金融工程研究 - 报告构建了基于宏观、技术、景气、情绪四个维度的“四象限”月度行业轮动策略，并以此构建ETF组合[2] - 策略自2018年样本外跟踪，截至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%[2] - 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%，两个组合月度胜率均为58.3%[3] - 2025年因子表现分化：宏观因子表现突出，年化超额收益23.8%，月度胜率67%；景气度因子超额收益4.1%；情绪因子超额收益7.1%；技术面因子超额收益-1.1%[3] - 因子表现与市场环境联动：上涨市中，宏观、景气度和情绪面是主要驱动力；技术面因子主要在下行市场起防御作用[3] - 以ETF为持仓品种的策略组合自2014年以来，相对中证800指数获得11.4%的年化超额收益，信息比率1.01[4] 电力设备与新能源（麦格米特） - 首次覆盖麦格米特，给予“增持”评级，预测2025-2027年EPS分别为0.27、1.93、2.80元，给予2026年90倍PE估值，目标价173.48元[5] - 公司形成完整AI电源解决方案，产品价值量有望从2元/W跃升至5-6元/W，业务正经历从PSU向Power Rack的跨越[5][6] - 随着英伟达芯片功耗从Blackwell的1000W向Rubin的2000W演进，单机柜电源需求由198kW增至440kW以上，电源市场空间迅速扩容至1000亿元[6] - 公司有望进入ASIC供应体系，因谷歌和亚马逊为保障供应链安全，有望在2026年ASIC芯片快速起量至千万片时导入国内供应商[6] 海外策略研究 - 报告探讨AI社交网络，认为AI的本质是人的能力的复制，未来社交网络将由真人、Robot、AI Agent三方构成[9] - 依据交互对象和AI扮演角色的不同，将社交关系分为真人-真人、AI Agent-真人、真人-AI Agent、AI Agent-AI Agent四类[9] - 根据梅特卡夫定律，若每个用户都拥有自己的AI Agent分身，网络节点数将扩大一倍，带来网络效应三倍的提升[9] - AI混合社交网络下，社交巨头将受益于Agent和Robot渗透带来的用户数提升及价值量的超线性提升[9] 医疗器械（手术机器人） - 报告维持医疗器械行业“增持”评级，推荐精锋医疗-B，建议关注微创机器人-B[10] - 精锋医疗全球首个“多孔+单孔+远程”一体化手术机器人平台获NMPA批准，将全面加速商业化[10] - 微创机器人旗下图迈腔镜手术机器人全球商业化订单突破200台，覆盖近50个国家和地区，已完成商业化装机量近130台，自2025年10月订单“破百”后实现翻倍[11] - 国家医保局发布《手术与治疗辅助操作类医疗服务价格项目立项指南（试行）》，将推动手术机器人技术普及和规模化应用，并统一新设“远程手术辅助操作”价格项目[11] 建筑工程业（氢能） - 3月16日，工信部、财政部、发改委联合印发《关于开展氢能综合应用试点工作的通知》[13] - 政策目标：到2030年，终端用氢平均价格降至25元/千克以下，部分优势地区力争降至15元/千克左右；全国燃料电池汽车保有量较2025年翻一番，力争达到10万辆[13] - 中央财政将采取以奖代补方式支持，单个城市群试点期内奖励上限不超过16亿元[13] - 报告指出华电科工、中钢国际、中国能建等公司受益[12][13] - 中钢国际设计承建的宝武湛江钢铁百万吨级氢基竖炉，成功验证高氢（70%氢气含量）冶炼条件[14][27] 综合金融（财富管理） - 2025年下半年，前100名基金销售机构非货基金保有量环比增长14.7%至11.7万亿元[16] - 增长主因是权益类基金保有规模提升，其保有量达6.0万亿元，贡献了非货基金保有增量的57%[16] - 权益基金保有量提升主要来自第三方渠道，环比增长22%至1.8万亿元，增量贡献38%，其中蚂蚁基金、天天基金、腾安基金贡献主要增量[17] - 基金保有数据呈现头部集中效应，前100大机构权益类和非货类基金保有量市占率在2025年底分别提升了0.61%和1.00%[19] 保险（阳光保险） - 报告维持阳光保险“增持”评级，上调目标价至5.83港元，对应2026年P/EV为0.5倍[21] - 2025年归母净利润同比增长15.7%；新业务价值同比大幅增长48.2%，主要得益于新单保费高增，全年同比增长47.3%[21][22] - 财险综合成本率同比提升2.4个百分点至102.1%，主要受保证险拖累，其综合成本率为129.0%[23] - 2025年总投资收益率同比提升0.5个百分点至4.8%，净投资收益率同比下降0.5个百分点至3.7%[23] 建筑工程（中钢国际） - 报告维持中钢国际“增持”评级，维持目标价9.14元，对应2026年16.3倍PE[24] - 2025年公司新签合同额203.98亿元，同比增长3.7%，其中国外新签占比71.5%[24] - 公司在氢冶金领域技术领先，其HyCROF技术已在宝武2500立方米商业化示范项目上实现工艺生产稳定[27] - 公司设计承建了全球首套采用多气源适应的宝武湛江钢铁百万吨级氢基竖炉，并成功验证高氢冶炼条件[14][27] 市场策略（地方债） - 