报告核心观点 - 公募基金考核机制改革下行业轮动研究重要，此前行业轮动框架有局限，报告提出双线解题思路构建五个策略，低位+边际改善策略表现突出，研究对构建策略有较高参考价值 [2][3] 从基本面到行业轮动策略——首篇报告的核心亮点与挑战 核心突破：经济学逻辑与统计学效力的有机结合 - 构建基于经济基本面视角、涵盖近300个指标的行业轮动研究框架，具备统计学有效性与经济学逻辑性，能动态调整估值逻辑 [13][15] - 大部分策略尤其是“低位+边际改善”策略取得显著超额收益，样本外“低位+边际改善”策略表现良好，但对短期突发政策变化或外部冲击前瞻性有待提升 [13][18][19] 遗留问题：行业覆盖范围的局限性 - 31个申万一级行业中仅15个能形成稳定、可解释的景气度指数，限制策略适用性和解释能力 [22] - 解释力不足原因包括部分行业不遵循基本面驱动估值逻辑、行业颗粒度过大、指标质量与筛选标准限制 [23][27][30] 颗粒度层面的破局之道——124个二级行业的指标再挖掘 二级行业的估值逻辑探究 - 将申万一级行业拆解为二级子行业，沿用前序报告估值逻辑划分框架和动态景气度指数构建方式，多数子行业能识别对应估值逻辑 [32] 二级行业指标筛选及景气度指数构建 - 筛选指标沿用上次标准，保留回归建模约束指标方向性亮点，引入运算型衍生指标，限定指标数量，最终使用963个中观经济指标 [38][39][45] - 采用最近36个月数据训练、最新一个月测试的方式构建景气度指数，42个行业拟合优度均值高于0.6，但存在数据覆盖不完整和精细颗粒度下估值逻辑不稳定问题 [50][54][56] 从单打独斗到网络协同——引入关系层的双层景气度模型 关系层的发现：行业间存在资金层面的联动关系 - 不同二级行业间存在联动性，成长与红利板块内及板块间有正负相关关系，跨行业相关性也合理且有基本面支撑 [66] 关系层的应用：如何实现双层结构的实践落地？ - 基于“基础层+关系层”双层结构优化景气度指数构建框架，按特定流程回归，扩大模型覆盖范围 [73][74][75] - 引入双层结构后90个行业拟合优度均值超0.6，选取代表性行业分析，回归效果增强且替代逻辑合理 [79][82][83] 策略实战与验证：一二级行业视角各有优劣 二级行业轮动策略结果：低位+边际改善策略表现突出 - 构建TOP20、多空、边际改善、低位修复、低位+边际改善五个策略，低位修复和低位+边际改善策略取得显著超额收益，低位+边际改善策略年化收益率11.65%，最大回撤11.25%，夏普比率1.86 [2] 一二级行业轮动策略结果的对比与启发 - 报告未明确提及相关内容

