国信金工指数增强组合表现 - 沪深300指数增强组合本周超额收益0.24%，本年累计超额收益3.21% [1][6] - 中证500指数增强组合本周超额收益0.53%，本年累计超额收益-0.27% [1][6] - 中证1000指数增强组合本周超额收益1.63%，本年累计超额收益3.92% [1][6] - 中证A500指数增强组合本周超额收益0.40%，本年累计超额收益3.28% [1][6] 不同选股空间下的因子表现 - **沪深300样本空间**：最近一周，单季SP、SPTTM、单季EP等因子表现较好，单季SP因子周收益1.33%，单季EP因子周收益0.99% [1][7][9] - **中证500样本空间**：最近一周，一个月波动、三个月反转、一个月反转等因子表现较好，一个月波动因子周收益1.57%，三个月反转因子周收益1.42% [1][11] - **中证1000样本空间**：最近一周，一个月反转、三个月反转、非流动性冲击等因子表现较好，一个月反转因子周收益1.77%，非流动性冲击因子周收益1.52% [1][12][13] - **中证A500样本空间**：最近一周，一个月波动、单季EP、三个月换手等因子表现较好，一个月波动因子周收益1.46%，单季EP因子周收益1.29% [1][14][15] - **公募基金重仓股样本空间**：最近一周，一个月波动、单季SP、SPTTM等因子表现较好，一个月波动因子周收益1.61%，单季SP因子周收益1.45% [1][16][17] 公募基金指数增强产品表现 - **产品规模**：公募基金沪深300指数增强产品共79只，总规模755亿元；中证500指数增强产品共79只，总规模509亿元；中证1000指数增强产品共46只，总规模209亿元；中证A500指数增强产品共73只，总规模248亿元 [19] - **沪深300指数增强产品**：本周超额收益最高1.24%，最低-1.45%，中位数0.11%；今年以来超额收益最高4.07%，最低-0.86%，中位数1.23% [1][22] - **中证500指数增强产品**：本周超额收益最高1.27%，最低-0.80%，中位数0.24%；今年以来超额收益最高1.25%，最低-3.50%，中位数-1.04% [1][23] - **中证1000指数增强产品**：本周超额收益最高1.54%，最低-0.91%，中位数0.22%；今年以来超额收益最高4.43%，最低-0.84%，中位数1.54% [1][25] - **中证A500指数增强产品**：本周超额收益最高1.28%，最低-1.99%，中位数0.14%；今年以来超额收益最高3.99%，最低-1.60%，中位数0.68% [24][29] 方法论与指数构建 - **因子MFE组合构建**：采用组合优化模型，在控制行业暴露、风格暴露、个股权重偏离等实际约束条件下，最大化单因子暴露以检验其有效性 [26][27][28] - **公募重仓指数构建**：基于普通股票型及偏股混合型基金的定期报告持仓信息，将符合条件的基金持仓股票权重平均，选取累计权重达到90%的股票作为成分股构建指数 [32][33]

2025年主动量化组合表现回顾 - 成长期优选组合表现最优，2025年扣费后累计收益达84.1%，相较于中证800指数和885001指数的累计超额收益分别为63.2%和50.9% [1] - 小盘风格组合表现次优，显著跑赢中证2000指数 [1] - 高股息风格的红利优选组合表现相对较弱，2025年累计收益为15.0%，表现弱于中证800指数但优于中证红利指数 [1] 2025年指数增强策略表现分析 - 基于线性多因子模型构建的月度换仓指数增强组合中，ICIR加权方式的表现明显优于IC均值加权方式 [2] - 在IC均值加权方式下，沪深300、中证500、中证1000、中证A500指数增强策略相对于基准指数的超额收益率分别为6.8%、3.1%、5.1%、4.8% [2] - 在ICIR加权方式下，沪深300、中证500、中证1000、中证A500指数增强策略相对于基准指数的超额收益率分别为10.7%、9.5%、10.2%、13.2% [2] 多策略体系下的指数增强策略构建 - 为改善指数增强组合业绩表现，构建了多策略体系下的沪深300指数增强策略，该复合策略由三部分组成 [2] - 基础指数增强策略权重占比60%，域内卫星策略（基于动量、基本面因子选股）权重占比30%，域外卫星策略（小市值高增长组合）权重占比10% [2] - 相比于单一的基础指数增强策略，该复合策略具有年化3.6%的收益提升，且分年度稳定性较高 [2]

