根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三部分实现稳定超额收益[11] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等）构建股票收益预测模型 2. **风险控制**：约束行业暴露、风格暴露、个股权重偏离等（如行业中性、市值中性） 3. **组合优化**：采用组合优化模型最大化因子暴露，控制换手率和成分股权重占比[39][40] - **模型评价**：通过MFE组合验证因子有效性，兼顾实际投资约束条件下的稳定性 2. **模型名称**：单因子MFE组合 - **模型构建思路**：在给定基准指数下，通过组合优化最大化单因子暴露，控制行业、风格等约束以检验因子实际有效性[39] - **模型具体构建过程**： - 优化目标函数： $$max\ f^{T}w$$ 约束条件包括： - 风格暴露限制：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离限制：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 个股权重偏离限制：$$w_{l}\leq w-w_{b}\leq w_{h}$$ - 成分股权重占比控制：$$b_{l}\leq B_{b}w\leq b_{h}$$ - 禁止卖空及权重上限：$$\mathbf{0}\leq w\leq l$$ - 满仓约束：$$\mathbf{1}^{T}w=1$$[39][40] - **模型评价**：更贴近实际投资场景，避免传统分档检验的偏差 --- 量化因子与构建方式 1. **因子名称**：DELTAROE - **因子构建思路**：衡量企业净资产收益率的同比变化，反映盈利能力的改善[16] - **因子具体构建过程**： $$DELTAROE = ROE_{t} - ROE_{t-1}$$ 其中$$ROE$$为单季度归母净利润*2/（期初归母净资产+期末归母净资产）[16] - **因子评价**：在沪深300和中证A500样本中表现稳健，近期超额收益显著 2. **因子名称**：预期PEG - **因子构建思路**：结合估值与成长性，反映未来盈利增长的性价比[16] - **因子具体构建过程**： $$预期PEG = \frac{PE}{一致预期净利润增长率}$$ 其中PE为滚动市盈率，增长率来自分析师一致预期[16] - **因子评价**：在成长风格占优的市场中表现突出 3. **因子名称**：三个月反转 - **因子构建思路**：捕捉短期价格反转效应[16] - **因子具体构建过程**： $$三个月反转 = -\sum_{i=1}^{60} r_{i}$$ $$r_{i}$$为过去60个交易日的日收益率[16] - **因子评价**：近期在沪深300样本中表现较差，但在中证500中有效性分化 4. **因子名称**：特异度 - **因子构建思路**：衡量个股收益脱离市场共同因子的程度[16] - **因子具体构建过程**： $$特异度 = 1-R^{2}$$ $$R^{2}$$为Fama-French三因子回归的拟合度[16] - **因子评价**：在小盘股样本（如中证1000）中区分度较高 --- 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.86%，本年超额10.78%[13] - 中证500增强：本周超额0.16%，本年超额11.24%[13] - 中证1000增强：本周超额-0.29%，本年超额15.73%[13] - 中证A500增强：本周超额0.29%，本年超额11.42%[13] 2. **单因子MFE组合（沪深300样本）**： - DELTAROE：本周超额0.75%，年化IR 3.98%[18] - 预期PEG：本周超额0.72%，年化IR 3.31%[18] - 三个月反转：本周超额-0.35%，年化IR 1.09%[18] --- 因子的回测效果 1. **DELTAROE因子**： - 沪深300样本：本周超额0.75%，年化IR 3.98%[18] - 中证500样本：本周超额0.07%，年化IR 7.68%[20] - 公募重仓样本：本周超额0.87%，年化IR 3.90%[26] 2. **预期PEG因子**： - 沪深300样本：本周超额0.72%，年化IR 3.31%[18] - 中证A500样本：本周超额0.85%，年化IR 1.77%[24] 3. **三个月反转因子**： - 沪深300样本：本周超额-0.35%，年化IR 1.09%[18] - 中证500样本：本周超额-0.61%，年化IR -0.05%[20] --- 注：所有因子计算方式及测试结果均来自研报原文[16][18][20][24][26]，未包含免责声明或风险提示内容。

