量化模型与构建方式 1 模型名称：“生息＋弹性＋避险”ETF配置组合 - 模型构建思路：将ETF组合划分为生息、弹性、避险三类资产，根据美元流动性状态动态调整三类资产的配置权重，在流动性收紧时以持有现金和短融ETF为主[1][8] - 模型具体构建过程：将组合分为生息组合、弹性组合和避险组合三个子组合，分别计算各子组合的收益风险特征，再合成“生息＋弹性＋避险”综合组合，根据流动性指数状态确定各ETF的具体配置权重[8][9] - 模型评价：该组合自2014年以来表现稳健，年化收益12.8%，年化波动5.8%，最大回撤5.1%，夏普比率2.23，风险调整后收益较好[1][8] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 2 模型名称：A股赔率模型 - 模型构建思路：基于Shiller ERP和DRP的标准化数值等权计算A股赔率，衡量A股相对债券的性价比[18] - 模型具体构建过程：分别计算Shiller ERP（周期调整市盈率倒数减去实际利率）和DRP（股息率减去实际利率），对两者进行标准化处理后等权合成，得到A股赔率指标[18] - 模型评价：赔率指标能够有效衡量A股估值水平，当前A股赔率为-0.1倍标准差，位于中等水平[18] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 3 模型名称：宏观胜率评分卡 - 模型构建思路：从货币、信用、增长、通胀与海外五个维度出发，构建大类资产的宏观胜率评分体系[18][61] - 模型具体构建过程：设计货币、信用、增长、通胀与海外五因子评分卡，合成得到各资产综合胜率，9月PMI超预期使得A股胜率上升至6%[18] - 模型评价：该评分卡能够综合反映宏观经济环境对各资产胜率的影响[18] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 4 模型名称：债券赔率模型 - 模型构建思路：根据长短债预期收益差构建债券资产赔率指标[19] - 模型具体构建过程：基于专题报告《利率债收益预测框架》中的收益预测模型，计算长债与短债的预期收益差，以此构建债券赔率指标[19] - 模型评价：近期债市回暖，赔率下行至-1.2倍标准差的较低水平[19] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 5 模型名称：美联储流动性指数 - 模型构建思路：结合数量维度和价格维度构建美联储流动性指数，综合反映美元流动性的松紧程度[25] - 模型具体构建过程：从数量维度（联储资产负债表准备金规模等）和价格维度（市场隐含利率等）两个角度出发，合成净流动性、联储信用支持、预期引导、市场隐含、公告意外等分项指标，最终合成美元流动性指数[24][25] - 模型评价：当前流动性指数处于-60%的极端收紧区间，需警惕流动性冲击风险[25] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 6 模型名称：美股AIAE指标 - 模型构建思路：AIAE指标用于衡量美股估值水平，作为美股赔率的代理变量[25] - 模型具体构建过程：AIAE指标当前处于56%的高点，位于2.5倍标准差水平，历史上该指标曾于2000年和2022年两次超过50%的高位[25] - 模型评价：当前美股回撤风险仍然较高，历史上AIAE超过50%后标普500分别经历了46%和25%的大幅回调[25] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 7 模型名称：行业相对强弱指标（RS） - 模型构建思路：基于行业横截面收益排名构建行业相对强弱指标，用于识别年度领涨行业[41] - 模型具体构建过程：计算各行业横截面收益排名，构建RS指标，当某行业在每年4月底之前出现RS大于90%的信号时，该行业大概率成为当年领涨行业[41] - 模型评价：今年截至4月底，电子、电力设备、公用事业、煤炭、建材、石油石化、化工、传媒、通信、有色、军工等行业出现RS>90%的信号，以“TMT+周期”板块为主线[41] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 8 模型名称：行业景气模型 - 模型构建思路：高景气+强趋势，规避高拥挤，景气度为核心，进攻性强，需要拥挤度提示风险来保护，比较偏同步[43] - 模型具体构建过程：以行业景气度为核心指标，结合趋势指标进行筛选，同时利用拥挤度指标规避高风险行业，构建行业配置方案[43] - 模型评价：进攻性强，偏同步，适合景气度驱动行情[43] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 