量化模型与构建方式 1. 三维择时框架 * **模型名称**：三维择时框架[8] * **模型构建思路**：通过监测市场分歧度、流动性和景气度三个维度的变化趋势，综合判断市场整体走势[8] * **模型具体构建过程**：模型基于三个独立的指数进行判断[12] 1. **市场分歧度指数**：衡量市场参与者观点的离散程度，下行趋势表示市场观点趋于一致[12][17] 2. **市场流动性指数**：衡量市场资金面的宽松程度，上行表示流动性改善[12][19] 3. **A股景气度指数2.0**：衡量上市公司整体盈利增长趋势，上行表示景气度提升[12][22] 当三个维度（分歧度下行、流动性上行、景气度上行）的趋势判断一致时，给出明确的看涨或看跌信号[8] 2. 热点趋势ETF策略 * **模型名称**：热点趋势ETF策略[29] * **模型构建思路**：结合价格形态（支撑阻力）与市场短期关注度（换手率变化）筛选ETF，构建组合[29] * **模型具体构建过程**： 1. **初筛形态**：根据K线的最高价与最低价的上涨或下跌形态，先选出最高价与最低价同时为上涨形态的ETF[29] 2. **计算支撑阻力因子**：根据最高价与最低价近20日回归系数的相对陡峭程度，构建支撑阻力因子[29] 3. **筛选高关注度标的**：在支撑阻力因子的多头组中，选择近5日换手率/近20日换手率最高的10只ETF，即短期市场关注度明显提升的标的[29] 4. **组合构建**：对最终选出的10只ETF构建风险平价组合[29] 3. ETF三策略融合模型 * **模型名称**：ETF三策略融合轮动模型[32] * **模型构建思路**：将基于基本面、质量低波、困境反转三种不同逻辑的行业轮动策略进行等权融合，实现因子与风格互补，降低单一策略风险[32] * **模型具体构建过程**： 1. **策略一：行业轮动策略**：核心因子包括超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta，旨在覆盖行业多维度特性，宏观适配性强[33] 2. **策略二：个股风格驱动策略**：核心因子包括个股动量、个股质量、个股波动率，聚焦个股质量与低波，防御性突出[33] 3. **策略三：困境反转策略**：核心因子包括PB_zscore、分析师长期预期、短期筹码交换，旨在捕捉估值修复与业绩反转机会[33] 4. **策略融合**：将上述三个策略的选股结果进行等权组合，形成最终的ETF轮动组合[32] 4. 资金流共振策略 * **模型名称**：融资-主动大单资金流共振策略[44] * **模型构建思路**：利用融资融券资金流与主动大单资金流两个维度，寻找资金形成共振效应的行业进行推荐[44][47] * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算个股融资净买入-融券净卖出（即两融资金流）并在行业层面加总[41][44]。对该行业资金流进行barra市值因子中性化处理，然后计算其最近50日均值，最后计算该均值近两周的环比变化率[44] 2. **构建行业主动大单资金因子**：计算行业主动大单资金净流入，并对其进行最近一年成交量的时序中性化处理，得到排序分位值，最后取最近10日均值[44] 3. **策略逻辑**：研究发现，融资融券因子的多头端在不同市场状态下有稳定的负向超额收益，而主动大单因子剔除极端多头行业后有稳定正向超额收益[45]。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子得分也较高的行业，以提高策略稳定性[45]。进一步剔除大金融板块后构建最终组合[45] 5. 多风格增强策略 * **模型名称**：多风格增强策略[59] * **模型构建思路**：在基础的多风格策略之上，叠加额外的增强因子，以在其他风格端增厚收益，抑制单一风格波动，实现在不同市场周期下的稳定超额收益[59] * **模型具体构建过程**：报告提及了多种具体的风格增强策略，包括质量增强、红利增强、长期成长增强、价值增强、低波增强、短期动量增强、长期动量增强策略[63]。这些策略均在对应的风格基准（如中证红利全收益、中证全指等）上，通过叠加增强因子进行优化[63] 量化因子与构建方式 1. 支撑阻力因子 * **因子名称**：支撑阻力因子[29] * **因子构建思路**：根据价格高点与低点的回归趋势陡峭程度，判断价格的支撑或阻力强度[29] * **因子具体构建过程**：分别对ETF的最高价和最低价序列计算近20日的线性回归系数，根据这两个回归系数的相对陡峭程度构建因子[29] 2. 