成长因子共振 - 宏观量化与因子动量结合选择共振因子 成长因子成为沪深300和中证1000的共振因子 经济偏弱下沪深300和中证500侧重基本面 中证1000偏向低波 [1][4] - 7月沪深300成长因子维持强势 分析师预期因子表现回落 中证500低波动率和短期反转表现出色 [4] 经济前瞻指标 - 2025年8月经济前瞻指标处于下降周期底部 未来将小幅上升后再次下降 PMI和PMI新订单7月数据分别为49.3和49.4 [6] - 领先指标中乘用车销量同比 粗钢产量同比 M2同比 社会消费品零售总额同比均处于下降周期 预计分别在2026年1月 2月 2025年9月 2026年2月见底 [6][8][9] - 工业生产指标如粗钢产量同比预计10月将大幅下降 信贷指标如新增人民币贷款预计9月达到峰值 [8] 流动性环境 - 7月利率指标仍为明显宽松但趋势平稳 短端利率略低于均线 长期利率与均线有较大距离 [12] - 货币净投放数据回落但仍维持宽松信号 超储率处于较低水平 综合流动性指标略偏松 [12][14] 信用指标 - 信用量 结构指标近2个月有所回落 社融存量同比回落 信用结构转向偏弱 但综合信用指标仍维持正向 [15] - 信用价格指标宽松 信用总量指标中性 信用结构指标偏弱 [15] 大类资产配置 - 经济下行 流动性偏紧 信用较好环境下 明显提升股票仓位至65.12% 黄金配置14.88% 商品0% 债券20% [16][17] - 权益资产配置观点中性偏多 黄金偏多 商品偏空 债券中性 [17] 行业选择 - 选择对经济不敏感 对信用敏感的行业 电子 计算机 食品饮料 电力设备 美容护理等行业综合得分最高 [20] - 传媒 家用电器 有色金属 美容护理 环保等行业对信用敏感度最高 [20]

核心观点 - 成长因子成为当前市场共振因子，沪深300、中证1000中成长风格占优，经济偏弱环境下沪深300和中证500更侧重基本面，中证1000偏向低波[9][10] - 大类资产配置建议增加股票仓位至65.12%，黄金配置14.88%，商品和美股权重降至0%，债券维持中性配置[24][25] - 经济前瞻指标显示2025年8月处于下降周期底部，预计未来3个月将小幅回升，随后再次进入下降周期[12][13] - 流动性环境维持略偏松，7月利率小幅回升但整体仍宽松，货币投放数据回落但仍高于0，超储率处于0.91%的较低水平[20][22] - 信用指标在2024年下半年持续偏弱后有所改善，社融存量同比回落但综合信用指标仍维持正向[23][24] 宏观指标分析 经济前瞻指标 - 2025年8月PMI为49.3，新订单PMI为49.4，均处于下降周期，但预计未来3个月将出现短期回升[13][15] - 领先指标显示：汽车产量(同比)预计进入下降周期，粗钢产量(同比)处于下降周期中部但趋势放缓，M2同比将在9月触底[16][18] - 前瞻综合指标外推显示2025年8月GDP同比周期项为-1.5，处于4月以来的下降周期底部[15] 流动性指标 - 7月利率指标综合信号为1(偏松)，1年期国债收益率2.4%，10年期国债收益率2.5%，均低于历史均线[20][21] - 货币净投放0.24标准差倍数，超储率0.91%低于历史同期水平，综合流动性指标维持略偏松[20][22] 信用指标 - 社融存量同比连续2个月下行，信用结构指标为-0.33，但信用利差和贷款利率指标显示宽松信号[24] - 金融机构新增人民币贷款中，居民中长期贷款预计9月见顶，企业中长期贷款预计9月达峰值[18] 市场关注与行业配置 - 流动性成为最受关注变量，其代理组合波动值达6，显著高于信用和经济指标[26][30] - 行业配置倾向对经济不敏感、对信用敏感的成长属性行业：电子、电力设备、美容护理综合得分最高[27][29] - 沪深300中成长因子累计IC达1.5，显著领先其他因子；中证500中低波动率和短期反转因子表现突出[10][11] 因子选择趋势 - 2025年以来沪深300持续增配成长因子，8月配置组合为成长+盈利+短期反转[10] - 中证1000因子选择保持稳定，连续8个月配置成长+低波动率组合[10] - 分析师预期因子在沪深300中表现回落，而短期反转因子在中证500中表现强劲[10][11]

