量化模型与构建方式 1. 模型名称：基于宏观状态识别的多资产配置模型 - **模型构建思路**：借鉴美林时钟思路，通过宏观因子识别市场状态，采用马尔可夫转移模型识别宏观状态，构建动态风险预算组合[33] - **模型具体构建过程**： 1. 构建综合增长因子和综合通胀因子来挖掘股票投资价值[34] 2. 增长因子考虑PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额5个指标[34] 3. 通胀因子考虑CPI和PPI2个指标[34] 4. 采用流动性因子（M1同比）用于债市风险监控[34] 5. 采用ERP（股权风险溢价）、EP（1/PE）和BP（1/PB）指标构建股债性价比因子[34] 6. 通过美元指数、央行购金和汇率等因素构建黄金投资因子[34] 7. 采用多目标优化模型进行业绩增强，将资产动量纳入考量，构建目标波动率为5%、10%和15%的稳健、平衡和积极组合[37] 8. 限制黄金、美股和港股的投资比例上限为10%，并根据宏观状态信号动态月度调整风险预算[37] 2. 模型名称：六维度行业轮动模型 - **模型构建思路**：在月频进行轮动，涵盖宏观、财务、分析师预期、ETF份额变动，公募基金/优选基金仓位动量、事件动量多个维度[39] - **模型具体构建过程**： 1. 宏观维度刻画行业的经济周期动量效应[39] 2. 财务维度从三大报表出发优选财务状况较好的行业[39] 3. 分析师预期维度展示分析师预期边际上调的行业动量效应[39] 4. ETF份额变动逻辑为超卖行业ETF反转[39] 5. 公募基金/优选基金仓位动量刻画公募基金/优选基金重仓行业的动量效应[39] 6. 事件动量效应的逻辑是事件发生时的市场惯性（非线性行业动量）[39] 3. 模型名称：陪伴式偏股增强FOF组合模型 - **模型构建思路**：构建以Alpha为主、拥挤度为辅的动态多因子选基模型，通过季度调整选基金因子与权重进行组合优化[46] - **模型具体构建过程**： 1. 基金初选池筛选条件为：成立满2年3个月；近2年平均股票仓位不低于60%的普通股票型、偏股混合型、灵活配置型、平衡混合型；基金规模不低于2亿元；任期最长的在任基金经理至少任职满1年；剔除定开和持有期基金[46] 2. 因子优选以Alpha类因子为主、拥挤度因子为辅，各调仓日筛选过去两年IC、IR表现较好的因子分配剩余权重[46] 3. 组合构建时，每期根据复合因子值大小取前30只基金加权构建FOF组合，季度末调仓[46] 4. 模型名称：陪伴式宽基增强FOF组合模型 - **模型构建思路**：构建相对宽基指数的主动权益增强策略，控制组合相对基准的行业板块暴露和市值风格暴露以控制跟踪误差，最大化组合的复合因子得分[53] - **模型具体构建过程**： 1. 单只基金复合因子计算基于Alpha为主、拥挤度为辅的动态多因子选基模型[53] 2. 优化模型如下： $$max\sum_{i=1}^{N}f_{i}\times w_{i}\quad\text{s.t.}\quad\left|\sum_{i}w_{i}\times\beta_{ij}-B_{j}\right|\leq k_{1},\ \ \left|\sum_{i}w_{i}\times p_{ij}-P_{j}\right|\leq k_{2},\ \ \sum_{i}w_{i}=1,\ \ 0\leq w_{i}\leq w_{max}.$$ 其中，$$f_i$$为基金i的复合因子得分，$$w_i$$为组合对基金i的配置权重，$$\beta_{ij}$$为基金i对板块j的配置权重，$$B_j$$为基准对板块j的配置权重，$$k_1$$为组合的板块偏离度上限，$$p_{ij}$$为基金i对市值j的配置权重，$$P_j$$为基准对市值j的配置权重，$$k_2$$为组合的风格偏离度上限，$$w_{max}$$为单只基金最高配置权重[53] 3. 季度末调仓[53] 5. 模型名称：长期能力因子模型 - **模型构建思路**：基于Brinson模型，结合行业指数以及主动权益基金视角，构造行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时四个分项[64] - **模型具体构建过程**： 1. 引入风格因素，将基金超额收益中的选股以及配置项从行业和风格两个角度进行分解，引入交叉项，分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项[64] 2. 对因子构造施加基于公募主动权益基金抱团热度的因子择时信号，当抱团因子处于前30%分位点以下时，修改行业配置为行业-风格配置因子，加入风格选股因子；当抱团程度过热（前20%分位点）时，不使用选股因子[65] 3. 将交易倾向因子作为负向筛选指标加入，在市场交易热度上升时给予交易因子更高权重，降温时给予低权重[65] 4. 半年度调仓，剔除不可申赎基金[65] 6. 模型名称：KF-Alpha+交易FOF组合模型 - **模型构建思路**：对基金季报持仓进行猜测补全，在季度层面实现业绩拆分；基于卡尔曼滤波的行业测算，通过基金业绩-高精度估算净值构造基金KF-Alpha因子，体现基金行业内选股能力[70] - **模型具体构建过程**：通过更高频的季度层面数据，构造KF-Alpha+季度交易能力的基金组合[70] 7. 