证券研究报告·金融工程·金工定期报告 金工定期报告 20250401 "日与夜的殊途同归"新动量因子绩效月报 20250331 [Table_Tag] [Table_Summary] 报告要点 2025 年 04 月 01 日 证券分析师 高子剑 执业证书：S0600518010001 021-60199793 gaozj@dwzq.com.cn 证券分析师 庞格致 执业证书：S0600524090003 panggz@dwzq.com.cn 相关研究 《成交量对动量因子的修正：日与夜 之殊途同归》 2022-08-17 | 1. "日与夜的殊途同归"新动量因子绩效回顾 | 4 | | --- | --- | | 2. 风险提示 | 5 | 《"日与夜的殊途同归"新动量因子绩 效月报 20250228》 2025-03-04 东吴证券研究所 1 / 6 请务必阅读正文之后的免责声明部分 ◼ "日与夜的殊途同归"新动量因子多空对冲绩效（全市场）：2014 年 2 月至 2025 年 3 月，"日与夜的殊途同归"新动量因子在全体 A 股（剔 除北交所股票）中，10 分组多空对冲的年化收益率为 18.79%，年化波 ...

证券研究报告 | 2025年04月01日 基金投资价值分析 华富人工智能 ETF 投资价值分析——DeepSeek 横空出世，AI+浪潮 来袭 AI+浪潮来袭，人工智能应用时代加速到来 人工智能作为一项战略性技术，正引领着科技革命和产业变革，其发展态势 备受瞩目。大模型LLM从早期的感知机和反向传播算法，到 2017 年 Transformer架构的诞生，再到GPT系列模型的不断升级，以及 2023 年以来 开源和多模态模型（如GPT-4o、DeepSeek-R1 等）的兴起。 2025 年 1 月DeepSeek-R1 发布，其在数学、代码、自然语言推理等任务上 性能比肩OpenAI-o1 正式版，且API价格极具竞争力，用户数量增长迅速， 在全球生成式AI应用排行榜上表现突出。AI应用技术逐渐渗透到各个领域， 企业对AI的重视度不断增加，中国算力规模预计快速增长。政府持续推进人 工智能发展，明确"三步走"战略目标，积极推行"人工智能+"行动。 中证人工智能产业指数投资价值分析 中证人工智能产业指数（931071.CSI）发布于 2018 年 11 月 21 日，从沪 深市场为人工智能提供基础资源、技术以及 ...

* [10] M. C. ETF 市场回顾 从一级市场资金流动情况来看，上周（3.24-3.28）已上市 ETF 资金净流入合计 197.58 亿元，其中债券型 ETF 资金净 流入 82.11 亿元，跨境 ETF 资金净流入 64.09 亿元，商品型 ETF 资金净流入 30.42 亿元，股票型 ETF 资金净流入 20.97 亿元。 在股票型 ETF 中，宽基 ETF 上周资金净流入-25.28 亿元，上周 A500ETF 资金净流入 21.88 亿元，科创 50ETF 资金净 流入 13.73 亿元，而沪深 300ETF 资金净流出 30.97 亿元。 主题行业 ETF 上周资金净流入 20.33 亿元。上周科技、周期、金融地产板块 ETF 资金净流入额分别为 28.81 亿元、 5.11 亿元、2.27 亿元，消费、高端制造、医药生物板块 ETF 资金净流出额分别为 0.56 亿元、6.56 亿元、7.02 亿元。 本周将有首只中证 A500 增强策略 ETF 发行，为国泰中证 A500 增强策略 ETF。 主动权益及增强指数型基金表现跟踪 主动权益型基金中上周表现前五名的基金包括：中银港股通医药 A ...