报告核心观点 - 市场上成长风格指数存在成长风格不纯粹、维度覆盖不高问题，成长因子构建有五个方向，成长风格可分三个维度，成长风格能长期跑赢市场，成长策略中小盘较稳定大盘有波动，2025年成长风格较强 [72][73] 成长因子 成长指数 - 介绍中证全指下多类成长指数，如中证500、沪深300等成长指数，包括指数代码、编制方案、样本个数、核心指标等信息 [13] 成长因子定义 - 因子构建分绝对增长、相对增长、同比、SUE、分析师预期增长五个方向，给出各方向因子含义及计算方法 [16] 成长因子相关性 - 展示各成长因子间相关性数据，数据区间为2009年12月31日至2025年5月23日 [19] 成长因子回测 - 呈现各成长因子在沪深300、中证500、中证1000、中证全指的IC、ICIR、超额收益、信息比等回测数据 [22] 三种成长风格 整合成长风格相关性 - 成长风格从相关性划分为财务增长、SUE和分析师预期增长三个维度，展示因子值和因子收益相关性数据，数据区间多为2009年12月31日至2025年5月23日 [27] 整合成长风格回测 - 给出同比类、成长风格各因子在沪深300、中证500、中证1000、中证全指的IC、ICIR、超额收益、信息比等回测数据 [28] 各指数成长风格表现 - 展示沪深300、中证500、中证1000、中证全指成长风格相对表现，包括年化收益、最大回撤等指标，不同指数数据区间不同 [30][35][40][44] 成长策略 各指数成长策略表现 - 呈现沪深300、中证500、中证1000、中证全指成长策略净值及风险指标，如年化收益、最大回撤、夏普比等，不同指数数据区间不同 [52][57][62][67] 总结 - 成长风格指数有问题，因子构建分五个方向，成长风格分三个维度，成长风格长期跑赢市场，成长策略中小盘稳定大盘有波动，2025年成长风格强 [72][73]

量化模型与构建方式 1. **模型名称：三维择时框架** - 模型构建思路：基于分歧度、流动性、景气度三个维度构建市场择时模型[7] - 模型具体构建过程： 1. 分歧度指数：衡量市场观点离散程度，下行时预示反转机会[12] 2. 流动性指数：监测资金面变化，上行时支持市场上涨[21] 3. 景气度指数2.0：综合宏观与行业数据反映经济动能，上行时市场表现更优[25] 4. 当三维指标均向好时（分歧度↓、流动性↑、景气度↑），模型给出满仓信号[7] 2. **模型名称：资金流共振策略** - 模型构建思路：结合融资融券与大单资金流，筛选两类资金共同看好的行业[37] - 模型具体构建过程： 1. 行业融资融券因子： $$ \text{融资净买入}_i - \text{融券净卖出}_i $$ 经Barra市值中性化后取50日均值的两周环比变化率[37] 2. 行业主动大单因子： 对行业最近一年成交量时序中性化后的净流入排序，取10日均值[37] 3. 策略规则：在主动大单因子头部行业中剔除融资融券因子多头端行业[37] - 模型评价：相比北向-大单策略回撤更小，2018年以来年化超额13.5%，IR=1.7[37] 3. **模型名称：研报覆盖度调整的指数增强模型** - 模型构建思路：根据个股研报覆盖度分域选择差异化因子增强[47] - 模型具体构建过程： 1. 高覆盖度域：侧重基本面因子（如ROE、营收增速） 2. 低覆盖度域：侧重量价因子（如动量、波动率）[47] 3. 组合优化时控制行业偏离与跟踪误差 --- 量化因子与构建方式 1. **因子名称：成长因子组** - 因子构建思路：捕捉企业盈利与收入增长动能[43] - 因子具体构建过程： 1. 一致预测修正因子： $$ \frac{\text{Rev\_FY1}_{\text{当前}} - \text{Rev\_FY1}_{\text{3个月前}}}{\left|\text{Rev\_FY1}_{\text{3个月前}}\right|} $$ [44] 2. ROE同比变化： $$ \frac{\text{ROE}_{\text{当期}} - \text{ROE}_{\text{去年同期}}}{\left|\text{ROE}_{\text{去年同期}}\right|} $$ [44] 3. 