广发证券资深金工分析师 张钰东 SAC: S0260522070006 zhangyudong@gf.com.cn 广发证券首席金工分析师 安宁宁 SAC: S0260512020003 anningning@gf.com.cn 使用卷积神经网络对图表化的价量数据与未来价格进行建模，并将学习的特征映射到行业主题板块中。最新配置主题为通信、人工智能、创业板动量成长 等，具体包括中证通信设备主题指数、创业板人工智能指数、中证5G通信主题指数、创业板动量成长指数等细分指数。 资金交易层面，最近5个交易日，ETF资金流入186亿元，融资盘5个交易日增加约235亿元，两市日均成交19337亿元。 | 日 | 指数代码 | 指数名称 | | --- | --- | --- | | 20251212 | 931271.CSI | 中证通信设备主题指数 | | 20251212 | 970070.CNI | 创业板人工智能指数 | | 20251212 | 931160.CSI | 中证全指通信设备指数 | | 20251212 | 399296.SZ | 创业板动量成长指数 | | 20251212 | 931079.CS ...

研究背景与核心观点 - 核心观点：主要宽基指数（如上证50、沪深300、中证500等）每半年定期调整成分股，跟踪这些指数的被动型基金规模巨大，其被动调仓行为可能为相关股票带来短期交易性机会，即调入股票可能跑赢指数，调出股票可能跑输指数 [1][4] - 研究背景：指数化投资理念普及，ETF等被动指数型基金因透明、低费率、交易便捷等优势，成为重要配置工具，其规模增长显著 [4] - 指数调整机制：上证50、沪深300、中证500等宽基指数于每年6月和12月定期调仓，调整方案通常在实施前约两周公布 [4][5][12] 指数类基金规模统计 - 总体规模：截至9月底，全市场1548只被动指数型基金（包括ETF和场外基金）规模合计达4.9万亿元 [1][7] - 规模靠前指数：跟踪规模靠前的指数包括沪深300、中证A500、上证50和中证500等 [1][11] 指数成分股历史调整效应测算 - 测算方法：观察指数调整方案公布后至正式实施前约两周内，调入和调出股票相对于指数的超额收益表现，回测周期为2019年至2025年上半年 [12][13] - 整体效应：历史测算显示，在调入实施前两周，即将调入的股票总体相对跑赢指数，即将调出的股票总体相对跑输指数 [2][14] - 上证50指数效应： - 调入效应（2019-2025整体）：平均超额收益为4.89%，胜率66.67% [15] - 调出效应（2019-2025整体）：平均超额收益为-2.57%，胜率69.49% [17] - 沪深300指数效应： - 调入效应（2019-2025整体）：平均超额收益为4.04%，胜率59.39% [18] - 调出效应（2019-2025整体）：平均超额收益为-1.68%，胜率62.88% [19] - 中证500指数效应： - 调入效应（2019-2025整体）：平均超额收益为2.84%，胜率56.79% [20] - 调出效应（2019-2025整体）：平均超额收益为-1.40%，胜率62.38% [21] 指数成分股最新调整冲击测算 - 测算说明：根据指数成分股权重、跟踪基金规模及调整方案，测算被动调仓对个股的资金冲击，指标包括调入/调出金额、净买入金额及冲击系数（净买入金额/近一月日均成交额），并考虑了个股权重上限再平衡的影响 [22][23] - 测算基准：以11月28日最新披露的持仓权重为基准，覆盖跟踪基金规模超过200亿元的指数 [2][23] - 整体情况：涉及调整的股票合计572只，其中净买入金额超过10亿元的股票有20只，净卖出超过10亿元的有14只，冲击系数超过2的股票有18只，冲击系数低于-2的有46只 [3][25] - 主要指数编制差异：不同指数的个股权重上限（如10%、15%、20%）、前五大持仓权重上限及加权方式（自由流通市值、股息率等）存在差异 [23][24] - 净买入金额前列个股示例： - 胜宏科技：净买入54.56亿元，冲击系数0.59 [26] - 东口精密：净买入49.07亿元，冲击系数1.17 [26] - 光启技术：净买入38.48亿元，冲击系数3.33 [26] - 净卖出金额前列个股示例： - 阳光电源：净卖出47.76亿元，冲击系数-0.32 [27] - 中际旭创：净卖出39.73亿元，冲击系数-0.23 [27] - 药明康德：净卖出34.93亿元，冲击系数-1.05 [27] - 冲击系数较高（潜在买入压力大）个股示例： - 江中药业：冲击系数3.62 [28] - 宁波港：冲击系数3.36 [28] - 光启技术：冲击系数3.33 [28] - 冲击系数较低（潜在卖出压力大）个股示例： - 深高速：冲击系数-13.07 [29] - 万和电气：冲击系数-10.13 [29] - 天佑德酒：冲击系数-9.09 [29]

市场近期表现 - 最近5个交易日，科创50指数下跌0.08%，创业板指上涨1.86%，大盘价值上涨0.74%，大盘成长上涨1.61%，上证50上涨1.09%，国证2000代表的小盘股上涨0.19% [1] - 行业层面，有色金属和通信表现靠前，传媒和房地产表现靠后 [1] 市场估值水平 - 截至2025年12月5日，中证全指PETTM分位数处于80%的高位，上证50与沪深300的分位数分别为75%和72% [1] - 创业板指估值分位数接近49%，处于历史中位数水平，中证500与中证1000的分位数分别为61%和57% [1] 资金交易情况 - 最近5个交易日，ETF资金整体流出14亿元，而融资盘增加约115亿元 [2] - 两市日均成交额为16824亿元 [2] 卷积神经网络趋势观察 - 基于卷积神经网络对图表化价量数据与未来价格进行建模，并将学习特征映射到行业主题板块中 [2][10] - 最新配置主题包括通信、红利低波、创业板动量成长等，具体关注中证通信设备主题指数、中证红利低波动100指数、创业板动量成长指数等细分指数 [2][3][11] 风险溢价指标 - 截至2025年12月5日，中证全指静态市盈率的倒数EP减去十年期国债收益率，即风险溢价指标为2.81%，其两倍标准差上边界为4.72% [1]

文章核心观点 - 量化投资在股票市场博弈中胜出的关键在于对数据的全面收集和深度分析，结合数学模型与算法从海量数据中挖掘隐藏的市场规律[1] - 文章提出使用更精细的Level 2逐笔订单数据来改进传统的基于分钟频数据构建的Alpha因子，通过识别日内重点时段（KeyPeriod）的量价特征，构建了4大类共123个新的Level 2因子[1][12] - 新构建的重点时段因子在历史回测中表现出显著的选股能力，多个因子的RankIC均值和胜率均处于较高水平，并在主要宽基指数上展现出稳定的增强收益[2][20] Level 1与Level 2行情数据介绍 - 股票行情数据主要分为Level 1和Level 2两类，Level 1数据为3秒一笔的快照数据，包含5档买卖价量等基础信息[6] - Level 2数据不仅提供频率相同但更丰富的快照数据（如10档买卖价量、前50笔委托等），还包含了Level 1所没有的逐笔订单数据[6] - 逐笔订单数据是行情数据的根源，记录了精确到毫秒的每一笔订单的详细信息，包括时间、价格、数量、金额及买卖方向等，不同频率的快照数据均由逐笔数据聚合而成[6][9] 相关研究工作 - 该团队此前已发布多篇“海量Level 2数据因子挖掘”系列研究报告，从不同维度挖掘了数百个有效因子[10] - 相关研究包括：基于“大小订单”维度构建的94个大小单因子，其精选组合历史RankIC均值为9.2%，胜率为76.0%[10]；基于“订单成交完成时长”维度构建的22个长短单因子，其精选组合历史RankIC均值为13.1%，胜率为80.3%[10]；结合“大小”和“长短”维度构建的240个订单因子，其精选组合历史RankIC均值为13.3%，胜率为78.3%[10]；基于集合竞价数据构建的15个因子；以及基于市价订单构建的若干因子[10] - 部分绩优因子已纳入广发金工Alpha因子数据库超过一年，跟踪表现优异，在2020年1月1日至2025年11月28日期间的全市场月度换仓测试中，多个因子显示出较高的RankIC和胜率[10][11] 