量化模型与构建方式 1. **模型名称**：沪深300增强组合[5][9] * **模型构建思路**：基于多因子模型构建的沪深300指数增强策略，旨在获取超越基准指数的超额收益[5]。 * **模型具体构建过程**：报告未详细说明具体因子构成和权重配置方法，仅展示了组合的业绩表现。通常此类增强组合会综合运用风格、技术、基本面等多类因子进行选股和权重优化。 2. **模型名称**：中证500增强组合[5][9] * **模型构建思路**：基于多因子模型构建的中证500指数增强策略，旨在获取超越基准指数的超额收益[5]。 * **模型具体构建过程**：报告未详细说明具体因子构成和权重配置方法，仅展示了组合的业绩表现。 3. **模型名称**：中证1000增强组合[5][9] * **模型构建思路**：基于多因子模型构建的中证1000指数增强策略，旨在获取超越基准指数的超额收益[5]。 * **模型具体构建过程**：报告未详细说明具体因子构成和权重配置方法，仅展示了组合的业绩表现。 4. **模型名称**：进取组合[9][10] * **模型构建思路**：以中证500为基准的量化股票组合，风格可能更为积极[9]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 5. **模型名称**：平衡组合[9][10] * **模型构建思路**：以中证500为基准的量化股票组合，风格可能相对稳健[9]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 6. **模型名称**：绩优基金的独门重仓股组合[5][9] * **模型构建思路**：通过筛选绩优基金（报告未明确筛选标准）的独门重仓股来构建组合，旨在获取基金选股能力的Alpha[5]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 7. **模型名称**：盈利、增长、现金流三者兼优组合[5][9] * **模型构建思路**：通过筛选在盈利、增长和现金流三个基本面维度均表现优异的股票来构建组合[5]。 * **模型具体构建过程**：报告未详细说明具体筛选标准和权重方法。 8. **模型名称**：PB-盈利优选组合[5][9] * **模型构建思路**：结合低市净率（PB）和高盈利能力的选股策略，属于有基本面支撑的低估值策略[5][29]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 9. **模型名称**：GARP组合[9][32] * **模型构建思路**：GARP（Growth at a Reasonable Price）策略，旨在以合理的价格投资于成长性股票[32]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 10. **模型名称**：小盘价值优选组合1[9][34] * **模型构建思路**：在小盘股中优选价值型股票的投资组合[34]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 11. **模型名称**：小盘价值优选组合2[9][36] * **模型构建思路**：在小盘股中优选价值型股票的投资组合（可能与组合1的筛选标准或权重不同）[36]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 12. **模型名称**：小盘成长组合[5][9] * **模型构建思路**：专注于小盘股中具有高成长性股票的投资组合[5][39]。 * **模型具体构建过程**：报告未详细说明具体构建过程。 量化因子与构建方式 1. **因子名称**：市值因子[42] * **因子构建思路**：衡量公司规模大小的风格因子[42]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股票的总市值。 2. **因子名称**：PB因子[42] * **因子构建思路**：市净率，衡量估值水平的风格因子[42]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股价除以每股净资产。 3. **因子名称**：PE_TTM因子[42] * **因子构建思路**：滚动市盈率，衡量估值水平的风格因子[42]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为股价除以最近十二个月每股收益。 4. **因子名称**：反转因子[46] * **因子构建思路**：技术类因子，认为过去一段时间跌幅较大的股票未来可能反弹，涨幅较大的股票未来可能回调[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常基于过去一段时间的收益率构建。 5. **因子名称**：换手率因子[46] * **因子构建思路**：技术类因子，衡量股票交易活跃程度[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为一段时间内的成交股数除以流通股数。 6. **因子名称**：波动率因子[46] * **因子构建思路**：技术类因子，衡量股票价格波动风险[46]。 * **因子具体构建过程**：报告未给出具体计算公式。通常基于过去一段时间收益率的标准差计算。 7. **因子名称**：ROE因子[53] * **因子构建思路**：净资产收益率，衡量公司盈利能力的核心基本面因子[53]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为净利润除以净资产。 