证券研究报告 2025 年 11 月 21 日 湘财证券研究所 金融工程研究 策略双周报 期权波动率套利策略跟踪 ——波动率偏斜策略 相关研究： 核心要点： ❑ 波动率偏斜策略跟踪情况 波动率偏斜策略是通过价内合约与价外合约的隐含波动率差异进行套利交 易。正常情况下，VSI 指标会在一定范围内波动，但当不同期权合约的波 动率比值出现实质差异时，就存在相应的反向套利空间。 本年以来，认购子策略收益率为 8.49%，最大回撤为 2.93%；认沽子策略 收益率为-1.31%，最大回撤为 10.49%；组合策略收益率为 3.68%，最大回 撤为 5.57%。 近两周以来（2025 年 12 月 8 日至 2025 年 12 月 19 日），认购子策略的收 益率为 0.91%，最大回撤为 0.09%；认沽子策略收益率为 0.46%，最大回撤 为 0.29%；组合策略收益率为 0.68%，最大回撤为 0.13%。 ❑ 投资建议 近两周以来，标的资产以震荡走势为主，从 VSI 指标偏离情况来看，认购 合约和认沽合约都出现了轻微偏离但很快回归的现象，套利策略非常适用 于这类市场走势，从策略收益来看，认购和认沽子策略均获得了正 ...

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：日内高频偏度因子 **因子构建思路**：捕捉股票日内收益的分布特征，特别是偏度信息，以预测未来收益[14] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[14] 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：分解已实现波动，关注下行波动部分在总波动中的占比，以衡量股票的下跌风险[19] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19] 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，将高频信息低频化，计算买入意愿的占比[23] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[23] 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度而非单纯占比[28] **因子具体构建过程**：报告未提供详细构建公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[28] 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析开盘后大单资金的净买入行为，计算其占比以捕捉主力资金动向[33] 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：在净买入占比的基础上，进一步衡量大单净买入的强度[38] 7. **因子名称**：改进反转因子 **因子构建思路**：对传统反转因子进行改进，以更好地捕捉价格反转效应[43] 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：关注尾盘时段成交量在全天成交量中的占比，以捕捉尾盘资金行为信息[49] 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过计算平均单笔流出金额的占比，来衡量资金流出的压力[55] 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：衡量由大单交易推动的股价上涨幅度，以识别有资金强力推动的股票[60] 11. **因子名称**：改进 GRU(50,2)+NN(10) 因子 **因子构建思路**：使用门控循环单元（GRU）和神经网络（NN）相结合的深度学习模型，从高频数据中提取选股信号[64] **因子具体构建过程**：模型结构为GRU(50,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[64] 12. **因子名称**：残差注意力 LSTM(48,2)+NN(10) 因子 **因子构建思路**：使用结合了残差连接和注意力机制的长短期记忆网络（LSTM）与神经网络相结合的深度学习模型，处理高频数据[66] **因子具体构建过程**：模型结构为残差注意力LSTM(48,2)与NN(10)的组合，具体网络架构和训练细节未在报告中详述[66] 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：使用基于双向AGRU（可能指注意力GRU）训练的多颗粒度深度学习模型，预测未来5日的收益标签[69] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[69] 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：使用基于双向AGRU训练的多颗粒度深度学习模型，预测未来10日的收益标签[70] **因子具体构建过程**：模型基于双向AGRU训练得到，具体网络架构和训练细节未在报告中详述[70] 量化模型与构建方式 1. **模型名称**：周度调仓的中证500 AI增强宽约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：以最大化预期收益为目标函数 $$max\sum\mu_{i}w_{i}$$，其中 $w_i$ 为股票i的权重，$\mu_i$ 为股票i的预期超额收益[75]。组合优化时施加一系列风险控制约束，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等“宽”约束条件[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 2. **模型名称**：周度调仓的中证500 AI增强严约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证500指数增强组合，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与宽约束组合相同 $$max\sum\mu_{i}w_{i}$$[75]。但施加更严格的风险约束，例如市值因子暴露上限收紧至0.1，并额外增加ROE、SUE、波动率等因子的暴露约束，以及更高的成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 3. **模型名称**：周度调仓的中证1000 AI增强宽约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，在较宽松的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500宽约束组合类似，包括个股权重上限1%、行业偏离上限1%、市值因子暴露上限0.3等[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 4. **模型名称**：周度调仓的中证1000 AI增强严约束组合 **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建中证1000指数增强组合，在更严格的风险约束下最大化预期收益[74] **模型具体构建过程**：目标函数与前述组合相同 $$max\sum\mu_{i}w_{i}$$[75]。