基金定投课程推广 - 文章核心为推广一门名为《基金定投指南》的免费课程，旨在帮助投资者学习如何聪明地进行基金定投 [2][3] - 课程内容涵盖定投前的准备、定投计划的制定、四种定投方法以及如何止盈等关键问题 [2] - 为辅助学习，课程还提供课程笔记和思维导图以帮助理解课程脉络 [2][3] 价值风格判定方法 - 价值指数和红利指数是两类最典型的价值风格品种，例如300价值指数具有低市盈率、低市净率等特征 [4] - 判定行业是否属于价值风格，主要方法是将其估值与全市场平均估值进行比较，例如当中证800市盈率约为13倍时，估值明显低于此水平的行业大概率属于价值风格，反之则属于成长风格 [6] - 对具体品种进行高估或低估的判断，更多地需要与其自身历史估值进行比较，例如银行股长期被归为价值风格，而材料行业前几年因估值低属于价值风格，但近年情况已发生变化 [6]

量化因子总结 量化因子与构建方式 1. **因子名称：估值因子** [17] * **因子构建思路：** 通过衡量股票价格与其基本面价值（如盈利、净资产、销售额）的相对高低，来识别被市场低估或高估的股票[9]。价值风格被视为典型的防御性因子[10]。 * **因子具体构建过程：** 估值因子是一个大类因子，由多个细分估值因子合成。报告展示了其细分因子，主要包括： * **估值-EP (盈利收益率因子):** 通常为每股收益(EPS)与股价(P)的比率，即 $$EP = \frac{EPS}{P}$$，代表单位价格对应的盈利水平[18]。 * **估值-BP (账面市值比因子):** 通常为每股净资产(BPS)与股价(P)的比率，即 $$BP = \frac{BPS}{P}$$，代表单位价格对应的净资产[18]。 * **估值-SP (销售收入市值比因子):** 通常为每股销售收入(SPS)与股价(P)的比率，即 $$SP = \frac{SPS}{P}$$，代表单位价格对应的销售收入[18]。 * **股息率:** 通常为每股股息(DPS)与股价(P)的比率，即 $$股息率 = \frac{DPS}{P}$$，代表股票的现金回报率[18]。 2. **因子名称：成长因子** [17] * **因子构建思路：** 通过衡量公司基本面指标（如营业收入、净利润）的增长速度，来识别具有高成长潜力的股票[2]。 * **因子具体构建过程：** 成长因子是一个大类因子，由多个衡量增长的细分因子合成。报告展示了其细分因子，主要包括： * **营业收入增长率** [18] * **净利润增长率** [18] * **ROE增长率** [18] 3. **因子名称：盈利因子** [17] * **因子构建思路：** 通过衡量公司的盈利能力，如净资产收益率、总资产收益率等，来识别盈利质量高、盈利能力强的公司[2]。 * **因子具体构建过程：** 盈利因子是一个大类因子，由多个衡量盈利能力的细分因子合成。报告展示了其细分因子，主要包括： * **ROE (净资产收益率)** [18] * **ROA (总资产收益率)** [18] * **毛利率** [18] * **净利率** [18] 4. **因子名称：小市值因子** [17] * **因子构建思路：** 认为市值较小的公司可能具有更高的成长性和弹性，长期来看能获得超额收益[2]。 5. **因子名称：反转因子** [17] * **因子构建思路：** 基于市场短期过度反应或反应不足的假设，认为过去一段时间表现较差的股票在未来可能反弹，而表现过好的股票可能回调[2]。 * **因子具体构建过程：** 反转因子是一个大类因子，由多个不同时间窗口和计算方法的细分反转因子合成。报告展示了其细分因子，主要包括： * **1个月反转:** 基于过去1个月的收益率构建[18]。 * **3个月反转:** 基于过去3个月的收益率构建[18]。 * **衰减换手率加权3个月反转:** 在3个月反转的基础上，使用衰减的换手率对历史收益率进行加权，以更强调近期价格行为[18]。 * **衰减换手率加权6个月反转:** 在6个月反转的基础上，使用衰减的换手率对历史收益率进行加权[18]。 6. **因子名称：波动率因子** [17] * **因子构建思路：** 基于“波动率溢价”或“彩票效应”等市场异象，认为低波动率的股票长期可能获得更高的风险调整后收益[2]。 * **因子具体构建过程：** 波动率因子是一个大类因子，由多个衡量不同维度波动率的细分因子合成。报告展示了其细分因子，主要包括： * **1个月波动率** [18] * **3个月波动率** [18] * **FF三因子残差1个月波动率:** 计算股票收益率在剔除Fama-French三因子（市场、市值、估值）影响后的残差，再计算该残差的1个月波动率，以衡量特质风险[18]。 * **FF三因子残差3个月波动率:** 计算FF三因子残差的3个月波动率[18]。 7. **因子名称：换手率因子** [17] * **因子构建思路：** 通常作为流动性或投资者情绪的代理变量，低换手率可能意味着关注度低或流动性折价，长期可能产生超额收益[2]。 * **因子具体构建过程：** 换手率因子是一个大类因子，由多个不同时间窗口的换手率细分因子合成。报告展示了其细分因子，主要包括： * **1个月日均换手率** [18] * **3个月日均换手率** [18] * **近1个月/近2年的日均换手率:** 通过比较短期和长期换手率，捕捉换手率的相对变化[18]。 8. **因子名称：超预期因子** [17] * **因子构建思路：** 捕捉公司实际发布的财务数据与市场一致预期之间的差异（Surprise），认为业绩超预期的公司未来股价有正面反应[2]。 * **因子具体构建过程：** 超预期因子是一个大类因子，由两个常见的超预期细分因子合成。报告展示了其细分因子： * **SUR (收入超预期):** 衡量实际营业收入与一致预期营业收入的差异[18]。 * **SUE (盈利超预期):** 衡量实际每股收益(EPS)与一致预期EPS的差异[18]。 9. **因子名称：预期类因子** [17] * **因子构建思路：** 直接使用分析师对未来财务指标的预期数据（而非历史数据）构建因子，旨在更前瞻地反映市场对公司基本面的看法[2]。 * **因子具体构建过程：** 报告展示了两个主要的预期大类因子及其细分因子： * **预期估值因子:** * **预期EP_FY1:** 基于未来12个月(FY1)的一致预期每股收益计算的预期盈利收益率[18]。 * **预期PEG倒数_FY1:** 基于未来12个月(FY1)的一致预期盈利增长率和预期市盈率构建的PEG指标倒数，用于衡量成长性与估值的匹配度[18]。 * **预期BP_FY1:** 基于未来12个月(FY1)的一致预期每股净资产计算的预期账面市值比[18]。 * **预期净利润复合增速FY1:** 基于未来一段时间（如未来2-3年）的一致预期净利润计算的复合年增长率[18]。 10. **因子名称：去均值估值因子** [9] * **因子构建思路：** 对原始的估值因子IC序列进行去均值处理，以更好地剥离长期趋势，凸显其周期性的波动特征，用于观察价值风格的周期性变化[9]。 * **因子具体构建过程：** 报告未详细说明去均值的方法，但通常做法是从原始估值因子的月度IC序列中减去其历史长期均值或移动均值[9]。 因子的回测效果 *注：以下所有指标均为“Rank IC 均值”，数据截至2026年3月13日，频率为月频[18][19][20][21]。* 1. **估值因子** * 沪深300成分股：23.65%[18] * 中证500成分股：17.00%[19] * 中证1000成分股：23.49%[20] * 全A股：21.04%[21] 2. **成长因子** * 沪深300成分股：-2.71%[18] * 中证500成分股：3.61%[19] * 中证1000成分股：-1.51%[20] * 全A股：-2.38%[21] 3. **盈利因子** * 沪深300成分股：4.58%[18] * 中证500成分股：3.62%[19] * 中证1000成分股：-2.83%[20] * 全A股：-0.89%[21] 4. **小市值因子** * 沪深300成分股：-1.17%[18] * 中证500成分股：12.28%[19] * 中证1000成分股：4.58%[20] * 全A股：2.85%[21] 5. **反转因子** * 沪深300成分股：9.59%[18] * 中证500成分股：4.88%[19] * 中证1000成分股：5.15%[20] * 全A股：5.85%[21] 6. **波动率因子** * 沪深300成分股：19.31%[18] * 中证500成分股：10.91%[19] * 中证1000成分股：15.34%[20] * 全A股：19.49%[21] 7. **换手率因子** * 沪深300成分股：11.80%[18] * 中证500成分股：4.73%[19] * 中证1000成分股：6.90%[20] * 全A股：10.46%[21] 8. **超预期因子** * 沪深300成分股：-7.46%[18] * 中证500成分股：6.38%[19] * 中证1000成分股：-0.50%[20] * 全A股：-2.98%[21] 9. **预期估值因子** * 沪深300成分股：7.78%[18] * 中证500成分股：14.44%[19] * 中证1000成分股：20.96%[20] * 全A股：13.74%[21] 10. **预期净利润复合增速FY1因子** * 沪深300成分股：-9.05%[18] * 中证500成分股：-1.44%[19] * 中证1000成分股：1.09%[20] * 全A股：-4.48%[21]

市场整体表现与风格分化 - 市场整体波动不大，全天微跌，当前处于3.8星的投资价值阶段[1][47] - 大、中、小盘股均呈现微跌态势[2] - 港股市场同样整体微跌，风格与A股类似，红利风格上涨[5][6] 市场波动原因与传导机制 - 市场波动的主要原因是原油价格大幅上涨，盘中一度涨幅达10%[7] - 原油价格上涨引发市场对通货膨胀的担忧，进而可能影响美联储降息节奏，利率下降放缓不利于资产价格提升[8] - 市场对原油价格波动的反应已逐渐钝化，上周原油第一波大涨时，A股回调约5%，全球非美股市场指数回调约9%[9][10][11][12] - 近期原油价格再次上涨，但对全球市场的影响减小，A股及全球指数波动幅度仅在1-2%上下[13][14][15] 风格“跷跷板”效应分析 - 近期市场呈现小盘成长风格与红利价值风格的“跷跷板”效应[17] - **小盘成长风格承压**：该风格是过去两年牛市上涨最多的风格，对利率下降带来的流动性敏感[18][19]。原油价格上涨引发通胀和利率担忧，导致该风格出现更大波动[20] - **红利价值风格受益**：中证红利、上证红利、港股红利等指数重仓能源行业，直接受益于能源价格上涨[21][22][23]。原油价格上涨亦会带动水电、煤炭等其他领域上涨，这些板块同样是现金流等价值风格指数的常见成分[24][25] 红利类指数投资价值分析 - 红利指数并非近期才开始表现，去年其大幅跑输成长风格，在去年底今年初时，不少红利类指数估值处于低估区域[28][29] - 自今年1月中旬以来，红利等指数已开始上涨，上证红利、中证红利、恒生红利低波动、现金流等指数已先后回归正常估值[30][31] - 目前主要仅中证红利低波动等少数指数仍处于低估状态[32] - 根据估值表数据，部分红利指数关键指标如下： - **中证红利低波动**：盈利收益率11.79%，市盈率8.48倍，市净率0.84倍，股息率4.81%[34] - **上证红利**：盈利收益率9.29%，市盈率10.777倍，市净率1.07倍，股息率4.55%[34] - **中证红利**：盈利收益率9.08%，市盈率11.01倍，市净率1.11倍，股息率4.38%[34] - **港股红利低波**：盈利收益率10.18%，市盈率9.82倍，市净率0.87倍，股息率4.84%[34] 相关基金产品表现 - 部分追踪红利指数的基金产品近两年表现与规模数据（单位：亿元）： - 华泰柏瑞红利低波ETF联接A（追踪中证红利低波）：规模127.23亿元[35] - 南方标普中国A股大盘红利低波50ETF联接A：规模124.53亿元[35] - 华泰柏瑞上证红利ETF联接A（追踪红利指数）：规模5.06亿元[35] - 广发中证红利ETF（追踪中证红利）：规模1.06亿元[35]