8. **因子名称**：SUE因子[53] * **因子构建思路**：标准化未预期盈余，衡量盈利增长超预期程度的基本面因子[53]。 * **因子具体构建过程**：报告未给出具体计算公式。通常为（当期实际EPS - 预期EPS）除以历史盈余波动的标准差。 9. **因子名称**：预期净利润调整因子[53] * **因子构建思路**：基本面因子，反映分析师对公司未来净利润预期的调整方向（上调或下调）[53]。 * **因子具体构建过程**：报告未给出具体计算公式。 模型的回测效果 （数据时间范围：2025年以来，即2024年12月31日至2025年12月31日[9]） 1. 沪深300增强组合，绝对收益26.49%，超额收益8.82%，跟踪误差4.73%，最大相对回撤3.44%[9] 2. 中证500增强组合，绝对收益35.11%，超额收益4.72%，跟踪误差4.47%，最大相对回撤3.75%[9] 3. 中证1000增强组合，绝对收益32.16%，超额收益4.67%，跟踪误差4.84%，最大相对回撤5.42%[9] 4. 进取组合，绝对收益78.35%，超额收益47.97%，跟踪误差22.63%，最大相对回撤13.41%[9] 5. 平衡组合，绝对收益61.25%，超额收益30.87%，跟踪误差18.98%，最大相对回撤17.22%[9] 6. 绩优基金的独门重仓股组合，绝对收益54.47%，超额收益25.00%，跟踪误差22.48%，最大相对回撤14.64%[9] 7. 盈利、增长、现金流三者兼优组合，绝对收益91.84%，超额收益74.18%，跟踪误差18.23%，最大相对回撤11.55%[9] 8. PB-盈利优选组合，绝对收益23.80%，超额收益6.14%，跟踪误差12.62%，最大相对回撤14.55%[9] 9. GARP组合，绝对收益41.17%，超额收益23.51%，跟踪误差12.47%，最大相对回撤9.92%[9] 10. 小盘价值优选组合1，绝对收益51.07%，超额收益-30.58%，跟踪误差9.95%，最大相对回撤36.71%[9] 11. 小盘价值优选组合2，绝对收益60.33%，超额收益-21.31%，跟踪误差8.80%，最大相对回撤32.77%[9] 12. 小盘成长组合，绝对收益75.28%，超额收益-6.37%，跟踪误差12.35%，最大相对回撤28.00%[9] 因子的回测效果 （数据时间范围：2025年以来，即2024年12月31日至2025年12月31日[43][48][54]） 1. 市值因子，全市场多空收益45.24%，沪深300多空收益3.29%，中证500多空收益-6.19%，中证1000多空收益12.09%[43] 2. PB因子，全市场多空收益-12.78%，沪深300多空收益-33.06%，中证500多空收益-41.63%，中证1000多空收益-15.97%[43] 3. PE_TTM因子，全市场多空收益11.50%，沪深300多空收益-8.56%，中证500多空收益-23.58%，中证1000多空收益-9.82%[43] 4. 反转因子，全市场多空收益5.47%，沪深300多空收益-51.31%，中证500多空收益-8.74%，中证1000多空收益-1.28%[48] 5. 换手率因子，全市场多空收益31.00%，沪深300多空收益-49.68%，中证500多空收益-31.71%，中证1000多空收益-0.37%[48] 6. 波动率因子，全市场多空收益7.82%，沪深300多空收益-45.34%，中证500多空收益-33.22%，中证1000多空收益-9.32%[48] 7. ROE因子，全市场多空收益2.82%，沪深300多空收益38.99%，中证500多空收益-5.83%，中证1000多空收益-10.07%[54] 8. SUE因子，全市场多空收益24.62%，沪深300多空收益64.12%，中证500多空收益18.09%，中证1000多空收益23.50%[54] 9. 预期净利润调整因子，全市场多空收益17.09%，沪深300多空收益24.10%，中证500多空收益19.11%，中证1000多空收益-2.85%[54]

核心观点 - 2025年公募基金市场蓬勃发展，规模与数量双增长，主动权益基金区间收益均值高达29.69% [2] - 2026年A股市场结构性机会仍存，科技成长仍是主线，宏观经济预计平稳复苏 [2] - 基于深度学习框架构建的指数增强策略表现领先，中证1000指数增强组合年内上涨41.68%，超额收益达15.75% [3] - 价值成长风格轮动在2026年可能进入震荡择时更重要的阶段，11月轮动策略综合分数为6，成长风格得分较高 [2] 公募基金投资策略 主动权益基金市场回顾 - 2025年主动权益基金规模达4.06万亿元，较2024年末增长19.80%，基金数量增加146只至4626只 [12] - 科技主题基金规模增长尤为显著，从2024年末的3289.73亿元增长至3Q2025的5453.86亿元，增幅达65.78% [15] - 主动量化基金规模与数量创近十年新高，3Q2025规模合计1299.23亿元，较2024年末增长77.62% [17] - 2025年新发主动权益基金272只，合并发行份额1398.22亿份，较2024年末增长95.52% [21] - 