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]

指数增强组合表现 - 沪深300指数增强组合本周超额收益1.17%，本年超额收益8.03% [1][2] - 中证500指数增强组合本周超额收益0.73%，本年超额收益8.82% [1][2] - 中证1000指数增强组合本周超额收益1.10%，本年超额收益13.66% [1][2] - 中证A500指数增强组合本周超额收益0.69%，本年超额收益8.18% [1][2] 选股因子表现 - 沪深300成分股中单季EP、EPTTM、预期EPTTM等因子表现较好 [1][4] - 中证500成分股中单季ROE、DELTAROE、单季EP等因子表现较好 [1][6] - 中证1000成分股中标准化预期外盈利、EPTTM、单季EP等因子表现较好 [1][9] - 中证A500指数成分股中预期EPTTM、EPTTM、单季ROE等因子表现较好 [1][12] - 公募基金重仓股中预期PEG、预期EPTTM、单季EP等因子表现较好 [1][14] 公募基金指数增强产品表现 - 沪深300指数增强产品本周超额收益最高1.02%，最低-0.37%，中位数0.08% [1][19] - 中证500指数增强产品本周超额收益最高1.87%，最低-0.44%，中位数0.38% [1][23] - 中证1000指数增强产品本周超额收益最高1.06%，最低-0.43%，中位数0.38% [1][24] - 中证A500指数增强产品本周超额收益最高0.73%，最低-0.19%，中位数0.17% [1][25] 公募基金指数增强产品规模 - 沪深300指数增强产品共有69只，总规模790亿元 [18] - 中证500指数增强产品共有70只，总规模454亿元 [18] - 中证1000指数增强产品共有46只，总规模150亿元 [18] - 中证A500指数增强产品共有40只，总规模250亿元 [18] 因子MFE组合构建方法 - 采用组合优化模型构建最大化单因子暴露组合 [27] - 控制行业暴露、风格暴露等约束条件 [28] - 设置个股相对于基准指数权重偏离幅度为0.5%-1% [29] - 每月末构建单因子MFE组合，回测期内换仓并扣除交易费用 [34] 公募重仓指数构建方法 - 使用普通股票型和偏股混合型基金持仓数据 [30] - 剔除规模小于五千万且上市不足半年的基金 [30] - 根据定期报告获取持仓信息，构建公募基金平均持仓 [31] - 选取累计权重达到90%的股票作为成分股 [31]

量化因子与构建方式 1. **因子名称**：单季EP - **因子构建思路**：衡量单季度归母净利润与总市值的比值，反映公司短期盈利能力[18] - **因子具体构建过程**： $$单季EP = \frac{单季度归母净利润}{总市值}$$ 数据来源为财报披露的单季度净利润和实时市值[18] 2. **因子名称**：EPTTM - **因子构建思路**：采用滚动12个月净利润与市值的比值，反映持续盈利能力[18] - **因子具体构建过程**： $$EPTTM = \frac{归母净利润TTM}{总市值}$$ 通过连续四个季度的净利润加总计算TTM值[18] 3. **因子名称**：DELTAROE - **因子构建思路**：计算净资产收益率的同比变化，捕捉盈利能力的边际改善[18] - **因子具体构建过程**： $$DELTAROE = ROE_{当期} - ROE_{去年同期}$$ 其中ROE计算采用： $$ROE = \frac{单季度归母净利润×2}{期初净资产+期末净资产}$$[18] 4. **因子名称**：标准化预期外盈利 - **因子构建思路**：衡量实际盈利与市场预期的偏离程度[18] - **因子具体构建过程**： $$SUE = \frac{实际净利润 - 预期净利润}{预期净利润标准差}$$ 使用分析师一致预期数据计算标准化差异[18] 5. **因子名称**：三个月反转 - **因子构建思路**：捕捉短期价格反转效应[18] - **因子具体构建过程**： $$三个月反转 = -1 × 过去60交易日收益率$$ 取负值使得因子方向与收益正相关[18] 6. **因子名称**：非流动性冲击 - **因子构建思路**：通过价格波动与成交额关系衡量流动性风险[18] - **因子具体构建过程**： $$非流动性冲击 = \frac{过去20交易日|日收益率|}{成交额均值}$$ 值越大表明流动性越差[18] 因子回测效果 1. **单季EP因子** - 沪深300空间：最近一周超额0.97%，近一月2.75%，年化5.28%[20] - 中证500空间：最近一周1.06%，近一月1.81%，年化7.79%[22] - 中证1000空间：最近一周1.21%，近一月2.37%，年化10.48%[24] 2. **DELTAROE因子** - 沪深300空间：最近一周0.21%，近一月2.00%，年化3.83%[20] - 中证500空间：最近一周1.18%，近一月2.60%，年化7.80%[22] - 中证1000空间：最近一周0.69%，近一月0.16%，年化9.10%[24] 3. **标准化预期外盈利因子** - 沪深300空间：最近一周0.35%，近一月1.65%，年化3.90%[20] - 中证1000空间：最近一周1.32%，近一月2.83%，年化9.00%[24] - 中证A500空间：最近一周0.38%，近一月2.09%，年化5.34%[26] 4. **三个月反转因子** - 沪深300空间：最近一周0.27%，近一月0.42%，年化1.24%[20] - 中证500空间：最近一周-0.68%，近一月0.19%，年化0.22%[22] 量化模型与构建方式 1. **模型名称**：MFE组合优化模型 - **模型构建思路**：在控制行业/风格暴露约束下最大化单因子暴露[40] - **模型具体构建过程**： 目标函数： $$\max f^Tw$$ 约束条件包括： $$s_l \leq X(w-w_b) \leq s_h$$ （风格暴露约束） $$h_l \leq H(w-w_b) \leq h_h$$ （行业偏离约束） $$w_l \leq w-w_b \leq w_h$$ （个股权重偏离约束） 其他约束包括成分股权重占比、禁止卖空等[40][41] 模型回测效果 1. **沪深300增强组合** - 本周超额1.17%，年内累计超额8.03%[15] - 公募产品中位数：本周0.08%，近一月0.70%，年内2.39%[33] 2. **中证500增强组合** - 本周超额0.73%，年内累计超额8.82%[15] - 公募产品中位数：本周0.38%，近一月1.24%，年内3.90%[35] 3. **中证1000增强组合** - 本周超额1.10%，年内累计超额13.66%[15] - 公募产品中位数：本周0.38%，近一月1.46%，年内5.97%[37] 特殊指数构建 1. **公募重仓指数** - **构建思路**：反映机构投资者持仓偏好[42] - **具体构建过程**： - 选取普通股票型及偏股混合型基金（规模>5000万） - 合并半年报/年报全部持仓或季报前十大重仓股 - 按持仓权重排序取累计90%市值的股票作为成分股[43]

量化投资哲学与方法论 - 量化投资本质是用科学方法对证券市场建模，寻求可证伪且未来可复现的规律[6] - 遵循波普尔"猜想-反驳"科学发现方式，在不确定世界中寻找规律并规则化[7][16] - 将量化视为思维方式而非工具，适用于各类资产投资[16] - 通过机器学习捕捉非线性规律，突破人类线性思维局限[3][30] 投资策略与业绩表现 - 微盘股策略超额收益源自"注意力价值"而非小市值因子，诺安多策略混合A类过去一年收益率达100.74%[3][26][34] - 沪深300指数增强策略严控跟踪误差，过去一年收益率15.42%，跑赢基准2.06%[3] - 采用端到端神经网络构建模型，在沪深300增强产品中实现行业领先信息比率[33] - 淡化业绩增速预期，严格衡量风格因子性价比以提高收益稳定性[19] 模型构建与技术应用 - 从多因子策略迭代至机器学习，利用AI捕捉非线性规律[3][30] - 