模型名称：五层递补可交易指数轮动策略 - **模型构建思路**：在行业轮动组合基础上，构建5层递补可交易指数轮动策略，解决某些行业交易量小或跟踪指数少导致的规划求解困难[77] - **模型具体构建过程**： 1. 第一层：原始规划求解方法，给定5行业不变，备选池为全体指数[77] 2. 第二层：根据指数持仓，将全市场成交规模较高行业和预期收益较高行业交叉保留强势行业[77] 3. 第三层：根据指数持仓，在给定5行业中剔除全体指数共同持仓较少行业[77] 4. 第四层：估算仓位法规划求解[77] 5. 第五层：持仓对比法求解[77] 6. 标的池选择成立超过24个月的ETF，月频调仓[77] 8. 模型名称：多层次主动权益基金池体系 - **模型构建思路**：构建涵盖各个赛道和风格优秀基金的选基工具箱，以定量评分为主，辅以定性验证[87] - **模型具体构建过程**： 1. 风格划分基于基金价值和成长因子的绝对标签和相对得分，将主动权益基金分为深度价值、价值、价值成长、均衡成长、成长五大类[88] 2. 行业配置方面，将满足一定行业配置特点的基金划分为六大板块赛道基金、行业均衡基金、中观配置基金[88] 3. 对基金评价业绩指标进行检验，指标区间包含6个月、1年和2年，选取相对有效的因子构建基金评价指标体系，包含收益指标、风险调整收益指标、风险指标、投资能力指标、持有体验指标和规模指标六大类[88] 4. 每个季度末和半年报/年报披露的月末进行更新[87] 模型的回测效果 1. **全球配置ETF组合**，近一月绝对收益-0.02%，年初以来绝对收益7.85%[30] 2. **行业轮动模型**，近一月绝对收益-0.81%，近一月超额收益（相对行业等权）0.09%，年初以来绝对收益42.93%，年初以来超额收益18.97%[30] 3. **陪伴式偏股增强FOF**，近一月绝对收益-2.76%，近一月超额收益（相对万得偏股）-0.31%，年初以来绝对收益23.94%，年初以来超额收益-5.29%[30] 4. **陪伴式300增强FOF**，近一月绝对收益-2.66%，近一月超额收益（相对沪深300）-0.20%，年初以来绝对收益20.16%，年初以来超额收益5.12%[30] 5. **陪伴式800增强FOF**，近一月绝对收益-2.08%，近一月超额收益（相对中证800）0.81%，年初以来绝对收益17.56%，年初以来超额收益0.55%[30] 6. **风格轮动基金组合**，近一月绝对收益-2.36%，近一月超额收益（相对主动权益基金）-0.47%，年初以来绝对收益16.28%，年初以来超额收益-5.87%[30] 7. **长期能力组合**，近一月绝对收益-3.44%，近一月超额收益（相对主动权益基金）-1.57%，年初以来绝对收益23.91%，年初以来超额收益0.30%[30] 8. **KFAlphaFOF组合**，近一月绝对收益-2.63%，近一月超额收益（相对万得偏股）-0.18%，年初以来绝对收益24.72%，年初以来超额收益-3.49%[32] 9. **行业轮动基金组合**，近一月绝对收益-1.97%，近一月超额收益（相对主动权益基金）-0.07%，年初以来绝对收益52.17%，年初以来超额收益23.18%[32] 10. **行业轮动ETF组合**，近一月绝对收益-0.76%，近一月超额收益（相对万得全A）1.50%，年初以来绝对收益50.22%，年初以来超额收益21.56%[32] 11. **长期能力因子组合**，全时段年化收益15.82%，相对基准超额年化收益8.37%，信息比1.04[71] 12. **风格轮动FOF组合**，全时段年化收益17.37%，相对基准超额年化收益9.42%，信息比1.15[72] 13. **KF-Alpha+交易FOF组合**，全时段年化收益16.14%，相对基准超额收益8.16%，信息比1[73] 14. **行业轮动基金组合**，全时段年化收益22.74%，相对基准超额收益14.84%，信息比1.22[78] 15. **行业轮动ETF组合**，全时段年化收益22.74%，相对基准超额收益17.79%，信息比1.72[78] 16. **多维复合行业轮动策略**，2012年以来多头年化收益28%，年化超额行业等权18.1%，月度超额胜率70%；2019年以来年化超额行业等权40.12%，月度胜率75%[42] 17. **全球配置ETF组合（目标波动率5%）**，2025年以来收益约6.6%，2011-2025年的年度收益胜率为93%[38] 量化因子与构建方式 1. 因子名称：宏观因子（增长因子、通胀因子、流动性因子、黄金因子等） - **因子构建思路**：通过宏观层面的经济增长、通胀、流动性、货币政策、美元指数、汇率、央行购金等指标及因子，识别宏观状态，评估资产配置价值[33][34] - **因子具体构建过程**： 1. **增长因子**：考虑PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额5个指标[34] 2. **通胀因子**：考虑CPI和PPI2个指标[34] 3. **流动性因子**：采用M1同比来衡量，用于债市风险监控[34] 4. **股债性价比因子**：采用ERP（股权风险溢价指标）、EP（1/PE）和BP（1/PB）指标构建，监控股市极端情况[34] 5. **黄金因子**：通过美元指数、央行购金和汇率等因素构建，衡量黄金的动态配置价值[34] 2. 