量化模型与因子总结 量化因子与构建方式 一、基本面因子 1. 一致预期变化率因子 * **因子名称**：预测净利润(Y1)_chg_3m、预测净利润(Y2)_chg_3m[6] * **构建思路**：分析师给出的业绩预测往往过于乐观，因此采用一致预期（如净利润）的变化率来反映分析师观点的动态调整，比绝对预测值更具预测能力[7]。 * **具体构建过程**：计算未来第1年(FY1)或第2年(FY2)的预测净利润在过去3个月（或6个月）内的变化率。公式为： $$因子值 = \frac{当前一致预期值 - N个月前一致预期值}{|N个月前一致预期值|}$$ 其中，N为时间窗口，例如3个月或6个月[6]。 * **因子评价**：净利润的一致预期变化率是预测能力较强的因子，其中FY2（未来第二年）的一致预期3个月变化率表现相对更好，多头组合的超额收益更明显[7][11]。 2. 成长基本面因子 * **因子名称**：单季度:净利润环比增速、单季度:毛利率同比增速[17] * **构建思路**：从企业成长性角度，选取能反映短期业绩边际改善的指标。 * **具体构建过程**： * **单季度:净利润环比增速**：计算最新单季度净利润相对于上一季度的增长率。 * **单季度:毛利率同比增速**：计算最新单季度毛利率相对于上年同期的增长率[17]。 * **因子评价**：成长基本面因子在多头组合的表现上领先更多，尤其在特定市场阶段表现突出[28]。 3. 质量基本面因子 * **因子名称**：现金流净利润比[20] * **构建思路**：从经营质量角度，衡量企业盈利的现金含量，现金流净利润比越高，说明利润质量越好。 * **具体构建过程**：计算经营现金流净额与净利润的比值。 $$现金流净利润比 = \frac{经营现金流净额}{净利润}$$ 通常使用TTM（滚动12个月）数据[20]。 * **因子评价**：该因子在质量维度中表现相对更好，对空头行业的筛选效果较强[22][28]。 4. 综合基本面因子 * **因子名称**：基本面因子（未明确命名）[22] * **构建思路**：综合反映行业在成长和质量维度的基本面表现。 * **具体构建过程**：将成长维度的**单季度净利润同比增速**、**单季度毛利率同比增速**与质量维度的**现金流净利润比**三个因子进行等权合成[22]。 二、资金面因子 1. 机构资金净流入 * **因子名称**：机构资金流入[37] * **构建思路**：机构投资者具有信息和分析优势，其交易行为更为理性，资金流入的行业未来表现可能更好[31][34]。 * **具体构建过程**：使用高频成交数据，将挂单金额大于100万元的主动成交行为定义为机构资金。计算过去20个交易日各行业的机构资金主动买入与主动卖出的净差额，作为该行业的机构资金净流入额[35][38]。 2. 散户资金净流入 * **因子名称**：散户资金流入[37] * **构建思路**：个人投资者易受“羊群效应”影响，其资金往往在市场泡沫期流入、底部流出，交易方向可作为负向参考指标[31][34]。 * **具体构建过程**：将挂单金额小于4万元的主动成交行为定义为散户资金。计算过去20个交易日各行业的散户资金主动买入与主动卖出的净差额，作为该行业的散户资金净流入额[35][38]。 * **因子评价**：散户资金净流入表现为明显的负向关系，其空头筛选能力相对更强[38][42]。 三、技术面（量价）因子 1. 传统动量因子 * **因子名称**：动量_504d、动量_252d[47] * **构建思路**：利用行业价格的历史趋势（动量）来预测未来走势，是行业轮动中的经典指标[46]。 * **具体构建过程**：计算行业指数在过去N个交易日（如504天或252天）的累计收益率。 $$动量_N = \frac{当前价格}{N日前价格} - 1$$ [47] 2. 动量加速度因子 * **因子名称**：动量加速度[56] * **构建思路**：在传统一阶动量的基础上，通过计算趋势的边际变化率（近似二阶导）来刻画价格趋势的强弱变化，反映投资者短期交易情绪[52]。 * **具体构建过程**：对行业的超额收益曲线进行二次函数拟合，根据所得二次项系数（切线系数）来判断价格上涨或下跌的加速度[52][53]。 * **因子评价**：动量加速度通过二阶导方式进一步挖掘趋势信息，长期具有较好的行业选择效果[53]。 3. 行业内趋同度因子 * **因子名称**：行业内涨跌幅趋同度[74] * **构建思路**：衡量同行业内个股涨跌幅的一致性。趋同度上升意味着行业上涨逻辑得到个股层面的广泛确认，可能强化趋势；反之则意味着内部分化，趋势持续性存疑[73]。 * **具体构建过程**：为避免行业结构差异带来的偏误，采用趋同度的变化率而非绝对值进行分析。例如，计算当前行业内个股收益率的离散度指标（如标准差）与过去一段时间均值的比较[74]。 4. 交易拥挤度因子 * **因子名称**：交易拥挤度[66] * **构建思路**：衡量行业交易的活跃和过热程度。在不同市场阶段，高拥挤度的含义不同，需结合其他因子（如动量）进行分域判断[64][67]。 四、复合与分域模型 1. 多因子合成模型 * **模型名称**：合成因子（传统多因子框架）[61] * **模型构建思路**：将基本面、资金面、技术面等多个维度的有效因子进行线性合成，得到对行业的综合打分[63]。 * **模型具体构建过程**：报告未详细说明各因子的具体权重分配方法，但展示了合成后的因子表现[61]。 2. 因子分域轮动模型 * **模型名称**：基于因子分域的行业轮动模型[80] * **模型构建思路**：因子的有效性并非一成不变，依赖于市场状态、行业属性等“域”条件。该模型以动量状态作为分域依据，在不同域内动态调整其他量价因子的使用逻辑，以适应结构性行情[68][75]。 * **模型具体构建过程**： 1. **动量分域**：每期将全部行业按历史动量排序，等分为高、中、低三组[83]。 2. **分组差异化处理**： * **高动量组与低动量组**：采用定向因子处理规则。例如，在低动量组，对“行业内趋同度”因子取负绝对值（即 `-|D|`），以惩罚趋同度偏高或偏低的行业[83]。 * **中动量组**：仍按照各因子传统的IC方向进行线性合成[83]。 3. **模型整合**：将上述处理结果作为量价因子的升级模块，替换原有行业轮动模型中的标准化量价部分，形成新的轮动框架[82]。 * **模型评价**：相比传统多因子线性合成，分域方法能够更灵活地应对市场波动，实现更精细化的因子配置，在行业轮动加速的环境下表现更优[68][89]。 模型的回测效果 1. 多因子合成模型（传统框架） * Rank_IC: 9.89%[61] * IC_IR: 40.07%[61] * IC>0比例: 67.26%[61] * 五分组年化收益(Q1至Q5): -4.97%， 0.04%， -2.64%， 4.34%， 7.21%[61] * 策略年化收益率: 7.71%[91] * 年化波动率: 20.38%[91] * 夏普比率: 0.38[91] * 最大回撤: 41.55%[91] 2. 因子分域轮动模型（改进后框架） * Rank_IC: 11.69%[85] * IC_IR: 45.96%[85] * IC>0比例: 69.16%[85] * 五分组年化收益(Q1至Q5): -8.16%， -3.64%， 0.22%， 3.70%， 8.30%[85] * 策略年化收益率: 9.41%[91] * 年化波动率: 20.90%[91] * 夏普比率: 0.45[91] * 最大回撤: 35.91%[91] 因子的回测效果 （注：以下为报告中部分代表性因子的IC表现，测试基准与窗口期一致） 1. 一致预期因子 * **预测净利润(Y2)_chg_3m**: * Rank_IC: 6.17%[6] * IC_IR: 25.22%[6] * IC>0比例: 63.03%[6] * 五分组年化收益(Q1至Q5): -4.44%， -3.83%， -2.86%， 2.56%， 2.77%[6] 2. 成长基本面因子 * **单季度:净利润环比增速**: * Rank_IC: 3.86%[17] * IC_IR: 19.07%[17] * IC>0比例: 54.96%[17] * 五分组年化收益(Q1至Q5): 0.04%， -0.29%， 0.33%， 4.21%， 4.81%[17] * **单季度:毛利率同比增速**: * Rank_IC: 3.63%[17] * IC_IR: 17.62%[17] * IC>0比例: 56.69%[17] * 五分组年化收益(Q1至Q5): -4.60%， -3.89%， -2.68%， -2.09%， 0.87%[17] 3. 质量基本面因子 * **现金流净利润比**: * Rank_IC: 4.90%[20] * IC_IR: 25.01%[20] * IC>0比例: 58.78%[20] * 五分组年化收益(Q1至Q5): -2.17%， 1.37%， 1.36%， 4.67%， 3.88%[20] 4. 资金面因子 * **机构资金流入**: * Rank_IC: 5.09%[37] * IC_IR: 18.97%[37] * IC>0比例: 59.23%[37] * **散户资金流入**: * Rank_IC: -3.79%[37] * IC_IR: -13.41%[37] * IC>0比例: 42.31%[37] 5. 技术面因子 * **动量_504d**: * Rank_IC: 4.49%[47] * IC_IR: 14.08%[47] * IC>0比例: 61.68%[47] * 五分组年化收益(Q1至Q5): -2.02%， -3.91%， 0.35%， 1.79%， 4.01%[47] * **动量加速度**: * Rank_IC: 3.80%[56] * IC_IR: 12.58%[56] * IC>0比例: 55.65%[56] * 五分组年化收益(Q1至Q5): -3.11%， -1.59%， -2.97%， 1.99%， 2.44%[56]

核心观点 报告认为，2025年可转债市场在股市β行情驱动下经历了显著上涨，但当前已进入“深水区”，面临估值高企、供给收缩、投资难度加大的困境[2][12] 展望2026年，宏观基本面拐点渐近与增量资金持续入市为权益市场提供支撑，但转债市场可能呈现“弱贝塔”特征[2][12] 在此背景下，投资策略需“节奏为先，革新求变”，通过动态调仓跟随股市周期，并采用行业等权指数化配置来捕捉快速轮动的机会，同时关注下修博弈收益压缩和强赎的双刃剑效应[2] 第一部分 2025年转债复盘 - **市场走势复盘：平价与估值共振上涨，β行情主导** 2025年股市创2015年以来新高，中证转债指数全年上涨17.87%[2] 行情可分为四个阶段：1-2月流动性宽裕与经济温和复苏驱动转债快速上涨，以平价驱动为主；3-4月因CPI转负和外围扰动出现回调，估值压缩放缓形成支撑；5-9月基本面预期转好与风险偏好改善迎来主升浪；9月后获利回吐压力加大，市场横盘震荡，估值再度企稳托底[2][12] - **行业轮动特征：与正股节奏一致但幅度存异，债底保护作用显现** 可转债与对应正股的板块轮动节奏基本一致，但涨跌幅度存在明显差异[16] 行情前期，AI等科技板块上涨时，转债涨幅通常弱于正股；而在后期顺周期板块接力过程中，转债表现则反超正股[16] 在多数板块调整中，转债展现出一定的债底保护作用，尤其在消费板块（如轻工制造、美容护理）调整时，转债跌幅远小于正股甚至逆势上涨[16] - **当前困境：市场进入“深水区”，整体性价比显著下降** 当前转债市场面临多重问题：1) **估值处于历史高位**：百元溢价率已突破30%，双低值中位数突破170，均进入历史警戒区间[2][27][28] 2) **价格中枢上移且波动放大**：全市场转债价格中位数达132元，平均价格142元[2] 3) **供给持续收缩**：存量规模年内下降1538亿元，104只转债已退市，市场从“增量博弈”变为“减量博弈”[2][21] 4) **跟涨能力减弱**：高溢价环境下，转债对正股可能出现“跟涨不足、跌时更甚”的弱势特征，传统防御属性被削弱[2][27] 5) **热门赛道标的稀缺**：算力板块债券余额从年初的375.41亿元降至不足200亿元，机器人板块从369.43亿元降至150亿元左右，待发转债集中于电子、电力设备等五大行业，占比超73%[2][21][104] - **债底防御能力下降**：随着估值抬升，低价券价格中枢上移，安全边际收窄，其“进可攻、退可守”的作用在下降，债性券的收益空间已接近天花板[33] 第二部分 2026年股市展望 - **基本面：企业盈利见底回升，流动性出现拐点** 