量化模型与构建方式 1. **模型名称**：价值50组合[1][5][7] **模型构建思路**：基于价值风格，以高beta弹性为目标构建的Smart Beta组合[7] **模型构建过程**：报告指出其具体构建方法参考了2024年10月5日发布的专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[7]。该模型选取了价值风格，旨在构建具有高beta弹性的投资组合。具体选股和加权方法未在本周报中详述。 2. **模型名称**：价值均衡50组合[5][7] **模型构建思路**：基于价值风格，以长期稳健超额收益为目标构建的Smart Beta组合[7] **模型构建过程**：与价值50组合同源，但构建目标不同，旨在获取长期稳健的超额收益。具体构建细节需参考对应的专题报告[7]。 3. **模型名称**：成长50组合[5][7] **模型构建思路**：基于成长风格，以高beta弹性为目标构建的Smart Beta组合[7] **模型构建过程**：选取成长风格，以高beta弹性为构建目标。具体方法见专题报告[7]。 4. **模型名称**：成长均衡50组合[5][7] **模型构建思路**：基于成长风格，以长期稳健超额收益为目标构建的Smart Beta组合[7] **模型构建过程**：选取成长风格，以长期稳健超额收益为构建目标。具体方法见专题报告[7]。 5. **模型名称**：小盘50组合[5][7] **模型构建思路**：基于小盘风格，以高beta弹性为目标构建的Smart Beta组合[7] **模型构建过程**：选取小盘风格，以高beta弹性为构建目标。具体方法见专题报告[7]。 6. **模型名称**：小盘均衡50组合[5][7] **模型构建思路**：基于小盘风格，以长期稳健超额收益为目标构建的Smart Beta组合[7] **模型构建过程**：选取小盘风格，以长期稳健超额收益为构建目标。具体方法见专题报告[7]。 模型的回测效果 1. **价值50组合**[5][8] **基准指数**：国证价值[8] **周收益率(绝对收益)**：0.55%[5][8] **周收益率(超额收益)**：0.28%[5][8] **月收益率(绝对收益)**：0.55%[8] **月收益率(超额收益)**：0.28%[8] **年收益率(绝对收益)**：2.13%[5][8] **年收益率(超额收益)**：-1.80%[8] **最大相对回撤**：3.17%[8] 2. **价值均衡50组合**[5][8] **基准指数**：国证价值[8] **周收益率(绝对收益)**：-1.68%[5][8] **周收益率(超额收益)**：-1.95%[8] **月收益率(绝对收益)**：-1.68%[8] **月收益率(超额收益)**：-1.95%[8] **年收益率(绝对收益)**：9.12%[5][8] **年收益率(超额收益)**：5.19%[8] **最大相对回撤**：3.82%[8] 3. **成长50组合**[5][8] **基准指数**：国证成长[8] **周收益率(绝对收益)**：-1.41%[5][8] **周收益率(超额收益)**：0.64%[8] **月收益率(绝对收益)**：-1.41%[8] **月收益率(超额收益)**：0.64%[8] **年收益率(绝对收益)**：2.98%[5][8] **年收益率(超额收益)**：-1.62%[8] **最大相对回撤**：2.62%[8] 4. **成长均衡50组合**[5][8] **基准指数**：国证成长[8] **周收益率(绝对收益)**：-0.23%[5][8] **周收益率(超额收益)**：1.82%[8] **月收益率(绝对收益)**：-0.23%[8] **月收益率(超额收益)**：1.82%[8] **年收益率(绝对收益)**：14.22%[5][8] **年收益率(超额收益)**：9.62%[8] **最大相对回撤**：2.48%[8] 5. **小盘50组合**[5][8] **基准指数**：国证2000[8] **周收益率(绝对收益)**：-4.01%[5][8] **周收益率(超额收益)**：-0.48%[8] **月收益率(绝对收益)**：-4.01%[8] **月收益率(超额收益)**：-0.48%[8] **年收益率(绝对收益)**：10.52%[5][8] **年收益率(超额收益)**：0.96%[8] **最大相对回撤**：5.52%[8] 6. **小盘均衡50组合**[5][8] **基准指数**：国证2000[8] **周收益率(绝对收益)**：-5.11%[5][8] **周收益率(超额收益)**：-1.58%[8] **月收益率(绝对收益)**：-5.11%[8] **月收益率(超额收益)**：-1.58%[8] **年收益率(绝对收益)**：7.12%[5][8] **年收益率(超额收益)**：-2.44%[8] **最大相对回撤**：5.42%[8]

量化模型与构建方式 1. 短期择时模型 1. **模型名称**：短期择时模型[4][14] 2. **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面和流动性四个维度的指标，生成每周的择时信号，以判断市场整体风险并调整权益仓位[4][14]。 3. **模型具体构建过程**： * **一级指标**：模型包含四个一级指标，分别是基本面、估值面、情绪面、流动性[14]。 * **二级指标与信号生成**：每个一级指标下包含若干二级指标，每个二级指标根据其当前值在过去5年的分位数，被赋予“乐观”、“中性”或“谨慎”的信号[14][16]。 * **基本面**：包含制造业PMI、信贷脉冲同比增速分位数、M1同比增速（HP滤波去趋势）分位数三个二级指标[14]。 * **估值面**：包含A股整体PE分位数、A股整体PB分位数两个二级指标[14]。 * **情绪面**：包含A股整体Beta离散度分位数、A股整体量能情绪分位数、A股整体波动率分位数三个二级指标[15]。 * **流动性**：包含货币利率指标分位数、汇率预期指标分位数、沪深净融资额5日均值分位数三个二级指标[16]。 * **综合信号**：每个一级指标的最终信号由其下属二级指标信号综合得出（例如，基本面为“中性”）。最终的总仓位信号由四个一级指标信号综合决定，例如“中性”对应0.5仓位[14][18][21]。 2. 成长价值风格轮动模型 1. **模型名称**：成长价值风格轮动模型[4][22] 2. **模型构建思路**：通过动态宏观、估值回归、短期动量、风格广度、风格拥挤等多个维度的信号，判断成长与价值风格的相对强弱，进行轮动配置[22][23]。 3. **模型具体构建过程**： * **信号维度**：模型包含动态宏观信号、估值回归信号、短期动量信号、风格广度信号、风格拥挤信号等多个子信号[23]。 * **信号合成**：每日根据各子信号生成对成长风格的配置仓位百分比（例如，0%表示全配价值，100%表示全配成长）。报告展示了两种综合信号方式：“无中性仓位”和“5日平均仓位”[23]。 * **最终建议**：根据综合信号，给出超配成长或超配价值的建议。例如，当前模型建议超配价值风格[4][22]。 3. 小盘大盘风格轮动模型 1. **模型名称**：小盘大盘风格轮动模型[4][25] 2. **模型构建思路**：从流动性、价量、情绪等角度选取11个有效轮动指标，构建综合信号，在大小盘风格（以沪深300和中证1000为代表）之间进行轮动[25][27]。 