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]

核心观点 - 报告构建了基于微观多因子的风格择时+轮动模型，通过80个微观特征和随机森林算法对估值、市值、动量、波动率四种风格进行择时和打分，最终形成月频风格轮动策略 [1][6][7][25] - 策略在2014-2025年回测期间年化收益率达20.90%，超额基准13.53%，信息比率0.80，月度胜率61.15%，最大回撤-40.57% [1][57] - 模型创新性地采用宽基指数替代全A股票池构建风格标签，解决了传统方法样本过大、风格划分极端等问题 [17][18][19][20] 模型构建 - **底层特征**：选取80个微观特征，分为量价(20个)、基本面(21个)、一致预期(39个)三大类，包括ROIC、PE、STR等代表性因子 [7][8][9] - **标签构造**：通过小盘-大盘、高估值-低估值等指数差值计算风格收益，替代传统十分组方法 [18][20][22] - **算法选择**：采用随机森林模型，默认参数减少过拟合风险，滚动24期数据预测下一期风格方向 [23][24] 风格择时表现 - **估值因子**：择后年化收益提升至15.19%(原7.90%)，信息比率0.60(原0.27)，最大回撤改善至-42.03% [30][31][34] - **市值因子**：择后年化收益11.72%(原4.36%)，超额基准4.98%，胜率提升至57.86% [36][38] - **动量因子**：择后年化收益15.73%(原10.11%)，信息比率0.63，最大回撤-35.34% [42][43][47] - **波动率因子**：择后年化收益13.83%(原10.93%)，超额信息比率0.59，胜率58.57% [48][51][53] 合成因子表现 - **等权合成**：年化收益20.05%，信息比率0.78，超额基准12.67%，最大回撤-41.97% [52][54][55] - **加权合成**：根据预测准确度动态调整权重，最终策略年化收益20.90%，超额13.53%，信息比率1.05 [56][57][59] - **样本外表现**：2024年收益率55.36%(超额35.72%)，2025年至今收益率4.63% [1][60]

量化模型与构建方式 1. **模型名称**：基于微观的风格轮动模型 - **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层微观因子构造640个微观特征，并利用常用指数作为风格股票池替代传统因子划分，生成风格收益标签。通过随机森林模型进行风格择时与打分，最终形成月频轮动策略[9][4] - **模型具体构建过程**： 1. **特征构造**：80个底层因子（如估值、动量等）衍生出640个微观特征，通过标准化和滚动窗口处理[9] 2. **标签生成**：以指数（如ESG 300、央视50等）代表风格收益，替代传统因子分位数划分[9][21] 3. **模型训练**：滚动训练随机森林模型，优选特征并输出风格推荐得分，结合择时信号生成最终持仓[9][4] - **模型评价**：有效规避过拟合，兼顾风格择时与评分，但依赖历史数据且需结合风控管理[9][4] 模型的回测效果 1. **基于微观的风格轮动模型**（2017/01-2025/07）： - 年化收益率：16.66% - 年化波动率：19.57% - 信息比率（IR）：0.85 - 月度胜率：56.31% - 对冲基准年化收益率：11.40% - 对冲基准最大回撤：9.73%[10][11] 量化因子与构建方式 1. **因子名称**：估值因子 - **因子构建思路**：从个股层面提取估值类指标（如PE、PB等），标准化后加权合成[9] 2. **因子名称**：市值因子 - **因子构建思路**：基于个股流通市值构造，区分大/小市值风格[9][18] 3. **因子名称**：动量因子 - **因子构建思路**：计算个股过去N个月收益率，区分正/负动量[9][18] 4. **因子名称**：波动率因子 - **因子构建思路**：通过历史波动率或换手率指标衡量个股波动特征[9][18] 因子的回测效果 1. **2025年风格因子多空对冲收益**： - 动量因子：区间收益-6.00%至4.00%（2025/1-2025/5） - 波动率因子：区间收益-4.00%至6.00% - 估值因子：区间收益-2.00%至8.00% - 市值因子：区间收益0.00%至6.00%[13][20] 2. **近一年风格因子权重**： - 市值因子：占比约40% - 估值因子：占比约30% - 动量因子：占比约20% - 波动率因子：占比约10%[24]

