私募发行市场迎来“开门红” - 2026年开年私募新产品募集节奏明显加快，头部私募产品渠道认购热情显著回升，出现“打满”、“售罄”现象 [1][3] - 百亿量化私募诚奇资产旗下“诚奇兴泰锐进”系列产品在华泰证券渠道发行的6个号全部打满，募资总规模达16.47亿元 [2][3] - 诚奇资产旗下的A500指增产品在国投证券销量突破6亿元 [4] - 百亿主观私募上海复胜资产通过私人银行渠道发行的产品单日完成10亿元募资并售罄，成为2026年首批“爆款”私募 [2][4] 头部私募规模与行业格局 - 截至2025年四季度末，诚奇资产管理规模已升至500亿—600亿元区间，较三季度末的400亿—500亿元明显跃升 [4] - 目前百亿私募数量已达114家，较2025年末净增1家，行业内部呈现“新老更替”的动态格局 [2][9] - 在114家百亿私募中，量化私募有55家，占比48.25%，主观策略私募46家，占比40.35%，混合策略私募10家，占比8.77% [10] - 2026年1月有3家私募新晋或重返百亿阵营，其中恒毅持盈（深圳）私募成立于2025年5月，管理规模从2025年底的0—5亿元区间迅速攀升至2026年1月的百亿以上 [9] 发行热潮的驱动因素与行业趋势 - 开年私募发行热潮是“行情回暖—净值修复—规模扩容—发行火爆”正反馈链条加速运转的体现 [7] - 市场指数在相对高位运行、结构性机会涌现提供了良好环境，渠道端在开年集中发力，多样化策略匹配了不同资金的配置需求 [7] - 险资背景的私募管理人出现，如恒毅持盈的实际控制人为平安资产管理有限责任公司，反映了在低利率时代下，险资寻求匹配其长久期、低波动偏好的收益增强工具的趋势 [9][10] - 业内普遍认为，只要市场情绪保持稳定、结构性机会持续，头部私募的发行优势仍将延续，行业分化与集中趋势有望加深 [10]

A股市场近期表现与资金动态 - 近期A股市场呈现明显分化格局，科创类指数走势亮眼，部分权重类指数出现调整 [1] - 市场交投热度持续飙升，连续多日成交额刷新纪录，两融余额稳步上行，新发行权益类基金份额大幅增长，海外资金也在加速流入A股 [1] - 监管层密集释放稳市场信号，央行推出政策组合拳并明确今年仍有降准降息空间，证监会强调“稳字当头”并部署重点任务夯实市场长期基础 [1] 量化分析在投资中的应用价值 - 市场价格变化的本质是交易资金的行为结果，普通投资者容易忽略背后的资金参与状态，而只关注股价K线的表面波动 [2] - 量化数据中的“机构库存”指标能有效衡量机构大资金是否积极参与交易，帮助投资者穿透股价波动的表象 [5] - “机构库存”指标完全基于真实的交易数据统计，不反映机构的买卖方向，仅反映其参与交易的活跃程度，从而揭示决定价格长期走势的核心力量 [8] 量化数据对市场现象的解读 - 当股价下跌但“机构库存”保持活跃时，表明机构资金仍在积极参与，此类下跌可能只是短期震荡而非趋势性调整，后续存在修复可能 [5][8] - 当股价上涨但“机构库存”并未出现时，表明上涨缺乏机构大资金的支撑，可能只是“空涨”，后续很容易回落 [8] - 运用量化思维分析市场，可以帮助投资者专注于背后的资金逻辑，避免被股价的短期涨跌和情绪所干扰，做出更理性的决策 [9] 量化思维的核心优势与投资者实践 - 量化思维的核心逻辑在于关注市场核心参与者（如机构大资金）的交易行为，并将其量化为可视指标，使普通投资者能与专业机构站在同一起跑线上 [9] - 今年以来A股市场波动较大，量化数据显示部分板块的“机构库存”持续活跃，表明机构在积极布局，而有些板块的反弹则缺乏资金支撑 [9] - 量化大数据的真正价值在于帮助投资者建立更客观的市场认知，摆脱情绪干扰，并养成可持续的投资习惯 [9] - 在信息繁杂的市场中，量化数据通过将复杂的交易行为拆解为简单指标，帮助投资者看懂市场的真实状态，用客观数据还原市场本质 [10]

文章核心观点 - 量化基金在2025年的实际业绩并未显著超越主动管理基金，其“不可战胜”的形象源于市场认知偏差和特定年份的连续跑赢[2][10] - 量化策略的优势在于风格容错率高、业绩稳定不易犯错，但其弱点在于模型趋同可能导致在风格剧烈转换或极端市场环境下发生集体大幅回撤[14][16][18] - 量化策略的风控体系在极端情况下可能失效甚至加剧市场波动，其超额收益的持续性依赖于特定因子的有效性和市场环境[20][26][27] - 2026年量化与主动基金的相对表现取决于市场环境，主动基金在宏观基本面改善、政策大转向或交易规则变化等场景下可能胜出[30][32][33][34] 2025年量化基金业绩分析 - 2025年公募量化选股类基金平均收益为30.3%，跑输代表主动管理基金的万得偏股混合基金指数（885001）的33.2%[5] - 