风格轮动模型信号 - Q4风格轮动模型发出小盘信号，双驱轮动策略综合分数为-1 [1][2][3] - Q4风格轮动模型发出成长信号，双驱轮动策略综合分数为-3 [1][2][4] 行业轮动模型表现与观点 - 9月复合因子策略超额收益为-0.69%，单因子多策略超额收益为-0.93% [4] - 11月单因子多策略推荐多头行业为传媒、通信、电子、非银行金融、电力设备及新能源 [4] - 11月复合因子策略推荐多头行业为通信、计算机、电力及公用事业、传媒、电力设备及新能源 [2][4]

根据研报内容，总结如下： 量化模型与构建方式 **1.模型名称：A股行业轮动模型[4]** - **模型构建思路**：模型从资金、估值、情绪、动量、超买超卖和盈利，共6个因子共同构建打分体系，用以研判行业综合评分[4][19] - **模型具体构建过程**： 1. 选取六个维度的因子：资金、估值、情绪、动量、超买超卖、盈利[19] 2. 各因子数据来源与计算： - **资金因子**：以行业主力资金净流入率作为主要数据[19] - **估值因子**：以该行业位于过去1年的估值分位作为主要数据来源[19] - **情绪因子**：以上涨成分股比例作为主要数据来源[19] - **动量因子**：以MACD指标作为主要数据来源[19] - **超买超卖因子**：以RSI指标作为重要数据来源[19] - **盈利因子**：以该行业的一致预测EPS位于过去1年的分位作为主要数据来源[19] 3. 对每个行业的各个因子进行打分，符号“+++”代表最高分，“---”代表最低分，最终加总得到行业综合评分[21] **2.模型名称：共识度选股模型[5]** - **模型构建思路**：基于动量、价格等因子，结合高频资金流走势与股票价格走势相似度进行选股[5][22] - **模型具体构建过程**： 1. 行业筛选：在申万二级行业层面筛选出过去30天的高涨行业[22] 2. 股票池构建：在涨幅排名前三的二级行业中形成股票池[22] 3. 因子计算：通过股票月度数据计算动量因子、估值因子和上涨频率，同时结合资金高频分钟数据来计算每支股票高频资金流入流出变化[22] 4. 选股标准：在股票池中，选出各个二级行业中高频资金流走势与股票价格走势相似度最高的各五只股票[22] 模型的回测效果 - **A股行业轮动模型**：本期（数据截止2025年10月23日）模型结果显示，传媒、社会服务、食品饮料等综合评分较高（分别为8分、8分、7分），房地产、建筑材料、环保等得分较低（分别为-5分、-5分、-4分）[20][21] - **共识度选股模型**：本期模型输出结果为常铝股份、金田股份、立霸股份等个股，这些股票来自高涨的申万二级行业（工业金属、家电零部件Ⅱ、能源金属），并且是各自行业中高频资金流走势与股票价格走势相似度最高的股票[5][23] 量化因子与构建方式 **1.因子名称：主力资金净流入[3][14]** - **因子构建思路**：通过统计大额成交单来识别主力资金的动向[3][14] - **因子具体构建过程**： 1. 定义主力资金交易单：将每日交易单中大于等于10万股或者金额大于等于20万元的成交金额的交易单作为主力资金流动[3][14] 2. 计算股票主力资金净流入：对符合定义的交易单进行统计，获得每日市场全部股票的主力资金净流入数据[14] 3. 计算行业因子值：将股票按照申万一级行业进行划分，汇总得到各行业的主力资金净流入额[14] 因子的回测效果 - **主力资金净流入因子（过去5日）**：通信行业净流入额最高（19.71亿元），电子行业净流出额最高（-405.66亿元）[15] - **主力资金净流入因子（过去30日）**：煤炭行业净流入额相对最高（-24.56亿元），电子行业净流出额最高（-2529.98亿元）[16]

