文章核心观点 - 通过构建基于ETF的风格轮动与行业轮动量化策略，可以在成长、价值、大盘、小盘等不同市场风格以及不同行业间进行切换，从而获取显著的超额收益 [1][2][3][4] 风格轮动策略总结 - **季度风格轮动策略**：从宏观环境与微观量价两大维度构建模型，进行季度调仓 [1] - 价值成长轮动模型（配置红利及创业板ETF）在2014年1月至2026年2月期间，相对中证800的年化超额收益达20.40%，月胜率达63.70% [1] - 大小盘轮动模型（配置沪深300及中证1000ETF）在2017年1月至2026年2月期间，相对中证800的年化超额收益达8.97%，月胜率达61.82% [1] - **月度风格轮动策略**：采用多维度因子构建月度打分模型 [2] - 价值成长轮动月度策略从宏观、估值、基本面3维度选因子，在2014年至2026年2月期间年化收益22.67%，相对中证800年化超额收益16.32%，月度胜率63.19% [2] - 大小盘轮动月度策略从宏观、估值、基本面、资金、情绪、量价6维度选因子，实现了26.84%的年化收益，相对中证800年化超额收益20.64%，月度胜率达71.23% [2] - **月度红利成长轮动策略**：通过分析红利股与债券性价比、美债利率、信用与经济环境、行业景气度等因素构建 [2] - 以300全收益指数为基准，该策略可获得13.29%的年化超额收益，月度胜率为61.19% [2] - 在众多单因子中，表现最好的是美债利率因子 [2] 行业轮动策略总结 - **行业轮动四象限策略**：主要采用景气度（预期基本面）、情绪面、技术面和宏观四个维度信息构建因子 [3] - 自2018年开始样本外跟踪至2025年12月，单因子多策略年化超额收益13.85%，复合因子策略年化超额收益7.28% [3] - 2025年，单因子多策略组合绝对收益36%，相对于等权基准超额收益12.29%；复合因子策略组合绝对收益38.1%，超额收益14.38%；两个组合的超额收益月度胜率均为58.3% [3] - **2025年因子表现分析**：因子有效性呈现较大分化，结构表现接近于2021年 [3] - 宏观因子表现极为突出，年化超额23.8%，月度胜率67% [3] - 景气度因子和情绪因子超额收益贡献相对平淡，分别为4.1%、7.1% [3] - 技术面因子表现较差，超额为-1.1%，这与历史上行环境中技术面因子表现较差的规律一致 [3] - **因子与市场环境联动性**：因子表现与市场环境存在较强关系 [4] - 在上涨市中，宏观、景气度和情绪面是驱动行业上行的主要动力 [4] - 技术面因子主要在下行市场环境中起到防御作用 [4] - 未来研究将尝试将市场环境的预判与划分引入策略因子的使用，以期望获得更稳定的超额收益 [4] 策略组合整体表现 - 构建以ETF为持仓品种的策略组合，自2014年以来（未发行ETF时段采用产品跟踪指数价格回溯），相对中证800指数获得11.4%的年化超额收益，信息比为1.01 [4]

报告行业投资评级 * 报告未明确给出对具体行业的投资评级，其核心是介绍并验证一种基于四象限模型的行业轮动量化策略，并展示其历史表现 [1][4][7] 报告核心观点 * 报告提出并验证了一个月度行业轮动策略，该策略从宏观、技术、景气、情绪四个维度（四象限）构建因子，以捕捉行业轮动机会 [1][4][7] * 策略通过两种方式构建组合：单因子多策略与复合因子策略，长期来看单因子多策略表现更优 [9][10][11] * 策略自2018年样本外跟踪以来表现稳健，单因子多策略年化超额收益达13.85%，复合因子策略为7.28% [4][36] * 因子表现与市场环境高度相关：上涨市中宏观、景气度和情绪面因子是主要驱动力，下跌市中技术面因子更具防御性 [4][24][27] * 该策略可落地为ETF投资组合，自2014年以来相对中证800指数实现了11.4%的年化超额收益，信息比为1.01 [4][34][39] 四象限行业轮动策略介绍 * **策略框架**：策略从四个维度构建因子：1) **景气度**：基于行业内个股一致预期ROE的市值加权平均及其历史分位；2) **情绪面**：基于分析师上调评级的数量或市值占比；3) **技术面**：基于动量、换手率、波动率等指标的加权；4) **宏观面**：基于行业对PMI、PPI、汇率、M1-M2剪刀差等宏观指标的敏感性 [8] * **组合构建方法**：1) **单因子多策略**：根据每个维度因子得分单独推荐头部行业，取并集后等权构建组合；2) **复合因子策略**：对每个行业进行多维度因子等权综合打分，选取头部5个行业等权构建组合 [9] * **长期绩效**：在2011年至2025年期间，以行业等权指数为基准，单因子多策略的多头年化超额收益为12.73%，信息比1.13，最大回撤-10.02%；复合因子策略的多头年化超额收益为10.76%，信息比1.01，最大回撤-14.88% [11] * **分年度表现**：样本外跟踪阶段（2018-2025年），除2025年外，单因子多策略每年表现均优于复合因子策略 [13][15] * **2025年业绩**：2025年，单因子多策略组合绝对收益36%，超额收益12.29%；复合因子策略组合绝对收益38.1%，超额收益14.38%；两个组合的月度胜率均为58.3% [4][15][16][18] 