核心观点 - 股市方面，市场或将继续围绕沪指4000点进行震荡整固，风格、行业轮动较此前明显提速，赚钱效应向部分细分领域缩圈，建议关注科技、新能源、电力等方向上逢低布局的机会[2][12] - 债市方面，债市或延续区间震荡，前期情绪或已修复到位，持续做多动能不足，利率缺乏进一步下破空间，短期波动方向或受股市走势影响[1][12] - 海外市场短期波动或仍然偏大，受美国政府"停摆"、市场对科技泡沫担忧加剧、美联储表态偏鹰等因素影响，建议待企稳后再积极布局[12][13] 重要事件回顾 - 11月5日，国务院关税税则委员会宣布，自2025年11月10日13时01分起，在一年内继续暂停实施24%的对美加征关税税率，保留10%的对美加征关税税率[9] - 11月5日，第八届中国国际进口博览会在上海开幕，参展厂商覆盖医疗器械、汽车出行、技术装备、消费品等多个产业[9] - 11月7日，海关总署公布数据显示，按人民币计，中国10月出口同比下降0.8%，进口同比增长1.4%；按美元计，出口同比下降1.1%，进口同比增长1.0%[9] 周度行情回顾（11.3-11.9） - 债市情绪小幅震荡回落，央行公布10月重启买债200亿元，不及市场预期，利率小幅震荡上行，总体以震荡行情为主[10] - A股围绕沪指4000点偏强震荡，行业风格方面银行、煤炭、电力、储能、电子、化工、海南板块等多个行业板块均有所表现，市场行业轮动有所加快[10] - 港股受A股带动，情绪偏强，震荡反弹，但恒生科技受海外市场调整影响，表现相对偏弱[10] - 海外市场普遍回落，部分海外机构转向看空美股科技股，市场分歧明显加大，美国政府创纪录"停摆"加剧了波动风险[10] 市场展望 - 大类资产配置观点显示，对债市、A股、黄金的周度和月度观点均为中性，对海外市场的周度观点为相对谨慎，月度观点为中性[13] A股债市市场重要指标跟踪监测 - 期限利差近期仍处于历史低位水平[16] - 资金面总体平稳[17] - 股债性价比变化较小，市场震荡为主，红利指数、小盘指数的性价比基本持平前值[17] - 本周A股震荡为主，估值基本持平前值[18] - 市场换手率小幅回落，成交活跃度有所下滑，两市日均成交额回落至20124亿元，较上周回落3130亿元[19] - 行业轮动速度有所加快，市场热点轮动较快，且较此前相对缩圈至更细分领域，赚钱效应有所弱化[19] 华宝资产配置组合表现 - 国内宏观多资产模型截至11月7日，今年以来的收益率为13.39%，超过基准的超额收益率为4.80%，夏普比率为2.82，显著超过基准的1.39[20] - 全球宏观多资产模型截至11月7日，今年以来的收益率为11.40%，超过基准的超额收益率为2.81%，夏普比率为2.25，超过基准的1.39[21] 下周重点关注 - 11月13日（可能延期），美国9月CPI数据[25] - 11月14日，中国10月宏观经济数据[25]

电子行业公募基金持仓概况 - 2025年三季度公募基金对电子行业的持仓市值占比提升至25%以上，创过去十五年单一行业最高配置比例纪录[2] - 历史上公募基金对单一行业的持仓市值占比最大值通常落在20%附近，例如2010年第一季度的银行、2015年第一季度的计算机等[2] - 除2014年医药生物行业外，历史上单一行业持仓占比突破20%后，该行业后续均面临绝对收益率的调整压力[2] 当前电子行业高持仓的深度分析 - 从加仓时长看，历次核心资产加仓平均时长为十个季度，当前电子行业加仓时长及仓位略高于历史平均值[3] - 从配置系数看，历次核心资产加仓区间内配置系数高点分布在3.0倍附近，但2025年三季度电子行业配置系数分位数仅为1.9倍，表明仓位提升可能部分由股票市值被动提升造成，基金抱团并不极致[3] - 在市场风险改善阶段，加仓主线板块下季度具备超额收益的概率为86%，但若风险偏好下行且有新主线交替，重仓行业仓位位于20%附近则需警惕[3] 历史持仓高点的特征与比较 - 机构持仓的高点往往同步于市场变化，持仓创新高可能主要由行业自身涨幅贡献，而非主动加仓贡献[5] - 行业基本面顶点往往滞后于持仓和股价1-3个季度，机构持仓接近20%后可能在高位徘徊2-5个季度，不一定会立即减仓[5] - 历史上有主动对单一行业配置长期超过20%的情况，例如2006年下半年至2010年上半年对银行板块的配置，期间银行板块相较全A指数实现小幅超额收益[5] 持仓数据的市场意义 - 基于季报的行业持仓数据是观察市场关注度的窗口，可帮助建立水位感，了解市场拥挤程度，但不具备立竿见影的预判功能[6]

根据研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：价值成长轮动策略模型**[6] * **模型构建思路**：基于宏观经济、流动性及市场情绪三个维度，通过多因子打分体系来预测价值与成长风格的相对表现[6] * **模型具体构建过程**：模型选取了三个维度的因子进行综合打分[6]： * **经济繁荣敏感度**：用于捕捉大盘股（通常与价值风格相关）对经济周期的敏感性[6] * **流动性宽松受益度**：用于捕捉成长股对流动性环境的敏感性[6] * **市场情绪与拥挤度**：用于刻画市场的风险偏好和交易拥挤情况[6] 将各因子得分加总，得到综合分数，以此判断风格偏向（例如，分数高则偏向成长风格）[6] 2. **模型名称：大小盘轮动策略模型**[6] * **模型构建思路**：与价值成长轮动策略模型类似，同样基于宏观经济、流动性及市场情绪三个维度构建打分体系，但目标在于预测大盘与小盘风格的相对表现[6] * **模型具体构建过程**：构建过程与价值成长轮动策略模型一致，但因子解读侧重于对不同市值风格的影响[6] 3. **模型名称：行业轮动综合模型**[11][22] * **模型构建思路**：构造宏观、基本面、技术面、拥挤度四个维度的指标（共10个）作为行业轮动框架，通过综合正负向指标来生成行业配置信号[11][22] * **模型具体构建过程**：模型包含四个引擎[11][22]： * **宏观指标引擎**：将一级行业划分为5个板块（上游周期、中游制造、下游消费、TMT、大金融），并构建基于宏观增长与流动性二阶差分的象限划分体系，根据所处象限推荐配置板块[13] * **基本面指标引擎**：包含历史景气、景气变化与景气预期三个部分，生成行业基本面得分[17] * **技术面指标引擎**：包含指数动量、龙头股动量与K线形态三个部分，生成行业技术面得分[18] * **拥挤度指标引擎**：包含融资流入、换手率与成交占比三个部分，生成行业拥挤度得分（作为负向指标使用）[21][22] 最终，结合宏观、基本面、技术面三个维度的正向得分，并负向配置拥挤度因子，构建行业轮动综合得分[22] 模型的回测效果 *报告未提供模型的历史回测绩效指标（如年化收益率、夏普比率、最大回撤等）。