量化模型与构建方式 1. **模型名称：微盘股/茅指数轮动模型**[19][24] * **模型构建思路**：通过比较微盘股与茅指数的相对价值和动量趋势，判断市场风格偏向，从而在两者之间进行轮动配置，以获取更高的相对收益[19][24]。 * **模型具体构建过程**： 1. 计算微盘股与茅指数的相对净值：`微盘股/茅指数相对净值`[19]。 2. 计算该相对净值的243日移动平均线（年均线）[19][24]。 3. 分别计算微盘股指数和茅指数过去20个交易日的收盘价斜率（动量）[19][24]。 4. **轮动信号生成规则**： * 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`为正时，倾向于投资微盘股[19][24]。 * 当`微盘股/茅指数相对净值`低于其243日均线，或`微盘股20日斜率`为负而`茅指数20日斜率`为正时，轮动模型发出切换至茅指数的信号[19][24]。 2. **模型名称：微盘股择时风控模型**[19][24] * **模型构建思路**：监控与微盘股系统性风险相关的宏观和市场指标，当指标触及预设阈值时发出平仓信号，以控制中期风险[19][24]。 * **模型具体构建过程**： 1. 计算十年期国债到期收益率的同比变化率（`十年国债利率同比`）[19]。 2. 计算微盘股波动率拥挤度的同比变化率（`波动率拥挤度同比`）[19]。 3. **风控信号生成规则**：设定两个阈值，十年国债利率同比阈值为30%，波动率拥挤度同比阈值为55%[19][24]。当任一指标触及或超过其对应阈值时，模型发出平仓信号[19][24]。 3. **模型名称：宏观择时模型**[40] * **模型构建思路**：综合经济增长和货币流动性两个维度的宏观信号，动态调整权益资产（股票）的配置仓位[40]。 * **模型具体构建过程**：模型根据经济增长和货币流动性层面的信号强度，综合计算出推荐的股票仓位。例如，截至报告期，模型对经济增长的信号强度为50%，对货币流动性的信号强度为60%，最终给出的12月份权益推荐仓位为55%[40][41]。 量化因子与构建方式 1. **因子名称：一致预期因子**[46][57] * **因子构建思路**：基于分析师对未来盈利的一致预期数据构建因子，捕捉市场对上市公司未来业绩的共识变化[57]。 * **因子具体构建过程**：包含多个细分因子，例如： * `EPS_FTTM_Chg3M`：未来12个月一致预期EPS过去3个月的变化率[57]。 * `ROE_FTTM_Chg3M`：未来12个月一致预期ROE过去3个月的变化率[57]。 * `TargetReturn_180D`：一致预期目标价相对于目前股价的收益率[57]。 2. **因子名称：市值因子**[46][57] * **因子构建思路**：使用公司规模（市值）作为因子，通常小市值公司可能具有更高的风险溢价[57]。 * **因子具体构建过程**： * `LN_MktCap`：流通市值的对数[57]。 3. **因子名称：成长因子**[46][57] * **因子构建思路**：衡量公司盈利或收入的增长能力，高成长性的公司可能获得市场溢价[57]。 * **因子具体构建过程**：包含多个细分因子，例如： * `NetIncome_SQ_Chg1Y`：单季度净利润同比增速[57]。 * `OperatingIncome_SQ_Chg1Y`：单季度营业利润同比增速[57]。 * `Revenues_SQ_Chg1Y`：单季度营业收入同比增速[57]。 4. **因子名称：反转因子**[46][58] * **因子构建思路**：基于股票过去一段时间的价格表现，认为过去表现差的股票未来可能反弹，而过去表现好的股票未来可能回调[58]。 * **因子具体构建过程**：包含多个不同时间窗口的收益率因子，例如： * `Price_Chg20D`：20日收益率[58]。 * `Price_Chg40D`：40日收益率[58]。 * `Price_Chg60D`：60日收益率[58]。 * `Price_Chg120D`：120日收益率[58]。 5. **因子名称：质量因子**[46][57] * **因子构建思路**：衡量公司的盈利质量、财务稳健性和运营效率，高质量的公司通常被认为风险更低[57]。 * **因子具体构建过程**：包含多个细分因子，例如： * `ROE_FTTM`：未来12个月一致预期净利润/股东权益均值[57]。 * `OCF2CurrentDebt`：过去12个月经营现金流净额/流动负债均值[57]。 * `GrossMargin_TTM`：过去12个月毛利率[57]。 * `Revenues2Asset_TTM`：过去12个月营业收入/总资产均值[57]。 6. **因子名称：技术因子**[46][58] * **因子构建思路**：基于价量数据构建，捕捉市场的交易行为、情绪和趋势[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volume_Mean_20D_240D`：20日成交量均值/240日成交量均值[58]。 * `Skewness_240D`：240日收益率偏度[58]。 * `Volume_CV_20D`：20日成交量标准差/20日成交量均值[58]。 * `Turnover_Mean_20D`：20日换手率均值[58]。 7. **因子名称：价值因子**[46][57] * **因子构建思路**：衡量公司的估值水平，寻找价格低于其内在价值的股票[57]。 * **因子具体构建过程**：包含多个细分因子，例如： * `BP_LR`：最新年报账面净资产/最新市值[57]。 * `EP_FTTM`：未来12个月一致预期净利润/最新市值[57]。 * `SP_TTM`：过去12个月营业收入/最新市值[57]。 * `EP_FY0`：当期年报一致预期净利润/最新市值[57]。 * `Sales2EV`：过去12个月营业收入/企业价值[57]。 8. **因子名称：波动率因子**[46][58] * **因子构建思路**：衡量股票价格或收益的波动性，低波动率的股票可能具有防御属性或风险更低[58]。 * **因子具体构建过程**：包含多个细分因子，例如： * `Volatility_60D`：60日收益率标准差[58]。 * `IV_CAPM`：CAPM模型残差波动率[58]。 * `IV_FF`：Fama-French三因子模型残差波动率[58]。 * `IV_Carhart`：Carhart四因子模型残差波动率[58]。 9. **因子名称：可转债择券因子（正股一致预期、正股成长、正股财务质量、正股价值、转债估值）**[54] * **因子构建思路**：针对可转债特性构建择券因子，一部分因子从预测正股表现的角度出发（如正股一致预期、价值等），另一部分直接衡量转债的估值水平（如平价底价溢价率）[54]。 * **因子具体构建过程**：报告提及了五类可转债择券因子，包括正股一致预期、正股成长、正股财务质量、正股价值以及转债估值因子（如平价底价溢价率），但未给出具体构建公式[54]。 模型的回测效果 1. **宏观择时模型**：2025年年初至报告期的收益率为13.57%，同期Wind全A收益率为25.65%[40]。 因子的回测效果 *（以下因子表现数据均基于“上周”和“今年以来”两个时间窗口，在“全部A股”、“沪深300”、“中证500”、“中证1000”四个股票池中的IC均值和多空收益）[47]* 1. **一致预期因子** * **上周IC均值**：全部A股(-0.13%)， 沪深300(-3.26%)， 中证500(-1.98%)， 中证1000(-3.26%)[47]。 * **今年以来IC均值**：全部A股(1.93%)， 沪深300(4.73%)， 中证500(3.26%)， 中证1000(2.33%)[47]。 * **上周多空收益**：全部A股(-0.41%)， 沪深300(-0.31%)， 中证500(0.25%)， 中证1000(-0.66%)[47]。 * **今年以来多空收益**：全部A股(14.72%)， 沪深300(8.94%)， 中证500(22.18%)， 中证1000(21.22%)[47]。 2. **市值因子** * **上周IC均值**：全部A股(17.14%)， 沪深300(-3.23%)， 中证500(10.89%)， 中证1000(18.18%)[47]。 * **今年以来IC均值**：全部A股(3.79%)， 沪深300(-1.32%)， 中证500(2.08%)， 中证1000(3.22%)[47]。 * **上周多空收益**：全部A股(1.80%)， 沪深300(0.50%)， 中证500(0.90%)， 中证1000(1.83%)[47]。 * **今年以来多空收益**：全部A股(14.58%)， 沪深300(-3.98%)， 中证500(5.09%)， 中证1000(4.13%)[47]。 3. **成长因子** * **上周IC均值**：全部A股(-0.46%)， 沪深300(-10.58%)， 中证500(-7.15%)， 中证1000(-4.41%)[47]。 * **今年以来IC均值**：全部A股(1.38%)， 沪深300(4.12%)， 中证500(1.41%)， 中证1000(1.22%)[47]。 * **上周多空收益**：全部A股(0.24%)， 沪深300(-0.64%)， 中证500(-0.41%)， 中证1000(-1.15%)[47]。 * **今年以来多空收益**：全部A股(18.75%)， 沪深300(47.80%)， 中证500(2.83%)， 中证1000(13.38%)[47]。 4. **反转因子** * **上周IC均值**：全部A股(14.00%)， 沪深300(5.70%)， 中证500(12.53%)， 中证1000(16.69%)[47]。 * **今年以来IC均值**：全部A股(6.83%)， 沪深300(0.56%)， 中证500(4.10%)， 中证1000(6.63%)[47]。 * **上周多空收益**：全部A股(1.90%)， 沪深300(1.14%)， 中证500(2.46%)， 中证1000(1.68%)[47]。 * **今年以来多空收益**：全部A股(14.55%)， 沪深300(-24.31%)， 中证500(-7.75%)， 中证1000(11.20%)[47]。 5. **质量因子** * **上周IC均值**：全部A股(4.51%)， 沪深300(9.33%)， 中证500(9.95%)， 中证1000(5.73%)[47]。 * **今年以来IC均值**：全部A股(0.52%)， 沪深300(2.08%)， 中证500(1.35%)， 中证1000(0.12%)[47]。 * **上周多空收益**：全部A股(0.91%)， 沪深300(0.96%)， 中证500(1.92%)， 中证1000(0.86%)[47]。 * **今年以来多空收益**：全部A股(4.34%)， 沪深300(31.40%)， 中证500(0.85%)， 中证1000(-2.28%)[47]。 6. **技术因子** * **上周IC均值**：全部A股(16.08%)， 沪深300(8.60%)， 中证500(13.68%)， 中证1000(16.35%)[47]。 * **今年以来IC均值**：全部A股(8.92%)， 沪深300(3.40%)， 中证500(4.80%)， 中证1000(7.18%)[47]。 * **上周多空收益**：全部A股(0.84%)， 沪深300(1.55%)， 中证500(0.23%)， 中证1000(1.39%)[47]。 * **今年以来多空收益**：全部A股(41.96%)， 沪深300(10.99%)， 中证500(4.99%)， 中证1000(18.07%)[47]。 7. **价值因子** * **上周IC均值**：全部A股(17.99%)， 沪深300(13.77%)， 中证500(22.28%)， 中证1000(27.80%)[47]。 * **今年以来IC均值**：全部A股(4.23%)， 沪深300(3.28%)， 中证500(3.02%)， 中证1000(3.06%)[47]。 * **上周多空收益**：全部A股(2.30%)， 沪深300(1.27%)， 中证500(2.58%)， 中证1000(3.23%)[47]。 * **今年以来多空收益**：全部A股(-1.00%)， 沪深300(-9.33%)， 中证500(-8.29%)， 中证1000(-16.98%)[47]。 8. **波动率因子** * **上周IC均值**：全部A股(18.62%)， 沪深300(4.10%)， 中证500(16.49%)， 中证1000(25.23%)[47]。 * **今年以来IC均值**：全部A股(8.90%)， 沪深300(1.19%)， 中证500(4.72%)， 中证1000(7.25%)[47]。 * **上周多空收益**：全部A股(2.58%)， 沪深300(0.52%)， 中证500(2.90%)， 中证1000(3.04%)[47]。 * **今年以来多空收益**：全部A股(30.67%)， 沪深300(-28.15%)， 中证500(-13.97%)， 中证1000(6.00%)[47]。