单季度EPS同比增速[44] 4. 研发投入占比： $$ \frac{\text{研发费用\_TTM}}{\text{总资产}} $$ [44] 2. **因子名称：资金流因子组** - 因子构建思路：量化资金流向对行业选择的预测能力[31] - 因子具体构建过程： 1. 两融资金流因子：行业融资净买入-融券净卖出经市值中性化[37] 2. 大单资金流因子：行业净流入金额在过去一年成交量分位数[37] --- 模型的回测效果 1. **三维择时框架** - 历史满仓期年化收益：18.2%（vs 沪深300年化9.8%）[16] - 最大回撤：22.4%（vs 基准28.6%）[16] 2. **资金流共振策略** - 2018-2025年化超额收益：13.5%[37] - 信息比率（IR）：1.7[37] - 上周超额收益：-0.3%（行业等权基准）[37] 3. **指数增强组合（2025年数据）** | 组合类型 | 上周超额 | 本月超额 | 本年超额 | 年化超额收益 | |----------------|----------|----------|----------|--------------| | 沪深300增强 | 0.98% | 1.70% | 5.02% | 10.89% | | 中证500增强 | 0.49% | 1.53% | 3.53% | 12.81% | | 中证1000增强 | 0.10% | 1.58% | 4.40% | 13.61% | [48] --- 因子的回测效果 1. **成长因子组（近一周多头超额）** | 因子名称 | 超额收益 | 主要逻辑 | |------------------------|----------|--------------------------| | 研发总资产占比 | 1.84% | 创新投入驱动长期增长 | | 一致预测营收修正 | 1.31% | 分析师预期上调信号 | | ROE同比变化 | 1.30% | 盈利能力改善 | [44] 2. **分市值表现（沪深300内）** | 因子名称 | 多头超额 | |------------------------|----------| | 固定资产/股东权益 | 3.30% | | SUE1（净利润意外） | 4.09% | | PEG | 3.82% | [46] 3. **资金流因子（行业层面）** - 医药行业：大单净流入分位数76% + 两融净流入分位数53%[39] - 通信行业：大单分位数76% + 两融分位数23%[39]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三块流程实现稳定超额收益[11][12] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等维度）构建因子库[16][17] 2. **风险控制**：控制组合相对于基准的行业暴露、风格暴露、成分股权重偏离等约束[41][42] 3. **组合优化**：采用最大化单因子暴露组合（MFE）优化模型，目标函数为最大化因子暴露$$f^{T}w$$，约束条件包括风格中性（$$s_l \leq X(w-w_b) \leq s_h$$）、行业中性（$$h_l \leq H(w-w_b) \leq h_h$$）等[41][42] 2. **模型名称**：单因子MFE组合 - **模型构建思路**：通过组合优化检验因子在控制实际约束（如行业、风格中性）后的有效性[41] - **模型具体构建过程**： 1. 设定约束条件（如个股偏离权重0.5%-1%、成分股权重占比100%）[45] 2. 每月末优化构建组合，目标函数为最大化因子暴露$$f^{T}w$$[41] 3. 