根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：微盘股轮动与择时模型**[18][23] * **模型构建思路**：该模型旨在通过相对净值、动量指标以及风险指标，实现微盘股指数与茅指数之间的风格轮动，并在风险聚集时发出平仓信号[18][23] * **模型具体构建过程**： * **轮动信号生成**： 1. 计算微盘股指数与茅指数的相对净值（微盘股净值 / 茅指数净值）[18] 2. 计算该相对净值的243日移动平均线（MA243）[18] 3. 计算微盘股指数和茅指数的20日收盘价斜率（动量指标）[18][23] 4. 轮动规则：当微盘股/茅指数相对净值高于其243日均线，且微盘股20日斜率为正、茅指数20日斜率为负时，配置微盘股；反之则配置茅指数[23] * **择时风控信号生成**： 1. 监控十年期国债到期收益率的同比变化率（十年国债利率同比），设定风险阈值为30%[18][23] 2. 监控微盘股波动率拥挤度的同比变化率（波动率拥挤度同比），设定风险阈值为55%[18][23] 3. 风控规则：当十年国债利率同比触及30%或波动率拥挤度同比触及55%时，模型发出平仓信号[23] 2. **模型名称：宏观择时策略**[42][43] * **模型构建思路**：基于经济增长和货币流动性两个维度的宏观指标，动态调整权益资产的配置仓位[42][43] * **模型具体构建过程**：模型对经济增长和货币流动性分别进行评估，生成信号强度（以百分比表示），并综合这两个维度的信号得出最终的权益资产推荐仓位[42][43] 具体构建细节可参考其历史研究报告[42] 模型的回测效果 1. **宏观择时策略**[42][43] * 2025年年初至今收益率：13.55%[42] * 同期Wind全A收益率：25.61%[42] * 截至2025年10月31日信号：经济增长信号强度0%，货币流动性信号强度50%，权益推荐仓位25%[42][43] 量化因子与构建方式 1. **因子名称：大类选股因子**[48][60][61] * **因子构建思路**：报告跟踪了八大类选股因子，包括一致预期、市值、成长、反转、质量、技术、价值和波动率，每类因子由多个细分因子合成[48][60][61] * **因子具体构建过程**：报告附录提供了详细的因子分类和定义[60][61]，例如： * **价值因子**：包含市净率（BP_LR，最新年报账面净资产/最新市值）、预期市盈率（EP_FTTM，未来12个月一致预期净利润/最新市值）等细分因子，因子值越大表示越被低估，预期收益越高（排序方向↑）[60][61] * **成长因子**：包含单季度净利润同比增速（NetIncome_SQ_Chg1Y）、单季度营业收入同比增速（Revenues_SQ_Chg1Y）等细分因子，因子值越大表示成长性越好，预期收益越高（排序方向↑）[60][61] * **技术因子**：包含20日成交量均值与240日成交量均值之比（Volume_Mean_20D_240D）、240日收益率偏度（Skewness_240D）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] * **波动率因子**：包含60日收益率标准差（Volatility_60D）、CAPM模型残差波动率（IV_CAPM）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] * **反转因子**：包含20日收益率（Price_Chg20D）、60日收益率（Price_Chg60D）等细分因子，因子值通常与预期收益负相关（排序方向↓）[60][61] 2. **因子名称：可转债择券因子**[57] * **因子构建思路**：从正股相关性和转债估值两个角度构建因子，用于可转债的量化择券[57] * **因子具体构建过程**： * **正股因子**：基于正股与可转债的相关关系，通过预测正股的因子（如正股财务质量、正股价值等）来构建可转债因子[57] * **转债估值因子**：使用平价底价溢价率作为估值因子[57] 因子的回测效果 1. **大类选股因子（上周IC均值，全部A股）**[48] * 波动率因子：17.72% * 价值因子：12.38% * 技术因子：9.98% * 市值因子：7.92% * 反转因子：-0.84% * 一致预期因子：-4.68% * 成长因子：-6.34% * 质量因子：-14.23% 2. **可转债择券因子（上周IC均值）**[57] * 正股财务质量因子：取得正IC * 正股价值因子：取得正IC * 转债估值因子：取得正IC