对中证1000指数成分股进行优化，约束条件与中证500严约束组合类似，包括更严格的市值暴露约束（0.1）以及额外的ROE、SUE、波动率等因子暴露约束和成份股权重约束（0.8）[75]。回测假设以次日均价成交，并扣除双边3‰的交易成本[76] 因子的回测效果 （以下数据均为周度频率测试结果，涵盖“上周”、“12月”及“2025YTD”三个时间段）[10][13] 1. 日内高频偏度因子，IC(历史)0.019，IC(2025年)0.021，e^(-rank mae)(历史)0.324，e^(-rank mae)(2025年)0.326，多空收益上周0.67%，多空收益12月-1.18%，多空收益2025YTD 22.39%，2025年周胜率32/51，多头超额收益上周-0.09%，多头超额收益12月-1.49%，多头超额收益2025YTD 5.11%，多头超额收益2025年周胜率26/51[10] 2. 日内下行波动占比因子，IC(历史)0.016，IC(2025年)0.018，e^(-rank mae)(历史)0.323，e^(-rank mae)(2025年)0.324，多空收益上周0.87%，多空收益12月-1.33%，多空收益2025YTD 19.08%，2025年周胜率34/51，多头超额收益上周-0.01%，多头超额收益12月-1.70%，多头超额收益2025YTD 1.89%，多头超额收益2025年周胜率27/51[10] 3. 开盘后买入意愿占比因子，IC(历史)0.025，IC(2025年)0.023，e^(-rank mae)(历史)0.321，e^(-rank mae)(2025年)0.320，多空收益上周0.66%，多空收益12月0.61%，多空收益2025YTD 21.12%，2025年周胜率38/51，多头超额收益上周0.59%，多头超额收益12月0.37%，多头超额收益2025YTD 9.83%，多头超额收益2025年周胜率33/51[10] 4. 开盘后买入意愿强度因子，IC(历史)0.030，IC(2025年)0.027，e^(-rank mae)(历史)0.326，e^(-rank mae)(2025年)0.326，多空收益上周0.46%，多空收益12月0.94%，多空收益2025YTD 28.09%，2025年周胜率38/51，多头超额收益上周-0.49%，多头超额收益12月0.10%，多头超额收益2025YTD 10.73%，多头超额收益2025年周胜率35/51[10] 5. 开盘后大单净买入占比因子，IC(历史)0.035，IC(2025年)0.020，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.317，多空收益上周-0.21%，多空收益12月0.17%，多空收益2025YTD 22.11%，2025年周胜率35/51，多头超额收益上周-0.07%，多头超额收益12月0.75%，多头超额收益2025YTD 11.27%，多头超额收益2025年周胜率32/51[10] 6. 开盘后大单净买入强度因子，IC(历史)0.024，IC(2025年)0.014，e^(-rank mae)(历史)0.320，e^(-rank mae)(2025年)0.316，多空收益上周-0.25%，多空收益12月0.38%，多空收益2025YTD 12.50%，2025年周胜率30/51，多头超额收益上周-0.06%，多头超额收益12月0.77%，多头超额收益2025YTD 9.40%，多头超额收益2025年周胜率34/51[10] 7. 改进反转因子，IC(历史)0.030，IC(2025年)0.020，e^(-rank mae)(历史)0.330，e^(-rank mae)(2025年)0.330，多空收益上周0.35%，多空收益12月0.91%，多空收益2025YTD 22.33%，2025年周胜率38/51，多头超额收益上周-0.54%，多头超额收益12月-0.07%，多头超额收益2025YTD 7.82%，多头超额收益2025年周胜率28/51[11] 8. 尾盘成交占比因子，IC(历史)0.025，IC(2025年)0.015，e^(-rank mae)(历史)0.322，e^(-rank mae)(2025年)0.319，多空收益上周-0.94%，多空收益12月1.04%，多空收益2025YTD 16.73%，2025年周胜率33/51，多头超额收益上周-0.73%，多头超额收益12月-0.08%，多头超额收益2025YTD 5.19%，多头超额收益2025年周胜率27/51[11] 9. 平均单笔流出金额占比因子，IC(历史)0.008，IC(2025年)-0.007，e^(-rank mae)(历史)0.317，e^(-rank mae)(2025年)0.315，多空收益上周-1.15%，多空收益12月-2.15%，多空收益2025YTD -8.11%，2025年周胜率23/51，多头超额收益上周-0.30%，多头超额收益12月-0.81%，多头超额收益2025YTD -3.10%，多头超额收益2025年周胜率18/51[13] 10. 大单推动涨幅因子，IC(历史)0.018，IC(2025年)0.007，e^(-rank mae)(历史)0.325，e^(-rank mae)(2025年)0.325，多空收益上周0.41%，多空收益12月-0.93%，多空收益2025YTD 7.19%，2025年周胜率31/51，多头超额收益上周0.14%，多头超额收益12月-0.15%，多头超额收益2025YTD 1.61%，多头超额收益2025年周胜率28/51[13] 11. 改进 GRU(50,2)+NN(10) 因子，IC(历史)0.066，IC(2025年)0.045，e^(-rank mae)(历史)0.336，e^(-rank mae)(2025年)0.332，多空收益上周1.13%，多空收益12月-0.47%，多空收益2025YTD 47.04%，2025年周胜率41/51，多头超额收益上周-0.20%，多头超额收益12月-0.26%，多头超额收益2025YTD 7.10%，多头超额收益2025年周胜率28/51[13] 12. 残差注意力 LSTM(48,2)+NN(10) 因子，IC(历史)0.063，IC(2025年)0.044，e^(-rank mae)(历史)0.334，e^(-rank mae)(2025年)0.331，多空收益上周1.66%，多空收益12月0.19%，多空收益2025YTD 47.39%，2025年周胜率46/51，多头超额收益上周0.15%，多头超额收益12月0.06%，多头超额收益2025YTD 8.92%，多头超额收益2025年周胜率30/51[13] 13. 多颗粒度模型-5日标签因子，IC(历史)0.080，IC(2025年)0.065，e^(-rank mae)(历史)0.343，e^(-rank mae)(2025年)0.340，多空收益上周2.46%，多空收益12月1.12%，多空收益2025YTD 68.13%，2025年周胜率45/51，多头超额收益上周0.74%，多头超额收益12月-0.18%，多头超额收益2025YTD 24.48%，多头超额收益2025年周胜率40/51[13] 14. 