量化模型与构建方式 1. **模型名称：A股景气度高频指数模型**[28] * **模型构建思路**：以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频反映A股整体景气状况的指数[28]。 * **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，仅提及构建详情可参考另一篇报告《视角透析：A股景气度高频指数构建与观察》[28]。 2. **模型名称：A股情绪指数模型**[32] * **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，并据此构建包含见底预警与见顶预警的情绪指数[32]。 * **模型具体构建过程**：首先，将市场按照波动率和成交额的变化方向划分为四个象限。研究发现，只有“波动上-成交下”的区间为显著负收益，其余象限都为显著正收益[32]。基于此规律，构建了A股情绪指数系统。具体算法和公式未在本报告中详述，相关研究请参考报告《视角透析：A股情绪指数构建与观察》[32]。 3. **模型名称：主题挖掘算法模型**[43] * **模型构建思路**：通过处理新闻和研报文本，从多个维度挖掘和描述主题投资机会[43]。 * **模型具体构建过程**：算法涉及文本处理、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多个维度[43]。报告未提供具体的数学模型或计算公式。 4. **模型名称：中证500指数增强模型**[44] * **模型构建思路**：通过量化策略构建投资组合，旨在持续稳定地跑赢中证500指数基准[44]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置或组合优化公式，仅展示了其历史表现和当期持仓[44][45]。 5. **模型名称：沪深300指数增强模型**[50] * **模型构建思路**：通过量化策略构建投资组合，旨在持续稳定地跑赢沪深300指数基准[49]。 * **模型具体构建过程**：报告未披露该增强模型的具体因子构成、权重配置或组合优化公式，仅展示了其历史表现和当期持仓[49][52]。 6. **模型名称：风格因子模型（BARRA框架）**[54] * **模型构建思路**：参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益差异并进行组合归因[54]。 * **模型具体构建过程**：报告列出了十大类风格因子，包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG）[54]。报告未提供每个因子的具体计算公式。 模型的回测效果 1. **A股情绪指数模型**，择时表现参见图表17[41]。 2. **中证500指数增强模型**，截至本周收益-0.25%，跑输基准1.27%[44]。2020年至今，相对中证500指数超额收益47.37%，最大回撤-5.89%[44]。 3. **沪深300指数增强模型**，截至本周收益率0.57%，跑赢基准0.65%[49]。2020年至今，相对沪深300指数超额收益39.15%，最大回撤-5.86%[49]。 量化因子与构建方式 1. **因子名称：市值（SIZE）**[54] * **因子构建思路**：衡量公司规模大小的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 2. **因子名称：BETA**[54] * **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[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 3. **因子名称：动量（MOM）**[54] * **因子构建思路**：衡量股票价格趋势强弱的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 4. **因子名称：残差波动率（RESVOL）**[54] * **因子构建思路**：衡量股票特异性风险（剔除市场风险后）的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 5. **因子名称：非线性市值（NLSIZE）**[54] * **因子构建思路**：捕捉市值因子非线性效应的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 6. **因子名称：估值（BTOP，Book-to-Price）**[54] * **因子构建思路**：通常指市净率（PB）的倒数，衡量股票估值高低的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 7. **因子名称：流动性（LIQUIDITY）**[54] * **因子构建思路**：衡量股票交易活跃度与变现难易程度的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 8. **因子名称：盈利（EARNINGS_YIELD）**[54] * **因子构建思路**：衡量公司盈利能力的风格因子，通常为市盈率（PE）的倒数[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 9. **因子名称：成长（GROWTH）**[54] * **因子构建思路**：衡量公司成长性的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 10. **因子名称：杠杆（LVRG）**[54] * **因子构建思路**：衡量公司财务杠杆水平的风格因子[54]。 * **因子具体构建过程**：报告未提供具体计算公式。 因子的回测效果 1. **风格因子（近一周纯因子收益率）**，表现参见图表24[58]。其中，非线性市值因子超额收益较高，价值、流动性因子呈较为显著的负向超额收益[55]。 2. **风格因子（近期表现）**，高Beta股表现优异，杠杆、价值、流动性等因子表现不佳[55]。 3. **行业因子（近一周纯因子收益率）**，表现参见图表25[58]。其中，国防军工、通信等行业因子跑出较高超额收益，石油石化、煤炭等行业因子回撤较多[55]。

核心观点 - 中银量化多策略行业轮动系统采用基于“负向波动率平价”模型的复合策略，动态分配7个单策略的权重，以构建行业配置组合 [40][45][46] - 截至2025年12月11日，复合策略当前仓位最高的行业为通信（9.6%）、银行（9.5%）和交通运输（9.1%）[1][55] - 本周（2025年12月4日至12月11日）复合策略获得累计收益0.3%，跑赢中信一级行业等权基准（0.0%），对应超额收益0.3% [3][59] - 年初至今（截至2025年12月11日），复合策略累计收益为27.5%，跑赢行业等权基准（22.3%），累计超额收益为5.2% [3][60] 市场表现回顾 - 本周（2025年12月4日至12月11日）中信一级行业平均周收益率为0.0%，近1月平均收益率为-4.1% [3][10] - 本周收益率表现最好的三个行业是通信（6.4%）、国防军工（4.6%）、非银行金融（3.3%）[3][10] - 本周收益率表现最差的三个行业是煤炭（-3.6%）、石油石化（-2.7%）、钢铁（-2.4%）[3][10] - 年初至今表现最好的三个行业是通信（87.3%）、有色金属（81.1%）、电力设备及新能源（42.3%）[11] 行业估值风险预警 - 报告采用滚动6年稳健PB分位数作为估值预警指标，分位数超过95%的行业将触发高估值预警并被剔除出策略测算 [12] - 本周触发高估值预警的行业有：计算机（100.0%）、商贸零售（100.0%）、传媒（97.9%）、有色金属（96.9%）、石油石化（96.5%）、国防军工（96.3%）[12][13] - 当前估值较低的行业包括：食品饮料（0.6%）、建筑（22.9%）、医药（27.9%）、交通运输（28.2%）[13] 单策略表现与推荐行业 - **S1 高景气行业轮动策略（周度）**：本周绝对收益3.5%，年初至今绝对收益24.2%，超额收益1.9% [3][59]；当前推荐行业为机械、通信、电力设备及新能源 [15][16] - **S2 隐含情绪动量策略（周度）**：本周绝对收益2.9%，年初至今绝对收益42.0%，超额收益19.7% [3][59]；当前推荐行业为通信、机械、电子 [20] - **S3 宏观风格轮动策略（月度）**：本周绝对收益-1.7%，年初至今绝对收益27.4%，超额收益5.1% [3][59]；当前推荐行业为银行、家电、电力及公用事业、石油石化、交通运输、建筑 [23] - **S4 中长期困境反转策略（月度）**：本周绝对收益-0.3%，年初至今绝对收益27.7%，超额收益5.4% [3][59]；当前推荐行业为有色金属、电力设备及新能源、钢铁、银行、建材 [27] - **S5 资金流策略（月度）**：本周绝对收益-0.8%，年初至今绝对收益16.3%，超额收益-6.0% [3][59]；当前推荐行业为综合、石油石化、钢铁、综合金融、农林牧渔 [29][30] - **S6 财报因子失效反转策略（月度）**：本周绝对收益0.9%，年初至今绝对收益23.8%，超额收益1.5% [3][59]；当前推荐行业为非银行金融、食品饮料、家电、通信、交通运输 [35] - **S7 传统多因子打分策略（季度）**：本周绝对收益-0.4%，年初至今绝对收益39.4%，超额收益17.1% [3][59]；本季度推荐行业为食品饮料、基础化工、非银行金融、银行、交通运输 [39] 策略复合与权重分配 - 复合策略采用“负向波动率控制模型”对7个单策略进行资金分配，根据各策略下跌交易日的波动率（负向波动率）的倒数进行归一化配置 [40][45] - 当前（2025年12月11日）单策略权重最高的为S7传统多因子打分策略（23.7%），权重最低的为S2隐含情绪动量策略和S3宏观风格轮动策略（均为7.2%）[3][54] - 复合策略的调仓频率根据单策略频率设定：季度首日调整全部7个策略，月度首日调整6个周/月频策略，每周四调整2个周频策略 [42][44][46] - 策略权重通过等权方式映射至各策略看多的行业，形成最终的行业配置权重 [47][48] 复合策略配置与调仓动向 - 当前复合策略行业配置覆盖19个中信一级行业，前五大重仓行业为通信（9.6%）、银行（9.5%）、交通运输（9.1%）、非银行金融（8.0%）、食品饮料（7.7%）[1][55] - 从板块配置看，当前权重最高的板块为中游非周期（21.1%）、金融（21.0%）和TMT（12.0%）[56] - 本周复合策略调仓动向为：加仓TMT、中游周期和中游非周期板块，减仓消费、金融和上游周期板块 [3] - 近10周板块配置显示，TMT板块配置权重从6.8%上升至12.0%，消费板块配置权重从17.2%下降至15.6% [56]