因子名称：行业轮动子维度因子 - **因子构建思路**：从宏观、财务、分析师预期、ETF份额变动，公募基金/优选基金仓位动量、事件动量多个维度构建行业轮动因子[39] - **因子具体构建过程**： 1. **宏观维度因子**：刻画行业的经济周期动量效应[39] 2. **财务维度因子**：从三大报表出发优选财务状况较好的行业[39] 3. **分析师预期因子**：展示分析师预期边际上调的行业动量效应[39] 4. **ETF份额变动因子**：逻辑为超卖行业ETF反转[39] 5. **公募基金/优选基金仓位动量因子**：刻画公募基金/优选基金重仓行业的动量效应[39] 6. **事件动量因子**：逻辑是事件发生时的市场惯性（非线性行业动量）[39] 3. 因子名称：选基金复合因子（Alpha类因子、拥挤度因子） - **因子构建思路**：以Alpha类因子为主、拥挤度因子为辅，动态调整选基金因子与权重[46] - **因子具体构建过程**：各调仓日筛选过去两年IC、IR表现较好的因子分配剩余权重，构建复合因子[46] 4. 因子名称：长期能力因子（择时、交易、配置等） - **因子构建思路**：基于Brinson模型和业绩分解模型，结合风格因素，从选股和择时角度构建长期能力因子[64] - **因子具体构建过程**： 1. 构造行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时四个分项[64] 2. 引入风格因素，将基金的选股和配置超额收益从行业和风格两个角度进行分解，引入交叉项，分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项[64] 3. 引用经典的H-M和T-M模型计算基金的择时能力[64] 4. 最终构建的长期能力选基金因子包含TM模型构造的择时项以及业绩分解模型构造的行业配置和交易两项[64] 5. 因子名称：KF-Alpha因子 - **因子构建思路**：基于卡尔曼滤波的行业测算，通过基金业绩-高精度估算净值构造，更好体现基金行业内选股能力[70] - **因子具体构建过程**：对基金季报持仓进行猜测补全，在季度层面实现业绩拆分，构造KF-Alpha因子[70] 6. 因子名称：基金评价指标体系因子 - **因子构建思路**：对常用的基金评价业绩指标进行检验，选取相对有效的因子构建基金评价指标体系[88] - **因子具体构建过程**：指标体系包含收益指标、风险调整收益指标、风险指标、投资能力指标、持有体验指标和规模指标六大类，评价时间维度为近2年[88] 因子的回测效果 1. **长期能力因子**，全时段年化收益15.82%，相对基准超额年化收益8.37%，信息比1.04[71] 2. **风格轮动因子（结合长期能力因子）**，全时段年化收益17.37%，相对基准超额年化收益9.42%，信息比1.15[72] 3. **KF-Alpha+交易因子**，全时段年化收益16.14%，相对基准超额收益8.16%，信息比1[73] 4. **行业轮动多维度因子**，2012年以来应用该因子的策略年化收益28%，年化超额行业等权18.1%，月度超额胜率70%；2019年以来年化超额行业等权40.12%，月度胜率75%[42] 5. **基金评价综合得分因子（风格池内）**，长期来看，各风格池内综合得分排名靠前基金整体表现均跑赢中证偏股；成长风格基金在2015年、2019-2020年业绩弹性突出；2022-2024年价值风格占优[90] 6. **基金评价综合得分因子（赛道池内）**，医药、TMT、周期板块优选基金表现突出，年内优选基金分别上涨50.82%、44.27%、37.68%，相对全部赛道基金有超额[97] 7. **基金优选池综合因子**，长期相较于万得偏股基金指数和沪深300取得超额收益；单年度业绩均跑赢万得偏股基金指数；2019-2023年均跑赢沪深300[102]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 12月1日转债缩量上涨、估值环比抬升；中证转债指数等主要指数多数上涨；大盘成长相对占优；转债市场成交情绪减弱；转债中枢提升、高价券占比提升、估值抬升；正股行业普涨，转债市场部分行业下跌[1][2][3] 各部分总结 市场概况 - 12月1日转债缩量上涨、估值环比抬升；中证转债指数环比上涨0.10%，上证综指、深证成指、创业板指、上证50指数、中证1000指数均环比上涨；大盘成长相对占优，大盘成长环比上涨1.42%；转债市场成交情绪减弱，可转债市场成交额为536.24亿元，环比减少9.67%，万得全A总成交额为18894.49亿元，环比增长18.26%，沪深两市主力净流出3.43亿元，十年国债收益率环比降低0.46bp至1.84% [1] 转债价格 - 转债中枢提升，整体收盘价加权平均值为132.54元，环比上升0.08%；偏股型转债收盘价为186.69元，环比下降0.96%，偏债型转债收盘价为119.34元，环比下降0.13%，平衡型转债收盘价为129.21元，环比上升0.26%；130元以上高价券个数占比54.55%，较昨日环比上升0.51pct，占比变化最大的区间为110 - 120（包含120），占比11.36%，较昨日下降0.76pct，收盘价在100元以下的个券有0只；价格中位数为131.05元，环比上升0.24% [2] 转债估值 - 估值抬升，百元平价拟合转股溢价率为31.50%，环比上升0.04pct，整体加权平价为100.63元，环比上升0.61%；偏股型转债溢价率为13.23%，环比下降1.44pct，偏债型转债溢价率为80.74%，环比下降1.32pct，平衡型转债溢价率为25.17%，环比下降0.24pct [2] 行业表现 - 12月1日正股行业普涨，27个行业上涨，涨幅前三的行业为有色金属（+2.85%）、通信（+2.81%）、电子（+1.58%），跌幅前三的行业为农林牧渔（-0.43%）、环保（-0.23%）、房地产（-0.06%）；转债市场15个行业下跌，跌幅前三的行业为环保（-3.58%）、钢铁（-1.37%）、家用电器（-1.01%），涨幅前三的行业为通信（+0.85%）、电子（+0.82%）、煤炭（+0.66%） [3] - 收盘价方面，大周期环比 - 0.72%、制造环比 - 0.29%、科技环比 + 0.48%、大消费环比 - 0.20%、大金融环比 - 0.08% [3] - 转股溢价率方面，大周期环比 - 0.74pct、制造环比 - 0.53pct、科技环比 - 1.1pct、大消费环比 - 0.034pct、大金融环比 - 1.1pct [3] - 转换价值方面，大周期环比 - 0.47%、制造环比 + 0.26%、科技环比 + 1.17%、大消费环比 - 0.20%、大金融环比 + 0.79% [3] - 纯债溢价率方面，大周期环比 - 0.94pct、制造环比 - 0.51pct、科技环比 + 0.67pct、大消费环比 - 0.24pct、大金融环比 - 0.11pct [4] 市场主要指数表现 - 展示了中证转债、可转债等权、可转债指数、可转债预案、上证综指、深证成指、创业板指、上证50、中证1000等指数的收盘价、日涨跌幅、近一周、近一月、2025年初至今涨跌幅 [7] 市场资金表现 - 可转债市场成交额536.24亿，万得全A成交额18894.49亿；10年国债收益率环比降低0.46BP，转债利差变动 + 0.01PCT；沪深两市主力净流入 - 3.43亿元 [8][11][12] 转债估值相关 - 百元平价拟合溢价率为31.5%，环比 + 0.04pct，处于2019年以来98.50%分位数；估值修复指数为26.82%，环比 - 0.06pct；整体加权平均平价为100.63，环比 + 0.61%，价格中位数为131.05，环比 + 0.24%，处于2019年以来97.00%分位数 [17][20][22] 转债分类情况 - 按照股债性划分转股溢价率均下降，偏股型 - 1.44pct；正股市值30亿以下（含）转债价格 - 0.68%，正股市值500亿以上转股溢价率 - 1.33%；六个月内次新券相对上市首日收盘价涨跌幅均值 - 0.17pct，平均转股溢价率 - 1.30pct；破底占比0.25%，环比0.00pct；收盘价110元（含）以下占比2.03%，环比0.00pct [27][29][36][43] ETF份额情况 - 博时可转债ETF份额42.37亿份，净减少2790万份；海富通可转债ETF份额8.02亿份，净增加1010万份 [37][40] 行业轮动 - 有色金属、通信、电子领涨；展示了各行业正股和转债的日涨跌幅、周涨跌幅、月涨跌幅、年初至今涨跌幅以及正股估值分位数等数据 [56]

量化模型与构建方式 1. 扩散指数行业轮动模型 - **模型名称**：扩散指数行业轮动模型[22] - **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，选择扩散指数排名靠前的行业进行配置[22][34] - **模型具体构建过程**：模型通过计算每个中信一级行业的扩散指数，该指数反映了行业内个股价格走势的强弱程度，具体构建过程未在报告中详细说明，但核心是识别具有向上趋势的行业[22][24] - **模型评价**：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][34] 2. GRU因子行业轮动模型 - **模型名称**：GRU因子行业轮动模型[30] - **模型构建思路**：基于门控循环单元（GRU）深度学习网络，利用分钟频量价数据生成行业因子，以把握短期交易信息并进行行业轮动[30][35] - **模型具体构建过程**：模型将分钟频量价数据输入GRU网络进行训练，生成各行业的GRU因子值，GRU作为一种循环神经网络，能够捕捉时间序列数据中的长期依赖关系，具体网络结构和训练参数未详细说明[30][35] - **模型评价**：在短周期内表现较好，对交易信息敏感，但在长周期表现一般，且可能因极端行情而失效[30][35] 模型的回测效果 1. 