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **主动偏股基金仓位高频估测模型** - **模型构建思路**：通过基金每日披露的净值序列，利用带约束条件的多元回归模型，在基准或构建的其他资产序列组成的自变量中寻找基金仓位的最优估计结果[59]。 - **模型具体构建过程**： 1. 以基金每日净值序列为因变量。 2. 选择基准或构建的资产序列作为自变量。 3. 使用带约束条件的多元回归模型进行仓位估计。 4. 通过模拟组合提升估算准确性，并衡量整体仓位变动趋势及行业投向偏好[59]。 - **模型评价**：能够相对高频地跟踪主动偏股基金的仓位变化，但实际仓位与测算结果可能存在差异[59]。 2. **REITs系列指数模型** - **模型构建思路**：基于指数化投资思想，构建REITs系列指数以反映市场表现，并提供不同底层资产和项目类型的细分指数[44]。 - **模型具体构建过程**： 1. 采用分级靠档方法确保指数份额稳定。 2. 使用除数修正法保证指数连续性（如新发、扩募等非交易因素变动时）[44]。 3. 提供价格指数和全收益指数，覆盖产权类、特许经营权类等细分类型[45]。 - **模型评价**：为投资者提供REITs资产配置的新视角，潜在市场空间大，但需关注流动性风险[44][45]。 3. **行业主题基金标签模型** - **模型构建思路**：通过基金中报/年报持仓信息判断其长期行业主题标签，区分行业主题基金、行业轮动基金和行业均衡基金[34]。 - **模型具体构建过程**： 1. 分析近四期中报/年报持仓数据。 2. 根据持仓集中度与行业分布定义标签（如医药、TMT等）[34]。 3. 构建行业主题基金指数（如医药主题基金指数本周涨跌幅3.46%）[34][35]。 - **模型评价**：帮助投资者定位细分赛道，但需注意短期行业特征可能变化[34]。 量化因子与构建方式 1. **ETF资金流向因子** - **因子构建思路**：跟踪股票ETF资金净流入/流出情况，分析宽基、行业、主题等细分类型的资金动向[48]。 - **因子具体构建过程**： 1. 按类型统计资金净流入（如港股ETF本周净流入39.8亿元）[48]。 2. 计算细分领域资金集中度（如TMT主题ETF净流入33.6亿元）[48][56]。 - **因子评价**：反映市场短期偏好，但需结合收益率分析（如TMT主题ETF本周收益-1.84%）[56]。 2. **ESG主题因子** - **因子构建思路**：筛选ESG整合、负面/正面筛选的基金或债券，分类为环境、社会、治理主题[71]。 - **因子具体构建过程**： 1. 定义ESG主题基金（如“碳中和”“绿色”标签）[71]。 2. 统计规模与表现（如环境主题基金规模1038.76亿元）[72]。 3. 跟踪收益率（如绿色债券本周发行规模167.81亿元）[65][69]。 - **因子评价**：ESG产品稳步发展，但需区分主题纯度（如泛ESG基金仅覆盖部分ESG维度）[71][72]。 模型的回测效果 1. **主动偏股基金仓位模型** - 本周仓位下降0.17pcts，增配电子、银行等行业，减持电力设备等行业[59][63]。 2. **REITs指数模型** - REITs综合指数本周上涨1.74%，产权类指数上涨1.88%，特许经营权类指数上涨1.56%[45][47]。 3. **行业主题基金模型** - 医药主题基金指数本周收益率3.46%，消费主题0.59%，TMT主题-1.63%[34][36]。 因子的回测效果 1. **ETF资金流向因子** - 港股ETF净流入39.8亿元，收益率-1.26%；商品ETF净流入30.6亿元，收益率2.04%[48][56]。 2. **ESG主题因子** - 主动权益型ESG基金本周收益率中位数-0.77%，绿色债券累计发行规模4.28万亿元[65][72][77]。 公式说明 - **REITs指数连续性修正**：采用除数修正法，公式为： $$ \text{新除数} = \text{原除数} \times \frac{\text{调整后市值}}{\text{调整前市值}} $$ 用于应对非交易因素变动[44]。 - **仓位回归模型**： $$ \text{基金净值}_t = \alpha + \sum \beta_i \times \text{基准资产}_i + \epsilon_t $$ 约束条件为 $\sum \beta_i = 1$[59]。