9 模型名称：行业趋势模型 - 模型构建思路：强趋势+低拥挤，规避低景气，顺着市场趋势走，思路简单易复制，持有体验感强，比较偏右侧[43] - 模型具体构建过程：以行业趋势为核心指标，结合拥挤度指标进行筛选，同时规避低景气行业，构建行业配置方案[43] - 模型评价：持有体验感强，偏右侧，适合趋势性行情[43] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 10 模型名称：行业景气趋势ETF配置模型 - 模型构建思路：将行业景气模型在ETF上进行落地，通过ETF实现行业配置[49] - 模型具体构建过程：基于行业景气模型筛选行业，再选择对应跟踪指数的ETF进行配置，相同跟踪指数选择规模最大的标的[49][52] - 模型评价：策略年化超额收益14.9%（基准中证800），信息比率1.7，超额最大回撤10.8%，月度胜率64%[52] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 11 模型名称：行业库存景气+困境反转模型 - 模型构建思路：基于赔率-胜率的角度研发困境反转的行业配置模型，在当前困境或者过去困境有所反弹的板块中，挖掘分析师长期看好且库存压力不大具备补库条件的板块[57] - 模型具体构建过程：筛选当前处于困境或过去困境有所反弹的板块，进一步筛选分析师长期看好且库存压力不大具备补库条件的行业，捕捉正处于补库周期的行业困境反转行情[57] - 模型评价：可与右侧模型相互补充，2023年获得绝对收益12.3%，相对行业等权超额15.8%；2024年绝对收益26.5%，超额15.4%[57] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 12 模型名称：赔率增强型策略 - 模型构建思路：结合各资产的赔率指标，在目标波动率约束的条件下持续超配高赔率的资产，低配低赔率的资产[61] - 模型具体构建过程：基于风险预算模型，结合各资产赔率指标，在目标波动率约束下优化配置权重，超配高赔率资产、低配低赔率资产[61] - 模型评价：自2011年以来年化收益6.5%，最大回撤3.1%，夏普比率2.84[61] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 13 模型名称：胜率增强型策略 - 模型构建思路：从货币、信用、增长、通胀和海外五个因素出发，获得各资产的宏观胜率评分，据此构建固收+胜率增强型策略[64] - 模型具体构建过程：基于宏观胜率评分卡，计算各资产综合胜率，在目标波动率约束下优化配置权重[64] - 模型评价：自2011年以来年化收益6.9%，最大回撤3.4%，夏普比率2.88[64] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 14 模型名称：赔率+胜率策略 - 模型构建思路：将赔率策略的风险预算和胜率策略的风险预算进行简单相加得到综合得分，据此构建赔率+胜率策略[67] - 模型具体构建过程：分别计算赔率策略和胜率策略的风险预算，将两者简单相加得到综合得分，据此优化配置权重[67] - 模型评价：自2011年以来年化收益6.5%，最大回撤2.9%，夏普比率2.89[67] - 模型具体测试结果取值：详见下方“模型的回测效果”部分 量化因子与构建方式 1 因子名称：质量因子 - 因子构建思路：从赔率、趋势、拥挤度三个标尺综合评估质量风格[26] - 因子具体构建过程：计算质量风格的赔率（0.8倍标准差）、趋势（1.2倍标准差）、拥挤度（0.2倍标准差），综合得分为3[26] - 因子评价：当前质量因子为中高赔率-强趋势-中等拥挤，近期趋势有所改善，配置价值提升[26][40] 2 因子名称：价值因子 - 因子构建思路：从赔率、趋势、拥挤度三个标尺综合评估价值风格[28] - 因子具体构建过程：计算价值风格的赔率（1.5倍标准差）、趋势（-0.9倍标准差）、拥挤度（-1.8倍标准差），综合得分为2.8[28] - 因子评价：当前价值风格三标尺综合排名均位居前列，左侧配置价值突出，建议重点关注[28][40] 3 因子名称：小盘因子 - 因子构建思路：从赔率、趋势、拥挤度三个标尺综合评估小盘风格[31] - 因子具体构建过程：计算小盘因子的赔率（1.3倍标准差）、趋势（-1.1倍标准差）、拥挤度（-1.2倍标准差），综合得分为1.2[31] - 因子评价：小盘风格当前拥挤度较低，且赔率较高，具备左侧配置价值[31][40] 4 因子名称：成长因子 - 因子构建思路：从赔率、趋势、拥挤度三个标尺综合评估成长风格[34] - 