四象限策略因子表现分析 * **因子长期绩效（2011-2025）**：宏观、景气度、情绪面因子的多空收益表现较优，年化多空收益分别为16.42%、16.24%、16.10%；技术面因子为8.47% [19] * **因子分年度表现**：不同年度因子有效性存在波动但具有互补性，四大维度中总有强有效因子存在 [19][21] * **2025年因子表现**：因子有效性分化显著，结构类似2021年：宏观因子表现极为突出，年化超额收益23.8%，月度胜率67%；景气度与情绪因子贡献相对平淡，超额收益分别为4.1%和7.1%；技术面因子表现较差，超额收益为-1.1% [4][21][25][30] * **因子与市场环境联动**：在上涨市（中证全指年度涨幅>0）中，宏观、景气度、情绪面因子的平均超额收益分别为13%、12%、10%；在下跌市中，技术面因子的平均超额收益为8%，起到防御作用 [24][27] 策略持仓超额的周度表现 * **2025年表现改善**：2024年月度持仓策略在月内最后一周存在明显的超额衰减现象，但2025年该现象基本消失 [29] * **周度胜率**：2025年，单因子多策略和复合因子策略在持仓四周内的胜率均维持在50%以上 [29][31][33] * **周度超额分布**：行业推荐生成后第一周超额收益累计表现较差，随后三周均稳定贡献正向超额收益，显示2025年策略超额收益持续性较2024年大幅修复 [29][31][33] ETF组合策略 * **构建方法**：将策略推荐的行业对应到覆盖度高、流动性好的宽基行业ETF上，构建可投资的ETF组合 [34] * **历史业绩**：ETF组合自2014年以来（回溯期使用指数价格），相对中证800指数获得年化超额收益11.4%，信息比1.01，全区间月度胜率56.69% [34][35] * **分年度业绩**：例如，2025年ETF组合绝对收益26.83%，相对中证800超额收益5.94%，信息比0.61 [35]

量化因子与构建方式 1. 因子名称：Barra风格因子[15] 因子构建思路：采用Barra框架下的多个风格维度，包括市场相关、估值、盈利、成长、流动性等，通过线性组合或直接计算方式构建[15] 因子具体构建过程： * Beta因子：直接使用历史beta值[15] * 市值因子：对总市值取自然对数[15] * 动量因子：计算历史超额收益率序列的均值[15] * 波动因子：由历史超额收益率序列波动率、累积超额收益率离差、历史残差收益率序列波动率三部分按权重组合而成，公式为 $$0.74 * 历史超额收益率序列波动率 + 0.16 * 累积超额收益率离差 + 0.1 * 历史残差收益率序列波动率$$[15] * 非线性市值因子：对市值风格值取三次方[15] * 估值因子：使用市净率的倒数[15] * 流动性因子：由月换手率、季换手率、年换手率按权重组合而成，公式为 $$0.35 * 月换手率 + 0.35 * 季换手率 + 0.3 * 年换手率$$[15] * 盈利因子：由分析师预测盈利价格比、市现率倒数、市盈率ttm倒数按权重组合而成，公式为 $$0.68 * 分析师预测盈利价格比 + 0.21 * 市现率倒数 + 0.11 * 市盈率ttm倒数$$[15] * 成长因子：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率、营业收入增长率按权重组合而成，公式为 $$0.18 * 分析师预测长期盈利增长率 + 0.11 * 分析师预测短期利率增长率 + 0.24 * 盈利增长率 + 0.47 * 营业收入增长率$$[15] * 杠杆因子：由市场杠杆率、账面杠杆、资产负债率按权重组合而成，公式为 $$0.38 * 市场杠杆率 + 0.35 * 账面杠杆 + 0.27 * 资产负债率$$[15] 2. 因子名称：基本面因子[18][20][22][24][26] 因子构建思路：基于公司财务数据，从盈利能力、成长性、估值等多个维度构建因子，涉及的财务指标均为ttm方式计算[17] 因子具体构建过程：报告中提及的具体基本面因子包括营业利润超预期增长、营业周转率、市盈率、roe、roc超预期增长、市销率、roa超预期增长、roa增长、roc增长、营业利润率、净利润超预期增长、营业利润率增长、roa等[20][24][26] 3. 因子名称：技术类因子[18][20][22][24][26] 因子构建思路：基于市场交易数据，从动量、波动等维度构建因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体技术类因子包括120日动量、20日波动、20日动量、120日波动、中位数离差、60日波动、60日动量等[24][26] 4. 因子名称：GRU因子[18][20][22][24][26] 因子构建思路：基于GRU深度学习模型构建的因子[18][20][22][24][26] 因子具体构建过程：报告中提及的具体GRU因子模型包括barra5d、open1d、close1d、barra1d等[18][20][22][24][26] 5. 