量化多头策略整体表现 - 截至2025年11月底，符合排名规则且有业绩展示的量化多头产品共715只，产品总规模合计约609.92亿元，近1年平均收益达39.07%，在私募二级策略中排名第一 [2] - 同期，主观多头策略产品数量为2021只，总规模1817.49亿元，近1年平均收益为35.20%，位列第二 [3] - 所有统计的私募二级策略产品总计4713只，总规模约4051.69亿元，近1年平均收益为29.02% [3] 百亿以上规模私募量化多头表现 - 百亿私募旗下符合排名规则的量化多头产品合计246只，近1年平均收益为43.46%，领衔各规模组 [5] - 旗下有3只及以上符合排名产品的百亿私募共29家，近1年收益均值排名前3的私募依次是灵均投资、平方和投资、宁波幻方量化 [5] - 平方和投资专注于量化投资、深耕中低频，管理规模于2025年突破百亿，旗下3只量化多头产品由创始人吕杰勇和投研总监方壮熙共同管理 [5] - 创始人吕杰勇拥有超过10年国内量化投资实战和管理经验，曾任职于搜狐、腾讯、博时基金及中信证券 [6] - 宁波幻方量化旗下符合排名规则的量化多头产品有11只，产品规模合计23.83亿元，位列该组第三 [5] - 平方和投资、宁波幻方量化、世纪前沿、蒙玺投资、九坤投资、明汯投资等7家百亿私募旗下全部产品净值在2025年11月A股震荡盘整中逆势创下历史新高 [8] 20-100亿规模私募量化多头表现 - 该规模组旗下符合排名规则的量化多头产品合计144只，近1年平均收益为41.79% [8] - 旗下有3只及以上符合排名产品的私募共22家，近1年收益均值排名前3的私募依次是鹿秀投资、云起量化、广州守正用奇 [9] - 鹿秀投资秉持“守正出奇、高收益风险比”的投资理念，构建了一级半市场基本面量化体系，策略矩阵包括一级半多头策略、量化策略及IPO打新策略等 [10] - 准百亿私募倍漾量化（规模50-100亿）位列该组第5，是一家AI原生的量化投资公司，由冯霁博士创立，李开复博士任联合创始人，投研团队汇聚了13块奥赛金牌得主，并自行搭建了超算中心 [11] 5-20亿规模私募量化多头表现 - 该规模组旗下符合排名规则的量化多头产品合计160只，近1年平均收益为35.88% [12] - 旗下有3只及以上符合排名产品的私募共14家，近1年收益均值排名前3的私募依次是龙吟虎啸、中闽汇金、杨湜资产 [13] - 杨湜资产旗下有3只量化多头产品，其“杨湜微盘股增强1号B类份额”由郑彬和邹启翔共同管理，收益表现突出 [14] - 杨湜资产成立于2016年，核心成员具有超过15年量化实战经验，策略包括微盘股增强、量化套利、量化选股、量化对冲及量化多策略等 [14] 0-5亿规模私募量化多头表现 - 该规模组旗下符合排名规则的量化多头产品合计165只，近1年平均收益为33.26% [15] - 旗下有3只及以上符合排名产品的私募共11家，近1年收益均值排名前3的私募依次是杭州塞帕思、广州天钲瀚、鸿通投资 [15] - 杭州塞帕思成立于2016年，通过精选行业个股结合中国市场特色进行投资，并采取适度灵活的资产配置策略，在配置高成长股票的基础上配合风控或对冲工具 [16]

核心观点 - 报告期内（2025年12月8日至12月12日），市场呈现明显的大市值风格占优特征，规模因子、beta因子和非线性市值因子获得正收益 [1] - 在各类量化选股策略中，私募调研跟踪策略和PB-ROE-50组合表现突出，超额收益显著 [3] 因子表现跟踪 大类因子表现 - 本周全市场股票池中，规模因子收益为1.18%，beta因子收益为0.91%，非线性市值因子收益为0.82%，显示大市值风格占优 [1][20] - BP因子和流动性因子表现不佳，分别获得负收益-0.55%和-0.38% [1][20] 单因子表现 - **沪深300股票池**：表现最好的因子是总资产增长率(2.05%)、单季度ROA(1.71%)和换手率相对波动率(1.59%) [1][12] - **沪深300股票池**：表现最差的因子是对数市值因子(-1.00%)、下行波动率占比(-1.10%)和大单净流入(-1.14%) [1][12] - **中证500股票池**：表现最好的因子是单季度EPS(1.61%)、总资产增长率(1.39%)和动量弹簧因子(1.22%) [1][14] - **中证500股票池**：表现最差的因子是市销率TTM倒数(-2.49%)、下行波动率占比(-2.55%)和市净率因子(-3.06%) [1][14] - **流动性1500股票池**：表现最好的因子是总资产增长率(2.25%)、单季度营业收入同比增长率(2.05%)和单季度ROA同比(1.92%) [2][18] - **流动性1500股票池**：表现最差的因子是市盈率因子(-0.90%)、下行波动率占比(-0.95%)和市净率因子(-0.97%) [2][18] 