量化因子总结 量化因子与构建方式 1. **因子名称**：价格稳定大类因子[13] * **因子构建思路**：衡量股票价格相对于市场系统性风险的稳定程度，通常价格越稳定，未来表现可能越好[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **残差波动率**：Fama-French三因子模型回归残差的标准差[13]。 * **特异率**：1减去Fama-French三因子模型回归的拟合优度（R²）[13]。公式为：$$特异率 = 1 - R^2$$ * **残差峰度**：Fama-French三因子模型回归残差的峰度[13]。 * **高价振幅**：价格处于最高20%区间的平均振幅[13]。 2. **因子名称**：成交稳定大类因子[13] * **因子构建思路**：衡量股票成交的稳定性和有序程度，成交越稳定，可能预示未来表现越好[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **换手率变异系数**：换手率的标准差除以平均值[13]。 * **成交占比熵**：以成交量占比作为概率p，代入熵公式计算[13]。 * **量大单买入强度**：过去n个交易日，大买单成交额的标准差除以平均值[13]。 * **波峰**：使用日内1分钟成交量K线数据，以均值加1倍标准差为阈值筛选，计算局部峰值K线数量的20日移动平均[13]。 3. **因子名称**：流动性大类因子[13] * **因子构建思路**：衡量股票的流动性，流动性过高或过低可能对未来收益有不同影响[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **换手率**：成交量除以总股本[13]。 * **非流动性**：收益率绝对值除以总成交额[13]。 * **一致买入占比**：一致买入区间内的买入成交额除以总成交额[13]。 4. **因子名称**：拥挤度大类因子[13] * **因子构建思路**：衡量交易行为的拥挤程度，过度拥挤可能预示反转风险[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **量价相关性**：成交量和复权收盘价的秩相关系数[13]。 * **加权偏度**：以成交量加权的收盘价偏度[13]。 * **时量价比**：时间加权价格除以成交量加权价格[13]。 * **高量交易成本**：价格处于最高20%区间的成交量除以全区间总成交量[13]。 5. **因子名称**：成交笔数大类因子[13] * **因子构建思路**：从每笔成交的微观结构角度挖掘信息，例如大单行为或反转信号[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **每笔成交额**：总成交额除以成交笔数[13]。 * **高量每笔成交**：以5分钟成交量为划分，筛选成交量最高的20%数据计算每笔成交额，再除以全时间段每笔成交额[13]。 * **每笔流出额占比**：以成交量为划分，计算每笔流出额占全区间每笔流出额的比例[13]。 * **短期反转**：以5分钟成交量除以成交笔数为划分，筛选该比值最低的20%数据，计算其对数收益率之和[13]。 6. **因子名称**：反转大类因子[13] * **因子构建思路**：捕捉价格的短期反转效应[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **收益偏度**：收益率的偏度[13]。 * **半衰残差动量**：过去240个交易日，使用Fama-French三因子模型计算的日度残差收益率，从第240日到第20日进行累积[13]。 * **长期动量**：过去240个交易日（剔除最近20个交易日）的收益率[13]。 * **排序动量**：对日度收益率做截面排序，对过去240个交易日（剔除最近20日）的排序值求和[13]。 7. **因子名称**：成长大类因子[13] * **因子构建思路**：衡量公司的成长性，成长性高的公司可能获得溢价[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE增长**：过去8个季度的ROE对时间进行线性回归的斜率项[13]。 * **总资产周转率增长**：过去8个季度的总资产周转率对时间进行线性回归的斜率项[13]。 * **归母净利润同比**：(本期季度归母净利润 - 去年同期季度归母净利润) / |去年同期季度归母净利润|[13]。 * **营业收入同比**：(本期季度营业收入 - 去年同期季度营业收入) / |去年同期季度营业收入|[13]。 * **ROE同比**：本期季度ROE减去去年同期季度ROE[13]。 * **总资产周转率同比**：本期季度总资产周转率减去去年同期季度总资产周转率[13]。 8. **因子名称**：SUE（标准化意外盈余）大类因子[13] * **因子构建思路**：衡量公司盈利超出市场预期的程度[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE 2年SUE**：单季度扣非净利润归一化后对时间进行回归的斜率[13]。 * **总资产周转率2年SUE**：单季度扣非净利润对时间回归的斜率除以平均净资产[13]。 * **净利率2年SUE**：(归母净利润 - 过去8个季度均值) / 过去8个季度标准差[13]。 * **现金总资产比率2年SUE**：(GPOA - 过去8个季度均值) / 过去8个季度标准差[13]。 * **现金营业收入比率2年SUE**：(销售毛利率 - 过去8个季度均值) / 过去8个季度标准差[13]。 9. **因子名称**：质量大类因子[13] * **因子构建思路**：衡量公司的盈利质量和财务稳健性[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **ROE**：净利润除以净资产[13]。 * **总资产周转率**：营业收入除以总资产[13]。 * **净利率**：净利润除以营业收入[13]。 * **现金总资产比率**：经营活动现金流净额除以总资产[13]。 * **现金营业收入比率**：经营活动现金流净额除以营业收入[13]。 10. **因子名称**：价值大类因子[13] * **因子构建思路**：衡量股票的估值水平，估值越低可能未来收益越高[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **BP**：净资产除以总市值[13]。 * **SALES2EV**：营业收入除以企业价值[13]。 * **DP**：近12个月分红除以总市值[13]。 * **EP**：归母净利润TTM除以总市值[13]。 11. **因子名称**：分析师大类因子[13] * **因子构建思路**：基于分析师预期数据，捕捉市场一致预期的变化[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。子类因子包括： * **预期增长**：分析师一致预期EPS近两个月的平均值除以较远两个月的平均值[13]。 12. **因子名称**：动量大类因子[13] * **因子构建思路**：捕捉价格的趋势延续效应[13]。 * **因子具体构建过程**：由多个子类因子等权合成。首先对每个子类因子进行市值行业中性化、去异常值、标准化处理，然后等权相加得到大类因子[13]。 因子的回测效果 *测试时间段：2025年1月2日至2025年12月12日[16]* 大类因子表现 1. **成交笔数因子**，IC 9.15%， ICIR 1.08， 超额收益 5.48%， 超额最大回撤 3.59%， 信息比 0.90， 多空收益 20.03%， 多空最大回撤 9.46%， 多空夏普比 1.32[16] 2. **流动性因子**，IC 9.72%， ICIR 1.08， 超额收益 23.67%， 超额最大回撤 3.80%， 信息比 3.43， 多空收益 43.64%， 多空最大回撤 5.42%， 多空夏普比 2.84[16] 3. **成交稳定因子**，IC 8.55%， ICIR 1.18， 超额收益 1.33%， 超额最大回撤 6.59%， 信息比 0.18， 多空收益 21.20%， 多空最大回撤 3.85%， 多空夏普比 1.78[16] 4. **拥挤度因子**，IC 7.53%， ICIR 1.19， 超额收益 10.36%， 超额最大回撤 2.07%， 信息比 2.23， 多空收益 21.02%， 多空最大回撤 3.31%， 多空夏普比 2.26[16] 5. **价格稳定因子**，IC 9.41%， ICIR 1.23， 超额收益 6.86%， 超额最大回撤 5.47%， 信息比 1.25， 多空收益 15.26%， 多空最大回撤 7.43%， 多空夏普比 1.07[16] 6. **反转因子**，IC 7.13%， ICIR 1.39， 超额收益 7.00%， 超额最大回撤 3.03%， 信息比 1.67， 多空收益 17.58%， 多空最大回撤 5.60%， 多空夏普比 1.20[16] 7. **SUE因子**，IC 2.47%， ICIR 0.54， 超额收益 4.83%， 超额最大回撤 3.92%， 信息比 1.07， 多空收益 11.64%， 多空最大回撤 4.32%， 多空夏普比 1.84[16] 8. **成长因子**，IC 2.85%， ICIR 0.36， 超额收益 6.90%， 超额最大回撤 5.45%， 信息比 1.19， 多空收益 16.12%， 多空最大回撤 7.52%， 多空夏普比 1.76[16] 9. **分析师因子**，IC 0.65%， ICIR 0.14， 超额收益 7.23%， 超额最大回撤 5.95%， 信息比 0.86， 多空收益 6.38%， 多空最大回撤 6.42%， 多空夏普比 0.78[16] 10. **质量因子**，IC 2.47%， ICIR 0.23， 超额收益 -1.15%， 超额最大回撤 4.77%， 信息比 -0.35， 多空收益 2.38%， 多空最大回撤 8.99%， 多空夏普比 0.12[16] 11. **价值因子**，IC 4.38%， ICIR 0.42， 超额收益 -9.47%， 超额最大回撤 12.46%， 信息比 -1.07， 多空收益 -6.17%， 多空最大回撤 12.64%， 多空夏普比 -0.70[16] 12. **动量因子**，IC 0.02%， ICIR 0.00， 超额收益 -2.61%， 超额最大回撤 9.08%， 信息比 -0.17， 多空收益 -1.55%， 多空最大回撤 11.65%， 多空夏普比 0.00[16] 有效子类因子表现 1. **短期反转因子**，IC 6.27%， ICIR 1.21， 超额收益 4.86%， 超额最大回撤 4.04%， 信息比 1.04， 多空收益 21.09%， 多空最大回撤 4.61%， 多空夏普比 1.77[17] 2. **短期动量因子**，IC 3.18%， ICIR 1.10， 超额收益 6.68%， 超额最大回撤 5.81%， 信息比 1.22， 多空收益 16.08%， 多空最大回撤 3.02%， 多空夏普比 1.80[17] 3. **残差波动率因子**，IC 9.42%， ICIR 1.22， 超额收益 1.53%， 超额最大回撤 6.78%， 信息比 0.33， 多空收益 11.18%， 多空最大回撤 8.61%， 多空夏普比 0.68[17] 4. **特异率因子**，IC 7.18%， ICIR 1.26， 超额收益 6.94%， 超额最大回撤 3.91%， 信息比 1.17， 多空收益 15.81%， 多空最大回撤 5.09%， 多空夏普比 1.76[17] 5. **量价相关性因子**，IC 6.50%， ICIR 1.51， 超额收益 9.55%， 超额最大回撤 2.59%， 信息比 1.64， 多空收益 13.23%， 多空最大回撤 4.73%， 多空夏普比 1.53[17] 6. **时量价比因子**，IC 8.26%， ICIR 1.30， 超额收益 14.69%， 超额最大回撤 2.66%， 信息比 2.74， 多空收益 16.58%， 多空最大回撤 4.28%， 多空夏普比 1.67[17] 7. **换手率因子**，IC 10.75%， ICIR 1.29， 超额收益 17.46%， 超额最大回撤 5.21%， 信息比 2.75， 多空收益 35.69%， 多空最大回撤 7.72%， 多空夏普比 2.13[17] 8. **非流动性因子**，IC 7.38%， ICIR 0.93， 超额收益 28.21%， 超额最大回撤 4.10%， 信息比 3.68， 多空收益 37.47%， 多空最大回撤 3.52%， 多空夏普比 3.31[17] 9. **每笔流出额占比因子**，IC 6.71%， ICIR 1.43， 超额收益 -2.51%， 超额最大回撤 7.21%， 信息比 -0.43， 多空收益 5.43%， 多空最大回撤 6.51%， 多空夏普比 0.39[17] 10. **高量每笔成交因子**，IC 9.76%， ICIR 1.22， 超额收益 13.99%， 超额最大回撤 2.40%， 信息比 2.62， 多空收益 51.79%， 多空最大回撤 5.23%， 多空夏普比 3.45[17]

