量化模型与构建方式 1 模型名称：GRU模型 模型构建思路：基于门控循环单元(GRU)神经网络构建的时序预测模型，结合基本面和量价特征进行股票收益预测[10][30] 模型具体构建过程： - 输入层：包含close1d(日收盘价)、open1d(日开盘价)、barra1d(Barra风格因子日频数据)等特征[31] - 隐藏层：GRU神经网络结构，捕捉时序依赖关系 - 输出层：预测股票未来收益 - 训练方式：使用历史滚动窗口数据训练，优化损失函数 2 模型名称：多因子组合模型 模型构建思路：通过线性加权方式整合多个有效因子构建综合评分模型[31] 模型具体构建过程： - 因子筛选：选取基本面因子(如ROE增长、净利润超预期增长)和技术因子(如60日动量、120日波动)[19][24][29] - 因子标准化：进行行业中性化处理和标准化处理[17] - 权重分配：等权或基于IC-IR动态加权 - 组合构建：每月末按综合评分选股[17] 量化因子与构建方式 1 因子名称：Barra风格因子体系 因子构建思路：基于MSCI Barra多因子模型框架构建的系统化风险因子[15] 因子具体构建过程： - Beta因子：计算股票历史beta值 - 市值因子：$$ \ln(总市值) $$ - 动量因子：历史超额收益率序列均值 - 波动因子：$$ 0.74 \times \sigma_{超额收益} + 0.16 \times 累积超额收益离差 + 0.1 \times \sigma_{残差收益} $$ - 流动性因子：$$ 0.35 \times 月换手 + 0.35 \times 季换手 + 0.3 \times 年换手 $$ - 盈利因子：$$ 0.68 \times 预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数 $$ - 成长因子：$$ 0.18 \times 预测长期盈利增长 + 0.11 \times 预测短期增长 + 0.24 \times 盈利增长 + 0.47 \times 营收增长 $$[15] 2 因子名称：超预期增长因子 因子构建思路：捕捉财务指标超出市场预期的增长信号[19] 因子具体构建过程： - 计算ROA/ROC/净利润等指标的同比变化 - 与分析师一致预期比较计算超预期幅度 - 标准化处理并行业中性化[17] 3 因子名称：技术动量因子 因子构建思路：捕捉股票价格趋势特征[19][24][29] 因子具体构建过程： - 20日动量：过去20日收益率 - 60日动量：过去60日收益率 - 120日动量：过去120日收益率 - 波动率：20日/60日/120日收益率标准差 模型的回测效果 1 GRU模型： - barra1d模型：近一周超额0.38%，今年以来超额3.78%[31] - barra5d模型：今年以来超额8.37%[31] - close1d模型：近六月超额6.80%[31] 2 多因子组合模型： - 近一月超额-0.30%，今年以来超额2.54%[31] 因子的回测效果 1 Barra风格因子： - 动量因子：全市场近一周多空收益1.01%(120日动量)[19] - 波动因子：全市场近一周多空收益1.45%(60日波动)[19] - 流动性因子：本周多头表现强势[16] 2 超预期增长因子： - 净利润超预期增长：全市场近一周多空收益0.74%[19] - ROA超预期增长：全市场近一周多空收益0.49%[19] 3 技术动量因子： - 60日动量：中证500近一周多空收益1.75%[24] - 120日波动：中证1000近一周多空收益1.68%[29]

量化模型与构建方式 1. **模型名称**：三维择时框架 - **模型构建思路**：通过流动性、分歧度和景气度三个维度的趋势变化进行市场择时判断[7] - **模型具体构建过程**： 1. **流动性指数**：监测市场资金面变化，上行趋势代表资金宽松[22] 2. **分歧度指数**：衡量市场观点分化程度，下行趋势代表共识增强[20] 3. **景气度指数**：跟踪工业与金融等板块基本面，上行趋势反映经济向好[26][28] 4. 