量化模型与构建方式 1. **模型名称**：恒生港股通中国央企红利指数 **模型构建思路**：通过港股通机制筛选第一大股东为内地央企的香港上市高股息证券，反映其整体表现[35] **模型具体构建过程**： - **样本空间**：港股通可买卖、恒生综合指数成分股中非REITs的证券，且自身或第一大股东（穿透后）为央企[35] - **筛选条件**： 1. 上市历史≥1个月 2. 流动性要求：6个月日均成交额≥2000万港元 3. 剔除过去12个月波动率最高的10%证券 4. 连续3年现金分红记录 5. 股息支付率0%<x≤100% 6. 剔除股价跌幅超50%或表现最差的10%股票 7. 选取净股息率最高的40只证券[35] - **加权方式**：净股息率加权 - **调整规则**：排名48名以下剔除，32名以上新增，维持40只成分股[35] 2. **因子名称**：净股息率因子 **因子构建思路**：衡量企业分红能力的核心指标，筛选高股息稳健标的[35] **因子具体构建过程**： $$净股息率 = \frac{近12个月现金分红总额}{市值 - 净债务}$$ 其中市值采用自由流通市值，净债务为总债务扣除现金及等价物[35] 3. **因子名称**：规模因子 **因子构建思路**：反映成分股市值分布特征[39][42] **因子具体构建过程**： - 按总市值分层：>1万亿（7只）、5000亿-1万亿（5只）、1000亿-5000亿（13只）、100亿-1000亿（15只）[42] - 暴露值2.0339（截至2025年2月）[44] 4. **因子名称**：分红因子 **因子构建思路**：捕捉高股息企业的防御性特征[44] **因子具体构建过程**： - 综合股息支付率、分红连续性等指标 - 暴露值0.4478（截至2025年2月）[44] 模型与因子回测效果 1. **恒生港股通中国央企红利指数** - 累计回报41.09% - 年化收益率21.22% - 年化波动率23.19% - 夏普比率0.91[37] 2. **净股息率因子** - 成分股平均股息率5.2%（vs恒生指数3.1%）[22] - 近3年股息支付率中位数35%[35] 3. **规模因子** - 成分股市值中位数2592.8亿元[39] - 权重集中度：前10大成分股占比35.23%[39] 4. **分红因子** - ROE 8.91%（vs中证红利-0.04%）[51] - 市盈率6.48倍（vs央企红利指数8.25倍）[48] 关键数据引用 - 估值水平：PE_TTM 6.48倍[48] - 行业分布：银行（29.23%）、非银金融（21.52%）、通信（10.46%）[39] - 跟踪误差：华安ETF年化跟踪误差1.99%[55]

量化模型与构建方式 1. **模型名称**：微观风格轮动模型 - **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层因子构造640个微观特征，并采用指数作为风格股票池替代传统因子划分，生成风格收益标签。使用随机森林模型进行风格择时和打分，最终构建月频轮动框架[6][1] - **模型具体构建过程**： 1. **特征构造**：基于80个底层因子（如估值、动量等）生成640个微观特征[6] 2. **标签定义**：以常用指数（如中证红利）代表风格股票池，计算风格收益作为标签[6] 3. **模型训练**：滚动训练随机森林模型，优选特征并输出风格推荐得分[6] 4. **组合构建**：综合择时结果与打分结果生成最终持仓[6] 模型的回测效果 1. **微观风格轮动模型**： - 年化收益率：21.93% - 年化波动率：24.24% - IR：0.90 - 月度胜率：59.26% - 超额年化收益率（vs基准）：13.29% - 超额波动率：11.50% - 超额IR：1.15 - 最大回撤：10.36%[7][8] 量化因子与构建方式 1. **因子名称**：估值因子 - **因子构建思路**：作为基础风格因子之一，用于生成微观特征并参与风格收益标签计算[6][1] 2. **因子名称**：市值因子 - **因子构建思路**：通过大/小市值风格划分，结合指数股票池构建标签[6][14] 3. **因子名称**：动量因子 - **因子构建思路**：基于价格动量构造特征，实际应用中表现为反转效应（2025年4月推荐方向为反转）[14][16] 4. **因子名称**：波动率因子 - **因子构建思路**：以低波风格为目标，通过微观特征参与随机森林模型训练[14][16] 因子的回测效果 1. **风格因子多空对冲收益（2025年3月）**： - 动量因子：-4.00% - 波动率因子：2.00% - 估值因子：6.00% - 市值因子：-6.00%[10][16] 