3. **模型具体构建过程**： * **指标池**：模型包含11个指标，分别为：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000 MACD(10,20,10)、中证1000交易量能[27]。 * **信号生成**：每个指标独立生成每日信号，0%代表看多大盘（看空小盘），100%代表看多小盘（看空大盘）[27]。 * **信号综合**：将所有指标的信号综合，生成每日的综合小盘/大盘仓位信号。报告提及使用“3D平滑”和“综合信号”两种处理方式[27]。 * **最终建议**：根据综合信号给出配置建议，例如当前模型建议超配大盘风格[4][25]。 模型的回测效果 1. 短期择时模型 1. **回测区间**：2012年底至今（全区间）[17][19]；2024年以来[20]。 2. **基准**：月度中性持仓再平衡策略[17]。 3. **全区间表现**（2012年底至2026年3月）： * 年化收益率：16.37%[17][19] * 年化超额收益率：11.36%[17] * 年化波动率：14.79%[19] * 最大回撤：15.05%[17][19] * 夏普比率：0.9640[19] * 收益回撤比：1.0880[19] * 月度胜率：65.63%[19] * 季度胜率：61.11%[19] * 年度胜率：80.00%[19] 4. **近期表现**（2024年以来）： * 年化收益率：28.07%[20] * 年化超额收益率：17.89%（根据基准10.18%计算） * 年化波动率：16.47%[20] * 最大回撤：11.04%[20] * 夏普比率：1.4643[20] * 收益回撤比：2.5432[20] * 月度胜率：67.86%[20] 2. 成长价值风格轮动模型 1. **回测区间**：2011年至今[22]。 2. **基准**：国证成长与国证价值的月度等权配置[22][23]。 3. **综合信号2（5日平均仓位）表现**： * 累计收益：765.66%[23] * 年化收益率：14.62%[22][23] * 年化超额收益率：7.98%[22][23] * 年化波动率：21.41%[23] * 最大回撤：40.08%[23] * 夏普比率：0.65[23] * 收益回撤比：0.36[23] * 年化跟踪误差：5.88%[23] * 年化信息比率（IR）：1.36[23] * 月度超额胜率：66.32%[23] 4. **今年以来表现**（至2026年3月6日）：超额收益率为2.08%[22][23]。 3. 小盘大盘风格轮动模型 1. **回测区间**：2014年以来[26][27]。 2. **基准**：沪深300与中证1000全收益指数的等权组合[26][27]。 3. **综合信号（3D平滑）表现**： * 年化收益率：20.35%[27] * 年化超额收益率：12.83%[27] * 最大回撤：40.70%[27] * 平均换手间隔：19个交易日[27] * 胜率（按交易）：50.21%[27] 4. **分年度表现**：自2014年至2026年（截至报告期），策略每年均产生正向超额收益[26][27]。例如，2026年以来超额收益率为3.32%[26][27]。 5. **各子指标表现**：报告列出了11个子指标各自的年化收益、年化超额收益率、最大回撤等数据[27]。

量化模型与因子总结 量化模型与构建方式 1. **模型名称：五维成长价值轮动模型** * **模型构建思路**：从动态宏观、估值回归、短期动量、风格广度和风格拥挤度五个维度构建综合信号，用于判断成长与价值风格的轮动时机[18]。 * **模型具体构建过程**： 1. **动态宏观信号**：基于多个宏观经济指标（如中长期信贷脉冲、M0/M1增速、通胀剪刀差、财政支出、美国利率等）的历史胜率，判断当前宏观环境对成长或价值风格更有利[18]。 2. **估值回归信号**：比较成长与价值风格的PE和PB估值比，判断其相对估值水平是否偏离历史中枢，从而产生均值回归信号[20]。 3. **短期动量信号**：分析成长与价值风格的价格趋势、量能趋势和内部估值分布，判断其中短期动量强弱[19]。 4. **风格广度信号**：观察成长与价值风格内部个股的上涨广度，判断趋势的可持续性。 5. **风格拥挤信号**：通过比较成长与价值风格指数成交额占A股比重的短期分位数，判断交易拥挤度[19]。 6. **综合信号生成**：将上述五个维度的信号进行综合，生成最终的风格配置建议（如100%价值或100%成长仓位）[21]。 2. **模型名称：行业中周期轮动模型** * **模型构建思路**：通过傅里叶变换刻画行业的价格、营收周期，构建行业中周期因子，并结合相同宏观周期状态下的行业动量因子，进行二维筛选以构建行业轮动策略[30]。 * **模型具体构建过程**： 1. **周期刻画**：使用与行业相关的高频数据，通过傅里叶变换确定行业的周期长度，刻画行业所处的价格或营收周期[30]。 2. **因子构建**：为每个行业构建“行业中周期因子”，该因子值反映了行业当前所处的周期强度（排名越小，周期越强）[30][33]。 3. **宏观状态匹配**：根据历史宏观周期的强弱划分，确定当前所处的宏观周期状态[30]。 4. **动量因子叠加**：在相同的宏观周期状态下，计算行业的动量因子[30]。 5. **行业筛选**：结合行业中周期因子和动量因子，每个月对行业进行二维筛选，优选周期强且动量佳的行业，构建轮动组合[30]。 3. **模型名称：利率ROIC定价模型** * **模型构建思路**：从资本回报率（ROIC）视角出发，通过结合权益市场的盈利预期，来间接推断债券市场的利率中枢点位[36]。 * **模型具体构建过程**： 1. **计算权益ROIC**：在A股上市公司（除金融）口径下，根据个股的利润和总资产数据，自下而上汇总计算全市场权益ROIC值。或在规模以上工业企业口径下进行计算[36][38]。 2. **计算债市隐含ROIC**：根据公式计算债市隐含的ROIC水平。公式为： $$ROIC = (无风险利率 + 股票风险溢价) \times 股权比例 + (无风险利率 + 信用风险溢价) \times 债权比例$$ 其中，无风险利率为30年国债到期收益率，信用风险溢价为AAA级企业债信用利差，股权占比参考A股（除金融）数据进行合成[36]。 3. **推导利率中枢**：结合对A股未来盈利增速的预测，调整权益ROIC预期，进而通过股债ROIC的均衡关系，推导出10年期国债等利率品种的预期中枢及上下界（利率走廊）[40][41][43]。 