综合三维指标状态（当前均为正向）得出满仓结论[7] - **模型评价**：历史表现稳定，能有效捕捉市场趋势转折点[16] 2. **模型名称**：资金流共振策略 - **模型构建思路**：结合融资融券与大单资金流的多维度信号筛选行业[34][40] - **模型具体构建过程**： 1. **两融资金因子**： $$ \text{Factor}_{\text{两融}} = \text{市值中性化}(\text{融资净买入} - \text{融券净买入})_{50\text{日均}} \text{的两周环比} $$ 剔除Barra市值因子影响后标准化[40] 2. **大单资金因子**： $$ \text{Factor}_{\text{大单}} = \text{成交量时序中性化}(\text{净流入分位数})_{10\text{日均}} $$ 剔除极端多头行业[40] 3. 策略组合：在大单因子头部行业中剔除两融因子负向信号行业[40] - **模型评价**：2018年以来年化超额收益13.5%，IR达1.7，回撤控制优于北向资金版本[40][45] 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益16.8%（2018-2025）[36] - 当前状态：流动性↑/分歧度↓/景气度↑/ERP极值[7] 2. **资金流共振策略**： - 年化超额收益13.5%，IR=1.7[40] - 上周绝对收益-1.6%，超额-0.1%（行业等权基准）[40] 量化因子与构建方式 1. **因子名称**：估值类因子群 - **构建思路**：捕捉低估值股票的定价偏差[47] - **具体构建**： - 市盈率倒数（FY1-FY3）：$$ \text{ep\_fy} = 1/\text{预测市盈率} $$[48] - BP因子：$$ \text{bp} = \text{股东权益}/\text{总市值} $$[48] 2. **因子名称**：成长类因子群 - **构建思路**：识别盈利增长持续性[47] - **具体构建**： - 净利润增速：$$ \text{yoy\_np} = (\text{净利润}_t - \text{净利润}_{t-1})/|\text{净利润}_{t-1}| $$[50] - ROE变化：$$ \text{roe\_q\_delta} = \text{ROE}_q - \text{ROE}_{q-4} $$[50] 3. **因子名称**：资金流因子 - **构建思路**：反映主力资金动向[34] - **具体构建**： - 大单净流入分位数：$$ \text{rank}(\text{主动买单量}/\text{总成交量}) $$[43] 因子的回测效果 1. **估值因子**： - 近一周多头超额：ep_fy3（2.18%）、bp（1.88%）[48] - 近一月超额：ep_fy3（3.85%）[48] 2. **成长因子**： - 跨市值表现：peg因子在沪深300超额3.89%，中证1000超额3.07%[50] - 单季度ROE变化因子全市场超额2.4%[50] 3. **资金流因子**： - 交通运输行业大单净流入分位69%，两融分位83%[43] 量化组合表现 1. **沪深300增强组合**： - 本年超额收益4.42%，年化IR=7.77%[52] - 持仓龙头：晶科能源、浪潮信息、药明康德[62] 2. **中证500增强组合**： - 本年超额3.38%，上周超额0.40%[52] - 持仓成长股：新易盛、桐昆股份[62] 3. **中证1000增强组合**： - 本年超额4.99%，年化IR=9.26%[52] - 持仓中小盘：利安隆、万孚生物[62]

报告核心观点 - 构建基于风格因子的A股风格投资体系，不同宏观及市场因子决定当前A股占优风格因子，对应不同风格资产或底层投资组合 [3] - 年内视角下，A股占优风格为高盈利、高估值、小市值，具备业绩弹性的科技成长及中游制造板块有望获较强超额收益 [3] 风格因子的构建及其表现 风格因子的构建 - 通过自下而上方式构建风格因子组合，体系分市值、估值、盈利、动量四个维度，构建时将样本内股票按因子指标高低排序分组，计算各组加权涨跌幅、因子收益率或拟合因子净值曲线 [9] - 市值因子：将全A上市满1个月股票按总市值排序分大、中、小市值三组，做多小市值组合并做空大市值组合得因子收益率，2010年至今小市值风格优势明显，2017 - 2018年及2024年1 - 8月大市值占优，做多小市值做空大市值组合约有5倍收益 [12] - 