核心观点 - 报告提出一种动态宽基指数配置策略，将多因子选股模型应用于宽基指数配置问题 [1] - 策略核心是通过构建丰富的风格因子库，并基于复合评估指标动态优选有效因子，对宽基指数进行排序打分，构建优选组合 [1][2] - 回测结果显示，该策略在全区间（2011年1月4日至2025年8月31日）年化绝对收益率为15.7%，年化超额收益率为10.9%，样本外区间（2021年1月4日至2025年8月31日）年化绝对收益率为9.6%，年化超额收益率为10.0% [5] 模型框架与构建步骤 - 模型构建分为三步：首先构建并筛选风格因子库，然后构建复合评估指标动态优选因子，最后基于优选因子对宽基指数池进行排序打分 [2] - 备选宽基指数池包含6个指数：上证50、沪深300、中证500、中证1000、中证红利及创业板指，覆盖大市值、小市值、成长和红利风格 [2][13] - 模型旨在解决经典风格因子局部有效但难以持续的问题，通过动态优选每个阶段有效的因子来获取稳定超额收益 [16] 优化因子池构建与筛选 - 初始因子库包含估值、质量、成长、动量、换手率、市场β、波动率、市值共8大类因子 [2] - 通过引入“分析师一致预期”和“滚动历史分位数”两种方式进行因子衍生，并构建“镜像因子”以实现风格因子的双向使用，显著扩大了因子选择范围 [2][27][29][30] - 因子初步筛选基于2008年1月1日至2020年12月31日的样本内数据，剔除收益弹性过低及收益率无显著自相关性的因子，最终从304个扩充后因子中保留144个 [2][57] 因子动态优选策略 - 构建了包含“短期动量”、“长期趋势”和“马尔可夫概率反转”三个维度的复合评估指标对因子进行综合打分 [5][66] - 采用因子类型中性化方法，从八大类因子中分别选取类内排名靠前的因子，确保每个信息维度都有影响力并降低因子相关性 [85][86] - 马尔可夫反转指标可在因子动量效应过度拥挤或面临崩溃阶段对因子打分进行调整，以规避策略大幅回撤，其增强效果优于简单量价反转指标 [5][94][98][104] 策略回测与实证分析 - 回测设定为月度换仓，单边交易成本为0.025%，业绩比较基准为6个宽基指数的日度简单平均收益率 [5][91][92] - 三指标复合策略的持仓主要由长、短期动量指标决定，反转指标起微调作用，符合A股风格轮动动量效应强于反转效应的特征 [98] - 策略在样本内区间（2011/01/042020/12/31）年化绝对收益率为18.6%，年化超额收益率为11.1%；在样本外区间（2021/01/042025/08/31）年化绝对收益率为9.6%，年化超额收益率为10.0%，显示出稳定的样本外表现 [5][110] - 2025年以来（截至8月31日），策略绝对收益率为32.0%，超额收益率为11.8% [5][109]