2025年三大宽基指数增强基金（300/500/1000）的超额收益分别为3.4%、2.0%、9.6%，与主动量化基金水平相近[6] - 从过去10年（2015-2025）的长期数据看，主动量化基金全区间年化收益为8.8%，仅略高于885001的8.6%[8] 量化策略的特点与潜在风险 - 量化策略通常为多因子复杂策略，对市场风格容错率高，业绩稳定但难以特别突出[14] - 主动管理基金为追求排名或体验，往往在单一风格上高度暴露，对市场变化的适应性较弱[15] - 量化策略为追踪市场风格会不断微调因子，在风格单一且极端化的市场中，可能导致大量产品策略趋同[16] - 当市场风格发生剧烈变化时，趋同的量化策略可能因“转向”不及时而出现集体回撤，例如2025年8-9月因风格转向中腰部市值指数导致的量化超额回撤[18] - 在极端市场环境下，量化策略的多因子防护、高频交易防护和硬性风控体系可能被依次击穿，导致程序化踩踏风险，例如2024年1月的集体巨幅回撤[20][24][26][27] 2026年量化与主动基金的展望 - 量化超额收益通常依赖于某一两种因子的持续有效（如2025年上半年小微盘策略），而主动基金超额收益则多源于有基本面板块的持续上涨（如2025年下半年海外算力）[30] - 在牛市中，量化易跑赢的场景包括：市场主线不稳定、股价严重脱离基本面、情绪资金主导题材恶炒避开基金重仓股[31] - 主动基金可能跑赢量化的场景包括： - 宏观基本面改观，出现多个行业复苏及基金重仓龙头领涨行情[32] - 政策性大转向，量化模型对政策信号的响应慢于主观经验[33] - 交易规则变化引发市场结构变化，如监管加强对高频量化的限制、提升交易成本、限制流动性等[34][35] - 若出现监管转向限制流动性、前期有效因子失效、并叠加大盘趋势性下跌的多重场景结合，可能再度引发量化整体风险[35]

产品核心策略 - 贝莱德基金推出新产品贝莱德富元金利混合型证券投资基金，该产品以量化模型为核心，通过股债协同配置与多重风险控制机制，力求在复杂市场环境中捕捉股债的结构性机会 [1] - 产品定位为中高波动“固收+”产品，将权益仓位上限提升至30%，并纳入港股通标的，旨在通过量化多资产策略为投资者提供“拿得住、睡得着、有弹性”的持有体验 [1] - 产品核心是一套基于量化的多资产策略，旨在服务从存款和理财迁移出来的、风险偏好不高但又希望参与股市机会的投资者 [2] - 产品采用“量化聚利、股债双‘+’”策略，对股票和债券资产独立建模，通过量化赋能精准定位投资方向以增强收益弹性，并采用中低频量化投资以降低交易成本 [2] 产品具体配置与模型 - 产品权益类仓位设计为10%-30%的灵活区间，投资范围包括股票、权益类基金、可转债及可交换债券 [2] - 其中，投资于境内股票资产的比例合计不低于基金资产的10%，投资于港股通标的股票的比例为股票资产的0%-50% [2] - 权益端采用行业轮动模型，该模型基于价值、成长、价格动量等多个信号维度进行打分，并结合风险模型与交易成本，通过组合优化器形成行业配置 [2] - 该行业轮动模型脱胎于自2020年开始的A股北向实盘运作，在2022年至2023年实现完全本地化，并于2023年以专户形式实盘运作，在多年连续实盘中取得了不错的超额收益 [3] - 债券端采用久期轮动和信用轮动策略，聚焦利率债与高等级金融债，模型综合利率期限结构、价格动量、信用利差动量等信号进行配置 [3] - 产品明确不做信用债下沉，因为低等级信用债流动性风险较高，不利于实现组合低波动、低回撤的目标 [3] 风险控制机制 - 产品策略旨在解决投资者在震荡市中的回撤痛点，通过系统性的风险控制让投资者能够长期持有 [3] - 模型引入了针对中国市场特征的下行风险控制模块，包括波动率控制与回撤控制两大机制 [5] - 波动率控制模块会在监测到组合波动率远超目标时提示调整仓位，例如在2024年10月，模型提示减仓并成功规避了随后的横盘震荡，留存了当年“9·24”行情的大部分收益 [6] - 回撤控制是一道“硬防线”，当组合收益下行达到止损线，模型会自动给出调仓建议，纪律性地减少风险敞口，以在极端市场环境下提供下行保护 [6] - 该多资产策略的核心在于跨资产的风险预算管理与尾部风险对冲，与贝莱德系统化主动权益投资（SAE）的自下而上个股选择模型有本质不同 [6] 量化模型的研发与本土化 - 产品策略设计融合了贝莱德全球多资产和量化投资领域的成熟研究框架，并针对中国资本市场在结构、流动性及政策层面的特征进行了本土化优化创新 [5] - 该量化模型脱胎于贝莱德全球多资产部门逾十年的成熟框架，但并非简单照搬，团队花费数年时间完成了彻底的本土化再造 [5] - 所有量化模型已在贝莱德基金本地独立运行，从数据采集、信号生成、组合优化到生成调仓建议，实现了100%本地化 [5] - 最显著的本土化改造之一是将海外通用的MSCI GICS 11个行业分类，细化为国内颗粒度更精细的申万31个一级行业 [5] 2026年市场展望 - 对2026年权益市场保持乐观，认为当前A股尤其是大中盘品种估值仍处合理区间 [7] - 以沪深300指数为例，目前市净率约为1.5倍，处于近十年均值附近；基于2025年盈利预期的市盈率约为12.2倍，在全球范围内具备吸引力 [7] - 判断如果政策继续加力且地缘局势缓和，未来12-18个月沪深300指数有可能达到近10年以来的新高，超越2021年2月的水平 [7] - 在行业层面，继续看好AI科技浪潮，认为AI本身的结构性行情在2026年将持续，并逐步从硬件基础设施向更多应用AI技术的行业扩散，但需甄别“真增长” [7] - A股消费板块也值得关注，若“十五五”期间出台强有力的刺激内需政策，消费类股票可能迎来修复性机会 [7] - 对于有色金属领域需谨慎，因全球定价的金属需考虑较多因素 [7] - 对于债券市场相对谨慎，对信用债持中性态度，对久期轮动的节奏预期较低，建议投资者不要对全年债券端的收益率预期过高 [8] - 认为2026年最大的风险在于增长不及预期，以及流动性充沛的常态是否变化和地缘局势等偶发事件 [8] 团队与投资理念 - 产品拟任基金经理王晓京拥有15年全球投研经验和10年投资管理经验，具有先进的海外量化投资经验并深耕中国市场，擅长多资产定制策略 [1] - 另一位拟任基金经理陈之渊拥有10年的全球宏观投资交易经验，擅长量化多资产配置、全球多币种多品种绝对收益策略、宏观轮动、股债配置及曲线套利策略 [9] - 强调量化投资的核心在于纪律和风险管理，将通过多层次的风控机制和严格的组合约束，对组合波动、回撤以及极端风险情形进行持续管理 [9] - 投资理念并非追求单一资产的极致收益，而是在给定风险预算下，实现长期稳健的绝对回报 [6]

文章核心观点 - 贝莱德基金推出新产品贝莱德富元金利混合型证券投资基金 该产品是一款以量化模型为核心的中高波动“固收+”产品 旨在通过股债协同配置与多重风险控制 在低利率与震荡市场环境中为投资者提供平衡收益与风险的投资工具 [1] - 新产品权益仓位上限提升至30%并纳入港股通标的 采用一套融合全球经验与本土洞察的量化多资产策略 力求实现“拿得住、睡得着、有弹性”的持有体验 [1] 产品策略与设计 - 产品核心是一套基于量化的多资产策略 旨在服务从存款和理财迁移出来的风险偏好不高的资金 [2] - 产品权益类仓位设计为10%-30%的灵活区间 投资范围包括股票、权益类基金、可转债及可交换债券 其中投资于境内股票资产的比例合计不低于基金资产的10% 投资于港股通标的股票的比例为股票资产的0%-50% [2] - 产品主打“量化聚利、股债双‘+’”策略 通过对股票和债券资产独立建模 使用量化方法实现资产间的动态协同 以增强收益弹性并采用中低频投资降低交易成本 [2] - 权益端采用行业轮动模型 该模型基于价值、成长、价格动量等多个信号维度进行打分 并结合风险模型与交易成本 通过组合优化器形成行业配置 [2] - 债券端采用久期轮动和信用轮动策略 聚焦利率债与高等级金融债 模型综合利率期限结构、价格动量、信用利差动量等信号进行配置 产品明确不做信用债下沉 [3] - 策略旨在解决投资者在震荡市中的回撤痛点 通过系统性风险控制帮助投资者长期持有 [3] 量化模型与本土化 - 产品策略设计融合了贝莱德全球成熟的量化研究框架 并针对中国资本市场特征进行了本土化优化创新 是同策略继2025年发行的贝莱德富元添益后的又一产品落地 [5] - 所使用的所有量化模型已在贝莱德基金本地实现100%独立运行 涵盖从数据采集到生成调仓建议的全流程 [5] - 模型本土化改造包括将行业分类从MSCI GICS 11个行业细化为申万31个一级行业 并针对中国市场引入了下行风险控制模块 包括波动率控制与回撤控制两大机制 [5] - 波动率控制模块曾在2024年10月监测到组合波动率远超目标后提示减仓 成功规避了随后的横盘震荡 [6] - 回撤控制作为“硬防线” 当组合收益下行达到止损线时 模型会自动给出调仓建议以纪律性减少风险敞口 [6] - 该多资产策略与贝莱德的系统化主动权益投资策略有本质不同 后者是自下而上的个股选择模型 而新产品是自上而下的目标导向型策略 核心在于跨资产的风险预算管理与尾部风险对冲 [6] 市场展望与投资观点 - 对2026年权益市场保持乐观 认为当前A股尤其是大中盘品种估值仍处合理区间 例如沪深300指数成分股市净率约为1.5倍 处于近十年均值附近 基于2025年盈利预期的市盈率约为12.2倍 在全球范围内具备吸引力 [7] - 判断如果政策加力且地缘局势缓和 未来12-18个月沪深300指数有可能达到近10年以来的新高 超越2021年2月的水平 [7] - 继续看好AI科技浪潮的结构性行情在2026年持续 并逐步从硬件基础设施向更多应用AI技术的行业扩散 