全A企业盈利下行周期通常持续7到9个季度，目前业绩增速已基本见底，开始进入上行周期[45] 2025年三季报显示，A股上市公司归母净利润同比增长数据明显好转[45] 流动性方面，M1同比在2024年9月后出现明显拐点，扭转了此前流动性匮乏的局面，而M1对A股往往具有领先作用[47] - **资金面：存款搬家与中长期资金入市提供增量支撑** 中国居民储蓄占比持续提高，随着房地产逐步退出居民资产配置的核心位置，股市有望成为新的资金蓄水池[52] 政策明确引导中长期资金入市，如公募基金持有A股流通市值未来三年每年至少增长10%，大型国有保险公司从2025年起每年新增保费的30%用于投资A股[56] 此外，固收+基金规模在2025年三季度已逼近2021年高点，且股票仓位明显抬高，为股市带来充足增量资金[66] - **市场特征：行业轮动进入“快节奏”模式** 2022年以来，A股行业轮动显著加快，领涨行业的持续时间缩短，参与轮动的行业数量增多，市场呈现“普涨快切”特征[68] 为应对加速的轮动，可关注日历效应，历史数据显示A股呈现明显的月度轮动规律，例如2月TMT板块（通信、计算机超额收益超6%）、7月周期股（钢铁、有色）表现突出[73] - **配置方向：关注“反内卷”政策与“十五五”科技规划** “反内卷”政策已被纳入《价格法》，并在新能源、光伏等重点行业取得阶段性成果，推动相关产品价格企稳回升及10月PPI环比年内首次转正[81] “十五五”规划进一步确定了科技发展方向，新兴产业从“经济增长引擎”转变为“经济增长支柱”，未来产业重在抢占先机[85] 以通信和电子行业为代表的科技公司资本开支增速在2024年中之后已转正[85] 第三部分 2026年转债展望及配置思路 - **配置价值：转债在资产配置中具备高夏普优势** 长期来看，在纯债组合中加入转债能显著提升风险调整后收益[97] 例如，纯债90-转债10组合在2021-2025年的夏普比率达1.41，卡玛比率达3.38，均显著优于纯债90-红利10组合（夏普0.88，卡玛2.66），且年化波动率更低（1.23% vs 1.80%）[97] - **供给端：持续趋紧，存量流失难以弥补** 截至2025年11月21日，转债存量规模年内已下降1538.05亿元，而待发转债获批规模有限（发审委与证监会核准合计118.52亿元），无法弥补缺口[104] 待发转债高度集中于电子、电力设备、汽车、基础化工和机械设备五大行业，合计占比73.67%，加剧了对结构性行情的依赖[104] - **投资者结构：公募基金占比提升，ETF影响增大** 2024年10月后，公募基金持有的转债规模占比从34%左右快速上升至当前的42%[109] 其中，可转债ETF的持有占比已超过10%，其申赎行为对市场影响显著增加，反映了指数化投资需求的上升[109] - **条款博弈：下修收益压缩，强赎呈双刃剑效应** 下修博弈空间显著收窄，下修数量从2020年的10只攀升至2024年的168只后，市场定价已较充分[2][121] 强赎条款冲击加大，如恒邦转债公告后二十日内转债跌13.74%、正股跌15.56%，中富转债转债跌28.20%、正股跌35.10%[2][126] 但部分转债强赎后溢价率压缩至0，利空出尽反而迎来上涨行情，如景23转债、天赐转债[2][126] - **配置节奏：应动态跟随股市周期调整仓位** 股市下跌后半段至上行前半段是转债的最佳加仓窗口，此时估值低位、期权价值被压缩，反弹空间大[133] 股市上涨后半段及下跌初期应逐步减仓，规避高位回调风险[133] 可通过信号把握节奏，如股指较前期高点回撤超20%、转股溢价率压缩至历史低位时为加仓信号[133] - **策略选择：进攻型策略全年领先，防御型策略性价比回归** 在2025年的流动性牛市中，高价低溢价策略表现最佳，因子回报达28.56%，夏普比率2.32[134] 质量成长、盈利成长等复合因子策略也表现优异[2] 但近期市场波动放大，防御型的双低策略配置性价比逐步回归，后续防御价值有望重新显现[2]

市场开盘表现 - 12月5日A股三大指数开盘涨跌不一，沪指跌0.07%，深成指涨0.1%，创业板指涨0.55% [1] - 汽车拆解、玻纤、HBM等板块指数涨幅居前 [1] - 有色·锑、林业、铁矿石等板块指数跌幅居前 [1] 东吴证券市场与配置观点 - 从日历效应看，本月市场或呈现均衡偏中大盘特征，小盘成长股弱势轮动 [1] - 配置上应立足中期视角，兼顾短期择时，在估值适中、机构低配、波动率收敛的板块和行业中选择景气边际改善的品种 [1] - 关注全球供给重塑及金融属性加持的周期品、受益于政策刺激和结构升级的消费品以及能以业绩验证预期的先进制造 [1] 华创证券市场与行业观点 - 短期看行业轮动强度回升，科技主线向红利、“反内卷”资产的扩散已事实发生，轮动强度分位已回升至2021年以来52%分位 [2] - 中长期看，政策与产业周期两方面共同带动“反内卷”加速 [2] - PPI同比表征的通胀水平已由前低-3.6%收窄至10月-2.1%，红利资产中权重较高的周期资产业绩有望受益 [2] - 叠加长钱入市持续，价格端的盈利估值贡献可期 [2]

贵金属价格近期表现 - 白银伦敦现货价格于11月28日单日暴涨5.8%至每盎司56.52美元，随后突破10月17日的历史高点，并在12月3日亚洲交易时段涨至58.94美元，价格较年初已涨至2倍以上 [2] - 黄金伦敦现货价格于12月1日涨至每盎司4264.29美元，创近1个月新高；同日，日本田中贵金属工业公布的零售价达每克23383日元，刷新历史最高点 [8] - 白金伦敦现货价格于12月1日达每盎司1713美元，逼近10月创出的12年半以来最高点 [8] 驱动价格上涨的核心因素 - 市场对美联储降息预期强烈，认为12月FOMC会议启动降息的可能性提高至近9成，利率降低提升了不产生利息的黄金和白银的投资价值 [9] - 市场担忧美联储主席人事调整可能影响其独立性，若美联储按政府意向推出货币政策，将促使资金从美元资产分散至贵金属这类无国籍资产 [8] - 白银市场存在结构性供应问题，10月曾出现历史性供应短缺，虽然后续有所缓解，但供应量未增加，问题未根本解决，市场估值维持高位 [4][5] 资金流向与市场情绪 - 市场出现资金从估值隐忧加强的人工智能相关股票转向贵金属的趋势，部分对冲基金等投机资金将抛售AI股票的闲置资金投向行情好的贵金属 [10] - 投资者对AI相关股等涨幅较大的股票采取避险态度，与去年末相比，英伟达等AI股上涨乏力，而白银和黄金再次上涨，走势呈现两极化 [10] - 在美国国债风险上升的背景下，为对冲风险资产而将资金转移至黄金的动向持续，并可能因近期抛售AI股而加速 [12] 行业前景与价格预测 - 日本贵金属市场协会代表理事预测，银价到2026年可能达到每盎司70美元左右，较当前上涨近2成，并指出若条件叠加，达到100美元也不奇怪 [5] - 白银因其价格波动较大被称为“恶魔金属”，此次主导上涨，其价格的大幅波动作为扩大投资对象的“行业轮动”一环正被看好 [12] - 只要市场对AI股过度上涨的警惕仍然存在，对贵金属的买入就有可能继续下去 [12]