多颗粒度模型-10日标签因子，IC(历史)0.073，IC(2025年)0.060，e^(-rank mae)(历史)0.342，e^(-rank mae)(2025年)0.341，多空收益上周2.26%，多空收益12月1.11%，多空收益2025YTD 62.71%，2025年周胜率45/51，多头超额收益上周0.76%，多头超额收益12月-0.50%，多头超额收益2025YTD 24.30%，多头超额收益2025年周胜率38/51[13] 模型的回测效果 （以下数据均为周度调仓频率下的超额收益及胜率）[14] 1. 周度调仓的中证500 AI增强宽约束组合，超额收益上周0.41%，超额收益12月-2.64%，超额收益2025YTD 5.46%，2025年周胜率29/51[14] 2. 周度调仓的中证500 AI增强严约束组合，超额收益上周0.92%，超额收益12月-1.62%，超额收益2025YTD 9.23%，2025年周胜率33/51[14] 3. 周度调仓的中证1000 AI增强宽约束组合，超额收益上周1.55%，超额收益12月-2.69%，超额收益2025YTD 15.39%，2025年周胜率34/51[14] 4. 周度调仓的中证1000 AI增强严约束组合，超额收益上周1.48%，超额收益12月-1.45%，超额收益2025YTD 19.02%，2025年周胜率33/51[14]

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]

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：日内高频偏度因子 **因子构建思路**：通过分析日内高频收益的分布特征，捕捉股票收益的非对称性，以此作为选股依据[13]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[13]。报告中提及该因子已对常规因子进行了正交化处理[13]。 2. **因子名称**：日内下行波动占比因子 **因子构建思路**：将已实现波动率分解，计算下行波动部分在总波动中的占比，用以衡量股价下跌时的波动风险[18]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[18]。报告中提及该因子已对常规因子进行了正交化处理[18]。 3. **因子名称**：开盘后买入意愿占比因子 **因子构建思路**：基于开盘后一段时间内的高频交易数据，通过直观逻辑或机器学习方法，计算反映市场买入意愿的指标[22]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22][26]。报告中提及该因子已对常规因子进行了正交化处理[22]。 4. **因子名称**：开盘后买入意愿强度因子 **因子构建思路**：与买入意愿占比因子类似，但更侧重于衡量买入意愿的强度或力度[22][26]。 **因子具体构建过程**：具体计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22][26]。报告中提及该因子已对常规因子进行了正交化处理[26]。 5. **因子名称**：开盘后大单净买入占比因子 **因子构建思路**：分析开盘后大额资金的净买入行为，计算其占总成交的比例，以捕捉主力资金的动向[31]。 6. **因子名称**：开盘后大单净买入强度因子 **因子构建思路**：衡量开盘后大额资金净买入行为的强度[34]。 7. **因子名称**：改进反转因子 **因子构建思路**：在传统反转因子的基础上进行改进，以提升其选股效果[40]。 8. **因子名称**：尾盘成交占比因子 **因子构建思路**：计算尾盘时段成交量在当日总成交量中的占比，用以捕捉尾盘资金的异动行为[45]。 9. **因子名称**：平均单笔流出金额占比因子 **因子构建思路**：通过分析平均单笔流出金额的占比，来衡量资金流出的压力[48]。 10. **因子名称**：大单推动涨幅因子 **因子构建思路**：衡量由大额买单所推动的股价上涨幅度，以识别由大资金驱动的价格上涨[55]。 11. **因子名称**：改进GRU(50,2)+NN(10)因子 **因子构建思路**：使用门控循环单元（GRU）神经网络结合全连接神经网络（NN），对高频数据进行深度学习建模，以提取有效的选股信号[60]。这是一个改进版本。 12. **因子名称**：残差注意力LSTM(48,2)+NN(10)因子 **因子构建思路**：使用带有残差连接和注意力机制的长短期记忆网络（LSTM）结合全连接神经网络（NN），构建深度学习选股因子[62]。 13. **因子名称**：多颗粒度模型-5日标签因子 **因子构建思路**：基于双向A-GRU网络训练的多颗粒度深度学习模型，使用5日收益率作为训练标签[65]。 14. **因子名称**：多颗粒度模型-10日标签因子 **因子构建思路**：基于双向A-GRU网络训练的多颗粒度深度学习模型，使用10日收益率作为训练标签[66]。 量化模型的构建方式 1. **模型名称**：周度调仓的中证500/1000 AI增强组合（宽/严约束） **模型构建思路**：基于深度学习因子（多颗粒度模型-10日标签）构建指数增强组合，通过优化求解在给定约束条件下最大化组合预期收益[70]。 **模型具体构建过程**： * **核心因子**：使用“多颗粒度模型-10日标签”因子作为股票的预期超额收益（μi）来源[70]。 * **优化目标**：最大化组合的预期收益，目标函数为： $$max\sum\mu_{i}w_{i}$$ 其中，wi为股票i的权重，μi为股票i的预期超额收益[71]。 * **约束条件**：组合构建受到一系列风险控制约束，包括个股权重上限、行业偏离、风格因子（如市值、PB、ROE等）暴露、成分股权重下限以及换手率控制等。宽约束和严约束的区别在于约束条件的数量和严格程度[71]。 * **回测设置**：假设以次日均价成交，并扣除双边3‰的交易成本[72]。 因子的回测效果 （数据来源：表2，周度高频、深度选股因子IC，RankMAE，多空收益，多头超额收益及月度胜率[10][12]） | 因子名称 | 历史IC | 2025年IC | 历史e^(-rank mae) | 2025年e^(-rank mae) | 上周多空收益 | 12月多空收益 | 2025YTD多空收益 | 2025年周胜率 | 上周多头超额 | 12月多头超额 | 2025YTD多头超额 | 2025年周胜率（多头） | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 0.019 | 0.020 | 0.324 | 0.326 | -0.29% | -1.85% | 21.72% | 31/50 | -0.49% | -1.40% | 5.20% | 26/50 | | 日内下行波动占比 | 0.016 | 0.017 | 0.323 | 0.324 | -0.96% | -2.20% | 18.22% | 33/50 | -0.77% | -1.69% | 1.90% | 27/50 | | 