报告行业投资评级 - 中信五风格-成长★☆☆，一颗星代表偏多，判断趋势有上涨驱动，但盘面可操作性不强 [4] 报告的核心观点 - 截至2025/12/12当周，通联全A（沪深京）、中证综合债与南华商品指数周度涨跌幅分别为0.26%、0.11%、 -1.21%；近一周纯债策略收益小幅回升，普通股票策略收益表现相对偏强，贵金属ETF收益继续走高，能源化工与豆粕ETF有所回撤；成长风格收涨，其余风格收跌，成长与金融风格相对强弱边际提升，稳定风格相对强弱动量显著走低；金融风格基金平均超额表现相对偏弱，市场对周期风格偏移度有所下降，周期风格基金拥挤度上升至近一年以来偏高分位区间，金融与消费风格拥挤度位于近一年偏低分位区间；IH与IF基差震荡走弱，IC与IM基差呈小幅回升态势，除1000ETF外其余品种ETF平均溢价率均降至近三月偏低分位区间；流动性因子有所企稳，成长与流动性因子胜率环比回升，盈利因子小幅转弱，因子截面轮动速度边际回落；稳定风格环比回落，当前信号偏向成长风格，上周风格择时策略收益率为 -1.06%，对比基准均衡配置超额收益率为 -0.68% [4] 根据相关目录分别进行总结 基金市场回顾 - 近一周纯债策略收益小幅回升，权益策略中普通股票策略收益表现相对偏强，贵金属ETF收益继续走高，白银期货ETF上涨9.27%，能源化工与豆粕ETF有所回撤 [4] 权益市场风格 - 上周成长风格收涨，其余风格收跌，风格轮动图显示成长与金融风格相对强弱边际提升，稳定风格相对强弱动量显著走低 [4] 近期市场收益 - 展示通联全A（沪深京）、中证综合债（净）、南华商品的周度、月度、季度、半年度收益率，近一年公募基金产品成立规模单月数据及月度环比，公募基金主要策略指数近三月最大回撤和周度收益率 [6] 中信风格指数 - 展示中信风格指数净值走势、相对轮动图及各风格近一周、上一周、近一月、近三月、近六月、近一年的相对强弱和相对强弱动量数据 [7][8][9] 基金风格指数 - 展示基金风格指数超额收益表现和基金风格拥挤度数据 [10] Barra因子 - 近一周流动性因子有所企稳，周度超额收益率为0.64%，ALPHA与残差动量因子超额表现偏弱，成长与流动性因子胜率环比回升，盈利因子小幅转弱，本周因子截面轮动速度边际回落，当前位于近一年以来中等分位区间 [4] 风格择时模型 - 根据风格择时模型最新评分结果，本周稳定风格环比回落，当前信号偏向成长风格，上周风格择时策略收益率为 -1.06%，对比基准均衡配置超额收益率为 -0.68% [4]

文章核心观点 - 2025年市场风格以成长因子为主导，行业轮动快速，但至11月出现向价值风格的切换信号，预示2026年投资风格将由基本面主导，呈现先价值后成长的路径 [3][5][62] - 宏观量化框架显示经济前瞻指标在2025年末进入上行阶段，盈利预期回升，市场关注点从流动性转向经济与通胀基本面 [5][62][67] - 2026年权益市场展望为等待趋势行情确认，当前处于震荡格局，趋势概率自10月下旬起提升，价值因子和长期动量因子在趋势行情中占优 [5][68][74] 今年以来选股因子表现 - 成长因子表现突出，在沪深300、中证500和中证1000内的多空累计收益分别为37.93%、18.57%和23.05%，6月至9月表现最为强劲 [8][11][12] - 长期动量因子表现偏弱，在沪深300内回撤15.44%，反映市场行业与板块轮动较快 [3][8][10] - 低波动率因子在沪深300内回撤15.44%，映射市场高波动特征，红利因子在2025年出现回撤，体现风格切换 [8][17][22][25] 宏观量化框架复盘 - 框架基于经济、流动性、信用三个维度构建微观映射，近三年宏观经济周期切换更频繁，2025年上半年经济转入下行，年末出现回升信号 [3][32][38] - 流动性维度中货币价格与量指标互相牵制，市场交易利率上行，2025年下半年多数时间流动性修正为偏弱 [40][42][46][47] - 信用指标在2025年上半年交易扩张，与社融吻合，下半年转向收缩，11月正式触发修正 [3][48][53] 宏观量化风格判断 - 风格路径为价值→成长→均衡→价值，2025年2月至10月成长得分高于价值，11月重新切换至价值，经济上行阶段价值得分较高 [3][50][52][54] - 低波动率和长期动量等因子在5月至9月得分较低，盈利因子配置时间较长，因子共振组合在10个月中7个月跑赢沪深300指数 [52][54][55] 2026年权益量化展望 - 宏观维度显示经济基本面成为关键驱动因素，经济前瞻指标进入上行阶段，盈利预期回升，支持先价值后成长的配置顺序 [5][62][67][73] - 市场趋势自2025年8月转入震荡，10月下旬趋势概率提升，价值因子和长期动量因子受益于趋势行情，成长因子在震荡行情中胜率更高 [5][68][74][75] - 行业轮动速度在2025年持续放缓但历史相对仍高，建议关注拥挤度偏低且形成趋势的行业，如电子、计算机等 [5][82][85][89][90]