美国ETF创新产品 - Pacer发行两只新产品扩充现金流产品线 其中一只选择至少10年连续正自由现金流且自由现金流质量得分最高的100家标普500成分股 自由现金流质量由过去5年平均自由现金流收益率和自由现金流ROIC合成 [1] - Pacer另一只产品采用轮动策略 在其现金流ETF COWZ和纳斯达克100之间根据动量指标(1/3/6/9/12个月平均收益率等权合成)每月切换 当前选择为纳斯达克100 [1] - VistaShares发行期权策略产品 通过ROE 盈利波动 负债率等标准筛选20-50只股票 并卖出期权增厚收益 年化收益达15% [1] - 景顺发行3只新产品：QQHG投资纳斯达克100叠加期权策略 CTSK寻找低估股票 IMF配置与传统市场低相关性资产 [1] - YieldMax扩充单股票Covered Call策略产品 新增挂钩互联网券商Robinhood的产品 [2] 美国ETF资金流向 - 上周债券ETF流入增加 信用债和长债产品受关注 其中LQD(投资级公司债)流入12.5亿美元 MBB(抵押贷款债)流入12.38亿美元 TLT(20年期国债)流入10.3亿美元 [6][7] - 比特币ETF持续吸引资金 IBIT单周流入13.49亿美元 [7] - Vanguard标普500ETF(VOO)以27.11亿美元净流入居首 显著领先同类产品 SPY和IVV分别流出34.8亿/36.98亿美元 [7] - 短债ETF出现流出 SHV(短期国债)流出11.61亿美元 [7] - 近两周数据显示 VOO累计净流入59.26亿美元 同期SPY净流出59.26亿美元 IVV净流出83.22亿美元 [8] 美国ETF市场表现 - 长债ETF表现疲弱 TLT(20年以上国债)5月以来下跌2.35% 但资金情绪改善 持续获得流入 [10] - 短债ETF表现平稳 BIL(1-3月国债)5月上涨0.13% SGOV(0-3月国债)上涨0.12% 但资金呈现流出 [10] - 主要债券ETF年初至今表现：BND(总债券市场)上涨2.21% AGG(综合债券)上涨2.2% VCIT(中期公司债)上涨2.29% [10] 美国公募基金动态 - 2025年3月美国非货币公募基金规模21.17万亿美元 较2月下降0.88万亿美元 同期标普500下跌5.75% 国内股票型产品规模缩水6.55% [11] - 4月23-30日单周数据显示 美国国内股票基金净流出102亿美元 债券基金流出速度放缓 [11]

2025 年 05 月 12 日 Pacer 发行现金流轮动策略产品 ——海外创新产品周报 20250512 证券分析师 沈思逸 A0230521070001 shensy@swsresearch.com 邓虎 A0230520070003 denghu@swsresearch.com 研 究 联系人 沈思逸 (8621)23297818× shensy@swsresearch.com ⚫ 美国 ETF 创新产品：Pacer 发行现金流轮动策略产品。上周美国共 8 只新发产品，Pacer 发行两只新产品扩充现金流产品线。Pacer 上周发行一只现金流因子和质量结合的策略产 品，另外还发行一只轮动策略产品，在其现金流 ETF COWZ 和纳斯达克 100 之间轮动， 进一步扩充其现金流产品线；该策略主要根据动量进行轮动，将指数过去 1、3、6、9、 12 个月的平均收益率等权合成，然后每月选择动量更强的指数，目前的选择为纳斯达克 100。 ⚫ 美国 ETF 资金流向：债券产品流入提升。上周美国股票 ETF 继续有一定流出，但国际股票、 债券产品仍然流入明显，债券 ETF 的流入有所增加，其中信用债、长债 ETF ...

A股上市公司业绩表现 - 2024年沪深上市公司共实现营业收入71.8万亿元，净利润5.2万亿元，74%的公司实现盈利，48%的公司盈利正增长 [1] - 沪主板净利润同比增长2.7%，金融业净利润2.7万亿元，同比增长10.3% [1] - 2025年一季度A股5398家上市公司中2955家净利润同比增长，占比54.74% [3] - 2025Q1全A单季营收同比增速-0.2%，净利同比增速3.7%，较2024Q4分别回落1.7个百分点和回升17.5个百分点 [3] 行业与板块分析 - 农林牧渔、电子、交通运输、汽车、商贸零售等行业增幅靠前 [1] - 半导体、硬件设备、家电等板块营收维持增长，国防军工、煤炭等周期板块营收下滑明显 [3] - AI算力技术革新与数据中心升级浪潮带动国产大模型、具身智能等板块业绩亮眼 [3] - 中证1000为代表的小盘股实现营收和净利同比增速双双改善，中证500为代表的中盘股净利同比增速回升 [4] - 一季度业绩亮点集中在涨价细分领域、可选消费及TMT板块应用端 [4] 新质生产力与经济转型 - 截至2024年底超半数上市公司聚焦战略新兴产业，新上市公司中超八成集中在八大行业（新一代信息技术、高端装备制造等） [1] - A500ETF基金重点布局工业、信息技术、原材料等核心领域，超配新质生产力行业 [2] 政策与市场环境 - 中央和监管部门出台降准、降息、降存量房贷利率等政策，推动中长期资金入市 [1] - 多部门政策协同发力稳定市场，政策层对资本市场和预期管理高度重视 [5][6] - 新"国九条"行情+类"四万亿"投资重叠趋势指引A股以"慢牛"方式运行 [6] 投资策略与市场风格 - 2025年三大投资方向：债券/公用事业/红利、恒生科技与AI上游轮动、黄金/核电设备/军工等安全类资产 [6] - 中期维度关注科技、绿色、消费及基建领域，短期关注红利板块、消费领域及新质生产力相关科技板块 [6] - 市场风格轮动快速，需根据政策导向、资金流向及情绪周期进行战术性调整 [7][8]