估值因子：采用PE(TTM)指标，将全A上市满1个月股票按市盈率排序分高、中、低估值三组，做多高PE组合并做空低PE组合得因子收益率，A股低估值风格优势显著，2017 - 2018年及2022 - 2024年优势累计，高估值行情在2013 - 2014年、2019 - 2021年及2024Q4出现 [13][14] - 盈利因子：采用盈利增速的万得一致预期数据，按盈利预期由高到低排序分组，做多高增速组合并做空低增速组合得因子收益率，A股盈利因子走势有周期性，2010 - 2014年、2019 - 2021年高盈利增速占优，2016 - 2018年、2022 - 2024年8月低盈利增速占优 [16] - 动量因子：采用1个月动量，基于前一个月涨跌幅排序分组，做多前期涨跌幅前30%组合并做空后30%组合得因子收益率，A股整体反转效应明显，2010 - 2012年及2021年至今反转效应增强，2017及2020年动量效应阶段性出现 [18] 全A风格因子表现 - 2013 - 2014年，A股呈盈利因子主导行情，2014年3月后市值因子影响提升，小市值优势显著 [24] - 2015 - 2016年中，小市值因子优势明显，反转因子阶段性走强，盈利因子暴露度下降，估值因子暴露度提升 [24] - 2016年8月 - 2018年，A股呈估值因子主导风格，低估值风格是超额收益主要来源，市场呈大市值风格，高增速组合走弱，动量效应增强 [24] - 2019 - 2021年初，市场进入盈利因子主导行情，高盈利组合跑赢，动量效应强化 [24] - 2021 - 2023年，市场进入市值因子主导阶段，2021年8月前高盈利小市值风格占优，8月后小市值优势强化，反转效应增强，2023年小市值、低估值因子体现优势 [27] - 2024年以来，A股进入风格轮动或转换期，前三季度低估值、低盈利优势延续，市值风格切换，四季度高估值、小市值走强，反转效应增强，高盈利风格修复 [27] - 2025年起，高估值因子重新走强，市场情绪回升，高估值、强反转因子表现突出，盈利因子底部修复 [27] 不同类型资产风格因子表现 - 新兴成长类资产小市值风格优势明显，2021年7月后小市值加速崛起，反转趋势显著；2015年前高估值风格占优，2015 - 2018年中低估值走强，2021年7月后低估值风格增强；2022年8月前高盈利增风格占优，8月后低盈利增速、低估值占优；动量因子表现与全A类似，2021年7月后反转趋势增强 [29] - 红利资产低估值因子优势明显，市值因子呈周期性大小轮动；2021年中之前高盈利风格优势显著，此后盈利因子走弱，近两年趋稳；2019年以来反转效应更强势 [33] 风格因子影响因素 盈利因子及其影响因素 - 盈利因子与经济周期高度相关，经济基本面上行时，高盈利增速股票表现更好，用库存周期指征经济周期，2017年后同向相关性明显，2017年前有阶段性反向相关性 [45] 估值因子及其影响因素 - 估值因子与市场情绪高度相关，市场情绪回暖时，高估值股票表现更优，股债风险溢价与估值因子走势高度相关，换手率和涨停家数占比可辅助判断 [49] 市值因子及其影响因素 - 市值因子与剩余流动性高度相关，剩余流动性越充裕，小市值因子表现越强势，2017年4月 - 2019年1月及2023年12月 - 2024年8月二者背离，因市场担忧内需结构转换和经济增长中枢下行，风险偏好走弱，低估值主导 [53] 动量因子及其影响因素 - 动量因子与交易拥挤度、增量资金结构相关，交易拥挤度提升，动量效应增强，市场无显著增量资金时，反转因子强势 [56] - 2010 - 2014年H1，市场增量资金不显著，反转效应强；2014H2 - 2015H1，两融资金主导行情，小市值与高盈利优势明显；2017 - 2018年，北上资金主导，低估值因子主导，动量效应增强；2019 - 2021Q2，主动型公募资金主导，高盈利增速主导；此后无新趋势性主导资金，反转效应增强，低估值趋势走强，高盈利趋势走弱 [57] 风格因子体系及其应用 风格投资体系 - 宏观及市场层面因子影响并决定市场风格表现及占优风格因子，盈利因子受经济周期影响，估值因子受市场情绪影响，市值因子受剩余流动性影响，动量因子受增量资金和交易拥挤度影响 [61] - 不同宏观及市场因子决定A股占优风格因子，可据此买入底层股票组合或投资不同类型风格资产或宽基指数 [66] 基于风格投资体系的A股市场风格展望 - 预计2025年国内经济弱复苏、信用磨底修复、货币持续宽松，市场情绪小幅修复，ERP至少到3.5%左右 [68] - 年内A股占优风格为高盈利、高估值、小市值，当前A股对年内盈利修复未充分计价，高盈利、高估值因子有上行空间，科技成长及中游制造板块有望获超额收益；短期高盈利及小市值风格或阶段性调整 [73]