开盘后买入意愿占比 | 0.025 | 0.023 | 0.321 | 0.320 | -0.01% | -0.05% | 20.46% | 37/50 | -0.28% | -0.21% | 9.24% | 32/50 | | 开盘后买入意愿强度 | 0.030 | 0.026 | 0.326 | 0.326 | 1.03% | 0.47% | 27.63% | 37/50 | 0.82% | 0.59% | 11.22% | 35/50 | | 开盘后大单净买入占比 | 0.035 | 0.021 | 0.322 | 0.317 | 0.71% | 0.38% | 22.32% | 35/50 | 0.84% | 0.82% | 11.34% | 32/50 | | 开盘后大单净买入强度 | 0.024 | 0.015 | 0.320 | 0.316 | 1.09% | 0.64% | 12.75% | 30/50 | 0.90% | 0.83% | 9.46% | 34/50 | | 改进反转 | 0.030 | 0.020 | 0.330 | 0.330 | 1.04% | 0.56% | 21.98% | 37/50 | 0.85% | 0.47% | 8.36% | 28/50 | | 尾盘成交占比 | 0.026 | 0.016 | 0.322 | 0.319 | 1.69% | 1.98% | 17.67% | 33/50 | 1.01% | 0.65% | 5.92% | 27/50 | | 平均单笔流出金额占比 | 0.008 | -0.006 | 0.317 | 0.315 | 0.01% | -1.00% | -6.96% | 23/50 | -0.03% | -0.51% | -2.80% | 18/50 | | 大单推动涨幅 | 0.018 | 0.007 | 0.325 | 0.325 | -0.80% | -1.34% | 6.78% | 30/50 | 0.13% | -0.29% | 1.47% | 27/50 | | 改进GRU(50,2)+NN(10) | 0.066 | 0.045 | 0.336 | 0.332 | -0.43% | -1.60% | 45.90% | 40/50 | 0.55% | -0.06% | 7.30% | 28/50 | | 残差注意力LSTM(48,2)+NN(10) | 0.062 | 0.043 | 0.334 | 0.331 | 0.01% | -1.47% | 45.73% | 45/50 | 0.67% | -0.09% | 8.76% | 29/50 | | 多颗粒度模型-5日标签 | 0.080 | 0.064 | 0.343 | 0.340 | -0.84% | -1.34% | 65.67% | 44/50 | -0.45% | -0.92% | 23.74% | 39/50 | | 多颗粒度模型-10日标签 | 0.073 | 0.059 | 0.342 | 0.340 | -1.18% | -1.15% | 60.45% | 44/50 | -1.01% | -1.26% | 23.54% | 37/50 | 模型的回测效果 （数据来源：表3，周度调仓的AI增强组合超额收益及周度胜率[13]） | 模型名称 | 上周超额收益 | 12月超额收益 | 2025YTD超额收益 | 2025年周胜率 | | :--- | :--- | :--- | :--- | :--- | | 中证500 AI增强宽约束组合 | -2.80% | -3.04% | 5.03% | 28/50 | | 中证500 AI增强严约束组合 | -2.42% | -2.51% | 8.24% | 32/50 | | 中证1000 AI增强宽约束组合 | -3.54% | -4.18% | 13.63% | 33/50 | | 中证1000 AI增强严约束组合 | -2.35% | -2.88% | 17.29% | 32/50 |

核心观点 - 上周（2025年12月5日至12月12日）市场风格出现切换，小市值、低估值（价值）因子出现回撤，而高盈利、高增长等基本面因子表现相对较优 [1][5] - 报告期内，绩优基金的独门重仓股组合表现突出，周收益率达4.43%，2025年累计收益率高达52.54% [1][5] 量化组合表现总结 - **多因子组合**：上周进取组合和平衡组合表现不佳，周收益率分别为-4.10%和-3.85%，相对中证500指数的超额收益分别为-5.11%和-4.86% [9][10] - **指数增强组合**： - 沪深300增强组合上周收益率为-0.16%，超额收益为-0.08%，2025年YTD超额收益为6.19% [5][9][14] - 中证500增强组合上周收益率为1.10%，超额收益为0.09%，2025年YTD超额收益为5.36% [5][9][14] - 中证1000增强组合上周收益率为-0.32%，超额收益为-0.71%，2025年YTD超额收益为3.77% [5][9][14] - **基金重仓股组合**：绩优基金的独门重仓股组合上周收益率为4.43%，相对股票型基金总指数超额收益为4.09%，2025年YTD累计收益率达52.54%，超额收益为26.02% [5][9][26] - **盈利增长现金流组合**：盈利、增长、现金流三者兼优组合上周收益率为1.12%，超额收益为1.20%，2025年YTD累计收益率高达88.82%，超额收益达72.40% [9][28] - **低估值组合**： - PB-盈利优选组合上周收益率为-2.64%，超额收益为-2.57%，2025年YTD累计收益率为19.82% [5][9][30] - GARP组合上周收益率为-2.23%，超额收益为-2.15%，2025年YTD累计收益率为35.12% [9][33] - **小盘组合**： - 小盘价值优选组合1上周收益率为-2.84%，相对微盘股指数超额收益为1.85%，2025年YTD累计收益率为48.03% [9][35] - 小盘价值优选组合2上周收益率为-3.97%，相对微盘股指数超额收益为0.72%，2025年YTD累计收益率为53.98% [9][37] - 小盘成长组合上周收益率为-1.94%，相对微盘股指数超额收益为2.75%，2025年YTD累计收益率为66.11% [5][9][39] 单因子表现分析 - **风格类因子**：上周全市场范围内，大市值股票表现优于小市值股票，高估值股票表现优于低估值股票 [5][42] - 市值因子多空收益为-5.16%，PB因子多空收益为-3.07%，PE_TTM因子多空收益为-1.91% [42] - 2025年YTD，全市场范围内市值因子多空收益为42.98%，而PB因子多空收益为-12.46% [43] - **技术类因子**：上周全市场范围内，反转、换手率、波动率因子均贡献负收益 [46] - 反转因子多空收益为-0.02%，换手率因子多空收益为-2.41%，波动率因子多空收益为-1.98% [46] - 2025年YTD，全市场范围内换手率因子多空收益为30.24%，而反转因子多空收益仅为2.75% [48] - **基本面因子**：上周全市场范围内，ROE和SUE因子贡献正收益 [53] - ROE因子多空收益为1.63%，SUE因子多空收益为0.48% [53] - 2025年YTD，全市场范围内SUE因子多空收益达21.79%，预期净利润调整因子多空收益为15.90% [54]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型**[41] * **模型构建思路**：为了准确计算股指期货的升贴水，必须考虑指数成分股分红除息导致价格指数点位自然滑落的影响。