但需甄别估值与基本面现金流改善的匹配度 [7] - 认为有色金属类股票需谨慎看待 同时A股消费板块若在“十五五”期间有强力刺激内需政策 可能迎来修复性机会 [7] - 对债券市场相对谨慎 对信用债持中性态度 对久期轮动的节奏预期较低 建议投资者不要对全年债券端的收益率预期过高 [8] - 认为2026年主要风险在于增长不及预期、流动性环境变化以及地缘局势等偶发事件 [8] 团队与风控理念 - 拟任基金经理陈之渊拥有10年全球宏观投资交易经验 擅长宏观轮动、股债配置、曲线套利等策略 [9] - 强调量化投资的核心在于纪律和风险管理 将通过多层次风控机制和严格的组合约束 对组合波动、回撤及极端风险进行持续管理 [9] - 产品旨在通过行业轮动、久期轮动等策略动态寻找机会 跨资产类别评估大类资产相对价值 并使用多重下行风险控制机制来提升组合的稳定性和抗风险能力 [9]

基金画像 - 文档内容为“08基金画像”，但提供的文本中仅包含标题标签，未提供任何关于基金的具体描述、数据、持仓、业绩或策略等实质性内容 [1] - 因此无法根据现有信息总结基金的核心观点、投资方向、规模变化或业绩表现等关键要点 [1]

量化模型与构建方式 **本报告为金融工程周报，主要对市场及各类基金表现进行回顾与统计，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 量化因子与构建方式 **本报告为金融工程周报，主要对市场及各类基金表现进行回顾与统计，未涉及具体的量化模型或量化因子的构建思路、过程及评价。** 模型的回测效果 **本报告未涉及具体量化模型的回测效果。** 因子的回测效果 **本报告未涉及具体量化因子的回测效果。**

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：风格组相对拥挤度模型[126] * **模型构建思路**：通过计算两种风格指数换手率标准化值的差值，并观察该差值在历史序列中的分位数，来衡量一种风格相对于另一种风格的交易拥挤程度[126] * **模型具体构建过程**： 1. 分别计算风格A指数和风格B指数的近252日平均换手率[126] 2. 将这两个换手率序列在2005年1月1日以来的历史时间序列上进行Z-score标准化，得到Z-score_A与Z-score_B[126] 3. 计算二者差值：$$Diff = Z\_score\_A - Z\_score\_B$$[126] 4. 计算该差值序列的滚动6年历史分位数（若历史数据量满1年不足6年，则以全部历史数据计算），该分位数即为风格A相对于风格B的相对拥挤度[126] 2. **模型名称**：风格指数累计超额净值模型[127] * **模型构建思路**：以万得全A指数为基准，计算各风格指数相对于基准的累计超额表现，用于衡量风格的长期相对收益特征[127] * **模型具体构建过程**： 1. 设定基准日（例如2020年1月4日）[127] 2. 将各风格指数及万得全A指数的每日收盘点数除以各自在基准日的收盘点数，得到各自的累计净值序列[127] 3. 将各风格指数每日的累计净值除以同一交易日万得全A指数的累计净值，得到该风格指数相对于万得全A指数的累计超额净值[127] 3. **模型名称**：机构调研活跃度分位数模型[128] * **模型构建思路**：通过计算板块或行业相对于全市场的机构调研热度标准化差值的历史分位，来评估其受机构关注度的相对水平[128] * **模型具体构建过程**： 1. 计算板块（或指数、行业）近n个交易日的“日均机构调研次数”[128] 2. 将该序列在滚动y年的历史时间序列上进行z-score标准化[128] 3. 将上述结果与万得全A指数的标准化结果作差，得到“机构调研活跃度”：$$Active\_Score = Z\_score_{target} - Z\_score_{WAA}$$[128] 4. 最后计算该“机构调研活跃度”序列的滚动y年历史分位数[128] * **参数设置**： * 长期口径：n取126（近半年），滚动窗口y为6年（历史数据量满3年不足6年时，以全部历史数据计算）[128] * 短期口径：n取63（近一季度），滚动窗口y为3年（历史数据量满1年不足3年时，以全部历史数据计算）[128] 量化因子与构建方式 1. **因子名称**：滚动季度夏普率[35] * **因子构建思路**：计算万得全A指数滚动一个季度（约63个交易日）的夏普比率，用于衡量市场近期的风险调整后收益，作为市场情绪风险的预警指标[35] * **因子具体构建过程**：报告未给出具体计算公式，但根据金融学常识，滚动季度夏普率通常计算为：$$Rolling\_Quarterly\_Sharpe = \frac{Mean(R_{t-63:t})}{Std(R_{t-63:t})}$$ 其中，$R_{t-63:t}$ 