* 量化因子与构建方式 1. **因子名称：行业轮动宏观因子**[13] * **因子构建思路**：基于宏观经济增长和流动性的二阶差分（变化速度）来划分经济象限，从而判断对不同行业板块的利好程度[13] * **因子具体构建过程**：构建一个象限体系，横轴为宏观经济增长的二阶差分，纵轴为流动性的二阶差分[13]根据当前数据点所处的象限（如“扩张强化/衰退缓解”和“宽松加码/紧缩放缓”），给出对应的板块配置建议（如大金融、中游制造）[13] 2. **因子名称：行业轮动基本面因子**[17] * **因子构建思路**：从历史、变化和预期三个角度衡量行业的景气度[17] * **因子具体构建过程**：因子由三个子部分构成： * 历史景气 * 景气变化 * 景气预期 综合这三个部分生成各行业的基本面得分[17] 3. **因子名称：行业轮动技术面因子**[18] * **因子构建思路**：从市场交易数据中捕捉行业的动量趋势和形态信号[18] * **因子具体构建过程**：因子由三个子部分构成： * 指数动量 * 龙头股动量 * K线形态 综合这三个部分生成各行业的技术面得分[18] 4. **因子名称：行业轮动拥挤度因子**[21][22] * **因子构建思路**：通过融资、换手和成交数据衡量行业的交易热度和潜在风险[21] * **因子具体构建过程**：因子由三个子部分构成： * 融资流入 * 换手率 * 成交占比 综合这三个部分生成各行业的拥挤度得分，该因子在综合模型中作为负向指标使用[21][22] 因子的回测效果 *报告未提供因子的历史测试绩效指标（如IC值、ICIR、因子收益率等）。*

核心观点 - 2025年第三季度A股市场营收与利润增速实现双改善，利润修复弹性显著大于营收，全A（非金融）归母净利润同比增速由第二季度的-1.8%转为第三季度的3.9% [3] - 市场结构呈现科技景气与周期改善的双轮驱动格局，科技制造业和部分周期行业盈利增速亮眼，非银金融成为盈利最强拉动项 [4] - 行业轮动力量正在积蓄，市场在科技制造业高景气度得到较充分定价后，开始向具备政策预期的地产建筑类和周期类行业轮动 [5] 整体业绩表现 - 2025年第三季度全A营收同比增速为3.7%，较第一季度的-0.2%和第二季度的0.4%显著提速 [3] - 2025年第三季度全A归母净利润同比增速为11.4%，较第一季度的3.8%和第二季度的1.4%大幅改善，利润修复弹性更大 [3] - 全A（非金融）营收同比增速在第三季度转为正增长2.3%，而第一和第二季度分别为-0.3%和-0.4% [3] 宽基指数与上市板块表现 - 主流宽基指数业绩全面改善，中证500、中证2000和沪深300在2025年第三季度的单季归母净利润同比增速分别达到17.2%、11.1%和10.7% [4] - 科创板和创业板业绩弹性最大，2025年第三季度单季利润同比增速分别高达58.3%和32.8%，环比改善幅度分别为40.3个百分点和28.7个百分点 [4] - 除北交所外，其余各上市板块在2025年第三季度均实现营收和盈利双改善 [4] 行业结构分析 - 科技制造业盈利增速环比大幅增长，显著强于营收增速，传媒、电子、电力设备和国防军工四个行业盈利同比增速超30%且环比第二季度大幅提升 [4] - 周期行业量价两端环比均显著改善，“反内卷”政策初见成效，钢铁和有色金属行业景气度进一步扩张，石油石化和煤炭行业量价同步改善显著 [4] - 非银金融是2025年第三季度盈利的最强拉动项，单季归母净利润同比增速高达64.6%，环比第二季度大幅提升49.0个百分点 [10] 市场表现与配置思路 - 中报业绩披露后至第三季度财报披露前，地产建筑类和周期类行业股价表现更活跃，反映市场对行业轮动的预期正在积蓄 [5] - 配置思路上建议市场双轮驱动，以科技为先，PPI交易为辅，并指出前期市场高斜率完成估值修复后，盈利将成为接下来的胜负手 [5]

根据提供的研报内容，以下是关于量化因子与模型的总结： 量化因子与构建方式 1. **因子名称：大小盘风格因子**[13] * **因子构建思路**：用于衡量市场在市值维度上的风格偏好，即资金是更倾向于大盘股还是小盘股[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了风格状态的定性判断（如“偏向均衡”）[13] 2. **因子名称：价值成长风格因子**[13] * **因子构建思路**：用于衡量市场在投资风格维度上的偏好，即资金是更倾向于价值股还是成长股[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了风格状态的定性判断（如“偏向成长”）[13] 3. **因子名称：大小盘风格波动因子**[13] * **因子构建思路**：用于衡量大小盘风格因子的波动程度，反映风格切换的剧烈程度[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了波动状态的定性判断（如“上升”）[13] 4. **因子名称：价值成长风格波动因子**[13] * **因子构建思路**：用于衡量价值成长风格因子的波动程度，反映风格切换的剧烈程度[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了波动状态的定性判断（如“上升”）[13] 5. **因子名称：行业指数超额收益离散度**[13] * **因子构建思路**：通过计算各行业指数超额收益的离散程度，来衡量市场的行业分化水平[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了离散度状态的定性判断（如“上升”）[13] 6. **因子名称：行业轮动度量因子**[13] * **因子构建思路**：用于衡量行业轮动速度的快慢[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了轮动速度的定性判断（如“下降”）[13] 