回测时扣除0.3%交易费用，计算超额收益指标[45] --- 量化因子与构建方式 1. **因子名称**：估值类因子（BP、单季EP、EPTTM等） - **因子构建思路**：衡量股票相对价值，如BP=净资产/总市值[17] - **因子评价**：长期稳定但短期易受市场风格影响 2. **因子名称**：成长类因子（单季营收同比增速、DELTAROA等） - **因子构建思路**：捕捉企业盈利增长，如单季营收同比增速=单季度营业收入同比增长率[17] - **因子评价**：在沪深300样本中近期表现突出（最近一周超额收益0.93%）[19] 3. **因子名称**：动量/反转类因子（一年动量、三个月反转） - **因子构建思路**：反映市场趋势，如一年动量=近一年除近一月后涨跌幅[17] - **因子评价**：中证500样本中一年动量近期表现最佳（最近一周超额收益0.93%）[21] 4. **因子名称**：分析师预期类因子（标准化预期外收入、预期PEG） - **因子构建思路**：量化市场预期偏差，如标准化预期外收入=（实际营收-预期营收）/预期营收标准差[17] - **因子评价**：在中证1000样本中信息比率较高（历史年化IR 5.98%）[23] --- 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.42%，本年8.31%[14] - 中证500增强：本周超额0.63%，本年10.17%[14] - 中证1000增强：本周超额0.48%，本年15.24%[14] 2. **单因子MFE组合（沪深300样本）**： - 单季营收同比增速：最近一周超额0.93%，年化IR 3.02%[19] - 三个月波动：最近一周超额-0.42%，年化IR 4.14%[19] --- 因子的回测效果 1. **中证500样本因子**： - 一年动量：最近一周超额0.93%，年化IR 2.23%[21] - SPTTM：最近一周超额-0.88%，年化IR 2.82%[21] 2. **中证1000样本因子**： - 三个月反转：最近一周超额1.09%，年化IR -0.78%[23] - 股息率：最近一周超额-1.22%，年化IR 5.80%[23] 注：所有公式引用自原文优化模型[41][42]，因子计算方式详见因子库表[17]

量化模型与构建方式 1. **三维择时框架模型** - 模型构建思路：通过分歧度、流动性、景气度三个维度构建市场择时框架，判断市场状态并调整仓位[8] - 模型具体构建过程： - 分歧度指数：衡量市场观点离散程度，下行时预示市场趋同 - 流动性指数：监测资金面变化，上行代表宽松环境 - 景气度指数2.0：综合宏观与行业数据反映经济动能[27] - 当流动性上行、分歧度下行、景气度上行且ERP脱离极值时满仓[8] - 模型评价：历史表现显示能有效捕捉市场趋势[19] 2. **资金流共振策略模型** - 模型构建思路：结合两融资金与大单资金的协同效应筛选行业[34] - 模型具体构建过程： - 两融资金因子：Barra市值中性化后的融资净买入-融券净买入，取50日均值的两周环比变化率 - 大单资金因子：成交量时序中性化后的净流入排序，取10日均值 - 策略规则：在大单因子头部行业中剔除两融因子多头行业[39] - 模型评价：2018年以来年化超额收益13.5%，IR达1.7，回撤控制优于北向-大单策略[39] 3. **指数增强组合模型** - 模型构建思路：基于研报覆盖度分域，对不同覆盖度股票采用差异化因子增强[50] - 模型具体构建过程： - 覆盖度高域：侧重盈利质量、分析师预期等因子 - 覆盖度低域：侧重量价、微观结构等因子 - 动态调整域间权重[50] 量化因子与构建方式 1. **价值类因子** - dp_historical：过去四个季度现金分红总额/市值，近一周多头超额1.65%[47] - value_residual：市值对数对账面价值/净利润/负债回归残差，超额0.97%[47] - 构建公式： $$ \text{value\_residual} = \log(MV) - (\beta_1\log(BV) + \beta_2\log(NI) + \beta_3\log(Debt)) $$ 2. **成长类因子** - peg：PE/Growth比率，近一周超额1.42%[47] - sue1：净利润同比变化标准化值，公式： $$ \text{sue1} = \frac{\Delta NI_q - \mu(\Delta NI_{8q})}{\sigma(\Delta NI_{8q})} $$ 在沪深300内超额达2.66%[49] 3. **质量类因子** - gaexp_sales：管理费用/销售收入，近一月超额3.63%[47] - noa_to_ev：经营性净资产/企业价值，近一周超额0.81%[47] 模型回测效果 1. **三维择时框架** - 2025年7月仓位：满仓[8] - 历史年化超额收益：16.8%（2018-2025）[36] 2. **资金流共振策略** - 上周绝对收益：1.4% - 