4. **模型名称：利率短期价量趋势模型** * **模型构建思路**：从日度价量数据所形成的利率形态入手，捕捉市场短期交易情绪的趋势突破信号，用于利率债的短期择时[45]。 * **模型具体构建过程**： 1. **形态识别**：对5年、10年、30年期国债到期收益率（YTM）的时序数据，应用形态识别算法[45]。 2. **多周期分析**：分别在长、中、短三个不同周期视野下，识别利率走势的向上或向下突破信号[45][46]。 3. **综合评分**：汇总不同期限、不同周期下的突破信号票数，形成综合评分结果（如中性震荡、中性偏空等），作为短期交易观点[45]。 5. **模型名称：利率宏观基本面择时模型** * **模型构建思路**：围绕经济增速预期、通胀预期、流动性变化和风险偏好四大类核心驱动因素，构建领先指标，并利用“三分位点算法”检验指标对利率变化的预测能力，进而构建择时策略[50][56]。 * **模型具体构建过程**： 1. **指标筛选与处理**：为四类驱动因素筛选代表性宏观指标（如PMI、固定资产投资、PPI、M2-M1剪刀差、国债收益率曲线、标普500指数等）。对原始数据进行差分处理以关注边际变化，对多指标类别进行主成分分析（PCA）降维，并对部分存在披露滞后的指标进行滞后处理[53][56]。 2. **预测能力检验**：使用“三分位点算法”定量评价指标对下一期利率变化的预测能力。将全样本按指标值分为三组，计算前1/3组与后1/3组下一期利率变化均值的T统计值，公式为： $$T = \frac{\bar{F}_1 - \bar{F}_3}{\sqrt{\frac{(n_1 - 1)S_1^2 + (n_3 - 1)S_3^2}{n_1 + n_3 - 2}(\frac{1}{n_1} + \frac{1}{n_3})}}$$ 其中，$\bar{F}_i$和$S_i$代表分组i下利率下一期变化的均值和标准差，$n_i$代表分组i的样本数量[57][58]。 3. **策略构建**：对于每个通过检验的指标，当其处于历史前1/3分位时，若指标与利率同向变动则配置短久期债，若反向则配置长久期债；处于后1/3分位时则反向操作；处于中间1/3时则配置50%短久期债+50%长久期债。月度调仓[59][60]。 6. **模型名称：可转债定价与估值模型** * **模型构建思路**：以期权二叉树定价法为基础，结合转债条款、正股退市风险等因素对可转债进行理论定价，并与市场价格比较以评估估值高低；同时合成全市场正股PB中位数以判断股底估值周期[76][81]。 * **模型具体构建过程**： 1. **期权定价**：使用二叉树模型为每只可转债进行理论定价，充分考虑转股、赎回、回售、下修等条款[76]。 2. **计算定价偏离度**：计算转债市场价格相对理论定价的折溢价率，即“定价偏离度”。公式为：定价偏离度 = 转债二叉树定价 / 转债市价 - 1。该值中位数或余额加权值可代表市场整体估值水平[76]。 3. **正股估值合成**：自下而上计算全市场可转债对应正股的PB中位数，作为转债市场股底估值的代理指标[81]。 7. **模型名称：固收多资产配置模型** * **模型构建思路**：结合可转债和利率债的择时指标，在保持长期结构与基准接近的基础上，动态调整可转债、长久期利率债、中短久期利率债和信用债的配置比例，以获取稳定超额收益[84]。 * **模型具体构建过程**： 1. **可转债仓位分配**：根据“可转债正股PB中位数”指标所处的运行周期（通过其5年分位数判断），分配0%、2.5%或5%三档转债仓位[84][85]。同时，根据“转债定价偏离度”指标的运动周期，分配另一组0%、2.5%或5%的转债仓位，两组权重相加为最终转债仓位[85]。 2. **利率债仓位分配**：剩余仓位配置纯债。首先根据债券市场利率债占比分配利率债总仓位。然后，参考“利率债长周期价量择时指标”，在利率债内部分配0%、50%或100%三档长久期利率债仓位，其余配置中短久期利率债[85]。 3. **信用债仓位填充**：所有剩余仓位配置信用债[85]。 4. **调仓**：基础频率为月度，利率债仓位可根据实时监控调整[84]。 模型的回测效果 1. **五维成长价值轮动模型**（综合信号2_5D平均仓位_国证成长价值，回测期2010/05/31-2026/02/27）[21]： * 累计收益：584.11% * 年化收益：14.62% * 年化波动率：40.08% * 最大回撤：44.11% * 夏普比率：0.36 * 年化超额收益（相对国证成长价值等权）：7.91% * 月度超额胜率：66.14% * 年化跟踪误差：5.88% * 年化信息比率（IR）：1.34 2. **利率宏观基本面单因子择时模型**（各指标策略回测，截至2026/02/27）[71]： * **pmi_prin策略**（2011/01/31起）：年化收益5.07%，年化波动率1.35%，最大回撤2.67%，夏普比率3.74，超额收益（相对等权基准）1.15%。 * **inv_prin策略**（2011/03/31起）：年化收益4.60%，年化波动率1.28%，最大回撤2.53%，夏普比率3.60，超额收益0.66%。 * **real_prin策略**（2016/08/31起）：年化收益4.23%，年化波动率1.13%，最大回撤3.18%，夏普比率3.75，超额收益0.77%。 * **commodity_global策略**（2003/12/31起）：年化收益4.46%，年化波动率2.74%，最大回撤5.52%，夏普比率1.63，超额收益0.81%。 * **ppcp_prin策略**（2003/12/31起）：年化收益4.25%，年化波动率1.95%，最大回撤3.66%，夏普比率2.18，超额收益0.60%。 * **m2_m1策略**（2003/12/31起）：年化收益4.67%，年化波动率1.89%，最大回撤3.40%，夏普比率2.47，超额收益1.03%。 * **cgb_level策略**（2007/12/28起）：年化收益5.24%，年化波动率1.63%，最大回撤2.45%，夏普比率3.21，超额收益1.26%。 * **stock_global策略**（2003/12/31起）：年化收益4.05%，年化波动率2.16%，最大回撤6.98%，夏普比率1.88，超额收益0.41%。 * **等权基准**（2003/12/31起）：年化收益3.65%，年化波动率1.70%，最大回撤3.40%，夏普比率2.14。 