报告核心观点 - 不同估值因子在不同股票池、行业和市场环境下表现有差异，收益源于估值与基本面的错误定价，在A股长期有效但效果或边际下滑，利用此构建的组合在中证800和中证1000股票池有较好回报 [6] 各部分总结 概述 - 估值因子是投资者构建策略和优化组合的关键依据，经典估值指标可帮助识别投资机会与风险，价值股在中美资本市场长期跑赢成长股 [10] - 关于估值因子收益来源有有效市场假说和行为金融学两种假说 [10] - 报告研究了估值因子在不同股票池、行业和市场环境下的表现差异、收益来源以及利用其构建的投资组合，并得出相关结论 [11][12][13][14] 估值因子 - 相对估值法常见实用，如PE法用于盈利稳定、周期性弱的行业，PB法适用于有大量固定资产且账面价值稳定的行业 [15] - 估值因子包括EP、BP、SP、CFP、PEG，各有优缺点和适用公司 [16] 因子IC分析 - 因子IC表征因子对未来股票收益预测能力，ICIR表征预测能力稳定性，EP、BP的IC表现较好，EP的ICIR表现较好 [18][19] - EP、BP、SP、CFP的IC和ICIR在全A、中证1000和中证800中递减，PEG的IC和ICIR在中证800和中证1000中高于全A [19] 因子回归法分析 - 股票的|T|大于2比例表征因子统计显著频率，因子收益率表征一单位因子暴露对应的收益，EP因子显著性和收益表现较好 [24] 因子分层测试分析 - EP因子在各范围具备较好单调性且分组收益差距大，BP因子在全A范围内分组效果较好，SP因子在中证800和全A范围内分组效果较好 [28][29] - CFP因子在全A范围内分组效果尚可，在中证800和中证1000内部效果不好，PEG因子分组收益中间高两端低 [29] 不同行业的因子预测效果 - EP因子在大部分行业表现较好，BP因子在公用事业、金融行业等重资产行业表现较好，SP因子在TMT行业表现较好 [1][40] 估值因子的收益来源 - 估值因子收益源于估值和基本面的错误定价，投资者精力有限，估值会向基本面吻合方向修复 [41] - 构建估值 - 基本面双特征投资组合，高估值 - 弱基本面组合产生显著负向收益，低估值 - 强基本面产生显著正向收益，估值和基本面相对吻合的组合无显著非零收益 [2][46] 估值因子效果长期有效但可能边际下滑 - 除PEG因子外，EP、BP、SP和CFP因子长期IC累加呈上行趋势，估值因子长期有效但会阶段性预测能力下降 [48] - 美国市场价值因子曾经历低迷，原因包括未反映无形资产和价值股估值水平下降，后价值因子反转产生正向收益 [60][63][67] - A股价值因子长期呈上涨态势，2021年至今加速上行，随着A股投资者结构机构化，错误定价产生的收益可能下降 [71][75] 估值陷阱 景气周期高点 - 上游周期类公司在经济扩张期利润暴涨，静态低估值但长期利润中枢低，如中远海控，周期类公司EP因子预测能力通常小于BP因子 [76][79] 结构性衰退 - 公司长远前景不确定，利润可能单边下行，如柯达衰落、光伏行业竞争格局恶化，可通过成长性和回报率筛选股票规避 [80][81][82] 利用错误定价构建的投资组合 中证800股票精选 - 每月末在中证800股票池用BP、EP、净利润增长率和ROE因子对个股等权打分取前40个个股构成组合，年化回报14.87%，最大回撤31.65%，年化波动26.6%，相对基准超额13.54%，月度胜率63.13%，选择个股数量增加，年化收益和波动下降 [85] 中证1000股票精选 - 每月末在中证1000股票池用上述因子对个股等权打分取前40个个股构成组合，年化回报19.11%，最大回撤27.23%，年化波动28.72%，相对基准超额16.81%，月度胜率70.5%，选择个股数量增加，年化收益和波动下降 [89] 总结 - 中证800样本池选股策略在18 - 20年相对逆风，中证1000样本池选股策略超额收益稳定，估值因子收益来源与“拙能胜巧”思想相符 [93]