主动权益基金2025年以来整体表现优异，区间收益均值29.69%，98.38%的基金取得正收益 [23] - 3Q2025主动权益基金重仓股配置前三板块为科技（40.18%）、制造（22.95%）和周期（13.57%） [28] 指数基金市场回顾 - 2025年指数基金规模与数量创历史新高，3Q2025规模达6.14万亿元，较2024年末增长32.27% [37] - ETF基金占据主导地位，3Q2025规模4.67万亿元，占指数基金总规模的76.10% [38] - 宽基ETF规模领先，A股宽基ETF规模2.49万亿元；行业主题ETF数量占优，达621只 [40] - 增强指数基金表现突出，跟踪沪深300、中证500、中证1000指数的产品超额收益均值分别为2.03%、2.54%、8.27% [54] FOF基金市场回顾 - FOF基金规模大幅增长，3Q2025规模达1869.84亿元，较2024年末增长41.47% [58] - 偏债型FOF基金为主流，规模1117.83亿元，占FOF基金总规模的59.78% [58] - 所有FOF基金2025年均取得正收益，偏债型、平衡型、偏股型FOF平均收益分别为5.91%、16.03%、26.07% [66][70][72] - 市场竞争集中度较高，前十大管理人合计市占率达65.55% [74] 2026年基金投资策略 - 基金经理展望认为2026年宏观经济将保持平稳复苏，A股结构性机会仍存，科技成长仍是主线 [79] - 主要配置方向包括AI算力及应用产业链、半导体国产替代、新能源与储能、创新药与医疗器械等 [83] - 基于量化选基模型构建的FOF组合自2013年以来年化超额收益达6.63%，表现稳健 [89][92] 中观配置回顾与展望 价值成长轮动 - 2025年上半年价值风格相对占优，年中后成长风格接力上行，近一个月价值板块重新走强 [2] - 11月价值成长轮动策略综合分数为6，成长风格得分较高 [2] - 2026年价值成长风格轮动可能进入震荡择时更重要的阶段 [2] 大小盘轮动 - 2025年大小盘相对强弱总体围绕0.6左右低位区间小幅震荡，风格分化较往年收敛 [3] - 11月大小盘轮动策略综合分数为4，小盘风格得分较高 [3] - 2026年大小盘相对强度具备探底反转基础，大盘风格有望迎来相对回升 [3] 行业轮动 - 11月行业轮动综合得分排名前七的行业为银行、机械、通信、有色金属、传媒、汽车、电子 [3] - 2025年以来科技链与资源属性行业相对占优，部分行业在快速上涨后出现拥挤度提升信号 [3] 指数增强组合跟踪 - 沪深300指数增强组合2025年以来上涨28.49%，超额收益10.88% [3] - 中证500指数增强组合2025年以来上涨35.00%，超额收益8.63% [3] - 中证1000指数增强组合2025年以来上涨41.68%，超额收益15.75% [3] 主动选股策略跟踪 - 权益基金业绩增强组合2025年以来上涨38.25%，超额收益9.67% [3] - 小盘价值组合2025年以来上涨43.66%，超额收益13.95% [3] - 红利攻守弈组合2025年以来上涨20.68%，超额收益12.20% [3]

量化模型与构建方式 1. 分钟羊群效应因子簇 **因子构建思路**：将事件研究的想法融入选股因子构建，在分钟数据维度上挖掘羊群效应因子，关注市场中的重要资金（趋势资金）行动后其跟随者的交易行为[13] **因子具体构建过程**：围绕三个关键因素构建因子： 1. 事件识别：通过观测成交量、价格涨跌幅、价格波动率、量价相关性是否发生异常变化，对趋势资金是否行动进行判断，得到上千种不同的识别方式[13] 2. 因子定义：考察趋势资金行动的时间点后紧跟着的量价特征，包括价格、成交量、价量相关性、大小单资金流、主买单、主卖单等指标，这些指标可以是本身数值、与趋势资金对应时间点相比的变化或与趋势资金事件发生之前相比的变化，提出上千种不同的因子构造方式[14] 3. 数据频率：在1分钟数据集上讨论羊群效应[14] **因子评价**：通过体系化思路批量生产选股因子[13] 2. 逐笔羊群效应因子簇 **因子构建思路**：将离散化的因子定义应用在原始的逐笔数据上，基于羊群效应研究思路，在逐笔委托、逐笔成交数据层面构建因子簇[11][20] **因子具体构建过程**：围绕事件识别、因子定义、数据频率三个关键因素展开： 1. 事件识别：通过观测逐笔委托、逐笔成交数据的流动性冲击事件识别趋势资金行动[21] - 基于逐笔委托数据：引入"激进程度"概念，将委托单划分为10种类型[22][23][25][27] - 类型1买单：挂单价≥卖一价且挂单量≥卖一挂单量[22] - 类型2买单：挂单价≥卖一价但挂单量<卖一挂单量[23] - 类型3买单：挂单价>买一价但<卖一价[23] - 类型4买单：挂单价=买一价[25] - 类型5买单：挂单价<买一价[25] - 类型6-10卖单划分方式类似[27] - 基于逐笔成交数据：关注成交量较大或引起价格变动较大的成交单[27] - 共得到10种事件识别方法[29] 2. 