上周超额收益：0.4%（vs行业等权）[39] - 本年IR：1.7[39] 3. **指数增强组合** | 组合类型 | 上周超额 | 本年超额 | 年化超额收益 | |----------------|----------|----------|--------------| | 沪深300增强 | 0.10% | 4.98% | 7.45% | | 中证500增强 | 0.02% | 2.76% | 9.45% | | 中证1000增强 | 0.24% | 5.53% | 9.19% | [52] 因子回测效果 1. **价值因子** | 因子名称 | 近一周超额 | 近一月超额 | |----------------|------------|------------| | dp_historical | 1.65% | 1.68% | | ep_fy3 | 1.32% | 3.41% | [47] 2. **成长因子** | 因子名称 | 沪深300超额 | 中证500超额 | |----------------|-------------|-------------| | pe_g | 4.84% | 2.85% | | specific_mom6 | 1.94% | 1.59% | [49] 3. **质量因子** | 因子名称 | 大市值超额 | 小市值超额 | |----------------|------------|------------| | fix_ratio | 1.61% | 1.04% | | safexp_operrev | 3.26% | 0.39% | [49]

量化模型与构建方式 1. **模型名称**：三维择时框架 - **模型构建思路**：通过流动性、分歧度和景气度三个维度的趋势变化进行市场择时判断[7] - **模型具体构建过程**： 1. **流动性指数**：监测市场资金面变化，上行趋势代表资金宽松[22] 2. **分歧度指数**：衡量市场观点分化程度，下行趋势代表共识增强[20] 3. **景气度指数**：跟踪工业与金融等板块基本面，上行趋势反映经济向好[26][28] 4. 综合三维指标状态（当前均为正向）得出满仓结论[7] - **模型评价**：历史表现稳定，能有效捕捉市场趋势转折点[16] 2. **模型名称**：资金流共振策略 - **模型构建思路**：结合融资融券与大单资金流的多维度信号筛选行业[34][40] - **模型具体构建过程**： 1. **两融资金因子**： $$ \text{Factor}_{\text{两融}} = \text{市值中性化}(\text{融资净买入} - \text{融券净买入})_{50\text{日均}} \text{的两周环比} $$ 剔除Barra市值因子影响后标准化[40] 2. **大单资金因子**： $$ \text{Factor}_{\text{大单}} = \text{成交量时序中性化}(\text{净流入分位数})_{10\text{日均}} $$ 剔除极端多头行业[40] 3. 策略组合：在大单因子头部行业中剔除两融因子负向信号行业[40] - **模型评价**：2018年以来年化超额收益13.5%，IR达1.7，回撤控制优于北向资金版本[40][45] 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益16.8%（2018-2025）[36] - 当前状态：流动性↑/分歧度↓/景气度↑/ERP极值[7] 2. **资金流共振策略**： - 年化超额收益13.5%，IR=1.7[40] - 上周绝对收益-1.6%，超额-0.1%（行业等权基准）[40] 量化因子与构建方式 1. **因子名称**：估值类因子群 - **构建思路**：捕捉低估值股票的定价偏差[47] - **具体构建**： - 市盈率倒数（FY1-FY3）：$$ \text{ep\_fy} = 1/\text{预测市盈率} $$[48] - BP因子：$$ \text{bp} = \text{股东权益}/\text{总市值} $$[48] 2. **因子名称**：成长类因子群 - **构建思路**：识别盈利增长持续性[47] - **具体构建**： - 净利润增速：$$ \text{yoy\_np} = (\text{净利润}_t - \text{净利润}_{t-1})/|\text{净利润}_{t-1}| $$[50] - ROE变化：$$ \text{roe\_q\_delta} = \text{ROE}_q - \text{ROE}_{q-4} $$[50] 3. **因子名称**：资金流因子 - **构建思路**：反映主力资金动向[34] - **具体构建**： - 大单净流入分位数：$$ \text{rank}(\text{主动买单量}/\text{总成交量}) $$[43] 因子的回测效果 1. **估值因子**： - 近一周多头超额：ep_fy3（2.18%）、bp（1.88%）[48] - 近一月超额：ep_fy3（3.85%）[48] 2. **成长因子**： - 跨市值表现：peg因子在沪深300超额3.89%，中证1000超额3.07%[50] - 单季度ROE变化因子全市场超额2.4%[50] 3. **资金流因子**： - 交通运输行业大单净流入分位69%，两融分位83%[43] 量化组合表现 1. **沪深300增强组合**： - 本年超额收益4.42%，年化IR=7.77%[52] - 持仓龙头：晶科能源、浪潮信息、药明康德[62] 2. **中证500增强组合**： - 本年超额3.38%，上周超额0.40%[52] - 持仓成长股：新易盛、桐昆股份[62] 3. **中证1000增强组合**： - 本年超额4.99%，年化IR=9.26%[52] - 持仓中小盘：利安隆、万孚生物[62]

根据提供的研报内容，以下是量化模型与因子的详细总结： --- 量化模型与构建方式 1. **模型名称：宏观择时策略** - **构建思路**：基于经济增长和货币流动性两大维度的动态信号，生成权益资产配置建议[7][28] - **具体构建过程**： 1. **经济增长信号**：综合PMI、工业增加值等指标，当前信号强度50% 2. **货币流动性信号**：结合SHIBOR、国债收益率等，当前信号强度40% 3. **仓位计算**：加权平均信号生成推荐仓位（6月为45%）[28] - **模型评价**：中期配置工具，2025年初至今收益率1.06%，略低于Wind全A（1.90%）[27] 2. **模型名称：微盘股择时模型** - **构建思路**：通过波动率拥挤度和利率同比指标监控微盘股风险[30][31] - **具体构建过程**： 1. **波动率拥挤度阈值**：-50.09%（需低于0.55触发预警） 2. **十年国债利率同比阈值**：-28.69%（需高于0.3触发预警）[31] - **模型评价**：当前未触发风控信号，适合长期持有微盘风格[30] --- 量化因子与构建方式 选股因子（八大类）[34][43] 1. **价值因子** - **构建公式**： $$ BP\_LR = \frac{账面净资产}{市值} $$ $$ EP\_FTTM = \frac{未来12月预期净利润}{市值} $$ - **测试结果**：沪深300池IC均值0.23，多空收益1.75%[36] 2. **成长因子** - **构建公式**： $$ NetIncome\_SQ\_Chg1Y = \frac{单季度净利润同比增速}{标准化处理} $$ - **测试结果**：中证500池IC均值0.11，多空收益0.95%[36] 3. **质量因子** - **构建公式**： $$ ROE\_FTTM = \frac{预期净利润}{股东权益均值} $$ - **测试结果**：全A股池多空收益1.45%，中证500池IC均值0.0702[36] 4. **技术因子** - **构建公式**： $$ Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值} $$ - **测试结果**：全A股池多空收益-1.08%[36] 5. **波动率因子** - **构建公式**： $$ Volatility\_60D = \sqrt{\frac{\sum_{i=1}^{60}(r_i - \bar{r})^2}{59}} $$ - **测试结果**：全A股池多空收益-1.40%[36] 转债因子[39][41] 1. **正股一致预期因子**：上周多空收益0.14% 2. **转债估值因子**（平价底价溢价率）：上周多空收益0.97% --- 模型与因子的回测效果 | 名称 | IC均值 | 多空收益（上周） | 股票池 | |--------------------|-------------|----------------|-------------| | 宏观择时模型 | - | 年化收益率1.06% | 全市场 | | 价值因子 | 0.23 | 1.75% | 沪深300 | | 成长因子 | 0.11 | 0.95% | 中证500 | | 质量因子 | 0.0702 | 1.45% | 全A股 | | 转债估值因子 | - | 0.97% | 可转债市场 | --- 关键结论 - **当前推荐**：价值/质量因子为核心配置，成长因子在中证500池表现突出[35] - **风格延续**：市场风险偏好回落利好量价因子（技术/低波）[35]

