证券研究报告 | 金融工程 gszqdatemark 2024 12 19 年 月 日 3、《量化周报：19 个行业处于周线级别上涨中》2024- 12-08 量化分析报告 立足能源安全，重视板块投资价值——工银中证国新央企现代能 源 ETF 投资价值分析 立足能源安全，重视板块投资价值： 能源安全两大主线：电力保供与新能源消纳。"十四五"期间我国用电需 求刚性增长，2024 年电力供需紧平衡。可再生能源装机占比超五成，达 17.42 亿千瓦，其中水电、风电、太阳能稳步提升，新能源消纳与保供并 行推进。 火电：灵活支撑电源特性凸显，盈利修复转向估值修复。火电从基荷电源 转型为调节电源，收入由单一电量电价变为"电量+容量+辅助服务"，容 量电价弥补固定成本。辅助服务市场快速增长，调峰、调频等补偿收入显 著增加，助力系统灵活性提升。 水电：红利优势突出。水电企业凭高分红和稳定电价展现盈利优势，具备 重资产属性，前期投入高，后期成本下降，盈利能力和现金流逐步提升， 是低利率环境下的优质投资标的。 新能源：政策底已现，左侧布局。新能源装机快速增长加剧消纳压力，制 约产业发展；绿证交易全覆盖及与碳市场衔接加速，有助释放 ...

本订阅号仅面向长江证券客户中的专业投资者，根据《证券期货投资者适当性管理办法》，若您非长江证券客户中的专业投资者，为保证服务质量、控制投资风险，请勿订阅或转载本订阅号中的信息。 ✦+ + 今日概览 长江宏观 | 财政如何完成全年预算目标？——11月财政数据点评 长江金工 | 风格轮动策略（一）：大小盘的趋势与周期 长江建筑 | 中国化学己二腈装置入选重大技术装备推广应用指导目录，关注项目后续积极进展 长江传媒 | 广告行业跟踪（10）：10月同比微跌，梯媒增长强劲 ✦ + + 今日重点推荐 2024.12.19 宏观 | 于博 财政如何完成全年预算目标？——11月财政数据点评 2024年1-11月财政收支呈现如下特点： $$= 5 : 1$$ ）税收持续改善、非税继续大幅增长，增值税、所得税修复明显；2）财政支出提速、节奏加快，基建社保贡献较大；3）政府性 金收入降幅收窄、支出加快。1-11月广义财政收支继续向上改善，财政收支缺口有所收敛。财政部多次强调的"确保完成全年预算目标任务"或主要指向第一本账，在税收 善、非税高增的支撑下，第一本账收入降幅收窄，但要实现全年预算目标或仍有难度，而支出端通过安排有关中央 ...

- 宏观情景、资产配置与风格轮动展望：预计迈入信用扩张阶段，利好权益资产表现；财政刺激节奏加快，强劲的财政刺激对权益资产有显著驱动效果；GK模型显示大市值宽基指数具备更高预期收益；结合微观三标尺和宏观周期视角，质量>成长>价值>小盘[6] - 中观行业配置展望：当下可能处于主动去库存末期，重视电子、汽车、家电和有色等行业补库存机遇；根据景气度-趋势-拥挤度打分，红利相关行业打分在10月明显下滑，成长板块相对占优；左侧库存反转模型看好电子、汽车、家电和有色等[7] - 组合跟踪：截止2024年11月底右侧景气趋势模型表现稳健，绝对收益16.4%，相对wind全A指数超额4.4%；左侧库存景气反转策略绝对收益24.9%，相对行业等权超额13.5%[7] - 量化择时核心结论：当下处于牛市的初级阶段，市场呈现普涨格局；刚确认周线上涨的行业有建筑、轻工、机械、电力设备及新能源、商贸零售、纺织服装、非银行金融、地产、计算机、传媒；下跌相对比较充分，有望迎来周线上涨的行业有医药、钢铁、建材、农林牧渔[7]