2. **风格因子权重（近一年）**： - 市值因子：30% - 估值因子：40% - 动量因子：20% - 波动率因子：10%[17] 模型评价 - **优势**：通过微观特征和滚动训练有效规避过拟合，结合择时与打分提升稳定性[6] - **局限性**：依赖历史数据，需结合风险管理应对单因子波动[18]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 构建思路：通过统计股票在交易日内达到涨停且收盘保持涨停的比例，反映市场情绪和资金封板意愿[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月以上的股票，计算当日符合条件的股票比例[17] - 模型评价：高频指标能有效捕捉短期资金博弈强度 2. **连板率模型** - 构建思路：衡量连续涨停股票的持续性，反映市场热点延续性[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股上市初期波动干扰[17] 3. **股指期货贴水率模型** - 构建思路：通过期货主力合约与现货指数的基差年化计算，反映市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格}×\frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000四大股指期货主力合约[28] 模型的回测效果 1. **封板率模型** - 20250331封板率67%，较前日提升17%[17] 2. **连板率模型** - 20250331连板率24%，较前日提升12%[17] 3. **股指期货贴水率模型** - 上证50年化升水率0.06%（近一年49%分位）[28] - 沪深300年化贴水率3.42%（近一年36%分位）[28] - 中证500年化贴水率12.53%（近一年15%分位）[28] - 中证1000年化贴水率13.21%（近一年37%分位）[28] 量化因子与构建方式 1. **大宗交易折价因子** - 构建思路：通过大宗交易成交价与市价的偏离度反映机构交易情绪[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率5.40%[26] 2. **ETF折溢价因子** - 构建思路：捕捉场内交易ETF相对于净值的偏差[24] - 具体构建过程：筛选日成交额超100万的股票型ETF，计算溢价率排名[24] 因子的回测效果 1. **大宗交易折价因子** - 20250328折价率6.53%（近半年均值5.40%）[26] 2. **ETF折溢价因子** - 生物疫苗ETF溢价1.30%（当日最高）[24] - 2000ETF折价0.37%（当日最低）[24]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：风险溢价模型 **模型构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，衡量其投资价值和偏离情况[28][29] **模型具体构建过程**： - 风险溢价公式： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中指数收益率采用日频或周频计算[30] - 分位值计算：基于近1年/5年历史数据计算当前风险溢价所处百分位[31] **模型评价**：中证1000和中证2000的风险溢价波动率较大，显示更高的市场风险[29] 2. **模型名称**：PE-TTM估值模型 **模型构建思路**：通过滚动市盈率（TTM）衡量指数估值水平，结合历史分位值判断估值高低[34][37] **模型具体构建过程**： - 分位值计算： $$分位值 = \frac{当前PE-TTM - 历史最小值}{历史最大值 - 历史最小值} \times 100\%$$ 采用近1年/5年/全历史三种时间窗口[41] - 标准差带：基于近1年波动率计算±1/2倍标准差区间[42] **模型评价**：中证500当前PE-TTM分位值达83.55%，显示估值偏高[41] 3. **模型名称**：股息率模型 **模型构建思路**：跟踪现金分红回报率，识别高股息资产的避风港特性[46][47] **模型具体构建过程**： - 股息率公式： $$股息率 = \frac{近12个月现金分红总额}{指数总市值} \times 100\%$$ - 历史分位计算方式与PE-TTM模型一致[51] **模型评价**：沪深300股息率分位值达98.1%，显示极强的防御性特征[49] 