] - 需关注动量因子尾部风险，避免趋势反转带来的超额收益回撤风险，今年可转债动量因子表现突出，但存在风格切换可能 [4][14][19] 2 可转债市场跟踪 2.1 可转债行情方面 - 展示万得各可转债指数近一周、近两周、9月以来、近一个月、近两个月、近半年、近一年的涨跌幅情况 [24] 2.2 转债个券方面 - 展示近一周个券涨跌幅前十名和后十名 [26][27] 2.3 转债估值方面 - 呈现债性、平衡性、股性可转债估值走势及不同平价可转债的转股溢价率估值走势 [28][36] 2.4 转债价格方面 - 展示高价券占比走势和转债价格中位数 [38]

核心观点 - 报告核心观点为中证1000指数及其增强策略在2025年表现强劲，本周（2025年10月27日至31日）指数收益为1.18%，在主要指数中表现突出，本年策略收益达29.99%，超越基准指数3.99个百分点 [3][4][5][18] 近期市场表现 - 本周（2025年10月27日至31日）主要指数中，中证1000和中证500指数收益领先，分别为1.18%和1.00%，而科创50和上证50指数收益落后，分别为-3.19%和-1.12% [3][7] - 本年以来，微盘指数和创业板指收益排名靠前，分别为67.31%和48.84%，中证红利和上证50指数收益排名靠后，分别为0.83%和12.17% [3][8] 中证1000指数增强策略 - 策略构建采用多因子量化选股方法，对估值、质量、成长、分析师、技术等因子进行加权合成，回测时间为2018年至2024年2月29日，IC加权策略在2024年收益更高，故在周报中持续跟踪 [11] - 策略通过均值-方差模型在指数成分股内构建组合，控制风格、行业及相对基准暴露，每月末调仓，持股数量约为90只 [11] 策略收益表现 - 本周策略收益为1.03%，同期指数收益为1.18%，超额收益为-0.15% [4][12] - 10月份策略收益为0.27%，同期指数收益为-0.90%，超额收益为1.17% [4][14] - 本年以来策略收益为29.99%，同期指数收益为26.00%，超额收益为3.99% [4][15] 投资建议与指数优势 - 中证1000指数2025年表现强劲，得益于其鲜明的产业布局，深度聚焦于新能源、半导体、医疗器械等前沿领域的小市值公司 [5][18] - 作为中小盘指数代表，中证1000具有高弹性、高波动的特点，但临近年末需注意市场风险偏好缩紧带来的高波动风险 [5][18]

量化模型与构建方式 1 模型名称：GRU模型 模型构建思路：基于门控循环单元(GRU)神经网络构建的时序预测模型，结合基本面和量价特征进行股票收益预测[10][30] 模型具体构建过程： - 输入层：包含close1d(日收盘价)、open1d(日开盘价)、barra1d(Barra风格因子日频数据)等特征[31] - 隐藏层：GRU神经网络结构，捕捉时序依赖关系 - 输出层：预测股票未来收益 - 训练方式：使用历史滚动窗口数据训练，优化损失函数 2 模型名称：多因子组合模型 模型构建思路：通过线性加权方式整合多个有效因子构建综合评分模型[31] 模型具体构建过程： - 因子筛选：选取基本面因子(如ROE增长、净利润超预期增长)和技术因子(如60日动量、120日波动)[19][24][29] - 因子标准化：进行行业中性化处理和标准化处理[17] - 权重分配：等权或基于IC-IR动态加权 - 组合构建：每月末按综合评分选股[17] 量化因子与构建方式 1 因子名称：Barra风格因子体系 因子构建思路：基于MSCI Barra多因子模型框架构建的系统化风险因子[15] 因子具体构建过程： - Beta因子：计算股票历史beta值 - 市值因子：$$ \ln(总市值) $$ - 动量因子：历史超额收益率序列均值 - 波动因子：$$ 0.74 \times \sigma_{超额收益} + 0.16 \times 累积超额收益离差 + 0.1 \times \sigma_{残差收益} $$ - 流动性因子：$$ 0.35 \times 月换手 + 0.35 \times 季换手 + 0.3 \times 年换手 $$ - 盈利因子：$$ 0.68 \times 预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数 $$ - 成长因子：$$ 0.18 \times 预测长期盈利增长 + 0.11 \times 预测短期增长 + 0.24 \times 盈利增长 + 0.47 \times 营收增长 $$[15] 2 因子名称：超预期增长因子 因子构建思路：捕捉财务指标超出市场预期的增长信号[19] 因子具体构建过程： - 计算ROA/ROC/净利润等指标的同比变化 - 与分析师一致预期比较计算超预期幅度 - 标准化处理并行业中性化[17] 3 因子名称：技术动量因子 因子构建思路：捕捉股票价格趋势特征[19][24][29] 因子具体构建过程： - 20日动量：过去20日收益率 - 60日动量：过去60日收益率 - 120日动量：过去120日收益率 - 波动率：20日/60日/120日收益率标准差 模型的回测效果 1 GRU模型： - barra1d模型：近一周超额0.38%，今年以来超额3.78%[31] - barra5d模型：今年以来超额8.37%[31] - close1d模型：近六月超额6.80%[31] 2 多因子组合模型： - 近一月超额-0.30%，今年以来超额2.54%[31] 因子的回测效果 1 Barra风格因子： - 动量因子：全市场近一周多空收益1.01%(120日动量)[19] - 波动因子：全市场近一周多空收益1.45%(60日波动)[19] - 流动性因子：本周多头表现强势[16] 2 超预期增长因子： - 净利润超预期增长：全市场近一周多空收益0.74%[19] - ROA超预期增长：全市场近一周多空收益0.49%[19] 3 技术动量因子： - 60日动量：中证500近一周多空收益1.75%[24] - 120日波动：中证1000近一周多空收益1.68%[29]

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**：通过流动性、分歧度和景气度三个维度的趋势变化进行市场择时判断[7] - **模型具体构建过程**： 1. **流动性指数**：监测市场资金面变化，上行趋势代表资金宽松[22] 2. **分歧度指数**：衡量市场观点分化程度，下行趋势代表共识增强[20] 3. **景气度指数**：跟踪工业与金融等板块基本面，上行趋势反映经济向好[26][28] 4. 综合三维指标状态（当前均为正向）得出满仓结论[7] - **模型评价**：历史表现稳定，能有效捕捉市场趋势转折点[16] 2. **模型名称**：资金流共振策略 - **模型构建思路**：结合融资融券与大单资金流的多维度信号筛选行业[34][40] - **模型具体构建过程**： 1. **两融资金因子**： $$ \text{Factor}_{\text{两融}} = \text{市值中性化}(\text{融资净买入} - \text{融券净买入})_{50\text{日均}} \text{的两周环比} $$ 剔除Barra市值因子影响后标准化[40] 2. **大单资金因子**： $$ \text{Factor}_{\text{大单}} = \text{成交量时序中性化}(\text{净流入分位数})_{10\text{日均}} $$ 剔除极端多头行业[40] 3. 