- 量价类Alpha因子：国盛金工的量价类Alpha因子主要包含动量/反转类因子、流动性因子、波动率因子和价量相关性因子[2][129] - 动量/反转类因子：利用成交量、投资者结构等信息，对传统反转因子进行改进，代表性因子如volume_ret20、moneyflow_ret20[2][129] - 流动性因子：计算换手率的稳定性，交易稳定性高的股票在未来有显著的超额收益，代表性因子如daily_turn_std、minute_turn_std[2][129] - 波动率因子：根据"低波异象"，基于分钟行情数据，构建高频波动率因子，代表性因子如minute_volatility[2][129] - 价量相关性因子：利用价格与成交量的相互关系、或者价格的自相关性，构建因子，代表性因子如daily_pv_corr、minute_pv_corr、minute_price_autocorr[2][129] - 量价类Alpha因子表现：整体来看，量价类Alpha因子表现稳健，信息比率基本都在2以上，其中高频价量相关性因子、高频价格自相关性因子的稳健性最强，信息比率分别为3.02、2.82[2][130][134] - 今年以来量价类Alpha因子表现：minute_volatility（分钟收益波动因子）录得收益20.18%；minute_turn_std（分钟换手稳定性因子）和daily_turn_std（日频换手稳定性因子）分别录得收益17.30%和14.97%[2][133] - 量价类Alpha因子年化信息比率：minute_turn_std（分钟换手稳定性因子）和minute_volatility（分钟收益波动因子）今年以来的年化信息比率分别为2.64和2.03[2][133] - 量价类Alpha因子多空对冲绩效指标：volume_ret20年化收益率16.28%，年化波动率7.78%，信息比率2.09；moneyflow_ret20年化收益率25.19%，年化波动率10.59%，信息比率2.38；daily_turn_std年化收益率36.41%，年化波动率15.61%，信息比率2.33；minute_turn_std年化收益率19.66%，年化波动率7.44%，信息比率2.64；minute_volatility年化收益率27.21%，年化波动率9.91%，信息比率2.75；daily_pv_corr年化收益率10.54%，年化波动率5.90%，信息比率1.79；minute_pv_corr年化收益率34.48%，年化波动率11.43%，信息比率3.02；minute_price_autocorr年化收益率32.52%，年化波动率11.53%，信息比率2.82[2][134]

- 事件驱动策略库的构建：事件驱动策略的定价逻辑清晰，可以作为机构选股方法的重要补充[23] - 主营产品涨价选股策略：跟踪400种产品现货价格和相应的1300家上市公司股价，当产品价格上涨而股价未有显著变化时，买入相应个股[23] - 平稳创新高选股策略：通过对个股涨幅、上涨平稳性、量比等条件的定量刻画筛选出符合条件的个股，可作为趋势交易策略的参考[24] - 指数成分股调整套利策略：通过预测调入成分股并且提前布局可以实现套利收益[24] - 基于日历效应的选股策略：结合关注度等指标进行综合选股[24] - 盈利超预期策略：通过上市公司财报、分析师预测行为变化定义业绩超预期信号，从而筛选出符合条件的个股[24] - 入通选股策略：当新股首次入港股通后有望获得南下资金的加仓，进一步对个股盈利模式以及与A股上市公司差异性比较，可筛选出容易被内资关注的个股[24] 模型的回测效果 - 主营产品涨价选股策略，回测效果未具体列出[23] - 平稳创新高选股策略，回测效果未具体列出[24] - 指数成分股调整套利策略，回测效果未具体列出[24] - 基于日历效应的选股策略，回测效果未具体列出[24] - 盈利超预期策略，回测效果未具体列出[24] - 入通选股策略，回测效果未具体列出[24]