风格轮动模型信号 - 2025年第四季度大小盘风格轮动模型综合分数为-1，发出小盘配置信号[3] - 2025年第四季度价值成长风格轮动模型综合分数为-3，发出成长配置信号[4] 行业轮动模型表现与观点 - 11月复合因子策略超额收益为-0.58%，单因子多策略超额收益为-0.83%[4] - 12月单因子多策略推荐配置多头行业为银行、建筑、有色金融、非银行金融、电力设备及新能源[4] - 12月复合因子策略推荐配置多头行业为通信、综合金融、计算机、电力设备及新能源、电力及公用事业[4] 核心配置观点 - 第四季度风格轮动模型整体发出小盘、成长信号[1][2] - 电力设备及新能源行业在12月单因子策略和复合因子策略中均被推荐为多头配置行业[1][2][4]

核心观点 - 报告核心观点为资产配置策略在12月出现分化，低波动策略倾向于增持债券、减持黄金，而中高波动策略则加仓权益、减仓固收；同时，行业轮动策略转向推荐有色金属、基础化工、农林牧渔及通信等板块 [4][46] 资产配置策略 - 动态全天候策略（低波策略）基于宏观风险因子（高通胀、汇率贬值、事件冲击）进行负面剔除式资产配置，2025年以来年化收益为6.7%，卡玛比为4.7 [10][11] - 12月低波策略仓位调整：小幅增持债券，小幅减持黄金 [13][14] - 中低波策略（动态全天候+MVO增强）结合了被动分散与主动增强，2025年以来年化收益为9.0%，高于纯动态全天候策略的6.7% [4][16] - 12月中低波策略仓位调整：小幅加仓权益，小幅减仓债券 [21] - 主动型资产配置策略（中高波策略）通过收益预测增强，2025年以来年化收益达22.0%，卡玛比为3.3 [4][23] - 12月中高波策略仓位调整：显著加仓权益，大幅减仓债券 [26] 行业轮动策略 - 行业轮动策略基于股债市场的四种状态（股强债弱/股弱债强/股债双强/股债双弱）挖掘行业价格规律，2025年以来样本外年化收益达35.8%，显著跑赢中证800指数（17.4%）和偏股混合型基金指数（28.3%） [31][32] - 12月行业推荐主要聚焦于有色金属、基础化工、农林牧渔及通信板块 [35] - 实操中提供两种方案：方案一（保留上期前五且本期在前十的行业）更稳健；方案二（每月取前五行业）对信号变化更敏感 [34] ETF策略 - ETF行业轮动策略通过匹配与申万一级行业相关性高的ETF来实施，2025年以来年化收益为33.0% [36] - 12月ETF行业轮动策略推荐有色金属ETF、养殖ETF、化工ETF、通信ETF等 [39][41] - 基于ETF的资产配置策略用行业ETF替代权益指数，用债券ETF复制债券指数，形成低、中低、中高波三种组合，其2025年化收益分别为6.6%、11.1%和15.0% [43] - 12月ETF资产配置仓位变化：低波策略加仓债券ETF、减仓黄金ETF；中波策略加仓行业轮动组合（代表权益）、减仓债券ETF [45]

量化模型与构建方式 1. 模型名称：基于宏观状态识别的多资产配置模型 - **模型构建思路**：借鉴美林时钟思路，通过宏观因子识别市场状态，采用马尔可夫转移模型识别宏观状态，构建动态风险预算组合[33] - **模型具体构建过程**： 1. 构建综合增长因子和综合通胀因子来挖掘股票投资价值[34] 2. 增长因子考虑PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额5个指标[34] 3. 通胀因子考虑CPI和PPI2个指标[34] 4. 采用流动性因子（M1同比）用于债市风险监控[34] 5. 采用ERP（股权风险溢价）、EP（1/PE）和BP（1/PB）指标构建股债性价比因子[34] 6. 通过美元指数、央行购金和汇率等因素构建黄金投资因子[34] 7. 采用多目标优化模型进行业绩增强，将资产动量纳入考量，构建目标波动率为5%、10%和15%的稳健、平衡和积极组合[37] 8. 限制黄金、美股和港股的投资比例上限为10%，并根据宏观状态信号动态月度调整风险预算[37] 2. 模型名称：六维度行业轮动模型 - **模型构建思路**：在月频进行轮动，涵盖宏观、财务、分析师预期、ETF份额变动，公募基金/优选基金仓位动量、事件动量多个维度[39] - **模型具体构建过程**： 1. 宏观维度刻画行业的经济周期动量效应[39] 2. 财务维度从三大报表出发优选财务状况较好的行业[39] 3. 分析师预期维度展示分析师预期边际上调的行业动量效应[39] 4. ETF份额变动逻辑为超卖行业ETF反转[39] 5. 公募基金/优选基金仓位动量刻画公募基金/优选基金重仓行业的动量效应[39] 6. 事件动量效应的逻辑是事件发生时的市场惯性（非线性行业动量）[39] 3. 模型名称：陪伴式偏股增强FOF组合模型 - **模型构建思路**：构建以Alpha为主、拥挤度为辅的动态多因子选基模型，通过季度调整选基金因子与权重进行组合优化[46] - **模型具体构建过程**： 1. 基金初选池筛选条件为：成立满2年3个月；近2年平均股票仓位不低于60%的普通股票型、偏股混合型、灵活配置型、平衡混合型；基金规模不低于2亿元；任期最长的在任基金经理至少任职满1年；剔除定开和持有期基金[46] 2. 因子优选以Alpha类因子为主、拥挤度因子为辅，各调仓日筛选过去两年IC、IR表现较好的因子分配剩余权重[46] 3. 组合构建时，每期根据复合因子值大小取前30只基金加权构建FOF组合，季度末调仓[46] 4. 模型名称：陪伴式宽基增强FOF组合模型 - **模型构建思路**：构建相对宽基指数的主动权益增强策略，控制组合相对基准的行业板块暴露和市值风格暴露以控制跟踪误差，最大化组合的复合因子得分[53] - **模型具体构建过程**： 1. 