因子定义：在事件发生后考察未来窗口内的量价特征[30] - 各种维度的委托量：通过未来窗口选取、订单类型、订单方向、订单指标等维度构建1680种因子[32][36][38] - 各种维度的成交量：逻辑与委托量类似，用"超大单"、"大单"、"中单"、"小单"替换激进程度，得到1200种因子[41][44] - 关键量价数据发生的间隔：通过未来窗口选取、量价数据类型、关键定义、间隔定义等维度构建432种因子[45][48][50] - 各种维度的不平衡指标：通过未来窗口选取、订单类型、不平衡定义等维度构建360种因子[51][52] - 量价相关性：通过逐笔量价指标的相关性计算构建2862种因子[55][56] - 共得到6000多种不同的因子构造方式[61] **因子评价**：展示了如何将离散化的因子定义应用在原始的逐笔数据层面挖掘有效因子[11] 3. 逐笔羊群效应综合因子 **因子构建思路**：在逐笔羊群效应因子簇中选取效果最优的因子合成综合因子[3] **因子具体构建过程**：在逐笔羊群效应因子簇中选取样本内（2016-2021年）信息比率最高的10个因子等权合成[3][67] **因子评价**：选股效果不错的综合因子[70] 4. 纯净逐笔羊群效应综合因子 **因子构建思路**：剔除市场常用风格和行业影响的纯净因子[71] **因子具体构建过程**：每月月底将逐笔羊群效应综合因子对Barra风格因子和中信一级行业虚拟变量进行回归，取残差作为纯净因子[71] 模型的回测效果 1. 分钟羊群效应因子簇 - 50个因子的年化ICIR绝对值都能达到2以上[18] - 分钟羊群效应综合因子（2016/01/01-2025/10/31）： - 月度IC均值：0.085 - 年化ICIR：3.18 - 月度RankIC均值：0.116 - 年化RankICIR：4.10 - 10分组多空对冲年化收益：41.59% - 年化波动：12.56% - 信息比率：3.31 - 月度胜率：82.91% - 最大回撤：10.06%[18] 2. 逐笔羊群效应因子簇 - 50个因子的年化ICIR绝对值都能达到2以上[2][65] - 因子16具体构建示例： - 根据逐笔成交数据，将"成交量大于当日所有主卖成交量90%分位数"的主卖成交视为趋势资金事件点 - 提取标准化后的主买成交量序列 - 计算未来20笔成交中的标准化主买成交量的偏度 - 以事件强度为权重对跟随行为强度求加权平均值 - 滚动回看过去20个交易日求算术平均值[66] 3. 逐笔羊群效应综合因子 - 月度IC均值：0.080[67] - 年化ICIR：3.49[67] - 月度RankIC均值：0.101[3][67] - 年化RankICIR：3.74[3][67] - 10分组多空对冲年化收益：44.26%[3][67] - 年化波动：10.90%[67] - 信息比率：4.06[3][67] - 月度胜率：89.74%[3][67] - 最大回撤：10.66%[3][67] 4. 纯净逐笔羊群效应综合因子 - 月度IC均值：0.044[71] - 年化ICIR：3.33[71] - 月度RankIC均值：0.046[71] - 年化RankICIR：3.03[71] - 10分组多空对冲年化收益：19.53%[71] - 年化波动：6.36%[71] - 信息比率：3.07[71] - 月度胜率：78.63%[71] - 最大回撤：5.13%[71] 5. 指数增强组合表现 **沪深300指数增强组合**： - 超额年化收益：8.89%[4][75] - 跟踪误差：3.50%[4][75] - 信息比率：2.54[4][75] - 月度胜率：77.78%[4][75] - 最大回撤：2.96%[4][75] **中证500指数增强组合**： - 超额年化收益：13.46%[4][78] - 跟踪误差：5.31%[4][78] - 信息比率：2.54[4][78] - 月度胜率：79.49%[4][78] - 最大回撤：5.15%[4][78] **中证1000指数增强组合**： - 超额年化收益：17.23%[4][80] - 跟踪误差：4.78%[4][80] - 信息比率：3.61[4][80] - 月度胜率：84.62%[4][80] - 最大回撤：4.14%[4][80]

国信金工指数增强组合表现 - 沪深300指数增强组合本周实现超额收益0.53%，本年累计超额收益达18.86% [1][7] - 中证500指数增强组合本周实现超额收益0.45%，本年累计超额收益为9.03% [1][7] - 中证1000指数增强组合本周实现超额收益0.34%，本年累计超额收益高达19.00% [1][7] - 中证A500指数增强组合本周超额收益为-0.46%，但本年累计超额收益仍达到8.18% [1][7] 选股因子表现监控 - 在沪深300成分股中，单季ROA（周收益1.31%）、单季ROE（周收益1.28%）及一年动量（周收益1.26%）等因子近期表现优异 [1][8] - 在中证500成分股中，SPTTM（周收益0.45%）、高管薪酬（周收益0.43%）及三个月机构覆盖（周收益0.41%）等因子表现领先 [1][12] - 