3. **固收多资产配置模型**（回测期2016/12/31-至今）[88]： * 年化收益率：5.28% * 最大回撤：2.21% * 收益回撤比：2.39 * 持有1年滚动收益率均值：约6% * 持有满1年绝对收益胜率：100% * 近年表现：2024年收益8.49%（超额0.86%），2025年收益2.05%（超额1.40%），2026年初至今收益0.57%（超额0.01%）[88]。 量化因子与构建方式 1. **因子名称：行业中周期因子** * **因子构建思路**：通过傅里叶变换分析行业高频数据，识别行业所处的价格或营收周期位置，构建反映行业周期强度的因子[30]。 * **因子具体构建过程**：收集与行业相关的高频数据（如价格、营收等），运用傅里叶变换方法确定数据序列的主要周期长度，进而刻画当前时点行业在周期中所处的相位和强度，最终合成一个表征行业周期强弱的因子值，值越小表示周期越强[30][33]。 2. **因子名称：通胀剪刀差 (CPI-PPI)** * **因子构建思路**：作为宏观分析因子，用于观察下游需求与上游价格之间的关系，历史上被用于分析对周期风格的影响[27]。 * **因子具体构建过程**：直接计算消费者价格指数（CPI）同比增速与生产者价格指数（PPI）同比增速的差值[27]。 3. **因子名称：PPI同比增速** * **因子构建思路**：作为核心宏观因子，用于预判周期风格的走势，历史数据显示其上行对周期股超额收益有正面影响[29]。 * **因子具体构建过程**：直接采用国家统计局发布的PPI全部工业品同比增速数据[29]。 4. **因子名称：美元指数** * **因子构建思路**：作为影响国际大宗商品定价的宏观因子，其变化对有色金属等周期行业有一定前瞻性指引作用[29]。 * **因子具体构建过程**：直接采用美元指数数据[29]。 5. **因子名称：定价偏离度 (转债)** * **因子构建思路**：衡量可转债市场定价偏离理论价值的程度，作为判断转债估值高低（ALPHA机会）的因子[76]。 * **因子具体构建过程**：首先利用二叉树模型计算每只可转债的理论价格，然后计算其市场价格与理论价格的比率减1，即：定价偏离度 = 理论价格 / 市价 - 1。取全市场该值的中位数或余额加权值作为市场整体因子值[76]。 6. **因子名称：正股PB中位数 (转债)** * **因子构建思路**：合成反映可转债市场整体股底估值水平的因子，用于判断转债的BETA机会和估值周期[81]。 * **因子具体构建过程**：计算全市场所有可转债对应正股的市净率（PB），然后取这些PB值的中位数，作为该因子的取值[81]。 因子的回测效果 1. **PPI同比增速因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[29]： * 当上月PPI增速上行时，未来3个月周期风格平均超额收益（较中证800）：1.17%。 * 当上月PPI增速下行时，未来3个月周期风格平均超额收益（较中证800）：-0.06%。 2. **CPI-PPI剪刀差因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[30]： * 当剪刀差上行时，未来3个月周期风格平均超额收益（较中证800）：0.61%。 * 当剪刀差下行时，未来3个月周期风格平均超额收益（较中证800）：0.57%。 3. **美元指数因子**（用于预判周期风格未来3个月超额收益，统计期2005年至今）[30]： * 当美元指数上行时，未来3个月周期风格平均超额收益（较中证800）：0.41%。 * 当美元指数下行时，未来3个月周期风格平均超额收益（较中证800）：0.81%。

量化模型与构建方式 1. **模型名称：中国经济六周期模型** **模型构建思路：** 通过识别中长期贷款脉冲（新增中长贷TTM同比）的三个月差分方向来判断信用周期，并结合其他宏观因子，将经济划分为六个阶段，用于指导资产配置[7]。 **模型具体构建过程：** 1. 使用“中长期贷款脉冲”作为核心信用周期识别指标。该指标的计算基于“新增中长期贷款TTM同比”的三个月差分[7]。 2. 通过该指标的变动方向（上升或下降）来判定信用周期是处于扩张还是收缩状态[7]。 3. 结合货币因子、增长因子等其他宏观指标，将经济状态综合划分为六个阶段。报告当前指出模型处于“阶段6：货币扩张”状态[7][11]。 2. **模型名称：宏观胜率评分卡** **模型构建思路：** 从货币、信用、增长、通胀和海外五个宏观因子出发，合成一个综合评分，用于评估各类资产的未来上涨概率（胜率）[21]。 **模型具体构建过程：** 报告提及该模型基于五个宏观因子（货币、信用、增长、通胀、海外）构建，但未详细说明各因子的具体计算方法和合成规则。模型输出结果为各资产的综合胜率百分比，例如A股胜率[21]。 3. **模型名称：利率债收益预测模型（债券赔率指标）** **模型构建思路：** 根据长短期债券的预期收益差来构建债券资产的赔率指标，用于衡量债券资产的估值吸引力[22]。 **模型具体构建过程：** 报告未给出该模型计算预期收益差和赔率的具体公式，但明确指出该赔率指标是标准化后的数值，以标准差倍数表示[22]。 4. **模型名称：美联储流动性指数** **模型构建思路：** 结合数量维度和价格维度，综合构建一个反映美联储流动性松紧程度的指数[29]。 **模型具体构建过程：** 报告指出该指数综合了净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个维度，但未提供具体的合成公式。指数设有预警阈值，例如-60%代表“极度收紧”[28][29]。 5. **模型名称：行业景气-趋势-拥挤配置模型（并行策略）** **模型构建思路：** 提出两种右侧行业配置方案，并将它们结合形成并行策略。方案一以行业景气度为核心，结合趋势并规避高拥挤；方案二以市场趋势为核心，结合低拥挤并规避低景气[46]。 **模型具体构建过程：** * **行业景气模型：** 核心是“分析师行业景气指数”。该指数基于分析师预测数据构建，用于衡量市场对行业未来业绩的预期。具体构建方法在引用的专题报告中，本报告未详述[12]。 * **行业趋势模型：** 核心是行业的趋势强度。 * **拥挤度：** 用于衡量交易过热风险。 * **并行策略：** 同时运行上述两个模型，其推荐结果共同构成最终的行业配置建议[46][49]。 6. **模型名称：行业ETF配置模型** **模型构建思路：** 将“行业景气-趋势-拥挤配置模型”的逻辑应用于可交易的行业ETF上，构建一个可落地的投资组合[50]。 **模型具体构建过程：** 与模型5思路一致，但标的物为行业ETF。模型对每只ETF计算其跟踪指数的景气度、趋势和拥挤度，并据此进行配置[50][51]。 