用逐笔订单数据改进分钟频因子 - 研究核心是采用Level 2逐笔订单数据对传统的分钟频Alpha因子进行改进，其逻辑基础是识别基于成交量、涨跌幅、股价等指标划分出的日内重点分钟时段，并统计这些时段内的量价特征[12] - 基于此方法，构建了名为“KeyPeriod”的4大类共123个Level 2因子，包括涨跌类、价格类、成交金额类和量价协同类，并进一步区分了不同阈值标准以及主买/主卖方向[12] 新构建因子的表现摘要 - **涨跌类因子（33个）**：横盘时段因子`KeyPeriod_ret_zero`的20日换仓历史RankIC均值为-5.36%，胜率为85.1%；下跌时段因子`KeyPeriod_ret_low5pct`的20日换仓历史RankIC均值为5.47%，胜率为84.1%[2] - **价格类因子（30个）**：低价时段因子`KeyPeriod_price_low5pct`的20日换仓历史RankIC均值为5.59%，胜率为85.3%[2] - **成交金额类因子（30个）**：大成交金额时段因子`KeyPeriod_amount_top30pct`的20日换仓历史RankIC均值为11.23%，胜率为84.8%；小成交金额时段因子`KeyPeriod_amount_low50pct`的20日换仓历史RankIC均值为-10.50%，胜率为75.0%[2] - **量价协同类因子（30个）**：量价背离时段因子`KeyPeriod_sync_low50pct`的20日换仓历史RankIC均值为6.00%，胜率为81.5%[2] 选股表现（以6个优选因子为例） - 研究从123个因子中挑选了6个表现较优的因子进行详细测试，测试期为2020年1月1日至2025年11月28日，采用月度换仓方式[20] - **`KeyPeriod_ret_zero`（横盘时段因子）**：在中证全指上，2020-2025年总超额收益为26.50%，年化超额收益率为4.10%，信息比率为1.94[40]；在中证1000上，同期总超额收益为25.49%，年化超额收益率为3.96%[35] - **`KeyPeriod_ret_low5pct`（下跌时段因子）**：在中证全指上，2020-2025年总超额收益为32.39%，年化超额收益率为4.92%，信息比率为1.90[57]；在中证1000上，同期总超额收益为36.79%，年化超额收益率为5.50%[48] - **`KeyPeriod_price_low5pct`（低价时段因子）**：在中证全指上，2020-2025年总超额收益为40.87%，年化超额收益率为6.04%，信息比率为2.71[67] - **`KeyPeriod_amount_top30pct`（大成交金额时段因子）**：在中证全指上，2020-2025年总超额收益为33.03%，年化超额收益率为5.00%[89] - **`KeyPeriod_amount_low50pct`（小成交金额时段因子）**：在沪深300上，2020-2025年总超额收益为21.84%，年化超额收益率为3.44%[94] - **`KeyPeriod_sync_low50pct`（量价背离时段因子）**：在中证500上，2020-2025年总超额收益为16.48%，年化超额收益率为2.64%[108]

招聘岗位与职责 - 公司招聘金融工程组实习生，工作地点为深圳、上海、北京，要求线下实习 [1] - 实习时间要求每周至少3天，总时长不少于3个月，实习考核优秀者有留用机会 [1] - 岗位职责包括数据处理、分析、统计，协助完成量化投资课题研究 [2] - 岗位职责包括协助进行金融工程策略模型的开发与跟踪 [2] 候选人基本要求 - 专业要求为数学、统计、物理、计算机、信息工程等理工科或金融工程相关专业 [3] - 学历要求为硕士或博士在读，特别优秀的大四保研生亦可，要求非应届（2027年及之后毕业） [3] - 技能要求熟练掌握Python等编程语言，熟悉SQL数据库，具备优秀编程能力与规范 [3] - 能力要求包括责任心强、自我驱动，并具备良好的信息搜集、逻辑思维、分析判断及沟通表达能力 [3] 候选人优先考虑项 - 具备扎实的金融市场基础知识，熟悉股票、债券、期货、指数及基金等核心概念 [4] - 数学基础好，有科研项目经历及SCI或EI收录的学术论文 [4] - 熟悉Wind、Bloomberg、天软等金融终端 [4] - 熟悉机器学习、深度学习，熟悉PyTorch、Linux，有GPU服务器使用及项目开发经验 [4] - 有其他机构量化投研相关实习经历 [4] 申请流程与方式 - 简历投递截止日期为2025年12月31日 [1] - 简历需投递至指定邮箱，邮件标题需按“【金融工程组】-【姓名】-【毕业学校】-【专业】”格式命名 [5] - 简历需以PDF格式发送，未按要求命名的邮件将被视作垃圾邮件处理 [5] - 简历收集截止后，公司将尽快为合格候选人安排笔试和面试 [5]

文章核心观点 - 基于宏观与技术分析的综合框架，对四大类资产给出月度配置观点：看空权益资产和工业品，看多债券资产和黄金 [1][2][25] - 宏观层面整体利空权益资产和工业品，利多债券资产和黄金 [1][8] - 技术层面显示权益、债券、黄金资产价格趋势向上，工业品资产价格趋势向下 [1][13] 宏观视角分析 - 权益资产方面，PMI（3月周期）、CPI同比（1月周期）、社融存量同比（1月周期）三个宏观指标均显示利空，10年期国债收益率（12月周期）和美元指数（1月周期）显示利多 [9] - 债券资产方面，PMI（3月周期）和社融存量同比（3月周期）显示利多，CPI同比（3月周期）显示利空，美国10年期国债收益率（1月周期）显示利多 [9] - 工业品资产方面，PMI（3月周期）、WTI原油（1月周期）、社融存量同比（1月周期）三个宏观指标均显示利空 [9] - 黄金资产方面，PMI（3月周期）、中美10年期国债利差（1月周期）、美国M2同比（12月周期）三个宏观指标均显示利多 [9] 技术视角分析 - 截至2025年11月30日，权益资产趋势向上，其历史2个月LLT平均月度涨跌幅减去历史(T-12至T-2)个月LLT平均月度涨跌幅的指标值为1.69% [14] - 债券资产趋势向上，其历史2个月收盘价平均月度涨跌幅减去历史(T-12至T-2)个月平均月度涨跌幅的指标值为0.13% [14] - 工业品资产趋势向下，其历史2个月收盘价平均月度涨跌幅为-1.05% [14] - 黄金资产趋势向上，其历史6个月收盘价平均月度涨跌幅为3.63% [14] - 权益资产估值适中，截至2025年11月30日，其历史5年ERP分位数为55.71% [17][18] - 权益资产处于资金流出状态，截至2025年11月30日，其资金流指标（历史1个月主动净流入额减历史6个月平均月度主动净流入额）为-1029亿元 [21][22] 综合观点汇总 - 宏观信号与技术信号的历史平均相关系数较低，约为0.17，因此将两者得分加总以形成综合观点 [23] - 权益资产宏观指标得分为1，技术指标得分为0，总得分为1 [24] - 债券资产宏观指标得分为2，技术指标得分为1，总得分为3 [24] - 工业品资产宏观指标得分为-3，技术指标得分为-1，总得分为-4 [24] - 黄金资产宏观指标得分为3，技术指标得分为1，总得分为4 [24] 资产配置组合表现 - 固定比例+宏观指标+技术指标组合在2025年的收益率为10.50%，自2006年4月至今的年化收益率为12.00%，最大回撤为9.06%，年化波动率为6.91% [3][27][30] - 波动率控制+宏观指标+技术指标组合在2025年的收益率为15.85%，自2006年4月至今的年化收益率为9.66%，最大回撤为9.25%，年化波动率为5.93% [3][31][33] - 风险平价+宏观指标+技术指标组合在2025年的收益率为7.23%，自2006年4月至今的年化收益率为9.67%，最大回撤为5.41%，年化波动率为4.35% [3][31][33] - 资产配置基准组合涉及7类资产，包括沪深300、中证500、中证国债、中证企业债、SGE黄金、南华工业品和货币基金，基准权重分别为10%、10%、30%、30%、5%、5%、10% [26][27]

