一个国际研究团队近日在美国《科学·信号传导》杂志发表论文说，他们在人造血液研究方面取得新进 展。研究发现一种趋化因子能触发红血球母细胞排出细胞核，这是红细胞发育的关键一步。新发现有望 用于优化血液中红细胞的人工生产。 德国康斯坦茨大学日前发布公报说，开发可替代天然血液的人造血液相关研究已进行了数十年，但仍未 实现临床广泛应用，主要挑战在于人体造血的复杂机制尚未被完全理解。 据介绍，天然血液细胞在骨髓中产生。造血干细胞先发育成红血球母细胞。在红血球母细胞发育成红细 胞的最后阶段，会将细胞核排出。该过程只发生在哺乳动物体内，可为负责氧气运输的血红蛋白腾出更 多空间。 目前，人工生产红细胞最有效的方法是用干细胞培养，约80%的细胞最后会发生细胞核排出，但干细胞 来源有限，无法满足大规模生产的需求。另一种可行的方法是将其他类型细胞改造为干细胞，用于红细 胞生产。该方法为红细胞生产提供了几乎无限的细胞来源，但细胞核排出成功率只有约40%。此前尚不 清楚哪些因素能够诱导细胞核排出。 康斯坦茨大学和英国伦敦玛丽王后大学等机构的研究人员合作发现，存在于骨髓中的一种名为CXCL12 的趋化因子能触发红血球母细胞排出细胞核。研究 ...

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，捕捉行业趋势变化，选择向上趋势的行业进行配置[26] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调整，配置前六名行业[26][27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[26][38] 2. **模型名称：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，捕捉短期交易信号[33][39] - **模型具体构建过程**： 1. 使用GRU网络处理行业量价数据 2. 输出行业因子得分，反映行业短期动量 3. 每周调整配置，选择因子得分最高的行业[33][36] - **模型评价**：短周期表现较好，长周期稳定性一般，极端行情可能失效[33][39] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年以来超额收益：2.05%[26] - 本周超额收益：-0.81%[30] - 7月以来超额收益：-1.00%[30] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.52%[33] - 本周超额收益：0.29%[37] - 7月以来超额收益：0.77%[37] 量化因子与构建方式 1. **因子名称：扩散指数** - **因子构建思路**：衡量行业价格趋势强度，反映行业动量[26][27] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到0-1之间的扩散指数 3. 指数越高代表趋势越强[27][28] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，生成因子得分[33][36] - **因子具体构建过程**： 1. 输入行业分钟频量价数据 2. 通过GRU网络进行特征提取 3. 输出行业因子得分，得分越高代表短期动量越强[36] 因子的回测效果 1. **扩散指数** - 最新排名前六行业：综合金融(1.0)、综合(0.998)、通信(0.995)、非银行金融(0.987)、传媒(0.975)、计算机(0.973)[27] - 环比提升前六行业：煤炭(0.318)、石油石化(0.297)、钢铁(0.278)、家电(0.099)、电力及公用事业(0.091)、电力设备及新能源(0.073)[29] 2. **GRU行业因子** - 最新排名前六行业：煤炭(1.77)、钢铁(1.08)、建筑(0.72)、银行(0.19)、交通运输(0.18)、电力及公用事业(0.14)[36] - 环比提升较大行业：煤炭、钢铁、建筑[33]

