全球货币政策与资金流动 - 美联储降息预期强烈 西方阵营除日本外普遍进入降息周期 形成全球性宽松趋势 [4] - 2024年中国外汇储备仅增加189亿美元 但同期货物贸易顺差高达7680亿美元 显示近7500亿美元资金滞留境外 [1] - 中美利差催生套息交易 国内制造业出口美元收入倾向留存境外 用于美元存款或美股投资 [2] A股市场资金面展望 - 美联储降息将缩小中美利差 叠加人民币升值预期 境外滞留资金可能大规模回流 [4] - 资金回流规模相当于为A股注入强心针 形成市场重要支撑力量 [4] - 当前市场呈现低位震荡特征 但存在潜在做多力量蓄势待发 [1] 机构行为与市场特征 - 机构采用震仓手法清洗散户浮筹 表现为先砸盘打压股价再暗中吸筹 [6] - 量化模型可识别机构交易特征 如全景K线中的蓝色震仓信号与持续橙色机构库存 [6][8] - 某案例显示股价在3.2元和3.5元附近两次震仓后突破 验证机构洗盘模式 [8] - 当前市场下跌中机构锁仓股数量增加 控盘股占比持续上升 反映机构对后市信心 [11] 行业研究方法论 - 短期消息面扰动加剧市场波动 建议关注6月大趋势及热点板块而非日内消息 [1] - 通过量化工具识别机构建仓痕迹 可提前捕捉突破前震荡期的布局机会 [6][8]

纪要涉及的行业和公司 行业：金融（银行、固收+、公募基金）、科技（AI、机器人）、消费（新消费、传统消费）、光伏、低空领域、固态电池 公司：未提及具体公司 纪要提到的核心观点和论据 固收+策略 - 2025年是固收+大年，债券收益率从2.7%降至1.6%，进一步下降空间有限，配置收益超2%已不错，需信用下沉或获资本利得正收益，通过权益和转债获取正收益性价比和绝对收益优于纯债基金，一、二季度整体收益高于纯债基金中位数[1][2] 量化模型与投资策略 - 量化模型重要，经济动能不足时债券市场风险小，采用久期不宜太短、回调即买入策略；权益指数底部显现但上涨弹性有限，呈区间宽幅震荡和结构性行情，编制多类指数，基金权益仓位上限20%，每个指数4%权重，嵌套CTA择时模型控制回撤和优化策略[4] 行业指数轮动 - 2025年行业指数轮动加速，年初无差别下跌，1 - 3月机器人和深度学习引领成长行情，3 - 4月红利稍好，4月以来小微盘股和新消费反弹显著，科技和新消费领域仍存机会[1][6] 银行股 - 银行股逻辑坚实，国家化债改善资产质量，股息率相对存款有吸引力，资金容量大，受保险资金偏好分红股影响，基本面稳定且持续有机会，类似香港市场买国有大行股票[1][7] 资产配置 - 2025年资产配置极端化，红利股如银行和AI、机器人等成长型资产受关注，新消费如潮玩涨幅显著，增量资金入市，防御性策略倾向极致红利，进攻性策略偏向小微盘或极致成长[1][8] 绝对收益理念 - 固定收益产品根据客户风险偏好倒推最大回撤和回报水平，追求稳定且持续创新高的净值曲线，夏普比率1.5 - 2，最大回撤为当年收益两倍左右，每年保持正收益[3][9][10] 股债仓位调整 - 低波动市场环境下，债券以票息收入为主，高抛低吸；股票进行板块轮动，抛涨幅过大板块，埋伏估值便宜板块[3][11] 羊群效应与市场有效性 - 债券定价速度快于股票，股债跷跷板效应减弱，市场有效性降低羊群效应，市场充分有效可减少羊群效应，但与市场参与主体有关[3][12][13] 资产配置策略 - 转贷策略不建议大量仓位用于纯股性转贷，通过双低策略获取期权价值，选择错杀的高YTM标的，短贷策略偏稳健[19] 投资前景板块 - 看好银行板块、小盘和小微盘风格、AI后端应用、机器人、新消费、光伏、低空领域和固态电池等板块[23][24] 政策影响 - 中美关税交流进展超预期对银行股等有积极影响；取消分散20%关注后，股票外需或无显著机会，指数机会取决于美联储降息和美债续期，债券需谨慎；美联储降息预期影响美债利率，若今年只降一次可能挫伤中概股；中国央行5月降准降息超预期但幅度未到位，恢复国债买卖对债市利多[25][26][27][28] 其他重要但是可能被忽略的内容 - 国内公募基金使用国债期货对冲有合同要求和市场容量限制，不具性价比；公募基金交易员可利用国外期货市场日内波动交易获取收益，但大账户受限[21][22] - 债券采用哑铃型操作，保证流动性选高票息短券获静态收益，长久期进行关键点位博弈，固收加波动率容忍长久期波动[20] - 至少五六月份中国经济及金融市场无较大风险，债市建议维持高仓位，股票以红利打底并板块轮动[29]