7. **模型名称：行业库存景气+困境反转模型** **模型构建思路：** 从赔率-胜率角度出发，在当前或过去处于困境但已有所反弹的板块中，筛选出分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉困境反转行情[55]。 **模型具体构建过程：** 报告提及模型结合了“困境”（赔率）、“分析师长期看好”（胜率的一部分）和“库存压力/补库条件”等多个维度，但未给出具体的因子计算公式和合成规则[55]。 8. **模型名称：赔率增强型策略（固收+）** **模型构建思路：** 基于风险预算模型，在目标波动率约束下，根据各资产的赔率指标动态调整配置权重，持续超配高赔率（估值有吸引力）的资产[58]。 **模型具体构建过程：** 策略使用风险预算模型进行资产配置。赔率指标作为输入，用于计算各类资产（泛权益、黄金、债券）的风险预算。在满足目标波动率约束的前提下，分配更多风险预算给赔率高的资产[58]。 9. **模型名称：胜率增强型策略（固收+）** **模型构建思路：** 与赔率增强型策略框架类似，但输入指标替换为基于宏观五因子合成的各资产“胜率”评分，旨在超配未来上涨概率更高的资产[61]。 **模型具体构建过程：** 使用与模型8相同的风险预算模型框架，但将赔率指标替换为模型2（宏观胜率评分卡）输出的胜率评分，作为计算风险预算的依据[61]。 10. **模型名称：赔率+胜率增强型策略（固收+）** **模型构建思路：** 综合赔率和胜率信息，将两种策略的风险预算简单相加得到综合得分，据此构建更全面的资产配置策略[64]。 **模型具体构建过程：** 分别计算赔率增强策略（模型8）和胜率增强策略（模型9）对各类资产的风险预算，然后将两者相加，得到最终的综合风险预算，并据此确定资产配置权重[64]。 量化因子与构建方式 1. **因子名称：行业相对强弱指标（RS）** **因子构建思路：** 基于行业内个股的横截面收益排名，构建一个行业级别的相对强弱指标，用于提前识别年度领涨主线[15]。 **因子具体构建过程：** 报告未给出RS因子的具体计算公式，但说明其构建基础是“行业横截面收益排名”。当某个行业的RS指标大于90%时，被视为一个强烈的看涨信号[15]。 2. **因子名称：A股赔率因子** **因子构建思路：** 综合Shiller ERP（经周期调整的市盈率倒数）和DRP（股息率）两个估值指标，合成一个衡量A股整体估值吸引力的赔率因子[21]。 **因子具体构建过程：** 将Shiller ERP和DRP分别进行标准化处理（转化为Z-score），然后进行等权加权，得到最终的赔率因子值。该值以标准差倍数表示[21]。 3. **因子名称：债券赔率因子** **因子构建思路：** 基于利率债收益预测模型输出的长短期债券预期收益差，构建衡量债券估值吸引力的指标[22]。 **因子具体构建过程：** 由模型3（利率债收益预测模型）输出，并进行标准化处理，以标准差倍数表示[22]。 4. **因子名称：美股AIAE指标** **因子构建思路：** 作为一个衡量美股估值风险的指标，具体构建方法未说明，但历史高点通常预示较大的回撤风险[26][29]。 5. **风格因子（小盘、价值、质量、成长等）的三标尺：赔率、趋势、拥挤度** **因子构建思路：** 从三个维度（赔率、趋势、拥挤度）对风格因子进行综合评估，每个维度都进行标准化处理（以标准差倍数表示），并据此计算综合得分[30][32][36][39]。 **因子具体构建过程：** * **赔率：** 衡量因子估值便宜程度，数值越大代表越便宜[31]。 * **趋势：** 衡量因子近期表现强度，数值越大代表趋势越强[31]。 * **拥挤度：** 衡量因子交易过热程度，数值越大代表越拥挤[31]。 * **综合得分：** 基于三个维度的标准化数值计算得出，用于排名和判断[44]。 模型的回测效果 1. **行业景气-趋势-拥挤配置模型（并行策略）**，基准：Wind全A指数，年化收益22.0%，年化超额收益13.2%，信息比率(IR)1.5，超额最大回撤-8.0%，月度胜率67%[47]。2026年初至2月底绝对收益8.0%，超额收益-0.2%[47]。 2. **行业ETF配置模型**，基准：中证800指数，年化超额收益16.3%，信息比率(IR)1.9，超额最大回撤10.8%，月度胜率66%[52]。2025年超额收益21.4%[52]。2026年初至2月底绝对收益9.5%，超额收益3.9%[52]。 3. **行业库存景气+困境反转模型**，基准：行业等权组合，2023年绝对收益13.4%，超额收益17.0%；2024年绝对收益26.5%，超额收益15.4%；2025年绝对收益28.7%，超额收益5.6%[55]。2026年初至2月底绝对收益12.2%，超额收益3.9%[55]。 4. **赔率增强型策略（固收+）**，自2011年以来年化收益6.7%，年化波动2.3%，最大回撤3.1%，夏普比率2.88[60]。自2014年以来年化收益7.4%，最大回撤2.8%，夏普比率3.35[60]。自2019年以来年化收益6.8%（原文6.9%），最大回撤2.8%，夏普比率3.14[60]。 5. **胜率增强型策略（固收+）**，自2011年以来年化收益7.1%，年化波动2.4%，最大回撤3.4%，夏普比率2.99[62]。自2014年以来年化收益7.9%，最大回撤2.2%，夏普比率3.41[62]。自2019年以来年化收益6.8%，最大回撤1.5%，夏普比率3.10[62]。 6. **赔率+胜率增强型策略（固收+）**，自2011年以来年化收益6.7%，年化波动2.3%，最大回撤2.9%，夏普比率2.92[66]。自2014年以来年化收益7.3%，最大回撤2.3%，夏普比率3.31[66]。自2019年以来年化收益6.3%，最大回撤2.3%，夏普比率2.99[66]。 因子的回测效果 1. **小盘因子**，赔率0.6倍标准差，趋势0.7倍标准差，拥挤度-1.4倍标准差，综合得分4[30]。 2. **价值因子**，赔率1.2倍标准差，趋势0.3倍标准差，拥挤度-1.2倍标准差，综合得分3[32]。 3. **质量因子**，赔率1.2倍标准差，趋势-0.1倍标准差，拥挤度-0.2倍标准差，综合得分1[36]。 4. **成长因子**，赔率-1.2倍标准差，趋势0.6倍标准差，拥挤度0.2倍标准差，综合得分-0.4[39]。