上周（3月9日-13日），7个省市共发行35只地方债，规模共计1355.45亿元[29] - 上周地方债发行利差为15.17BP，较前一周的19.37BP有所下降[29] - 下周（3月16日-20日）地方债供给将提速，新发地方债3422亿元；3月各省发行计划合计规模为9731亿元[29] - 上周地方债利差整体修复，其中超长端修复更为明显，15年、20年和30年期地方债利差分别收窄3.3BP、4.8BP和5.3BP[29] 产业深度（AI） - 报告认为AI科技使得人类可利用“数字分身”或“物理分身”来更好匹配自身的马斯洛需求层次模型[30] - 在生理需求层，AI可作为“生存与生活刚需助手”；在生理与安全需求层，具身智能（“物理分身”）逐渐开始渗透物理世界[30] 环保 - 生态环境法典于2026年3月12日通过，将于2026年8月15日起施行，同时环境保护法等10部法律废止[31][32] - 法典共5编、1242条，以“适度法典化”系统整合现有环保法律体系，推动规则统一和执法协同[32][33] - 法典将绿色低碳发展单列一编，突出绿色转型与应对气候变化议题[33] - 报告认为法典实施将提高违法成本，企业在环保方面合规经营能力的重要性将上升[33] 物流仓储 - 报告关注口岸物流回暖，甘其毛都口岸进出口货运量同比增速显著，截至2026年3月3日，货运量同比增长31%至828.34万吨[35] - 2026年至今，甘其毛都口岸累计通车数66087辆，同比增长38.3%[35][37] - 短盘运费企稳上升，2026年累计至今均值为65元/吨[35] - 嘉友国际2025年第三季度营收同比增长30.61%至24.86亿元，归母净利润为3.13亿元，业绩改善主要系中蒙跨境业务量复苏和主焦煤价格上涨[36] 计算机（东方国信） - 首次覆盖东方国信，给予“增持”评级，目标价15.36元，预计2025-2027年收入分别为26.9/33.1/42.0亿元[38] - 公司智算中心业务迎来关键拐点，内蒙古和林格尔的智算中心已与头部互联网客户签订长期合同[40] - 公司通过控股中科视拓（视拓云）进入C端算力零售赛道，视拓云是该赛道头部平台[40] - 公司在电信、金融、工业、政府等领域提供大数据、人工智能等平台及解决方案[39] 金融工程（资金流向与组合跟踪） - 近5个交易日（3月9日-13日），个股大额买入排名前5为：酒钢宏兴、文投控股、津滨发展、宁波建工、西宁特钢；净主动买入排名前5为：民生银行、国投电力、光大银行、浙商银行、尚太科技[41] - 行业层面，大额买入排名前5的中信一级行业为：银行、房地产、建筑、综合、钢铁；净主动买入排名前5的为：银行、食品饮料、房地产、建筑、基础化工[41] - 上周（3月9日-13日），风格Smart beta组合中，价值50组合绝对收益为0.07%；生命周期优选组合中，困境反转组合周收益率为-0.58%[43] - 今年以来（至3月13日），价值50组合年收益率为2.20%，成长50组合为2.42%，小盘50组合为8.96%[43][44] 汽车（重卡） - 报告预计2026年重卡国内销量有望达到76万台，同比下滑5.3%；批发销量有望达到116万台，同比增长1.5%，出口有望维持增长[46] - 2026年2月，国产重卡销量7.4万台，同比下降10%，环比下降30%；1-2月累计销量17.9万台，同比增长17%[47] - 2月国产天然气重卡销量1.0万台，同比下降37%，渗透率为14%；1-2月累计销量2.9万台，同比增长12%[48] - 2月国产新能源重卡销量1.1万台，同比增长5%，渗透率为14%；1-2月累计销量3.1万台，同比增长54%[49]

文章核心观点 - 文章介绍了一种基于四象限（景气度、情绪面、技术面、宏观）的月度行业轮动策略，该策略自2018年起进行样本外跟踪，历史回测显示能持续获得超额收益，2025年策略组合绝对收益达36%至38.1%，超额收益显著 [2] - 策略因子表现与市场环境高度相关，在上涨市中宏观、景气度和情绪面因子是主要驱动力，而技术面因子在下行市场中更具防御作用 [3] - 策略已构建以ETF为持仓品种的组合，自2014年以来相对中证800指数获得了11.4%的年化超额收益，信息比为1.01 [3] 策略历史与近期表现 - 策略自2018年开始样本外跟踪，截至2025年12月，单因子多策略年化超额收益为13.85%，复合因子策略年化超额收益为7.28% [2] - 2025年，行业轮动组合中，单因子多策略组合绝对收益为36%，相对于等权基准的超额收益为12.29%，复合因子策略组合绝对收益为38.1%，超额收益为14.38%，两个组合的超额收益月度胜率均为58.3% [2] 2025年因子表现分析 - 2025年因子有效性呈现较大分化，宏观因子表现极为突出，年化超额收益达23.8%，月度胜率为67% [2] - 景气度因子和情绪因子在2025年的超额收益贡献相对平淡，分别为4.1%和7.1% [2] - 技术面因子在2025年表现较差，超额收益为-1.1%，这与历史上市场上行环境中技术面因子表现相对较差的规律一致 [2] 因子与市场环境联动性 - 将市场按年度涨幅是否大于零分为上涨市与下跌市，四大维度因子的表现与市场环境存在强关联性 [3] - 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 [3] - 技术面因子主要在下行市场环境中起到防御作用 [3] - 未来研究计划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 [3]