扩散指数行业轮动模型 - 2025年12月建议配置行业：有色金属、综合、钢铁、银行、电力设备及新能源、电子[23][27] - 本周平均收益：3.53%[27] - 本周超额收益（相对中信一级行业等权）：1.10%[27] - 11月以来超额收益：-0.11%[27] - 2025年以来超额收益：2.55%[22][27] 2. GRU因子行业轮动模型 - 2025年12月建议配置行业：综合、钢铁、银行、综合金融、商贸零售、农林牧渔[31] - 本周调入行业：钢铁[33] - 本周调出行业：房地产[33] - 本周平均收益：1.06%[33] - 本周超额收益（相对中信一级行业等权）：-1.43%[33] - 11月以来超额收益：1.58%[33] - 2025年以来超额收益：-4.45%[30][33] 量化因子与构建方式 1. 行业扩散指数因子 - **因子名称**：行业扩散指数[24] - **因子构建思路**：通过量化行业内个股的价格动量，合成一个代表行业整体趋势强弱的扩散指数[24] - **因子具体构建过程**：报告未提供具体的计算公式和构建步骤，但指出该因子用于衡量行业趋势强度，数值越高代表行业趋势越强[24][25] 2. GRU行业因子 - **因子名称**：GRU行业因子[31] - **因子构建思路**：利用GRU深度学习模型处理分钟频量价数据，输出代表行业短期强弱的因子值[31][35] - **因子具体构建过程**：报告未提供具体的计算公式和构建步骤，但指出该因子基于历史量价数据训练生成，用于行业轮动决策[31][35] 因子的回测效果 1. 行业扩散指数因子 - 截至2025年11月28日，因子排名前六的行业及取值：有色金属(0.994)、综合(0.961)、钢铁(0.939)、银行(0.937)、电力设备及新能源(0.902)、电子(0.853)[24] - 截至2025年11月28日，因子排名后六的行业及取值：食品饮料(0.343)、电力及公用事业(0.498)、交通运输(0.503)、房地产(0.548)、建筑(0.563)、石油石化(0.616)[24] - 周度环比变化提升前六的行业及变化值：建材(+0.197)、汽车(+0.185)、消费者服务(+0.158)、传媒(+0.153)、综合金融(+0.146)、计算机(+0.144)[26] - 周度环比变化下降后六的行业及变化值：石油石化(-0.058)、煤炭(-0.007)、银行(+0.002)、有色金属(+0.009)、农林牧渔(+0.033)、食品饮料(+0.043)[26] 2. GRU行业因子 - 截至2025年11月28日，因子排名前六的行业及取值：综合(4.42)、钢铁(3.9)、银行(0.5)、综合金融(0.43)、商贸零售(0.18)、农林牧渔(-0.33)[31] - 截至2025年11月28日，因子排名后六的行业及取值：通信(-15.26)、国防军工(-9.1)、电子(-8.71)、医药(-8.44)、计算机(-8.11)、房地产(-7.63)[31] - 周度环比变化提升较大的行业：综合、钢铁、综合金融[31] - 周度环比变化下降较大的行业：传媒、交通运输、家电[31]

根据提供的研报内容，以下是关于其中涉及的量化模型与因子的总结。 量化因子与构建方式 1. **因子名称：价格因子与产能因子（煤炭行业）**[10] * **因子构建思路：** 通过跟踪动力煤的价格和行业产能的同比变化，来估计煤炭行业的营收和利润增速[10]。 * **因子具体构建过程：** 报告未提供具体的计算公式，但构建过程涉及：1) 获取动力煤价格指数；2) 获取行业产能数据；3) 计算价格和产能的同比变化率；4) 基于同比变化率综合估计行业利润增速[10]。 2. **因子名称：出栏系数因子（畜牧养殖行业）**[15] * **因子构建思路：** 利用生猪出栏与能繁母猪存栏之间的稳定关系，构建出栏系数，并以此预测未来6个月的生猪潜在供给和供需缺口，从而判断肉价走势[15][16]。 * **因子具体构建过程：** 1. 计算历史出栏系数：$$出栏系数 = \frac{单季度生猪出栏量}{6个月前的能繁母猪存栏量}$$[15] 2. 预测未来潜在供给：$$6个月后单季潜在产能 = 当前能繁母猪存栏量 \times 上年同期出栏系数$$[15][16] 3. 预测未来潜在需求：以预测目标期（如26Q2）的上年同期单季度生猪出栏量作为潜在需求预测值[16][17] 4. 比较潜在供给与潜在需求，判断供需缺口。 3. **因子名称：单吨盈利因子（普钢行业）**[18] * **因子构建思路：** 通过跟踪普通钢材的综合售价以及铁矿石、焦炭、喷吹煤、废钢等主要成本指标，构建单吨盈利测算模型，用于预测普钢行业的利润增速[18]。 * **因子具体构建过程：** 报告未提供具体的计算公式，但构建过程涉及：1) 获取钢材综合售价；2) 获取各项主要原材料成本；3) 计算单位产品的毛利或利润。 4. **因子名称：裂解价差因子（燃料型炼化行业）**[27] * **因子构建思路：** 通过跟踪成品油价格与原油价格之间的差异（裂解价差），来测算炼化行业的利润情况[27]。 * **因子具体构建过程：** 报告未提供具体的计算公式，但构建过程涉及：1) 获取代表性成品油（如汽油、柴油）价格；2) 获取原油价格；3) 计算成品油价格与原油价格的差值或比值，即裂解价差。 模型的回测效果 *报告未提供针对上述因子的具体回测指标数值（如IC值、IR等）。