大小盘风格轮动月度策略 - 9月量化模型信号为0.17 建议超配小盘风格 [1] - 当前市值因子估值价差为1.01 相对历史顶部区域1.7-2.6仍有距离 中长期继续看好小盘 [1] - 本年以来策略收益达28.19% 相对基准超额收益4.24% 结合主观观点策略收益26.94% 超额收益3.22% [1] 价值成长风格轮动月度策略 - 9月量化模型信号为0 建议调整为等权配置 [1] - 本年以来策略收益14.33% 相对等权基准超额收益1.35% [1] 风格因子表现跟踪 - 8月波动率和大市值因子正向收益较高 流动性和质量因子负向收益较高 [2] - 本年以来波动率和动量因子正向收益较高 流动性和大市值因子负向收益较高 [2] - 24个因子中8月贝塔、大市值、短期反转因子表现较好 盈利质量、季节性、流动性因子表现较差 [2] - 本年以来贝塔、动量、分析师情绪因子表现较好 中市值、流动性、大市值因子表现较差 [2] 因子协方差矩阵更新 - 股票协方差矩阵估计是风险预测核心 通过多因子模型可拆解为因子协方差矩阵和特质风险矩阵 [2] - 已更新2025年8月29日最新因子协方差矩阵 [2]

美联储降息预期与市场反应 - 摩根士丹利预测美联储可能超预期降息 并设计三种情景剧本 包括财政刺激10%概率 通胀容忍10%概率 经济衰退30%概率 [2] - 华尔街机构针对降息预期进行美债曲线陡峭化交易 推动资金流动 [1] 散户投资行为误区 - 散户常见四种投资幻觉 包括持股待涨妄想症 热点追逐综合征 强者恒强谬论 超跌反弹陷阱 [5][6][8] - 具体案例显示 某投资者32元买入水泥股 跌至18元仍持有 另一投资者将买房首付投入人工智能概念 三天亏损20万 [6] - 超跌股抄底存在风险 机构资金可能已撤离 交易行为数据显示资金流出 [8] 机构与散户市场策略对比 - 机构使用大数据模型和算法交易 如利率预测模型和机构库存数据 散户依赖K线图和技术指标 [9] - 机构库存数据可反映资金活跃程度 案例显示某消费股企稳反弹时机构库存萎缩 后续下跌40% [11] - 70%的市场反弹属于空涨现象 股价上涨但机构库存未动 缺乏资金支持 [13] 数据驱动的投资决策 - 建议关注外资交易行为数据异动 而非媒体渲染的降息利好 [14] - 机构库存数据持续放大比政策底更可靠 交易行为特征不符的股票存在风险 [14] - 案例显示机构库存数据提前两周活跃 预示真实投资机会 [16] 市场信息不对称与量化工具 - 市场存在信息不对称 机构使用量化模型如摩根士丹利利率预测 散户需学习机构视角 [14][16] - 机构资金动向是关键 需关注资金进场或撤退 而非单纯依赖宏观事件如美联储降息 [17]

市场观点与策略 - A股市场情绪逐步回暖 结构性机会持续显现 市场迎来风格再平衡的关键时间窗口 [1] - 市场风险偏好向理性均衡转化 前期被错杀的优质中盘成长品种将在估值修复与业绩改善双重驱动下迎来布局机会 [1] - 哑铃型策略过去两年受追捧 当政策催化与基本面改善同时出现 资金将重新寻找估值洼地 [2] 中证A500指数特性 - 指数从各行业选取市值较大、流动性较好的500只证券 反映各行业最具代表性上市公司整体表现 [2] - 指数成分股很大部分与沪深300指数重叠 包含优质核心资产 同时覆盖半导体设备、工业机器人等高成长板块 [2] - 中盘风格（中盘成长、中盘价值）可能是未来一段时间赔率和胜率综合而言性价比较高的选择 [2] 量化增强策略 - 针对与沪深300重叠成分股采用基本面选股思路 通过业绩质量、现金流稳定性等常规分析因子筛选经营持续向好企业 [3] - 利用"困境反转"因子等卫星策略捕捉出现业绩拐点的板块和股票 [3] - 针对中盘风格高波动特性 通过基本面因子判断股票硬实力 通过量价因子寻找错杀机会 [3] - 结合资产特性和市场环境对基本面因子和量价因子进行加权 加入机器学习因子觉察市场微观变动 [3] 风险控制与绩效表现 - 加强人工预判市场环境 去年9月通过监测期权波动率历史低位成功预判市场从低波动转向高波动 调整风险偏离度创造收益 [3] - 风控从静态分析转向动态把控 为每只股票定制偏离阈值 从舆情、机构调研等多维度科学评估风险 [5] - 动态风控系统根据股票各方面得分调整风险偏离度 提升产品净值稳定性 [5] - 中信保诚量化阿尔法连续7.5年对沪深300指数取得正向超额收益 中信保诚中证500指数基金连续12年成为绩优产品 [5] 策略迭代与挑战 - 二季度量价因子失灵 因机构资金转向导致依赖散户交易行为的因子有效性下降 [5] - 市场环境快速变化促使团队更加重视资金行为识别能力 持续迭代量化策略 [5] - 公募量化在合规方面受限制 每日单股购买占比有上限 团队在交易行为上不断优化寻找更科学替代方案 [6]