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]

量化模型与构建方式 **注：** 该报告为历史牛市行业表现的复盘研究，未涉及具体的量化模型或量化因子构建。报告的核心内容是对不同牛市阶段中，各行业（长江一级行业）的涨幅、弹性、超额收益等表现进行统计和对比分析，属于历史规律总结和定性描述，并未提出新的量化模型或因子[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15]。 量化因子与构建方式 **注：** 该报告未构建新的量化因子。报告中用于衡量行业表现的核心指标是**“区间最大涨幅”**，其定义为行业指数在特定时间段内从最低点到最高点的最大涨幅[20]。报告以此作为衡量行业弹性的主要标准，并基于此指标进行排序和对比分析[20][28][46]。 模型的回测效果 **注：** 报告未涉及量化模型，因此无模型回测效果。 因子的回测效果 **注：** 报告未构建量化因子，因此无因子回测效果。但报告对历史四轮牛市中各行业基于“区间最大涨幅”等指标的表现进行了详尽的统计，具体结果如下： **1. 第一轮牛市（2005年6月6日至2007年10月16日）行业弹性排名** * 综合金融，区间最大涨幅1955%，超额收益月份数22个月[28] * 房地产，区间最大涨幅1000%，超额收益月份数10个月[28] * 非金属材料，区间最大涨幅894%，超额收益月份数15个月[28] * 机械设备，区间最大涨幅884%，超额收益月份数15个月[28] * 金属材料及矿业，区间最大涨幅858%，超额收益月份数14个月[28] * 煤炭，区间最大涨幅842%，超额收益月份数13个月[28] * 家用装饰及休闲，区间最大涨幅808%，超额收益月份数13个月[28] * 油气石化，区间最大涨幅805%，超额收益月份数17个月[28] * 商业贸易，区间最大涨幅758%，超额收益月份数9个月[28] * 电力及新能源设备，区间最大涨幅726%，超额收益月份数14个月[28] **2. 第二轮牛市（2012年12月4日至2015年6月3日）行业弹性排名** * 计算机，区间最大涨幅891%，超额收益月份数22个月[46] * 家用装饰及休闲，区间最大涨幅542%，超额收益月份数22个月[46] * 传媒互联网，区间最大涨幅537%，超额收益月份数17个月[46] * 国防军工，区间最大涨幅509%，超额收益月份数17个月[46] * 电信业务，区间最大涨幅454%，超额收益月份数20个月[46] * 电力及新能源设备，区间最大涨幅393%，超额收益月份数21个月[46] * 环保，区间最大涨幅388%，超额收益月份数15个月[46] * 社会服务，区间最大涨幅380%，超额收益月份数20个月[46] * 电子，区间最大涨幅354%，超额收益月份数20个月[46] * 综合金融，区间最大涨幅348%，超额收益月份数13个月[46] **3. 第三轮牛市（2018年10月19日至2021年7月21日）行业弹性排名** * 电力及新能源设备，区间最大涨幅502%，超额收益月份数19个月[55] * 食品饮料，区间最大涨幅425%，超额收益月份数19个月[55] * 国防军工，区间最大涨幅373%，超额收益月份数15个月[55] * 有色金属，区间最大涨幅365%，超额收益月份数15个月[55] * 医药生物，区间最大涨幅364%，超额收益月份数18个月[55] * 电子，区间最大涨幅361%，超额收益月份数18个月[55] * 基础化工，区间最大涨幅342%，超额收益月份数16个月[55] * 汽车，区间最大涨幅337%，超额收益月份数16个月[55] * 机械设备，区间最大涨幅332%，超额收益月份数17个月[55] * 计算机，区间最大涨幅329%，超额收益月份数15个月[55] **4. 第四轮牛市（2024年2月5日至今）行业弹性排名（截至报告时）** * 电信业务，区间最大涨幅84.79%[25] * 金属材料及矿业，区间最大涨幅82.68%[25] * 电子，区间最大涨幅48.18%[25] * 电力及新能源设备，区间最大涨幅40.71%[25] * 国防军工，区间最大涨幅39.70%[25] * 化学品，区间最大涨幅39.26%[25] * 机械设备，区间最大涨幅39.14%[25] * 保险，区间最大涨幅31.36%[25] * 传媒互联网，区间最大涨幅30.08%[25] * 非金属材料，区间最大涨幅28.16%[25]