该模型旨在精确预测从当前时刻到股指期货合约到期日之间，指数因成分股分红而累计下跌的点数[11][41]。 * **模型具体构建过程**：模型的核心是计算在特定时间段内，所有成分股分红对指数点位的总影响。具体流程如下[41][42]： 1. **确定计算范围**：假设当前日期为 `t`，股指期货合约到期日为 `T`。对于指数中第 `n` 只成分股，其除权除息日需满足 `t < 除息日 ≤ T`[41]。 2. **计算总分红点数**：指数在 `t` 到 `T` 期间的分红点数计算公式为： $$分红点数 = \sum_{n=1}^{N} \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价$$ 其中，`N` 为指数成分股数量，求和仅包含在 `t` 到 `T` 期间有分红的股票[41]。 3. **获取与预测核心输入数据**：公式中所需数据（成分股权重、分红金额等）的获取与预测方法如下： * **成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，以确保准确性，避免因指数调整、个股行为导致估算偏差[46]。 * **分红金额**：若公司已公布分红金额，则直接采用；否则需进行估计。分红金额可分解为：`分红金额 = 净利润 × 股息支付率`[47]。 * **净利润预测**：采用“基于历史净利润分布的动态预测法”。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；否则，根据公司历史季度盈利分布的稳定性进行分类预测[48][50]。 * **股息支付率预测**：采用历史数据平均进行预测。具体规则为：若去年分红，则用去年股息支付率；若去年不分红，则用最近3年平均；若从未分红，则默认不分红；预测值大于100%时进行截尾处理[51][53]。 * **除息日预测**：采用“基于历史间隔天数稳定性的线性外推法”。若已公布则直接采用；否则，根据公司是否已公布预案、所处阶段（预案/决案）以及历史公告日到除息日的间隔天数的稳定性，进行线性外推或采用历史分红日期；若无合理参考，则根据多数公司分红时间规律设置默认日期（如7月31日、8月31日或9月30日）[51][56]。 * **模型评价**：该模型通过精细化处理成分股权重、净利润、股息支付率和除息日等关键输入，实现了对指数分红点位的准确预测。回测显示，其对上证50和沪深300指数的预测误差较小，对中证500指数的预测也基本稳定[61]。 模型的回测效果 1. **股指分红点位测算模型**，2023年预测股息点与实际股息点误差：上证50指数和沪深300指数基本在5个点左右，中证500指数基本在10个点左右[61]。 2. **股指分红点位测算模型**，2024年预测股息点与实际股息点误差：上证50指数和沪深300指数基本在5个点左右，中证500指数基本在10个点左右[61]。 3. **股指分红点位测算模型**，对股指期货合约的预测效果：上证50和沪深300股指期货预测效果最好，中证500股指期货的预测偏离度稍大[61]。 量化因子与构建方式 1. **因子名称：已实现股息率**[3][17] * **因子构建思路**：衡量指数成分股中，在计算时点之前已经完成现金分红的公司，其分红总额相对于指数总市值的比率，反映已落袋为安的分红收益[17]。 * **因子具体构建过程**：计算截至某一时点，指数中所有已现金分红公司的累计分红总额与指数总市值的比值。公式表示为： $$已实现股息率 = \frac{\sum_{i=1}^{N1} (成分股i的分红金额)}{\sum_{i=1}^{N1} (成分股i的总市值)}$$ 其中，`N1` 表示指数成分股中今年已现金分红的公司数量[17]。 2. **因子名称：剩余股息率**[3][17] * **因子构建思路**：衡量指数成分股中，在计算时点之后预计还将进行现金分红的公司，其预测分红总额相对于指数总市值的比率，反映未来潜在的分红收益[17]。 * **因子具体构建过程**：计算截至某一时点，指数中所有尚未现金分红但预计会分红的公司的预测分红总额与指数总市值的比值。公式表示为： $$剩余股息率 = \frac{\sum_{j=1}^{N2} (成分股j的预测分红金额)}{\sum_{j=1}^{N2} (成分股j的总市值)}$$ 其中，`N2` 表示指数成分股中尚未现金分红的公司数量[17]。 3. **因子名称：年化升贴水率**[4][13] * **因子构建思路**：在扣除指数分红影响后，计算股指期货价格相对于其标的指数价格的偏离程度，并进行年化处理，以衡量期货合约的交易情绪和相对价值[11]。 * **因子具体构建过程**： 1. 首先计算扣除分红影响后的期货合约与指数的价差（含分红价差）。 2. 然后计算升贴水幅度：`升贴水 = 含分红价差 / 指数收盘价`。 3. 最后进行年化：`年化升贴水 = 升贴水 × (365 / 到期天数)`[13]。 因子的回测效果 1. **已实现股息率**，截至2025年12月10日取值：上证50指数为2.52%，沪深300指数为2.04%，中证500指数为1.25%，中证1000指数为0.96%[3]。 2. **剩余股息率**，截至2025年12月10日取值：上证50指数为0.42%，沪深300指数为0.24%，中证500指数为0.03%，中证1000指数为0.01%[3]。 3. **年化升贴水率**，截至2025年12月10日主力合约取值：IH为-4.55%，IF为-11.45%，IC为-18.74%，IM为-19.97%[4][13]。

量化模型与构建方式 1. 模型名称：Barra CNE6 纯因子风险模型 - **模型构建思路**：Barra风险模型是一种多因子模型，旨在对资产收益率进行降维，以方便计算资产间的协方差矩阵，为投资组合的风险管理和优化提供依据[3]。该模型通过构建“纯因子组合”来评估因子收益率的实际大小，该组合对目标因子的暴露为1，对其他所有因子的暴露为0[3][19]。 - **模型具体构建过程**： 1. **基础模型设定**：在截面t，资产的收益率满足多元线性回归模型： $$R_{t}=\alpha+\beta\lambda_{t}+\varepsilon_{t}$$[9] 其中，$R_t$为N个资产的收益率向量，$\beta$为因子暴露矩阵，$\lambda_t$为因子收益率向量，$\varepsilon_t$为残差向量[9]。 2. **因子暴露标准化**：Barra对风格因子暴露进行市值加权标准化，以确保市场组合对所有风格因子中性（暴露为0）。标准化公式为： $$\widehat{\boldsymbol{\beta}_{t-1}^{j}}=\frac{{\boldsymbol{\beta}_{t-1}^{j}}-\frac{\sum_{i}^{N}s_{i,t-1}\beta_{i,t-1}^{j}}{\sum_{i}^{N}s_{i,t-1}}}{s t d({\boldsymbol{\beta}_{t-1}^{j}})}\,,j=1,\ldots,k$$[18] 其中，$s_{i,t-1}$为个股i在t-1时刻的流通市值[18]。 