公司发展历程 - 公司前身中原开发信托投资总公司于1985年8月8日成立，与河南经济发展紧密相连 [1] - 早期采用市场化招聘，通过吸收存款、发行债券、境外借款等方式筹措资金，支持河南经济建设，并开展证券、期货等多元化业务 [3] - 2001-2002年《信托法》等法规颁布后，公司抓住机遇，推出"中原阳光理财信托"等创新产品，注册资本从5.92亿元增至36.5亿元，信托规模从8亿元跃升至2000亿元，净资产收益率曾达29.98% [4] - 2018年《资管新规》出台后，公司调整架构、优化业务，2023年完成最大规模现金增资，注册资本从40亿元提升至46.81亿元 [5][6] 业务转型与创新 - 公司以标品业务为主战场，提升主动管理能力，发展财富管理、家族信托、预付金信托等业务板块 [6] - 创新设立"龢账户"服务350位客户，规模突破40亿元，推出"豫付通"平台吸引超1400家商户入驻，解决预付资金监管难题 [6] - 累计管理信托财产超2万亿元，交付到期信托财产1.63万亿元，为投资者创造收益1600亿元，累计实现利润总额97亿元，上缴税金71亿元 [7] 行业背景与定位 - 信托业凭借灵活创新优势整合金融资源，服务实体经济和产业升级，但早期因法律制度不健全经历多次整顿 [2][3] - 《资管新规》推动行业回归本源，国家金融监管总局提出信托业高质量发展意见，行业进入新阶段 [5][7] - 公司定位为区域性特色信托公司，聚焦服务实体经济，践行金融"五篇大文章"战略 [7] 未来战略方向 - 公司将持续深化党建引领，恪守信托文化，坚守风控底线，提升综合实力 [7] - 重点服务先进制造、绿色低碳等战略领域，推进数字化建设，打造"金融+科技"复合型队伍 [6] - 目标成为区域性金融中坚力量，助力中原地区中国式现代化建设 [7]

可转债市场表现 - 可转债成为"固收+"基金超额收益重要来源，多只可转债主题基金年内回报率超15% [1][2] - 中证可转债指数持续走高，8月8日收于467.77点，处于历史高位 [1] - 南方昌元可转债A、博时转债增强A等产品年内回报率超20% [2] 机构操作分化 - 虚拟组合的可转债占比从2024年四季度的7.57%降至2025年二季度的6.01% [2] - 海富通基金旗下产品系统性提升权益仓位，可转债仓位显著压缩 [3] - 华安可转债仓位从一季度末的79.85%降至二季度末的72.99% [3] - 富国可转债、东方红聚利等产品增仓可转债，东方红聚利仓位从51.10%升至63.70% [3] 市场供需与结构变化 - 可转债均价处于历史峰值，130元到期品种占比极高 [3] - 上半年新券发行仅206亿元，下半年市场规模或缩减至6000亿元以下 [3] - 银行可转债加速退出，基金配置空间被动压缩 [5] - 非银金融、有色金属、医药等行业获明显加仓 [5] 投资策略调整 - 传统"双低策略"因资金涌入导致收益空间压缩 [4] - 华宝基金认为银行可转债供给压缩将促使配置转向其他标的 [5] - 宏利基金关注生猪养殖板块作为潜在底仓替代 [6] - 中信证券强调主动管理是超额收益关键 [7] 量化与主动管理创新 - 华富可转债团队创建股票与可转债双轨择时模型，叠加动量因子增强 [8] - 中欧基金采用万得可转债等权指数作为业绩基准，避免银行转债拖累效应 [8] - 中欧基金将期权思维融入量化模型，关注波动率信号 [8] - 国泰基金优化研究员KPI考核机制，强化投研协同 [10]