量化模型与构建方式 1. 模型名称：异动雷达综合信号资金通道策略[29][42][44] 模型构建思路：基于“事件簇”理念，通过计算个股与基准指数在多种资金流指标上的分钟序列相关系数，并结合个股超额收益方向，批量识别个股异动事件信号。筛选出有效且低相关的信号进行合成，构建事件驱动策略[28][29]。 模型具体构建过程： * **信号生产**：对于每只股票，在每日的特定时间段（如第四个小时），计算其与基准指数（如万得全A）在特定资金流指标（如“最激进的主买单委托单数量”）上的分钟序列相关系数[29][44]。 * **信号触发**：若相关系数<0，则判定为发生异动。可进一步结合该时间段内个股相对基准指数的超额收益方向，细分为“上涨异动”（超额收益>0）或“下跌异动”（超额收益<0），也可不区分方向[29][39]。 * **信号筛选**：对批量生产的事件信号，通过其对应资金通道策略在样本内的超额信息比率（IR）和信号间的相关性进行分时段筛选，保留有效且低相关的信号，构成“异动雷达事件簇”[29][43]。 * **信号合成**：若某只股票在某一交易日同时触发事件簇中2个及以上的信号，则视为触发“异动雷达综合信号”[44]。 * **策略构建**：采用4通道轮动方式。每周末，回看过去5个交易日，将所有曾触发异动雷达综合信号的股票作为目标股票池。下周初开盘时，在空闲资金通道中等权买入目标池股票，持有20个交易日后平仓。4个通道的净值之和即为策略整体净值[42]。 2. 模型名称：叠加负向剔除的异动雷达综合信号资金通道策略[50][51] 模型构建思路：在异动雷达综合信号策略的基础上，进一步利用事件簇中具有负向筛选能力的信号，剔除部分股票以提升策略表现[48][51]。 模型具体构建过程： * **负向信号筛选**：从异动雷达事件簇中，筛选出对应资金通道策略负向超额收益信息比率较高且相关性较低的信号作为负向信号[48]。 * **策略构建**：每周末，回看过去5个交易日，将曾触发异动雷达综合信号的股票作为初始目标池，然后剔除在过去5日内曾触发任一负向信号的股票，得到最终目标股票池。后续资金通道轮动操作与基础模型相同[51]。 3. 模型名称：行业轮动模型（强趋势+低拥挤、剔除低景气）[69][70] 模型构建思路：每月末，基于行业的趋势、拥挤度、景气度因子，筛选出趋势强、不拥挤且景气度不低的行业进行配置[69]。 模型具体构建过程： * **因子标准化**：每月末，将各中信一级行业的趋势因子、拥挤度因子分别进行截面zscore标准化[69]。 * **综合得分**：将标准化后的趋势因子与拥挤度因子得分相加，得到行业综合得分[69]。 * **初始筛选**：选取综合得分排名前5的行业作为初始多头持仓[69]。 * **景气度剔除**：若初始持仓中存在景气度排名倒数前5的行业，则将其剔除，剩余行业构成最终行业配置组合[69]。 4. 模型名称：行业轮动模型（异动+强趋势+低拥挤、剔除低景气）[70] 模型构建思路：在“强趋势+低拥挤、剔除低景气”模型基础上，加入行业异动因子，以提升行业配置效果[70]。 模型具体构建过程： * **因子标准化**：每月末，将各中信一级行业的异动因子、趋势因子、拥挤度因子分别进行截面zscore标准化[70]。 * **综合得分**：将标准化后的三个因子得分相加，得到行业综合得分[70]。 * **初始筛选**：选取综合得分排名前5的行业作为初始多头持仓[70]。 * **景气度剔除**：若初始持仓中存在景气度排名倒数前5的行业，则将其剔除，剩余行业构成最终行业配置组合[70]。 5. 模型名称：行业轮动模型（强趋势+高景气、剔除高拥挤）[74] 模型构建思路：每月末，基于行业的趋势、景气度、拥挤度因子，筛选出趋势强、景气度高且不拥挤的行业进行配置[74]。 模型具体构建过程： * **因子标准化**：每月末，将各中信一级行业的趋势因子、景气度因子分别进行截面zscore标准化[74]。 * **综合得分**：将标准化后的趋势因子与景气度因子得分相加，得到行业综合得分[74]。 * **初始筛选**：选取综合得分排名前5的行业作为初始多头持仓[74]。 * **拥挤度剔除**：若初始持仓中存在拥挤度排名前5的行业，则将其剔除，剩余行业构成最终行业配置组合[74]。 6. 模型名称：行业轮动模型（异动+强趋势+高景气、剔除高拥挤）[74] 模型构建思路：在“强趋势+高景气、剔除高拥挤”模型基础上，加入行业异动因子，以提升行业配置效果[74]。 模型具体构建过程： * **因子标准化**：每月末，将各中信一级行业的异动因子、趋势因子、景气度因子分别进行截面zscore标准化[74]。 * **综合得分**：将标准化后的三个因子得分相加，得到行业综合得分[74]。 * **初始筛选**：选取综合得分排名前5的行业作为初始多头持仓[74]。 * **拥挤度剔除**：若初始持仓中存在拥挤度排名前5的行业，则将其剔除，剩余行业构成最终行业配置组合[74]。 量化因子与构建方式 1. 因子名称：价格异动事件信号[13] 因子构建思路：通过计算个股与基准指数（万得全A）日内分钟收盘价序列的相关系数，识别价格走势与大盘背离的个股[11][13]。 因子具体构建过程：对于某只股票，计算其当日分钟收盘价序列与万得全A指数分钟收盘价序列的相关系数。若相关系数<0，则判定该股当日发生价格异动[13]。 因子评价：该信号捕捉的异动股票未来超额收益胜率不足50%，无法成为有效的Alpha信号源[15]。 2. 因子名称：逆势上涨异动事件信号[18] 因子构建思路：在价格异动的基础上，进一步考虑个股相对指数的超额收益方向，识别“指数下跌而个股上涨”的情形[17][18]。 因子具体构建过程：对于某只股票，计算其当日分钟收盘价序列与万得全A指数分钟收盘价序列的相关系数。若相关系数<0，且当日个股收益率>指数收益率，则判定该股当日发生逆势上涨异动[18]。 