因子名称：多因子组合[8][29] 因子构建思路：将多个因子组合成一个综合性的多因子模型[8][29] 因子的回测效果 1. Barra风格因子，近一周多空收益表现：市值因子多头表现较好，非线性市值因子多头表现较好，成长因子多头表现较好，流动性因子多头表现较好，盈利因子多头表现较好，估值因子空头表现强势[3][16] 2. 基本面因子（全市场），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[4] 基本面因子（沪深300），近一周多空收益表现：均为正向，营业相关因子多空收益最强，权益类收益相关因子多空表现次之[5][20] 基本面因子（中证500），近一周多空收益表现：多数为正，估值因子多空收益显著为正，超预期增长类因子多空表现次之[6][22] 基本面因子（中证1000），近一周多空收益表现：多数为正，增长类和超预期增长类因子多空表现显著为正，静态财务因子多空收益表现不显著[7][26] 3. 技术类因子（全市场），近一周多空收益表现：均为正向，波动因子多空收益较为显著[4] 技术类因子（沪深300），近一周多空收益表现：均为正向，波动因子多空收益较为显著[5][20] 技术类因子（中证500），近一周多空收益表现：均为正向[6][22][24] 技术类因子（中证1000），近一周多空收益表现：均为正向[7][26] 4. GRU因子（全市场），近一周多空收益表现：barra1d模型多空收益表现较好，其余模型均有所回撤[18] GRU因子（沪深300），近一周多空收益表现：barra5d和open1d模型多空表现有所回撤，close1d和barra1d模型多空收益表现较好[5][20] GRU因子（中证500），近一周多空收益表现：barra5d模型多空收益回撤较大，barra1d模型多空收益强势[6][22] GRU因子（中证1000），近一周多空收益表现：barra5d模型多空收益表现较差，barra1d模型多空表现较好[7][26] 5. 多头组合策略（比较基准：中证1000指数），近一周超额收益：open1d模型 -0.97%，close1d模型 -1.68%，barra1d模型 0.57%，barra5d模型 -2.17%，多因子组合 -0.29%[29] 多头组合策略（比较基准：中证1000指数），近一月超额收益：open1d模型 -2.85%，close1d模型 -4.50%，barra1d模型 0.75%，barra5d模型 -3.76%，多因子组合 -2.43%[29] 多头组合策略（比较基准：中证1000指数），近三月超额收益：open1d模型 -2.74%，close1d模型 -3.80%，barra1d模型 0.48%，barra5d模型 -2.91%，多因子组合 -2.79%[29] 多头组合策略（比较基准：中证1000指数），近六月超额收益：open1d模型 3.10%，close1d模型 0.92%，barra1d模型 1.61%，barra5d模型 3.17%，多因子组合 1.69%[29] 多头组合策略（比较基准：中证1000指数），今年以来超额收益：open1d模型 4.20%，close1d模型 1.90%，barra1d模型 4.38%，barra5d模型 4.13%，多因子组合 0.01%[29]

量化投资术语解析 - 量化投资因行业术语显得高深 实则是被专业表述所夸大 [2] 核心收益概念 - 贝塔指市场整体收益 即跟随市场波动获得的回报 [3][5] - 阿尔法指超越市场的超额收益 体现主动管理能力 [3][5] 因子分类体系 - 因子是影响股票涨跌的核心变量 构成量化策略基础 [7][9] - 基本面因子基于公司财务与经营数据构建量化指标 [11][13] - 技术面因子基于市场交易行为数据 如历史价格与成交量 [15][16] - 另类因子采用非传统非金融数据构建量化指标 [18][20] 风险与策略特征 - 行业偏离度指产品与对标指数的行业配置差异 [22][24] - 风险暴露体现主动选择承担风险以获取潜在收益 [25] - 风格漂移指持仓严重偏离基准 实际策略与宣称不符 [27] 内容预告 - 系列内容将持续更新 未完待续 [29] - 开放读者留言反馈困惑术语 引导关注公众号 [30]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Barra风格因子组**[15] * **因子构建思路**：采用Barra风险模型框架，通过多维度指标捕捉市场主要风险收益特征，构建一系列风格因子[15] * **因子具体构建过程**： * **Beta因子**：计算股票的历史beta值[15] * **市值因子**：对股票的总市值取自然对数[15] * **动量因子**：计算股票历史超额收益率序列的均值[15] * **波动因子**：由历史超额收益率序列波动率、累积超额收益率离差和历史残差收益率序列波动率加权计算，公式为 $$0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率}$$[15] * **非线性市值因子**：计算市值风格的三次方[15] * **估值因子**：使用市净率的倒数[15] * **流动性因子**：由月换手率、季换手率和年换手率加权计算，公式为 $$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$[15] * **盈利因子**：由分析师预测盈利价格比、市现率倒数和市盈率TTM倒数加权计算，公式为 $$0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$[15] * **成长因子**：由分析师预测长期盈利增长率、分析师预测短期利率增长率、盈利增长率和营业收入增长率加权计算，公式为 $$0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率}$$[15] * **杠杆因子**：由市场杠杆率、账面杠杆和资产负债率加权计算，公式为 $$0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率}$$[15] 2. **因子名称：基本面因子组**[18][20][23][25] * **因子构建思路**：基于公司财务报表数据，从盈利能力、增长能力、估值水平等维度构建因子，捕捉基本面驱动的超额收益[18][20][23][25] * **因子具体构建过程**：报告中提及的具体因子包括营业利润率、市销率、ROC（资本回报率）、营业周转率、ROA（资产收益率）、营业利润率超预期增长、ROA增长、ROE超预期增长、净利润超预期增长、ROA超预期增长、营业利润增长、ROC增长、市盈率等，均为基于TTM方式计算的财务指标，并在测试前进行了行业中性化处理[17][21][26] 3. **因子名称：技术类因子组**[18][20][23][25] * **因子构建思路**：基于量价数据，从动量、波动率等维度构建因子，捕捉市场情绪和交易行为带来的收益[18][20][23][25] * **因子具体构建过程**：报告中提及的具体因子包括20日动量、60日动量、120日动量、20日波动、60日波动、120日波动、中位数离差等，并在测试前进行了行业中性化处理[17][22][24][29] 4. **因子名称：GRU因子**[18][20][23][25][31] * **因子构建思路**：基于门控循环单元（GRU）神经网络模型构建的预测因子[18][20][23][25][31] * **因子具体构建过程**：报告提及了open1d、close1d、barra1d、barra5d等具体GRU模型，但未详细描述其构建过程[31] 因子回测效果 1. **Barra风格因子**[16] * 最近一周多空收益：Beta、流动性因子多头表现较好；估值、盈利、杠杆、非线性市值因子空头表现强势[3][16] 2. **全市场股池因子**[18] * **基本面因子**：增长类财务因子多空收益显著为正，超预期增长类因子次之，静态财务因子多空收益多数为负[18] * **技术类因子**：动量类因子多空收益为负向，波动类因子多空收益为正向[18] * **GRU因子**：除open1d模型外，其余模型多空收益均为正向[18] 3. **沪深300股池因子**[20] * **基本面因子**：多空收益基本为正，市盈率因子最强，超预期增长类和增长类因子多头收益显著[20] * **技术类因子**：多空收益多数为正向，波动因子较为显著[20] * **GRU因子**：除barra5d模型外，其余模型多空收益表现强势[20] 4. **中证500股池因子**[23] * **基本面因子**：超预期增长和增长类因子多空收益显著为正，多数静态财务因子多空收益显著为负，估值类因子表现正向[23] * **技术类因子**：多空表现基本为正向，波动类因子更为显著[23] * **GRU因子**：除barra5d模型外，其余模型均取得正向超额收益[23] 5. **中证1000股池因子**[25] * **基本面因子**：增长类和超预期增长类因子多空表现为正向，静态财务因子多空收益表现为负向，估值类因子偏向正向[25] * **技术类因子**：中长期动量因子表现为负向，短期动量和波动类因子表现为正向[25] * **GRU因子**：除barra5d模型略有回撤外，其余模型多空表现较好[25] 量化模型与构建方式 1. **模型名称：GRU模型**[18][20][23][25][31] * **模型构建思路**：使用门控循环单元（GRU）神经网络进行时序预测，构建股票选择模型[18][20][23][25][31] * **模型具体构建过程**：报告提及了open1d、close1d、barra1d、barra5d等具体GRU模型变体，但未详细描述其网络结构、输入特征、训练过程等构建细节[31] 2. **模型名称：多因子组合模型**[31] * **模型构建思路**：综合多个因子构建组合模型进行投资[31] * **模型具体构建过程**：报告未详细描述其具体构建过程，如因子合成方法、权重确定方式等[31] 模型的回测效果 1. **GRU模型 (open1d)**[31][32] * 近一周超额收益：-0.01% * 近一月超额收益：-2.37% * 近三月超额收益：-0.74% * 近六月超额收益：4.65% * 今年以来超额收益：5.23% 