模型的回测效果 1. **风险溢价模型** - 上证50风险溢价：-0.42%（近5年分位值33.81%）[31] - 中证2000风险溢价：-1.52%（近5年分位值13.81%）[31] - IR（信息比率）：沪深300为0.58，创业板指为-0.15[31] 2. **PE-TTM估值模型** - 中证500 PE-TTM：28.55（近5年分位值83.55%）[41] - 创业板指 PE-TTM：32.22（近5年分位值27.02%）[41] - 波动率：中证2000达17.65，显示高波动特征[42] 3. **股息率模型** - 沪深300股息率：3.65%（近5年分位值98.1%）[51] - 中证2000股息率：1.00%（近5年分位值80.25%）[51] - 超额标准差：上证50当前值超+1σ标准带1.68%[51] 量化因子与构建方式 1. **因子名称**：破净率因子 **因子构建思路**：通过市净率<1的个股占比反映市场低估程度[52][54] **因子具体构建过程**： $$破净率 = \frac{指数成分股中PB<1的股票数量}{指数成分股总数} \times 100\%$$ **因子评价**：上证50破净率24%显著高于创业板指3%，显示价值风格分化[54] 2. **因子名称**：收益分布形态因子 **因子构建思路**：通过偏度和峰度刻画指数收益分布特征[23][24] **因子具体构建过程**： - 峰度计算： $$峰度 = \frac{E[(X-\mu)^4]}{\sigma^4} - 3$$ - 偏度计算： $$偏度 = \frac{E[(X-\mu)^3]}{\sigma^3}$$ **因子评价**：创业板指峰度偏离达4.78，显示极端收益集中[24] 因子的回测效果 1. **破净率因子** - 上证50破净率：24.0%[54] - 中证1000破净率：9.5%[54] - 中证全指破净率中枢下移至8.0%[54] 2. **收益分布形态因子** - 创业板指峰度：4.89（近5年偏离+4.78）[24] - 中证2000偏度：1.57（近5年偏离-0.31）[24] - 沪深300偏度：2.24（近5年偏离+0.58）[24]

量化模型与构建方式 1. **模型名称**：五维行业轮动模型 - **模型构建思路**：基于行业内部风格差异，通过构建行业内部离散指标与牵引指标合成五大类因子（波动率、基本面、成交量、情绪、动量），形成综合评分驱动行业轮动[6] - **模型具体构建过程**： 1. **因子分类**：按东吴金工多因子体系划分微观因子为五类（波动率、基本面、成交量、情绪、动量）[6] 2. **行业内部指标构建**： - 离散指标：衡量行业内部个股风格分化程度 - 牵引指标：反映行业内部龙头股对整体风格的带动作用 3. **合成因子**：结合离散指标与牵引指标生成五类行业因子，加权综合评分[6] - **模型评价**：综合因子表现优于单一因子，稳定性与收益能力突出[8][10] 2. **沪深300指数增强策略** - **模型构建思路**：基于五维行业轮动模型，每月调整沪深300成分股权重，增强高评分行业、剔除低评分行业[21] - **模型具体构建过程**： 1. **行业分组**：每月末将申万一级行业按五维评分分为六组，取第一组（多头）和第六组（空头） 2. **权重调整**： - 剔除空头行业股票，将其权重按比例分配给多头行业股票 - 其余行业权重保持不变[21] --- 量化因子与构建方式 1. **因子名称**：波动率因子 - **因子构建思路**：反映行业内部个股波动率的离散与牵引效应[6] - **因子评价**：近期表现最优，收益能力与稳定性评分最高[8][11] 2. **因子名称**：基本面因子 - **因子构建思路**：基于行业内部财务指标（如ROE、营收增速）的风格分化[6] 3. **因子名称**：成交量因子 - **因子构建思路**：捕捉行业内部成交量变化的差异性[6] 4. **因子名称**：情绪因子 - **因子构建思路**：衡量市场情绪对行业内部个股的影响[6] 5. **因子名称**：动量因子 - **因子构建思路**：追踪行业内部价格动量效应的扩散[6] --- 模型的回测效果 1. **五维行业轮动模型（多空对冲）** - 年化收益率：21.63% - 年化波动率：10.92% - IR：1.98 - 月度胜率：72.65% - 最大回撤：13.30%[10][11] 2. **五维行业轮动模型（多头超额）** - 超额年化收益率：10.49% - 超额波动率：6.68% - IR：1.57 - 月度胜率：70.09% - 