量化转债组合表现 - 量化可转债组合基于可转债基本面因子、低频价量因子、高频价量因子三套因子体系生成，月度调仓 [1][5] - 今年以来组合收益20.14%，超额收益3.96% [1] - 11月组合收益-0.72%，超额收益-0.03% [1] 量化转债因子体系 - 跟踪了32个转债基本面因子，80个转债低频价量因子和32个转债高频价量因子 [2] - 因子类别包括估值、债券属性、溢价率、价量、价值、质量等，具体因子如隐含波动率、转股溢价率、转债收益率、市盈率、流动比率等 [10] - 报告以定价偏差因子（转债市场价格 - 理论定价）为例展示了最新数据，例如代码128101.SZ的因子值为52.08，代码110062.SH的因子值为-1.02 [11][12] 转债风险预警 - 基于交易所退市及风险警示规则，以及事件法和信用打分法计算结果，对具有相关风险的可转债进行了提示 [3][13] - 风险类别包括交易类强制退市预警（如鹰19转债、岭南转债）、财务类强制退市预警（如声迅转债）、*ST退市风险警示（如精装转债）、ST其他风险警示（如建工转债、凌钢转债等）、事件型信用风险预警（如闻泰转债、三房转债等）、打分型信用风险预警（如建工转债、精工转债等） [13] 转债指数择时 - 基于价量模型、定价偏差和转债弹性三个维度，对中证转债指数进行多空择时及仓位管理 [4][14] - 11月底定价模型为看多信号，最新观点为1/3仓位 [4] - 11月择时信号显示，仓位观点在0%、33%和67%之间动态变化，例如11月28日仓位观点为33% [15]

市场近期表现 - 最近5个交易日，科创50指数上涨3.21%，创业板指上涨4.54%，国证2000代表的小盘股上涨4.50% [1] - 风格表现上，大盘价值下跌0.21%，大盘成长上涨2.63%，上证50上涨0.47% [1] - 行业层面，通信和电子板块表现靠前，而石油石化和银行板块表现靠后 [1] 市场估值水平 - 截至2025年11月28日，中证全指PETTM分位数为79%，显示估值处于相对较高水平 [1] - 主要指数估值分位数：上证50为75%，沪深300为71%，中证500为60%，中证1000为57% [1] - 创业板指估值分位数接近48%，其风格估值相对历史总体处于中位数水平 [1] 资金与交易情况 - 最近5个交易日，ETF资金流入82亿元，而融资盘减少约191亿元 [2] - 两市日均成交额为17238亿元 [2] 风险偏好指标 - 截至2025年11月28日，中证全指风险溢价（EP减去十年期国债收益率）为2.89% [1] - 该指标的两倍标准差边界为4.73% [1] AI模型识别主题 - 基于卷积神经网络的AI模型将价量数据与未来价格建模，学习特征映射到行业主题 [2][11] - 模型最新配置主题包括中药、银行和高股息等板块 [2] - 具体关注的细分指数包括中证中药指数、中证银行指数和上证国有企业红利指数等 [3][12]

文章核心观点 - 2026年A股市场有望延续慢牛回升态势，主要基于信用通胀周期向好、估值合理、风险溢价均衡及市场情绪稳定等因素 [3][66] - 宏观经济环境预期改善，PPI有望结束低位震荡进入上行趋势，为权益市场提供支撑 [44][67] - 配置策略上建议关注小市值成长风格、估值与盈利匹配的行业、资金流入板块及日历效应下的轮动机会 [4][65] 2025年市场回顾 - 全球大类资产中贵金属表现强势，权益市场亚太地区领先，A股创业板指上涨36.4%，中证500指数收益19.1% [7][8] - A股个股普涨，中位数涨幅17.2%，61.2%的股票涨幅超10%，下跌个股占比21.9% [7] - 风格层面呈现哑铃化结构，成长风格突出，大盘成长和小盘成长表现强势，下半年大盘成长风格弹性明显上涨25.6% [12] - 行业层面有色金属涨幅领先达65.7%，通信、综合、电力设备涨幅超35%，煤炭、食品饮料等板块下跌 [15] 2026年择时展望 - 