模型注重超额收益来源本质，避免对历史规律的简单归纳[45][46] - 在微盘股投资中通过选股产生超额收益，弥补公募交易限制[28] - 神经网络模型已超越主观判断能力，投资决策完全交由模型执行[43] 市场认知与差异化优势 - A股市场存在投资者注意力轮换特征，形成显著统计规律[26][27] - 科学化系统化思维方式能发现不拥挤的超额收益领域[11][45] - 微盘股长期超额收益不会收敛，与市值因子无关[34][35] - 坚持客观规律认知，避免"思想钢印"和预设历史终局[47] 团队管理与持续进步 - 团队核心方向是深度学习模型架构改进，基金经理需参与研究[49] - 通过记录和验证保持科学态度，聚焦重要问题[52][53] - 学习人类学心理学知识，克服大脑天然不客观性[61][62] - 坚持概率正确决策，在压力下保持清醒判断[50][51]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **优化复制模型** - **构建思路**：通过数学优化方法最小化跟踪误差，复制目标指数的收益[31] - **具体构建过程**： 1. 定义资产组合收益率： $${\tilde{R}}_{t}=\Sigma_{i=1}^{M}{\widetilde{W}}_{i,t}\cdot Y_{i,t}=Y_{t}\cdot{\overline{{W}}}_{t}$$ 其中${\widetilde{W}}_{i,t}$为持仓权重，$Y_{i,t}$为资产收益[31] 2. 目标函数为跟踪误差最小化： $$w=a r g\,m i n\;\;\;T E$$ 其中$TE=\sqrt{\frac{1}{T}\Sigma_{t=1}^{T}(\tilde{R}_t-R_t)^2}$[32] 3. 添加约束条件： 权重和为1：$$\Sigma_{i=1}^{N}w_{i}=1$$[33] 非负约束：$$0\leq w_{i}\leq1$$[35] 行业/风格中性约束： $$z_{l o w}\leq\frac{X_{s}^{T}w-X_{s}^{T}\tilde{w}}{s_{b}}\leq z_{u p}$$ $$w_{l o w}^{I}\leq X_{I}^{T}w-X_{I}^{T}\bar{w}\leq w_{u p}^{I}$$[36] - **评价**：灵活平衡成本与精度，但依赖历史数据可能产生模型风险[30] 2. **Barra多因子模型** - **构建思路**：基于CAPM和Fama-French三因子模型扩展，解释个股收益来源[47] - **具体构建过程**： 因子收益方程： $${\begin{bmatrix}r_{1}\\ r_{2}\\ \vdots\\ r_{n}\end{bmatrix}}={\begin{bmatrix}x_{11}\\ x_{21}\\ \vdots\\ x_{n1}\end{bmatrix}}f_{1}+{\begin{bmatrix}x_{12}\\ x_{22}\\ \vdots\\ x_{n2}\end{bmatrix}}f_{2}+\cdots+{\begin{bmatrix}x_{1m}\\ x_{2m}\\ \vdots\\ x_{n m}\end{bmatrix}}f_{m}+{\begin{bmatrix}u_{1}\\ u_{2}\\ \vdots\\ u_{n}\end{bmatrix}}$$ 其中$x_{ij}$为股票i对因子j的暴露，$f_j$为因子收益[46] 3. **TCN神经网络因子挖掘模型** - **构建思路**：通过时序卷积网络挖掘高频量价Alpha因子[52] - **评价**：相比遗传规划算法能发现更复杂的非线性关系[51] 量化因子与构建方式 1. **波动类因子** - 特异率：1减Fama-French三因子模型拟合优度[48] - 残差波动率：Fama-French三因子回归残差的标准差[48] - 换手率变异系数：换手率标准差/均值[48] 2. **空头意愿因子** - 每笔成交额：总成交额/成交笔数[48] - 高量每笔成交：高成交量区间的每笔成交额占比[48] 