7. **因子名称：成分股上涨比例**[13] * **因子构建思路**：计算特定指数（如宽基指数）中上涨股票的数量占比，反映市场的广度和普涨/普跌情况[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了比例变化的定性判断（如“上升”）[13] 8. **因子名称：前100个股成交额占比**[13] * **因子构建思路**：计算成交额前100名个股的成交额之和占市场总成交额的比例，用于度量市场交易的集中度[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了集中度变化的定性判断（如“下降”）[13] 9. **因子名称：前5行业成交额占比**[13] * **因子构建思路**：计算成交额前5名行业的成交额之和占市场总成交额的比例，用于度量行业层面的交易集中度[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了集中度状态的定性判断（如“持平上期”）[13] 10. **因子名称：指数波动率**[13] * **因子构建思路**：衡量市场指数的波动水平，是市场风险和市场活跃度的重要指标[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了波动率变化的定性判断（如“上升”）[13] 11. **因子名称：指数换手率**[13] * **因子构建思路**：衡量市场交易的活跃程度[13] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了换手率变化的定性判断（如“下降”）[13] 12. **因子名称：商品期货趋势强度**[32] * **因子构建思路**：用于衡量商品期货各板块价格趋势的强弱程度[32] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了各板块趋势强度变化的定性判断（如“贵金属、农产品板块趋势强度下降”）[32] 13. **因子名称：商品期货市场波动水平**[32] * **因子构建思路**：衡量商品期货各板块的价格波动水平[32] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了各板块波动率变化的定性判断（如“除黑色板块外其余板块波动率均有所上升”）[32] 14. **因子名称：商品期货市场流动性**[32] * **因子构建思路**：衡量商品期货各板块的市场流动性状况[32] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了各板块流动性变化的定性判断（如“贵金属、有色及农产品板块流动性下降”）[32] 15. **因子名称：商品期货期限结构（基差动量）**[26][32] * **因子构建思路**：通过基差动量来反映商品期货市场的期限结构特征及其变化[26][32] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了各板块基差动量变化的定性判断（如“各板块基差动量均上升”）[26][32] 16. **因子名称：期权隐含波动率**[35] * **因子构建思路**：从期权价格中反推出的市场对未来波动率的预期[35] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅提及了上证50与中证1000期权的隐含波动率变化（如“开始下降”）[35] 17. **因子名称：股指期货升贴水率**[24] * **因子构建思路**：衡量股指期货价格与现货指数价格之间的差异，反映市场情绪和套利机会[24] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅通过图表展示[24] 18. **因子名称：纯债溢价率**[37][41] * **因子构建思路**：用于可转债估值分析，衡量其债性保护程度，特别是针对偏债型可转债[37][41] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了其稳定性状态的定性判断（如“保持稳定”）[37][41] 19. **因子名称：百元转股溢价率**[37][41] * **因子构建思路**：用于可转债估值分析，衡量其股性估值水平[37][41] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了其变化趋势的定性判断（如“稳步上升”）[37][41] 20. **因子名称：低转股溢价率转债占比**[37][43] * **因子构建思路**：统计市场上转股溢价率处于低水平的可转债数量占比，反映市场对转债股性的总体偏好[37][43] * **因子具体构建过程**：报告未提供具体的构建公式和过程，仅给出了其变化的定性判断（如“有明显下降”）[37][43] 因子的回测效果 （注：本报告为市场环境跟踪周报，主要呈现因子在特定时间窗口（2025.10.20-2025.10.24）的当前状态和短期变化方向，未提供因子在长期历史回测中的表现指标（如年化收益率、夏普比率、信息比率IR等）。因此，此部分内容缺失。）

根据研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 大类资产配置模型 1. **模型名称：股票择时模型**[18] * **模型构建思路**：基于经济增长与流动性宽松两大核心维度，通过宏观因子判断股票市场的上涨或下跌周期，以抓住机会并规避风险[18] * **模型具体构建过程**：从经济增长和流动性宽松两个维度构造四个因子[19]： * **经济增长维度因子**：PMI同比平滑值环比上升、制造业固定资产投资完成额累计同比环比上升、CPI同比平滑值环比上升[19] * **流动性宽松维度因子**：新增中长期贷款最近一年累计值同比环比上升[19] * 根据因子信号进行择时判断 2. **模型名称：债券择时模型**[23] * **模型构建思路**：从货币流动性供给（货币宽松）和需求（信贷需求疲软）的角度进行分析，捕捉债券市场的上涨趋势并尽量避免回撤[23] * **模型具体构建过程**：从货币宽松和信贷需求疲软两个维度构造三个因子[24]： * **货币宽松维度因子**：DR007短期均值低于长期均值、SHIBOR短期均值低于长期均值[24] * **信贷需求疲软维度因子**：社会融资规模存量同比平滑值环比下降[24] * 