2. **GRU模型 (close1d)**[31][32] * 近一周超额收益：-0.38% * 近一月超额收益：-3.85% * 近三月超额收益：-0.62% * 近六月超额收益：2.77% * 今年以来超额收益：3.64% 3. **GRU模型 (barra1d)**[31][32] * 近一周超额收益：0.65% * 近一月超额收益：0.36% * 近三月超额收益：0.92% * 近六月超额收益：1.34% * 今年以来超额收益：3.80% 4. **GRU模型 (barra5d)**[31][32] * 近一周超额收益：0.02% * 近一月超额收益：-2.40% * 近三月超额收益：0.54% * 近六月超额收益：5.14% * 今年以来超额收益：6.44% 5. **多因子组合模型**[31][32] * 近一周超额收益：-0.05% * 近一月超额收益：-2.99% * 近三月超额收益：-1.19% * 近六月超额收益：2.99% * 今年以来超额收益：0.94%

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：Barra风格因子** - **构建思路**：基于多维度市场特征构建的综合风格因子体系，涵盖市场风险、市值、动量等核心维度[14] - **具体构建过程**： - **Beta因子**：历史beta值 - **市值因子**：总市值取自然对数 - **动量因子**：历史超额收益率序列均值 - **波动因子**： $$0.74 \times 历史超额收益率波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率波动率$$ - **非线性市值**：市值风格的三次方 - **估值因子**：市净率倒数 - **流动性因子**： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ - **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**： $$0.18 \times 预测长期盈利增长率 + 0.11 \times 预测短期增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ - **杠杆因子**： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ - **因子评价**：全面覆盖市场风格特征，但需动态调整权重以适应市场变化[14] 2. **因子名称：GRU模型因子** - **构建思路**：基于门控循环单元（GRU）神经网络构建的时序预测因子[18][20][22][24] - **具体构建过程**： - 输入层：标准化后的量价数据（如开盘价、收盘价） - 隐藏层：GRU单元捕捉时序依赖 - 输出层：预测未来收益率并生成因子信号 - 衍生模型包括： - **open1d**：基于开盘价序列的1日预测 - **close1d**：基于收盘价序列的1日预测 - **barra1d/5d**：结合Barra因子的1日/5日预测 - **因子评价**：在中小市值股票中表现突出，但对计算资源要求较高[24][28] 3. **因子名称：技术类因子** - **构建思路**：基于价格波动与动量效应的传统技术指标[17][21][26] - **具体构建过程**： - **动量因子**：20日/60日/120日收益率均值 - **波动因子**：20日/60日/120日收益率标准差 - **中位数离差**：价格与移动中位数的偏离度 - **因子评价**：中长期动量稳定性优于短期[26] --- 因子回测效果 | 因子类别 | 测试范围 | 多空收益表现（最近一周） | 三年年化IR | 五年年化IR | |----------------|----------------|--------------------------|------------|------------| | **Barra风格因子** | 万得全A | Beta/估值因子多头占优[15] | - | - | | **基本面因子** | 全市场 | 增长类因子正向收益[17] | - | - | | **技术类因子** | 中证1000 | 120日动量正向0.20%[26] | -4.42% | 1.02% | | **GRU模型** | 中证1000 | close1d超额0.73%[28] | - | - | --- 模型回测效果 | 模型名称 | 超额收益（今年以来） | 近六月超额 | 近三月超额 | |------------|----------------------|------------|------------| | open1d | 6.94%[28] | 5.08% | 5.81% | | close1d | 5.48%[28] | 4.96% | 4.47% | | barra5d | 6.90%[28] | 6.79% | 5.92% | | 多因子组合 | 2.97%[28] | 6.32% | 4.75% | 数据来源：中证1000指数基准，月度调仓[27][28]