央行降息降准政策影响 - 央行宣布降准0.5个百分点，预计向市场提供长期流动性约1万亿元，直接增加银行体系可贷资金规模，缓解负债端压力并提升中长期贷款投放能力 [2] - 政策利率降低0.1个百分点，引导LPR下行以减轻企业和居民融资成本，短期可能压缩银行净息差，但长期低利率环境刺激信贷需求扩张，叠加降准释放低成本资金，银行可通过"以量补价"维持利润稳定性 [3] - 流动性宽松直接利好股市并打开银行业务长期增长空间，银行股表现稳健 [1] 银行股市场表现 - 银行AH指数权重银行股平均股息率超5%（部分国有大行H股股息率超6%），显著高于10年期国债收益率（约1.65%） [3] - 2025年开年至5月6日，银行AH指数年内上涨5%，跑赢中证银行指数、沪深300及科创50，表现优于大部分自主可控产业链 [3] - 5月7日早盘，跟踪银行AH的银行ETF优选（517900）盘中涨超0.9%，近五日资金净流入1500多万元 [6] AH轮动策略优势 - 银行AH指数通过系统化扫描A股与港股价差，自动选择低估标的，利用两地市场结构性差异（A股个人投资者主导推高溢价，港股机构主导压制估值）形成超额收益 [4][5] - 策略每月轮动，当A股溢价超5%时换港股，港股溢价时换A股，溢价5%以内则按兵不动，通过纪律性操作规避情绪化交易 [5] - 长期持有相对低估标的并分红再投资，放大股息效应，同时利用两地市场涨跌周期错位降低单一市场系统性风险 [5] 银行ETF优选特性 - 银行ETF优选（517900）采用AH轮动策略，兼具A股政策确定性与港股极端低估修复弹性，实现"鱼和熊掌兼得" [9] - 策略通过简单规则持续累积小优势，在低波动资产中每1%成本优化均意义重大，长期跑赢单一市场配置 [5][9]

ETF市场概况 - 指数化投资理念愈发受到投资者认可，ETF产品凭借透明、低费率、交易便捷等优势成为居民资产配置的重要工具 [2] - 截至2025年4月，境内交易所挂牌上市的ETF数量达到1141只，市值总规模达到4.04万亿元，较2024年底(3.73万亿元)继续增长，规模创历史新高 [3] - 权益ETF总规模由2014年的约2000亿元增长至2025年4月的3.47万亿元，在各资产类别中规模增长相对明显 [19] ETF交易机制特点 - ETF具有独特的双层交易机制，即一级市场的申购赎回和二级市场的买卖交易 [8] - 一级市场主要通过实物申赎实现，用一篮子股票换取ETF份额或反向操作，总体门槛较高适合机构投资者 [9][11] - 二级市场交易门槛低，1手起购适合普通投资者，交易便捷且不会影响ETF总份额 [12] - 当二级市场价格与净值出现显著偏离时会出现套利机会，套利行为推动ETF市价回归净值 [13][14] ETF资金流因子构建 - 从ETF产品、跟踪指数和明细成分股3个维度构建因子，覆盖原始资金流、资金流数据占比等特征 [28] - 数据层级包括ETF维度、指数维度和个股维度，个股维度可将资金流数据下沉到具体股票中 [30][31] - 主要覆盖原始申赎资金流数据、资金流相对ETF规模占比和资金流相对成交额占比三个细分方向 [34] - 数据形式包括原始因子数据、固定百分位和滚动百分位 [35] 回测结果 - ETF资金流相关因子总体呈现反转特征，IC为负，相对较高资金流入的ETF后续预期有相对较差的市场表现 [39] - 个股维度相关因子的回测结果相对较优，月度换仓总体优于周度换仓 [49] - 基于stock_flow2amt_ma5构建的组合回测期间年化收益为10.2%，相比于偏股混合型基金指数实现较明显超额收益 [50] - 剔除宽基类ETF后构建的因子表现总体边际提升，基于stock_flow2amt_ma5构建的组合年化收益提升至15.3% [54] 市场结构分析 - 宽基类ETF占比相对较高，截至2025年4月规模合计为2.20万亿元占比约64%，行业主题类产品规模合计6351亿元占比约18% [22] - 2024年宽基ETF大幅流入，金额明显高于其他类型ETF产品，部分原因在于"救市资金"通过ETF产品形式流入市场 [53] - 行业主题型ETF在2020、2021年流入相对较多，宽基类ETF在2023年有相对明显的资金流入 [25]

