量化模型与构建方式 1. 模型名称：主线一级行业配置模型 模型构建思路：通过分析行业型基金的选股Alpha共识，捕捉个股层面的主题性Alpha向行业层面Beta转化的机会，从而预判并配置即将启动的主线行业[1][28][29]。 模型具体构建过程： 1. 筛选优选基金：每月底，基于基金前一季度报告的前十大重仓股[29]。 * 计算每只重仓股相对其所属中信一级行业指数的月度超额收益[29]。 * 取基金所有重仓股当月超额收益的中位数，作为该基金当月的选股Alpha代表值[29]。 * 对基金过去6个月的月度Alpha进行线性时间衰减加权（近期权重更高），计算综合选股能力得分[29]。 * 筛选得分位于全市场行业型基金前20%的基金，作为当期“优选基金”[29]。 2. 识别共识板块：统计当期“优选基金”所属板块[29]。 * 若某一板块的优选基金数量占全部优选基金的比例超过50%，则判定该板块形成强选股共识[30]。 * 或，若某一板块内超过50%的基金进入了优选列表，也判定该板块存在集中性Alpha机会[30]。 * 若无板块满足条件，则当期空仓[30]。 3. 确定具体行业：在识别出的共识板块内部，计算各一级行业在“优选基金”中的平均重仓占比，选择占比最高的行业纳入投资组合[32][33]。 模型评价：该模型对主线行情具有领先指示作用，能够前瞻性地捕捉市场核心行情[36][42][43]。但其表现受市场主线清晰度影响，在行业快速轮动、共识分散的阶段，超额收益会减弱[2][36]。 2. 模型名称：主线二级行业配置模型 模型构建思路：将主线一级行业配置模型的逻辑应用于更精细的二级行业层面，以识别更具结构性的细分赛道机会[52]。 模型具体构建过程： 1. 筛选优选基金：每月末，基于基金前一季报重仓股数据，计算其相对于所属中信二级行业指数的月度超额收益中位数，并对过去6个月的超额收益进行线性时间衰减加权，筛选出综合得分位于前20%的行业型基金作为“优选基金”[52]。 2. 识别潜在二级行业主线：通过“优选基金”的重仓股数据，从两个维度筛选形成共识的二级行业： * 核心维度：计算所有优选基金的重仓股在各二级行业上的平均持仓占比，筛选出平均占比最高的3个二级行业[52]。 * 补充维度：为避免新兴或小众行业因持仓基数低被忽略，若某二级行业在“优选基金”中的持仓占比，与其在全部行业型基金中的持仓占比的比值，超过核心维度中排名第一的行业的平均占比，则该行业也被视作主线行业[53]。 * 最终，由核心维度的前3个行业和补充维度的行业共同构成当期的二级行业主线组合[53]。 模型评价：该模型能够捕捉并放大结构性牛市中的产业机遇，但其超额可持续性依赖于市场中存在可被识别和延续的行业主线[57]。 3. 模型名称：ETF拟合行业指数模型 模型构建思路：为将主线行业策略应用于实际投资，采用一篮子权益ETF来拟合目标行业指数的收益，以解决直接投资行业指数的可行性问题[45]。 模型具体构建过程： 1. 在每月底，将目标一级行业指数和所有权益ETF过去20天的收益率进行带约束的回归[2][45]： $R_{i,t}=\beta_{1}\times x_{1,t}+\cdots+\beta_{n}\times x_{n,t}+\epsilon_{t}$ $s.t. \beta_{1}+\cdots+\beta_{n}=1, 0\le\beta_{i}\le1$ 其中，$R_{i,t}$和$x_{i,t}$分别为一级行业指数i和权益ETF在过去20个交易日的涨跌幅[45][46]。 2. 筛选初步回归系数大于1%的前十只ETF（不足十只以实际数量为准），再次重复上述回归计算，得到系数$\beta_{1}^{\prime},\cdots,\beta_{10}^{\prime}$[46]。 3. 拟合得到的行业指数下一月收益为： $R_{i,t+1}=\beta_{1}^{\prime}\times x_{1,t+1}+\cdots+\beta_{10}^{\prime}\times x_{10,t+1}$[46] 模型评价：ETF组合对主线策略的拟合存在一定的收益损耗，但仍保留捕捉主线机会的业绩特点[46]。 4. 模型名称：行业轮动基金优选模型 模型构建思路：通过识别非行业型基金中的行业轮动型基金，并利用量化因子筛选其中具备更强轮动能力的基金，构建一个能在市场缺乏清晰主线时捕捉行业切换机会的基金组合[20][61]。 模型具体构建过程： 1. 识别行业轮动型基金：计算基金每期前十大重仓股所属一级行业的占比，比较相邻两期占比之差，再滚动四个季度取均值，得到基金的行业换手率指标[61]。