量化模型与构建方式 1. **模型名称**：基于微观的风格轮动模型 **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层微观指标构造640个微观特征，并使用常用指数作为风格股票池取代风格因子的绝对比例划分，构造新的风格收益作为标签[6] **模型具体构建过程**： - 优选80个底层因子作为原始特征，构造640个微观特征[6] - 通过滚动训练随机森林模型，规避过拟合风险，优选特征并得到风格推荐[6] - 综合择时结果与打分结果，构造月频风格轮动框架[6] **模型评价**：模型通过微观特征和滚动训练有效降低了过拟合风险，实现了风格择时与评分的结合[6] 模型的回测效果 1. **基于微观的择时+打分风格轮动策略** - 年化收益率：21.63%[7][8] - 年化波动率：24.09%[7][8] - 信息比率（IR）：0.90[7][8] - 月度胜率：59.12%[7][8] - 对冲市场基准的年化收益率：13.35%[7][8] - 对冲市场基准的年化波动率：11.43%[7][8] - 对冲市场基准的信息比率（IR）：1.17[7][8] - 对冲市场基准的月度胜率：66.42%[7][8] - 历史最大回撤：10.28%[7][8] 2. **2025年6月风格轮动模型** - 收益率：1.28%[13] - 相对基准超额：-2.51%[13] 量化因子与构建方式 1. **因子名称**：估值因子 **因子的构建思路**：基于微观个股层面的估值指标构造[6] **因子具体构建过程**：未详细说明 2. **因子名称**：市值因子 **因子的构建思路**：基于微观个股层面的市值指标构造[6] **因子具体构建过程**：未详细说明 3. **因子名称**：波动率因子 **因子的构建思路**：基于微观个股层面的波动率指标构造[6] **因子具体构建过程**：未详细说明 4. **因子名称**：动量因子 **因子的构建思路**：基于微观个股层面的动量指标构造[6] **因子具体构建过程**：未详细说明 因子的回测效果 1. **2025年风格因子实际收益率（多空对冲）** - 动量因子：具体数值未列出[12] - 波动率因子：具体数值未列出[12] - 估值因子：具体数值未列出[12] - 市值因子：具体数值未列出[12] 2. **2025年风格因子择时后收益率（多空对冲）** - 动量因子：具体数值未列出[15] - 波动率因子：具体数值未列出[15] - 估值因子：具体数值未列出[15] - 市值因子：具体数值未列出[15] 3. **近一年风格因子权重** - 市值因子：权重未列出[16] - 估值因子：权重未列出[16] - 动量因子：权重未列出[16] - 波动率因子：权重未列出[16]

投资策略转变 - 成长风格管理人梁辉因近年成长股逆风，主动调整单一投资策略，转向多样化策略结合风格择时以提升市场适应性[1] - 投资操作兼顾机会与安全性，关注经济基本面改善下的中国资产重估，聚焦估值合理的互联网板块，回避无业绩支撑的主题标的[1] - 2024年前三季度配置红利股及盈利增长的成长股（如半导体、出口链），四季度加仓成长风格标的，体现风格快速切换[5] 核心投资理念 - 投资体系以成长为核心，认为成长是公司价值所在，但承认成长投资存在周期性和局限性[2][4] - 选股聚焦长期可持续性，综合评估市场需求、竞争环境、投资回报率，避免短期估值过热标的[6][7] - 重视估值安全性，从侧重上行空间转向兼顾下行风险，强调均值回归与稳健收益[7] 行业布局方向 - 四季度看好成长股机会，重点关注四大领域：AI驱动的互联网板块、防御性新消费与医药、自主可控科技、稳增长政策受益行业（如工程机械）[9] - AI产业处于"0到1"阶段，算力基础设施投资确定性高；未来"1到N"阶段互联网企业竞争力突出，港股互联网公司估值合理[9][10] - 半导体行业具备全球1/3市场在中国、国产化率1/3的结构性机会，设备技术突破将催生重大投资机遇[10] 市场判断与案例 - 最不确定时期已过，房地产企稳、过剩产能消化及中港股市深度调整后估值吸引力增强[9] - 机器人板块虽受关注，但回避无业绩支撑标的，案例显示曾避免参与短期估值飙升30%后下跌的标的[7][8]