量化模型与构建方式 1. 未来成长组合 **模型构建思路**：假设已知上市公司下一期的净利润增速，构建投资组合，以验证未来成长确定性对组合表现的提升作用[33] **模型具体构建过程**：每年4月30日、8月31日和10月31日调仓。在4月30日，组合等权买入当年二季度扣非归母净利润实现增长的股票，基准组合为一季度扣非归母净利润实现增长的股票等权组合；在8月31日，组合等权买入当年三季度扣非归母净利润实现增长的股票，基准组合为二季度扣非归母净利润实现增长的股票等权组合；在10月31日，组合等权买入当年四季度扣非归母净利润实现增长的股票，基准组合为三季度扣非归母净利润实现增长的股票等权组合[33] 2. 成长预期组合 **模型构建思路**：通过基本面指标筛选，提高历史成长组合在未来实现业绩增长的平均胜率，从历史成长指标走向未来成长指标[47][59] **模型具体构建过程**： 1. 选取最新单季度净利润同比增长率大于0的公司，构成净利润增长基础股票池[60] 2. 在基础股票池中剔除单季度ROE排名后20%的公司，同时选取单季度ROE斜率排名前50%的公司[60] 3. 根据SUE指标筛选出排名前30%的公司，构建最终组合[60] 3. 技术面精选成长预期组合 **模型构建思路**：在成长预期组合的基础上，运用量价指标进一步提升组合表现，完成从未来成长指标到未来股价表现的转化[75][90] **模型具体构建过程**： 1. 在成长预期组合的基础上，通过盈余公告次日开盘超额指标确认利好，选出超额最高的前100只股票[92] 2. 在剩余股票中根据换手率均线标准差指标筛选出换手率均线标准差最小的前30只股票构成最终组合[92] 模型的回测效果 1. 未来成长组合 总收益948.13%，年化收益16.96%，年化波动率25.55%，最大回撤30.12%，夏普比率0.66，卡玛比率0.56[35] 相对基准组合超额年化收益4.11%，超额波动率1.39%，信息比率2.96，超额最大回撤5.13%[35] 2. 成长预期组合 总收益1910.58%，年化收益25.97%，年化波动率27.40%，最大回撤43.67%，夏普比率0.95，卡玛比率0.59[65] 相对中证500指数超额年化收益18.91%，超额波动率8.72%，信息比率2.17，超额最大回撤20.07%[65] 平均持仓175只，平均单边换手率32%[69] 3. 技术面精选成长预期组合 总收益8521.65%，年化收益40.89%，年化波动率28.17%，最大回撤38.38%，夏普比率1.45，卡玛比率1.07[96] 相对中证500指数超额年化收益32.99%，超额波动率11.03%，信息比率2.99，超额最大回撤26.90%[96] 平均单边换手率67%，各期平均市值113亿元[101] 量化因子与构建方式 1. 标准化预期外盈利因子（SUE） **因子构建思路**：衡量企业盈利增速是否突破历史长期趋势[50] **因子具体构建过程**：$$SUE = \frac{当前季度归母净利润 - (去年同期单季度归母净利润 + 过去8个季度单季度归母净利润同比增长均值)}{过去8个季度的单季度归母净利润同比增长值的标准差}$$[24] 2. 单季度ROE同比因子 **因子构建思路**：ROE单季度同比变化，衡量企业盈利效率的变化[24] 3. 单季度ROE斜率因子 **因子构建思路**：衡量企业盈利效率是否有提升[50] **因子具体构建过程**：过去四个季度单季度ROE与时间回归的斜率/四个季度单季度ROE均值[50] 4. 单季度净利润同比增速斜率因子 **因子构建思路**：衡量过去一年企业盈利增速是否加速[50] **因子具体构建过程**：过去四个季度单季度净利润同比增速与时间回归的斜率/四个单季度净利润同比增速均值[50] 5. 单季度营业收入同比增速因子 **因子构建思路**：衡量企业盈利增长是否有营收支撑[50] 6. 单季度经营性现金流净额因子 **因子构建思路**：衡量企业盈利增长是否带来现金流的增长[50] **因子具体构建过程**：单季度经营性现金流净额/净资产[50] 7. 盈余公告次日开盘超额因子（AOG） **因子构建思路**：市场对于公司公告业绩的认可程度[78] **因子具体构建过程**：$$AOG_{t} = Open_{t}/Close_{t-1} - Open_{mkt,t}/Close_{mkt,t-1}$$[78] 其中$Open_{t}$、$Close_{t-1}$分别为股票在t、t-1时刻的开盘价和收盘价，$Open_{mkt,t}$、$Close_{mkt,t-1}$分别为市场指数在t、t-1时刻的开盘价和收盘价[78] 8. 换手率均线标准差因子 **因子构建思路**：通过个股换手率均线的收敛程度来刻画公司的短期市场显著性[81] **因子具体构建过程**：$$turn\_std_{t} = std(ma_{1},\ ma_{5},\ ma_{10},\ ma_{20},\ ma_{60},\ ma_{100})$$[81] 其中$ma_{1}$为个股单日换手率，$ma_{5}$为个股过去5个交易日平均换手率，以此类推[81] 9. Amihud非流动性因子（ILLIQ） **因子构建思路**：衡量股票收益对每单位交易额的敏感程度，反映流动性风险[86] **因子具体构建过程**：$$ILLIQ_{i,t} = \mathrm{Avg}\left[{\frac{\left|r_{i,d}\right|}{Vol_{i,d}}}\right]$$[86] 其中$\left|r_{i,d}\right|$为股票i在d天的绝对收益，$Vol_{i,d}$为股票i在d天的交易额（百万）[86] 因子的回测效果 1. 标准化预期外盈利因子（SUE） IC均值3.06%，IC胜率76.34%，ICIR 2.32，t值9.15，多头年化超额8.22%，多空年化收益14.77%[31] 2. 单季度ROE同比因子 IC均值3.06%，IC胜率73.66%，ICIR 1.93，t值7.58，多头年化超额2.06%，多空年化收益5.44%[31] 3. 盈余公告次日开盘超额因子 在成长预期组合中分组测试，第三组（超额最高）表现最优，年化收益31.61%，夏普比率1.10，卡玛比率0.77[80] 4. 换手率均线标准差因子 在成长预期组合中分组测试，第一组（标准差最小）表现最优，年化收益33.63%，夏普比率1.21，卡玛比率0.94[84] 5. Amihud非流动性因子 在成长预期组合中分组测试，第三组（非流动性最大）表现最优，年化收益35.52%，夏普比率1.20，卡玛比率0.92[89]