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 [11] 相关目录总结 1. ETF策略指数跟踪 - 上周华宝研究大小盘轮动ETF策略指数收益-0.13% 基准为中证800 基准收益0.80% 超额收益-0.93% [12] - 上周华宝研究量化风火轮策略指数ETF收益0.78% 基准为中证800 基准收益0.80% 超额收益-0.02% [12] - 上周华宝研究量化平衡术ETF策略指数收益0.22% 基准为沪深300 基准收益1.12% 超额收益-0.89% [12] - 上周华宝研究SmartBeta增强策略指ETF收益0.38% 基准为中证800 基准收益0.80% 超额收益-0.43% [12] - 上周华宝研究热点跟踪策略指数ETF收益0.56% 基准为中证全指 基准收益0.67% 超额收益-0.11% [12] - 上周华宝研究债券ETF久期策略指数收益-0.35% 基准为中债 - 总指数 基准收益-0.40% 超额收益0.05% [12] 1.1. 华宝研究大小盘轮动ETF策略指数 - 该指数利用多维度技术指标因子 用机器学习模型预测申万大盘和小盘指数收益差 周度输出信号决定持仓获取超额回报 截至2025/5/16 2024年以来超额收益16.17% 近一月-0.28% 近一周-0.93% [3][13] - 持仓为中证500ETF占50% 中证1000ETF占50% [17] 1.2. 华宝研究SmartBeta增强ETF策略指数 - 该指数用量价类指标对自建barra因子择时 依ETF在9大barra因子暴露度映射择时信号 选取主流宽基及风格、策略ETF 截至2025/5/16 2024年以来超额收益16.94% 近一月-0.30% 近一周-0.43% [3][15] - 持仓包含银行ETF、汽车ETF、有色60ETF、农业ETF、建材ETF等 [25] 1.3. 华宝研究量化风火轮ETF策略指数 - 该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2025/5/16 2024年以来超额收益1.55% 近一月0.40% 近一周-0.02% [4][21] - 持仓有中证2000ETF占50.80%、中证1000ETF占23.54%、中证500ETF占13.17%、红利低波ETF占12.49% [23] 1.4. 华宝研究量化平衡术ETF策略指数 - 该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2025/5/16 2024年以来超额收益0.20% 近一月-2.03% 近一周-0.89% [4][25] - 持仓包括中证1000ETF、500ETF增强、300增强ETF、政金债券ETF、短融ETF、十年国债ETF等 [29] 1.5. 华宝研究热点跟踪ETF策略指数 - 该指数根据市场情绪、行业事件、投资者情绪、政策法规及历史演绎等跟踪挖掘热点指数标的 构建ETF组合 为投资者提供短期趋势参考 截至2025/5/16 近一月超额收益-1.57% 近一周-0.11% [5][29] - 持仓有房地产ETF基金、港股消费ETF、港股红利ETF博时、豆粕ETF、国债ETF5至10年等 [35] 1.6. 华宝研究债券ETF久期策略指数 - 该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 提升组合收益和回撤控制能力 截至2025/5/16 近一月超额收益0.15% 近一周0.05% [5][32] - 持仓为十年国债ETF占49.99%、政金债券ETF占25.03%、国债ETF5至10年占24.98% [37]

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[11] 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策略指数上周收益0.61% 基准中证800收益0.29% 超额收益0.32% [12] - 华宝研究量化风火轮ETF策略指数上周收益0.26% 基准中证800收益0.29% 超额收益 -0.03% [12] - 华宝研究量化平衡术ETF策略指数上周收益0.27% 基准沪深300收益 -0.05% 超额收益0.32% [12] - 华宝研究SmartBeta增强ETF策略指数上周收益 -1.22% 基准中证800收益0.29% 超额收益 -1.51% [12] - 华宝研究热点跟踪ETF策略指数上周收益1.19% 基准中证全指收益1.08% 超额收益0.11% [12] - 华宝研究债券ETF久期策略指数上周收益0.19% 基准中债 - 总指数收益0.17% 超额收益0.02% [12] 1.1. 