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]

点击注册小程序 查看完整报告 特别申明： 市场表现综述： 大类资产方面，本周（下文如无特殊说明，本周均指代2025.9.15-2025.9.19）国内权益市场指数表现分化，创 业板指上涨2.34%。行业方面，本周煤炭、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。基金市场方面，本周权益基金表现较好，混合债券型基金业绩回撤。 基金产品发行情况： 本周国内新基市场热度上涨，新成立基金63只，合计发行份额为748.28亿份。其中债券型基金27只、股票型基 金27只、混合型基金7只、国际(QDII)基金1只、REITs1只。全市场新发行基金31只，从类型来看，股票型基金 21只、FOF基金4只、混合型基金4只、债券型基金1只、国际(QDII)基金1只。 基金产品表现跟踪： 各类行业主题基金本周表现震荡分化，TMT主题基金净值涨幅优势延续，金融地产主题基金回调明显，医药 主题基金净值持续回撤。截至2025年9月19日， TMT、新能源、国防军工、行业均衡、行业轮动、消费、周 期、医药、金融地产主题基金本周涨跌幅分别为2.56%、2.07%、1.50%、0.92%、 0.49%、-0.53%、-1. ...

国信金工团队目前共有7名成员，研究方向涵盖主动量化选股、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策略等多个方 向，我们对过去一年团队的研究成果进行精选回顾，并对一些市场关注度较高的策 略进行跟踪效果展示。感谢大家对国信金工团队的关注与支持！ 国信金工团队成员简介 国信金工研究报告精选 量化选股系列 主 动 量 化 选 股 策 略 《 启 发 式 分 域 视 角 下 的 多 策 略 增强 组 合 》 《 稳 健 型 选 股 策 略 探 析 》 《 红 利 投 资 全 攻 略 》 《 超预期投资全攻略 》 《 超 额 图 谱 视 角 下 的 成 长 股 投 资策 略 》 《 战 胜 机 构 投 资 者 — 再 论 主 动 股基 业 绩 增 强 策 略 》 《 券 商 金 股 全 解 析 — 数 据 、 建 模与 实 践 》 《 聚 焦 小 盘 股 — 如 何 构 建 小 市 值股 票 投 资 策 略 》 《 基 于 分 析 师 认 可 度 的 成 长 股 投资 策 略 》 《 探 寻 股 价 回 报 的 源 动 力 — 基 于R O E 的 高 质 量 选 股 策 略 》 ...

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]

量化模型与构建方式 1. 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[25][26] - **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[26][38] - **模型具体构建过程**： 1. 选取中信一级行业作为标的[27] 2. 计算每个行业的扩散指数，扩散指数反映了行业价格趋势的强度[27] 3. 定期（如月度）选择扩散指数排名前六的行业作为配置组合[26][30] 4. 具体配置行业根据最新扩散指数值确定，例如2025年9月配置行业为综合、有色金属、通信、银行、传媒、商贸零售[26][30] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[33][34] - **模型构建思路**：基于分钟频量价数据，通过GRU（门控循环单元）深度学习网络生成行业因子，捕捉交易信息中的规律进行行业轮动[34][38] - **模型具体构建过程**： 1. 使用分钟频量价数据作为输入[38] 2. 通过GRU深度学习网络处理数据，生成每个行业的GRU因子值[34][38] 3. GRU因子值反映了行业短期的动量或交易信号[34] 4. 定期（如周度）选择GRU因子排名靠前的行业作为配置组合，例如调入煤炭、调出房地产[36] 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：2.76%[25][30] - 2025年9月以来超额收益：-1.88%[30] - 本周超额收益：-1.41%[30] 2. GRU因子行业轮动模型 - 2025年以来超额收益：-7.78%[33][36] - 2025年9月以来超额收益：-0.10%[36] - 本周超额收益：-0.38%[36] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[27] - **因子构建思路**：通过计算行业价格数据的扩散指数，衡量行业趋势强度[27] - **因子具体构建过程**： 1. 获取中信一级行业的价格数据[27] 2. 计算每个行业的扩散指数值，具体计算方法未详细说明，但扩散指数值介于0到1之间，值越高表示趋势越强[27] 3. 例如，截至2025年9月19日，有色金属行业的扩散指数为0.978，银行行业为0.968[27] 2. GRU行业因子 - **因子名称**：GRU行业因子[34] - **因子构建思路**：基于GRU深度学习网络处理分钟频量价数据，生成代表行业短期动量的因子[34][38] - **因子具体构建过程**： 1. 输入分钟频量价数据到GRU网络[38] 2. 网络输出每个行业的GRU因子值，值越高表示行业动量越强[34] 3. 例如，截至2025年9月19日，有色金属行业的GRU因子值为7.4，石油石化行业为5.38[34] 因子的回测效果 （注：报告中未提供因子的独立回测指标，如IC、IR等，仅提供了基于因子构建的模型回测结果）

市场表现与行业分化 - 上周沪指累计下跌1.30% 但市场分化度未明显收窄 [1] - 电力设备 电子 通信等行业涨幅领先 银行 非银 食品饮料等板块滞涨 [1] 券商策略观点汇总 - 国泰海通证券认为市场调整是机会 A/H股指有望走出新高 新兴科技是主线 港股科技医药延续修复 [2] - 国金证券指出降息开启新场景转换 港股6-8月滞涨或有补涨行情 成长投资从科技驱动转向出口出海 制造业顺周期成为中期主线 [2] - 浙商证券预计上证盘整持续1-2周 若轮动顺畅25Q4或挑战2015年来最大波幅0.618分位 建议降低计算机和传媒配比 增配地产 基建工程和社服板块 [3] - 光大证券认为节前市场延续震荡格局 中期慢牛行情核心在于政策节奏 关注服务消费 TMT 反内卷与涨价主线 [4] - 招商证券指出国庆前后融资盘呈节前收敛节后迸发规律 节后风险偏好改善 美联储降息后A/H股上涨概率高 关注固态电池 AI算力 人形机器人 商业航天等领域 [5] - 兴业证券建议以轮动思路应对波动 多个板块交替轮动行情才能行稳致远 [6][7] - 中信建投认为美联储降息周期重启 后续降息路径更清晰 关注AI产业叙事 中国内外需共振筑底 十五五规划预期增量 [8] - 华安证券指出美联储降息落地 政策托底预期升温 维持震荡上涨判断 坚定AI强势主线核心地位 关注景气硬支撑领域 [9] - 华西证券强调A股慢牛逻辑未变 企业在人工智能 生物医药 高端制造等领域展现顶尖产品力 反内卷推进验证盈利改善预期 [10] - 银河证券推荐四条主线把握十五五建筑行业机会 包括重大工程支撑稳增长 出海高股息并购重组 低空经济机器人算力工程 新疆煤化工核电洁净室工程 [11]