为指数在最近63个交易日的收益率序列，Mean为均值，Std为标准差[35] 2. **因子名称**：PE_TTM（滚动市盈率）[39][47] * **因子构建思路**：使用总市值除以最近十二个月（TTM）的归属母公司股东的净利润，是衡量股票估值水平的核心指标[39][47] * **因子具体构建过程**：$$PE\_TTM = \frac{Total\_Market\_Cap}{Net\_Profit\_TTM}$$[39][47] 3. **因子名称**：股债风险溢价（ERP）[49] * **因子构建思路**：计算股票市场市盈率倒数与无风险利率（10年期国债收益率）的差值，用于衡量投资股票相对于债券的额外收益补偿，即股债性价比[49] * **因子具体构建过程**：$$ERP = \frac{1}{PE\_TTM} - 10Y\_Treasury\_Yield$$[49] * **因子评价**：ERP越高，表明投资股票的性价比越高[49] 4. **因子名称**：成交热度[25] * **因子构建思路**：使用“周度日均自由流通换手率”的历史分位值来衡量市场或板块、行业的交易活跃程度[25] * **因子具体构建过程**：成交热度 = 当前“周度日均自由流通换手率”在历史时间区间（例如2005年1月1日至今）内的百分位值[25] 5. **因子名称**：动量因子[60] * **因子构建思路**：以最近一年股票收益率减去最近一个月股票收益率（剔除涨停板）作为动量指标，筛选市场中动量特征强的股票[60] * **因子具体构建过程**：报告提及“长江动量”指数的构建以此为基础，具体公式未详细展开，但思路是捕捉中长期动量并排除短期反转效应[60] 6. **因子名称**：反转因子[60] * **因子构建思路**：以最近一个月股票收益率作为筛选指标，选择市场中反转效应强的股票[60] * **因子具体构建过程**：报告提及“长江反转”指数的构建以此为基础，旨在表征高反转特征个股的整体表现[60] 模型的回测效果 1. **风格组相对拥挤度模型**，成长vs红利相对拥挤度历史分位74%[69]，小盘vs大盘相对拥挤度历史分位40%[69][72]，微盘股vs中证800相对拥挤度历史分位87%[69] 2. **风格指数累计超额净值模型**，成长较红利超额净值处于历史极高位置[69]，小盘较大盘超额净值处于历史较高位置[72]，微盘股较中证800超额净值处于历史极高位置[75] 因子的回测效果 1. **滚动季度夏普率因子**，当前万得全A的滚动季度夏普率从历史低位反弹，尚未触及预警位置[35] 2. **PE_TTM因子**，当前万得全A PE_TTM处于历史极高分位（83%）[39][47]，沪深300 PE_TTM处于历史较高分位（66%）[41][47]，中证1000 PE_TTM处于历史较高分位（73%）[41][47]，创业板指PE_TTM处于历史均衡分位（41%）[41][47] 3. **股债风险溢价（ERP）因子**，当前万得全A erp处于均衡分位（54%）[49][58]，沪深300 erp处于均衡分位（59%）[49][58]，中证500 erp处于较高分位（66%）[49]，创业板指erp处于极高分位（84%）[49][58] 4. **成交热度因子**，当前万得全A成交热度为96%[30]，创业板指成交热度为100%[30]，TMT板块成交热度为100%[25][30] 5. **动量与反转因子**，近一周动量较反转超额收益为0.5%[59][65]，近一月为6.1%[59][65]，年初至今为-0.1%[59][65]

量化模型与构建方式 1. **模型名称：三维择时框架**[8][12][14] * **模型构建思路**：通过构建市场分歧度、流动性、景气度三个维度的指标，综合判断市场整体趋势。当三个维度指标趋势一致时，给出明确的上涨或下跌判断。[8][12] * **模型具体构建过程**：报告未详细描述三个具体指标的构建公式，但说明了其来源和用途。分歧度、流动性、景气度均为独立的指数，通过观察其变化趋势（如回升、下行、上行）进行综合判断。[8][12][14][18][21][23] 2. **模型名称：热点趋势ETF策略**[28] * **模型构建思路**：基于技术形态和换手率筛选短期受市场关注的ETF。首先筛选出价格形态呈上涨趋势的ETF，再从中选择支撑阻力特征明显且短期市场关注度（换手率）提升的品种构建组合。[28] * **模型具体构建过程**： 1. **形态筛选**：选出最高价与最低价同时为上涨形态的ETF。[28] 2. **构建支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度构建因子。