量化模型与构建方式 戴维斯双击组合 - **模型名称**：戴维斯双击组合 - **模型构建思路**：以较低的市盈率买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得乘数效应的收益，即 EPS 和 PE 的"双击"[3][10] - **模型具体构建过程**：通过筛选市盈率较低且具有成长潜力的股票，待其成长性显现并市盈率提高后卖出[10] - **模型评价**：该策略在 2010-2017 回测期内实现了 26.45%的年化收益，超额基准 21.08%，且在回测期内的 7 个完整年度里，每个年度的超额收益均超过了 11%，具有非常好的稳定性[12] 净利润断层组合 - **模型名称**：净利润断层组合 - **模型构建思路**：基本面与技术面共振双击下的选股模式，核心在于净利润惊喜和盈余公告后的首个交易日股价出现明显的向上跳空行为[3][14] - **模型具体构建过程**：每期筛选过去两个月业绩预告和正式财报满足超预期事件的股票样本，按照盈余公告日跳空幅度排序前 50 的股票等权构建组合[14] - **模型评价**：策略在 2010 年至今取得了年化 28.55%的收益，年化超额基准 26.58%[16] 沪深 300 增强组合 - **模型名称**：沪深 300 增强组合 - **模型构建思路**：基于投资者偏好因子构建增强组合，寻找估值低并且盈利能力强的股票[4][20] - **模型具体构建过程**：以 PB 与 ROE 的分位数之差构建 PBROE 因子，以 PE 与增速的分位数之差构建 PEG 因子，寻找价值被低估且拥有可靠成长潜力的公司[20] - **模型评价**：历史回测超额收益稳定[22] 模型的回测效果 戴维斯双击组合 - **绝对收益**：2010年 24.69%，2011年 -18.72%，2012年 18.55%，2013年 75.63%，2014年 53.95%，2015年 58.68%，2016年 7.41%，2017年 10.26%，2018年 -21.28%，2019年 70.00%，2020年 79.78%，2021年 61.15%，2022年 -6.56%，2023年 -5.13%，2024年 5.65%[12] - **基准收益**：2010年 9.75%，2011年 -33.37%，2012年 0.49%，2013年 17.93%，2014年 36.01%，2015年 33.91%，2016年 -7.26%，2017年 -0.89%，2018年 -32.09%，2019年 26.57%，2020年 20.87%，2021年 15.58%，2022年 -20.31%，2023年 -7.42%，2024年 10.30%[12] - **超额收益**：2010年 14.95%，2011年 14.65%，2012年 18.06%，2013年 57.71%，2014年 17.94%，2015年 24.77%，2016年 14.67%，2017年 11.15%，2018年 10.81%，2019年 43.43%，2020年 58.91%，2021年 45.56%，2022年 13.76%，2023年 2.29%，2024年 -4.65%[12] - **最大相对回撤**：2010年 -6.71%，2011年 -4.38%，2012年 -6.15%，2013年 -5.64%，2014年 -4.15%，2015年 -7.59%，2016年 -4.06%，2017年 -8.06%，2018年 -3.26%，2019年 -3.36%，2020年 -7.21%，2021年 -9.64%，2022年 -10.50%，2023年 -11.26%，2024年 -15.62%[12] - **收益回撤比**：2010年 2.23，2011年 3.34，2012年 2.94，2013年 10.23，2014年 4.33，2015年 3.26，2016年 3.61，2017年 1.38，2018年 3.31，2019年 12.93，2020年 8.18，2021年 4.73，2022年 1.31，2023年 0.20，2024年 0.30[12] 净利润断层组合 - **绝对收益**：2010年 45.56%，2011年 -18.63%，2012年 40.11%，2013年 54.84%，2014年 45.05%，2015年 106.94%，2016年 5.06%，2017年 41.99%，2018年 -17.29%，2019年 72.73%，2020年 67.43%，2021年 38.63%，2022年 -10.36%，2023年 1.95%，2024年 10.84%[16] - **基准收益**：2010年 9.45%，2011年 -33.83%，2012年 0.28%，2013年 16.89%，2014年 39.01%，2015年 43.12%，2016年 -17.78%，2017年 -0.20%，2018年 -33.32%，2019年 26.38%，2020年 20.87%，2021年 15.58%，2022年 -20.31%，2023年 -7.42%，2024年 10.30%[16] - **超额收益**：2010年 36.11%，2011年 15.20%，2012年 39.83%，2013年 37.95%，2014年 6.04%，2015年 63.82%，2016年 22.84%，2017年 42.19%，2018年 16.03%，2019年 46.35%，2020年 46.56%，2021年 23.05%，2022年 9.95%，2023年 9.37%，2024年 0.54%[16] - **最大相对回撤**：2010年 -4.26%，2011年 -5.48%，2012年 -5.13%，2013年 -5.92%，2014年 -7.82%，2015年 -8.03%，2016年 -5.39%，2017年 -3.35%，2018年 -8.27%，2019年 -5.78%，2020年 -7.20%，2021年 -12.15%，2022年 -9.63%，2023年 -8.39%，2024年 -19.09%[16] - **收益回撤比**：2010年 8.47，2011年 2.77，2012年 7.77，2013年 6.42，2014年 0.77，2015年 7.95，2016年 4.23，2017年 12.60，2018年 1.94，2019年 8.02，2020年 6.46，2021年 1.90，2022年 1.03，2023年 1.12，2024年 0.03[16] 沪深 300 增强组合 - **绝对收益**：2010年 -3.89%，2011年 -18.78%，2012年 22.02%，2013年 3.59%，2014年 61.35%，2015年 20.06%，2016年 -3.34%，2017年 34.51%，2018年 -19.19%，2019年 42.54%，2020年 38.83%，2021年 1.76%，2022年 -19.87%，2023年 -4.87%，2024年 19.15%[22] - **基准收益**：2010年 -12.51%，2011年 -25.01%，2012年 7.55%，2013年 -7.65%，2014年 51.66%，2015年 5.58%，2016年