根据因子信号进行择时判断 3. **模型名称：全天候策略（基于风险预算模型的增强版）**[17][30] * **模型构建思路**：以风险平价模型为基础，结合股票和债券的择时信号，动态调整不同资产的风险预算，在控制风险的前提下增厚投资收益[17][32] * **模型具体构建过程**： * **基础模型**：风险预算模型（风险平价）[30] * 假设资产组合中共有 N 种资产，权重为 $ \omega = [\omega_1, \omega_2, …, \omega_N] $，则组合风险 $ \sigma_p = \sqrt{\omega \Sigma \omega} $，其中 $ \Sigma $ 为协方差矩阵[30] * 每种资产对组合的风险贡献 $ RC_i = \omega_i * (\partial \sigma_p / \partial \omega_i) $[30] * 若给定的风险预算 $ b = [b_1, b_2, …, b_N] $，则优化目标为最小化风险贡献与预算的偏差： $$\begin{array}{c}{{min\sum_{i=1}^{N}\left(R C_{i}-b_{i}*\sigma_{p}\right)^{2}}}\\ {{s.t.\ \sum_{i=1}^{N}\omega_{i}\ =1}}\\ {{0\ \leq\omega_{i}\leq1}}\end{array}$$[30] * **增强过程**：根据股票和债券择时模型得到的信号，对股票和国债的风险预算进行调整（看多时提高，看空时降低），其他资产风险预算保持不变，形成全天候策略的资产权重[32] * **资产选择与配置上限**：选择股票（中证800全收益，上限20%）、国债（中债国债总财富指数，上限80%）、转债（中证转债指数，上限10%）、美股（标普500ETF，上限5%）、信用债（信用债AAA，上限40%）五种资产，利用滚动6年窗口数据估算协方差矩阵[31][33] 风格轮动模型 1. **模型名称：价值成长风格轮动模型**[47] * **模型构建思路**：基于价值与成长风格的周期性轮动特征，从经济景气、宏观流动性、市场情绪三个维度构建综合打分体系，进行月度轮动[47] * **模型具体构建过程**： * **因子构成**：基于三个方面共8个因子进行打分，因子得分为1表示利好成长，得分为0表示利好价值[47][48]： * **经济景气**：投资旺盛（制造业固定资产投资完成额累计同比高于移动平均）、消费强劲（PPI同比平滑值环比上升）[48] * **宏观流动性**：货币宽松（M2同比平滑值环比上升）、社融增长（社融同比平滑值环比上升）、贷款增加（中长期贷款增速同比平滑值环比上升）[48] * **市场情绪**：价值拥挤度高看好成长（成长拥挤度分位点低于价值拥挤度分位点）、市场换手高（大盘换手率短期均值高于长期均值）、两融分位点高（两融余额过去一年分位点高于50）[48] * **决策规则**：每月将各因子分数累加，若总分超过半数（>4），则下月配置成长风格（国证成长指数），否则配置价值风格（国证价值指数）[47][48] 2. **模型名称：大小盘风格轮动模型**[55][56] * **模型构建思路**：基于大小盘风格的周期性轮动特征，从经济景气、宏观流动性、市场情绪三个维度构建综合打分体系，进行月度轮动[55][57] * **模型具体构建过程**： * **因子构成**：基于三个方面共9个因子进行打分，因子得分为1表示利好大盘，得分为0表示利好小盘[56][57]： * **经济景气**：投资旺盛（制造业固定资产投资完成额累计同比环比上升）、消费强劲（PPI同比平滑值环比上升）、黄金走弱（黄金日收益率短期均线低于长期均线）[56] * **宏观流动性**：国债收益率上行（国债收益率短期均线高于长期均线）、信用利差上行（信用利差短期均线高于长期均线）、货币收紧（M1同比平滑值环比下降）[56] * **市场情绪**：大盘动量强于小盘（大盘价格分位点高于小盘）、市场换手低（大盘换手率短期均值低于长期均值）、两融分位点高（两融余额过去一年分位点高于50）[56] * **决策规则**：每月将各因子分数累加，若总分超过半数（>4.5），则下月配置大盘风格（沪深300指数），否则配置小盘风格（中证1000指数）[57] 行业轮动模型 1. **模型名称：行业轮动综合解决方案（四维引擎）**[65] * **模型构建思路**：从宏观经济指标、中观基本面指标、微观技术面指标以及交易拥挤度指标四个维度构建综合打分体系，捕捉行业轮动机会[65] * **模型具体构建过程**：综合四个维度的得分，每期选择综合得分排名前七的行业进行配置[5] 量化因子与构建方式 行业轮动因子 1. **因子名称：宏观因子（用于行业板块轮动）**[67][70] * **因子构建思路**：基于宏观增长与流动性的二阶差分进行象限划分，识别宏观趋势的边际拐点，对应配置不同景气环境下的优势行业板块[67][70] * **因子具体构建过程**： * **经济增长二阶判断**：选取PMI、社会融资规模、制造业固定投资完成额、CPI四个指标的同比数据，计算其环比变化。任一指标环比上升，则判定为"扩张强化/衰退缓解"[70] * **流动性二阶判断**：依据M2增速、10年期国债收益率、信用利差三个指标的二阶差分（环比变化）进行判断。任一指标触发宽松趋势（如M2增速环比上升、收益率或利差环比下降），则判定为"宽松加码/紧缩放缓"[70] * **板块配置逻辑**：根据两个维度的组合（四象限），配置对应受益板块（大金融、中游制造、下游消费、TMT、上游周期）[71][72] 2. **因子名称：基本面因子**[79] * **因子构建思路**：从历史景气、景气变化与景气预期三个部分，基于企业财务信息刻画行业的盈利能力和景气程度[78][79] * **因子具体构建过程**： * **历史景气因子**：使用行业成分股盈利指标的中位数衡量，刻画行业当前盈利水平[79] * **景气变化因子**：使用行业成分股盈利指标中位数的变化（如环比或同比）衡量，刻画行业当前盈利变化情况[79] * **景气预期因子**：使用"行业一致预期利润环比变化"衡量，刻画行业未来盈利预期的变动[79] * **合成方式**：将三个因子合成行业基本面得分[82] 