3. **交易拥挤度因子** - 量价相关性：成交量与价格的秩相关系数[48] - 高量交易成本：最高20%价格区间的成交量占比[48] 4. **质量因子** - 盈利因子：扣非ROE与资产报酬率的均值[48] 5. **成长因子** - 绝对净利润增长：单季度扣非净利润时间序列回归斜率[48] 模型的回测效果 1. **沪深300指数增强基金** - 年化超额收益：3.74%[23] - 信息比率(IR)：1.51[23] - 跟踪误差：2.22%[23] - 超额胜率：72%[23] 因子的回测效果 1. **打新增强** - 2025年打新收益：2.13%（科创板4.34%，创业板2.52%）[67] 2. **股指期货增强** - 2025年基差：沪深300(-6.75%)、中证500(-13.60%)[72] 3. **大宗交易增强** - 历史折价率中位数：5.38%（2025年8.23%）[74] 4. **定向增发增强** - 历史折价率中位数：14.55%（2025年11.87%）[77]

报告行业投资评级 未提及 报告的核心观点 工银瑞信基金指数及量化投资部人员充足、研究方向多样，以“ARC”投资导航系统为核心，多位基金经理有不同投资方法，涵盖多因子和 SmartBeta 等策略，产品线丰富，能为投资者提供不同赛道解决方案，代表产品各有特色且业绩表现良好 [1][12][38] 根据相关目录分别进行总结 工银主动量化团队——前沿视角 + 多元覆盖，积极主动把握确定性投资机会 - 团队概况：工银瑞信基金指数及量化投资部有 15 位投研人员，由焦文龙牵头管理，分工明确，覆盖多领域；核心成员经验丰富，各负责多只公募基金；投资理念以“ARC”为核心，在人员和研究方向优势下可发挥最大作用 [8][9][12] - 主动量化投资框架：多位基金经理投资方法多样，多因子策略在因子构建、挖掘和模型构建有特色，SmartBeta 策略有明确决策步骤，注重策略合理性和交易辅助 [19][20][30] - 主动量化产品线：在管 11 只主动产品，涵盖多品类，各细分品类产品定位鲜明，能为投资者提供专项解决方案，目标是在不同赛道为投资者增添收益 [38][39][40] 工银主动量化代表产品投资特征分析 - 工银聚享：自 2024 年 2 月业绩超越基准，定位于高仓位固收 + 且股票端配小盘，换手率适中、持仓分散，行业配置稳定，不依靠高换手和行业偏离获超额收益 [43][45][50] - 工银瑞信中证 1000 指数增强：何顺管理后业绩领先，区间回报领先同类，交易换手贡献显著超额收益，高换手、适度涉猎微盘股，有适度行业偏离和风格因子暴露调整 [56][59][60] - 工银新价值：2024 年以来业绩领先，低换手、持股分散，持股偏大盘，有适度行业调整，主要靠选股贡献超额收益，能捕获 Beta 和 Alpha 投资机会 [72][73][81]

2025年下半年首个交易日，小微盘风格持续强势，中证2000增强ETF（159552）、1000ETF增强 （159680）双双刷新上市新高。 其中，中证2000增强ETF（159552）上半年净值增长率29.18%，涨幅位居宽基ETF第一，半年超额收益 率近14%。 【小盘风格为何强势？】 另一方面，宏观经济运行方向。大小盘风格与经济周期的关系虽不完全线性，但总体来看，经济预期平 淡或缓和阶段，小盘风格偏强；经济企稳回升期，大盘风格占优。 展望后市，该机构认为，当前环境或仍有利于偏小盘风格演绎。 产业趋势上，AI、半导体等产业仍处于景气阶段，重要会议继续注重"发展新质生产力"，多维度支持科 创领域发展。 宏观环境上，我国结构性问题依然突出，外部不确定性也对增长带来挑战，稳增长政策下半年仍有加码 需求及空间。 从拥挤度水平看，截至6月27日，小盘指数换手率为2.1%，处于2015年以来77%分位数，交易拥挤度相 对偏高；但从小盘指数/大盘指数换手率比值来看，大约为4.1倍，位于历史均值附近。 从估值层面看，当前小盘指数/大盘指数PE(TTM)比值为2.2倍，处于2015年以来72.5%分位数。从资本 市场建设 ...