根据研报内容，现总结如下： 量化模型与构建方式 1. 行业主线模型：相对强弱RSI指标[10] - **模型构建思路**：通过计算行业在不同时间窗口的涨跌幅排名，构建一个综合的相对强弱指标，用于识别年度可能领涨的行业主线[10] - **模型具体构建过程**： 1. 配置标的为29个申万一级行业[10] 2. 分别计算每个行业过去20、40、60个交易日的涨跌幅[10] 3. 对这三个时间窗口的行业涨跌幅进行横截面排名，并对排名做归一化处理，得到RS_20, RS_40, RS_60[10] 4. 计算三个归一化排名的算术平均值，得到最终的行业相对强弱指数RS[10] 公式为：$$ RS = (RS\_20 + RS\_40 + RS\_60)/3 $$[10] 2. 行业轮动模型：景气度-趋势-拥挤度框架[14] - **模型构建思路**：结合行业的景气度、价格趋势和交易拥挤度三个维度，形成两种适用于不同市场环境的右侧行业配置方案[14][16] - **模型具体构建过程**：该框架包含两种具体方案： 1. **行业景气模型**：筛选具有高景气度和强趋势的行业，但同时需要规避交易拥挤度过高的行业，属于进攻性较强的同步策略[14] 2. **行业趋势模型**：筛选具有强趋势和低拥挤度的行业，规避低景气行业，属于思路简单、持有体验感强的右侧策略[14] 模型最新配置权重为：电新19%、传媒16%、计算机12%、化工11%、地产9%、家电7%、通信7%、农业7%、轻工7%、商贸零售6%[6][14] 3. 左侧库存反转模型[24] - **模型构建思路**：从赔率-胜率角度出发，在处于困境或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、具备补库条件的行业，以捕捉行业困境反转行情[24] - **模型评价**：该模型旨在弥补景气和动量因子在近两年效果衰退时可能出现的阶段性失效问题[24] 模型的回测效果 1. **行业景气度-趋势-拥挤度框架**[14][19][20] - 多头年化收益：22.1%[14] - 超额年化收益（基准：Wind全A）：13.8%[14] - 信息比率（IR）：1.51[14] - 超额最大回撤：-8.0%[14] - 月度胜率：68%[14] - 2023年超额收益（Wind全A）：7.3%[14] - 2024年超额收益（Wind全A）：5.7%[14] - 2025年以来超额收益（Wind全A）：2.8%[14] - ETF组合年化超额收益（基准：中证800）：16.1%[19] - ETF组合信息比率（IR）：1.8[19] - ETF组合超额最大回撤：10.8%[19] - ETF组合月度胜率：66%[19] - ETF组合2025年以来超额收益（中证800）：15.4%[2][19] 2. **行业景气度选股模型**（行业配置叠加PB-ROE选股）[20] - 多头年化收益：26.7%[20] - 超额年化收益（基准：Wind全A）：19.9%[20] - 信息比率（IR）：1.7[20] - 超额最大回撤：-15.4%[20] - 月度胜率：68%[20] - 2025年以来超额收益（Wind全A）：5.5%[2][20] 3. **左侧库存反转模型**[24] - 基准：行业等权指数[24] - 2023年绝对收益：13.4%[24] - 2023年超额收益（行业等权）：17.0%[24] - 2024年绝对收益：26.5%[24] - 2024年超额收益（行业等权）：15.4%[24] - 2025年至今绝对收益：26.4%[2][24] - 2025年至今超额收益（行业等权）：7.8%[2][24] 量化因子与构建方式 1. PB-ROE估值性价比因子[20] - **因子构建思路**：用于行业内选股，筛选估值与盈利匹配度高的股票，即寻找具有高性价比的投资标的[20] - **因子具体构建过程**：在行业景气度模型确定的行业内，选取PB-ROE指标排名前40%的股票，再结合流通市值和PB-ROE打分进行加权[20]

风格轮动模型表现与信号 - 2025年第三季度风格轮动模型预测准确，中证1000相对沪深300的超额为1.27%，国证成长相对国证价值的超额为30.27%，小盘和成长风格占优 [1] - 2025年第四季度风格轮动模型持续发出小盘信号，双驱轮动策略综合分数为-1 [2] - 2025年第四季度风格轮动模型持续发出成长信号，双驱轮动策略综合分数为-3 [3] 行业轮动模型表现与观点 - 2025年9月复合因子策略获得正超额，月收益率为3.33%，相对基准的超额为2.43%，而单因子多策略的超额收益为-1.02% [1][3] - 2025年9月单因子策略和复合因子策略推荐配置的多头行业均涵盖计算机、通信、电子行业 [1] - 2025年10月单因子多策略推荐配置的多头行业为计算机、通信、电子、非银行金融、银行 [3] - 2025年10月复合因子策略推荐配置的多头行业为家电、有色金属、电子、通信、计算机 [3]