3. **因子名称：技术面因子**[87][89] * **因子构建思路**：使用指数动量、龙头股动量与K线形态三类技术信号，刻画行业的趋势强弱和技术形态[87][89] * **因子具体构建过程**： * **指数动量因子**：使用过去1年行业指数相对全行业均值的超额收益信息比率（IR）衡量，刻画行业指数长期趋势强弱[89] * **龙头股动量因子**：首先定义行业龙头（行业内市值及日均成交额综合排名前10%的股票），然后使用行业龙头股票过去1年收益的夏普比率衡量，刻画行业龙头股票趋势强弱[89][90] * **K线形态因子**： * **单根K线划分**：根据实体宽度（日内涨跌幅）和影线长度，将单根K线划分为24种类型（阳线、阴线各12种）[90][91][92] * **K线聚合**：以日线为基础，连续多根日线聚合成更长期的K线（如周线）[93][94] * **组合形态**：结合3根K线形成关于"价"的组合形态[93][94] * **成交量信息**：考虑"量"的信息，按"最新成交额/成交额均值"将成交量分为放量、正常、缩量三种类型[95] * **形态收益预测**：结合"价"和"量"的信息得到所有可能形态，每月滚动计算每个形态最近3年的信息比率（IR），作为该形态的未来收益预测[95] * **行业得分**：将股票形态得分汇总到对应行业，得到行业K线形态因子得分[95] * **合成方式**：将三个因子合成行业技术面得分[96] 4. **因子名称：拥挤度因子**[100] * **因子构建思路**：从资金和交易角度刻画行业的拥挤度水平，作为左侧逃顶信号，均基于行业最新指标值在历史上的时序分位值度量[100] * **因子具体构建过程**： * **融资流入因子**：基于行业融资流入情况的时序分位值[100] * **换手率因子**：基于行业换手率的时序分位值[100] * **成交占比因子**：基于行业成交占比的时序分位值[100] * **合成方式**：将三个因子取均值，得到行业拥挤度得分[100] 模型的回测效果 大类资产配置模型 1. **股票择时模型**（回测标的：中证800全收益）[21][22] * 全样本年化收益：14.1% * 基准年化收益：5.4% * 超额年化收益：8.7% * 月度胜率：56.7% 2. **债券择时模型**（回测标的：中债国债总净价指数）[25][26] * 全样本年化收益：2.3% * 基准年化收益：1.1% * 超额年化收益：1.1% * 月度胜率：68.3% 3. **全天候策略**[38][39] * 全样本年化收益：6.1% * 风险平价策略年化收益：5.1% * 超额年化收益：1.0% * 最大回撤：2.6% * 夏普比率：2.04 * 月度胜率：51.2% 风格轮动模型 1. **价值成长轮动策略**（基准：国证成长与国证价值指数平均收益）[51][52] * 策略年化收益：9.2% * 基准年化收益：1.7% * 超额年化收益：7.5% * 月度胜率：60.2% 2. **大小盘轮动策略**（基准：沪深300与中证1000指数平均收益）[59][60] * 策略年化收益：9.2% * 基准年化收益：0.1% * 超额年化收益：9.0% * 月度胜率：58.3% 行业轮动模型 1. **行业轮动综合策略**（基准：所有行业等权组合）[5][86] * 策略年化收益：16.0% * 基准年化收益：2.8% * 超额年化收益：13.2% * IC均值：12.3% 因子的回测效果 行业轮动因子（单因子绩效） 1. **宏观因子（行业板块轮动）**[73][74] * 多头组合累计超额收益（2017年以来）：42.9% * 空头组合累计超额收益（2017年以来）：-22.8% * 多空收益差（2017年以来）：65.7% 2. **基本面单因子**（基准：所有行业等权收益）[79][80] * **历史景气因子**：全样本多头组合超额收益5.4%，IC均值6.8% * **景气变化因子**：全样本多头组合超额收益5.8%，IC均值4.1% * **景气预期因子**：全样本多头组合超额收益4.8%，IC均值5.1% 3. **技术面单因子**（基准：所有行业等权收益）[88][89] * **指数动量因子**：全样本多头组合超额收益3.8%，IC均值7.0% * **龙头股动量因子**：全样本多头组合超额收益7.2%，IC均值7.6% * **K线形态因子**：全样本多头组合超额收益6.8%，IC均值5.8% 4. **拥挤度单因子**（基准：所有行业等权收益）[100] * **融资流入因子**：全样本多头组合超额收益-8.1%，IC均值-5.0% * **换手率因子**：全样本多头组合超额收益-8.8%，IC均值-5.8% * **成交占比因子**：全样本多头组合超额收益-8.3%，IC均值-5.9% 行业轮动因子（合成因子策略绩效） 1. **基本面因子行业轮动策略**（选取得分前5行业）[85][86] * 策略年化收益：11.3% * 基准年化收益：2.8% * 超额年化收益：8.5% * IC均值：8.2% * 月度胜率：62.1% 2. **技术面因子行业轮动策略**（选取得分前5行业）[97][99] * 策略年化收益：9.7% * 基准年化收益：2.8% * 超额年化收益：6.9% * IC均值：8.2% * 月度胜率：57.3% 3. **拥挤度因子行业轮动策略**（选取得分前5行业）[100] * （注：研报未直接提供拥挤度合成因子的策略年化收益等综合绩效指标，仅提供了单因子绩效）