核心观点 - 报告对多个量化ETF配置策略进行了跟踪和更新，涵盖了宏观择时、动量择势、行业轮动、Copula二阶随机占优以及分位数随机森林科技类ETF配置等策略 [1][2][3] - 各策略均提供了自2020年以来的历史回测表现和最新持仓配置，数据截至2025年10月或11月初 [2][4][9][14][18][20][23][25][29] - 策略表现差异显著，动量择势策略年化收益率最高达18.25%，而行业轮动策略相对沪深300年化超额收益率为7.27% [2][14] ETF量化策略跟踪 宏观择时策略 - 基于Gaussian分布的B-L宏观择时策略自2020年7月至2025年10月年化收益率为7.67%，夏普比率1.45，最大回撤-4.60% [2][4] - 在最近报告期（2025年10月9日至31日）策略收益率为1.81% [4] - 2025年10月31日调仓后组合为：沪深300ETF（7.01%）、中证500ETF（7.99%）、国债ETF（55.94%）、豆粕ETF（11.63%）、有色ETF（5.02%）、黄金ETF（7.40%）和货币ETF（5.00%），未配置标普500ETF和公司债ETF [2][7][8] 动量择势策略 - 策略自2020年1月至2025年10月年化收益率为18.25%，夏普比率0.88，最大回撤-28.72% [2][9] - 最近报告期（2025年10月9日至31日）策略收益率为-3.51% [9] - 2025年10月31日调仓后持仓集中在主题ETF：汇添富中证电信主题ETF（27.01%）、富国中证旅游主题ETF（24.92%）、新华中证云计算50ETF（21.52%）、华泰柏瑞中证智能汽车ETF（16.38%）和华夏中证人工智能ETF（8.17%） [2][13] 行业轮动策略 - 策略自2020年以来年化收益率10.00%，相对沪深300年化超额收益率7.27%，最大回撤-42.98% [2][14] - 最近报告期（2025年10月9日至31日）策略收益3.66%，超额收益3.55% [14] - 2025年10月31日调仓后配置家电ETF、绿色电力ETF、钢铁ETF、新能车ETF、金融ETF及农业ETF，各占16.7%权重，调出有色金属ETF和交运ETF [2][18][19] 基于Copula的二阶随机占优策略 - 策略自2020年1月至2025年10月年化收益率为14.41%，夏普比率0.68，最大回撤-42.62% [2][20] - 最近报告期（2025年10月9日至31日）策略收益率为0.31% [20] - 2025年11月3日调仓后持仓高度集中：富国中证800银行ETF占85.00%，华夏中证石化产业ETF、富国中证全指证券公司ETF和博时中证油气资源ETF各占5.00% [2][23][24] 基于分位数随机森林的科技类ETF配置策略 - 策略自2020年至2025年10月年化收益率为13.54%，夏普比率0.76，最大回撤-29.89% [2][25] - 最近报告期（2025年10月9日至31日）策略收益率为-3.03% [25] - 2025年10月31日调仓后科技类ETF总持仓权重95.63%，其中平安中证消费电子主题ETF占76.51%，其余四只科技ETF各占4.78%，现金持仓4.37% [2][29][30] 策略方法论概要 宏观择时策略构建 - 策略根据经济周期划分结果提高相应大类资产权重，并加入境外资产配置条件 [32] - 使用ETF作为可交易标的，涵盖股票、商品、债券、境外、货币等品种 [32][35] - 每月末根据经济指数状态设置资产权重约束，通过Black-Litterman模型计算最优配置权重 [32][37] 动量择势策略构建 - 使用XGBoost预测的ETF上涨概率作为动量指标，基金份额历史分位数代表拥挤度 [38] - 选择动量排名前20且拥挤度排名前20的板块，再选板块内动量最大的ETF [38][39] - 配置调整周期为一周，每个季度末重新训练XGBoost模型 [40] 行业轮动策略构建 - 