核心观点 - 报告提出基于时点动量的热点概念选股策略，通过识别市场关键时点信号，结合热点概念的市场划分，构建精选组合，旨在捕捉个股Alpha与行业Beta的共振机会 [1][15][27] 基于时点动量的行业轮动策略 - 时点动量研究框架从行情内部转折日（底部反弹日、顶部切换日、三角突破日、高开跳空日）和外部事件冲击日（宏观经济数据公布日）出发，寻找市场关键时点 [50][51] - 各时点动量信号在中信一级行业分组检验中表现良好，反弹动量RankIC均值14.02%，胜率61.82%，年化RankICIR 1.39，多头次均超额收益1.32% [53] - 切换动量RankIC均值12.41%，胜率65.52%，年化RankICIR 1.08，多头次均超额收益1.16% [53] - 突破动量RankIC均值18.48%，胜率69.23%，年化RankICIR 1.96，多头次均超额收益2.09% [53] - 跳空动量RankIC均值26.04%，胜率88.89%，年化RankICIR 4.65，多头次均超额收益1.60% [53] - 宏观动量RankIC均值6.43%，胜率58.33%，年化RankICIR 0.70，多头次均超额收益0.55% [53] - 2013年至2025年期间共触发176次信号，每年数量中位数为14个，平均值为13个 [54][55] - 信号融合采用时间衰减加权，半衰期设定为10日，若10日内有多个信号触发，则加权合成 [59][62] - 融合后的时点动量因子在中信一级行业上多头次均超额达到1.23%，空头次均超额为-1.05% [67] 基于热点概念的市场划分新思路 - 热点概念主题具有成分股精简的特征，成分股数量大致在15-30只左右 [9] - 热点概念主题具有股价走势趋同的特征，成分股日度收益率相关性较高，如光模块(CPO)指数相关系数平均值达0.50 [9] - 热点概念主题具有机构关注度高的特征，分析师覆盖度处于较高比例，如宁组合覆盖度100% [11] - 热点概念主题具有行业景气度高的特征，归母净利润增速中位数较高，如三元锂电池指数增速达131.39% [11] - 好的市场划分需满足三大条件：类内股票收益分化小、类间股票收益分化大、类间收益分布相对均匀 [33][34] - 热点概念类别数量基本维持在20-30个类别左右 [133] - 热点概念类别内的个股收益相关性普遍高于中信一级行业划分，个股走势更为趋同 [136] - 基于热点概念划分的不同类别之间的收益分化高于中信一级行业，概念划分的锐度更明显 [139] - 基于热点概念划分的类别收益率更贴近个股分档收益，能更好地表征全市场所有股票的收益分布 [142] 时点动量概念股票池构建 - 时点动量概念股票池构建流程包括：根据时点动量对类别排序，计算不同类别日度超额收益相关系数，获取时点动量排名靠前且相关系数较低的多头类别 [152] - 入选类别要求与已入选类别的相关系数均不能高于0.5 [152] - 在20181228-20260731区间段内，时点动量热点概念股票池年化收益率28.27%，同期中证500指数年化收益率8.38%，年化超额收益达到19.89% [159] - 股票池每年都能战胜中证500指数 [159] - 样本区间内股票池平均持有290只股票 [163] - 股票池次均单边换手率为75% [163] - 股票池中平均有23%属于沪深300指数、26%属于中证500指数、31%属于中证1000指数、20%属于其他指数成分股 [168] - 股票池持股市值中位数为150亿元 [168] 时点动量概念精选组合构建 - 基本面类因子在时点动量概念股票池中展现选股效果，标准化预期外盈利RankIC均值2.67%，年化RankICIR 0.82 [172] - 单季度ROE同比增速RankIC均值3.68%，年化RankICIR 1.08 [172] - 单季度净利润同比增速RankIC均值3.26%，年化RankICIR 0.87 [172] - 技术面类因子中，剥离涨停动量RankIC均值6.38%，年化RankICIR 1.12 [172] - 大单及漫长订单精选因子RankIC均值6.39%，年化RankICIR 1.32 [172] - 主力复合因子RankIC均值6.77%，年化RankICIR 1.22 [172] - 复合选股因子在时点动量概念股票池中RankIC均值9.36%，次胜率76.53% [175] - 复合因子多头月均超额为1.32%，空头月均超额为-1.38% [175] - 精选组合构建要素：回测区间2018年12月28日至2026年7月31日，调仓频率为每次时点动量信号触发后不定期调仓，选股空间为时点动量概念股票池，持股数量30只，等权配置，交易费用双边千分之三 [178] - 在样本区间内，时点动量概念精选组合年化收益51.95%，相对同期中证500指数的年化超额收益达到43.57% [181] - 信息比2.40，收益回撤比4.30，每年均能够战胜中证500 [181]