市场趋势分析 - Wind全A指数持续位于SAR点位上方，均线强弱指数显示仍有上行空间，情绪模型得分为3分（满分5分），市场情绪乐观，上行趋势预计延续[1][2] - 沪深300流动性冲击指标周五为1.19（前值1.36），显示当前流动性高于过去一年平均水平1.19倍标准差 上证50ETF期权PUT-CALL比率降至0.79（前值0.95），反映短期乐观情绪增强[2] - 上证综指和Wind全A五日平均换手率分别为0.98%和1.62%，处于2005年以来66.75%和75.52%分位点，交易活跃度维持稳定[2] 宏观经济与技术指标 - 人民币汇率小幅震荡，在岸与离岸周涨幅分别为0.05%和0.12% 6月官方制造业PMI为49.7（前值49.5，预期49.3），财新制造业PMI为50.4（前值48.3），显示制造业景气度改善[2] - Wind全A指数于6月24日突破SAR翻转指标发出买入信号 均线强弱指数得分为228，处于2021年以来88.8%分位点，技术面支撑强劲[2] 市场表现与因子分析 - 上周主要指数普涨：上证50涨1.21%，沪深300涨1.54%，中证500涨0.81%，创业板指涨1.5% 全市场PE（TTM）20.0倍，处于2005年以来60.1%分位点[3] - 高盈利增长因子拥挤度显著上升至0.15 小市值因子拥挤度0.66，低估值因子-0.10，高盈利因子-0.21[3] - 行业拥挤度较高板块：银行、综合、有色金属、商贸零售、非银金融 建筑材料和钢铁行业拥挤度上升幅度居前[3] 外部环境 - 中美团队加速落实伦敦框架成果，美方可能取消对华部分限制性措施，外部环境边际改善[2]

量化模型与因子总结 量化因子与构建方式 1. 标准化笔均成交金额因子(SATD) **构建思路**：通过特殊时刻笔均成交金额与全天笔均成交金额的比值来刻画主力资金行为[1] **具体构建过程**： 1. 计算特殊时刻笔均成交金额： $$A T D_{P}={\frac{\sum_{t\in P}A m t_{t}}{\sum_{t\in P}D e a l N u m_{t}}}$$ 其中P为特殊时刻集合，Amtt为t时刻成交额，DealNumt为t时刻成交笔数 2. 计算全天笔均成交金额： $$A T D_{T}={\frac{\sum_{t\in T}A m t_{t}}{\sum_{t\in T}D e a l N u m_{t}}}$$ 3. 计算标准化因子： $$S A T D_{P}={\frac{A T D_{P}}{A T D_{T}}}$$ **评价**：该因子通过去量纲化处理，使得不同股票间的因子值具有可比性[31] 2. 跌幅最大时刻主卖因子 **构建思路**：基于股价跌幅最大的时刻，结合主动卖出订单构建因子[2] **具体构建过程**： 1. 根据分钟涨跌幅排序，选取跌幅最大的10%时刻 2. 将该区间内成交记录按主动买卖方向划分 3. 计算主动卖出成交记录的笔均成交金额与全天笔均成交金额比值 **评价**：该因子对股价未来收益具有较好的预测效果[75] 3. 股价最低时刻主卖因子 **构建思路**：基于股价最低时刻的主动卖出订单构建因子[3] **具体构建过程**： 1. 根据分钟收盘价排序，选取价格最低的10%时刻 2. 将该区间内成交记录按主动买卖方向划分 3. 计算主动卖出成交记录的笔均成交金额与全天笔均成交金额比值 **评价**：该因子在年化RankICIR及月胜率等维度表现突出[97] 4. 成交量最高时刻主卖因子 **构建思路**：基于成交量最高时刻的主动卖出订单构建因子[4] **具体构建过程**： 1. 根据分钟成交量排序，选取成交量最高的10%时刻 2. 将该区间内成交记录按主动买卖方向划分 3. 计算主动卖出成交记录的笔均成交金额与全天笔均成交金额比值 **评价**：该因子RankIC均值明显高于其他因子[115] 5. 量价背离时刻主卖因子 **构建思路**：基于量价背离时刻的主动卖出订单构建因子[4] **具体构建过程**： 1. 计算每分钟内成交价格与成交量的相关系数 2. 选取相关系数最低的50%时刻作为量价背离时刻 3. 将该区间内成交记录按主动买卖方向划分 4. 计算主动卖出成交记录的笔均成交金额与全天笔均成交金额比值 **评价**：该因子对个股未来收益预测效果较好[138] 6. 主力复合因子 **构建思路**：将不同日内特殊时刻的主动买卖因子进行复合构建[4] **具体构建过程**： 1. 选取跌幅最大时刻主卖因子、股价最低时刻主卖因子、成交量最高时刻主卖因子和量价背离时刻主卖因子 2. 