单只基金复合因子计算基于Alpha为主、拥挤度为辅的动态多因子选基模型[53] 2. 优化模型如下： $$max\sum_{i=1}^{N}f_{i}\times w_{i}\quad\text{s.t.}\quad\left|\sum_{i}w_{i}\times\beta_{ij}-B_{j}\right|\leq k_{1},\ \ \left|\sum_{i}w_{i}\times p_{ij}-P_{j}\right|\leq k_{2},\ \ \sum_{i}w_{i}=1,\ \ 0\leq w_{i}\leq w_{max}.$$ 其中，$$f_i$$为基金i的复合因子得分，$$w_i$$为组合对基金i的配置权重，$$\beta_{ij}$$为基金i对板块j的配置权重，$$B_j$$为基准对板块j的配置权重，$$k_1$$为组合的板块偏离度上限，$$p_{ij}$$为基金i对市值j的配置权重，$$P_j$$为基准对市值j的配置权重，$$k_2$$为组合的风格偏离度上限，$$w_{max}$$为单只基金最高配置权重[53] 3. 季度末调仓[53] 5. 模型名称：长期能力因子模型 - **模型构建思路**：基于Brinson模型，结合行业指数以及主动权益基金视角，构造行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时四个分项[64] - **模型具体构建过程**： 1. 引入风格因素，将基金超额收益中的选股以及配置项从行业和风格两个角度进行分解，引入交叉项，分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项[64] 2. 对因子构造施加基于公募主动权益基金抱团热度的因子择时信号，当抱团因子处于前30%分位点以下时，修改行业配置为行业-风格配置因子，加入风格选股因子；当抱团程度过热（前20%分位点）时，不使用选股因子[65] 3. 将交易倾向因子作为负向筛选指标加入，在市场交易热度上升时给予交易因子更高权重，降温时给予低权重[65] 4. 半年度调仓，剔除不可申赎基金[65] 6. 模型名称：KF-Alpha+交易FOF组合模型 - **模型构建思路**：对基金季报持仓进行猜测补全，在季度层面实现业绩拆分；基于卡尔曼滤波的行业测算，通过基金业绩-高精度估算净值构造基金KF-Alpha因子，体现基金行业内选股能力[70] - **模型具体构建过程**：通过更高频的季度层面数据，构造KF-Alpha+季度交易能力的基金组合[70] 7. 模型名称：五层递补可交易指数轮动策略 - **模型构建思路**：在行业轮动组合基础上，构建5层递补可交易指数轮动策略，解决某些行业交易量小或跟踪指数少导致的规划求解困难[77] - **模型具体构建过程**： 1. 第一层：原始规划求解方法，给定5行业不变，备选池为全体指数[77] 2. 第二层：根据指数持仓，将全市场成交规模较高行业和预期收益较高行业交叉保留强势行业[77] 3. 第三层：根据指数持仓，在给定5行业中剔除全体指数共同持仓较少行业[77] 4. 第四层：估算仓位法规划求解[77] 5. 第五层：持仓对比法求解[77] 6. 标的池选择成立超过24个月的ETF，月频调仓[77] 8. 模型名称：多层次主动权益基金池体系 - **模型构建思路**：构建涵盖各个赛道和风格优秀基金的选基工具箱，以定量评分为主，辅以定性验证[87] - **模型具体构建过程**： 1. 风格划分基于基金价值和成长因子的绝对标签和相对得分，将主动权益基金分为深度价值、价值、价值成长、均衡成长、成长五大类[88] 2. 行业配置方面，将满足一定行业配置特点的基金划分为六大板块赛道基金、行业均衡基金、中观配置基金[88] 3. 对基金评价业绩指标进行检验，指标区间包含6个月、1年和2年，选取相对有效的因子构建基金评价指标体系，包含收益指标、风险调整收益指标、风险指标、投资能力指标、持有体验指标和规模指标六大类[88] 4. 每个季度末和半年报/年报披露的月末进行更新[87] 模型的回测效果 1. **全球配置ETF组合**，近一月绝对收益-0.02%，年初以来绝对收益7.85%[30] 2. **行业轮动模型**，近一月绝对收益-0.81%，近一月超额收益（相对行业等权）0.09%，年初以来绝对收益42.93%，年初以来超额收益18.97%[30] 3. **陪伴式偏股增强FOF**，近一月绝对收益-2.76%，近一月超额收益（相对万得偏股）-0.31%，年初以来绝对收益23.94%，年初以来超额收益-5.29%[30] 4. **陪伴式300增强FOF**，近一月绝对收益-2.66%，近一月超额收益（相对沪深300）-0.20%，年初以来绝对收益20.16%，年初以来超额收益5.12%[30] 5. **陪伴式800增强FOF**，近一月绝对收益-2.08%，近一月超额收益（相对中证800）0.81%，年初以来绝对收益17.56%，年初以来超额收益0.55%[30] 6. **风格轮动基金组合**，近一月绝对收益-2.36%，近一月超额收益（相对主动权益基金）-0.47%，年初以来绝对收益16.28%，年初以来超额收益-5.87%[30] 7. **长期能力组合**，近一月绝对收益-3.44%，近一月超额收益（相对主动权益基金）-1.57%，年初以来绝对收益23.91%，年初以来超额收益0.30%[30] 8. **KFAlphaFOF组合**，近一月绝对收益-2.63%，近一月超额收益（相对万得偏股）-0.18%，年初以来绝对收益24.72%，年初以来超额收益-3.49%[32] 9. **行业轮动基金组合**，近一月绝对收益-1.97%，近一月超额收益（相对主动权益基金）-0.07%，年初以来绝对收益52.17%，年初以来超额收益23.18%[32] 10. **行业轮动ETF组合**，近一月绝对收益-0.76%，近一月超额收益（相对万得全A）1.50%，年初以来绝对收益50.22%，年初以来超额收益21.56%[32] 11. **长期能力因子组合**，全时段年化收益15.82%，相对基准超额年化收益8.37%，信息比1.04[71] 12. **风格轮动FOF组合**，全时段年化收益17.37%，相对基准超额年化收益9.42%，信息比1.15[72] 13. **KF-Alpha+交易FOF组合**，全时段年化收益16.14%，相对基准超额收益8.16%，信息比1[73] 14. **行业轮动基金组合**，全时段年化收益22.74%，相对基准超额收益14.84%，信息比1.22[78] 15. **行业轮动ETF组合**，全时段年化收益22.74%，相对基准超额收益17.79%，信息比1.72[78] 16. **多维复合行业轮动策略**，2012年以来多头年化收益28%，年化超额行业等权18.1%，月度超额胜率70%；2019年以来年化超额行业等权40.12%，月度胜率75%[42] 17. **全球配置ETF组合（目标波动率5%）**，2025年以来收益约6.6%，2011-2025年的年度收益胜率为93%[38] 量化因子与构建方式 1. 