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：券商金股业绩增强组合** - **模型构建思路**：通过多因子方式从券商金股股票池中优选股票，以对标公募基金中位数为基准，控制组合与券商金股股票池在个股、风格上的偏离，同时以全体公募基金的行业分布为行业配置基准[44] - **模型具体构建过程**： 1. 以券商金股股票池为选股空间和约束基准 2. 采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离 3. 以全体公募基金的行业分布为行业配置基准 4. 每月初汇总券商金股，根据被推荐家数加权构建券商金股指数，并于每月第一天收盘价调仓 5. 计算收益时以主动股基最近报告期的权益仓位中位数作为券商金股指数的仓位[19][44] - **模型评价**：历史表现稳健，能够稳定战胜偏股混合型基金指数，在公募主动股基中排名靠前[44][45] 量化因子与构建方式 1. **因子名称：单季度营收增速** - **因子表现**：最近一个月表现较好[29] 2. **因子名称：SUR（标准化未预期收入）** - **因子表现**：最近一个月和今年以来表现较好[29] 3. **因子名称：分析师净上调幅度** - **因子表现**：最近一个月表现较好[29] 4. **因子名称：EPTTM（市盈率TTM）** - **因子表现**：最近一个月和今年以来表现较差[29] 5. **因子名称：波动率** - **因子表现**：最近一个月和今年以来表现较差[29] 6. **因子名称：剥离涨停动量** - **因子表现**：最近一个月表现较差[29] 7. **因子名称：总市值** - **因子表现**：今年以来表现较好[29] 8. **因子名称：SUE（标准化未预期盈利）** - **因子表现**：今年以来表现较好[29] 9. **因子名称：预期股息率** - **因子表现**：今年以来表现较差[29] 模型的回测效果 1. **券商金股业绩增强组合** - 本月（20250603-20250630）绝对收益5.34%，相对偏股混合型基金指数超额收益1.00%[43] - 本年（20250102-20250630）绝对收益10.59%，相对偏股混合型基金指数超额收益2.73%[43] - 在主动股基中排名28.16%分位点（977/3469）[43] - 全样本（2018.1.2-2025.6.30）年化收益19.34%，相对偏股混合型基金指数年化超额14.38%[45] 2. **券商金股指数** - 本月（20250603-20250630）收益3.71%，偏股混合型基金指数收益4.34%[22] - 本年（20250102-20250630）收益6.89%，偏股混合型基金指数收益7.86%[22] 因子的回测效果 1. **单季度营收增速**：最近一个月表现较好[29] 2. **SUR**：最近一个月和今年以来表现较好[29] 3. **分析师净上调幅度**：最近一个月表现较好[29] 4. **EPTTM**：最近一个月和今年以来表现较差[29] 5. **波动率**：最近一个月和今年以来表现较差[29] 6. **剥离涨停动量**：最近一个月表现较差[29] 7. **总市值**：今年以来表现较好[29] 8. **SUE**：今年以来表现较好[29] 9. **预期股息率**：今年以来表现较差[29]

核心观点 - 2025年6月制造业PMI回升，受益于扩大内需政策，7月政策效果有望持续释放，但制造业景气面临季节性回落压力；个人养老金定投指数型ETF，定投时间越长收益越稳定，红利指数定投表现较好，可采用基于估值和均线的动态定投模型改进收益；2025年上半年度融资融券市场融资收缩、融券扩张，未来经济回稳等因素有望利好两融市场；上周市场主要指数上调，主动权益基金仓位下降，ETF市场资金有流入流出情况；随机森林多因子选股模型跑赢中证500指数，验证了机器学习方法在量化交易中的实用价值 [2][5][8][11][16] 宏观及策略研究 - 2025年6月30日统计局公布PMI数据，制造业采购经理指数、非制造业商务活动指数和综合PMI产出指数分别为49.7%、50.5%和50.7% [2] - 制造业景气回升，产需两端改善，生产指数回升0.3个百分点至51.0%，新订单指数回升0.4个百分点至50.2%，新出口订单回升0.2个百分点至47.7%，原材料购进和出厂价格指数收缩步伐放缓，原材料和产成品去库节奏放缓 [2] - 6月大型和中型企业制造业PMI分别回升0.5和1.1个百分点至51.2%和48.6%，小型企业回落2.0个百分点至47.3%，大、中型企业回升或与宏观政策发力有关，小型企业景气度有望企稳回升 [3] - 6月非制造业商务活动指数回升0.2个百分点至50.5%，建筑业商务活动景气度回升1.8个百分点至52.8%，服务业商务活动指数小幅回落0.1个百分点至50.1% [3] - 