大小盘风格轮动月度策略 - 7月底量化模型最新信号为0.5，继续指向小盘风格，建议8月继续超配小盘风格 [1] - 历史上8月小盘略占优，结合日历效应，8月大概率小市值风格占优 [1] - 当前市值因子估值价差为1.1，距离历史顶部区域1.7~2.6仍有距离，中长期不拥挤，继续看好小盘 [1] - 本年以来大小盘风格轮动策略收益15.74%，等权基准收益11.79%，超额收益3.95% [1] - 纯量化模型收益16.89%，相对基准超额收益5.09% [1] 价值成长风格轮动月度策略 - 月度量化模型信号为-0.33，指向价值风格，建议8月切换为超配价值风格 [2] - 历史8月价值相对占优，结合日历效应，8月大概率价值风格占优 [2] - 本年以来价值成长风格轮动策略收益11.11%，等权基准收益3.23%，超额收益7.63% [2] 风格因子表现跟踪 - 8个大类因子中，本月波动率、价值因子正向收益较高，流动性、动量因子负向收益较高 [2] - 本年波动率、质量因子正向收益较高，流动性、大市值因子负向收益较高 [2] - 24个风格因子中，本月贝塔、投资质量、动量因子正向收益较高，残差波动、中市值、长期反转因子负向收益较高 [2] - 本年贝塔、分析师情绪、动量因子正向收益较高，大市值、中市值、残差波动因子负向收益较高 [2] 因子协方差矩阵更新 - 股票协方差矩阵估计是股票组合风险预测的核心，利用多因子模型可拆解为因子协方差矩阵和股票特质风险矩阵的结合 [3] - 更新了最新一期（2025/07/31）的因子协方差矩阵 [3]

利率预测与仓位策略优化 - 市场上普遍使用0-1分类模型预测国债期货涨跌方向，但实际操作中不宜直接依赖此类预测，仓位策略优化比模型胜率优化更重要 [1] - 仓位策略改进方向包括：提高交易信号触发门槛、设置逐步加仓条件、使用反双曲正切函数分配仓位，以提升盈亏比并限制换手率 [1] - 测试的仓位策略类型包括多空全仓基准策略、带门槛的全仓策略（引入模糊区间过滤机制）、连续型交易策略（将概率信号转化为仓位调整信号） [1] 多因子模型与交易策略测试 - 参考报告运用多因子模型生成预测信号，交易标的为国债期货T合约，采用次日开盘开仓、收盘平仓的执行方式 [2] - 模型训练采用滚动120天数据窗口，预测下一个交易日，划分2024年为牛市、2025年初至5月为震荡市作为测试环境 [2] 策略表现关键发现 - 仓位策略搭配对系统表现提升显著，尤其在震荡市中收益增厚效果明显，模型信号胜率不变时仍可优化整体收益 [3] - 二值全仓策略在趋势市中收益捕获效率高但伴随高波动、回撤风险和换手率，门槛逐步加仓策略降低交易频率但震荡市收益能力有限 [3] - 连续型策略中线性/正态策略在震荡市收益稳定，Sigmoid/Atanh类策略波动控制优异，GRU模型在不同市场均展现赔率稳定性 [3] - 连续型策略在震荡市中换手率和手续费消耗表现优于逐步加仓策略，但期货手续费成本相对收益影响较小，策略选择应优先考虑收益 [3]

量化模型与构建方式 1. **模型名称：国内资产BL模型1** - 模型构建思路：BL模型是均值-方差模型的改进，通过贝叶斯理论将主观观点与量化模型结合，优化资产配置权重[14] - 模型具体构建过程： 1) 选择国内资产标的（沪深300、中证1000、国债总财富指数等）[15] 2) 计算资产预期收益与协方差矩阵 3) 结合投资者主观观点调整收益预期 4) 通过优化算法求解最优权重 - 模型评价：有效解决均值-方差模型对预期收益敏感的问题，兼具主观投资的灵活性和量化模型的稳定性[14] 2. **模型名称：全球资产BL模型2** - 模型构建思路：同国内资产BL模型1，但覆盖全球资产（标普500、COMEX黄金等）[15] - 模型具体构建过程： 1) 选择全球资产标的（标普500、企业债指数等）[15] 2) 其余步骤与国内BL模型1一致 3. **模型名称：国内资产风险平价模型** - 模型构建思路：使每类资产对组合风险的贡献相等，穿越经济周期[19] - 模型具体构建过程： 1) 选择8类国内资产（沪深300、中证转债等）[21] 2) 计算资产波动率与相关性矩阵 3) 优化权重使各资产风险贡献均衡 公式： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为资产i的年化波动率[20] 4. **模型名称：基于宏观因子的资产配置模型** - 模型构建思路：通过增长、通胀等6大宏观因子构建配置框架[23] - 模型具体构建过程： 1) 构造宏观因子Mimicking Portfolio[24] 2) 计算资产因子暴露水平 3) 结合主观宏观判断调整因子暴露目标 4) 反解得到资产配置权重[24] 模型的回测效果 1. **国内资产BL模型1** - 上周收益：0.02% - 7月收益：0.61% - 2025年收益：2.46% - 年化波动：2.16% - 最大回撤：1.31%[17][18] 2. **全球资产BL模型2** - 上周收益：-0.07% - 7月收益：0.51% - 2025年收益：1.59% - 年化波动：1.70% - 最大回撤：1.28%[17][18] 3. **国内资产风险平价模型** - 上周收益：-0.02% - 7月收益：0.36% - 2025年收益：2.70% - 年化波动：1.46% - 最大回撤：0.76%[22][29] 4. **基于宏观因子的资产配置模型** - 上周收益：-0.03% - 7月收益：0.38% - 2025年收益：2.76% - 年化波动：1.36% - 最大回撤：0.64%[28][29] 当前持仓分布（2025年7月） - **国内资产BL模型1**：中证1000(10.51%)、国债(65.14%)、企业债(19.13%)、商品(5.22%)[13] - **全球资产风险平价模型**：标普500(1.54%)、企业债(93.11%)、黄金(2.13%)[13]