行业内因子表现 - 成长类因子在通信、综合等行业表现突出，例如净资产增长率因子在通信、综合、煤炭行业表现较好 [2][22] - 动量因子表现分化：5日动量因子在国防军工、通信行业表现为动量效应，在商业贸易、钢铁、食品饮料行业表现为反转效应 [2][22] - 估值类因子普遍承压，BP因子在多数行业表现不佳，但EP因子在通信行业表现较好 [2][22] - 规模与流动性因子在特定行业占优：对数市值因子在综合、通信、农林牧渔、电子行业表现较好；流动性因子在通信、商业贸易、电子行业表现较好 [2][22] 量化组合跟踪 PB-ROE-50组合表现 - 本周该组合在各股票池中均获得显著正超额收益：在中证500股票池为0.30%，在中证800股票池为1.60%，在全市场股票池为1.59% [3][24] - 今年以来，该组合超额收益显著，在全市场股票池累计超额收益达20.09%，绝对收益率达46.31% [25] 机构调研组合跟踪 - 私募调研跟踪策略表现最佳，本周相对中证800获得超额收益2.77% [3][27] - 公募调研选股策略本周相对中证800获得超额收益1.79% [3][27] - 今年以来，私募调研跟踪策略累计超额收益为19.34%，公募调研选股策略为19.08% [28] 大宗交易组合跟踪 - 本周大宗交易组合表现不佳，相对中证全指超额收益为-0.95% [3][31] - 但该组合今年以来累计超额收益高达37.70%，绝对收益率为67.77% [32] 定向增发组合跟踪 - 本周定向增发组合表现最差，相对中证全指超额收益为-1.50% [3][37] - 今年以来，该组合累计超额收益为-8.69%，但绝对收益率仍为11.24% [38]

量化模型与因子总结 量化模型与构建方式 1. **模型名称**：中性约束条件下最大化因子暴露组合[22] **模型构建思路**：在构建单因子投资组合时，采用一种优化方法，在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[22]。 **模型具体构建过程**：模型的具体构建方法在附录中提及，但正文未详细展开。其核心思想是通过优化求解，在满足行业和风格因子暴露中性（即组合在这些维度上的暴露与基准指数一致或为零）的约束条件下，使投资组合对目标因子的暴露达到最大[22]。 量化因子与构建方式 风格因子（共10个大类）[16] 构建思路：参考BARRA因子模型构建，以捕捉A股市场的风格变化[16]。大类风格因子通过细分因子合成[16]。 1. **因子名称**：估值因子 **因子具体构建过程**：估值因子 = BP。其中BP（Book to Price）为细分因子，构造方式为：归母股东权益 / 总市值[17]。 2. **因子名称**：成长因子 **因子具体构建过程**：成长因子 = (SGRO + EGRO) / 2[17]。 * 细分因子SGRO（Sales growth）：过去五个财年年报的每股营业收入按时间进行回归，将回归系数（斜率）除以每股营业收入的平均值，得到营业收入增长率SGRO[17]。 * 细分因子EGRO（Earnings growth）：过去五个财年年报的每股归母净利润按时间进行回归，将回归系数（斜率）除以每股归母净利润的平均值，得到归母净利润增长率EGRO[17]。 3. **因子名称**：盈利因子 **因子具体构建过程**：盈利因子 = (ETOP + CETOP) / 2[17]。 * 细分因子ETOP（Earnings-to-price ratio）：归母净利润TTM / 总市值[17]。 * 细分因子CETOP（Cash earnings-to-price ratio）：经营活动产生的现金流量净额TTM / 总资产[17]。 4. **因子名称**：规模因子 **因子具体构建过程**：规模因子 = LNCAP。其中LNCAP（Natural log of market cap）为细分因子，构造方式为：总市值的对数[17]。 5. **因子名称**：Beta因子 **因子具体构建过程**：Beta因子 = BETA。其中BETA为细分因子，构造方式为：将个股过去252个交易日的日收益率与中证全指日收益率进行半衰指数加权回归，半衰期为63个交易日。最终取回归系数作为BETA[17]。 6. **因子名称**：动量因子 **因子具体构建过程**：动量因子 = RSTR。其中RSTR（Relative strength）为细分因子，构造方式为：过去504个交易日个股累计收益率，不含最近21个交易日。其中收益率序列使用半衰指数加权，半衰期为126个交易日[17]。 7. **因子名称**：流动性因子 **因子具体构建过程**：流动性因子 = (STOM + STOQ + STOA) / 3[17]。 * 细分因子STOM（Share turnover, one month）：个股过去1个月的换手率加总，之后取对数[17]。 * 细分因子STOQ（Average share turnover, trailing 3 months）：个股过去3个月STOM的均值[17]。 * 细分因子STOA（Average share turnover, trailing 12 months）：个股过去12个月STOM的均值[17]。 