在中证1000成分股中，3个月盈利上下调（周收益1.61%）、标准化预期外收入（周收益1.53%）及标准化预期外盈利（周收益1.08%）等因子表现突出 [1][13] - 在中证A500指数成分股中，一年动量（周收益1.98%）、单季营收同比增速（周收益1.83%）及DELTAROA（周收益1.73%）等因子表现较好 [1][16] - 在公募基金重仓股中，一年动量（周收益1.48%）、标准化预期外收入（周收益1.48%）及3个月盈利上下调（周收益1.37%）等因子表现强劲 [1][18] 公募基金指数增强产品表现 - 公募基金沪深300指数增强产品数量为76只，总规模达802亿元，本周超额收益最高2.02%，最低-1.13%，中位数为0.06% [1][20][23] - 公募基金中证500指数增强产品数量为74只，总规模为444亿元，本周超额收益最高1.24%，最低-1.61%，中位数为0.19% [1][20][25] - 公募基金中证1000指数增强产品数量为46只，总规模为150亿元，本周超额收益最高1.52%，最低-1.23%，中位数为0.45% [1][20][24][29] - 公募基金中证A500指数增强产品数量为68只，总规模为318亿元，本周超额收益最高0.84%，最低-0.53%，中位数为0.03% [1][20][26][30] 研究方法论 - 公司采用多因子选股框架构建指数增强组合，力求稳定战胜各自基准指数 [2] - 因子有效性检验采用最大化单因子暴露组合方法，在控制行业暴露、风格暴露等实际约束条件下评估因子表现 [31][32] - MFE组合构建通过组合优化模型实现，目标函数为最大化单因子暴露，同时控制风格因子偏离度、行业偏离度及个股权重偏离等约束条件 [33][34] - 公司构建了公募重仓指数作为额外的测试维度，通过基金定期报告获取持仓信息，选取累计权重达90%的股票作为成分股 [35][36]

有限关注因子构建 - 投资者关注度是稀缺资源 导致非理性决策行为 高关注度股票被优先纳入决策但长期表现不佳 [1] - 构建四个细分指标：异常换手率（当日换手率/过去252日平均换手率） 异常成交量（当日成交量/过去252日平均成交量） 极端收益（当日收益与市场收益差的平方） 龙虎榜指标（上榜取1否则0） [2] - 采用线性合成与随机森林两种方法合成因子 线性合成将三个连续变量标准化后加总 取值范围0-4 随机森林使用过去60个月训练 以收益前20%和后20%作为标签 得到负例概率 [3] - 随机森林法带有收益预测属性 因子分组收益和IC表现更显著 [4] 因子表现验证 - 高有限关注组别显示股东户数增长更明显 验证因子对散户关注度的刻画能力 线性合成法最高最低组区分度更突出 [7] - 随机森林法RankIC为-0.076 RankICIR为-0.86 胜率70.1% 线性合成法RankIC为-0.081 RankICIR为-0.71 胜率66.7% [8] - 因子在中证1000表现最佳 因小盘股中散户追涨杀跌行为更易引起股价波动 [12][13] 市场择时应用 - 2019-2021年上半年因子IC回撤 显示散户追涨赚钱效应强 2021年下半年后因子持续负向 [14][17] - 行业涨跌趋势一致性指标与因子IC波动高度相关 沪深300和中证1000因子IC相关性达0.5 [19] - 基于沪深300因子IC择时策略：IC高于12个月均线满仓否则空仓 年化收益5.12% 夏普率0.35 月度胜率76.32% [22][23] - 大小盘轮动策略：IC高于均线做多沪深300否则做多中证1000 年化收益7.25% 夏普率0.32 [22][23] 选股策略应用 - 在指数增强组合中作为负向因子使用 沪深300和中证500中直接叠加因子效果更好 中证1000中无增强效果 [26][30] - 高关注域中价量因子（低波动率、低流动性、长期动量）和成长因子表现突出 盈利价值因子有效性下降 [31][32] - 分域指数增强组合：沪深300年化收益13.11% 夏普率0.69 中证500年化收益14.06% 夏普率0.66 [36] - 分域选股组合：沪深300年化收益15.34% 夏普率0.74 中证500年化收益14.94% 夏普率0.70 [38][39] 因子特性总结 - 因子通过异常换手率、异常成交量、极端收益和龙虎榜指标构建 有效刻画散户关注度 [40] - 因子IC为负向 高关注股票后续回撤风险大 尤其在小盘股中表现显著 [40][13] - 因子IC波动可反映市场赚钱效应 2019-2021年上半年为正向 2021年下半年后转为负向 [40] - 在选股应用中 对大市值股票池（沪深300/中证500）的增量效果更明显 [41]