3. 因子名称：逆势下跌异动事件信号[18] 因子构建思路：在价格异动的基础上，进一步考虑个股相对指数的超额收益方向，识别“指数上涨但个股下跌”的情形[17][18]。 因子具体构建过程：对于某只股票，计算其当日分钟收盘价序列与万得全A指数分钟收盘价序列的相关系数。若相关系数<0，且当日个股收益率<指数收益率，则判定该股当日发生逆势下跌异动[18]。 4. 因子名称：异动雷达事件簇信号[28][29] 因子构建思路：利用多种维度的资金流指标（而非仅价格），计算个股与基准指数资金流分钟序列的相关系数，并结合超额收益方向，体系化地批量生产个股异动事件信号[28][29]。 因子具体构建过程： * **资金流指标构建**：数据来源包括逐笔成交、委托、撤单。从“何人”（按金额大小或委托激进程度划分）、“何方向”（买/卖/整体）、“何种量”（成交量、金额、笔数、单笔金额）等多个维度构建分钟资金流指标[34]。 * **基准指数资金流拟合**：通过将成分股资金流简单相加、取中位数或按流通市值加权等方式，拟合得到基准指数（如万得全A或行业指数）的资金流序列[35]。 * **相关系数计算**：选择特定时段（如全天或分小时），计算个股与基准指数在选定资金流指标上的分钟序列相关系数$$corr$$[29][30]。 * **信号定义**：若相关系数$$corr < 0$$，可判定为“异动”。可进一步结合该时段内个股相对基准指数的超额收益$$R_{stock} - R_{benchmark}$$，定义“上涨异动”（超额收益>0）或“下跌异动”（超额收益<0）[29][39]。 5. 因子名称：行业异动因子[66] 因子构建思路：将个股层面的异动雷达综合信号聚合到行业层面，构建反映行业整体异动程度的因子[66]。 因子具体构建过程： * 每个交易日，统计各中信一级行业内触发异动雷达综合信号的股票数量$$Count_{signal}$$[66]。 * 计算各行业的异动占比：$$异动占比 = \frac{Count_{signal}}{行业成分股总数}$$[66]。 * 计算行业异动占比的滚动20日平均值[66]。 * 计算该滚动平均值在时序上的历史分位数，作为该行业当日的异动因子值[66]。 因子评价：该因子月度IC均值为0.03，具备一定的行业分组能力，且与常见的行业趋势因子相关性较低（约11%）[68]。 模型的回测效果 （回测期：2016/01/01 - 2026/02/28，基准：中证800等权指数） 1. 异动雷达综合信号资金通道策略，年化收益8.70%，年化波动19.95%，信息比率0.44，最大回撤31.98%，年化超额收益7.51%，超额年化波动3.03%，超额信息比率2.48，超额最大回撤4.13%[45][48] 2. 叠加负向剔除的异动雷达综合信号资金通道策略，年化收益10.94%，年化波动20.15%，信息比率0.54，最大回撤30.62%，年化超额收益9.77%，超额年化波动3.34%，超额信息比率2.92，超额最大回撤2.85%[51][53] 因子的回测效果 1. 价格异动事件信号，触发后60个交易日，相对中证800等权的累积超额收益平均值0.29%，样本胜率44.17%[16] 2. 逆势上涨异动事件信号，触发后60个交易日，相对中证800等权的累积超额收益平均值0.02%，样本胜率43.39%[21] 3. 逆势下跌异动事件信号，触发后60个交易日，相对中证800等权的累积超额收益平均值0.56%，样本胜率44.77%[26] 4. 行业异动因子，在行业轮动模型（异动+强趋势+低拥挤、剔除低景气）中，年化超额收益9.50%，超额信息比率1.09，超额最大回撤9.62%[70][73] 5. 行业异动因子，在行业轮动模型（异动+强趋势+高景气、剔除高拥挤）中，年化超额收益9.04%，超额信息比率0.80，超额最大回撤18.66%[75][78]

报告行业投资评级 未提及 报告的核心观点 - 金融街证券研究所基于策略报告构建基于行业和主题ETF的策略组合 [2] - 2026年3月2 - 6日期间，策略累计净收益约 -2.24%，相对于沪深300ETF的超额收益约为 -1.01%；2024年10月14日至今，策略样本外累计收益约35.44%，相对于沪深300ETF累计超额约11.95% [3] - 2026年3月9日这一周，模型推荐配置股份制银行、电力、证券等板块，未来一周策略将新增持有银行ETF、绿电ETF等产品，并继续持有煤炭ETF等产品；截至上周末，部分ETF及标的指数的交易择时信号给出日度或周度风险提示 [12] 根据相关目录分别进行总结 策略组合构建 - 基于《行业轮动下的策略组合报告:基于行业风格延续和切换视角下的定量分析》(20241007)和《股票型ETF市场概览与配置方法研究:以基于行业轮动策略的ETF组合为例》(20241013)构建基于行业和主题ETF的策略组合 [2] 策略持仓情况 |基金代码|ETF名称|ETF市值（亿元）|持有情况|重仓申万行业及权重|周度择时信号|日度择时信号| | --- | --- | --- | --- | --- | --- | --- | |159887|银行ETF|14.61|调入|股份制银行(43.36%)|1|0| |562550|绿电ETF|5.13|调入|电力(99.26%)|1|1| |159933|金融地产ETF国投瑞银|1.18|调入|证券(27.4%)|-1|-1| |159326|电网设备ETF|314.55|调入|电网设备(77.17%)|1|1| |510060|央企ETF工银|1.05|调入|国有大型银行II(16%)|1|0| |515220|煤炭ETF|102.90|继续持有|煤炭开采(89.08%)|1|1| |562900|农业ETF易方达|1.23|调入|养殖业(50.1%)|-1|1| |560980|光伏龙头ETF广发|4.58|调入|光伏设备(46.99%)|1|-1| |510010|180治理ETF交银|2.54|调入|保险(10.74%)|0|1| |159790|碳中和ETF|15.96|调入|电池(32.5%)|-1|-1| [3] 策略业绩追踪 - 20260302 - 20260306期间，策略累计净收益约 -2.24%，相对于沪深300ETF的超额收益约为 -1.01%；2024年10月14日至今，策略样本外累计收益约35.44%，相对于沪深300ETF累计超额约11.95% [3] 近1周持仓与表现 |基金代码|ETF名称|ETF市值（亿元）|近1周涨跌幅(%)|持有情况| | --- | --- | --- | --- | --- | |159707|地产ETF|6.69|-3.23|调出| |159745|建材ETF|24.62|-2.35|调出| |159796|电池ETF汇添富|77.49|1.42|调出| |512800|银行ETF|119.60| -6.99|调出| |159869|游戏ETF|107.21| -4.77|调出| |159766|旅游ETF|65.68| -4.77|调出| |515220|煤炭ETF|102.90|2.91|继续持有| |159328|家电ETF易方达|1.24| -1.47|调出| |515650|消费50ETF|36.01| -1.13|调出| |515760|浙江国资ETF华夏|1.43| -1.13|调出| | |ETF组合平均收益| | -2.24| | |510300|沪深300ETF|2081.78| -1.23| | | |ETF组合超额收益| | -1.01| | [11] 未来1周推荐 - 2026年3月9日这一周，模型推荐配置股份制银行、电力、证券等板块，未来一周策略将新增持有银行ETF、绿电ETF、金融地产ETF国投瑞银、电网设备ETF、央企ETF工银等产品，并继续持有煤炭ETF等产品；截至上周末，部分ETF及标的指数的交易择时信号给出日度或周度风险提示 [12]

核心观点 报告将横截面PB-ROE模型扩展至时间序列分析，构建了用于A股市场（以中证全指为代表）的估值偏离度指标[11][12] 该指标与未来市场回报呈现正相关，表明A股市场整体表现出估值动量效应，而非如标普500指数般的均值回复[13][26] 基于估值偏离度与未来涨幅呈U型分布的规律，报告构建了周频仓位择时策略和行业轮动策略，回测显示均能有效创造超额收益[39][41][47][71][77] 模型构建与A股市场实证 - **模型基础**：时间序列PB-ROE模型用于分析指数估值，其残差（估值偏离度）代表市场实际估值相对于基本面（由ROE、实际利率、通胀率驱动）合理估值的偏离[12][14] 当残差>0时，市场估值较高、情绪高涨；残差<0时，市场估值较低、情绪低迷[13] - **A股模型有效性**：应用于中证全指的模型历史平均调整后拟合优度为0.56，最高超过0.80，表明指数PB主要由盈利、实际利率和通胀环境驱动，模型解释能力较强[20] - **A股市场特征**：与标普500指数相反，中证全指的估值偏离度与未来回报呈正相关，主要体现为估值动量[26] 估值偏离度与未来第1周、第2周涨幅的相关系数分别为0.08和0.06，且具有统计显著性[29] 当估值偏离度远离历史均值时，相关性显著提升，例如偏离超过1倍标准差时，与未来第1周涨幅的相关系数升至0.21[35] 仓位择时策略 - **策略逻辑**：根据估值偏离度与未来涨幅的U型分布规律，将市场状态分为四类并对应不同仓位[41][43] 1. **估值偏离度很高**（>均值+1倍标准差）：市场情绪高涨，估值快速扩张，交易赔率最高，保持100%高仓位 2. **估值偏离度较高**（均值<残差值<均值+1倍标准差）：估值较高但趋势不明，保持10%低仓位 3. **估值偏离度较低**（均值-1倍标准差<残差值<均值）：估值较低，具备反弹动能，保持60%中等仓位 4. **估值偏离度很低**（残差值<均值-1倍标准差）：估值极低，反弹动能强烈，保持80%中高仓位 - **策略效果**：回测期间（2014/1/3-2026/2/27），择时组合累计涨幅为283.45%，远超基准的122.61%[47] 择时组合最大回撤为33.04%，年化波动率为16.01%，均显著优于基准的57.01%和22.16%[47] 历史上，高、低、中等、中高仓位天数占比分别为24%、32%、29%、15%[48] 关键交易信号分析 - **高估值偏离度区域**：做多性价很高，处于估值快速扩张阶段，动量效应极强[57][59] 例如，当估值偏离度>均值+2倍标准差时，做多胜率达60.0%，赔率达2.0[53][57] 