对各因子进行等权复合 **评价**：该因子在不同宽基及风格股票池中均展现出较强的选股效果[4] 因子回测效果 1. 标准化笔均成交金额因子(SATD) - 下跌时刻因子：RankIC均值6.84%，年化RankICIR 3.23，月胜率83.93%[46] - 上涨时刻因子：RankIC均值2.81%，年化RankICIR 1.35，月胜率63.39%[48] - 横盘时刻因子：RankIC均值-5.94%，年化RankICIR -3.45，月胜率15.18%[54] 2. 跌幅最大时刻主卖因子 - RankIC均值8.96%，年化RankICIR 4.24，月胜率86%[75] - 多头月均超额0.87%，空头月均超额-1.65%[75] - 多头年化超额11.68%，空头年化超额-19.07%[79] 3. 股价最低时刻主卖因子 - RankIC均值8.30%，年化RankICIR 4.41，月胜率89.29%[99] - 多头月均超额0.87%，空头月均超额-1.17%[99] - 多头年化超额11.68%，空头年化超额-13.78%[104] 4. 成交量最高时刻主卖因子 - RankIC均值10.69%，年化RankICIR 3.86，月胜率85.71%[118] - 多头月均超额0.73%，空头月均超额-1.97%[118] - 多头年化超额9.96%，空头年化超额-22.99%[124] 5. 量价背离时刻主卖因子 - RankIC均值9.04%，年化RankICIR 3.56，月胜率81.25%[140] - 多头月均超额0.66%，空头月均超额-1.49%[140] - 多头年化超额8.92%，空头年化超额-17.69%[142] 6. 主力复合因子 - 月频调仓：RankIC均值10.33%，年化RankICIR 4.32，月胜率90%[4] - 月频调仓：多头月均超额0.84%，空头月均超额-1.92%[4] - 周频调仓：RankIC均值7.02%，年化RankICIR 6.46，周胜率82%[4]

报告核心观点 - 报告给出几个借助ETF构建的策略指数，并以周度为频率对指数的绩效和持仓进行跟踪，各指数有不同构建方法和收益表现 [4][12] 各策略指数情况 华宝研究大小盘轮动ETF策略指数 - 利用多维度技术指标因子，用机器学习模型预测申万大小盘指数收益差，周度输出信号决定持仓获取超额回报 [4][14] - 截至2025/7/4，2024年以来超额收益17.33%，近一月0.78%，近一周0.29% [4][14] - 近一周收益1.64%，近一月3.52%，2024年以来31.47%，持仓沪深300ETF权重100% [18] 华宝研究SmartBeta增强ETF策略指数 - 用量价类指标对自建barra因子择时，依据ETF在9大barra因子暴露度映射择时信号，涵盖主流宽基及风格、策略ETF [18] - 截至2025/7/4，2024年以来超额收益17.02%，近一月 -2.18%，近一周0.69% [4][18] - 近一周收益2.05%，近一月0.56%，2024年以来31.15%，持仓红利低波ETF权重100% [18][24] 华宝研究量化风火轮ETF策略指数 - 从多因子角度出发，把握中长期基本面、跟踪短期趋势、分析参与者行为，用估值与拥挤度信号提示风险挖掘潜力板块 [21] - 截至2025/7/4，2024年以来超额收益3.01%，近一月0.46%，近一周 -0.09% [5][21] - 近一周收益1.26%，近一月3.20%，2024年以来17.15%，持仓建材ETF等5只基金 [24][25] 华宝研究量化平衡术ETF策略指数 - 采用多因子体系构建量化择时系统研判权益市场趋势，建立大小盘风格预测模型调整仓位分布 [25] - 截至2025/7/4，2024年以来超额收益 -0.42%，近一月 -1.27%，近一周 -0.87% [5][25] - 近一周收益0.68%，近一月1.52%，2024年以来15.64%，持仓十年国债ETF等6只基金 [28][30] 华宝研究热点跟踪ETF策略指数 - 根据市场情绪、行业事件、投资者情绪等策略跟踪挖掘热点指数标的产品，构建ETF组合提供短期趋势参考 [29] - 截至2025/7/4，近一月超额收益 -0.68%，近一周 -1.09% [6][29] - 近一周收益0.04%，近一月2.10%，持仓50ETF等6只基金 [30] 华宝研究债券ETF久期策略指数 - 采用债券市场流动性、量价指标筛选择时因子，用机器学习预测债券收益率，低于阈值减少长久期仓位 [33] - 截至2025/7/4，近一月超额收益 -0.10%，近一周 -0.05% [6][33] - 近一周收益0.10%，近一月0.22%，2024年以来9.48%，成立以来14.63%，持仓十年国债ETF等3只基金 [36][37]