因子名称：宏观因子（增长因子、通胀因子、流动性因子、黄金因子等） - **因子构建思路**：通过宏观层面的经济增长、通胀、流动性、货币政策、美元指数、汇率、央行购金等指标及因子，识别宏观状态，评估资产配置价值[33][34] - **因子具体构建过程**： 1. **增长因子**：考虑PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额5个指标[34] 2. **通胀因子**：考虑CPI和PPI2个指标[34] 3. **流动性因子**：采用M1同比来衡量，用于债市风险监控[34] 4. **股债性价比因子**：采用ERP（股权风险溢价指标）、EP（1/PE）和BP（1/PB）指标构建，监控股市极端情况[34] 5. **黄金因子**：通过美元指数、央行购金和汇率等因素构建，衡量黄金的动态配置价值[34] 2. 因子名称：行业轮动子维度因子 - **因子构建思路**：从宏观、财务、分析师预期、ETF份额变动，公募基金/优选基金仓位动量、事件动量多个维度构建行业轮动因子[39] - **因子具体构建过程**： 1. **宏观维度因子**：刻画行业的经济周期动量效应[39] 2. **财务维度因子**：从三大报表出发优选财务状况较好的行业[39] 3. **分析师预期因子**：展示分析师预期边际上调的行业动量效应[39] 4. **ETF份额变动因子**：逻辑为超卖行业ETF反转[39] 5. **公募基金/优选基金仓位动量因子**：刻画公募基金/优选基金重仓行业的动量效应[39] 6. **事件动量因子**：逻辑是事件发生时的市场惯性（非线性行业动量）[39] 3. 因子名称：选基金复合因子（Alpha类因子、拥挤度因子） - **因子构建思路**：以Alpha类因子为主、拥挤度因子为辅，动态调整选基金因子与权重[46] - **因子具体构建过程**：各调仓日筛选过去两年IC、IR表现较好的因子分配剩余权重，构建复合因子[46] 4. 因子名称：长期能力因子（择时、交易、配置等） - **因子构建思路**：基于Brinson模型和业绩分解模型，结合风格因素，从选股和择时角度构建长期能力因子[64] - **因子具体构建过程**： 1. 构造行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时四个分项[64] 2. 引入风格因素，将基金的选股和配置超额收益从行业和风格两个角度进行分解，引入交叉项，分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项[64] 3. 引用经典的H-M和T-M模型计算基金的择时能力[64] 4. 最终构建的长期能力选基金因子包含TM模型构造的择时项以及业绩分解模型构造的行业配置和交易两项[64] 5. 因子名称：KF-Alpha因子 - **因子构建思路**：基于卡尔曼滤波的行业测算，通过基金业绩-高精度估算净值构造，更好体现基金行业内选股能力[70] - **因子具体构建过程**：对基金季报持仓进行猜测补全，在季度层面实现业绩拆分，构造KF-Alpha因子[70] 6. 因子名称：基金评价指标体系因子 - **因子构建思路**：对常用的基金评价业绩指标进行检验，选取相对有效的因子构建基金评价指标体系[88] - **因子具体构建过程**：指标体系包含收益指标、风险调整收益指标、风险指标、投资能力指标、持有体验指标和规模指标六大类，评价时间维度为近2年[88] 因子的回测效果 1. **长期能力因子**，全时段年化收益15.82%，相对基准超额年化收益8.37%，信息比1.04[71] 2. **风格轮动因子（结合长期能力因子）**，全时段年化收益17.37%，相对基准超额年化收益9.42%，信息比1.15[72] 3. **KF-Alpha+交易因子**，全时段年化收益16.14%，相对基准超额收益8.16%，信息比1[73] 4. **行业轮动多维度因子**，2012年以来应用该因子的策略年化收益28%，年化超额行业等权18.1%，月度超额胜率70%；2019年以来年化超额行业等权40.12%，月度胜率75%[42] 5. **基金评价综合得分因子（风格池内）**，长期来看，各风格池内综合得分排名靠前基金整体表现均跑赢中证偏股；成长风格基金在2015年、2019-2020年业绩弹性突出；2022-2024年价值风格占优[90] 6. **基金评价综合得分因子（赛道池内）**，医药、TMT、周期板块优选基金表现突出，年内优选基金分别上涨50.82%、44.27%、37.68%，相对全部赛道基金有超额[97] 7. **基金优选池综合因子**，长期相较于万得偏股基金指数和沪深300取得超额收益；单年度业绩均跑赢万得偏股基金指数；2019-2023年均跑赢沪深300[102]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 12月1日转债缩量上涨、估值环比抬升；中证转债指数等主要指数多数上涨；大盘成长相对占优；转债市场成交情绪减弱；转债中枢提升、高价券占比提升、估值抬升；正股行业普涨，转债市场部分行业下跌[1][2][3] 各部分总结 市场概况 - 12月1日转债缩量上涨、估值环比抬升；中证转债指数环比上涨0.10%，上证综指、深证成指、创业板指、上证50指数、中证1000指数均环比上涨；大盘成长相对占优，大盘成长环比上涨1.42%；转债市场成交情绪减弱，可转债市场成交额为536.24亿元，环比减少9.67%，万得全A总成交额为18894.49亿元，环比增长18.26%，沪深两市主力净流出3.43亿元，十年国债收益率环比降低0.46bp至1.84% [1] 