8. **因子名称**：波动性因子 **因子具体构建过程**：波动性因子 = (DASTD + CMRA + HSIGMA) / 3[17]。 * 细分因子DASTD（Daily standard deviation）：过去250个交易日个股相对于所有股票等权指数的超额收益率的标准差。其中计算标准差时使用半衰指数加权，半衰期为40个交易日[17]。 * 细分因子CMRA（Cumulative range）：计算个股过去12个月内的累计对数收益率，将累计最高收益与累计最低收益做差得到CMRA[17]。 * 细分因子HSIGMA（Historical sigma）：计算BETA时残差的标准差[17]。 9. **因子名称**：非线性市值因子 **因子具体构建过程**：非线性市值因子 = NLSIZE。其中NLSIZE（Non-linear Size）为细分因子，构造方式为：将股票总市值对数的三次方与对数市值进行加权最小二乘回归，其中权重为对数市值的平方根，最终取回归残差作为NLSIZE。总市值越大或越小的股票NLSIZE越大，中市值股票NLSIZE小[17]。 10. **因子名称**：杠杆因子 **因子具体构建过程**：杠杆因子 = (MLEV + DTOA + BLEV) / 3[17]。 * 细分因子MLEV（Market leverage）：非流动负债 / 总市值[17]。 * 细分因子DTOA（Debt to assets）：总负债 / 总资产[17]。 * 细分因子BLEV（Book leverage）：非流动负债 / 归属母公司股东权益[17]。 选股因子（共53个）[21] 构建思路：构建了53个常用的选股因子，涵盖了估值、成长、质量、规模、反转、动量、流动性、波动性、分红、公司治理以及技术等多个方面[21]。在计算全市场股票池因子表现时，会对每个单因子进行中性化处理，消除其与行业、风格（规模、估值、成长）因子的相关性[47]。 **因子列表及具体构建过程如下表所示**[22]： | 因子类别 | 因子名称 | 构造方式 | 参考方向 | | :--- | :--- | :--- | :--- | | 估值 | BP | 归属母公司股东权益/总市值 | 正向[22] | | | 单季度EP | 单季度归母净利润/总市值 | 正向[22] | | | EP_TTM | 归母净利润TTM/总市值 | 正向[22] | | | 单季度SP | 单季度营业收入/总市值 | 正向[22] | | | SP_TTM | 营业收入TTM/总市值 | 正向[22] | | | 单季度CFEV | 单季度经营活动产生的现金流量净额/（市值 + 短期借款 + 长期借款 + 应付债券 - 货币资金） | 正向[22] | | | CFEV_TTM | 经营活动产生的现金流量净额TTM/（市值 + 短期借款 + 长期借款 + 应付债券 - 货币资金） | 正向[22] | | 成长 | 单季度净利润同比增速 | 单季度归母净利润同比增长率 | 正向[22] | | | 单季度营业收入同比增速 | 单季度营业收入同比增长率 | 正向[22] | | | 单季度营业利润同比增速 | 单季度营业利润同比增长率 | 正向[22] | | | 标准化预期外盈利 | （当前季度归母净利润 -（去年同期单度归母净利润+过去8个季度单季归母净利润同比增长均值））/ 过去8个季度的单季度归母净利润同比增长值的标准差 | 正向[22] | | | 标准化预期外收入 | （当前季度营业收入 -（去年同期单度营业收入+过去8个季度单季度营业收入同比增长均值））/ 过去8个季度的单季营业收入同比增长值的标准差 | 正向[22] | | | 单季度ROE同比 | ROE单季度同比变化 | 正向[22] | | | 单季度ROA同比 | ROA单季度同比变化 | 正向[22] | | 质量 | 单季度ROE | 单季度归母净利润/归属母公司股东权益 | 正向[22] | | | 单季度ROA | 单季度归母净利润/总资产 | 正向[22] | | | 单季度毛利率 | （单季度营业收入-单季度营业成本）/单季度营业收入 | 正向[22] | | | 单季度营业利润率 | 单季度营业利润/单季度营业收入 | 正向[22] | | | 单季度净利润率 | 单季度归母净利润/单季度营业收入 | 正向[22] | | | 盈余质量 | (经营活动现金流量净额-营业利润) /总资产 | 正向[22] | | | 流动比率 | 流动资产/流动负债 | 正向[22] | | 规模 | 对数市值 | 总市值的对数 | 负向[22] | | 反转 | 20日反转 | 个股过去20个交易日收益率 | 负向[22] | | | 60日反转 | 个股过去60个交易日收益率 | 负向[22] | | 动量 | 60日动量 | 个股过去60个交易日（排除近20日）收益率 | 正向[22] | | | 240日动量 | 个股过去240个交易日（排除近20日）收益率 | 正向[22] | | | 盈余公告前隔夜动量 | 个股盈余公告前20个交易日的隔夜收益 | 正向[22] | | | 盈余公告次日开盘跳空超额 | 个股盈余公告次日开盘价/昨日收盘价-中证全指次日开盘价/昨日收盘价 | 正向[22] | | 流动性 | 20日换手率 | 个股过去20个交易日换手率的平均值 | 负向[22] | | | 60日换手率 | 个股过去60个交易日换手率的平均值 | 负向[22] | | | 20日换手率波动 | 个股过去20个交易日换手率的标准差 | 负向[22] | | | 60日换手率波动 | 个股过去60个交易日换手率的标准差 | 负向[22] | | | 20日非流动性冲击 | 个股过去20个交易日的收益率绝对值/过去20日成交额的均值 | 正向[22] | | | 60日非流动性冲击 | 个股过去60个交易日的收益率绝对值/过去60日成交额的均值 | 正向[22] | | 波动性 | 20日收益率标准差 | 个股过去20个交易日的日收益率标准差 | 负向[22] | | | 60日收益率标准差 | 个股过去60个交易日的日收益率标准差 | 负向[22] | | | 20日特异度 | 个股过去20个交易日的日收益与Fama-French三因子回归的拟合度 | 负向[22] | | | 60日特异度 | 个股过去60个交易日的日收益与Fama-French三因子回归的拟合度 | 负向[22] | | | 20日三因子模型残差波动率 | 个股过去20个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | | 120日三因子模型残差波动率 | 个股过去120个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | | 240日三因子模型残差波动率 | 个股过去240个交易日的日收益对Fama-French三因子回归的残差的标准差 | 负向[22] | | 分红 | 股息率 | 最近4个季度分红/总市值 | 正向[22] | | 公司治理 | 前五大股东持股比例 | 前五大股东持股比例合计 | 正向[22] | | | 前十大股东持股比例 | 前十大股东持股比例合计 | 正向[22] | | 技术 | 20日成交额 | 过去20个交易日日均成交额 | 负向[22] | | | 60日成交额 | 过去60个交易日日均成交额 | 负向[22] | | | 60日偏度 | 过去60个交易日日度收益率数据计算的偏度 | 负向[22] | | | 240日偏度 | 过去240个交易日日度收益率数据计算的偏度 | 负向[22] | | | 20日成交量变异系数 | 过去20个交易日成交量的标准差 / 过去20个交易日成交量均值 | 负向[22] | | | 60日成交量变异系数 | 过去60个交易日成交量的标准差 / 过去60个交易日成交量均值 | 负向[22] | | | 20日成交量比率 | 过去20个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | | | 60日成交量比率 | 过去60个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | | | 120日成交量比率 | 过去120个交易日成交量均值/ 过去240个交易日成交量均值 | 负向[22] | 模型的回测效果 *注：报告中未提供“中性约束条件下最大化因子暴露组合”模型整体的综合回测指标（如年化收益、夏普比率等），仅提供了该模型框架下各单因子的超额收益表现。* 因子的回测效果 风格因子表现（近一周多空收益）[19] 1. Beta因子， 多空收益 4.54%[19] 2. 动量因子， 多空收益 4.34%[19] 3. 波动性因子， 多空收益 3.81%[19] 4. 规模因子， 多空收益 3.36%[19] 5. 流动性因子， 多空收益 1.59%[19] 6. 成长因子， 多空收益 1.15%[19] 7. 非线性市值因子， 多空收益 0.88%[19] 8. 盈利因子， 多空收益 0.61%[19] 9. 杠杆因子， 多空收益 -0.56%[19] 10. 估值因子， 多空收益 -3.71%[19] 选股因子表现（基于“中性约束条件下最大化因子暴露组合”） **以下为各股票池中，因子在“最近一周”窗口期的超额收益表现。** 沪深300股票池[24] 1. 标准化预期外盈利因子， 超额收益 0.87%[24] 2. 240日动量因子， 超额收益 0.78%[24] 3. 单季度净利润率因子， 超额收益 0.74%[24] 中证500股票池[28] 1. 单季度毛利率因子， 超额收益 1.49%[28] 2. 单季度营业利润率因子， 超额收益 1.26%[28] 3. 单季度净利润率因子， 超额收益 1.05%[28] 中证800股票池[33] 1. 单季度ROE因子， 超额收益 1.02%[33] 2. 盈余公告前隔夜动量因子， 超额收益 0.97%[33] 3. 标准化预期外盈利因子， 超额收益 0.94%[33] 中证1000股票池[38] 1. 单季度营业利润率因子， 超额收益 1.34%[38] 2. 单季度净利润率因子， 超额收益 1.25%[38] 3. 单季度营业利润同比增速因子， 超额收益 1.15%[38] 沪深300ESG股票池[42] 1. 标准化预期外盈利因子， 超额收益 0.96%[42] 2. 单季度营业利润同比增速因子， 超额收益 0.57%[42] 3. 单季度ROA因子， 超额收益 0.52%[42] 全市场股票池（近一周Rank IC）[46] 1. 单季度ROE因子， Rank IC 17.68%[46] 2. 单季度ROA因子， Rank IC 17.19%[46] 3. 单季度净利润率因子， Rank IC 16.25%[46]