量化模型与构建方式 1. 模型名称：带约束的加权最小二乘法模型 - 模型构建思路：用于估计纯因子收益率，通过加权最小二乘法解决因子暴露矩阵不满秩问题，并引入行业因子约束条件[44][45] - 模型具体构建过程： 1. 构建股票收益率与因子暴露的线性模型：$$r=X f+u$$，其中X为因子暴露矩阵，f为纯因子收益率向量[44] 2. 定义流通市值平方根加权的权重矩阵W：$$W=\begin{bmatrix}\dfrac{\sqrt{s_{1}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&0&\cdots&0\\ \\ 0&\dfrac{\sqrt{s_{2}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}&\cdots&0\\ \vdots&\vdots&\ddots&\vdots\\ \\ 0&0&\cdots&\dfrac{\sqrt{s_{N}}}{\sum_{i=1}^{N}\sqrt{s_{i}}}\end{bmatrix}$$[45] 3. 添加行业因子约束条件：$$s_{I_{1}}f_{I_{1}}+s_{I_{2}}f_{I_{2}}+\cdots+s_{I_{Q}}f_{I_{Q}}=0$$[49] 4. 通过Cholesky分解求解带约束的线性方程组，最终得到纯因子收益率估计值：$${\hat{f}}=C(C^{\prime}X^{\prime}W X C)^{-1}C^{\prime}X^{\prime}W r$$[59] - 模型评价：该模型通过引入国家因子和行业约束，使收益结构更清晰，能更敏感响应行业间相关系数变化[44] 量化因子与构建方式 1. 因子名称：市值(size) - 因子构建思路：反映公司规模对股票收益的影响，是Fama-French三因子模型中的核心因子[22] - 因子具体构建过程：使用对数总市值作为二级因子，直接作为一级因子[24] - 因子评价：同时具备高统计显著性与低换手率特征，是10个一级因子中的特例[83] 2. 因子名称：非线性市值(sizenl) - 因子构建思路：捕捉市值非线性效应，解决小市值股票风险溢价异常问题[22] - 因子具体构建过程： 1. 将标准化后的SIZE因子值取三次幂 2. 与SIZE因子值正交取残差 3. 进行缩尾和标准化处理[24] - 因子评价：受经济含义制约不宜强求其分布的正态性[27] 3. 因子名称：贝塔值(beta) - 因子构建思路：衡量股票系统性风险，源自CAPM模型[22] - 因子具体构建过程： 1. 计算个股无风险超额收益率对市场指数超额收益率的时间序列回归系数 2. 回归窗口252日，半衰期63日 3. 公式：$$r_t - r_{ft} = \alpha + \beta R_t + e_t$$[24] - 因子评价：与国家纯因子收益率高度相关(67.68%)，能反映国家因子无法解释的市场风险[84] 4. 因子名称：残差波动率(resvol) - 因子构建思路：衡量股票特异性风险，由三个二级因子合成[24] - 因子具体构建过程： 1. 日度标准差(DASTD，权重0.74)：过去252个交易日每日超额收益波动率，半衰期42日 2. 累积范围(CMRA，权重0.16)：计算12个月累计对数收益率极差 3. 历史Sigma(HSIGMA，权重0.10)：BETA计算式中残差的波动率[24] - 因子评价：与技术类因子liquidity存在较强共线性(相关系数0.53)[84] 5. 因子名称：动量(momentum) - 因子构建思路：捕捉股票价格趋势效应[22] - 因子具体构建过程： 1. 计算504个交易日的加权无风险超额对数收益率之和 2. 滞后期21日，半衰期126日 3. 公式：$$RSTR = \sum w_t [\ln(1+r_t)-\ln(1+r_{ft})]$$[24] - 因子评价：换手率较高但t值绝对值也较高(3.45)[83] 6. 