短期关注度因子 * **因子名称**：短期关注度因子（换手率变化）[29] * **因子构建思路**：用短期换手率相对于中长期换手率的提升幅度，衡量市场关注度的短期变化[29] * **因子具体构建过程**：计算ETF的近5日平均换手率与近20日平均换手率的比值[29] 3. 行业融资融券资金因子 * **因子名称**：行业融资融券资金因子[44] * **因子构建思路**：衡量经市值调整后的行业层面两融资金流的近期变化趋势[44] * **因子具体构建过程**： 1. 计算个股的两融资金流：融资净买入 - 融券净卖出[41][44] 2. 在行业层面将个股资金流加总[44] 3. 对行业资金流进行barra市值因子中性化处理[44] 4. 计算中性化后资金流的最近50日移动平均值[44] 5. 计算该50日均值近两周的环比变化率作为最终因子值[44] 4. 行业主动大单资金因子 * **因子名称**：行业主动大单资金因子[44] * **因子构建思路**：衡量经成交量调整后的行业大单资金净流入的近期强度[44] * **因子具体构建过程**： 1. 计算行业的主动大单资金净流入[44] 2. 对该净流入进行最近一年成交量序列的时序中性化处理，并转换为排序分位值[44] 3. 取该分位值的最近10日移动平均值作为最终因子值[44] 5. 风格因子 报告跟踪了多种市场风格因子，包括： * **市值因子**[51] * **贝塔因子**[50][51] * **动量因子**[51] * **波动率因子**[51] * **非线性市值因子**[51] * **价值因子**[55] * **流动性因子**[50][55] * **盈利收益率因子**[55] * **成长因子**[50][55] * **杠杆因子**[55] 6. Alpha因子（选股因子） 报告从不同维度列举了多个Alpha因子，部分因子构建过程如下： * **3个月成交量均值因子 (ln_volume_mean_3m)**：过去3个月成交量的自然对数均值[56] * **3个月成交量标准差因子 (ln_volume_std_3m)**：过去3个月成交量的自然对数的标准差[56] * **单季度净利润同比增长（考虑快报、预告）因子 (yoy_np_q_adv)**：$$ yoy\_np\_q\_adv = \frac{NP_{q} - NP_{q-4}}{|NP_{q-4}|} $$，其中NP为单季度净利润，考虑快报和预告数据[58] * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**：$$ roa\_q\_delta\_adv = ROA_{q} - ROA_{q-4} $$，其中ROA为单季度总资产收益率，考虑快报和预告数据[58] * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**：$$ mom1\_np\_fy1 = \frac{NP_{FY1}^{current} - NP_{FY1}^{1m\ ago}}{|NP_{FY1}^{1m\ ago}|} $$，其中NP_FY1为未来一年一致预测净利润[58] * **研发总资产占比因子 (tot_rd_ttm_to_assets)**：$$ tot\_rd\_ttm\_to\_assets = \frac{研发支出_{TTM}}{总资产} $$[58] * **SUE因子 (sue1)**：$$ sue1 = \frac{(NI_{q} - NI_{q-4}) - mean(NI_{t} - NI_{t-4}, t=q-7:q)}{std(NI_{t} - NI_{t-4}, t=q-7:q)} $$，其中NI为净利润，计算过去八个季度的标准化未预期盈余[58] 模型的回测效果 1. 热点趋势ETF策略 * **测试周期**：2025年以来[29] * **组合收益率**：43.6%[29] * **超额收益率（相对沪深300）**：22.4%[29] 2. ETF三策略融合轮动模型 * **测试周期**：2017年4月10日至2025年12月31日[34][37] * **全周期表现**[38]： * **组合收益率**：12.18% * **基准收益率**：2.08% * **超额收益率**：10.10% * **组合波动率**：16.54% * **信息比率(IR)**：1.07 * **最大回撤**：-24.55% * **夏普比率**：0.74 * **2025年表现**[38]： * **组合收益率**：27.29% * **基准收益率**：24.60% * **超额收益率**：2.69% 3. 