- 中证A500指数的成分股中包含234只沪深300成分股，207只中证500成分股以及59只中证1000成分股，其中沪深300成分股权重合计占比近80%[15][16] - A500指数成分股在市值分布上主要集中在200到500亿元之间，占比约40%，而沪深300指数成分股则集中在500到1000亿元之间[22][23] - A500指数成分股在银行、非银金融和食品饮料等行业上的配置比例相比沪深300指数有显著下降，而在电子、电力设备等行业则相对高配[25][29] - A500指数相比传统宽基指数在行业配置层面和外资可投性上做了延展要求，包括行业内选股下沉到中证三级行业，并要求所选成分股是陆股通标的，同时对上市公司的ESG评级有所约束[31][34] - 拟合指数的净值走势基于每个调样点的成分股权重进行收益率加权计算得到，年化跟踪误差约1.76%[35][37] - 在A500指数拟合成分股中表现较好的因子有amount_convergence（成交额均线收敛）、long_momemtum2（长端动量）、ideal_vol（理想振幅）和smart_money（聪明钱）[47][49] - 等权合成后的因子表现相对单因子有明显提升，市值行业中性化后的合成因子RankIC均值为9.71%，年化RankICIR为3.66[54][55] - 放松Barra风格约束的增强组合超额收益维持了稳健上涨的长期趋势，而严格约束的增强组合超额收益基本走平[63][64] - 测试期内，放松风格约束的增强组合年化收益率为26.55%，年化波动率为23.01%，收益波动比为1.15，最大回撤为-23.67%，胜率为64.34%[68][69]