[28] 3. **关注度筛选**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF。[28] 4. **组合构建**：对筛选出的10只ETF构建风险平价组合。[28] 3. **模型名称：ETF三策略融合轮动模型**[31][32][33] * **模型构建思路**：将基于基本面、质量低波风格、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格互补，降低单一策略风险。[31][32] * **模型具体构建过程**： 1. **策略一：行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta。[32] 2. **策略二：个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率。[32] 3. **策略三：困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换。[32] 4. **策略融合**：将上述三个策略的选股结果进行等权组合，形成最终的ETF轮动组合。[31] 4. **模型名称：资金流共振策略**[42][44][46] * **模型构建思路**：结合融资融券资金流和主动大单资金流，寻找两种资金流产生共振效应的行业进行推荐。[42][44] * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：个股层面计算融资净买入-融券净卖出，加总到行业，进行Barra市值因子中性化，取最近50日均值后的两周环比变化率。[44] 2. **构建行业主动大单资金因子**：行业层面计算净流入，进行最近一年成交量时序中性化后排序，取最近10日均值。[44] 3. **策略逻辑**：根据市场状态，剔除融资融券因子多头端的负向行业，并剔除主动大单因子的极端多头行业，取两种资金流因子均表现较好的行业作为多头推荐。[44][46] 5. **模型名称：全天候配置策略（高波版与低波版）**[50][54][56] * **模型构建思路**：通过资产选择、风险调整和结构对冲，构建分散化的投资组合，旨在不依赖宏观预测和杠杆的情况下获取稳健绝对收益，并根据风险偏好区分高波动和低波动版本。[50] * **模型具体构建过程**： 1. **高波版**：采用“四层结构化-股债金风险平价”对冲构型。[54] 2. **低波版**：采用“五层结构化-风险预算”对冲构型。[56] 3. 具体资产选择和权重配置未在报告中详细披露，但遵循循环对冲设计，直接针对资产波动进行平衡。[50] 模型的回测效果 1. **热点趋势ETF策略**，2025年以来收益52.22%，相比沪深300指数的超额收益为28.36%。[28] 2. **ETF三策略融合轮动模型**，2017年4月10日至2026年1月16日，组合收益率12.18%，夏普率0.74，今年以来组合收益率0.53%。[36][37] 3. **全天候配置策略-高波版**，截至2025年，年化收益率11.8%，年平均最大回撤3.6%，夏普比率2.3；2026年以来收益率0.4%。[60][61] 4. **全天候配置策略-低波版**，截至2025年，年化收益率8.8%，年平均最大回撤2.0%，夏普比率3.4；2026年以来收益率0.2%。[60][61] 量化因子与构建方式 1. **因子名称：支撑阻力因子**[28] * **因子构建思路**：通过价格高点和低点的回归斜率来衡量价格趋势的陡峭程度，以判断支撑或阻力强度。[28] * **因子具体构建过程**：根据ETF的最高价与最低价近20日回归系数的相对陡峭程度构建。具体公式未给出。[28] 2. **因子名称：行业融资融券资金因子**[44] * **因子构建思路**：衡量行业层面融资客的净买入力度，并经过市值和时序平滑处理。[44] * **因子具体构建过程**： 1. 个股层面：融资净买入 - 融券净卖出。 2. 行业层面：将个股因子值按行业加总。 3. 中性化：对加总后的行业值进行Barra市值因子中性化。 4. 平滑与变化率：取最近50日的均值，然后计算其两周环比变化率。[44] 3. **因子名称：行业主动大单资金因子**[44] * **因子构建思路**：衡量行业层面机构或大资金的净流入情况，并经过成交量时序中性化处理。[44] * **因子具体构建过程**： 1. 计算行业最近一年的成交量时序序列。 2. 对行业的净流入数据进行上述成交量序列的时序中性化处理。 3. 将中性化后的值进行排序（分位）。 4. 平滑：取最近10日的均值。[44] 4. **风格因子组**：报告提及了市值、贝塔、动量、波动率、非线性市值、价值、流动性、盈利收益率、成长、杠杆等风格因子，并进行了跟踪。