核心观点 - 报告提出从Alpha挖掘转向Beta重构的新视角，认为量化策略瓶颈可能来自底层资产池划分方式，而非仅Alpha因子本身 [5] - 通过集中度筛选、聚类、类内优选、热点补充等方式对主题ETF池进行重构，能有效增厚策略收益 [5] - 时点动量因子在主题ETF轮动中仍然有效，重构后的标的池能提升超额收益获取能力 [62] Part1 从一级行业到细分主题：捕捉更多轮动机会 - 时点动量行业轮动策略在2014年1月9日至2026年8月7日期间，年化收益率为22.74%，相对中证全指年化超额收益16.27%，信息比1.47，相对最大回撤10.61% [13] - 2023年至2025年，组合年度超额收益分别为12.18%、16.29%和9.82%，样本外表现稳健 [13] - 中信一级行业内部二级行业收益分化显著，以2025年为例，通信行业内部“通信设备”上涨129.70%，而“电信运营Ⅱ”下跌8.38% [16] - 电子行业内部“元器件”上涨105.65%，而“光学光电”仅上涨7.82% [16] - 医药行业内部“化学制药”上涨20.94%，而“中药生产”微跌0.03% [16] - 热门一级行业衍生众多细分主题，如电子行业对应半导体、消费电子、AI等多个方向 [20] - 同一细分领域存在多个可供选择标的，如芯片方向有国证半导体芯片指数、中证芯片产业指数、上证科创板芯片指数等 [20] - 计算机行业内云计算50指数2025年收益率达93%，而创业软件指数收益率仅为5% [23] - 医药行业内科创新药指数2025年收益率为57%，而中证中药指数下跌6% [23] - 部分中间层细分主题同质化特征显著，如计算机行业内工业软件、软件开发、计算机、CS计算机等指数净值走势高度接近 [23] - 时点动量信号触发后，入选一级行业内部细分主题表现显著强于行业整体，如传媒行业区间收益22.19%，其内部动漫游戏主题收益达30.17% [27] - 电子行业区间收益12.37%，其内部科创AI主题收益达23.15% [27] Part2 聚焦细分Beta：全域主题ETF轮动组合构建与复盘 - 主题指数数量由2013年末的77只增长至2026年初的234只 [32] - 2025年9月，主题ETF规模首次突破一万亿元大关 [32] - 全域主题ETF轮动组合2014年以来年化收益率25.85%，同期中证全指年化收益6.47%，组合年化超额收益19.38%，信息比1.22 [41] - 相较一级行业轮动组合，全域主题ETF轮动组合年化收益有一定提升，尤其在2020年、2025年等市场风险偏好提升阶段超额收益表现更突出 [41] - 全域主题ETF轮动组合波动和回撤相较一级行业轮动组合明显放大 [41] - 以2024年2月6日大跌反弹信号为例，组合持有23只主题指数，持有期等权收益率7.86%，低于同期中证全指的11.43% [46] - 组合存在两方面问题：部分主题指数行业分布分散呈“类宽基”特征，以及多个指数集中于同一细分赛道形成重复暴露 [46] - 问题一示例：G60成指横跨电子、计算机、电力设备及新能源等多个行业，多个行业权重均超过10%，整体表现平滑缺乏进攻性 [51] - 解决方案一：对主题指数进行初筛，限制行业、板块集中度，定位主题特征更清晰、行业暴露更集中的指数 [51] - 问题二示例：2024年2月6日持仓中有10个指数集中在医药行业，大多聚焦生物医药方向，走势高度一致，当医药主题调整时组合净值回撤放大 [54] - 解决方案二：在应用时点动量轮动前，优先做好标的池分类和类内优选，降低同一细分主题带来的集中回撤风险 [54] - 主题ETF轮动池构建需满足三个条件：风格纯粹、覆盖广泛、尽量精简 [58] Part3 重绘Beta版图：主题ETF的空间重构 - 重构流程包括集中度初筛、主题聚类、类内精选、跨板块热点补充四个步骤 [61] - 集中度初筛要求：最大板块占比超过80%，最大行业占比超过30%，且权重在5%以上的行业数量不超过5个 [68] - 通过初筛，上证中央企业50、上证龙头企业指数等缺乏鲜明主题特征的指数将被剔除 [68] - 截至2026年7月末，全市场主题指数共计234只，经初筛后最新截面共计155只 [71] - 科技板块主题指数占比约35%，中游制造、周期、医药、消费和金融板块分别占比约18%、14%、12%、10%和10% [71] - 采用DBSCAN密度聚类方法，无需预先指定聚类数量，能识别离群值不强制聚类 [77] - 聚类距离矩阵基于指数过去480个交易日超额收益的加权相关系数转换得到 [80] - 在计算相关系数时，根据交易日收益分化程度赋予差异化权重，增强对结构性信息的识别能力 [86] - 每个截面通常可得到35个左右的细分类别，以2026年5月14日为例，TMT板块共分为9类 [87] - TMT板块内部不同分组间差异显著，截至20260514，过去两年平均超额最高的第6组（人工智能相关指数）累计超额收益超过100% [91] - 最低的第4组（中证传媒、文娱传媒、动漫游戏等）截面过去两年录得负超额 [91] - 类内优选选择收益弹性最高的指数作为代表，通过回归Beta衡量相对弹性 [92] - 以TMT板块分组6为例，创业板人工智能指数回归Beta最高为1.15，被选为代表指数 [93] - 跨板块热点补充机制：关注时点动量触发日指数成交量是否显著放量 [105] - 若主题指数当日放量程度超过中证全指当日放量水平，视为当期市场热点候选方向 [105] - 通过收益拟合框架检验跨板块热点指数能否提供增量信息，若最小跟踪误差超过8%则纳入候选指数池 [114] - 以卫星通信指数为例，其同时覆盖中游制造与科技两大板块，国防军工、电子和通信三大行业权重合计占比约90% [103] - 卫星通信指数在信号触发后净值显著跑赢其成分股中主要行业主题指数 [103] - 重构主题指数池2019年以来截面平均约为38只，2026年8月最新截面包含38只指数 [120] Part4 时点动量和聚类重构视角下的主题ETF轮动策略 - 重构主题指数池在数量上已接近中信一级行业体系 [120] - 重构主题指数池具有更大的首尾收益差 [121]