策略组合：在大单因子头部行业中剔除两融因子负向信号行业[40] - **模型评价**：2018年以来年化超额收益13.5%，IR达1.7，回撤控制优于北向资金版本[40][45] 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益16.8%（2018-2025）[36] - 当前状态：流动性↑/分歧度↓/景气度↑/ERP极值[7] 2. **资金流共振策略**： - 年化超额收益13.5%，IR=1.7[40] - 上周绝对收益-1.6%，超额-0.1%（行业等权基准）[40] 量化因子与构建方式 1. **因子名称**：估值类因子群 - **构建思路**：捕捉低估值股票的定价偏差[47] - **具体构建**： - 市盈率倒数（FY1-FY3）：$$ \text{ep\_fy} = 1/\text{预测市盈率} $$[48] - BP因子：$$ \text{bp} = \text{股东权益}/\text{总市值} $$[48] 2. **因子名称**：成长类因子群 - **构建思路**：识别盈利增长持续性[47] - **具体构建**： - 净利润增速：$$ \text{yoy\_np} = (\text{净利润}_t - \text{净利润}_{t-1})/|\text{净利润}_{t-1}| $$[50] - ROE变化：$$ \text{roe\_q\_delta} = \text{ROE}_q - \text{ROE}_{q-4} $$[50] 3. **因子名称**：资金流因子 - **构建思路**：反映主力资金动向[34] - **具体构建**： - 大单净流入分位数：$$ \text{rank}(\text{主动买单量}/\text{总成交量}) $$[43] 因子的回测效果 1. **估值因子**： - 近一周多头超额：ep_fy3（2.18%）、bp（1.88%）[48] - 近一月超额：ep_fy3（3.85%）[48] 2. **成长因子**： - 跨市值表现：peg因子在沪深300超额3.89%，中证1000超额3.07%[50] - 单季度ROE变化因子全市场超额2.4%[50] 3. **资金流因子**： - 交通运输行业大单净流入分位69%，两融分位83%[43] 量化组合表现 1. **沪深300增强组合**： - 本年超额收益4.42%，年化IR=7.77%[52] - 持仓龙头：晶科能源、浪潮信息、药明康德[62] 2. **中证500增强组合**： - 本年超额3.38%，上周超额0.40%[52] - 持仓成长股：新易盛、桐昆股份[62] 3. **中证1000增强组合**： - 本年超额4.99%，年化IR=9.26%[52] - 持仓中小盘：利安隆、万孚生物[62]

报告核心观点 - 构建基于风格因子的A股风格投资体系，不同宏观及市场因子决定当前A股占优风格因子，对应不同风格资产或底层投资组合 [3] - 年内视角下，A股占优风格为高盈利、高估值、小市值，具备业绩弹性的科技成长及中游制造板块有望获较强超额收益 [3] 风格因子的构建及其表现 风格因子的构建 - 通过自下而上方式构建风格因子组合，体系分市值、估值、盈利、动量四个维度，构建时将样本内股票按因子指标高低排序分组，计算各组加权涨跌幅、因子收益率或拟合因子净值曲线 [9] - 市值因子：将全A上市满1个月股票按总市值排序分大、中、小市值三组，做多小市值组合并做空大市值组合得因子收益率，2010年至今小市值风格优势明显，2017 - 2018年及2024年1 - 8月大市值占优，做多小市值做空大市值组合约有5倍收益 [12] - 估值因子：采用PE(TTM)指标，将全A上市满1个月股票按市盈率排序分高、中、低估值三组，做多高PE组合并做空低PE组合得因子收益率，A股低估值风格优势显著，2017 - 2018年及2022 - 2024年优势累计，高估值行情在2013 - 2014年、2019 - 2021年及2024Q4出现 [13][14] - 盈利因子：采用盈利增速的万得一致预期数据，按盈利预期由高到低排序分组，做多高增速组合并做空低增速组合得因子收益率，A股盈利因子走势有周期性，2010 - 2014年、2019 - 2021年高盈利增速占优，2016 - 2018年、2022 - 2024年8月低盈利增速占优 [16] - 