[62][63][66] 5. **Alpha因子组**：报告列出了大量Alpha因子，并进行了多维度绩效分析。所有因子（除规模因子）均进行了市值、行业中性化处理；规模因子仅进行行业中性化处理。[64] * **交易量类因子**：如1个月交易量均值(`ln_volume_mean_1m`)、3个月交易量均值(`ln_volume_mean_3m`)等，计算相应时间窗口内成交量的均值或标准差。[65][67] * **盈利质量类因子**：如单季度ROA同比差值(`roa_q_delta_adv`)、单季度ROE同比差值(`roe_q_delta_adv`)等。[68] * **研发类因子**：如研发总资产占比(`tot_rd_ttm_to_assets`)、研发销售收入占比(`tot_rd_ttm_to_sales`)、研发净资产占比(`tot_rd_ttm_to_equity`)等。[67][68] * **动量类因子**：如1年-1个月的收益率(`mom_1y_1m`)、残差动量(`specific_mom12`)等。[68] * **预期调整类因子**：如分析师预测EPS的1个月动量(`mom1_eps_fy1`)、3个月动量(`mom3_eps_fy1`)等。[67][68] * **资金流类因子**：如基金持股变动(`delta_io_to_float_share`)、基金前十大重仓股变动(`delta_top_ten_io`)等。[67] 因子的回测效果 1. **风格因子近期表现**（最近一周）：贝塔因子收益3.33%，成长因子收益1.97%，动量因子收益0.45%，市值因子收益-1.11%，波动率因子收益-1.72%，价值因子收益-1.17%。[62][66] 2. **Alpha因子近期表现**（近一周多头超额）：1个月交易量均值因子1.69%，3个月交易量均值因子1.66%，6个月交易量均值因子1.65%。[65][67] 3. **Alpha因子分指数表现**（最近一年多头超额）： * **沪深300中**：单季度ROA同比差值(考虑快报、预告)因子36.35%，单季度ROA同比差值因子33.10%。[68] * **中证500中**：研发净资产占比因子25.74%。[68] * **中证800中**：研发总资产占比因子35.64%。[68] * **中证1000中**：研发销售收入占比因子29.45%。[68] 4. **多风格增强策略表现**（截至2026年1月16日）： * **长期成长增强策略**：本周超额收益0.63%，最近一年年化收益率40.20%，年化超额收益5.45%，夏普率2.44。[72][73] * **红利增强策略**：最近一年年化收益率23.10%，年化超额收益14.89%，夏普率2.02。[72][73] * **质量增强策略**：最近一年年化收益率21.23%，年化超额收益-4.14%，夏普率1.84。[73] * **价值增强策略**：最近一年年化收益率16.91%，年化超额收益-17.84%，夏普率1.10。[73] * **低波增强策略**：最近一年年化收益率31.10%，年化超额收益-3.65%，夏普率2.52。[73] * **短期动量增强策略**：最近一年年化收益率12.39%，年化超额收益-22.35%，夏普率0.93。[73] * **长期动量增强策略**：最近一年年化收益率14.75%，年化超额收益-19.99%，夏普率1.14。[73]

量化模型与构建方式 1. **模型名称：A股景气指数模型**[29] * **模型构建思路**：构建一个高频指数，用于对A股整体景气度（以上证指数归母净利润同比为代表）进行实时预测（Nowcasting）[29]。 * **模型具体构建过程**：报告未提供该模型的具体构建公式和详细步骤，仅说明其目标是对上证指数归母净利润同比进行Nowcasting[29]。 2. **模型名称：A股情绪指数系统**[34] * **模型构建思路**：基于市场波动率和成交额的变化方向来刻画市场情绪，并构建择时信号[34]。 * **模型具体构建过程**： 1. 将市场状态根据波动率和成交额的变化方向划分为四个象限[34]。 2. 通过历史统计发现，只有“波动率上行-成交额下行”的区间表现为显著负收益，其余三个象限均为显著正收益[34]。 3. 基于此规律，构建了包含“见底预警”与“见顶预警”的A股情绪指数[34]。 4. 具体信号生成逻辑：当市场波动率处于下行区间时，见底信号看多；当成交额处于上行区间时，见顶信号看多；综合两个信号得出整体观点[37]。 3. **模型名称：中证500增强组合模型**[45] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢中证500指数基准[45]。 * **模型具体构建过程**：报告未提供该增强模型的具体构建公式和详细步骤，仅展示了其持仓和业绩表现[45][48]。 