最大回撤：9.36%[15] 3. **沪深300指数增强策略** - 超额年化收益率：8.82% - 超额波动率：7.60% - IR：1.16 - 月度胜率：69.49% - 最大回撤：12.84%[22] --- 因子的回测效果 1. **波动率因子** - 年化收益率：11.74% - 波动率：10.23% - IR：1.15 - 胜率：59.84% - 最大回撤：14.27%[11] 2. **基本面因子** - 年化收益率：5.95% - 波动率：9.95% - IR：0.60 - 胜率：55.74% - 最大回撤：21.50%[11] 3. **成交量因子** - 年化收益率：7.60% - 波动率：12.23% - IR：0.62 - 胜率：58.20% - 最大回撤：18.51%[11] 4. **情绪因子** - 年化收益率：7.82% - 波动率：12.96% - IR：0.60 - 胜率：64.75% - 最大回撤：13.56%[11] 5. **动量因子** - 年化收益率：11.86% - 波动率：10.81% - IR：1.10 - 胜率：61.16% - 最大回撤：13.52%[11]

量化模型与构建方式 1. **模型名称：A股收益预测模型** - 模型构建思路：基于股息率、股本稀释率、盈利增速和估值变化预测宽基指数未来一年收益[16] - 模型具体构建过程： - 预期收益 = 预期股息率 + 预期盈利增速 + 预期估值变化 - 预期股本稀释率 $$ \text{预期收益} = \text{股息率} + \text{盈利增速} + \text{估值变化} - \text{股本稀释率} $$ - 参数说明：盈利增速采用自上而下和自下而上结合的方法预测，估值变化基于ERP模型[16][21] - 模型评价：长周期预测准度较高，尤其对沪深300和上证50的估值变化预测有效[16][21] 2. **模型名称：GK利率债收益预测模型** - 模型构建思路：通过利率期限结构和宏观经济变量预测短久期与长久期国债未来一年收益[25][28] - 模型具体构建过程：未披露具体公式，但输出结果包括短久期国债预期收益1.4%、长久期国债-1.4%[25][28] 3. **模型名称：赔率+胜率策略** - 模型构建思路：结合资产赔率（如股债风险溢价）和宏观胜率评分（货币、信用等五因子）进行风险预算分配[61][66] - 模型具体构建过程： - 赔率指标：DRP（股息率-10年期国债收益率）衡量权益赔率，CCB模型误差衡量转债赔率[33][34] - 胜率指标：宏观五因子（货币、信用、增长、通胀、海外）合成评分[33][61] - 综合配置权重通过风险预算相加得到[66] 模型的回测效果 1. **A股收益预测模型** - 沪深300未来一年预期收益：16.9%[16] - 中证500未来一年预期收益：-30.5%[16] 2. **赔率+胜率策略** - 2011年以来年化收益：6.9%，最大回撤2.8%，夏普比率3.05[66] - 当前配置权重：泛权益类13.6%、黄金5.0%、债券81.4%[66] 量化因子与构建方式 1. **因子名称：质量因子** - 因子构建思路：综合ROE、盈利稳定性等指标，通过赔率、趋势、拥挤度三标尺评分[41][42] - 因子具体构建过程： - 赔率：1.3倍标准差（高赔率） - 趋势：-0.1倍标准差（中等趋势） - 拥挤度：-1.5倍标准差（低拥挤）[41][42] - 因子评价：当前综合得分3，配置价值最高[41] 2. **因子名称：成长因子** - 因子构建思路：基于净利润同比、营收同比等指标，结合趋势和拥挤度分析[43][44] - 因子具体构建过程： - 赔率：-0.5倍标准差（中低赔率） - 趋势：0.7倍标准差（强趋势） - 拥挤度：-0.04倍标准差（中低拥挤）[43][44] - 因子评价：综合得分0.6，建议标配[43] 3. **因子名称：小盘因子** - 因子构建思路：通过市值分组，结合交易拥挤度和趋势分析[48][49] - 因子具体构建过程： - 赔率：-0.1倍标准差（中性） - 趋势：-0.4倍标准差（弱趋势） - 拥挤度：0.3倍标准差（中高拥挤）[48][49] - 因子评价：综合得分-0.8，不建议配置[48] 因子的回测效果 1. **质量因子** - 信息比率（IR）：1.14（2011年以来）[42] - 超额收益：12.4%（2011年以来）[42] 2. **行业轮动因子（趋势-景气度-拥挤度）** - 2025年超额收益：4.8%[55][57] - 当前推荐行业：化工、有色、建材、汽车、非银[58][60]