* 量化模型与构建方式 1. **模型名称：行业景气度跟踪与配置信号模型**[9] * **模型构建思路：** 基于各行业的经营指标（如价格、成本、产能、供需等）预测其利润增速或盈利变化，并结合其他宏观经济指标（如PMI、商品房销售数据）生成行业配置观点（景气/中性）[9][24]。 * **模型具体构建过程：** 该模型是一个综合框架，其具体构建过程因行业而异： * **煤炭行业：** 结合价格因子和产能因子的预测结果，当预测利润增速无明显改善时，给出“中性”信号[10][14]。 * **畜牧养殖行业：** 使用出栏系数因子预测未来供需缺口，当供需大体均衡时，给出“中性”信号；若产能持续去化导致明显紧缺，则可能转为“景气”信号[15][16][17]。 * **普钢行业：** 使用单吨盈利因子预测利润，并结合PMI滚动均值的变化，当利润负增长且PMI趋势向下时，给出“中性”信号[18][21]。 * **结构材料与建筑工程：** 对于玻璃和水泥，基于盈利预测（如浮法玻璃毛利同比增速）和行业先行指标（如房屋新开工面积）生成信号；对于建筑装饰，则基于制造业PMI和商品房销售数据判断基建托底预期，从而生成信号[24][26]。 * **燃料型炼化与油服：** 使用裂解价差因子预测利润，并结合油价同比变化和新钻井数等指标生成配置信号[27][34][35]。 模型的回测效果 *报告展示了部分行业配置信号的历史回测图（如图2、图5、图9、图10），但未提供具体的模型回测指标数值（如年化收益率、夏普比率、最大回撤等）[11][22][28][37]。*

核心观点 - 报告提出2025年12月的配置建议，重点关注金融、有色金属、电子和机械行业 [1] - 风格轮动策略显示12月成长风格和小盘风格得分较高 [3][6][8] - 行业轮动综合得分排名前五的行业为银行、电子、机械、有色金属、非银行金融 [3][23] 风格轮动观点 - 构建了价值成长风格轮动和大小盘风格轮动策略，通过经济繁荣敏感度、流动性受益度和市场情绪三维度多因子打分 [3][6] - 2025年12月价值成长轮动综合分数为5，成长风格得分较高；11月综合分数为6，成长风格得分较高，其中国证成长指数收益率为-2.85%，国证价值指数收益率为0.35% [3][6] - 2025年12月大小盘轮动综合分数为4，小盘风格得分较高；11月综合分数为4，小盘风格得分较高，其中沪深300收益率为-2.46%，中证1000收益率为-2.30% [3][8] 行业轮动观点 - 行业轮动框架基于宏观指标、基本面指标、技术面指标和拥挤度指标四维引擎共10个指标构建 [3][11] - 宏观指标将一级行业划分为上游周期、中游制造、下游消费、TMT、大金融五个板块，12月宏观经济增长处于"扩张强化/衰退缓解"阶段，流动性处于"宽松加码/紧缩放缓"阶段，建议配置大金融和中游制造板块 [13] - 基本面因子排名前五的行业为非银行金融、有色金属、电子、通信、电力设备及新能源，排名后五的行业为房地产、煤炭、建筑、农林牧渔、纺织服装 [3][17] - 技术面因子排名前五的行业为电子、银行、通信、有色金属、机械，排名后五的行业为煤炭、建筑、食品饮料、石油石化、房地产 [3][18] - 拥挤度较高的五个行业为基础化工、电力设备及新能源、农林牧渔、房地产、纺织服装，拥挤度较低的五个行业为机械、非银行金融、汽车、计算机、食品饮料 [3][22] - 行业轮动综合得分结合宏观、基本面和技术面三维度的正向得分，并负向配置拥挤度因子，排名前五的行业为银行、电子、机械、有色金属、非银行金融，排名后五的行业为煤炭、房地产、建筑、石油石化、纺织服装 [3][23]

当前A股市场环境 - A股市场行情震荡波动，多空双方反复纠结，行业轮动明显加快 [1] - 市场波动加剧，成长风格与价值风格博弈激烈，若缺乏显著增量资金，市场或维持宽幅震荡格局 [10] 中证A500指数核心特征 - 指数行业分布全面且均衡，实现100%行业覆盖，并经过行业中性处理，更能代表A股市场 [2] - 指数汇聚行业龙头，基本包含中证三级行业龙头企业，覆盖度为94% [2] - 成分股构成约为50%传统价值行业与50%新兴成长行业，相较于沪深300，减少了传统行业分布，纳入了更多电力设备、医药生物、电子、计算机等新兴领域龙头 [5] - 指数设计兼具把握科技股上涨弹性和利用传统价值行业抵御风险的能力 [5] 中证A500指数历史业绩 - 截至2025年10月31日，中证A500指数基日以来涨幅高达458.37%，同期沪深300和中证800指数收益率分别为362.22%和409.30%，超额收益分别为96.15%和49.07% [8] - 2025年至今，中证A500指数上涨21.15%，同期沪深300和中证800指数涨幅分别为17.94%和20.50%，超额收益分别为3.21%和0.65% [8] - 指数历史走势占优，创新高能力强 [8] 投资策略与产品 - 在宽幅震荡市场背景下，中证A500指数凭借均衡的风格布局和突出的行业配置能力，有望保持相对优势 [10] - 中证A500ETF（159338）为投资者提供可同时兼顾大盘指数相对稳定性和中小盘股高成长红利的投资工具 [1]