报告行业投资评级 未提及 报告的核心观点 借助ETF可将量化模型或主观观点转化为可实操配置的投资策略 报告给出几个借助ETF构建的策略指数 并以周度为频率对指数的绩效和持仓进行跟踪[12] 根据相关目录分别进行总结 1. ETF策略指数跟踪 - 华宝研究大小盘轮动ETF策略指数利用多维度技术指标因子 采用机器学习模型预测申万大小盘指数收益差 周度输出信号决定持仓获取超额回报 截至2025/7/25 2024年以来超额收益17.92% 近一月0.16% 近一周 -0.33% 上周持仓沪深300ETF权重100% [4][14][18] - 华宝研究SmartBeta增强ETF策略指数用量价类指标对自建barra因子择时 依据ETF在9大barra因子上的暴露度映射择时信号 选取主流宽基及风格、策略ETF 截至2025/7/25 2024年以来超额收益15.29% 近一月 -1.20% 近一周0.25% 持仓包括价值100ETF、中证2000ETF等多只ETF [4][18][23] - 华宝研究量化风火轮ETF策略指数从多因子角度出发 把握中长期基本面、跟踪短期趋势、分析参与者行为 用估值与拥挤度信号提示风险 挖掘潜力板块获超额收益 截至2025/7/25 2024年以来超额收益8.22% 近一月4.29% 近一周2.67% 持仓包括建材ETF、有色60ETF等多只ETF [5][22][26] - 华宝研究量化平衡术ETF策略指数采用多因子体系构建量化择时系统 研判权益市场趋势 建立大小盘风格预测模型调整仓位 综合择时和轮动获超额收益 截至2025/7/25 2024年以来超额收益 -2.75% 近一月 -2.91% 近一周 -1.03% 持仓包括十年国债ETF、中证1000ETF等多只ETF [5][26][30] - 华宝研究热点跟踪ETF策略指数根据市场情绪、行业事件等策略跟踪挖掘热点指数标的产品 构建ETF组合 为投资者提供短期趋势参考 截至2025/7/25 近一月超额收益 -0.38% 近一周1.48% 持仓包括有色50ETF、港股消费ETF等多只ETF [6][30][33] - 华宝研究债券ETF久期策略指数采用债券市场流动性和量价指标筛选择时因子 用机器学习预测债券收益率 低于阈值减少长久期仓位 提升组合长期收益和回撤控制能力 截至2025/7/25 近一月超额收益0.19% 近一周0.12% 持仓包括十年国债ETF、国债ETF5至10年等多只ETF [6][33][38]

市场波动与操盘策略 - 美联储加息导致市场波动率陡增，机构空头头寸连续三天激增[1] - 技术分析显示多头信号与机构持仓数据出现背离[1] - 量化模型被过度依赖，但市场情绪和人心难以量化[1] 操盘手决策逻辑 - 采用"三看原则"：资金流向、情绪指标、持仓初心[3] - 果断执行部分平仓指令，将持仓量降至安全线[3] - 持仓管理需结合市场风向与风险控制，适时收帆[4] 行业经验与传承 - 历史股灾案例显示重仓持有股指期货多单的风险[1] - 市场敬畏心比数字游戏更重要，需平衡模型与经验[1][4] - 持仓数据变化反映操盘手对市场的理解和风险把控能力[4]