ETF市场概况 - 指数化投资理念愈发受到投资者认可，ETF产品凭借透明、低费率、交易便捷等优势，成为居民资产配置的重要工具 [1][4] - 截至2025年4月，境内交易所挂牌上市的ETF数量达到1141只，市值总规模达到4.04万亿元，较2024年底增长8.3% [5] - 权益ETF总规模由2014年的约2000亿元增长至2025年4月的3.47万亿元，在各资产类别中增长最为明显 [17] - 宽基类ETF规模占比最高，截至2025年4月规模合计为2.20万亿元，占比约64% [20] ETF交易机制 - ETF具有独特的双层交易机制，包括一级市场的申购赎回和二级市场的买卖交易 [1][9] - 一级市场主要通过实物申赎实现，门槛较高，最小申赎单位通常为数十万至百万份，适合机构投资者 [10] - 二级市场交易门槛低，1手起购，适合普通投资者，交易便捷且不会影响ETF总份额 [11] - 当二级市场价格与净值出现显著偏离时，存在套利机会，套利行为推动ETF市价回归净值 [12][13] ETF资金流因子构建 - 基于申购赎回数据，从ETF产品、跟踪指数和明细成分股3个维度构建因子 [26] - 数据层级包括ETF维度、指数维度和个股维度，其中个股维度将资金流数据下沉到具体股票中 [28][29] - 数据类型涵盖原始申赎资金流数据、资金流相对ETF规模占比和资金流相对成交额占比 [34] - 数据形式包括原始因子数据、固定百分位和滚动百分位，并采取周度和月度平滑处理 [35][36] 回测结果 - ETF资金流相关因子总体呈现反转特征，IC为负，较高资金流入的ETF后续表现较差 [39] - 个股维度因子表现最优，月度换仓优于周度换仓，stock_flow2ast_ma5和stock_flow2amt_ma5因子的IC分别为6.0%和5.5% [48] - 剔除宽基类ETF后，因子表现边际提升，基于stock_flow2amt_ma5构建的组合年化收益达15.3%，超额年化收益12.3% [54] - 分年度表现显示，因子多头组合在2022年和2024年相对收益突出，2024年超额收益达32.7% [61][65] 绩优因子特征 - stock_flow2amt_ma5因子多头组合回测期间年化收益10.2%，显著跑赢偏股混合型基金指数 [49] - 该因子在2020年、2021年和2024年绝对收益突出，2022年和2024年相对收益优势明显 [61] - 分组收益显示多头组收益突出，但其他组区分度不足，需结合其他因子优化组合构建 [61]