融资-主动大单资金流共振策略 * **测试周期**：2018年以来[45] * **年化超额收益（费后）**：14.3%[45] * **信息比率(IR)**：1.4[45] * **近期表现（上周）**[45]： * **绝对收益率**：-0.94% * **超额收益率（相对行业等权）**：-0.95% 因子的回测效果 1. 风格因子近期表现（截至2025年12月31日） * **测试周期**：最近一周[51][55] * **市值因子收益**：-0.09%[51] * **贝塔因子收益**：1.47%[51] * **动量因子收益**：0.12%[51] * **波动率因子收益**：-0.71%[51] * **非线性市值因子收益**：0.01%[51] * **价值因子收益**：-0.89%[55] * **流动性因子收益**：0.16%[55] * **盈利收益率因子收益**：-0.78%[55] * **成长因子收益**：0.26%[55] * **杠杆因子收益**：-1.30%[55] 2. Alpha因子多头超额收益（截至2025年12月31日） * **测试周期**：近一周[56] * **3个月成交量均值因子 (ln_volume_mean_3m)**：0.68%[56] * **3个月成交量标准差因子 (ln_volume_std_3m)**：0.65%[56] * **6个月成交量均值因子 (ln_volume_mean_6m)**：0.61%[56] * **1个月与12个月成交量差值因子 (volume_1m_minus_12m)**：0.57%[56] * **1个月与12个月成交量比值因子 (volume_1m_div_12m)**：0.56%[56] * **3个月动量因子 (mom_3m)**：0.56%[56] 3. 分指数Alpha因子多头超额收益（上周，截至2025年12月31日） * **单季度ROA同比差值（考虑快报、预告）因子 (roa_q_delta_adv)**[58]： * **沪深300中超额**：28.46% * **中证500中超额**：5.09% * **中证800中超额**：18.15% * **中证1000中超额**：18.69% * **单季度净利润同比增长（考虑快报、预告）因子 (yoy_np_q_adv)**[58]： * **沪深300中超额**：24.46% * **中证500中超额**：8.23% * **中证800中超额**：17.73% * **中证1000中超额**：20.81% * **一致预期净利润变化（FY1）因子 (mom1_np_fy1)**[58]： * **沪深300中超额**：13.97% * **中证500中超额**：17.03% * **中证800中超额**：21.95% * **中证1000中超额**：9.30% * **研发总资产占比因子 (tot_rd_ttm_to_assets)**[58]： * **沪深300中超额**：11.80% * **中证500中超额**：18.21% * **中证800中超额**：20.87% * **中证1000中超额**：16.47% 4. 风格增强策略绩效（截至2025年12月31日） * **红利增强策略 (GL888002)**[63]： * **本周超额收益率（相对中证红利全收益）**：0.68% * **本年超额收益率**：14.44% * **最近一年年化收益率**：22.12% * **最近一年年化超额收益**：15.35% * **夏普比率**：1.92 * **区间最大回撤**：-5.40% * **低波增强策略 (GL888005)**[63]： * **本周超额收益率（相对中证全指）**：0.65% * **本年超额收益率**：4.37% * **最近一年年化收益率**：33.57% * **最近一年年化超额收益**：2.70% * **夏普比率**：2.67 * **区间最大回撤**：-8.73% * **长期成长增强策略 (GL888003)**[63]： * **本周超额收益率（相对中证全指）**：-0.13% * **本年超额收益率**：3.47% * **最近一年年化收益率**：34.66% * **最近一年年化超额收益**：3.80% * **夏普比率**：2.09 * **区间最大回撤**：-11.44%