量化模型与构建方式 1. 扩散指数行业轮动模型 **模型构建思路**：基于价格动量原理，通过计算行业的扩散指数来捕捉行业趋势，用于行业轮动配置[23][36] **模型具体构建过程**： 模型通过跟踪各行业的扩散指数进行月度轮动。扩散指数反映了行业价格走势的强度。具体构建过程为定期计算各中信一级行业的扩散指数值，并选择排名靠前的行业作为配置建议。截至2025年10月24日，扩散指数排名前六的行业被选入组合[25][28] **模型评价**：该模型在趋势性行情中表现较好，但在市场风格从趋势转向反转时可能面临失效风险[23][36] 2. GRU因子行业轮动模型 **模型构建思路**：利用GRU深度学习网络处理分钟频量价数据，生成行业因子，以把握短期交易信息进行行业轮动[32][37] **模型具体构建过程**： 模型基于历史分钟频量价数据，通过GRU神经网络进行训练和学习，生成每个行业的GRU因子值。该因子旨在捕捉行业的短期动态。模型每周根据最新的GRU因子值对行业进行排序，并配置排名靠前的行业。例如，在2025年10月24日，根据GRU因子值排名，模型调入了非银行金融等行业[6][32][34] **模型评价**：该模型在短周期内表现较好，具有较强的自适应能力，但在长周期表现一般，且遭遇极端行情时可能失效[32][37] 模型的回测效果 1. 扩散指数行业轮动模型 2025年10月以来超额收益：0.57%[28] 2025年以来超额收益：5.78%[23][28] 2. GRU因子行业轮动模型 2025年10月以来超额收益：1.80%[34] 2025年以来超额收益：-6.41%[31][34] 量化因子与构建方式 1. 行业扩散指数因子 **因子构建思路**：通过量化方法计算每个行业的扩散指数，用以衡量行业价格趋势的强弱[25] **因子具体构建过程**： 因子定期为每个中信一级行业计算一个扩散指数值。该指数值介于0和1之间，数值越高代表该行业的向上趋势越强。具体计算逻辑未在报告中详细披露，但其结果用于对行业进行排序和选择[25][26] 2. GRU行业因子 **因子构建思路**：应用GRU神经网络对分钟频量价数据进行处理，输出代表行业短期动态的因子值[6][32] **因子具体构建过程**： 因子利用GRU深度学习模型，输入为历史的分钟频率行情数据（包含价格和成交量等信息），经过网络训练后，为每个行业输出一个连续的GRU因子值。该因子值可正可负，其大小和正负代表了模型对该行业未来表现的预期强弱[6][32] 因子的回测效果 （报告中未提供量化因子独立的回测绩效指标，如IC、IR等，仅提供了基于因子构建的模型的综合回测结果）

核心观点 - A股市场当前呈现出“极致的轮动”与“绝对的低波”并存的特征，其背景是行业轮动加速、景气资产稀缺以及增量资金属性变迁 [4] - “极致的轮动”对应考核相对灵活的活跃资金，主要交易主题类、事件驱动类资产，难点在于交易频繁、换手率高 [5] - “绝对的低波”对应市场中长线资金，主要配置强景气趋势资产和红利资产，投资难点分别在于对产业趋势的把握和需要长期主义 [5] - A股市场具有明显的日历效应，为不同资金类型提供了布局时机 [5] - 四季度行业配置建议：活跃资金关注低拥挤度+催化的军工、机器人、软件；中长线资金可继续持有算力、创新药、有色，并在岁末年初增加银行、白电等红利资产配置 [6] 市场交易特征与时代背景 - 自2023年以来，市场行业轮动速度不断加快，行业轮动指数上行，主线行情持续性从2019-2021年的半年到一年左右，降至2023年以后的2个月左右 [13] - 行业轮动加速是流动性推升牛市前期的特点，在四段流动性推升的牛市中均经历了明显的快速轮动期 [14] - 2025年4月以来的市场风格轮动路径为：新消费—创新药、军工—TMT—有色、新能源—红利 [14][16] - 高换手率主动权益公募基金的相对表现在2023年后有明显改善，传统低换手率方式在当下出现逆转 [18] 景气投资与资金属性分析 - 景气投资在过去20年效果显著，但2023年以来景气投资的可选范围明显收窄，业绩增速在30%以上的二级行业数量处在近二十年低位 [20][26] - A股市场转入存量博弈阶段，主动权益公募基金、险资、外资和股票ETF的持股市值规模均在3万亿元左右，势均力敌加剧市场轮动 [27] - 过去两年市场主要的边际增量资金是长周期的险资和杠杆活跃资金，融资余额规模快速提升至2019年以来最高位，融资余额成交额占比升至2022年以来高位 [31] - 居民对股票投资意愿比重中枢从2022年底的13%-14%上升至目前的17%附近，理财到期规模在2025年进入高峰，为居民增量资金打开理论上限 [31][36] 应对工具：拥挤度分析 - 拥挤度是衡量情绪演绎程度和赔率的指标，采用板块成交额占全部A股比重并取移动5日平均计算 [38][41] - 拥挤度在行业层面效果优于宽基指数，对红利资产最为有效，对沪深300等宽基指数效果不佳 [41] - 拥挤度比较的有效时间区间通常为近一年，但在行业逻辑发生重大变化时需拉长时间区间进行比较 [44] - 拥挤度顶部规律：当成交额占比接近前高位置（如近一年分位数达100%），板块情绪进入拥挤状态，性价比回落，对利好钝化、对利空敏感 [57] - 拥挤度底部规律：对于红利资产是充要条件，情绪低到一定程度必有资金配置；对于长期逻辑较强的成长板块（如TMT）可能成为充分条件，底部从15%下方升至20%左右；对于缺乏产业趋势的方向（如新能源车）底部不能有效指引超额收益 [72][73][77] - 拥挤度对港股的指引有效性在增强，恒生科技和港股创新药的拥挤度与超额收益相关系数在2025年提升至0.8附近 [80] 应对工具：日历效应分析 - 日历效应代表胜率，在近几年行情持续度下降的背景下有效性显著提升 [82] - 全年日历效应总结：11月-第二年3月中为资金面主导，成长主题与红利占优；3月中-4月回归基本面定价，绩优股和稳定红利占优；5月-8月主题回暖再回归基本面定价；9月-10月聚焦三季报与休闲食品等特定行业 [85][96][99][103] - 11月-12月中旬和2月-3月中是主题活跃期，2月中证2000、中证1000、中证500的上涨和跑赢概率均在80%以上，风格偏向中小市值和成长主题 [89] - 3月中旬两会结束后30个交易日内，中证红利上涨概率和超额概率上升至70%以上，银行、交运、白电等业绩稳定行业表现较好 [96] - 5月日历效应较强的板块包括半导体、自动化设备、军工电子等贝塔属性较强的弹性方向 [99] - 10月休闲食品表现出较强日历效应，因临近“双十一”和“十一”假期，是传统消费大月 [103] 绝对低波资产分析 - 景气资产的内核跟随时代变迁而变化，可跟踪指标包括产业周期、渗透率、订单等 [31][35][37] - 红利资产在利率中枢下行过程中绝对收益明显，在基本面趋势缺乏区间超额收益显著 [38][41] - 红利策略投资要素包括估值定价、内部轮动和底部择时，红利指数几乎以不变斜率向上，具有明显的拥挤度底部规律 [43][45]