量化模型与构建方式 1. **模型名称**：市值分域的线性回归模型 - **模型构建思路**：通过市值分组加权回归方法构建复合因子，适配不同市值选股域的表现差异[7] - **模型具体构建过程**： 1. 将全市场股票按市值对数分为11组（KMedian聚类） 2. 采用分组加权回归，权重公式： $$w_{i}=w_{b a s e}+(1-w_{b a s e})*|i-I|/n$$ 其中： - \(w_{base}\)为最小权数（取0.9、0.5、0三种情况） - \(n=11\)为分组数 - \(I\)为最大权重分组（从1到11循环测试） 3. 对5类子因子（分红、ROE_SUE、日度量价、高频量价、复合因子）分别采用OLS回归系数IR加权复合[7][10] 2. **模型名称**：风格因子加权复合模型 - **模型构建思路**：基于市值、估值、价值-成长指标、行业等多风格因子聚类加权，提升因子在不同风格域的适应性[98] - **模型具体构建过程**： 1. 对5类风格因子（市值、市值三次方、估值、价值-成长指标、行业）进行曼哈顿距离聚类，分为11组 2. 价值-成长指标计算： - 价值指标：分析师一致预期市盈率+市净率+市销率+市现率+预期分红 - 成长指标：盈利增长+历史市值增长率+利润增长率+净现金流增长率+营收增长率 - 最终指标为两者相减[98] 3. 行业合并为TMT、上游、中游、消费、金融、综合六类，跨类时曼哈顿距离贡献为聚类数[98] 4. 采用与市值分域类似的交叉复合加权方法构建因子 --- 量化因子与构建方式 1. **因子名称**：分红因子 - **因子构建思路**：结合股息率与分红虚拟变量，反映基本面分红能力[10] - **因子具体构建过程**：由股息率因子与是否有分红的虚拟变量线性回归复合[10] 2. **因子名称**：ROE_SUE因子 - **因子构建思路**：综合ROE和SUE指标，反映盈利质量与增长[10] - **因子具体构建过程**：由ROE、SUE及对应的虚拟变量线性回归复合[10] 3. **因子名称**：日度量价因子 - **因子构建思路**：捕捉短期量价特征[10] - **因子具体构建过程**：由换手率、反转、特质波动、非流动性四个因子复合[10] 4. **因子名称**：高频量价因子 - **因子构建思路**：利用高频数据捕捉微观结构信号[10] - **因子具体构建过程**：由10个手工高频因子复合（具体因子未列明）[10] --- 模型的回测效果 1. **市值分域线性回归模型**（全市场测试，2017.01-2025.07） - **IC**：0.057（等权）→0.058（base_w=0.5）[8][9] - **Rank MAE**：1.090（等权）→1.089（base_w=0.5）[8][9] - **多空收益**：1.07%（等权）→1.08%（base_w=0.9）[11] - **多头收益**：0.33%（等权）→0.31%（base_w=0）[11] 2. **风格因子加权模型**（沪深300增强，严约束） - **年化超额收益**：5.83%（等权）→7.36%（base_w=0交叉复合）[103] - **IR**：0.804（等权）→0.901（base_w=0交叉复合）[103] - **最大回撤**：14.99%（等权）→16.33%（base_w=0交叉复合）[103] --- 因子的回测效果 1. **分红因子**（全市场IC，2017.01-2025.07） - **IC**：0.006（等权）→0.007（base_w=0）[13][14] 2. **ROE_SUE因子**（全市场IC） - **IC**：0.020（等权）→0.021（base_w=0.5）[15][16] 3. **日度量价因子**（全市场IC） - **IC**：0.042（等权）→0.044（base_w=0）[17][18] 4. **高频量价因子**（全市场IC） - **IC**：0.035（等权）→0.037（base_w=0.5）[19][20] --- 关键结论 - **市值加权效果**： - 沪深300增强中，极端大市值加权（base_w=0）提升年化超额1%以上[49][97] - 中证500增强中，base_w=0.5交叉复合效果最佳（年化超额15.06%）[92] - **风格因子加权局限性**：对中证1000增强效果不显著，仅严约束组合年化提升1%[132][141]

核心观点 - "有限关注"因子通过异常换手、异常成交、极端收益、龙虎榜等指标构建，代表个股被散户关注的程度，因子平均IC为负向，在偏小股票池中表现更突出[3][6][23] - 因子IC变化能反映市场"赚钱效应"，2019-2021年上半年因子IC明显回撤，显示散户追涨股票赚钱效应强，用沪深300因子IC构建择时信号月度胜率达70%以上[3][25][33] - 在指数增强组合中，直接叠加因子方法在沪深300和中证500中表现优于剔除法，但对中证1000无效，因子对大股票池选股增量效果更明显[3][35][40] - 有限关注域中价量类因子（低波动率、低流动性、长期动量）和成长类因子表现突出，估值类因子（盈利、价值、红利）有效性下降，分域选股组合收益提升更明显[3][41][55] 因子构建 - 采用异常换手率、异常成交量、极端收益、龙虎榜四个细分指标，通过线性合成和随机森林两种方法构建因子，随机森林法ICIR和胜率更高（RankICIR -0.86，胜率70.1%）[8][13][19] - 验证显示因子最高分组股东户数平均变化达+3,000户（线性合成法），显著高于最低分组的-500户，证实因子对散户关注度的刻画能力[15][17][19] - 