因子具体构建过程：计算成长因子的赔率（-1.5倍标准差）、趋势（0.7倍标准差）、拥挤度（1.8倍标准差），综合得分为-3[34] - 因子评价：成长风格目前为极低赔率-强趋势-极高拥挤的品种，建议保持谨慎态度[34][40] 5 因子名称：动量因子 - 因子构建思路：从赔率、趋势、拥挤度三个标尺综合评估动量风格[40] - 因子具体构建过程：横截面来看动量因子拥挤度仍然较高，且赔率极低[40] - 因子评价：建议保持谨慎态度[40] 模型的回测效果 1 “生息＋弹性＋避险”ETF配置组合 - 2014年以来年化收益12.8%，年化波动5.8%，最大回撤5.1%，夏普比率2.23[1][8][9] - 今年以来绝对收益10.7%，最大回撤3.1%[1][8] - 生息组合年化收益9.9%，年化波动5.8%，最大回撤6.9%，夏普比率1.72[9] - 弹性组合年化收益22.6%，年化波动10.9%，最大回撤10.8%，夏普比率2.07[9] - 生息+弹性组合年化收益13.7%，年化波动6.2%，最大回撤7.3%，夏普比率2.20[9] - 2018年以来年化收益13.2%，年化波动5.5%，最大回撤5.1%，夏普比率2.39[9] - 2022年以来年化收益12.7%，年化波动5.1%，最大回撤3.1%，夏普比率2.48[9] 2 A股赔率模型 - 截至9月30日，A股赔率为-0.1倍标准差，位于中等水平[18] 3 宏观胜率评分卡 - 9月PMI超预期使得A股胜率上升至6%[18] - 债券胜率指标与权益胜率一致，维持在6%的中高水平[19] 4 债券赔率模型 - 近期债市回暖，赔率下行至-1.2倍标准差的较低水平[19] 5 美联储流动性指数 - 当前流动性指数处于-60%的极端收紧区间[25] 6 美股AIAE指标 - 当前处于56%的高点，位于2.5倍标准差水平[25] 7 行业相对强弱指标（RS） - 今年截至4月底，电子、电力设备、公用事业、煤炭、建材、石油石化、化工、传媒、通信、有色、军工等行业出现RS>90%的信号[41] 8 行业景气模型 - 本月推荐煤炭、消费者服务、石油石化等行业[43] 9 行业趋势模型 - 本月推荐银行、家电、交运等行业[43] 10 行业景气趋势ETF配置模型 - 策略年化超额收益14.9%（基准中证800），信息比率1.7，超额最大回撤10.8%，月度胜率64%[52] - 2025年超额为21.4%，今年截至9月底与中证800基本持平[52] 11 行业库存景气+困境反转模型 - 2023年绝对收益12.3%，相对行业等权超额15.8%[57] - 2024年绝对收益26.5%，超额15.4%[57] - 2025年绝对收益26.4%，超额3.2%[57] - 今年与行业等权收益基本一致[57] 12 赔率增强型策略 - 2011年以来年化收益6.5%，年化波动2.3%，最大回撤3.1%，夏普比率2.84[63] - 2014年以来年化收益7.1%，年化波动2.2%，最大回撤2.8%，夏普比率3.29[63] - 2019年以来年化收益6.4%，年化波动2.1%，最大回撤2.8%，夏普比率3.04[63] - 今年截至9月底绝对收益1.9%，回撤0.7%[61] 13 胜率增强型策略 - 2011年以来年化收益6.9%，年化波动2.4%，最大回撤3.4%，夏普比率2.88[65] - 2014年以来年化收益7.7%，年化波动2.4%，最大回撤2.2%，夏普比率3.24[65] - 2019年以来年化收益6.4%，年化波动2.3%，最大回撤1.5%，夏普比率2.85[65] - 今年截至9月底绝对收益1.9%，回撤1.4%[64] 14 赔率+胜率策略 - 2011年以来年化收益6.5%，年化波动2.3%，最大回撤2.9%，夏普比率2.89[69] - 2014年以来年化收益7.0%，年化波动2.2%，最大回撤2.3%，夏普比率3.26[69] - 2019年以来年化收益6.0%，年化波动2.0%，最大回撤2.3%，夏普比率2.93[69] - 今年截至9月底绝对收益2.0%，回撤0.5%[67] 15 行业配置模型（综合） - 多头年化20.8%，超额年化13.2%，信息比率1.4，超额最大回撤-10.2%，月度胜率66%[47] - 策略截至9月底绝对收益5.5%，超额收益7.1%[47] 因子的回测效果 1 质量因子 - 赔率0.8倍标准差，趋势1.2倍标准差，拥挤度0.2倍标准差，综合得分3[26] 2 价值因子 - 赔率1.5倍标准差，趋势-0.9倍标准差，拥挤度-1.8倍标准差，综合得分2.8[28] 3 小盘因子 - 赔率1.3倍标准差，趋势-1.1倍标准差，拥挤度-1.2倍标准差，综合得分1.2[31] 4 成长因子 - 赔率-1.5倍标准差，趋势0.7倍标准差，拥挤度1.8倍标准差，综合得分-3[34]