核心观点 - 中银多策略行业轮动复合策略当前（2025年11月27日）整体仓位主要配置于非银行金融（11.5%）、交通运输（9.9%）、通信（8.8%）等行业 [1] - 本周（2025年11月20日至27日）复合策略收益率为-1.8%，略低于中信一级行业等权基准（-1.4%），产生-0.5%的超额收益；年初至今，复合策略累计收益为26.4%，超越基准4.4个百分点 [3] - 策略近期进行了调仓，加仓了TMT和上游周期板块，同时减仓了金融板块 [3] 市场表现回顾 - 近一周（2025年11月20日至27日）中信一级行业平均收益率为-1.4%，近一月平均收益率为-1.8% [10] - 本周表现最好的三个行业是通信（3.5%）、传媒（3.4%）和家电（1.4%）；表现最差的三个行业是钢铁（-4.4%）、石油石化（-3.5%）和有色金属（-3.5%）[10] - 通信和有色金属行业年初至今表现突出，收益率分别达到71.7%和73.1% [11] 行业估值风险预警 - 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%则触发高估值预警 [12] - 本周商贸零售、计算机、传媒、石油石化四个行业的PB估值高于过去6年（剔除极端值）95%分位点，触发了高估值预警信号 [13] - 部分行业如食品饮料的PB分位数仅为2.1%，处于历史较低估值水平 [14] 单策略表现与当前配置 - **S1 高景气行业轮动策略（周度）**：当前推荐行业为非银行金融、有色金属、通信；年初至今超额收益为-4.2% [3][15][16] - **S2 隐含情绪动量策略（周度）**：当前推荐行业为通信、机械、电子；年初至今超额收益为13.3%，在单策略中表现最佳 [3][20] - **S3 宏观风格轮动策略（月度）**：当前推荐行业为银行、石油石化、交通运输、电力及公用事业、建筑、家电；年初至今超额收益为6.7% [3][24] - **S4 中长期困境反转策略（月度）**：本月推荐行业为农林牧渔、基础化工、医药、国防军工、电力设备及新能源；年初至今超额收益为5.3% [3][27] - **S5 资金流策略（月度）**：本月推荐行业为钢铁、综合、煤炭、纺织服装、交通运输；年初至今超额收益为-4.7% [3][33] - **S6 财报因子失效反转策略（月度）**：本月推荐行业为非银行金融、食品饮料、家电、通信、有色金属；年初至今超额收益为-0.8% [3][39] - **S7 传统多因子打分策略（季度）**：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；年初至今超额收益为18.7% [3][42] 策略复合与权重分配 - 复合策略采用“波动率控制模型”进行资金分配，根据各策略的负向波动率倒数来确定配置权重 [46][51] - 当前（2025年11月27日）单策略权重最高的是S7传统多因子打分策略，权重为24.2%；权重最低的是S2隐含情绪动量策略，权重为5.4% [59][60] - 策略调仓频率结合了周度、月度和季度策略，分别在周四（周频）、月度首日（周频和月频）及季度首日（所有策略）进行资金再分配 [48][52] 复合策略行业配置 - 当前复合策略行业配置权重前五的行业分别为：非银行金融（11.5%）、交通运输（9.9%）、通信（8.8%）、基础化工（8.1%）、食品饮料（7.9%）[61] - 从板块配置来看，近一周TMT板块配置权重为10.6%，消费板块为19.7%，金融板块为18.0%，上游周期板块为14.8% [62][63] - 近10周板块配置权重显示，TMT板块配置比例有所提升，而金融板块配置比例有所下降 [62]

文章核心观点 - 2021年高位买入热门主动权益基金的投资者经历四年周期后 其持有的明星基金经理产品表现出现显著分化 部分产品受益于医药 科技反弹而修复 部分仍深陷旧核心资产回撤区间 也有基金经理已离开公募体系 [1][9] - 公募行业依赖个人明星光环推动规模增长的时代正在远去 更强调团队 流程与风控的体系化管理正在成为主流 [8][9] 基金经理与产品表现分化 - **刘彦春**：其管理的景顺长城新兴成长（260108）被投资者戏称为“太平间基金经理” 截至11月25日 该基金年内收益仅0.4% 自2021年初高点算起 投资者可能仍承担逾五成的账面亏损 [2] - **刘彦春持仓**：维持“成长+消费”框架 白酒龙头与医药服务类资产在其前十大重仓股中合计占比接近七成（69.79%） 但配置比例较2020-2021年抱团阶段有所下调 [4] - **朱少醒**：投资者评价相对不同 其产品被形容为“缓缓上涨 现在只亏10%” 与刘彦春 张坤同样经历旧核心资产出清 但表现差异源于对行业轮动节奏的理解与组合集中度的选择不同 [5] - **蔡嵩松**：其经历最具戏剧性 从“蔡皇”跌落至“蔡狗” 最终因涉案成为“蔡某”并离开公募 但其管理的诺安和鑫混合A（002560）与诺安成长混合A（320007）在2021年初至其2023年9月29日卸任期间的回撤（约-12.06%）小于刘彦春的绩优成长混合（-42.75%） [6] - **蔡嵩松产品长期表现**：2021年1月至2025年11月25日 诺安和鑫 诺安成长单位净值增长率分别约42.41%和2.26% 是文中样本唯一区间收益为正的主动权益产品 今年以来两者分别上涨33.76%和28.12% [7] - **其他明星基金经理**：交银施罗德王崇管理的交银新成长混合（519736）今年以来收益-0.19% 自2021年初以来区间净值增长率约-23.70% 当前规模约48.9亿元 持仓在新能源 TMT 医药和可选消费间分散 未极端押注单一赛道 [8] - **邬传雁**：已离开公募转战私募 其任内管理的泓德丰润三年持有期混合（008545）在2021年初以来的区间净值增长率约为-42.51% 在王克玉 李映祯接任后 近两年回报已修复至18.28% 今年以来约17.49% [8] 行业趋势与投资者体验 - 市场对基金经理个人品牌的依赖正在下降 更关注产品的持续性与体系化管理能力 行业呈现“去明星化”趋势 [8][9] - 2021年“山顶”买入的投资者体验复杂 部分产品因基金经理涉案已更换管理人 但产品净值却在新的科技周期中率先修复甚至翻红 [7]