文章核心观点 - 市场交易量持续走高，非银金融行业业绩有望超预期，看好低估值龙头券商机会 [1] - 证券Ⅱ行业受益于市场活跃度提升，低估值属性与业绩弹性形成共振 [1] - 建议关注规模突破540亿、在同类21只产品中排名第一的证券ETF（512880）以把握投资机遇 [1][2] 行业配置与市场表现 - 基于行业轮动模型，10月行业组合中非银金融被纳入多头配置，反映出行业动能改善预期 [1] - 当前行业指数存在"领先—滞后"的动力学关系，龙头券商因成交金额优势可能引领行业动量 [1] - 券商板块具备较强β属性，主营业务表现与资本市场表现息息相关 [1] 市场环境与行业景气度 - 随着全球流动性叙事共振，资本市场成交火热，市场风险偏好提升，证券业景气度同步回暖 [1] - 证券ETF规模为541.82亿，在同类产品中持续领先 [2]

风格轮动模型表现 - 2025年第三季度大小盘双驱轮动策略发出小盘信号 综合分数为-3 [1][2] - 2025年第三季度价值成长轮动策略发出成长信号 综合分数为-5 [1][3] - 8月小盘风格持续占优 相对大盘月超额收益达1.34% [1] - 8月成长风格显著占优 相对价值风格月超额收益高达12.76% [1] 行业轮动模型表现 - 8月两个行业组合绝对收益均超过12% 超额收益均超过4% [1] - 单因子多策略模型表现优异 月收益率达13.19% 超额收益4.59% [1][3] - 复合因子策略8月超额收益为4.38% [3] 行业配置建议 - 9月单因子多策略推荐多头行业：计算机 通信 传媒 非银行金融 [3] - 9月复合因子策略推荐多头行业：通信 电子 计算机 家电 传媒 [3] - 两种策略共同看好计算机 通信 传媒行业 [1][3]

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 - 上周主动权益基金仓位达到年内高位，通信行业仓位配比持续上升，市场宽基指数普遍上涨，TMT 行业表现强势，红利类行业表现偏弱，建议配置向成长板块转移 [4][12] 根据相关目录分别进行总结 上周市场复盘 - 上周 A 股各宽基指数普遍上涨，创业板指上涨较多，上证指数报收 3696.77 点，周涨跌幅约 1.70%；深证成指报收 11634.67 点，周涨跌幅约 4.55%；创业板指报收 2534.22 点，周涨跌幅约 8.58%；沪深 300 报收 4202.35 点，周涨跌幅约 2.37% [13] - 上周 TMT、非银行业表现较优，周涨跌幅排名居前的行业有通信、综合金融、非银行金融等，收益率依次为 7.11%、7.07%、6.57%等；排名靠后的行业包括银行、钢铁、纺织服装等，收益率依次为 -3.22%、-2.00%、-1.36%等 [16] 公募基金 - 上周主动偏股型基金的净值涨跌幅平均值 3.47%，基金总数为 4468，上涨数目为 3990，占比达到 89.30%，净值表现最好的前五只基金分别是永赢数字经济智选混合 A、国投瑞银进宝灵活配置混合等 [4][18] - 截至 2025/8/15，主动权益型基金的平均仓位约为 89.14%，其中普通股 票型基金的平均仓位约为 91.41%（较前一周上升 0.86pct），偏股混合型基金的平均仓位约为 88.93%（较前一周上升 1.90pct），配置型基金的平均仓位约为 88.23%（较前一周上升 2.61pct）；"固收+"基金平均仓位约为 23.48%，较前一周上升 0.43pct [2][22] - 截至 2025/8/15，主动偏股型基金大盘成长仓位 27.52%（较前一周上升 0.19pct），大盘价值仓位 9.4%（较前一周下降 0.69pct），中盘成长仓位 9.51%（较前一周下降 0.37pct），中盘价值仓位 5.96%（较前一周上升 0.3pct），小盘成长仓位 43%（较前一周上升 1.06pct），小盘价值仓位 4.62%（较前一周下降 0.5pct） [3][29] - 上周主动权益型基金配置比例上调较多的行业有通信、有色金属、石油石化等，配比下调较多的行业有食品饮料、电子、国防军工等，绩优基金配置在向制造及 TMT 迁移 [4][32][34] - 上周境内股票 ETF 资金合计净流出约 237.99 亿元，跨境 ETF 合计净流入约 163.35 亿元，债券 ETF 合计净流入约 126.33 亿元，商品 ETF 合计净流出约 17.19 亿元 [39] - 今年以来，主动权益型基金新发 171 只，规模合计约 681.02 亿元，约为 2024 年同期水平的 130.65%；被动权益型基金新发 356 只，规模合计 1841.03 亿元，约为 2024 年同期水平的 320.38% [44] 主力/主动资金流 - 主力资金流方面，上周主力净流入非银、电子，流出国防军工、机械；主动资金流方面，上周主买净额约 -10161.39 亿元，主动资金净流入非银、电子 [5][56]