转债价格 - 转债中枢提升，整体收盘价加权平均值为132.54元，环比上升0.08%；偏股型转债收盘价为186.69元，环比下降0.96%，偏债型转债收盘价为119.34元，环比下降0.13%，平衡型转债收盘价为129.21元，环比上升0.26%；130元以上高价券个数占比54.55%，较昨日环比上升0.51pct，占比变化最大的区间为110 - 120（包含120），占比11.36%，较昨日下降0.76pct，收盘价在100元以下的个券有0只；价格中位数为131.05元，环比上升0.24% [2] 转债估值 - 估值抬升，百元平价拟合转股溢价率为31.50%，环比上升0.04pct，整体加权平价为100.63元，环比上升0.61%；偏股型转债溢价率为13.23%，环比下降1.44pct，偏债型转债溢价率为80.74%，环比下降1.32pct，平衡型转债溢价率为25.17%，环比下降0.24pct [2] 行业表现 - 12月1日正股行业普涨，27个行业上涨，涨幅前三的行业为有色金属（+2.85%）、通信（+2.81%）、电子（+1.58%），跌幅前三的行业为农林牧渔（-0.43%）、环保（-0.23%）、房地产（-0.06%）；转债市场15个行业下跌，跌幅前三的行业为环保（-3.58%）、钢铁（-1.37%）、家用电器（-1.01%），涨幅前三的行业为通信（+0.85%）、电子（+0.82%）、煤炭（+0.66%） [3] - 收盘价方面，大周期环比 - 0.72%、制造环比 - 0.29%、科技环比 + 0.48%、大消费环比 - 0.20%、大金融环比 - 0.08% [3] - 转股溢价率方面，大周期环比 - 0.74pct、制造环比 - 0.53pct、科技环比 - 1.1pct、大消费环比 - 0.034pct、大金融环比 - 1.1pct [3] - 转换价值方面，大周期环比 - 0.47%、制造环比 + 0.26%、科技环比 + 1.17%、大消费环比 - 0.20%、大金融环比 + 0.79% [3] - 纯债溢价率方面，大周期环比 - 0.94pct、制造环比 - 0.51pct、科技环比 + 0.67pct、大消费环比 - 0.24pct、大金融环比 - 0.11pct [4] 市场主要指数表现 - 展示了中证转债、可转债等权、可转债指数、可转债预案、上证综指、深证成指、创业板指、上证50、中证1000等指数的收盘价、日涨跌幅、近一周、近一月、2025年初至今涨跌幅 [7] 市场资金表现 - 可转债市场成交额536.24亿，万得全A成交额18894.49亿；10年国债收益率环比降低0.46BP，转债利差变动 + 0.01PCT；沪深两市主力净流入 - 3.43亿元 [8][11][12] 转债估值相关 - 百元平价拟合溢价率为31.5%，环比 + 0.04pct，处于2019年以来98.50%分位数；估值修复指数为26.82%，环比 - 0.06pct；整体加权平均平价为100.63，环比 + 0.61%，价格中位数为131.05，环比 + 0.24%，处于2019年以来97.00%分位数 [17][20][22] 转债分类情况 - 按照股债性划分转股溢价率均下降，偏股型 - 1.44pct；正股市值30亿以下（含）转债价格 - 0.68%，正股市值500亿以上转股溢价率 - 1.33%；六个月内次新券相对上市首日收盘价涨跌幅均值 - 0.17pct，平均转股溢价率 - 1.30pct；破底占比0.25%，环比0.00pct；收盘价110元（含）以下占比2.03%，环比0.00pct [27][29][36][43] ETF份额情况 - 博时可转债ETF份额42.37亿份，净减少2790万份；海富通可转债ETF份额8.02亿份，净增加1010万份 [37][40] 行业轮动 - 有色金属、通信、电子领涨；展示了各行业正股和转债的日涨跌幅、周涨跌幅、月涨跌幅、年初至今涨跌幅以及正股估值分位数等数据 [56]

量化模型与构建方式 1. 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[22] - **模型构建思路**：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[22][34] - **模型具体构建过程**：模型通过计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度，具体构建过程未在报告中详细说明，但核心是识别具有向上趋势的行业[22][24] - **模型评价**：在趋势性行情中表现较好，但在市场风格从趋势转向反转时可能面临失效风险[23][34] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[30] - **模型构建思路**：基于门控循环单元（GRU）深度学习网络，利用分钟频量价数据生成行业因子，以把握短期交易信息并进行行业轮动[30][35] - **模型具体构建过程**：模型将分钟频量价数据输入GRU网络进行训练，生成各行业的GRU因子值，GRU作为一种循环神经网络，能够捕捉时间序列数据中的长期依赖关系，具体网络结构和训练参数未详细说明[30][35] - **模型评价**：在短周期内表现较好，对交易信息敏感，但在长周期表现一般，且可能因极端行情而失效[30][35] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年12月建议配置行业：有色金属、综合、钢铁、银行、电力设备及新能源、电子[23][27] - 本周平均收益：3.53%[27] - 本周超额收益（相对中信一级行业等权）：1.10%[27] - 11月以来超额收益：-0.11%[27] - 2025年以来超额收益：2.55%[22][27] 2. GRU因子行业轮动模型 - 2025年12月建议配置行业：综合、钢铁、银行、综合金融、商贸零售、农林牧渔[31] - 本周调入行业：钢铁[33] - 本周调出行业：房地产[33] - 本周平均收益：1.06%[33] - 本周超额收益（相对中信一级行业等权）：-1.43%[33] - 11月以来超额收益：1.58%[33] - 2025年以来超额收益：-4.45%[30][33] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[24] - **因子构建思路**：通过量化行业内个股的价格动量，合成一个代表行业整体趋势强弱的扩散指数[24] - **因子具体构建过程**：报告未提供具体的计算公式和构建步骤，但指出该因子用于衡量行业趋势强度，数值越高代表行业趋势越强[24][25] 2. GRU行业因子 - **因子名称**：GRU行业因子[31] - **因子构建思路**：利用GRU深度学习模型处理分钟频量价数据，输出代表行业短期强弱的因子值[31][35] - **因子具体构建过程**：报告未提供具体的计算公式和构建步骤，但指出该因子基于历史量价数据训练生成，用于行业轮动决策[31][35] 因子的回测效果 1. 