公司核心发展理念与模式 - 公司以底层科学研究驱动量化投资创新 致力于发明“显微镜”级别的分析工具 而非仅优化现有方法[1] - 公司将金融数学的严谨逻辑与前沿机器学习技术结合 深入研究市场有效性、交易行为、价值本质及“分布不确定性”等核心概念[2] - 公司自2019年成立以来构建了完整的数字化投研体系 将因子开发、策略回测等流程效率提升了数个量级[2] - 公司以科研驱动生产力 以远低于行业常规的成本获得突破性成果 并成功跨入百亿私募行列[2] 公司市场定位与社会责任 - 公司认为量化机构的社会责任首先体现在其策略是否促进了市场有效性[2] - 公司通过数据分析证实 良性的量化策略能在市场过热时降温、在恐慌下跌时提供流动性 起到价格稳定器的作用[3] - 公司积极传递“正确量化”理念 创始人通过学术会议及行业论坛演讲 并合著出版英文专著《漫游因子动物园》分享底层方法论[3] - 公司致力于将ESG理念融入因子体系 支持更具社会责任感的上市公司[3] 行业交流与生态建设 - “星耀领航计划”致力于打造国内最具影响力的科创类私募赋能平台 聚焦挖掘并培育兼具专业投资能力与合规治理水平的私募管理机构[1] - 该计划打破了传统上局限于产品尽调与商业合作的浅层交流模式 构建了一个让私募管理人、券商、媒体乃至科创企业能够纵向深入对话的生态系统[3] - 公司期待该计划未来能举办更多线下深度交流活动 围绕市场发展、科技创新与资本结合等核心议题展开思想碰撞[4] - “星耀领航计划”将持续挖掘并支持更多兼具科创精神、专业实力与责任意识的私募管理机构 共同构建科技、资本与实体经济高水平循环的生态体系[5]

文章核心观点 - 全球领先的另类资产管理公司Marshall Wace已采用彭博的多资产风险因子模型MAC3 以支持其量化研究和系统化投资策略 这反映出机构投资者对高精度风险模型日益增长的需求 [1] Marshall Wace公司概况 - Marshall Wace是一家全球领先的另类投资管理公司 成立于1997年 专注于多空股票和系统化交易策略 [3] - 公司资产管理规模超过700亿美元 是全球最大的另类资产管理公司之一 [1][3] - 公司在伦敦 纽约 香港 新加坡 阿布扎比和上海设有办公室 拥有超过750名员工 [3] - 公司成功的重要驱动在于其构建的稳健且可扩展的全球基础设施 以及对创新和技术升级的持续投入 [3] 彭博MAC3风险因子模型 - MAC3是彭博新一代多资产类别风险因子模型 代表了目前最先进的一类模型 [1] - 该模型每日基于超过3000个因子进行计算 为不同投资组合 投资范围和投资风格提供卓越的预测准确性 [1] - 模型不仅用于识别更广泛的市场信号 还能解析不同市场状态下的风险动态 [1] - MAC3融合了多项行业首创的创新方法 确立了其在风险模型领域的领先地位 [1] - 模型文件可通过彭博灵活开放的API基础设施访问 便于客户在各类工作流程中高效调用 [1] 模型应用与价值 - 采用MAC3能使机构获取先进的建模技术 实现更优的模型设定 精准的风险预测和强大的投资组合分析能力 [1] - 该模型有助于机构投资者深入理解驱动投资组合风险的因子 并确保在不同策略和市场实现一致的风险衡量 [1] - 在阿尔法策略制定过程中 MAC3的模块化设计和强大的因子结构 能助力量化和系统化管理者提升投资组合构建与风险预测能力 [1] 彭博投资组合管理解决方案 - MAC3模型为彭博投资组合管理旗舰级产品PORT Enterprise的风险分析提供计算引擎 [2] - PORT Enterprise为超过800家客户提供先进的投资组合风险分析和组合归因 并具备更强的定制化和批量报告功能 [2] - 彭博投资管理解决方案覆盖整个投资生命周期 提供多资产管理能力 集成研究管理 订单与执行管理 投资组合与风险分析 交易合规和运营支持 [2] - 该解决方案依托彭博值得信赖的证券主数据和行业领先的数据 确保一致性与高质量 助力实现精准透明的决策和深入的投资分析 [2]

文章核心观点 - 私募量化股票多头策略正从单一模式向“复合策略”演进，这已成为行业趋势，旨在挖掘更多元、更可持续的收益来源，以应对传统超额收益来源变薄、变难的竞争环境[5][34][35] 量化股多策略的复合化趋势 - **第一类：多策略融合** 量化股多策略开始从单一选股转向多策略融合模式[7] - **交易增厚** 在满仓选股的基础上叠加T0策略，利用短周期价格信号进行日内高频交易，以积累小额盈利，稳定增厚选股超额收益，且与选股超额相关性低[8][9][10] - **仓位管理** 叠加择时策略，但使用谨慎，趋向于小仓位、低频率以追求更高确定性[12][14] - 例如，有管理人核心仓位为选股，仅留20%敞口做择时，通过两融杠杆或股指期货对冲，将净敞口在80%至120%之间调整[15][16] - 另有管理人进行风格择时，根据市场性价比和确定性，在红利与小盘风格间灵活切换，避免过度风格暴露[16][17] 从股多到多资产交易 - **第二类：多资产交易** 策略从纯粹的量化股多趋向于多资产交易模式[21] - **资产配置** 