核心观点 - 报告研究主动型股票基金绩效表现，探讨其能否跑赢市场，构建多个基金组合并采用因子模型分析，发现多数主动型基金组合能跑赢市场但超额收益不显著，考虑规模和价值效应、成长因素后结果有变化 [1][93] 引言 - 上一篇报告研究普通股票型基金超越基准收益及配置风格，本篇报告统一比较基准为市场因子，将偏股混合型基金纳入研究，构建不同规模基金组合，构建成长因子，进行因子模型稳健性检验 [11][12] 数据来源、样本选择及描述性统计 基金样本的选择 - 研究对象为普通股票型基金和偏股混合型基金，采用万得基金指数成份记录筛选，主动型股票基金数量持续上涨，2015 年普通股票型和偏股混合型基金数量结构变化，主要因仓位下限规定调整 [15][18] 时间区间的选择 - 数据样本周期为 2009 - 2024 年，因 2007 年前主动型股票基金规模小，2006 - 2008 年 A 股市场波动大，且 2009 年后市场有不同增长和缩水区间 [21][22] 数据来源及处理 - 数据源于万得，频率为月，处理基金月收益率和规模数据，按基金全称合并不同份额类别基金，2014 年后出现多份额类别基金，合并后样本区间后期截面样本数量下降 [25][35] 基金组合绩效的实证分析 基金组合的构建 - 构建大型、中大型、中小型和小型基金组合，规模占比分别为 40%、30%、20%、10%，基金数量平均占比分别为 9.43%、15.9%、22.8%、51.8%，各组合规模和基金数量时序有变化 [36][37] 基金组合的绩效表现 - 各基金组合走势相近，年化收益为 7.65% - 12.2%，多数达至少 10%显著性水平，波动率差别不大；单因子模型下多数有正超额收益但不显著，市场因子暴露β值显著小于 1；三因子模型下各组合有正超额收益且大都显著，考虑规模和价值效应后主动型股票基金能显著跑赢市场；四因子模型结果与三因子模型一致，情绪因子纳入未提升解释能力 [42][44][49] 普通股票型基金组合的绩效表现 - 与全样本结论基本一致，多数基金组合达至少 10%显著性水平，年化收益为 7.69% - 12.9%；单因子模型下多数超额收益为正但大都不显著，拟合优度高；三因子模型下各组合有正超额收益且大都显著，规模和价值因子负向暴露；四因子模型结果与三因子模型一致，主动股票型基金不能显著跑赢市场，考虑规模和价值效应后超额收益显著 [58][59][61] 基金组合绩效的进一步分析 成长因子的构建与检验 - 在三因子模型基础上构建成长因子，各分组收益率随成长指标递增，成长因子年化收益高且显著；单因子、三因子、四因子模型下各分组超额收益与成长指标正相关，成长因子有溢价现象，与部分因子有相关性 [66][67][75] 基金组合绩效的进一步解释 - 成长因子能解释部分三因子模型下超额收益，纳入后超额收益下降且显著性降低；各基金组合在部分因子暴露上变化不大，大部分在成长因子正向暴露显著；纳入情绪因子提高解释能力，五因子模型进一步解释超额收益 [77][78][79] 稳健性分析 - 不剔除总市值最小 30%股票构造因子收益率，规模因子收益率变化最大；单因子模型结论与原模型一致，三因子模型下超额收益大小和显著性下降，拟合优度降低；五因子模型能进一步解释超额收益，各因子暴露有变化，拟合优度下降；不同因子收益率下基金组合收益率拆分结果整体一致，主要区别在情绪因子贡献方向 [83][85][88] 主要结论与讨论 - 多数主动型基金组合能跑赢市场但超额收益不显著，与普通股票型基金超越基准收益看似矛盾，因比较基准不同；主动型基金偏好大盘股和高估值股票，规模和价值因子负向暴露影响绩效；成长因子年化收益高，主动型基金偏好高成长股，成长因子正向暴露对业绩有正面影响；除市场因子外，价值因子有较大负面贡献，成长因子有较大正面贡献 [93][2][3]