行业扩散指数因子 - 截至2025年11月28日，因子排名前六的行业及取值：有色金属(0.994)、综合(0.961)、钢铁(0.939)、银行(0.937)、电力设备及新能源(0.902)、电子(0.853)[24] - 截至2025年11月28日，因子排名后六的行业及取值：食品饮料(0.343)、电力及公用事业(0.498)、交通运输(0.503)、房地产(0.548)、建筑(0.563)、石油石化(0.616)[24] - 周度环比变化提升前六的行业及变化值：建材(+0.197)、汽车(+0.185)、消费者服务(+0.158)、传媒(+0.153)、综合金融(+0.146)、计算机(+0.144)[26] - 周度环比变化下降后六的行业及变化值：石油石化(-0.058)、煤炭(-0.007)、银行(+0.002)、有色金属(+0.009)、农林牧渔(+0.033)、食品饮料(+0.043)[26] 2. GRU行业因子 - 截至2025年11月28日，因子排名前六的行业及取值：综合(4.42)、钢铁(3.9)、银行(0.5)、综合金融(0.43)、商贸零售(0.18)、农林牧渔(-0.33)[31] - 截至2025年11月28日，因子排名后六的行业及取值：通信(-15.26)、国防军工(-9.1)、电子(-8.71)、医药(-8.44)、计算机(-8.11)、房地产(-7.63)[31] - 周度环比变化提升较大的行业：综合、钢铁、综合金融[31] - 周度环比变化下降较大的行业：传媒、交通运输、家电[31]

根据提供的研报内容，以下是关于其中涉及的量化模型与因子的总结。 量化因子与构建方式 1. **因子名称：价格因子与产能因子（煤炭行业）**[10] * **因子构建思路：** 通过跟踪动力煤的价格和行业产能的同比变化，来估计煤炭行业的营收和利润增速[10]。 * **因子具体构建过程：** 报告未提供具体的计算公式，但构建过程涉及：1) 获取动力煤价格指数；2) 获取行业产能数据；3) 计算价格和产能的同比变化率；4) 基于同比变化率综合估计行业利润增速[10]。 2. **因子名称：出栏系数因子（畜牧养殖行业）**[15] * **因子构建思路：** 利用生猪出栏与能繁母猪存栏之间的稳定关系，构建出栏系数，并以此预测未来6个月的生猪潜在供给和供需缺口，从而判断肉价走势[15][16]。 * **因子具体构建过程：** 1. 计算历史出栏系数：$$出栏系数 = \frac{单季度生猪出栏量}{6个月前的能繁母猪存栏量}$$[15] 2. 预测未来潜在供给：$$6个月后单季潜在产能 = 当前能繁母猪存栏量 \times 上年同期出栏系数$$[15][16] 3. 预测未来潜在需求：以预测目标期（如26Q2）的上年同期单季度生猪出栏量作为潜在需求预测值[16][17] 4. 比较潜在供给与潜在需求，判断供需缺口。 3. **因子名称：单吨盈利因子（普钢行业）**[18] * **因子构建思路：** 通过跟踪普通钢材的综合售价以及铁矿石、焦炭、喷吹煤、废钢等主要成本指标，构建单吨盈利测算模型，用于预测普钢行业的利润增速[18]。 * **因子具体构建过程：** 报告未提供具体的计算公式，但构建过程涉及：1) 获取钢材综合售价；2) 获取各项主要原材料成本；3) 计算单位产品的毛利或利润。 4. **因子名称：裂解价差因子（燃料型炼化行业）**[27] * **因子构建思路：** 通过跟踪成品油价格与原油价格之间的差异（裂解价差），来测算炼化行业的利润情况[27]。 * **因子具体构建过程：** 报告未提供具体的计算公式，但构建过程涉及：1) 获取代表性成品油（如汽油、柴油）价格；2) 获取原油价格；3) 计算成品油价格与原油价格的差值或比值，即裂解价差。 模型的回测效果 *报告未提供针对上述因子的具体回测指标数值（如IC值、IR等）。* 量化模型与构建方式 1. **模型名称：行业景气度跟踪与配置信号模型**[9] * **模型构建思路：** 基于各行业的经营指标（如价格、成本、产能、供需等）预测其利润增速或盈利变化，并结合其他宏观经济指标（如PMI、商品房销售数据）生成行业配置观点（景气/中性）[9][24]。 * **模型具体构建过程：** 该模型是一个综合框架，其具体构建过程因行业而异： * **煤炭行业：** 结合价格因子和产能因子的预测结果，当预测利润增速无明显改善时，给出“中性”信号[10][14]。 * **畜牧养殖行业：** 使用出栏系数因子预测未来供需缺口，当供需大体均衡时，给出“中性”信号；若产能持续去化导致明显紧缺，则可能转为“景气”信号[15][16][17]。 * **普钢行业：** 使用单吨盈利因子预测利润，并结合PMI滚动均值的变化，当利润负增长且PMI趋势向下时，给出“中性”信号[18][21]。 * **结构材料与建筑工程：** 对于玻璃和水泥，基于盈利预测（如浮法玻璃毛利同比增速）和行业先行指标（如房屋新开工面积）生成信号；对于建筑装饰，则基于制造业PMI和商品房销售数据判断基建托底预期，从而生成信号[24][26]。 * **燃料型炼化与油服：** 使用裂解价差因子预测利润，并结合油价同比变化和新钻井数等指标生成配置信号[27][34][35]。 模型的回测效果 *报告展示了部分行业配置信号的历史回测图（如图2、图5、图9、图10），但未提供具体的模型回测指标数值（如年化收益率、夏普比率、最大回撤等）[11][22][28][37]。*