根据研报内容，现总结其中涉及的量化模型与因子如下： 量化模型与构建方式 **1 模型名称：宏观环境Logit模型[6][18][19]** - 模型构建思路：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[16] - 模型具体构建过程：使用多个宏观变量（如银行间债券质押式回购利率、SHIBOR、国债收益率、社融、PMI等）的平稳化处理值，通过Logit模型计算宏观环境预测值[18] **2 模型名称：企业盈利景气指数2.0[20][23][26]** - 模型构建思路：通过识别主营业务，追踪主营业务的营收和成本情况来监控行业整体的景气度[20] - 模型具体构建过程：基于产业链系统分析追踪上下游行业部门；对行业进行财务指标分解；重构行业景气度追踪框架；计算各行业景气指数后，按上证指数每日各行业市值权重加权合成景气指数2.0[20][23] **3 模型名称：基于基差的股指期货择时模型[31][33]** - 模型构建思路：利用股指期货基差与指数自身的相关性趋势反映市场情绪变化，基于此相关性进行分组测试构建日频择时信号[31] - 模型具体构建过程：基于中证500股指期货基差构建衍生品择时信号，信号范围在-0.4到1之间[31] **4 模型名称：多维度择时模型[33][34]** - 模型构建思路：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，叠加股指期货基差信号合成四维度非线性择时模型[33] - 模型具体构建过程：将宏观环境、景气周期、景气方向组合成9种状态（如1-1宏观利多中观景气上行对应多头信号），再叠加衍生品信号合成最终择时信号[34] **5 模型名称：多风格策略[37]** - 模型构建思路：从价值、红利、质量、成长、低波、动量等多维度出发，刻画在不同主导风格下市场的表现，通过多因子信号的横向整合与动态权重配置实现收益平滑与风险分散[37] **6 模型名称：多风格增强策略[41]** - 模型构建思路：在多风格策略的基础上叠加增强因子，通过在其他风格端增厚收益，抑制单一风格波动，实现在不同周期下的稳定超额[41] **7 模型名称：可转债随机森林模型[46]** - 模型构建思路：通过随机森林方法构建可转债增强模型[46] **8 模型名称：REITs随机森林模型[48]** - 模型构建思路：通过随机森林方法构建REITs增强模型[48] **9 模型名称：宽基指数遗传规划选股模型[52][59][62][64][70]** - 模型构建思路：使用遗传规划算法挖掘选股因子，构建指数增强组合[52][59][62][64][70] - 模型具体构建过程： - 股票池：对应宽基指数成分股（沪深300、中证500、中证1000、中证全指）[52][59][62][64][70] - 训练集：2016年1月1日-2020年12月31日[52][59][62][64][70] - 因子挖掘：由遗传规划因子挖掘模型挖掘2000个初始种群、5代、多轮得到复合因子（沪深300：102个因子，中证500：189个因子，中证1000：564个因子，中证全指：709个因子）[52][59][62][64][70] - 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[52][59][62][64][70] **10 模型名称：三策略融合行业轮动模型[76][78]** - 模型构建思路：采用量化基本面驱动、质量低波风格驱动、困境反转行业发掘三种方法分别构建行业轮动策略，进行等权组合实现因子与风格的互补[76][78] - 模型具体构建过程：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，从不同维度筛选行业[78] **11 模型名称：三策略融合ETF轮动模型[85][88]** - 模型构建思路：基于三策略融合逻辑构建ETF轮动策略[85][88] 量化因子与构建方式 **1 因子名称：盘口平均深度因子[98][100]** - 因子构建思路：反映整体市场的深度，衡量市场流动性水平[100] - 因子具体构建过程：$$avg_{depth}=\frac{av_{1}+bv_{1}}{2}$$，其中av1和bv1分别为盘口委托快照数据的卖一量和买一量，若挂单量为0则令盘口深度为0[98][99] - 因子评价：因子取值越大，市场整体挂单量越大，市场总体深度越大，市场流动性越高，与未来收益负相关[100] **2 因子名称：盘口价差因子[103][104]** - 因子构建思路：反映卖一价和买一价的距离，衡量交易成本和市场宽度[104] - 因子具体构建过程：$$spread={\frac{2(a1-b1)}{a1+b1}}$$，其中a1和b1分别为盘口委托快照数据的卖一价和买一价[103] - 因子评价：盘口价差越大，交易成本越高，市场宽度越大，流动性越差，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[104] **3 因子名称：价格弹性因子[106][108]** - 因子构建思路：反映单位成交额下股价的波动幅度，衡量市场流动性强度[108] - 因子具体构建过程：$$resiliency={\frac{high-low}{turnover}}$$，其中high、low、turnover分别代表tick数据中的最高价、最低价和成交额[106][107] - 因子评价：弹性越大说明单位成交额对价格冲击越大市场流动性越弱，而流动性较低的个股未来收益表现相对较好，与未来收益正相关[108] **4 因子名称：卖单非流动性因子[110][113]** - 因子构建思路：衡量高频数据下主动卖出的交易金额对于股票价格变动的影响[113] - 因子具体构建过程：$\Gamma_{1,t}=a+\beta_{1}*\delta_{1,t}+\beta_{2}*\delta_{1,t}+\epsilon_{1,t}$，其中β1为卖出非流动性系数，β2为买入非流动性系数，Si，t为股票i在t时间区间内的主动卖出金额，Bi,t为股票i在t时间区间内的主动买入金额[110][111] - 因子评价：卖单非流动性在控制风险后的Fama-MacBeth截面回归对收益率显著，且预测效果要好于买单非流动性，主要是由于投资者存在亏损厌恶的心理[113] **5 因子名称：Barra风险因子[121]** - 因子构建思路：包括20个风险因子全面刻画市场风险特征[121] - 因子具体构建过程：Barra CNE6 