6月综合PMI产出指数回升0.3个百分点至50.7%，内需释放和贸易预期缓和推动制造业和非制造业景气共振回升 [3] - 6月制造业PMI回升与扩大内需政策有关，7月政策效果有望持续释放，但制造业景气面临季节性回落压力 [4] 金融工程研究 个人养老金定投指数型ETF的方式探索 - 2024年12月12日五部门将国债、特定养老储蓄、指数基金纳入个人养老金产品范围，首批有85只权益类指数基金，其中被动指数型66只，增强指数型19只，跟踪指数16个 [5] - 选择中证500、沪深300、上证50和红利指数测算定投收益，定投时间越长收益越稳定，红利指数定投表现好于宽基指数 [6] - 设计基于估值和均线的动态定投模型改进宽基指数定投收益，估值定投年化收益平均上涨1%-3%，正值占比平均提升10%-20%；均线定投年化收益平均上涨0.5%-1%，正值占比平均提升5%-10%，均线定投适用于成立时间小于5年的指数产品 [6] - 实际定投可考虑更丰富的新成立指数产品，未来将继续优化定投模型和开展养老产业专题研究 [7] 两融余额略有收缩，关注结构性变化 - 截至6月25日，2025年上半年度A股市场主要指数多数上涨，上证综指涨幅最大为3.11%，创业板指跌幅最大为0.62%，沪深两市两融余额为18236.47亿元，较去年年末减少370.86亿元，融资余额减少386.57亿元，融券余额增加15.72亿元 [8] - 市场ETF融资余额为945.97亿元，较去年年末减少92.60亿元，融券余额为52.87亿元，较去年年末增加7.79亿元；主板融资余额占比下降，科创板和创业板占比上升，主板和科创板融券余额占比上升，创业板占比下降，小市值板块融资与融券余额占比上升，大市值板块占比下降 [8] - 上半年度汽车、机械设备和医药生物行业融资净买入额较多，非银金融、电子和银行行业较少；融资买入额占成交额比例较高的行业为非银金融、钢铁和通信，较低的为纺织服饰、轻工制造和综合；非银金融、医药生物和有色金属行业融券净卖出额较多，建筑材料、家用电器和纺织服饰行业较少 [8] - 上半年度个股融资净买入额前五名为比亚迪、胜宏科技、赛力斯、光线传媒、三花智控，融券净卖出额前五名为兴业银行、恒瑞医药、贵州茅台、小商品城、山西汾酒 [9] - 2025年上半年度融资融券市场融资收缩、融券扩张，融券余额增幅小影响有限，一季度先降后升，3月底达峰值，二季度在18000亿上下波动，经济回稳等因素有望利好两融市场 [9] 中证A500指数资金大幅流入，主动权益基金仓位下降 - 上周市场主要指数全部上调，中证1000、中证全指和科创50在市盈率及市净率指数估值分位数方面涨幅居前，31个申万一级行业中28个行业上涨，涨幅前五的行业为计算机、国防军工、非银金融、通信和电气设备，下跌的为石油石化、食品饮料、交通运输 [11] - 市场热点包括易方达、华夏基金上报上证380ETF、上证580ETF，首批26只新型浮动费率基金已有23只成立 [11] - 上周权益类基金普遍上涨，量化基金涨幅最大为2.93%，纯债型基金涨跌不一，FOF基金中养老目标FOF上涨1.40%，正收益占比98.56%，QDII基金平均上涨2.36%，正收益占比91.67% [11] - 本周主动权益基金仓位涨幅居前的行业为食品饮料、医药生物和电子，跌幅居前的为计算机、国防军工和有色金属，2025/6/27仓位为72.31%，较上周下降3.07pct [12] - 本期ETF市场整体资金净流入13.94亿元，债券型ETF净流入229.01亿元，股票型ETF净流出156.90亿元，上周整体ETF市场日均成交额达3113.22亿元，日均成交量达1484.90亿份，日均换手率达9.64% [12] - 本期主要宽基指数多数流出，中证A500指数资金大幅流入超过70亿元，银行、港股非银和创新药板块被资金看好，沪深300指数资金大幅流出，净流入较多的ETF标的有中证银行等，净流出较多的有中证全指证券公司等 [12] - 上周新发行基金21只，较上期增加2只，新成立基金43只，较上期减少5只，新基金共募集335.85亿元，较上期减少141.06亿元 [13] 基于随机森林的多因子选股模型构建 - 多因子模型对市场关系线性假设存在不足，随机森林模型无需预设函数关系，能捕捉非线性关系和高阶交互作用，将其应用于多因子选股是传统量化投资向“AI量化”升级的路径 [14][15] - 模型构建选取25个基本面和技术面因子，将2010.1.4至2025.4.30时间段后40%作为回测区间，前60%中80%为训练集，20%为测试集，选取中证500指数成分股为基准股票池，每20个交易日调仓，每次选10只股票持有 [16] - 随机森林模型大幅跑赢中证500指数，收益指标高于基准，波动率和最大回撤低于基准，风险收益比远好于基准，验证了机器学习方法在量化交易中的实用价值 [17]