当>均值+2.5倍标准差时，胜率进一步提升至68.0%，赔率为1.9[53][59] - **中高估值偏离度区域**：做空（空仓）性价比较高，市场担忧高估值压制[57][63] 例如，当估值偏离度在[均值, 均值+0.3倍标准差]区间时，做空胜率为54.9%，赔率为1.8[53][57] - **低估值偏离度区域**：做多确定性次高，估值安全边际高，下跌空间有限，但赔率较低[57][61] 当估值偏离度在[均值-0.3倍标准差, 均值-1.5倍标准差]区间时，做多胜率较高[61] 若估值偏离度进一步降低，胜率会迅速下降[57] 行业轮动应用 - **行业特征差异**：各行业估值偏离度与未来涨幅的相关性不同[67] 基础化工、银行、公用事业、煤炭、石油石化等低估值周期行业呈现均值回复特征（相关系数<0），而其他多数行业与中证全指一致，呈现动量特征（相关系数>0）[67] - **轮动策略构建**：根据行业相关性特点动态调整仓位，对于相关系数>0的行业，随估值偏离度提升而增加仓位；对于相关系数<0的行业，则随估值偏离度提升而降低仓位[68] 每周选择仓位最高的前5个行业构成多头组合，仓位最低的前5个行业构成空头组合[68] - **策略表现**：回测期间（2014/1/2-2026/2/27），多头行业组合累计收益达330.35%，显著跑赢行业等权基准的128.36%，超额收益为201.99%[71] 空头行业组合累计收益仅为14.48%，相对基准超额收益为-113.88%，显示出良好的负面排除能力[77]

核心观点 - 报告核心观点：A股情绪指数抬升，对A股的择时仓位为看多，港股情绪指数下降，对港股的择时仓位为中性 当前机构关注基础化工和汽车行业，非银行金融行业的机构关注度从高位下降 最近一周“煤炭”、“电力及公用事业”、“银行”、“非银行金融”和“传媒”行业的机构关注度在提升 当前石油石化、有色金属、钢铁、基础化工和建材行业处于触发拥挤指标阈值的状态 2026年03月看好传媒、电子、汽车和农林牧渔的相对收益 黄金和白银的VIX高位下降，铜和原油的VIX高位震荡 美国实际利率下行、市场波动增加、地缘政治风险抬升、黄金需求增加，中长期依然看多黄金 [2] A股和港股投资者情绪跟踪 - A股情绪指数_等权抬升，基于该指数对中证全指的多层次阈值择时策略仓位为看多 [2][5] - 上证50、沪深300、中证500和中证1000的VIX下降 [2][11] - 港股情绪指数_PLS下降，基于该指数对恒生指数的多层次阈值择时策略仓位为中性 [2][14] 中信一级行业机构调研和拥挤度 - 当前机构关注电力及公用事业和汽车行业，商贸零售和非银行金融行业的机构关注度从高位下降 [2][26] - 最近一周“煤炭”、“电力及公用事业”、“银行”、“非银行金融”和“传媒”行业的机构关注度在提升 [2][27] - 当前石油石化、有色金属、钢铁、基础化工和建材行业处于触发拥挤指标阈值的状态（流动性、成分股扩散、波动率） [2][36] - 当前较多行业处于持续拥挤状态（流动性、成分股扩散） [2][36] - 当四低频拥挤度触发信号偏多和提示的拥挤行业偏多时，市场整体往往会有不同幅度的下跌调整，近期整体拥挤信号和拥挤行业数量下降 [2][37] A股风格和行业配置 - “A股行业和风格轮动指数@相对收益”从多维度分析中信一级行业和风格指数，当前配置：传媒、电子、汽车和农林牧渔 [2][42] 大宗商品 - 黄金和白银的VIX高位下降，铜和原油的VIX高位震荡 [2][44] - 美国实际利率下行、市场波动增加、地缘政治风险抬升、黄金需求增加，中长期依然看多黄金 [2][50] - 黄金最新择时信号为看多，择时策略历史胜率为64%，年化收益率为95% [48][50]

量化模型与构建方式 1. 模型名称：风格轮动综合打分体系 **模型构建思路**：通过宏观、市场情绪与拥挤度三个维度对市场风格（价值/成长、大盘/小盘）进行多因子打分，构建综合打分体系以判断风格轮动方向[2][6]。 **模型具体构建过程**： 1. **价值成长轮动策略**：构建思路基于“成长股能够更好地受益于流动性宽松，大盘股对经济繁荣的表现更加敏感”[2][6]。报告未详细披露具体用于打分的因子及权重分配过程，但指出是通过“三维度多因子打分”构建[6]。 2. **大小盘轮动策略**：构建思路与价值成长轮动策略类似，同样基于宏观敏感性、流动性受益和市场情绪/拥挤度三个维度进行综合打分[2][6]。 **模型评价**：该模型旨在通过多维度的宏观和市场指标，系统性地捕捉市场风格的切换信号。 2. 模型名称：行业轮动综合解决方案 **模型构建思路**：构造宏观经济、中观基本面、微观技术面以及交易拥挤度四个维度的指标，通过综合打分的方式构建行业轮动模型，每月选取得分最高的行业进行配置[3][11]。 **模型具体构建过程**： 1. **宏观指标**：将一级行业划分为上游周期、中游制造、下游消费、TMT、大金融五个板块。构建基于宏观经济增长与流动性二阶差分的象限划分体系，根据经济增长和流动性的二阶变化（如“衰退加深/扩张放缓”、“宽松加码/紧缩放缓”）来推荐配置的板块[15]。 2. **基本面指标**：包含历史景气、景气变化与景气预期三个部分[17]。具体因子和合成方法未详细披露。 3. **技术面指标**：包含指数动量、龙头股动量与K线形态三个部分[20]。具体因子和合成方法未详细披露。 