中证A500指数增强基金市场表现 - 中证A500指数作为新兴宽基指数，凭借对科创属性与中小市值的倾斜性覆盖，成为机构博弈贝塔收益的主战场，全市场已有26只指数增强产品参与竞逐 [2] - 不同A500指数增强产品分化剧烈，两只成立时间间隔不到一个月的产品超额收益差值接近10%，主要源于指数成份股市值和流动性分层显著，为量化模型提供选股空间 [2] - 华安基金推出由张序管理的中证A500指数增强基金（A类：023466；C类：023467），是其量化投资能力的战略升级，旨在构建差异化壁垒 [2][9] 华安量化投资策略体系 - 行业轮动配合多因子选股模型起始于2017年，选择中样本研究的行业轮动策略为基础，通过多因子框架解决行业排序问题，样本量超过40个申万一级行业 [5] - 将行业深度研究作为因子加入量化模型，建立景气度修正体系，包括产业链划分、行业交流、指标梳理及EPS预测，以补充卖方分析师预期数据的缺陷 [5] - 引入机器学习技术选股，结合决策树、深度学习等模型，并针对电子、新能源等赛道型行业搭建单行业选股模型，同时配置事件驱动交易策略捕捉业绩超预期机会 [5] 模型迭代与实战表现 - 行业轮动模型在震荡市中超额收益明显，2019年成熟后应用于华安事件驱动量化基金等产品，张序管理该基金自2020年以来连续五年跑赢偏股混基指数，年化超额收益达9.3% [5][7] - 模型经历三次重大进化：2021年纳入风险因子筛选高估值行业，2022年加入赛道中性和估值中性风控，最近两年探索AI在量化和基本面领域的应用 [8] - AI量化研究成果将应用于新发行的中证A500指数增强基金，升级后的量化框架强调策略透明化与超额收益的平衡 [8][9] 市场环境与投资逻辑 - 行业轮动策略在A股具有长期有效性，4月初关税事件导致市场分化，大消费和自主可控板块表现突出，印证行业轮动价值 [4] - 中证A500增强基金是对"新质生产力"政策的呼应，量化投资竞争已从因子挖掘升维至认知迭代，需将"预判变化"刻入策略基因以应对市场进化 [9]

广发证券资深金工分析师 李豪 lhao@gf.com.cn 广发证券首席金工分析师 安宁宁 anningning@gf.com.cn 广发金工安宁宁陈原文团队 摘要 大语言模型在金融领域的应用： 近年来，人工智能技术的快速发展推动了大语言模型(LLMs)的革新。作为最前沿的技术之一，大语言 模型正在广泛应用于各行各业。金融行业作为一个高度依赖数据分析和信息处理的领域，对先进的人工 智能技术有着极大的需求。而LLMs凭借其强大的文本理解能力、信息提取能力以及推理和预测能力， 正在逐步改变传统的金融分析和决策方式，为投资管理、市场分析、风险控制等多个领域带来了新的机 遇。 DeepSeek定量解析基金季报行业观点及行业轮动策略构建： 本文中，我们尝试通过DeepSeekV3模型，对于基金季报观点文本中的行业观点进行定量解析，并以此 出发构建行业轮动策略。具体来看，首先我们筛选存续时间较长的主动型权益基金样本，并提取样本基 金不同季度报告期季报中的观点部分文本；而后我们将观点文本输入至DeepSeek模型，加入特定提示 词控制输出的格式，并基于输出结果构建基金季报行业观点指标；最后我们基于基金季报行业观点指标 及观 ...

广发证券资深金工分析师 李豪 lhao@gf.com.cn 广发证券首席金工分析师 安宁宁 anningning@gf.com.cn 广发金工安宁宁陈原文团队 摘要 大语言模型在金融领域的应用： 近年来，人工智能技术的快速发展推动了大语言模型(LLMs)的革新。作为最前沿的技术之一，大语言 模型正在广泛应用于各行各业。金融行业作为一个高度依赖数据分析和信息处理的领域，对先进的人工 智能技术有着极大的需求。而LLMs凭借其强大的文本理解能力、信息提取能力以及推理和预测能力， 正在逐步改变传统的金融分析和决策方式，为投资管理、市场分析、风险控制等多个领域带来了新的机 遇。 DeepSeek定量解析基金季报行业观点及行业轮动策略构建： 本文中，我们尝试通过DeepSeekV3模型，对于基金季报观点文本中的行业观点进行定量解析，并以此 出发构建行业轮动策略。具体来看，首先我们筛选存续时间较长的主动型权益基金样本，并提取样本基 金不同季度报告期季报中的观点部分文本；而后我们将观点文本输入至DeepSeek模型，加入特定提示 词控制输出的格式，并基于输出结果构建基金季报行业观点指标；最后我们基于基金季报行业观点指标 及观 ...