动量因子：采用1个月动量，基于前一个月涨跌幅排序分组，做多前期涨跌幅前30%组合并做空后30%组合得因子收益率，A股整体反转效应明显，2010 - 2012年及2021年至今反转效应增强，2017及2020年动量效应阶段性出现 [18] 全A风格因子表现 - 2013 - 2014年，A股呈盈利因子主导行情，2014年3月后市值因子影响提升，小市值优势显著 [24] - 2015 - 2016年中，小市值因子优势明显，反转因子阶段性走强，盈利因子暴露度下降，估值因子暴露度提升 [24] - 2016年8月 - 2018年，A股呈估值因子主导风格，低估值风格是超额收益主要来源，市场呈大市值风格，高增速组合走弱，动量效应增强 [24] - 2019 - 2021年初，市场进入盈利因子主导行情，高盈利组合跑赢，动量效应强化 [24] - 2021 - 2023年，市场进入市值因子主导阶段，2021年8月前高盈利小市值风格占优，8月后小市值优势强化，反转效应增强，2023年小市值、低估值因子体现优势 [27] - 2024年以来，A股进入风格轮动或转换期，前三季度低估值、低盈利优势延续，市值风格切换，四季度高估值、小市值走强，反转效应增强，高盈利风格修复 [27] - 2025年起，高估值因子重新走强，市场情绪回升，高估值、强反转因子表现突出，盈利因子底部修复 [27] 不同类型资产风格因子表现 - 新兴成长类资产小市值风格优势明显，2021年7月后小市值加速崛起，反转趋势显著；2015年前高估值风格占优，2015 - 2018年中低估值走强，2021年7月后低估值风格增强；2022年8月前高盈利增风格占优，8月后低盈利增速、低估值占优；动量因子表现与全A类似，2021年7月后反转趋势增强 [29] - 红利资产低估值因子优势明显，市值因子呈周期性大小轮动；2021年中之前高盈利风格优势显著，此后盈利因子走弱，近两年趋稳；2019年以来反转效应更强势 [33] 风格因子影响因素 盈利因子及其影响因素 - 盈利因子与经济周期高度相关，经济基本面上行时，高盈利增速股票表现更好，用库存周期指征经济周期，2017年后同向相关性明显，2017年前有阶段性反向相关性 [45] 估值因子及其影响因素 - 估值因子与市场情绪高度相关，市场情绪回暖时，高估值股票表现更优，股债风险溢价与估值因子走势高度相关，换手率和涨停家数占比可辅助判断 [49] 市值因子及其影响因素 - 市值因子与剩余流动性高度相关，剩余流动性越充裕，小市值因子表现越强势，2017年4月 - 2019年1月及2023年12月 - 2024年8月二者背离，因市场担忧内需结构转换和经济增长中枢下行，风险偏好走弱，低估值主导 [53] 动量因子及其影响因素 - 动量因子与交易拥挤度、增量资金结构相关，交易拥挤度提升，动量效应增强，市场无显著增量资金时，反转因子强势 [56] - 2010 - 2014年H1，市场增量资金不显著，反转效应强；2014H2 - 2015H1，两融资金主导行情，小市值与高盈利优势明显；2017 - 2018年，北上资金主导，低估值因子主导，动量效应增强；2019 - 2021Q2，主动型公募资金主导，高盈利增速主导；此后无新趋势性主导资金，反转效应增强，低估值趋势走强，高盈利趋势走弱 [57] 风格因子体系及其应用 风格投资体系 - 宏观及市场层面因子影响并决定市场风格表现及占优风格因子，盈利因子受经济周期影响，估值因子受市场情绪影响，市值因子受剩余流动性影响，动量因子受增量资金和交易拥挤度影响 [61] - 不同宏观及市场因子决定A股占优风格因子，可据此买入底层股票组合或投资不同类型风格资产或宽基指数 [66] 基于风格投资体系的A股市场风格展望 - 预计2025年国内经济弱复苏、信用磨底修复、货币持续宽松，市场情绪小幅修复，ERP至少到3.5%左右 [68] - 年内A股占优风格为高盈利、高估值、小市值，当前A股对年内盈利修复未充分计价，高盈利、高估值因子有上行空间，科技成长及中游制造板块有望获超额收益；短期高盈利及小市值风格或阶段性调整 [73]