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）** - **构建思路**：通过计算行业指数的相对强弱指标，识别年度领涨行业[12] - **具体构建过程**： 1. 选取29个一级行业指数作为标的 2. 计算过去20、40、60个交易日的行业涨跌幅横截面排名，归一化得到RS_20、RS_40、RS_60 3. 计算综合相对强弱指数： $$ RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3} $$ 4. 设定阈值RS>90%作为年度主线信号[12] - **评价**：历史验证有效捕捉高股息、资源品等主线，但2025年信号分散性增加[14][15] 2. **模型名称：行业景气度-趋势-拥挤度框架** - **构建思路**：结合景气度（同步）、趋势（右侧）和拥挤度（风险）三维指标进行行业轮动[16] - **具体构建过程**： - **景气度**：行业财务指标（如ROE、营收增速）标准化 - **趋势**：动量指标（如60日涨幅Z-score） - **拥挤度**：换手率分位数与估值偏离度复合指标 - 筛选条件： - 景气模型：高景气+强趋势且拥挤度<阈值 - 趋势模型：强趋势+低拥挤且景气度>阈值[16][20] - **评价**：互补性强，历史年化超额14.1%，IR达1.54[16][17] 3. **模型名称：左侧库存反转模型** - **构建思路**：挖掘库存周期底部且分析师预期改善的行业[27] - **具体构建过程**： 1. 计算行业库存周转天数同比变化率 2. 结合卖方推荐比例变化构建胜率-赔率矩阵 3. 筛选：库存压力<历史25%分位+分析师上调评级占比>30%[27][29] - **评价**：2024年超额14.8%，适应因子失效环境[27][28] --- 模型的回测效果 1. **行业主线模型** - 2024年信号行业平均绝对收益：12.8%（汽车）至32.1%（银行）[13] - 2025年信号行业超额收益：7.4%（有色金属）至18.1%（通信）[15] 2. **行业景气度-趋势-拥挤度框架** - 年化超额：14.1%（基准Wind全A） - IR：1.54，最大回撤-8.0%[16] - 2025年ETF组合超额中证800：8.1%[21][26] 3. **左侧库存反转模型** - 2024年绝对收益：25.9%（超额行业等权14.8%）[27] - 2025年绝对收益：13.6%（超额3.5%）[27][28] --- 量化因子与构建方式 1. **因子名称：相对强弱因子（RS）** - **构建过程**：同行业主线模型[12] 2. **因子名称：景气度因子** - **构建过程**：行业ROE、营收增速等财务指标标准化后加权[16][20] 3. **因子名称：拥挤度因子** - **构建过程**： $$ Crowding = 0.5 \times \text{换手率分位数} + 0.5 \times \frac{\text{当前PE}}{\text{行业历史PE中位数}} $$ 阈值设定为80%分位以上视为高风险[20] --- 因子的回测效果 1. **相对强弱因子** - 信号行业相对Wind全A胜率：68%（2024年）[13] 2. **景气度因子** - 高景气行业年化超额：9.2%（2013-2025）[16][17] 3. **拥挤度因子** - 高拥挤行业后续60日跑输基准概率：72%[20]