因子名称：流动性(liquidity) - 因子构建思路：反映股票交易成本与市场冲击风险[22] - 因子具体构建过程： 1. 月度换手率(STOM，权重0.35)：前21日换手率和的对数值 2. 季度换手率(STOQ，权重0.35)：基于STOM计算3个月均值 3. 年度换手率(STOA，权重0.30)：基于STOM计算12个月均值[24] - 因子评价：属于"类alpha因子"，长期年化收益-9.46%，IR-3.05，反映低流动性资产补偿[85] 7. 因子名称：账面市值比(btop) - 因子构建思路：衡量价值投资效应[22] - 因子具体构建过程：使用普通股账面价值除以当前市值作为二级因子，直接作为一级因子[24] - 因子评价：与value因子存在逻辑冗余和共线性(相关系数0.39)[23][84] 8. 因子名称：价值(value) - 因子构建思路：综合衡量股票估值水平[22] - 因子具体构建过程： 1. 预测盈市比(EPFWD，权重0.68)：分析师预测净利润(FY1)除以市值 2. 现市比TTM(CETOP，权重0.21)：滚动12个月现金盈利/市值 3. 盈市比TTM(ETOP，权重0.11)：滚动12个月净利润/市值[24] - 因子评价：年化收益4.32%，IR1.80，表现较好但存在冗余[86] 9. 因子名称：成长(growth) - 因子构建思路：反映公司盈利增长能力[22] - 因子具体构建过程： 1. 长期预测净利润增速(EGRLF，权重0.18)：2年期利润增速 2. 短期预测净利润增速(EGRSF，权重0.11)：1年期利润增速 3. 净利润增长率(EGRO，权重0.24)：过去5年EPS回归系数/平均EPS 4. 销售收入增长率(SGRO，权重0.47)：过去5年每股销售收入回归系数/均值[24][28] - 因子评价：解释力度相对较弱(average_|t|仅1.18)[83] 10. 因子名称：杠杆(leverage) - 因子构建思路：衡量公司财务风险[22] - 因子具体构建过程： 1. 市场杠杆(MLEV，权重0.38)：(ME+PE+LD)/ME 2. 资产负债率(DTOA，权重0.35)：总负债/总资产 3. 账面杠杆(BLEV，权重0.27)：(BE+PE+LD)/BE[24] - 因子评价：年化收益-0.44%，IR-0.24，表现较弱[86] 模型的回测效果 1. 国家因子模型，年化收益率4.75%，年化波动率21.00%，IR0.23[86] 2. beta因子模型，年化收益率8.20%，年化波动率4.87%，IR1.69[86] 3. size因子模型，年化收益率-6.82%，年化波动率4.57%，IR-1.49[86] 4. liquidity因子模型，年化收益率-9.46%，年化波动率3.10%，IR-3.05[86] 5. value因子模型，年化收益率4.32%，年化波动率2.40%，IR1.80[86] 因子的回测效果 1. size因子，average_|t|4.22，percent_|t|>2 66.80%，r2_gain0.53%[86] 2. beta因子，average_|t|4.27，percent_|t|>2 67.42%，r2_gain0.45%[86] 3. momentum因子，average_|t|3.45，percent_|t|>2 58.92%，r2_gain0.35%[86] 4. resvol因子，average_|t|2.94，percent_|t|>2 54.10%，r2_gain0.27%[86] 5. growth因子，average_|t|1.18，percent_|t|>2 17.26%，r2_gain0.04%[86]