在量化选股为主的基础上，战术性配置可转债、黄金、国债等其他资产[21][23] - **收益与风险** 可转债兼具股性弹性和债性防御，黄金、国债等资产与股票底层逻辑不同，可在不增加整体风险的前提下提供低相关收益来源，提高组合抗风险能力[22][23] - **策略深化** 在不同资产头寸上可采用更多策略，从简单的Beta配置转向挖掘更多Alpha收益[24] 多资产多策略复合模式 - **第三类：多资产多策略复合** 量化股多向多资产多策略复合模式转变[24] - **模式构成** 多资产提供大类资产配置的Beta收益，多策略捕捉更多元的Alpha收益[25] - **典型组合** 量化股多与CTA策略结合是代表性模式[26] - 量化股多在牛市提供高弹性并积累选股超额，CTA通过趋势跟踪、多空对冲等模型捕捉期货价格波动收益，两者收益来源独立，可丰富收益并对冲风险[27][28][29] - **配置比例灵活** 可根据偏好调整主次策略，例如以量化选股为主（80%仓位）则辅以30%-40%的CTA策略，并用15%股指期货多头补足仓位；若更看好CTA，则可将CTA设为主仓位[30] - **资金效率** CTA策略具备运用杠杆的固有属性，可有效提升资金使用效率[30] - **具体案例** 有管理人将70%仓位用于CTA策略保证金，运行15-20个子策略交易商品、股指、国债期货；其余30%仓位用于量化选股获取稳定超额[33] 策略演进的背景与动因 - **发展历程** 国内量化股多策略自2018、2019年以来吸引了大量资金涌入[31] - **竞争压力** 当越来越多资金采用相似方法，传统的超额收益来源会变薄、变难[34] - **行业方向** 寻找更多元、更可持续的收益来源成为量化管理人的首要竞争方向[35] 可转债策略的灵活性 - **策略切换** 针对可转债，可根据估值水平灵活切换策略：估值低、债性明显时采用高到期收益率轮动策略，侧重防守和利息收益；估值高、股性主导时采用双低策略，寻找股债双重特性中的上涨机会[32] - **交易机制** 可转债的T+0交易机制为日内高频交易提供了条件，进一步拓宽了收益来源[32]

公司战略与人才布局 - 公司近期作为赞助商参与全球顶级AI学术会议NeurIPS 2025，旨在直接触达全球顶尖AI人才，以人才作为量化投资的底层驱动力 [2] - 公司近期入职的投研和技术同事背景多为AI方向，包括前沿课题研究者和ACM-ICPC等技术竞赛优胜者 [2] - 公司未来考虑持续参与此类AI学术会议，以接触前沿技术突破 [2] AI驱动投研的探索与实践 - 公司将“探索AI自主驱动投研”作为核心聚焦方向，主要从吸引顶尖AI人才、构建自主可控的全生命周期投研系统、高强度投入基础算力三方面持续投入 [3] - 为支持深度AI应用，公司构建了全链路自主可控的技术新引擎，包括超过40万核CPU和超过200P GPU的高性能算力池作为基座 [3] - 该技术引擎驱动全自研的云原生分布式投研平台，旨在高效完成从数据分析到模型构建的策略生产全流程 [3] - 在因子挖掘方面，来自AI方法论的因子占比从2024年初的约20%显著提升至目前的约60%以上，预计未来应用比例还将提升 [3] 量化选股策略与指数增强策略的差异 - 公司的量化选股策略与指数增强策略使用同一套预测模型 [4] - 主要区别在于量化选股策略不设定对标特定指数的风格约束，旨在更充分释放模型能力 [4] - 在交易活跃的牛市行情中，量化选股策略的进攻性和爆发力或更强，但伴随的代价是波动性和短期回撤也可能更大 [4] 推出量化选股策略的战略考量 - 推出量化选股策略旨在动态适应市场环境，解决指数增强策略在赛道选择和切换上的难题 [5] - 公司用比喻解释策略差异：指数增强策略类似定点垂钓，量化选股策略类似装载声呐的渔船，可主动寻找超额收益（鱼群）更丰富的水域 [5] - 策略会随市场变化而动态调整，例如在2021-2022年其表现更接近中证1000指增，而当前可能更接近中证2000指增，未来可能继续适应新的市场环境 [5]

债券承销市场竞争格局 - 中信证券以1.28万亿元承销规模领跑市场，市场份额为6.28% [1] - 中信建投以10923.4亿元承销规模位列第二，市场份额为5.37% [1] - “国泰海通”组合整合效应显现，以超万亿元承销规模强势跻身行业前三 [1] 券商业务拓展与区域产业投资 - 西部证券联合陕西国资及工银金融资产等共同出资20亿元，设立陕西战新产业发展并购投资基金 [2] - 该基金聚焦战略性新兴产业投资，经营范围包括创业投资及私募股权投资基金管理 [2] 量化私募投资策略动态 - 幻方、九坤、衍复等头部量化私募高频出现在国产GPU企业摩尔线程与沐曦股份的网下配售名单中 [3] - 多家量化私募正加紧推出科创、双创及AI等细分主题产品，以捕捉超额收益 [3] - 部分量化机构如卓识私募、茂源量化、世纪前沿同步推进红利主题产品布局，例如“中证红利指数增强”产品 [3] 红利主题基金发行趋势 - 下半年红利主题基金发行数量增至37只，合计募集规模达204.44亿元，较上半年的26只、93.98亿元实现翻倍增长 [4] - 下半年单只红利基金最大募集规模为17.67亿元，中位数上升至4亿元，高于上半年的10亿元和3亿元 [4] - 港股红利、红利低波等细分方向成为新发产品密集领域 [4]