市场表现与交易量 - 市场交易量持续走高 [1] - 证券ETF（512880）跟踪证券公司指数（399975）反映证券行业整体表现 [1] 业务与转型 - 自营与两融业务表现稳健 [1] - 财富管理转型具备差异化与长期潜力 [1] 行业配置与机会 - 基于行业轮动模型 8月行业组合中非银金融板块入选显示短期配置价值 [1] - 看好低估值龙头券商机会 [1] - 稳定型红利（含非银金融）在大变局下不确定性中枢上升环境中仍具配置价值 [1] 指数与产品 - 证券公司指数主要由A股市场证券公司股票构成覆盖行业内主要证券服务提供商 [1] - 没有股票账户投资者可关注国泰中证全指证券公司ETF联接C（012363）和联接A（012362） [1]

量化模型与构建方式 1. **模型名称：A股行业轮动模型** - **模型构建思路**：通过资金、估值、情绪、动量、超买超卖和盈利6个因子构建综合打分体系，评估行业轮动机会[18] - **模型具体构建过程**： 1. **资金因子**：行业主力净流入率（过去N日主力资金净流入/行业市值） 2. **估值因子**：行业当前PE/PB位于过去1年的分位数 3. **情绪因子**：行业成分股上涨比例（上涨股票数/总股票数） 4. **动量因子**：行业MACD指标（DIF与DEA差值） 5. **超买超卖因子**：行业RSI指标（14日周期） 6. **盈利因子**：行业一致预测EPS过去1年分位数 各因子标准化后加权求和，权重未公开[18] - **模型评价**：多维度覆盖市场驱动因素，但未披露因子权重分配逻辑 2. **模型名称：共识度选股模型** - **模型构建思路**：结合行业动量、高频资金流与价格走势相似度筛选个股[21] - **模型具体构建过程**： 1. **行业筛选**：选取过去30天涨幅前三的申万二级行业 2. **股票池构建**：在目标行业中计算以下指标： - 月度动量因子（过去30日收益率） - 估值因子（如PE分位数） - 上涨频率（日内上涨分钟数占比） 3. **高频资金匹配**：计算股票分钟级资金流与价格走势的相关系数（如Pearson系数） 4. **最终筛选**：按相关系数排序，每个行业选取前5只股票[21] - **模型评价**：高频数据捕捉短期资金动向，但对交易成本敏感 --- 模型的回测效果 1. **A股行业轮动模型**： - 非银金融（得分6）、食品饮料（5）、电子（4）为当期高分行业[20] - 石油石化（-8）、轻工制造（-6）、银行（-6）为低分行业[20] 2. **共识度选股模型**： - 当期输出标的：元件（满坤科技、沪电股份等）、油服工程（通源石油、中海油服等）、饰品（明牌珠宝、周大生等）[22] --- 量化因子与构建方式 1. **因子名称：主力资金净流入率** - **构建思路**：通过大单交易识别主力资金动向[13] - **具体构建过程**： - 定义主力交易单：单笔成交≥10万股或金额≥20万元 - 计算每日行业净流入额：主力买入额-主力卖出额 - 标准化处理：净流入额/行业流通市值[13] 2. **因子名称：MACD动量因子** - **构建思路**：捕捉行业价格趋势变化[18] - **具体构建过程**： - 计算行业指数12日EMA（快线）与26日EMA（慢线）： $$EMA_{12} = \frac{2}{13} \times (今日收盘价 - 昨日EMA_{12}) + 昨日EMA_{12}$$ $$EMA_{26} = \frac{2}{27} \times (今日收盘价 - 昨日EMA_{26}) + 昨日EMA_{26}$$ - DIF = EMA_{12} - EMA_{26} - DEA = DIF的9日EMA[18] 3. **因子名称：RSI超买超卖因子** - **构建思路**：衡量行业短期超买超卖状态[18] - **具体构建过程**： - 计算14日行业指数涨跌幅： $$RS = \frac{14日平均涨幅}{14日平均跌幅}$$ - $$RSI = 100 - \frac{100}{1+RS}$$[18] --- 因子的回测效果 （注：报告中未披露单一因子的独立测试结果）