量化模型与构建方式 1. 模型名称：HALO交易策略模型 [2][11] * 模型构建思路：基于“人工智能难以替代且依赖的重资产将受益，而易于被人工智能颠覆的轻资产将受损”的核心逻辑，构建一个多空组合策略[2][11]。 * 模型具体构建过程：该模型是一个宏观主题策略，其构建过程主要分为逻辑定义、资产分类和方向选择三步。 1. 逻辑定义：确立“做多‘AI难以替代、且为其所依赖’的重资产，同时做空‘易于被AI颠覆’的轻资产”的核心投资逻辑[2][11]。 2. 资产分类：根据上述逻辑，将具体资产归类。报告中指出，电网设备、能源、矿业、工业设备、国防及信号塔等领域的资产属于值得关注的“重资产”范畴[2][11]。 3. 方向选择：对归类后的资产进行做多或做空操作，形成策略组合。报告未提供具体的选股、权重分配或调仓规则。 2. 因子名称：板块拥挤度因子 [3][11] * 因子构建思路：通过衡量特定板块成交金额在市场总成交中的占比及其历史分位数，来评估该板块交易的活跃程度和过热风险[3][11]。 * 因子具体构建过程：对于特定板块（如周期、先进制造、TMT），计算其成交金额占全市场（或可比范围）总成交金额的比例。然后，计算该比例在历史区间（如过去10年）内的分位数，用以判断当前拥挤度所处的历史位置[3][11]。 * 计算公式：$板块拥挤度_t = \frac{板块成交金额_t}{市场总成交金额_t}$ * 其中，t代表计算时点。报告中使用的是该比值在过去10年历史数据中的分位数作为最终观测值[3][11]。 3. 因子名称：行业分化度因子 [3][11] * 因子构建思路：通过量化不同行业或板块之间表现的离散程度，来刻画市场结构性行情的强弱和集中度[3][11]。 * 因子具体构建过程：报告未给出该因子的具体计算公式。其构建思路是计算一组行业或板块指数收益率（或超额收益）的横截面离散统计量（如标准差、变异系数等），用以衡量行业间表现的差异程度。指标值上行代表行业表现分化加大，结构性行情凸显[3][11]。 4. 因子名称：板块超额收益历史分位数因子 [3][12] * 因子构建思路：将特定板块当前相对于基准（如全市场）的超额收益，置于其自身长期历史序列中进行比较，以判断该板块相对强弱所处的历史阶段[3][12]。 * 因子具体构建过程：计算板块指数相对于市场基准指数（报告中未明确）在一段时间内的累计超额收益。然后，计算该当前超额收益在长历史周期（如报告提到的过去20年）数据中所处的分位数位置[3][12]。 模型的回测效果 （报告中未提供HALO交易策略模型的具体回测指标数值，如年化收益率、夏普比率、最大回撤等。） 因子的回测效果 （报告中未提供拥挤度、分化度等因子的IC、IR、多空收益等传统因子测试指标数值。报告主要展示了这些因子在特定时点的状态描述和历史比较。） 1. 板块拥挤度因子 [3][11] * 周期板块：成交金额占比处于过去10年中值下方。 * 先进制造板块：成交金额占比处于过去10年85%-90%分位点左右。 * TMT板块：成交金额占比处于过去10年85%-90%分位点左右。 2. 行业分化度因子 [3][11] * 当前状态：该指标自年初以来震荡上行，目前已回升至2025年8月底的水平。 3. 板块超额收益历史分位数因子 [3][12] * 周期板块：相对强弱处于过去20年底部区域长期筑底后的震荡上行初期。 * TMT板块：相对强弱处于历史高位区域。 * 先进制造板块：相对强弱位于中位数上方。 * 消费与金融地产板块：相对强弱虽处于过去20年的底部区域，但距离历史最低点尚有一定距离。