3. **处理共线性约束**：为解决国家因子与行业因子间的共线性，对行业因子收益率施加约束： $\sum_{i=1}^{P}s_{I_{i}}\lambda_{i}^{I_{i}}=0$[18] 其中，$s_{I_i}$是所有属于行业$I_i$的股票流通市值之和[18]。由此可推导出约束矩阵$C_t$，使得因子收益率$\lambda_t = C_t \gamma_t$[22]。 4. **处理异方差问题**：采用加权最小二乘法，假设个股特异性收益率方差与其市值平方根成反比，权重矩阵$W$为对角阵，其元素$w_{ii} = 1/\sqrt{s_i}$[20][22]。 5. **模型求解**：结合约束条件和加权矩阵，最终因子收益率的估计量为： $$\lambda_{t}=C_{t}(C_{t}\beta_{t-1}W^{-1}\beta_{t-1}C_{t})^{-1}C_{t}\beta_{t-1}W^{-1}R_{t}$$[25] 该式表明因子收益率可视为一篮子股票投资组合（即纯因子组合）的收益率[25]。 - **模型评价**：该模型通过带约束的加权最小二乘法解决了因子间的共线性与异方差问题，得到的纯因子组合能更纯净地评估因子收益[3][107]。但纯因子组合未考虑卖空等现实投资约束，可投资性较低[19]。 2. 因子名称：大类风格因子（共8类） - **因子的构建思路**：报告在Barra CNE6（CNTR）模型的基础上，受限于数据可得性，剔除了与分析师预期相关的因子，将剩余的二级、三级风格因子等权合成为8个大类一级因子，用于构建纯因子模型并进行检验[26][108]。 - **因子具体构建过程**： 1. **因子选取**：从Barra CNE6的9个大类因子中剔除Sentiment（情绪）因子，最终使用8个大类因子：Size（规模）、Volatility（波动率）、Liquidity（流动性）、Momentum（动量）、Quality（质量）、Value（价值）、Growth（成长）、Dividend Yield（股息率）[26][108]。 2. **数据清洗与标准化**： - **去极值**：采用3倍绝对中位差法处理极端值[31]。 - **标准化**：先进行截面Z-Score标准化：$\tilde{\beta}_i = (\beta_i - median(\boldsymbol{\beta})) / mad(\boldsymbol{\beta})$[31]。 - **市值中性化**：对标准化后的风格因子进行市值加权标准化，使其满足 $\sum_{i=1}^{N}\beta_{i}^{q}\,s_{i}=0$，以确保市场组合风格中性[32]。 3. **合成方法**：由于Barra未提供子因子合成权重，报告对所有子级因子采用等权合成的方式得到大类因子[26]。 模型的回测效果 1. **Barra CNE6 纯因子模型**，全样本回归 $R^2$ 均值约为 **11.45%**[71][108]。 2. **残差因子**，作为选股因子，中间层第5组年化收益达 **17.98%**，夏普比率为 **0.68**；第5组相较于第10组的超额年化收益为 **13.58%**，超额夏普比率为 **1.50**[82][108]。 量化因子与构建方式 （注：报告详细构建并测试了8个大类风格因子，其构建思路和过程已在上述“大类风格因子”部分统一描述。此处列出各因子名称及部分三级因子定义作为补充。） 1. 因子名称：Size（规模） - **三级因子**：LNCAP（流通市值的自然对数）、MIDCAP（中市值，由Size因子暴露立方正交化后处理得到）[114]。 2. 因子名称：Volatility（波动率） - **三级因子**： - Beta：股票收益率对沪深300收益率进行252交易日（半衰期63日）时间序列回归的系数[114]。 - Hist sigma：上述回归残差收益率的波动率[114]。 - Daily std：日收益率在过去252个交易日（半衰期42日）的波动率[114]。 - Cumulative range：过去12个月累积对数收益率的范围（最大值减最小值）[114]。 3. 因子名称：Liquidity（流动性） - **三级因子**： - Monthly share turnover：最近21个交易日股票换手率之和的对数[114]。 - Quarterly share turnover：过去3个月月换手率指数平均值的对数[114]。 - Annual share turnover：过去12个月月换手率指数平均值的对数[114]。 - Annualized traded value ratio：日换手率在252个交易日（半衰期63日）内的加权求和[114]。 4. 因子名称：Momentum（动量） - **三级因子**： - Short Term reversal：最近一个月（21个交易日，半衰期5日）的加权累积对数日收益率[114]。 - Seasonality：过去五年对应月份收益率的平均值[114]。 - Industry Momentum：个股相对于其所属中信一级行业的强度[114]。 - Relative strength & Historical alpha：动量相关指标[114]。 5. 因子名称：Quality（质量） - **三级因子**：涵盖杠杆（Market Leverage, Book Leverage, Debt to asset ratio）、盈利波动性（Variation in Sales, Earnings, Cash-Flows）、盈利质量（Accruals）、盈利能力（Asset turnover, Gross profitability, Return on assets等）、投资质量（Total Assets Growth Rate等）多个维度[29]。 6. 因子名称：Value（价值） - **三级因子**：主要包括账面市值比、盈余价格比、现金流价格比、企业价值倍数等估值指标，以及长期反转因子[29]。 7. 因子名称：Growth（成长） - **三级因子**：历史每股收益增长率和历史每股销售收入增长率[29]。 8. 因子名称：Dividend Yield（股息率） - **三级因子**：股息价格比[29]。 因子的回测效果 （以下为**大类风格因子单因子分层回测**表现，数据来源于表2[64]） 1. **Growth因子**，Rank IC **-0.63%**，RankICIR **-0.119**，RankIC>0比例 **44.02%**，t值 **7.36**，单调性 **37.54%**[64]。 2. **Momentum因子**，Rank IC **-1.25%**，RankICIR **-0.090**，RankIC>0比例 **45.74%**，t值 **5.59**，单调性 **72.14%**[64]。 3. **Volatility因子**，Rank IC **-0.83%**，RankICIR **-0.047**，RankIC>0比例 **47.15%**，t值 **2.88**，单调性 **86.26%**[64]。 