基于行业扩散指数因子构建低波扩散行业轮动模型，优于传统动量因子 [41] - 将行业轮动策略应用于ETF，通过相关性匹配选择可投资标的 [41] - 按月调仓，组内等权配置 [41] Copula二阶随机占优策略构建 - 利用Copula函数构建收益率联合分布模型，以二阶随机占优为约束优化权重 [42][43][48] - 投资标的为行业主题ETF，覆盖25个中信一级行业 [47] - 按月调仓，通过多指标筛选行业和ETF，循环优化10次得到最终权重 [48] 分位数随机森林科技类ETF配置策略构建 - 使用分位数随机森林对科技类ETF收益率分布建模，控制尾部风险 [49][50] - 投资标的为科技与制造大类行业ETF，共271只可投资标的 [53] - 按月调仓，根据市场波动率确定总持仓权重，再通过分布预测指标选ETF [54][55][56]

核心观点 - 报告跟踪并更新了五种量化ETF配置策略，涵盖宏观择时、动量择势、行业轮动及基于随机占优和机器学习的配置方法，所有策略均提供截至2025年8月的绩效数据和最新持仓组合 [2][4][10][15][21][26] 策略绩效与持仓总结 宏观择时策略 - 基于Gaussian分布的B-L模型，2020年7月至2025年8月年化收益率7.08%，夏普比率1.34，卡玛比率1.54，最大回撤-4.60% [2][4] - 2025年8月29日调仓后持仓：沪深300ETF（6.65%）、中证500ETF（8.35%）、国债ETF（38.21%）、公司债ETF（14.04%）、豆粕ETF（8.29%）、有色ETF（5.77%）、黄金ETF（13.68%）和货币ETF（5.00%），未配置标普500ETF [2][8] - 2025年以来策略表现强劲，年化收益率达12.44%，夏普比率2.68 [5] 动量择势策略 - 2020年1月至2025年8月年化收益率20.22%，夏普比率0.96，最大回撤-28.72%，2025年8月单月收益率22.37% [2][10] - 最新持仓集中于科技主题ETF：中证数字经济主题ETF（19.51%）、上证科创板芯片ETF（20.37%）、中证电子ETF（19.70%）、深证物联网50ETF（19.38%）和中证科技50ETF（19.37%） [2][14] - 2025年策略表现突出，年化收益率65.94% [11] 行业轮动策略 - 2020年以来年化收益率9.34%，相对沪深300年化超额收益7.21%，夏普比率0.42，最大回撤-42.98% [2][15] - 2025年8月调仓后持有六只行业ETF：有色金属ETF、绿色电力ETF、家电ETF、交运ETF、金融ETF及农业ETF，各占16.7%权重，调出钢铁ETF [2][19] - 2025年策略收益9.84%，但超额收益为-11.00% [16] 基于Copula的二阶随机占优策略 - 2020年1月至2025年8月年化收益率15.52%，夏普比率0.71，最大回撤-42.62%，2025年8月收益3.90% [2][21] - 2025年9月1日调仓后持仓高度集中：广发中证主要消费ETF（69.79%）、华宝中证信息技术应用创新产业ETF（18.50%）、华夏中证农业主题ETF（6.71%）和富国中证现代物流ETF（5.00%） [2][24] - 2025年策略收益39.72%，夏普比率1.94 [25] 基于分位数随机森林的科技类ETF配置策略 - 2020年以来年化收益率12.33%，夏普比率0.71，最大回撤-29.89%，2025年8月收益15.51% [2][26] - 持仓高度集中於光伏产业：汇添富中证光伏产业ETF（76.51%），其余四只科技ETF各占4.78%（广发中证全指信息技术ETF、富国中证军工龙头ETF、华宝中证科技龙头ETF、富国中证大数据产业ETF），现金持仓4.37% [2][31] - 2025年策略收益43.27%，夏普比率1.90 [27] 策略方法论概要 宏观择时策略 - 结合经济周期与流动性分析，使用Black-Litterman模型优化ETF配置，涵盖股票、债券、商品及货币ETF，依据周期状态动态调整资产权重约束 [34][37][38] - 标的选取注重流动性和代表性，如沪深300ETF、国债ETF、黄金ETF等 [37] 动量择势策略 - 利用XGBoost预测上涨概率作为动量指标，结合份额拥挤度筛选板块和ETF，每周调仓以捕捉动量并控制风险 [40][41] - 覆盖65个板块共512只ETF，优先选择动量强且拥挤度低的品种 [40] 行业轮动策略 - 基于行业扩散指数因子和波动率控制构建轮动模型，通过ETF实现行业配置，每月调仓并等权持仓 [43] - ETF与行业指数高相关性匹配，确保策略有效落地 [43] 基于Copula的二阶随机占优策略 - 通过Copula函数建模收益率联合分布，以二阶随机占优优化权重，追求更高收益和更低尾部风险 [44][45][50] - 每月选取得分最高的8个行业及其代表性ETF进行优化 [49][50] 基于分位数随机森林的科技类ETF配置策略 - 使用分位数随机森林预测科技类ETF收益率分布，控制尾部风险，动态调整总持仓权重（不低于50%） [51][52][56] - 综合25%分位数和偏度指标选ETF，并通过二阶随机占优分配权重 [57][58]

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：宏观择时策略** - **模型构建思路**：基于动态宏观事件因子进行股债轮动配置，通过经济增长和货币流动性两个维度的信号强度综合判断权益仓位[26][27] - **模型具体构建过程**： 1. 经济增长信号：综合PMI、工业增加值等指标，当前信号强度50%[27] 2. 货币流动性信号：结合SHIBOR、国债收益率等，当前信号强度40%[27] 3. 权益仓位计算：加权平均信号强度生成推荐仓位（当前45%）[27] - **模型评价**：2025年初至今收益率1.06%，略低于Wind全A指数（1.90%），但风险控制稳健[26][28] 2. **模型名称：微盘股轮动与择时模型** - **模型构建思路**：通过相对净值、动量斜率及风险指标监控微盘股风格持续性[29][33] - **模型具体构建过程**： 1. 相对强度指标：微盘股/茅指数相对净值（当前1.93倍）需高于243日均线（1.41倍）[29][33] 2. 动量指标：20日价格斜率（微盘股0.00257 vs 茅指数-0.00019）[29][35] 3. 风险指标： - 波动率拥挤度同比需低于0.55%（当前-0.415%）[29][36] - 十年期国债收益率同比需低于0.30%（当前-0.27%）[29][31] --- 量化因子与构建方式 1. **因子名称：市值因子（LN_MktCap）** - **构建思路**：捕捉小盘股超额收益效应，方向为低市值[49] - **具体构建**：取流通市值的自然对数$$ \text{LN\_MktCap} = \ln(\text{流通市值}) $$[49] 2. **因子名称：成长因子（NetIncome_SQ_Chg1Y）** - **构建思路**：通过单季度净利润同比增速筛选高成长性标的[49] - **具体构建**：$$ \text{NetIncome\_SQ\_Chg1Y} = \frac{\text{当期单季度净利润} - \text{去年同期单季度净利润}}{\text{去年同期单季度净利润}} $$[49] 3. **因子名称：反转因子（Price_Chg20D）** - **构建思路**：利用短期价格反转效应[49] - **具体构建**：计算20日收益率$$ \text{Price\_Chg20D} = \frac{P_t - P_{t-20}}{P_{t-20}} $$[49] 4. **转债估值因子（平价底价溢价率）** - **构建思路**：衡量可转债估值偏离程度[45][48] - **具体构建**：$$ \text{溢价率} = \frac{\text{转债价格} - \text{转换价值}}{\text{转换价值}} \times 100\% $$[48] --- 模型回测效果 | 模型/因子 | IC均值（全A股） | 多空收益（周） | 年化IR | |--------------------|----------------|---------------|---------| | 宏观择时策略 | - | - | 1.06%[26] | | 市值因子 | 23.47%[41] | +3.00%[41] | 39.13%[41] | | 成长因子 | 1.80%[41] | +0.15%[41] | 11.10%[41] | | 转债成长因子 | - | +0.72%[45] | - | --- 因子回测效果（分股票池） | 因子 | 沪深300 IC | 中证500 IC | 中证1000 IC | |---------------|------------|------------|-------------| | 一致预期因子 | 3.15%[41] | -3.56%[41] | 0.64%[41] | | 质量因子 | -6.93%[41] | -8.58%[41] | -8.37%[41] | | 技术因子 | -12.64%[41]| -2.86%[41] | 1.14%[41] | （注：表格数据均取自最新周度统计[41][45][49]）

量化模型与构建方式 1. **模型名称：宏观择时策略** - **模型构建思路**：基于动态宏观事件因子构建股债轮动策略，通过经济增长和货币流动性两个维度信号确定权益配置比例[26] - **模型具体构建过程**： 1. **经济增长信号**：监测工业增加值、PMI等指标，信号强度为0%时表示经济疲软，50%为中性[26][27] 2. **货币流动性信号**：跟踪SHIBOR、国债收益率等，信号强度50%对应适度宽松[26][27] 3. **权益仓位计算**：综合两维度信号加权得出，4月推荐仓位25%（经济增长0% + 流动性50%）[26][27] - **模型评价**：策略年初收益率1.06%，略低于Wind全A的1.90%，适合稳健配置场景[26][27] 2. **模型名称：微盘股择时模型** - **模型构建思路**：结合交易情绪与基本面指标监控微盘股风险[30] - **模型具体构建过程**： 1. **波动率拥挤度指标**：衡量市场交易情绪，阈值突破触发预警（当前-50.09%低于阈值）[30][31][33] 2. **十年国债利率同比指标**：反映基本面环境，阈值0.3%（当前-28.69%未触发）[30][31][32] 3. **轮动信号**：微盘股/茅指数相对净值上穿243日均线（2024年10月14日触发）[30][34] 模型的回测效果 1. **宏观择时策略**： - 年初至今收益率1.06%[26] - 同期Wind全A收益率1.90%[26] - 4月经济增长信号强度0%，流动性信号强度50%[27] 2. **微盘股择时模型**： - 波动率拥挤度同比-50.09%（安全）[31][33] - 十年国债利率同比-28.69%（安全）[31][32] - 微盘股20日斜率持续为正[34] 量化因子与构建方式 1. **因子名称：八大类选股因子** - **构建思路**：覆盖市值、价值、成长、质量等维度，在不同股票池中测试有效性[37][47] - **具体构建过程**： - **市值因子**：$$LN\_MktCap = \ln(流通市值)$$[47] - **价值因子**：$$BP\_LR = \frac{账面净资产}{市值}$$，$$EP\_FTTM = \frac{预期净利润}{市值}$$[47] - **成长因子**：$$NetIncome\_SQ\_Chg1Y = \frac{单季度净利润同比增速}{}$$[47] - **技术因子**：$$Skewness\_240D = 240日收益率偏度$$[47] 2. **因子名称：转债择券因子** - **构建思路**：通过正股关联指标与转债估值指标筛选标的[41][42] - **具体构建过程**： - **正股一致预期因子**：基于正股目标价收益率构建 - **转债估值因子**：平价底价溢价率 因子的回测效果 1. **选股因子IC均值（上周）**： - 一致预期因子（全部A股）：7.01%[38] - 市值因子（中证1000）：-1.84%[38] - 成长因子（沪深300）：19.41%[38] 2. **转债因子多空收益**： - 正股一致预期因子：正收益[42] - 正股成长因子：正收益[42] 附录：因子分类体系 | 大类因子 | 细分指标示例 | 计算公式参考 | |----------------|-----------------------------|---------------------------| | 价值(↑) | BP_LR | 账面净资产/市值 | | 技术(↓) | Volume_Mean_20D_240D | 20日成交量/240日成交量均值| [47]