市场整体表现 - 截至收盘，市场整体估值处于3.7星级 [1] - 沪深300等大盘股指数下跌，而小盘股指数微涨 [2] - 红利等价值风格指数与创业板等成长风格指数均出现下跌 [2] - 港股市场近期表现低迷，持续下跌，其中港股中小、港股科技、港股医药类指数均出现较大波动 [2] A股与港股牛市特征分析 - A股与港股的牛市很少呈现单边上涨，中间经常出现回调，呈现“进三退一”或“进三退二”的走势 [2] - 自2024年市场处于5.9星级以来，A股主要经历了三波上涨带来的收益，其他时间多为震荡阴跌或回调 [2][3][4] - A股与港股的上涨和下跌时间并不同步 [5] 港股科技类指数表现 - 恒生科技指数自2024年5.9星级以来，总上涨71%，期间经历了三波上涨与回调 [2] - 第一波：2024年初至2024年11月，上涨82%，之后回调24% [2] - 第二波：2025年初至3月底，上涨48%，之后回调31% [2] - 第三波：2025年4月至10月，上涨56%，之后回调24%至今 [2] - 港股科技指数（中证编制）自2024年5.9星级以来，总上涨105%，同样经历三波上涨与回调 [2] - 第一波：上涨85%，之后回调21% [2] - 第二波：上涨55%，之后回调30% [2] - 第三波：上涨65%，之后回调23%至今 [2] - 这两个指数在本轮牛市中的涨幅均高于同期A股和港股大盘，但波动也更大 [2] 成长风格指数特点 - 科技股属于成长风格，其波动通常比大盘更大 [6] - 在牛市上涨过程中，大盘宽基指数的回调通常在10-20%以内，而成长风格或细分行业主题的回调幅度会更大 [6] - 例如A股的科创50指数，自2024年5.9星级以来上涨超过110%，期间也出现过数次20%级别的回调 [6] 科技指数上涨驱动因素 - 科技类指数的涨幅与背后上市公司的盈利增长速度相关性较强 [6] - 前几次科技指数的上涨都伴随着上市公司盈利的同比大幅增长 [6] - 例如，2025年上半年港股科技股盈利同比翻倍增长，带动了2025年1-3季度港股科技类指数出现两波大幅上涨 [6] - 2025年三季度，A股创业板、科创板盈利同比大幅增长，也带动了这两个指数上涨至接近或达到高估 [6] - 2025年四季度以来，A股和港股科技类指数的盈利同比增长速度放缓，是市场短期回调的原因之一 [6] - 港股科技股目前面临AI开支增加等影响，市场担心其四季度盈利增长不及二、三季度 [6] 投资组合策略与风格搭配 - 在投资单个行业主题时，建议控制比例在15-20%以内 [6] - 主动优选组合中配置了港股科技股，但会控制其比例 [6] - 投资组合通过搭配成长风格与价值风格的品种来增强稳定性 [6] - 2025年，主动优选跑赢大盘，部分得益于港股科技股的贡献 [6] - 近期港股成长风格回调，但主动优选组合继续上涨，则依靠组合内的价值风格股票，如红利、现金流等品种 [6][7][8] - 通常成长风格低迷时，价值风格表现会比较强势，不同风格的低估品种搭配能让整体投资更稳定 [9][10] 红利类指数估值数据 - 提供了多只红利类及相关价值风格指数的估值数据表，包括上证红利、中证红利、港股红利、红利低波等指数 [12] - 表格中列出了各指数的关键估值指标，如盈利收益率、市盈率、市净率、股息率和近十年估值分位数 [12] - 例如，中证红利低波动指数的盈利收益率为12.14%，市盈率为8.24，市净率为0.83，股息率为4.92%，近十年市盈率分位数为32.38% [12] - 提供了部分追踪这些指数的基金产品规模及分红数据 [13] - 完整的红利指数估值表已在相关小程序中每日更新 [14] 其他市场指数估值数据 - 提供了涵盖宽基、行业、风格、债券等多种类型指数的估值表 [25] - 表中包含盈利收益率、市盈率、市净率、股息率、ROE等关键指标，以及对应的场内、场外基金代码 [25] - 例如，港股科技指数市盈率为37.50，市净率为3.07，股息率为0.65% [25] - 科创50指数市盈率为130.86，市净率为7.01，股息率为0.31% [25] - 同时提供了部分债券指数的久期、到期收益率及历史表现数据 [28]

市场风格研判 - 国投证券林荣雄认为，节后科技风格有望重新占优 [1] - 历史数据显示，2010年至2025年总计16年中，仅有2年未发生春节前后的成长和价值风格切换 [1] - 若节前市场风格偏大盘，则节后偏向中小盘定价的概率较高 [1] - 历史上，春节前一个月涨幅靠前的一级行业与春节后一个月不重复的概率较高 [1] - 今年春节前一个月市场风格开始向价值风格倾斜，科技成长风格相对回落 [1] 科技风格驱动因素 - 随着沃什（美联储）边际影响减弱，海外市场企稳，为科技风格回归创造条件 [1] - 春节假期期间，机器人和大模型领域再次迎来催化 [1] - 市场对海外AI巨头业绩的担忧已明显缓解 [1] - 综合因素下，春节后科技成长风格将有望卷土重来 [1] 科技内部结构展望 - 科技内部将进行再均衡，其新本质是“AI科技向下游走” [1] - 市场关注点将向第四阶段供需缺口环节逐渐过渡 [1] - 上游供需缺口环节主要关注铜、存储与电力设备 [1] - 下游供需缺口环节主要关注AI应用、元器件等 [1]

港股市场的风格轮动现象 - 港股市场与A股市场类似，存在成长与价值风格的轮动现象[6] - 港股风格轮动的时间长短不一，其本质是市场有限资金在不同风格品种间进出，导致品种阶段性表现强弱[10] 港股风格轮动的具体表现 - **成长风格强势期 (2024年9月至2025年9月)**：在此期间港股成长风格表现强势[7] - 驱动因素：2025年第一和第二季度，港股科技公司盈利同比增长翻倍，为近五年增速最快的时期[7] - 市场表现：港股科技指数在此期间上涨超过100%，大幅跑赢同期A股和港股大盘平均涨幅[8] - 价值风格对比：同期以恒生红利低波动指数为代表的价值风格品种上涨约30%，但涨幅跑输同期港股大盘[8] - **风格切换期 (2025年9月以来)**：市场风格发生切换[9] - 成长风格回调：港股科技指数回调约19%[9] - 价值风格延续上涨：恒生红利低波动指数继续上涨约10%[9] 港股与A股风格指数的构成差异 - **价值风格指数**： - A股市场包含红利、低波动、价值、自由现金流等多种指数[6] - 港股市场主要以红利类指数为主，例如恒生红利低波动指数[6] - **成长风格指数**： - A股市场包含龙头策略、成长、质量等指数，以及创业板、科创板[6] - 港股市场主要以科技类指数为主，例如港股科技指数、恒生科技指数[6] 投资策略的应用 - 在投资组合中会同时配置成长与价值风格中被低估的品种[10] - 会根据不同风格品种的估值变化动态调整配置比例，例如在2026年1月成长风格大涨时，进行了止盈部分高估的成长品种并加仓低估价值品种的操作[10]