4. **DividendYield因子**，Rank IC **-0.30%**，RankICIR **-0.035**，RankIC>0比例 **46.71%**，t值 **2.15**，单调性 **90.82%**[64]。 5. **Size因子**，Rank IC **0.16%**，RankICIR **0.026**，RankIC>0比例 **50.21%**，t值 **1.59**，单调性 **43.50%**[64]。 6. **Value因子**，Rank IC **0.35%**，RankICIR **0.024**，RankIC>0比例 **50.39%**，t值 **1.47**，单调性 **74.12%**[64]。 7. **Quality因子**，Rank IC **0.24%**，RankICIR **0.022**，RankIC>0比例 **50.44%**，t值 **1.38**，单调性 **36.12%**[64]。 8. **Liquidity因子**，Rank IC **0.28%**，RankICIR **0.016**，RankIC>0比例 **50.60%**，t值 **1.01**，单调性 **92.27%**[64]。 （以下为**大类风格因子纯因子组合**回测表现，数据来源于表3[76]） 1. **Size因子**，年化收益 **-2.75%**，年化波动 **0.026**，最大回撤 **35.53%**，夏普比率 **-1.08**，VIF **1.21**，t均值 **2.31***，t值>2比例 **45.16%**[76]。 2. **Volatility因子**，年化收益 **1.93%**，年化波动 **0.049**，最大回撤 **12.43%**，夏普比率 **0.39**，VIF **1.10**，t均值 **3.50***，t值>2比例 **62.53%**[76]。 3. **Liquidity因子**，年化收益 **-5.90%**，年化波动 **0.033**，最大回撤 **60.88%**，夏普比率 **-1.81**，VIF **1.26**，t均值 **2.39***，t值>2比例 **46.68%**[76]。 4. **Momentum因子**，年化收益 **-5.57%**，年化波动 **0.042**，最大回撤 **58.64%**，夏普比率 **-1.32**，VIF **1.11**，t均值 **3.46***，t值>2比例 **62.14%**[76]。 5. **Growth因子**，年化收益 **-0.21%**，年化波动 **0.015**，最大回撤 **9.24%**，夏普比率 **-0.15**，VIF **1.50**，t均值 **1.62**，t值>2比例 **30.01%**[76]。 6. **DividendYield因子**，年化收益 **-0.85%**，年化波动 **0.016**，最大回撤 **17.09%**，夏普比率 **-0.52**，VIF **1.19**，t均值 **1.53**，t值>2比例 **28.73%**[76]。 7. **Quality因子**，年化收益 **0.35%**，年化波动 **0.016**，最大回撤 **8.45%**，夏普比率 **0.23**，VIF **1.09**，t均值 **1.45**，t值>2比例 **26.66%**[76]。 8. **Value因子**，年化收益 **1.38%**，年化波动 **0.028**，最大回撤 **13.83%**，夏普比率 **0.49**，VIF **1.14**，t均值 **2.03***，t值>2比例 **38.96%**[76]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：央国企高分红30组合[14] * **模型构建思路**：属于红利系列产品，聚焦于具有高分红特征的央国企，构建一个包含30只股票的投资组合[14]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股因子、权重配置及调仓规则。 2. **模型名称**：攻守兼备红利50组合[14] * **模型构建思路**：属于红利系列产品，旨在平衡收益与风险，构建一个包含50只股票的红利投资组合[14]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股因子、权重配置及调仓规则。 3. **模型名称**：电子均衡配置增强组合[14] * **模型构建思路**：属于行业增强系列产品，聚焦于电子板块，通过均衡配置的方式构建增强组合，旨在跑赢电子板块基准[14]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股因子、权重配置及调仓规则。 4. **模型名称**：电子板块优选增强组合[14] * **模型构建思路**：属于行业增强系列产品，聚焦于电子板块内迈入成熟期的细分赛道龙头企业，构建优选增强组合[14]。 * **模型具体构建过程**：报告未详细说明该组合的具体选股因子、权重配置及调仓规则。 模型的回测效果 1. **央国企高分红30组合**：本周超额收益约0.41%（相对于中证红利全收益）[21]。 2. **攻守兼备红利50组合**：本周超额收益约0.75%（相对于中证红利全收益）[21]；2025年初以来累计超额收益约8.94%（相对于中证红利全收益）[21]。 3. **电子均衡配置增强组合**：本周超额收益约1.78%（相对于电子全收益指数）[29]。 4. **电子板块优选增强组合**：本周超额收益约1.53%（相对于电子全收益指数）[29]。 量化因子与构建方式 * 报告未提及具体的底层量化因子构建方式。

核心观点 - 报告提出了一种兼容追涨与抄底的行业与ETF轮动策略，该策略通过结合“均线策略”识别趋势强度和“资金流策略”筛选资金共识，旨在选择具有明确趋势且资金行为趋于稳定的指数进行投资[1][39][42] 均线策略识别趋势强度 - 均线策略通过三个指标合成“均线综合得分”来识别指数中短期趋势强度[3][13] - **指标一：均线排列形态**：通过统计短期、中短期、中长期、长期四条均线之间呈多头或空头排列的次数进行计分，最强烈的多头形态（三条均线呈多头排列）计4分，最强烈的空头形态计-4分[4][7] - **指标二：均线扩散间距**：计算四条均线之间差异幅度的均值，用于定量判断均线位置差异，该指标大于0通常表示指数处于短期上涨状态[8][9] - **指标三：均线时序变化**：度量当前日期均线相对于前一日的变化方向及数量，统计四条均线上升或下降的条数进行计分[10][12] - **得分合成与应用**：根据均线扩散间距的正负，将均线排列形态得分和均线时序变化得分（或其绝对值）与扩散间距相乘，得到均线综合得分，得分越高表明中短期上涨特征越明显[13][15][17] - **组合构建**：选择均线综合得分绝对值排名前5的指数构建轮动组合，该做法同时包含了处于明显上涨（追涨）和明显下跌（抄底）趋势的行业，历史组合中两者占比各接近50%[21] 资金流策略筛选资金共识 - 