量化模型与构建方式 1. **模型名称**：微观风格轮动模型 - **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层微观因子构造640个微观特征，并基于指数风格股票池生成风格收益标签，结合随机森林模型进行风格择时与打分[6] - **模型具体构建过程**： 1. **特征构造**：80个底层因子（如估值、动量等）通过组合衍生出640个微观特征[6] 2. **标签生成**：以常用指数（如中证红利）作为风格股票池，计算风格收益作为训练标签[6] 3. **模型训练**：滚动训练随机森林模型，预测风格得分并生成择时信号[6] 4. **组合构建**：根据择时结果和打分结果加权生成最终风格配置[6] - **模型评价**：通过滚动训练规避过拟合，实现风格轮动的动态优化[6] 模型的回测效果 1. **微观风格轮动模型**（2014/01-2025/04）： - 年化收益率：21.56%[7][8] - 年化波动率：24.17%[7][8] - IR：0.89[7][8] - 月度胜率：58.82%[7][8] - 超额年化收益率（vs基准）：13.45%[7][8] - 超额波动率：11.47%[7][8] - 超额IR：1.17[7][8] - 最大回撤：10.28%（超额）[7][8] 量化因子与构建方式 1. **因子类别**：估值、市值、波动率、动量[6] - **构建思路**：基于微观个股数据（如财务、量价）构造多维度特征[6] - **具体构建过程**：未披露详细公式，但通过标准化、中性化等步骤处理原始因子[6] 因子的回测效果 1. **2025年风格因子多空对冲收益**： - **动量因子**：2025年1-4月收益区间为-6%至4%[10][17] - **波动率因子**：2025年1-4月收益区间为-4%至6%[10][17] - **估值因子**：2025年1-4月收益区间为-2%至8%[10][17] - **市值因子**：2025年1-4月收益区间为-8%至2%[10][17] 2. **近一年风格权重分布**： - 市值因子权重占比约40%-60%，估值因子20%-40%，动量和波动率因子交替占优[18] 最新模型输出 - **2025年5月推荐风格**：价值（估值）、大市值、反转（动量负向）、低波[14] - **持仓指数**：中证红利[15]

市场风格轮动现象 - 风格轮动长期存在于市场，显著影响不同类型主动量化选股策略的收益水平 [1] - 成长风格在2009-2010年、2019-2020年持续跑赢价值风格，而价值风格在2017年、2022-2023年占优 [4] - 主动量化策略收益与其相关风格表现一致，如成长趋势选股策略在2019-2020年优于价值股优选策略 [4] 多策略动态配置核心框架 - 通过估值差、主动流入率差、组合时序相关性等定量指标衡量风格配置价值 [1][2] - 估值差指标越大（估值越低），未来3个月超额收益表现越好 [2] - 主动流入率差较大时，风格存在过度反应风险，未来超额收益可能回调 [2] - 组合时序相关性高利好成长和小盘风格，但与价值和红利风格超额收益负相关 [2] 风格择时模型构建 - 采用估值差、主动流入率差、组合时序相关性三个低相关性指标，通过投票法整合多维信息 [3][26] - 单指标择时框架基于历史临近点胜率判断当前观点，开仓阈值可根据风险偏好或历史胜率设定 [27][30] - 多维度综合择时模型最大回撤率显著降低，如小盘风格从-14.9%降至-10.4% [33] 策略轮动模型表现 - 风格指数轮动模型年化收益率16.5%，超额基准（中证全指）12.7%（2015-2025年回测） [3] - 主动量化策略轮动模型年化收益率36.2%，超额基准（偏股混合基金指数）28.5%（2015-2025年回测） [4][39] - 2025年3月最新观点：看多小盘（中证2000）和成长（国证成长）风格，价值与红利风格空仓 [4][35] 关键指标有效性验证 - 估值差分组测试显示，最高组（Group20）未来1/3/6个月平均超额收益显著优于最低组（Group1） [10][11] - 主动流入率差指标与成长风格未来超额收益负相关（-0.49），价值风格正相关（0.26） [22] - 组合时序相关性指标与成长风格正相关（0.66），与价值风格负相关（-0.53） [22]