核心观点 - 报告核心观点为基本面将主导2026年风格因子切换，市场正等待趋势行情确认，配置建议遵循先价值后成长的路径[4] - 宏观量化模型判断2026年风格将经历价值→成长→均衡→价值的切换，当前经济前瞻指标进入上行阶段，盈利预期回升，支持先价值后成长的配置顺序[4] - 市场趋势自2025年8月转入震荡，10月下旬起趋势概率提升，趋势确认后价值因子和长期动量因子将受益，成长因子则在震荡行情中胜率更高[4] 因子表现总结 - 2025年以来成长因子表现突出，在沪深300、中证500和中证1000样本空间内的多空收益分别为37.93%、18.57%和23.05%，而长期动量、低波动率和红利因子出现回撤[9][10][12] - 低波动率因子在沪深300内表现偏弱，多空收益为-15.44%，映射了市场高波动特征，与2017年、2020年市场转好时的低波因子表现不佳情况相似[12][22][25] - 长期动量因子表现偏弱，体现市场行业和板块轮动较快，未形成明确主线，与成长因子在下半年呈现反向特征[12][17][20] 宏观量化框架观点 - 宏观量化框架构建经济、流动性、信用三个维度与风格、行业的对应关系，通过市场对宏观数据的反映构成微观映射，近三年宏观经济周期切换更频繁[36][37][38] - 经济维度显示2024年下半年上行后，2025年上半年转入下行，年末重新出现回升信号，中证800一致预测ROE变化与GDP同比变化历史周期吻合[43] - 流动性维度呈现量与价互相牵制特点，货币政策整体平稳但市场交易利率上行，2025年下半年多数时间流动性被修正为偏弱[54][55][60] - 信用维度在2025年上半年交易信用扩张、与社融吻合，下半年逐步转向交易收缩，11月正式触发修正[65] 2026年权益量化展望 - 宏观维度显示市场关注点从流动性转向经济与通胀，经济基本面成为关键驱动因素，经济前瞻指标进入上行阶段，盈利预期回升[82][85][86] - 市场趋势判断自2025年8月转入震荡，10月下旬起趋势概率提升，价值因子在趋势行情中表现更好（趋势IC胜率达71.05%），成长因子在震荡行情中胜率更高（震荡IC胜率达64%）[92][97][98][101] - 情绪变化自2025年7月以来有支撑，整体偏暖趋势温和，价量一致性企稳，相比2024年"924"行情更稳定[102][104][105] - 行业轮动速度在2025年持续放缓但历史上仍不高，可重点关注拥挤度偏低且形成趋势的行业，如电子、计算机拥挤度缓和，中游企业呈现低拥挤、趋势起步状态[106][108][112][116]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 在单边上涨行情中动量因子可放大收益，动量因子与成长因子叠加能捕捉趋势并增添基本面安全垫，适合中等风险偏好投资者，“成长 + 动量”双因子投资逻辑在创业板动量成长指数及其挂钩产品华夏创成长 ETF 上得到实践 [1][11] 根据相关目录分别进行总结 产品基金—华夏创成长 ETF（159967） - 该 ETF 紧密跟踪创业板动量成长指数，为投资者提供布局创业板动量成长领域的被动指数投资工具，由华夏基金管理，中国农业银行托管，2019 年 6 月成立并于 7 月上市，申赎有一定规则，关联多只基金 [11] - 牛市阶段进攻性突出，2019 年 6 月成立以来净值增长 113.97%，近半年涨幅 46.51%，但中期波动需关注，适合追求成长风格的配置型资金 [14] - 基金经理荣膺在管 21 只基金，规模 1,382.92 亿元，华夏基金 ETF + 货基双轮驱动，在管公募共 519 只，总规模 20,415.71 亿元 [15][19] 跟踪指数—创业板动量成长指数（399296.SZ） - 聚焦高成长性与强势动量效应，从创业板选 50 只样本股，采用派氏加权法，每季度调整样本及权重，为投资者提供投资标的 [20][21] - 长短期超额收益显著，自 2019 年发布以来累计收益率达 157.46%，2025 年 5 月 1 日以来达 40.24%，分年度表现彰显高成长弹性 [31][35] - 权重股集中度较高，前十大成分股权重占比 76.63%，多为科技成长板块龙头，成分股表现有阶段性特征，权重股主导指数走势 [37][47] - 行业分布高度集中，通信、电力设备等前四大行业合计权重 79.72%，细分行业通信设备与电池行业权重领先，科技成长板块主导指数波动 [52][58] - 截至 2025 年 10 月 22 日，市盈率 TTM 为 40.83 倍，处于历史中枢水平，有成长溢价特征 [61] - 成分股成长属性突出，2019 - 2024 年营收和归母净利润高速增长，预计 2025 - 2026 年继续保持增速，盈利效率较高，ROE 有韧性波动 [64][68] - 高成长弹性和超额收益源于样本筛选聚焦成长与动量、因子倾斜加权强化优质因子暴露、资产特性高成长高弹性、动态调整及时捕捉市场变化 [71] 样本空间—创业板综合指数 - 成分股呈现“小市值主导数量、大市值主导权重”分布特征，行业权重呈现“电力设备主导、科技板块崛起、医药权重收缩”动态格局 [76][78] - 成长性优势显著，2020 - 2024 年营收增速持续领先核心宽基，盈利质量有相对优势，行业结构聚焦科技成长，凸显新质生产力布局优势 [79][88]

报告行业投资评级 - 中信五风格-稳定★☆☆，一颗星代表偏多，判断趋势有上涨驱动，但盘面可操作性不强 [4] 报告的核心观点 - 截至2025/11/07当周，通联全A（沪深京）、中证综合债与南华商品指数周度涨跌幅分别为0.63%、-0.01%、-0.47%；公募基金市场转债类产品收益表现好，普通股策略指数小幅收跌，中性策略产品涨多跌少，有色金属ETF小幅转弱，豆粕ETF收益占优 [4] - 上周五中信五风格收益分化，仅消费风格收跌，稳定与周期风格表现偏强；成长风格相对强弱环比下降，金融风格相对强弱动量边际回升；各风格基金产品平均收益跑输基准指数，市场对金融风格偏移度下降；本周拥挤度指标回落，成长风格拥挤度降至近一年中等分位区间 [4] - 截至上周中性策略合约基差震荡小幅走弱，IH基差接近三月均值下方1倍标准差水平；IC、IM对应指数ETF平均溢价率回升至近三月中等分位区间附近 [4] - 近一周盈利因子收益表现优，周度超额收益率为0.97%，成长因子超额显著压缩，残差动量因子环比走低但走强；本周因子截面轮动速度小幅回升，位于近一年中等分位区间 [4] - 根据风格择时模型评分，本周金融风格边际回落，消费风格小幅走强，信号偏向稳定风格；上周风格择时策略收益率为1.85%，对比基准均衡配置超额收益率为0.97% [4] 根据相关目录分别总结 近期市场收益 - 展示通联全A（沪深京）、中证综合债（净）、南华商品的周度、月度、季度、半年度收益率 [6] 近一年公募基金产品成立规模 - 展示单月成立规模及月度环比数据 [7] 公募基金主要策略指数周度收益率 - 展示普通股票、被动指数、增强指数等策略指数周度收益率 [9] 公募基金主要策略指数近三月最大回撤 - 展示各策略指数近三月最大回撤数据 [9] 中信风格指数相对轮动图 - 展示金融、周期、消费、成长、稳定风格近一周、上一周、近一月等不同周期的相对强弱和相对强弱动量数据 [11] 基金风格指数超额收益表现 - 相关数据来源通联数据和国投期货 [12] 基金风格拥挤度 - 展示周期、成长、消费、金融风格拥挤度数据 [13] 中信风格指数净值走势 - 展示金融、周期、消费、成长、稳定风格净值走势 [14] 本周Barra单因子风格偏好 - 展示估值、成长、盈利等因子近一周、上一周、近一月的风格偏好数据 [16] Barra单因子风格策略超额收益表现 - 展示各因子风格策略超额收益表现数据 [17] 今年以来Barra单因子风格超额净值走势 - 报告未详细展示相关内容，但提及该部分 [19]

因子配置观点 - 宏观量化与因子动量结合进行因子选择，对经济敏感、对信用不敏感的因子得分靠前[1] - 当前经济出现回升迹象、流动性略偏松、信用指标略好，修正后宏观方向为经济好转、流动性偏弱和信用收缩[3] - 价值因子得分明显提高并在沪深300中成为共振因子，成长因子宏观得分下降但结合动量后仍被选中[4] - 10月沪深300中成长因子IC为正，价值、红利因子反弹明显；中证500中价值因子反弹，成长因子出现回撤[4] 经济前瞻指标 - 2025年11月经济前瞻指标处于2025年9月以来上升周期的中部，预计未来3个月小幅上行，2026年3月达到顶部拐点[6] - 2025年10月PMI为49，PMI新订单为48.8，均较上月下降，但周期项与模型预期一致[6] - 固定资产投资完成额累计同比、挖掘机产量当月同比、工业企业利润总额累计同比等多个领先指标均位于上升周期[6] - 社会消费品零售总额当月同比预计位于9月以来平台期末期，即将在12月开启下降周期[10] - M2同比指标位于7月以来下降周期的中期，预计未来将持续下降[9] 流动性环境 - 流动性综合信号近三个月（2025年8月、9月、10月）均为1，整体维持略偏松状态[12][13][16] - 2025年10月利率信号偏紧（综合信号为1），但货币净投放为0.41标准差倍数（偏松），超储率1.51%高于历史同期（偏松）[13][16] - 10月长端利率快速上升后小幅回落但仍高于均线，短端利率略高于均线[13] 信用状况 - 社融存量同比连续2个月下降，信用总量指标继续回落，信用结构小幅回升，指标总体呈现小幅扩张[17] - 信用价格维度信号宽松（信用利差、贷款利率、信托收益率信号均为1），信用总量维度信号中性（综合信号为0），信用结构维度信号略偏弱（综合信号为-0.33）[17] 大类资产配置 - 结合经济上行、流动性偏紧、信用收缩的环境，对债券观点偏弱，黄金由于动量转弱配置比例降至10%，A股配置提升[18] - 激进型配置权重为A股70%、黄金10%、国债10%、企业债10%，商品和美股配置权重为0%[18] 市场关注点 - 通过Factor Mimicking模型跟踪市场关注点，2023年以来信用和通胀（通缩）关注度较高[19] - 近阶段尤其是2024年9月24日行情以来流动性持续为最受关注变量，表明市场受流动性驱动较多[19] - PPI相关关注度近期持续回升，10月末小幅超越经济关注度[19] 行业配置建议 - 行业配置倾向于选择对经济敏感、对信用不敏感的行业，本期行业选择整体偏价值[21] - 对经济最敏感的行业包括公用事业、煤炭、建筑装饰、钢铁、综合、银行[21] - 对信用最敏感的行业包括商贸零售、钢铁、银行、房地产、社会服务、建筑装饰[21] - 综合得分最高的行业包括钢铁、煤炭、建筑装饰、银行、商贸零售、房地产[21]

文章核心观点 - 通过AI平台Alice进行实战演练，仅通过对话无需编程即可完成从策略生成到验证优化的全过程，展示了AI在投资策略开发中的高效应用 [2][23] - 传统红利低波策略在2024年8月后因市场风格转向成长而失效，但通过AI平台快速诊断原因并融入成长因子，实现了策略的进化与优化 [7][10][11][21] - AI平台Alice能够将“想法→策略→回测→执行”转化为可对话的闭环，极大提升了策略研究和迭代的效率 [23][26] 策略初始表现与问题诊断 - 初始红利低波增强策略（基于股息率和低波动率从中证800选前100只股票，季度调仓）在2021年至2024年中超额收益稳步向上，但2024年8月开始掉头下行 [5][7] - 该策略近一年年化波动率为13.27%，近三年为15.28%，回测区间为16.47%；近一年年化夏普比率为0.85，近三年为1.08，回测区间为0.45；最大回撤近一年为8.90%，近三年为16.69%，回测区间为20.60% [7] - 归因分析显示，在价值风格区间（总计2.15年）策略表现优秀，例如在2021-08-05至2023-04-24区间获得32.77%的超额收益；但在成长风格区间（总计1.83年）明显落后，例如在2024-02-05至2024-03-19区间超额收益为-6.75%，在2024-08-27至2025-10-09区间超额收益为-30.95% [10] 策略优化与进化过程 - 第一轮优化是在原策略中加入主营业务收益增长率TTM和净利润增长率TTM两个成长因子，结果显示近一年收益明显改善，与成长风格市场环境匹配度更强 [11][13] - 第二轮优化是借鉴红利低波指数的编制方法，先筛股息率TTM最高的前100只股票，再取其中波动率最低的50只，接着按主营业务增长率和净利润增长率综合打分，最后选前15只股票进行季度调仓和股息率加权 [16][17][18][19][21][25] - 优化后的“红利低波+成长再增强”策略在2025年开始表现显著改善，总收益提升，超额曲线重新抬头 [21] AI平台功能与价值 - Alice AI指数策略平台支持通过自然语言对话一键生成策略方案并自动回测验证，例如用户输入指令后三分钟即自动生成净值曲线 [2][5][23] - 平台支持情景分析和归因诊断功能，能快速定位策略在不同市场风格下的表现差异 [8][10] - 平台实现了从策略生成、回测验证、归因诊断到方案优化的完整研究链路闭环，无需编写代码或复杂建模，极大降低了策略开发门槛并提升了效率 [23][26]