资金流策略旨在通过分析资金流动的稳定性（波动率）而非方向来筛选形成共识的指数[26][31] - **指标来源与类别**：使用Wind数据库的股票日频资金流指标，合成至指数层面，指标维度包括投资者量级、买卖方向、金额/量/单数/占比、开盘/尾盘/全部、主动/全部等[28] - **数据聚合方式**：对指数过去一段时间的日频资金流数据进行聚合，方式包括加总（衡量净流动）、标准差（衡量波动）、求绝对值后加总（衡量总变动）[29] - **策略应用**：采用聚合方式（1）和（2），得到资金流波动指标，并选择时间序列上资金流波动率收敛（即波动下降）排名前5的指数构建组合，回测显示该组合能取得更好走势，表明资金波动变化比资金流动变化更重要[30][31] 趋势强度与资金共识的平衡 - 最终策略将均线策略与资金流策略相结合，分别按照均线综合得分绝对值（降序）和资金流波动率变化（升序）对指数进行打分，加总后选择总分排名靠前的5个指数构建轮动组合[39][42] - **策略逻辑**：均线策略（关注趋势明确）通过绝对值选择兼容了追涨和抄底，但无法判断趋势持续性；资金流策略（关注资金稳定）通过选择资金流波动率收敛的指数，解决了趋势是否稳定的问题；两者结合旨在选择“趋势明确+资金共识”的指数[42] - **对下跌趋势的解释**：在下跌趋势中，资金流波动率收敛可能意味着卖出力量衰竭、资金行为趋于一致，从而隐含了向上反转的信号，而非预示继续下跌[41][42] - **策略表现**： - **行业轮动组合**：在2015年至2025年11月的回测期内，组合在多数年份跑赢行业等权基准，例如2020年组合收益为76.84%，超额收益达53.93%；2025年1-11月组合收益为28.48%，超额收益为10.96%[49][50] - **ETF轮动组合**：在2016年至2025年11月的回测期内，组合同样在多数年份跑赢ETF等权基准，例如2019年组合收益为70.78%，超额收益达30.33%；2024年组合收益为34.29%，超额收益为27.95%[51][52]

量化模型与构建方式 1. **模型名称：利率市场结构指标（水平、期限、凸性）**[1][7] * **模型构建思路**：通过主成分分析（PCA）等方法，将1至10年期国债的到期收益率（YTM）曲线分解为三个正交的结构性因子，分别代表利率的整体水平、期限利差和曲率变化，用以定量描述利率市场的结构状态[7]。 * **模型具体构建过程**：将不同期限（1-10年）的国债YTM序列进行主成分分析。前三个主成分分别对应： 1. **水平结构**：代表收益率曲线的平行移动，是所有期限收益率变动的共同部分。 2. **期限结构**：代表收益率曲线的斜率变化，反映长短期利差。 3. **凸性结构**：代表收益率曲线的曲率变化，反映中期收益率相对于长短端收益率的变动。 通过计算各主成分的得分，得到三个结构指标的读数。报告通过计算当前读数在历史滚动窗口（3年、5年、10年）内的分位数，来判断其处于“中性偏高”或“中性偏低”的状态[1][7]。 2. **模型名称：利率价量多周期择时模型**[6][10][24] * **模型构建思路**：采用核回归算法拟合利率（YTM）历史数据，识别并刻画其运行过程中的支撑线与阻力线形态。通过观察不同投资周期（长、中、短）下利率走势对形态的突破情况，生成交易信号，并综合多周期信号形成最终的择时观点[10][24]。 * **模型具体构建过程**： 1. **形态刻画**：使用核回归（一种非参数回归方法）对指定期限（如5年、10年、30年）国债的YTM时间序列进行平滑拟合，生成一条趋势线。通过算法识别该趋势线在特定时间窗口内的高点和低点，分别连接形成“阻力线”和“支撑线”，构成一个动态的通道形态[10]。 2. **周期设定**：设定长、中、短三种投资周期，其信号平均切换频率分别为月度、双周度和周度[10][21]。 3. **信号生成**：在每个周期视角下，判断最新利率数据是否向上突破阻力线或向下突破支撑线，分别记为“向上突破”或“向下突破”信号，若无突破则为“无信号”[6][10]。 4. **信号综合**：统计三个周期中“向上突破”和“向下突破”的票数。若某一方向的突破总票数达到或超过2票（即2/3多数），则生成明确的看多或看空信号；否则，结果为中性震荡。对于边界情况（如信号刚由空转中但看空情绪未完全消散），会给出“中性偏空”等细化判断[6][10][17]。 模型的回测效果 1. **基于5年期国债YTM的价量多周期交易策略**[6][29] * **长期表现（2007.12.31至今）**：年化收益率5.48%，最大回撤2.88%，收益回撤比1.91，相对久期等权基准的年化超额收益率1.07%，超额收益回撤比0.62[29]。 * **短期表现（2024年底以来）**：年化收益率2.11%，最大回撤0.59%，收益回撤比3.57，相对久期等权基准的年化超额收益率0.87%，超额收益回撤比2.36[6][29]。 * **胜率（2008年以来逐年统计）**：绝对收益大于0的胜率100%，超额收益大于0的胜率100%[6][29]。 2. **基于10年期国债YTM的价量多周期交易策略**[6][28] * **长期表现（2007.12.31至今）**：年化收益率6.06%，最大回撤2.74%，收益回撤比2.21，相对久期等权基准的年化超额收益率1.65%，超额收益回撤比1.16[28]。 * **短期表现（2024年底以来）**：年化收益率2.39%，最大回撤0.58%，收益回撤比4.14，相对久期等权基准的年化超额收益率1.36%，超额收益回撤比3.35[6][28]。 * **胜率（2008年以来逐年统计）**：绝对收益大于0的胜率100%，超额收益大于0的胜率100%[6][28]。 3. **基于30年期国债YTM的价量多周期交易策略**[6][33] * **长期表现（2007.12.31至今）**：年化收益率7.34%，最大回撤4.27%，收益回撤比1.72，相对久期等权基准的年化超额收益率2.43%，超额收益回撤比0.87[33]。 * **短期表现（2024年底以来）**：年化收益率3.03%，最大回撤0.92%，收益回撤比3.31，相对久期等权基准的年化超额收益率2.97%，超额收益回撤比3.28[6][33]。 * **胜率（2008年以来逐年统计）**：绝对收益大于0的胜率94.44%，超额收益大于0的胜率94.44%[33]。 量化因子与构建方式 1. **因子名称：水平结构因子**[1][7] * **因子构建思路**：提取国债收益率曲线变动中的第一主成分，反映利率的整体水平变化[7]。 * **因子具体构建过程**：对1-10年期国债YTM序列进行主成分分析，取第一个主成分（解释方差最大的成分）的得分作为该因子的取值。该因子代表了收益率曲线的平行移动[7]。 2. **因子名称：期限结构因子**[1][7] * **因子构建思路**：提取国债收益率曲线变动中的第二主成分，反映长短期利率的利差变化[7]。 * **因子具体构建过程**：对1-10年期国债YTM序列进行主成分分析，取第二个主成分的得分作为该因子的取值。该因子代表了收益率曲线的斜率变化[7]。 3. **因子名称：凸性结构因子**[1][7] * **因子构建思路**：提取国债收益率曲线变动中的第三主成分，反映收益率曲线的曲率变化[7]。 * **因子具体构建过程**：对1-10年期国债YTM序列进行主成分分析，取第三个主成分的得分作为该因子的取值。该因子代表了收益率曲线中间部分相对于两端的弯曲程度[7]。