- 本周市场复盘：本周A股延续此前上行势头，价值、小盘风格占优，金融、周期、消费各板块均有较好表现，"谷子经济"等相关题材概念亦较为活跃[9] - 宽基指数表现回顾：本周（2024/12/2-2024/12/6）A股各宽基指数大多延续此前1周表现，小盘、价值和高股息风格相对占优，对应题材股、周期股表现较好[10] - 公募基金：主动权益持仓的成长属性持续加强，截至2024/12/6，主动偏股型基金大盘成长仓位15.48%，大盘价值仓位8.95%，中盘成长仓位17.37%，中盘价值仓位18.43%，小盘成长仓位36.12%，小盘价值仓位3.65%[26] - 主动权益产品行业动向：从持股市值加权平均值来看，本周主动权益型基金配置比例上调较多的行业有计算机、纺织服装、基础化工、食品饮料、房地产，配比下调较多的行业有电力及公用事业、电子、银行、有色金属、综合[30] - 主力/主动资金流：本周主力净流出幅度较此前1周有所扩大，主力资金流入银行、钢铁，流出计算机、电子[50] - ETF市场跟踪：本周（2024/12/2-2024/12/6），境内股票指数ETF资金合计净流入约91.59亿元，合计规模为29216.97亿元；境外指数ETF合计净流入约20.94亿元，合计规模为4147.99亿元；债券指数ETF合计净流入约43.19亿元，合计规模为1562.1亿元；商品指数ETF合计净流入约4.88亿元，合计规模为695.59亿元[38][39] - 新成立基金：本周主动权益型基金新发总份额约为16.76亿元，为近1年65%分位[42]

- 量化模型：基金仓位监测模型 - 构建思路：通过监测主动权益基金对各行业的配置比例，分析市场资金流向和行业配置情况[24] - 构建过程：利用数理统计方法估算基金仓位，结合市场指数进行相对低配和高配的分析[24] - 评价：该模型能够较好地反映市场资金的流向和行业配置情况，有助于投资者进行行业选择[24] - 量化模型：高频策略 - 构建思路：利用市场的高波动和高成交量，进行高频交易以获取超额收益[26] - 构建过程：通过模拟组合，分析高频策略在不同市场环境下的表现，计算高频策略的超额收益[26] - 评价：高频策略在市场成交活跃时表现较好，但在成交量下降时收益会有所减弱[26] - 量化因子：量价因子 - 构建思路：通过分析市场的量价关系，构建量价因子以捕捉市场的超额收益[25] - 构建过程：利用历史数据，计算量价因子的表现，并在模拟组合中进行测试[25] - 评价：量价因子在市场回暖时表现较好，但在市场回撤时可能失效[25] - 量化因子：基本面因子 - 构建思路：通过分析公司的基本面数据，构建基本面因子以捕捉市场的超额收益[25] - 构建过程：利用历史数据，计算基本面因子的表现，并在模拟组合中进行测试[25] - 评价：基本面因子在市场回暖时表现较好，但在市场回撤时可能失效[25] 模型的回测效果 - 基金仓位监测模型，500指增平均周超额+0.26%，1000指增平均周超额+0.30%[25] - 高频策略，500指增产品平均超额9.95%，日间和融合产品平均超额3.85%/5.97%[26] 因子的回测效果 - 量价因子，500指增平均超额回撤2.96%，1000指增平均超额回撤3.34%[25] - 基本面因子，500指增平均超额回撤2.96%，1000指增平均超额回撤3.34%[25]

- 量化因子与构建方式 - 因子名称：财报预期因子 - 因子的构建思路：代表投资者观点变动的因子，用于捕捉市场对行业基本面逻辑变化的预期[44] - 因子具体构建过程：基于高频行业数据和市场投资者的响应，构建财报预期因子，反映市场对行业基本面逻辑变化的预期[42][44] - 因子名称：与鲸同游复合资金流因子 - 因子的构建思路：代表聪明钱交易行为的因子，用于捕捉市场中大资金的流动情况[44] - 因子具体构建过程：通过跟踪主力资金流向和北向资金流入情况，构建与鲸同游复合资金流因子，反映市场中大资金的流动情况[42][44] - 因子的回测效果 - 财报预期因子，因子周超额收益1.00%，相对收益0.41%[44] - 与鲸同游复合资金流因子，因子周超额收益1.00%，相对收益0.41%[44]