2024年权益市场结构性行情 - 权益市场信心逐步提升，但呈现明显结构性行情 [1] - 年初由AI主导阶段性行情，4月后出现创新药行情 [1] - 新能源、化工和有色金属行业受益于反内卷政策 [1] - 8月和9月由半导体、人工智能主导科技成长行情 [1] - 10月之后低波红利类资产阶段性走强 [1] 无风险收益率与资产偏好 - 无风险收益率下行背景下，资金成本明显下行 [1] - 权益资产性价比相应提升，投资者风险偏好相应提升 [1] 小盘股投资机会 - 小盘股因市场关注度不足，存在更多价值挖掘空间 [1] - 当前市场流动性有利于小微盘股，提供较多交易性机会 [1] - 小微盘股估值水平（以PB为主）较大市值标的有更好安全边际 [1]

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，通过计算行业扩散指数来捕捉行业趋势，选择趋势向上的行业进行配置[36] - **模型具体构建过程**：该模型通过跟踪各行业的扩散指数来进行行业轮动，扩散指数反映了行业价格的动量趋势[36] 具体构建过程包括计算各行业的扩散指数值，然后根据指数值排名选择排名靠前的行业作为配置标的[23] 截至2025年11月21日，扩散指数排名前六的行业被选为配置组合[23] - **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为反转时可能面临失效风险[36] 2. GRU因子行业轮动模型 - **模型构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成行业因子，利用因子排名进行行业轮动[37] - **模型具体构建过程**：使用GRU深度学习网络对分钟频量价数据进行训练，生成各行业的GRU因子值[37] 根据GRU因子值的排名，选择排名靠前的行业作为配置组合[31] 模型会定期进行调仓，如本周调入传媒行业，调出钢铁行业[35] - **模型评价**：该模型在短周期表现较好，对交易信息把握能力强，但在长周期表现一般，遭遇极端行情时可能失效[37] 模型的回测效果 1. 扩散指数行业轮动模型 - 本周平均收益：-5.50%[26] - 本周超额收益（相对中信一级行业等权）：-0.42%[26] - 11月以来超额收益：-1.13%[26] - 2025年以来超额收益：1.22%[26] - 历史表现：2021年超额收益率一度超过25%，2022年超额收益6.12%，2023年超额收益-4.58%，2024年超额收益-5.82%[22] 2. GRU因子行业轮动模型 - 本周平均收益：-4.71%[35] - 本周超额收益（相对中信一级行业等权）：0.35%[35] - 11月以来超额收益：2.92%[35] - 2025年以来超额收益：-2.74%[35] - 历史表现：自2021年起凭借对交易信息的把握获得了较大的超额收益[30] 量化因子与构建方式 1. 行业扩散指数因子 - **因子构建思路**：基于价格动量原理构建，反映行业价格趋势强度[36] - **因子具体构建过程**：通过计算各行业的扩散指数值来量化行业动量趋势[23] 具体计算过程未在报告中详细说明，但给出了各行业的最新扩散指数值，如有色金属(0.985)、银行(0.934)、综合(0.876)等[23] 2. GRU行业因子 - **因子构建思路**：基于分钟频量价数据，通过GRU深度学习网络生成[37] - **因子具体构建过程**：使用GRU神经网络对行业分钟频量价数据进行训练，输出各行业的因子值[31] 具体网络结构和训练过程未在报告中详细说明，但给出了各行业的最新GRU因子值，如石油石化(2.42)、传媒(1.53)、家电(1.25)等[31] 因子的回测效果 1. 行业扩散指数因子 - 最新因子值前六行业：有色金属(0.985)、银行(0.934)、综合(0.876)、钢铁(0.864)、电力设备及新能源(0.855)、农林牧渔(0.805)[23] - 周度环比变化前六行业：煤炭(+0.118)、传媒(+0.077)、食品饮料(+0.059)[25] 2. GRU行业因子 - 最新因子值前六行业：石油石化(2.42)、传媒(1.53)、家电(1.25)、交通运输(0.59)、农林牧渔(0.11)、银行(-0.38)[31] - 周度环比变化较大行业：传媒、农林牧渔、家电（提升较大）；综合、国防军工、综合金融（下降较大）[31] - Rank IC表现：通过图表展示了GRU因子的周度Rank IC及其累计值[32]