信用周期（约40个月）与通胀周期（PPI滞后信用9个月）叠加分析，复苏期权益市场估值提升弹性最大 [20][22][25] - 宏观杠杆率上行因债务稳定而产出走弱，宽松周期可能维持，权益市场上行弹性更大 [3][66] - 微观估值显示中证全指PE分位数76%，创业板指处于历史46%分位数，风险溢价2.98%处于均衡区域 [31][32] - 市场情绪指标（股价超200日均线个股比例）处于均衡，技术面超跌对比显示结构差异 [32][35] - AI模型（卷积神经网络）最新配置主题聚焦能源、高股息等指数，如中证能源指数、高股息策略指数 [39][41] 2026年风格与行业配置展望 - PPI筑底上行阶段历史显示小市值成长风格占优，中证1000月均收益1.71%，创业板指月均收益2.03% [47][48] - 消费和成长风格指数历史表现最佳，月均涨跌幅分别达2.10%和1.93%，行业层面社会服务、美容护理、电力设备等领先 [48][49] - 估值与盈利匹配角度，创业板指5年估值分位数32.06%且2026年预期EPS增速35.52%，消费、周期板块性价比突出 [50][52] - 行业重点关注农林牧渔（估值分位数6.91%、EPS增速100.70%）、社会服务（估值分位数13.70%、EPS增速194.11%）等 [54] - 资金流向显示北上资金流入电子、电力设备、有色金属、机械设备、通信等行业，反映风险偏好改善 [55] - 日历效应提示小盘成长最佳配置期为2月，一季度整体偏小盘，四季度偏大盘；科技板块关注2、5月，消费板块关注4月及年末 [61][62][63] 结论 - 择时观点重申2026年A股慢牛趋势，宽松周期支撑估值，风险溢价与情绪指标均衡 [66] - 配置观点强调PPI上行利好小市值成长，消费、成长风格及社会服务、电子等行业占优，估值与资金面共振 [67][68]

研究背景与核心思路 - 研究基于股票市场存在的隔夜相关性特征，将日度收益拆解为隔夜收益和日间收益，旨在通过挖掘股票间的领先滞后关系捕捉投资机会 [1][9] - 金融市场存在羊群效应，导致股票价格可能偏离基本面，并产生领先滞后效应，即不同股票对相同信息的反应速度存在差异 [4][5][6][7] - 核心研究思路是通过隔夜收益和日间收益构建有方向性的相关性矩阵，识别领先群组和滞后群组，并构建交易策略：仅从领先群组生成信号，仅在滞后群组内交易 [10][13][16] 实证研究主要发现 - 在A股市场，领先滞后效应呈现反转特征，即基于领先群组发出预期看多信号后，空头组合表现更强势，看空信号则相反 [34][35] - 该策略在中小盘股票中更为适用，例如在中证1000成分股中，多空组合能实现约10.51%的年化收益，而在沪深300成分股中区分度不突出 [44] - 日度调仓下，全市场股票的多空组合年化收益约为8.81%，且市场的上涨更多来源于日间收益而非隔夜收益 [35][38] 因子构建与表现 - 直接基于隔夜日间相关性构建的周度/月度选股因子区分度不突出，但引入常规相关性（全天收益相关性）后因子表现显著提升 [63][66][74] - 因子`factor_top50_allday`（基于常规相关性）的月度Rank IC为8.11%，多头年化收益18.3%，周度Rank IC为6.57%，多头年化收益22.4% [74] - 结合隔夜信息筛选股票群组后计算的常规相关性因子（如`factor_small50_corr_by_lag`）与直接计算的常规相关性因子内部相关性不高于60%，能提供边际增量 [77] - 组合因子`corr_combined1`（由`factor_small50_corr_by_lag`和`factor_top50_allday`等权加权）月度Rank IC为8.13%，多头年化收益18.2%，周度Rank IC为6.59%，多头年化收益22.1% [79][80][82][87][89] 因子相关性分析 - 隔夜日间相关性因子与常规相关性因子的内部相关程度相对较低 [77] - 相关性因子与部分风格因子存在相关性，例如与残差波动率因子呈现负相关（约-42.2%）[90][91]