纪要涉及的行业或公司 * 行业：投资管理、资产管理、量化投资策略 * 公司/产品：华证成长趋势100组合、沪深300 ETF、红利低波全收益指数[1][7] 核心观点和论据 市场环境与策略背景 * 2025年纯债市场波动性显著增加，传统以纯债为底仓的稳定性面临挑战[2] * 投资者开始转向将固收加策略作为组合底仓，以实现过去仅依靠纯债的配置效果[2] * 传统固收加策略的权益部分跨周期收益能力较弱，传统的股债组合（如沪深300 ETF和95%债券、5%股票）缺乏吸引力[2] 固收加策略的增强方法 * **权益部分增强的总体思路**：在权益部分创造更多稳健型策略，与债券部分结合，以固收加方式进行底仓配置[2] * **增强方案一：估值与质量因子结合** * 单纯依赖低估值因子并非最佳选择[5] * 建议先筛选ROE大于5%的标的，再根据PE和PB排序选择低估标的[1][5] * 相较于单一低估值因子，此方法更能实现稳健收益[5] * **增强方案二：低波动量因子策略** * 挑选过去一段时间内表现较好且波动率较低的标的[5] * 具体参数：过去20日涨跌幅排序与过去180日波动率倒数排序值相加，选择高分位数标的[1][5] * 此策略未来一段时间内收益能力较为平稳，可提升几何收益率[1][5] * **增强方案三：权重分配优化** * 建议采用排序法而非传统的流通市值或因子权重倒数法进行权重分配[5] * 排序法权重分布更平稳，不受历史数据跳升影响[5] * 历史测算显示，排序法比倒数法更优，既提高了收益能力，又减少了回撤幅度[5] 具体增强策略详解 * **红利增强策略** * **基本逻辑**：选择高红利、财务稳定、成长性不差的个券[1][7] * **具体方法**： 1. 使用质量因子（ROE和净利润同比增长）筛选，确保高红利非因资质太差[7][8] 2. 使用复合因子进一步筛选，因子包括净利润同比增长、经营性净现金流比净利润、单位分红比例及过去三年分红比例的标准方差，排序值加总后选择更高的50个券[8] 3. 根据低波和低波动量方式剔除可能偏高波或偏弱动量的标的（剔除10个后剩40个）[8] 4. 根据年化波动率排序值进行加权[8] * **策略效果**： * 自2012年以来，仅有个位数季度跑输红利低波全收益指数[7] * 年化回报近21%[1][7] * 最大回撤40%[1][7] * 滚动250天正收益概率近90%[1][7] * 相较于市场上常见的红利低波全收益指数有明显超额收益[7] * **成长增强策略** * **核心目标**：在保持成长性的同时，尽量降低波动[1][9] * **具体方法**： 1. 对净利润要求仅为正，以验证成长性，并考虑中后端上涨周期[9][11] 2. 根据六个因子的加权值选择前50个券，因子包括一致预期净利润增速、一致预期P1变动幅度、近三年净利润变异系数等，同时考虑估值因素如贝塔和PE倒序值[11] 3. 剔除120日涨跌幅变异系数尾部20%的标的[11] 4. 用一致预期净利润增速排序值进行加总，以维持组合成长性[11] * **策略效果**： * 即使只有40个券，也能跑赢华证成长趋势100组合约1%的超额[3][9] * 回撤减少8-9%[3][9] * 整体250日滚动胜率和120日滚动胜率表现良好[9] 固收加底仓策略的优化路径 * **目标波动率路径**：将目标波动率控制在预设范围内（如2%、3%），通过优化逻辑实现平衡收益与风险[10] * **目标回撤路径**：使用合成期权组合方式（非传统马克维茨模型），通过控制目标回撤（如2%、5%）实现稳健收益[12] * **优化效果**：两种路径相较于10%的国家恒定股债组合或沪深300，均有显著超额收益能力且回撤更小，在风险与收益间取得更好平衡[10][12] 其他重要内容 * **实际操作应用要点**：在分别对红利和成长风格进行增强时，需要平衡因子强化与风格偏移，在保持核心属性的前提下提高稳健性[4] * **引入主观决策**：可引入固定风格或主观决策优势，将工具应用到具体标的策略中，并根据实际情况调整，以提升整体组合稳定性[6] * **策略展望**：增强后的固收加策略作为底仓的配置方式，可能会在2026年受到市场需求[2]