红利类资产表现 - 红利低波指数创基日以来新高，近五年年化涨幅8 43%，跑赢红利低波100指数（6 34%）和标普港股通低波红利指数（6 14%）[1] - 红利低波ETF（512890）近一周（6/30-7/4）累计吸引6 99亿元资金净流入，是全市场唯一净流入超6亿元的红利类主题ETF[1] - 红利低波ETF（512890）基金规模连续三周净增长，达197 38亿元，11次刷新成立以来新高[1] 红利低波ETF产品特性 - 红利低波ETF（512890）在2019-2024年连续六年实现正收益，是唯一成立以来年年正收益的权益类ETF[2] - 联接基金持有人户数达82 98万户，是唯一超80万户的红利主题指数基金[2] - 联接基金累计分红超20次，连续21个月每月分红，Y份额（022951）为首个规模超1亿元的"指数Y"[2] 华泰柏瑞红利产品布局 - 公司旗下红利类主题ETF管理规模达418亿元，涵盖红利ETF（510880）、港股通红利ETF（513530）等5只产品[3] - 红利ETF（510880）为首只红利主题ETF，港股通红利ETF（513530）为首只QDII模式投资港股通高股息的ETF[3]

固羽增收 - 7 月利率债走牛？20250706 摘要 2025 年下半年，外部局势趋于缓和，中国核心资产吸引力上升，政策支持持 续。新经济板块如新消费、文化出海等需求侧亮点正在形成。制度性开放重塑 全球贸易格局，但这些因素对经济影响相对常见。传统研究中的三个核心因素 ——出口、投资和消费，均面临一定压力。 出口方面，受贸易战影响，下滑确 定，但影响低于预期。抢出口效应在 6 月中旬已释放完毕，三季度增速将明显 下降。政策对冲效果有限，总体影响较小。 投资方面，三季度将依赖财政和金 融结合的新型政策性金融工具。这些工具设计旨在降低地方政府初期投入资金 体量，提高项目推进顺畅度，从而平滑经济数据。全年 GDP 增速达到 5%左右 难度不大，因此进一步增量刺激政策概率较小。 消费方面，今年补贴管理严格， 总体节奏慢于去年，但仍能显著对冲数据。耐用品消费领域仍有空间盘活，如 果现有资金不足，有可能出现类似去年四季度的增量刺激。然而，由于年初至 7 月债市仍将走牛，债基久期升至新高，短期有止盈压力，但中长期仍 需保持牛市思维。关注债基久期变化速率，超过或低于九十日均线 0.04 年时，短期可能出现回调或反弹。 量化模 ...

多元资产配置的战略价值 - 全球经济周期分化和宏观环境波动背景下，多元资产配置的战略价值持续凸显 [1] - 过去一年黄金、白银等传统避险资产稳健增值，新兴市场科技、医疗等成长型赛道标的亮眼表现，强化多资产配置吸引力 [1] - 多资产多策略投资强调资产覆盖广度和深度研究，需寻找驱动资产价格变动的底层逻辑并以因子定义 [1] 因子化资产配置框架 - 资产配置团队构建基于因子的框架，分为宏观因子（经济增长、利率、通胀、信用、流动性）和微观因子（动量、估值、波动率） [2] - 因子框架优势：直观进行大类资产比价，精细化组合管理，均衡配置不同因子暴露 [2] - 因子化框架通过剥离资产表象、聚焦底层驱动逻辑，使组合灵活适配不同市场环境 [2] 实战配置案例 - 广发安泰稳健养老FOF在权益市场震荡中，通过利率因子和信用利差分析，重点配置中长期纯债、利率债基及含权债基，适度拉长久期 [3] - 权益配置以均衡型基金为底仓，搭配价值风格基金，前瞻布局海外资产，2023年底低吸港股指数基金，2024年三季度加仓美股 [3] - 广发养老目标2060五年持有混合FOF覆盖军工、科技、光伏、医疗、小盘、大盘等多元主题，同步纳入主动与被动指数型基金 [4] 港股市场布局 - 精准捕捉港股流动性改善机遇，恒生科技ETF和恒生医疗ETF为核心配置，契合港股流动性修复与估值修复双重逻辑 [4] - 恒生科技ETF与恒生医疗ETF的双赛道配置深度契合港股流动性修复与估值修复红利 [4] 多资产投资优势 - 资产间对冲效果平滑组合波动，不同市场环境下总能找到表现较优资产提升整体胜率 [5] - 美元资产长期占优格局被打破，中国市场显现低估值和资金回流带来的流动性优势 [5] 下半年配置展望 - 美国贸易政策不确定性背景下，中国资产和欧洲资产值得重点关注，全球配置资金处于美元和非美元资产再平衡过程 [6] - 美股估值处于全球相对高点，贸易碎片化带动资产配置区域化，欧洲和港股市场出现配置资金回流 [6] - A股和港股下一轮行情主线大概率由科技引领，需把握配置时点并通过多类型策略降低权益波动 [6]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：Trend风格因子** - 构建思路：捕捉市场趋势持续性，通过不同时间窗口的指数加权移动平均比率衡量趋势强度[16] - 具体构建： - Trend_120 = EWMA(halflife=20)/EWMA(halflife=120) - Trend_240 = EWMA(halflife=20)/EWMA(halflife=240) 其中EWMA为指数加权移动平均，halflife为半衰期参数[16] - 因子评价：反映市场对趋势策略的偏好，近期表现突出[11][13] 2. **因子名称：PB_ROE_排序差因子** - 构建思路：结合估值与盈利质量，通过市净率与ROE的排序差异捕捉相对低估机会[20] - 具体构建： $$ PB\_ROE\_RANK = Rank(PB) - Rank(ROE) $$ 其中Rank为全市场排序分位数[20] - 因子评价：在中证1000样本中表现最佳，体现中小盘股估值修复逻辑[36] 3. **因子名称：预期PEG因子** - 构建思路：衡量成长性与估值匹配度，反向指标[20] - 具体构建： $$ TTM\_FPEG = \frac{一致预期滚动PE}{个股滚动净利复合增长率} $$ 采用分析师一致预期数据[20] - 因子评价：在中证全指样本中表现最优，反映市场对确定性成长的溢价[47] 4. **因子名称：DELTAROA因子** - 构建思路：跟踪企业总资产收益率的变化，捕捉盈利改善信号[20] - 具体构建： $$ DELTAROA = ROA_{t} - ROA_{t-4} $$ 采用单季同比变化计算[20] - 因子评价：在创业板指样本中领跑，体现业绩反转效应[42] 5. **因子名称：标准化预期外盈利(SUE)** - 构建思路：量化盈利超预期程度，反映基本面惊喜[20] - 具体构建： $$ SUE = \frac{单季实际净利-预期净利}{预期净利标准差} $$ 采用分析师预期标准差标准化[20] - 因子评价：在中证1000样本中表现强劲，信息比率达8.25%[36] 因子回测效果 | 因子名称 | 最近一周 | 最近一月 | 今年以来 | 近1年年化 | 历史年化 | |------------------------|----------|----------|----------|------------|----------| | Trend风格因子[13] | 2.26% | 2.98% | -3.81% | 24.24% | 14.10% | | PB_ROE_排序差[36] | 1.38% | 2.31% | 2.77% | 0.85% | 10.84% | | 预期PEG[47] | 1.79% | 3.62% | 8.72% | 4.95% | 1.18% | | DELTAROA[43] | 2.75% | 10.46% | 17.77% | 53.15% | 6.74% | | 标准化预期外盈利[36] | 1.36% | 2.88% | 7.62% | 0.15% | 8.72% | 量化模型 1. **模型名称：MFE组合优化模型** - 构建思路：在控制风格/行业暴露约束下最大化单因子暴露，更贴近实际组合构建场景[61] - 具体构建： $$ \begin{array}{ll} \max & f^{T}w \\ s.t. & s_{l}\leq X(w-w_{b})\leq s_{h} \\ & h_{l}\leq H(w-w_{b})\leq h_{h} \\ & w_{l}\leq w-w_{b}\leq w_{h} \\ & b_{l}\leq B_{b}w\leq b_{h} \\ & 0\leq w\leq l \\ & 1^{T}w=1 \\ & \Sigma|w-w_{0}|\leq to_{h} \end{array} $$ 其中$f$为因子向量，$w$为权重，约束包括风格暴露$X$、行业暴露$H$、换手率$to_h$等[61] - 模型评价：解决了传统IC检验与实战脱节的问题，支持多约束条件下的因子有效性验证[61] 模型回测效果 | 指数增强产品 | 最近一周超额收益 | 今年以来超额收益 | |--------------------|------------------|------------------| | 沪深300增强[53] | 0.82%/-0.45% | 8.53%/-1.49% | | 中证500增强[59] | 1.83%/-0.48% | 8.85%/-1.90% | | 中证1000增强[60] | 1.03%/-0.46% | 13.10%/0.70% |