4. **模型名称：沪深300增强组合模型**[51] * **模型构建思路**：通过量化策略模型构建投资组合，旨在持续跑赢沪深300指数基准[51]。 * **模型具体构建过程**：报告未提供该增强模型的具体构建公式和详细步骤，仅展示了其持仓和业绩表现[51][54]。 5. **模型名称：主题挖掘算法**[45] * **模型构建思路**：从新闻和研报文本中自动挖掘具有投资机会的主题概念[45]。 * **模型具体构建过程**：算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[45]。报告未提供具体公式。 模型的回测效果 1. **中证500增强组合模型**，本周收益1.07%，本周超额收益-1.12%（跑输基准），2020年至今累计超额收益47.12%，2020年至今最大回撤-9.32%[45]。 2. **沪深300增强组合模型**，本周收益0.44%，本周超额收益1.01%（跑赢基准），2020年至今累计超额收益43.72%，2020年至今最大回撤-5.86%[51]。 量化因子与构建方式 1. **因子名称：市值因子 (SIZE)**[55] * **因子构建思路**：衡量公司规模大小的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 2. **因子名称：BETA因子**[55] * **因子构建思路**：衡量股票相对于市场整体波动性的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 3. **因子名称：动量因子 (MOM)**[55] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 4. **因子名称：残差波动率因子 (RESVOL)**[55] * **因子构建思路**：衡量股票特异性风险的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 5. **因子名称：非线性市值因子 (NLSIZE)**[55] * **因子构建思路**：捕捉市值因子非线性效应的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 6. **因子名称：估值因子 (BTOP， 即Book-to-Price)**[55] * **因子构建思路**：衡量股票估值水平的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 7. **因子名称：流动性因子 (LIQUIDITY)**[55] * **因子构建思路**：衡量股票交易活跃度与变现能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 8. **因子名称：盈利因子 (EARNINGS_YIELD)**[55] * **因子构建思路**：衡量公司盈利能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 9. **因子名称：成长因子 (GROWTH)**[55] * **因子构建思路**：衡量公司成长能力的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 10. **因子名称：杠杆因子 (LVRG)**[55] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[55]。 * **因子具体构建过程**：报告未提供具体构建公式，但指出参照了BARRA因子模型框架[55]。 11. **因子名称：行业因子**[56] * **因子构建思路**：衡量不同行业对投资组合收益影响的因子[56]。 * **因子具体构建过程**：报告未提供具体构建公式，但在风格分析中将其与十大类风格因子并列提及[56]。 因子的回测效果 *注：报告未提供各因子长期历史回测指标（如IC、IR、多空收益等）的具体数值。仅提供了近期（近一周）的表现描述和相关性矩阵。* 1. **近期因子表现评价**：本周，风格因子中**Beta因子**超额收益较高，**残差波动率因子**呈较为显著的负向超额收益[56]。从近期表现看，高Beta股表现优异，**杠杆因子**、**盈利因子**等表现不佳[56]。行业因子中，**计算机**、**传媒**等行业因子跑出较高超额收益，**国防军工**、**煤炭**、**保险**等行业因子回撤较多[56]。 2. **因子暴露相关性**：近一周，流动性因子分别与Beta、动量、残差波动率因子呈现明显正相关性；价值因子分别与Beta、残差波动率、流动性等因子呈现明显负相关性[56]。具体相关性矩阵参见报告图表[57]。