全市场测试中因子在中证1000表现最佳，月均多空收益1.2%，IC值-0.12，显著优于沪深300的0.6%和-0.08[23][24] 市场应用 - 沪深300因子IC与行业涨跌趋势一致性指标相关性达0.5（2019-2021年），可用于判断市场强弱，构建的沪深300/中证1000轮动策略年化收益7.25%，最大回撤38.34%[29][32] - 沪深300指数增强组合叠加因子后年化收益提升至13.84%（原12.17%），夏普率从0.64增至0.73，中证500组合年化收益从13.43%提升至13.95%[36][40] - 分域测试显示有限关注域中低波动率因子IC达-0.0406（非域-0.0169），成长因子IC 0.0206（非域0.0143），分析师预期变化因子IC 0.0482（非域0.0036）[42][43] 组合优化 - 分域指数增强组合在沪深300中年化收益13.11%（原12.17%），中证500中14.06%（原13.43%），但增量效果弱于直接叠加因子法[48] - 50只股票的分域选股组合表现更优，沪深300组合年化收益15.34%（原12.80%），中证500组合14.94%（原13.40%），夏普率分别提升至0.74和0.70[55]

量化模型与因子总结 量化模型 1. 基于启发式风格划分的认知风险控制模型 模型构建思路：通过结合启发式方法和因子打分法识别市场认知与个体认知差异，控制认知风险[4][15] 模型具体构建过程： 1) 采用时间序列回归划分个股风格： $$r_{t,t}\sim\beta_{\mathit{Value}}\cdot r_{\mathit{Value},t}+\beta_{\mathit{Growth}}\cdot r_{\mathit{Growth},t}+\varepsilon_{t}$$ 约束条件： $$0\leq\beta_{\mathit{Value}}\leq1$$ $$0\leq\beta_{\mathit{Growth}}\leq1$$ $$\beta_{\mathit{Value}}+\beta_{\mathit{Growth}}=1$$ 2) 计算行业风险贡献： $$RiskContribution_{i}=w_{i}\times{\frac{\partial\sigma_{p}}{\partial w_{i}}}=w_{i}\times{\frac{\sum_{j=1}^{n}w_{i}\cdot Cov\left(r_{i},r_{j}\right)}{\sigma_{p}}}$$ 3) 对高风险行业中的认知差异个股偏离置为0[4][15][81] 2. 基于个股收益聚类的隐性风险识别模型 模型构建思路：采用Louvain社区发现算法对个股超额收益相关性进行聚类，识别传统风险模型无法捕捉的隐性风险[4][15][117] 模型具体构建过程： 1) 计算个股超额收益相关性矩阵 2) 应用Louvain算法最大化模块度进行聚类 3) 对近期走势趋同的股票聚类结果进行风险控制[117] 3. 动态风格因子控制模型 模型构建思路：针对风格因子波动率聚集现象，对近期波动率排名靠前、波动率显著放大的风格因子进行严格控制[4][15][81] 模型具体构建过程： 1) 计算风格因子滚动3个月收益率年化波动率 2) 识别波动率显著放大的风格因子 3) 在组合优化中约束高波动风格因子暴露[27][28] 4. 目标跟踪误差下的自适应个股偏离模型 模型构建思路：根据过去跟踪误差动态调整个股偏离幅度[4][15][81] 模型具体构建过程： 1) 计算组合相对基准的滚动3个月跟踪误差 2) 当跟踪误差超过阈值时自动缩小个股偏离 3) 形成跟踪误差-偏离幅度的动态调整机制[31][32] 量化因子 1. 黑天鹅指数因子 因子构建思路：通过风格因子收益率偏离度衡量市场极端程度[24][25] 因子具体构建过程： 1) 计算风格因子日度收益率偏离度： $$\sigma_{s,t}=\frac{\bar{r}_{s,t}-\bar{r}_{s}}{\sigma_{s}}$$ 2) 计算黑天鹅指数： $$BlackSwan_{t}=\frac{1}{N}\times\sum_{s\in S}\left|\sigma_{s,t}\right|$$ 因子评价：有效捕捉市场极端风险事件[24][25] 2. 成长价值风格因子 因子构建思路：综合估值和成长指标构建风格因子[82][83] 因子具体构建过程： 1) 价值因子包含股息率、BP、EPTTM、OCFPTTM四个子因子，权重各1/4 2) 成长因子包含DeltaROEQ、NPQYOY、SUE、AOG四个子因子，权重各1/4[82][83] 因子评价：传统因子打分法可能无法完全捕捉市场实际交易风格[88][93] 模型回测效果 1. 传统中证500指数增强组合 年化超额收益18.77%，相对最大回撤9.68%，信息比3.56，收益回撤比1.94，年化跟踪误差4.88%[5][16] 2. 引入全流程风控的中证500指数增强组合 年化超额收益16.51%，相对最大回撤4.90%，信息比3.94，收益回撤比3.37，年化跟踪误差3.98%[5][16]