报告核心观点 - 不同估值因子在不同股票池、行业和市场环境下表现有差异，收益源于估值与基本面的错误定价，在A股长期有效但效果或边际下滑，利用此构建的组合在中证800和中证1000股票池有较好回报 [6] 各部分总结 概述 - 估值因子是投资者构建策略和优化组合的关键依据，经典估值指标可帮助识别投资机会与风险，价值股在中美资本市场长期跑赢成长股 [10] - 关于估值因子收益来源有有效市场假说和行为金融学两种假说 [10] - 报告研究了估值因子在不同股票池、行业和市场环境下的表现差异、收益来源以及利用其构建的投资组合，并得出相关结论 [11][12][13][14] 估值因子 - 相对估值法常见实用，如PE法用于盈利稳定、周期性弱的行业，PB法适用于有大量固定资产且账面价值稳定的行业 [15] - 估值因子包括EP、BP、SP、CFP、PEG，各有优缺点和适用公司 [16] 因子IC分析 - 因子IC表征因子对未来股票收益预测能力，ICIR表征预测能力稳定性，EP、BP的IC表现较好，EP的ICIR表现较好 [18][19] - EP、BP、SP、CFP的IC和ICIR在全A、中证1000和中证800中递减，PEG的IC和ICIR在中证800和中证1000中高于全A [19] 因子回归法分析 - 股票的|T|大于2比例表征因子统计显著频率，因子收益率表征一单位因子暴露对应的收益，EP因子显著性和收益表现较好 [24] 因子分层测试分析 - EP因子在各范围具备较好单调性且分组收益差距大，BP因子在全A范围内分组效果较好，SP因子在中证800和全A范围内分组效果较好 [28][29] - CFP因子在全A范围内分组效果尚可，在中证800和中证1000内部效果不好，PEG因子分组收益中间高两端低 [29] 不同行业的因子预测效果 - EP因子在大部分行业表现较好，BP因子在公用事业、金融行业等重资产行业表现较好，SP因子在TMT行业表现较好 [1][40] 估值因子的收益来源 - 估值因子收益源于估值和基本面的错误定价，投资者精力有限，估值会向基本面吻合方向修复 [41] - 构建估值 - 基本面双特征投资组合，高估值 - 弱基本面组合产生显著负向收益，低估值 - 强基本面产生显著正向收益，估值和基本面相对吻合的组合无显著非零收益 [2][46] 估值因子效果长期有效但可能边际下滑 - 除PEG因子外，EP、BP、SP和CFP因子长期IC累加呈上行趋势，估值因子长期有效但会阶段性预测能力下降 [48] - 美国市场价值因子曾经历低迷，原因包括未反映无形资产和价值股估值水平下降，后价值因子反转产生正向收益 [60][63][67] - A股价值因子长期呈上涨态势，2021年至今加速上行，随着A股投资者结构机构化，错误定价产生的收益可能下降 [71][75] 估值陷阱 景气周期高点 - 上游周期类公司在经济扩张期利润暴涨，静态低估值但长期利润中枢低，如中远海控，周期类公司EP因子预测能力通常小于BP因子 [76][79] 结构性衰退 - 公司长远前景不确定，利润可能单边下行，如柯达衰落、光伏行业竞争格局恶化，可通过成长性和回报率筛选股票规避 [80][81][82] 利用错误定价构建的投资组合 中证800股票精选 - 每月末在中证800股票池用BP、EP、净利润增长率和ROE因子对个股等权打分取前40个个股构成组合，年化回报14.87%，最大回撤31.65%，年化波动26.6%，相对基准超额13.54%，月度胜率63.13%，选择个股数量增加，年化收益和波动下降 [85] 中证1000股票精选 - 每月末在中证1000股票池用上述因子对个股等权打分取前40个个股构成组合，年化回报19.11%，最大回撤27.23%，年化波动28.72%，相对基准超额16.81%，月度胜率70.5%，选择个股数量增加，年化收益和波动下降 [89] 总结 - 中证800样本池选股策略在18 - 20年相对逆风，中证1000样本池选股策略超额收益稳定，估值因子收益来源与“拙能胜巧”思想相符 [93]