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盘和小盘指数收益差 周度输出信号决定持仓获取超额回报 [13] - 截至2025/4/30 2024年以来超额收益16.87% 近一月超额收益1.04% 近一周超额收益0.32% [13] - 持仓为中证500ETF和中证1000ETF 权重各50% [16] 1.2. 华宝研究SmartBeta增强ETF策略指数 - 利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 涵盖主流宽基及风格、策略ETF获取超越市场收益 [16] - 截至2025/4/30 2024年以来超额收益16.49% 近一月超额收益1.48% 近一周超额收益 -1.51% [16] - 持仓为红利低波ETF 权重100% [23] 1.3. 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、跟踪短期市场趋势、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 [20] - 截至2025/4/30 2024年以来超额收益0.53% 近一月超额收益0.93% 近一周超额收益 -0.03% [20] - 持仓为银行ETF、农业ETF、军工ETF等 [24] 1.4. 华宝研究量化平衡术ETF策略指数 - 采用多因子体系 含经济基本面、流动性、技术面和投资者行为因子 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 [24] - 截至2025/4/30 2024年以来超额收益2.46% 近一月超额收益2.04% 近一周超额收益0.32% [24] - 持仓包括中证1000ETF、500ETF增强、300增强ETF等 [28] 1.5. 华宝研究热点跟踪ETF策略指数 - 根据市场情绪、行业事件、投资者情绪、政策法规和历史演绎等策略 跟踪挖掘热点指数标的产品 构建ETF组合 提供短期趋势参考 助投资者决策 [28] - 截至2025/4/30 近一月超额收益2.06% 近一周超额收益0.11% [28] - 持仓为房地产ETF、港股消费ETF、港股红利ETF等 [32] 1.6. 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 提升长期收益和回撤控制能力 [32] - 截至2025/4/30 近一月超额收益0.20% 近一周超额收益0.02% [32] - 持仓为十年国债ETF、政金债券ETF、国债ETF5至10年 [36]

量化模型与构建方式 1. **模型名称**：DFQ-FactorVAE-pro - **模型构建思路**：在FactorVAE模型基础上加入特征选择与环境变量模块，提升因子选股能力[5] - **模型具体构建过程**： 1. 特征选择模块通过LASSO回归筛选有效因子： $$ \min_{\beta} \left( \|Y - X\beta\|_2^2 + \lambda \|\beta\|_1 \right) $$ 其中$Y$为收益，$X$为因子矩阵，$\lambda$为惩罚系数 2. 环境变量模块引入宏观经济指标（如PMI、利率）作为条件变量 3. 通过变分自编码器(VAE)学习因子非线性关系： $$ \mathcal{L} = \mathbb{E}_{q(z|x)}[\log p(x|z)] - \beta D_{KL}(q(z|x)\|p(z)) $$ - **模型评价**：相比传统FactorVAE，在因子稳定性和环境适应性上有显著提升 量化因子与构建方式 1. **因子名称**：3个月盈利上下调 - **构建思路**：反映分析师对盈利预期的调整方向与幅度[6][22] - **具体构建**： $$ \text{因子值} = \frac{\text{上调家数} - \text{下调家数}}{\text{覆盖机构总数}} \times \text{调整幅度标准化值} $$ 其中调整幅度使用过去3个月EPS预测变化率的Z-score 2. **因子名称**：UMR（风险调整后动量） - **构建思路**：结合动量效应与波动率调整[19] - **具体构建**： - 计算窗口期（1/3/6/12个月）收益率 - 除以同期波动率： $$ \text{UMR} = \frac{r_t}{\sigma_t} \times \sqrt{T} $$ $T$为时间周期调整系数 3. **因子名称**：DELTAROA - **构建思路**：捕捉资产收益率边际变化[22][29] - **具体构建**： $$ \text{DELTAROA} = \frac{\text{本期ROA} - \text{去年同期ROA}}{\text{资产规模}} $$ 4. **因子名称**：特异度（IVR_1M） - **构建思路**：衡量个股收益脱离市场共同因素的程度[19] - **具体构建**： $$ \text{IVR} = 1 - R^2_{\text{FF3}} $$ 其中$R^2_{\text{FF3}}$为Fama-French三因子模型拟合度 因子回测效果 沪深300样本空间 1. **3个月盈利上下调**： - 最近一周：0.76% - 近一年年化：5.38% - IR：0.84[22] 2. **六个月UMR**： - 最近一月：1.56% - 历史年化：5.37% - 最大回撤：3.2%[22] 中证500样本空间 1. **一个月UMR**： - 最近一周：1.16% - 今年以来：2.37% - 近十年趋势：5.61%[25] 2. **特异度**： - 最近一月：-1.73% - 信息比率：0.48[25] 中证1000样本空间 1. **一个月换手**： - 最近一周：1.89% - 近一年年化：13.64% - 胜率：68%[32] 2. **标准化预期外收入**： - 最近一月：1.20% - 历史年化：5.70%[32] 模型回测效果 1. **DFQ-FactorVAE-pro**： - 中证800增强年化超额：7.2% - 最大回撤：4.5% - 月度胜率：73%[5] 组合构建方法 1. **MFE组合优化模型**： - 目标函数：最大化因子暴露$f^Tw$ - 关键约束： - 风格暴露$s_l \leq X(w-w_b) \leq s_h$ - 行业中性$h_l \leq H(w-w_b) \leq h_h$ - 换手率$\Sigma|w-w_0| \leq to_h$[56] - 优化方法：线性规划求解

量化模型与因子分析总结 量化因子与构建方式 风格类风险因子 1. **因子名称**：Trend **构建思路**：衡量股票价格趋势的因子 **具体构建过程**： - Trend_120：使用半衰期20天和120天的指数加权移动平均(EWMA)比值 - Trend_240：使用半衰期20天和240天的指数加权移动平均(EWMA)比值 公式： $$Trend\_120 = EWMA(halflife=20)/EWMA(halflife=120)$$ $$Trend\_240 = EWMA(halflife=20)/EWMA(halflife=240)$$ **因子评价**：本周表现最佳，显示市场对趋势策略偏好增强[9][11] 2. **因子名称**：Size **构建思路**：衡量公司规模的因子 **具体构建过程**：使用总市值的对数计算[12] 3. **因子名称**：Beta **构建思路**：衡量股票系统风险的因子 **具体构建过程**：使用贝叶斯压缩后的市场Beta计算[12] 4. **因子名称**：Volatility **构建思路**：衡量股票波动性的因子 **具体构建过程**： - Stdvol：过去243天的标准波动率 - Ivff：过去243天的FF3特质波动率 - Range：过去243天的最高价/最低价-1 - MaxRet_6：过去243天收益最高的六天的收益率平均值 - MinRet_6：过去243天收益最低的六天的收益率平均值[12] 5. **因子名称**：Liquidity **构建思路**：衡量股票流动性的因子 **具体构建过程**： - TO：过去243天的平均对数换手率 - Liquidity beta：过去243天的个股对数换手率与市场对数换手率回归[12] 6. **因子名称**：Value **构建思路**：衡量股票价值的因子 **具体构建过程**：使用账面市值比(BP)和盈利收益率(EP)计算[12] 7. **因子名称**：Growth **构建思路**：衡量公司成长性的因子 **具体构建过程**： - Delta ROE：过去3年ROE变动的平均值 - Sales_growth：销售收入TTM的3年复合增速 - Na_growth：净资产TTM的3年复合增速[12] 8. **因子名称**：SOE **构建思路**：衡量国有持股比例的因子 **具体构建过程**：使用国有持股比例计算[12] 9. **因子名称**：Certainty **构建思路**：衡量股票确定性的因子 **具体构建过程**： - Instholder Pct：公募基金持仓比例 - Cov：分析师覆盖度(对市值正交化) - Listdays：上市天数[12] 10. **因子名称**：Cubic Size **构建思路**：衡量市值幂次项的因子 **具体构建过程**：使用市值幂次项计算[12] 其他量化因子 1. **因子名称**：BP(账面市值比) **构建思路**：衡量公司估值水平的因子 **具体构建过程**：净资产/总市值[17] 2. **因子名称**：单季ROE **构建思路**：衡量公司短期盈利能力的因子 **具体构建过程**：单季净利润*2/(期初净资产+期末净资产)[17] 3. **因子名称**：一个月反转 **构建思路**：衡量短期反转效应的因子 **具体构建过程**：过去20个交易日涨跌幅[17] 4. **因子名称**：预期EPTTM **构建思路**：衡量预期盈利能力的因子 **具体构建过程**：一致预期滚动PE倒数[17] 5. **因子名称**：分析师认可度 **构建思路**：衡量分析师看法的因子 **具体构建过程**：(认可业绩分析师数-不认可业绩分析师数)/覆盖分析师数[17] 6. **因子名称**：非流动性冲击 **构建思路**：衡量股票非流动性的因子 **具体构建过程**：过去20个交易日日度涨跌幅绝对值比成交额的均值[17] 因子回测效果 风格因子表现 1. **Trend因子**： - 近一周：1.49% - 上一周：-4.48% - 近一月：-4.81% - 今年以来：-10.89% - 近一年：5.45% - 历史年化：13.86%[11] 2. **Growth因子**： - 近一周：1.48% - 上一周：-1.49% - 近一月：-1.53% - 今年以来：-4.38% - 近一年：-1.99% - 历史年化：2.60%[11] 3. **Size因子**： - 近一周：-4.61% - 上一周：-4.28% - 近一月：-12.65% - 今年以来：-22.68% - 近一年：-48.91% - 历史年化：-29.42%[11] 其他因子表现 1. **单季ROE因子(沪深300)**： - 最近一周：0.93% - 最近一月：1.22% - 今年以来：2.81% - 近1年年化：2.02% - 历史年化：4.42%[20] 2. **预期EPTTM因子(中证500)**： - 最近一周：1.89% - 最近一月：1.39% - 今年以来：0.07% - 近1年年化：4.45% - 历史年化：4.13%[23] 3. **一个月反转因子(中证1000)**： - 最近一周：1.74% - 最近一月：-1.28% - 今年以来：-0.18% - 近1年年化：-15.35% - 历史年化：-1.79%[29] 指数增强产品表现 沪深300指数增强产品 1. **最近一周**： - 超额收益最高：0.86% - 最低：-0.94% - 中位数：0.04%[43] 2. **最近一月**： - 超额收益最高：2.73% - 最低：-0.95% - 中位数：-0.02%[43] 中证500指数增强产品 1. **最近一周**： - 超额收益最高：1.60% - 最低：-0.59% - 中位数：0.20%[47] 2. **最近一月**： - 超额收益最高：1.51% - 最低：-1.24% - 中位数：0.11%[47] 中证1000指数增强产品 1. **最近一周**： - 超额收益最高：1.39% - 最低：-0.49% - 中位数：0.30%[50] 2. **最近一月**： - 超额收益最高：1.93% - 最低：-1.98% - 中位数：-0.18%[50] 附录：MFE组合构建方法 **构建思路**：最大化单因子暴露组合(Maximized Factor Exposure Portfolio) **具体构建过程**：采用组合优化模型，目标函数为最大化单因子暴露，约束条件包括风格因子偏离度、行业偏离度、个股偏离度等[52] 公式： $$\begin{array}{ll}max&f^{T}w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &0\leq w\leq l\\ &1^{T}w=1\\ &\Sigma|w-w_{0}|\leq to_{h}\end{array}$$