将各期行业变化率排名前30%的基金定义为“行业轮动型基金”[61]。 2. 因子筛选与组合构建： * 通过基金因子回测发现，近一年动态收益（基金实际收益-季报前十大重仓股模拟持仓收益）和持仓市值风格（偏小盘）两个因子在分组中表现出明显的单调性，即因子值更高的基金未来表现更优的概率系统性更高[64]。 * 在行业换手率较高的基金中，筛选规模大于1亿元的产品，并依据近一年动态收益与持仓市值风格两个因子进行等权综合打分，选择得分最高的前10只基金，构建行业轮动基金组合[68]。 5. 模型名称：市场环境自适应配置模型 模型构建思路：利用市场流动性变化作为择时指标，动态切换“主线行业策略”和“行业轮动基金策略”，以应对不同市场环境，提高组合适应性[3][72]。 模型具体构建过程： 1. 择时信号：使用中证800指数近200个交易日日均成交额的月度环比变化作为先行指标[3][72]。 * 当该指标提高（市场流动性扩张）时，下一个月配置“主线策略”（此处指ETF拟合的主线一级行业组合）[3][72]。 * 当该指标下降（市场流动性收缩）时，下一个月配置“行业轮动基金策略”（即行业轮动基金优选模型构建的组合）[3][72]。 2. 组合构建：根据上述择时信号，每月动态选择表现更优的策略进行配置，形成“捕捉行业机会组合”[73]。 模型的回测效果 1. 主线一级行业配置模型（以中信一级行业指数为标的，2016年初至2026年1月20日）[36] * 年化收益率：20.91% * 相对偏股基金指数年化超额收益：14.62% 2. ETF拟合行业指数模型（拟合主线一级行业策略，2016年初至2026年1月20日）[46] * 年化收益率：16.21% * 相对偏股基金指数年化超额收益：9.92% 3. 主线二级行业配置模型（2016年初至2026年1月20日）[55] * 年化收益率：18.78% * 相对偏股基金指数年化超额收益：9.19% 4. 行业轮动基金优选模型（Top10组合，2016年初至2026年1月20日）[68] * 年化收益率：15.05% * 年化夏普比率：0.71 * 相对偏股基金指数年化超额收益：8.60% 5. 市场环境自适应配置模型（捕捉行业机会组合，2016年初至2026年1月20日）[73] * 年化收益率：19.61% * 年化夏普比率：0.77 * 相对偏股基金指数年化超额收益：13.32% 量化因子与构建方式 1. 因子名称：基金选股Alpha因子 因子构建思路：衡量行业型基金通过选股创造超额收益的能力，用于筛选出具备高选股能力的“优选基金”[29]。 因子具体构建过程： 1. 每月底，基于基金前一季度报告的前十大重仓股[29]。 2. 计算每只重仓股相对其所属行业指数（一级或二级）的月度超额收益[29][52]。 3. 取该基金所有重仓股当月超额收益的中位数，作为该基金当月的选股Alpha值[29][52]。 4. 对基金过去6个月的月度Alpha进行线性时间衰减加权，得到综合选股能力得分[29][52]。 2. 因子名称：行业换手率因子 因子构建思路：衡量基金调整其行业配置的频繁程度和幅度，用于识别以行业轮动为特征的基金[61]。 因子具体构建过程： 1. 计算基金每期报告（季报）中，前十大重仓股所属中信一级行业的持仓占比[61]。 2. 计算相邻两期各行业持仓占比之差的绝对值之和，得到单期行业变化率[61]。 3. 滚动四个季度，取行业变化率的均值，作为基金的行业换手率指标[61]。 3. 因子名称：动态收益因子 因子构建思路：衡量基金经理通过动态交易（如调仓、打新、择时等）创造的超额收益，捕捉其操作能力[64]。 因子具体构建过程： * 动态收益 = 基金实际收益 - 基于基金季报披露的前十大重仓股构建的模拟持仓收益[64]。 * 取近一年的动态收益作为因子值[64][68]。 4. 因子名称：持仓市值风格因子 因子构建思路：衡量基金持仓的市值偏好，用于筛选持仓更偏小盘的基金[64]。 因子具体构建过程： * 基于基金季报重仓股，分析其持仓市值风格，判断是否偏向小市值[64][68]。 * 因子具体计算方式在报告中未详细说明，但明确指出其分组单调性强[64]。 5. 因子名称：市场流动性择时因子 因子构建思路：将市场整体流动性的变化作为判断哪种行业配置策略更有效的择时指标[3][72]。 因子具体构建过程： * 计算中证800指数近200个交易日日均成交额的月度环比变化[3][72]。 * 根据该指标的方向（扩张或收缩）来决定下一个月的主导策略[3][72]。