Trading模型包括规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师情绪）、红利（股息率）等20个风险因子[121] 模型的回测效果 **1 宏观环境Logit模型**：最新预测值0.945，较上周末上行[19] **2 企业盈利景气指数2.0**：最新景气指数为0.885，剔除大金融板块景气指数为1.234[26] **3 中证500股指期货择时模型**：本周信号为1，累计仓位为多头（0.65）[7][34] **4 多维度择时策略**：最终合成信号为多头（1）[7][34] **5 多风格策略（截至2025年10月17日）**[40]： - 质量策略：年化收益率27.39%，超额年化收益率13.53%，夏普率2.00，区间最大回撤-8.31% - 红利策略：年化收益率12.80%，超额年化收益率3.82%，夏普率1.00，区间最大回撤-7.00% - 长期成长策略：年化收益率41.07%，超额年化收益率20.72%，夏普率1.88，区间最大回撤-12.41% - 价值策略：年化收益率14.79%，超额年化收益率-5.55%，夏普率0.88，区间最大回撤-12.92% - 低波策略：年化收益率20.53%，超额年化收益率0.19%，夏普率1.62，区间最大回撤-7.23% - 短期动量策略：年化收益率29.44%，超额年化收益率9.09%，夏普率1.27，区间最大回撤-19.89% - 长期动量策略：年化收益率19.80%，超额年化收益率-0.54%，夏普率1.32，区间最大回撤-8.70% **6 多风格增强策略（截至2025年10月17日）**[45]： - 质量增强策略：年化收益率16.04%，超额年化收益率2.19%，夏普率1.24，区间最大回撤-5.73% - 红利增强策略：年化收益率16.83%，超额年化收益率7.84%，夏普率1.31，区间最大回撤-5.88% - 长期成长增强策略：年化收益率25.11%，超额年化收益率4.76%，夏普率1.40，区间最大回撤-16.84% - 价值增强策略：年化收益率19.98%，超额年化收益率-0.37%，夏普率1.16，区间最大回撤-11.34% - 低波增强策略：年化收益率36.29%，超额年化收益率15.94%，夏普率2.43，区间最大回撤-9.71% - 短期动量增强策略：年化收益率13.76%，超额年化收益率-6.58%，夏普率0.93，区间最大回撤-9.14% - 长期动量增强策略：年化收益率7.74%，超额年化收益率-12.61%，夏普率0.50，区间最大回撤-10.99% **7 可转债随机森林模型**：年化收益率22.15%，夏普率1.73，今年以来绝对收益率14.25%[46] **8 REITs随机森林模型**：年化超额收益率39.26%，夏普率3.27，今年以来超额收益率57.60%[49] **9 宽基指数增强模型（截至2025年10月17日）**： - 沪深300指数增强：年化超额收益率17.70%，夏普率1.04，今年以来超额收益率-4.86%[55][57] - 中证500指数增强：年化超额收益率12.24%，夏普率0.87，今年以来超额收益率3.45%[63] - 中证1000指数增强：年化超额收益率18.83%，夏普率0.93，今年以来超额收益率2.73%[66] - 中证全指指数增强：年化超额收益率24.57%，夏普率1.31，今年以来超额收益率11.15%[71] **10 三策略融合行业轮动策略**：年化超额收益率10.59%，夏普率0.74[80] **11 三策略融合ETF轮动策略**：年化超额收益率12.78%，夏普率0.88，今年以来超额收益率14.75%[88] 因子的回测效果 **1 盘口平均深度因子**：当前略低于历史均值，相较上周末有所下降[101] **2 盘口价差因子**：当前低于历史均值，相较上周末有所上升[104] **3 价格弹性因子**：当前低于历史均值，相较上周末有所上升[109] **4 卖单非流动性因子**：当前高于历史均值，相较上周末有所下降[114] **5 Barra风险因子**：2025年10月13日至17日，股息率因子表现较好，BETA因子表现较差；本月股息率因子表现较好，最近一年短期反转因子和动量因子表现较好[121]

报告行业投资评级 未提及 报告的核心观点 - 上周美国新发22只ETF产品，涵盖下跌保护、杠杆、主题、配置、轮动等多种类型[3][6] - 过去一周美国ETF维持近500亿美元高速流入，国内股票和黄金ETF流入明显，小盘和高收益债产品流出偏高[3][9] - 今年以黄金为首的贵金属ETF大幅上涨，贵金属相关股票ETF涨幅更明显，多只产品涨幅近150%[3][13] - 2025年8月美国非货币公募基金总量增加，国内股票型产品规模上升，赎回压力减缓；上周国内股票基金流出约200亿美元，债券产品流入超100亿美元[3][14] 根据相关目录分别总结 美国ETF创新产品：多只资产配置产品发行 - 上周美国新发22只产品，包括7只下跌保护产品、4只单股票杠杆产品、1只动态资产配置ETF、2只策略产品、2只基本面主动ETF和3只股票ETF[6][7][8] - Calamos发行挂钩比特币的梯式下跌保护产品，Arrow Funds发行比特币策略产品[6] - GMO的动态资产配置ETF 40 - 80%投资股票资产，其余投资固收和另类资产，基于7年大类资产收益预测，底层主要投资ETF[3][7] - AlphaDroid的动量策略产品牛市投宽基，熊市投防御资产；行业轮动策略牛市选行业板块[8] 美国ETF动态 美国ETF资金：黄金ETF流入明显 - 过去一周美国ETF流入近500亿美元，国内股票流入超250亿美元，黄金ETF大幅流入，黄金ETF GLD流入排第二[9][11] - 美股宽基产品流入平稳，债券综合产品流入多，高收益债和另类券种流出[9] - 黄金ETF在周四上涨、周五下跌时流入明显，市场关注高；小盘和高收益债产品流出偏高[12] 美国ETF表现：贵金属股票ETF表现明显优于贵金属ETF - 今年全球局势多变，贵金属ETF上涨，贵金属相关股票ETF涨幅更高，多只产品涨幅近150%[3][13] 近期美国普通公募基金资金流向 - 2025年8月美国非货币公募基金总量22.98万亿美元，较7月增加0.41万亿；8月标普500涨1.91%，国内股票型产品规模升1.62%，赎回压力减缓[3][14] - 上周美国国内股票基金流出约200亿美元，债券产品流入略超100亿美元[3][14]