4. **拥挤度指标**：包含融资流入、换手率与成交占比三个部分[21]。该指标为负向指标，用于提示交易过热风险。 5. **综合信号合成**：结合宏观、基本面和技术面三个维度的正向得分，同时负向配置拥挤度因子，构建行业轮动综合评价体系[25]。 6. **ETF映射**：为将行业观点落地为可投资标的，建立了从行业到ETF的映射规则[26]： * 规则一：整理ETF清单，每个指数仅保留规模最大的ETF，并根据规模和流动性筛选。 * 规则二：统计指数成分股的行业权重，将指数映射到其成分股权重最大且超过50%的行业。 * 规则三：对于每个行业，若存在3个以上符合条件的指数，则选择过去60天收益率相关性最低的3个指数对应的ETF；若仅有3个及以内，则全部映射。 * 规则四：计算行业与指数的过去60天收益率相关系数，选择相关性最强的一个指数对应的ETF进行最终映射。 **模型评价**：该模型框架全面，覆盖了宏观、中观、微观及市场情绪多个层面，旨在通过多维信号捕捉行业轮动机会，历史回测显示其能产生稳定的超额收益[12]。 模型的回测效果 1. 行业轮动综合解决方案 * 年化收益：18.4%[12] * 基准年化收益（行业等权）：4.9%[12] * 超额年化收益：13.5%[12] * 月度IC均值：12.1%[12] * 月度ICIR：1.39[13] （注：报告未提供风格轮动模型的详细历史回测绩效指标。） 量化因子与构建方式 1. 因子类别：行业轮动宏观因子 **因子构建思路**：通过宏观经济增长和流动性的二阶差分（变化速度的变化）来划分经济象限，从而判断对不同行业板块的配置倾向[15]。 **因子具体构建过程**：报告未给出具体的计算公式，但描述了构建逻辑：基于宏观增长与流动性的二阶差分进行象限划分。例如，当“经济增长二阶走弱、流动性二阶改善”时，模型建议配置TMT和上游周期板块[15]。 2. 因子类别：行业轮动基本面因子 **因子构建思路**：从历史景气度、景气度变化以及未来景气预期三个角度评估行业的基本面状况[17]。 **因子具体构建过程**：报告指出该因子包含历史景气、景气变化与景气预期三个部分，但未披露具体因子构成、计算方法和合成公式[17]。 3. 因子类别：行业轮动技术面因子 **因子构建思路**：从指数整体动量、行业内龙头股动量以及K线形态三个技术分析角度评估行业的趋势强度[20]。 **因子具体构建过程**：报告指出该因子包含指数动量、龙头股动量与K线形态三个部分，但未披露具体因子构成、计算方法和合成公式[20]。 4. 因子类别：行业轮动拥挤度因子 **因子构建思路**：通过融资流入、换手率与成交占比三个维度衡量行业的交易热度和拥挤程度，作为风险提示指标[21]。 **因子具体构建过程**：报告指出该因子包含融资流入、换手率与成交占比三个部分，但未披露具体因子构成、计算方法和合成公式[21]。 **因子评价**：拥挤度因子是一个负向指标，用于识别交易过热、可能面临回调风险的行业[21][25]。 因子的回测效果 （注：报告未提供各个独立因子（如宏观、基本面、技术面、拥挤度因子）的历史IC、IR等具体测试结果取值。仅提供了合成后的行业轮动模型的整体绩效。）

量化模型与构建方式 1. **模型名称：三维择时框架**[8][12] * **模型构建思路**：通过构建市场分歧度、流动性、景气度三个维度的指标，综合判断市场整体趋势[8]。 * **模型具体构建过程**：模型基于三个独立的指数进行判断。分歧度指数用于衡量市场参与者观点的离散程度[18]。流动性指数用于衡量市场资金面的松紧状况[23]。景气度指数（A股景气度指数2.0）用于衡量上市公司整体的经营状况和盈利趋势[20]。通过观察这三个指标的变化趋势（上行或下行），形成对市场（如震荡下跌）的综合判断[8]。 2. **模型名称：热点趋势ETF策略**[28] * **模型构建思路**：结合价格形态（支撑阻力）和短期市场关注度（换手率变化）来筛选ETF，构建组合[28]。 * **模型具体构建过程**： 1. 首先筛选出K线最高价与最低价同时呈现上涨形态的ETF[28]。 2. 计算支撑阻力因子：基于最高价与最低价近20日的回归系数，衡量价格趋势的陡峭程度[28]。 3. 在支撑阻力因子的多头组中，进一步选择近5日换手率与近20日换手率比值最高的ETF，即短期市场关注度明显提升的品种[28]。 4. 最终选取10只ETF，采用风险平价方法构建投资组合[28]。 3. **模型名称：ETF三策略融合轮动模型**[32][34] * **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，以实现因子与风格的互补，降低单一策略风险[32]。 * **模型具体构建过程**： 1. 分别构建三个子策略： * **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等，旨在覆盖行业多维度特性[33]。 * **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，聚焦于个股质量与低波，防御性突出[33]。 * **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]。 2. 将三个策略选出的行业或标的进行等权合并，形成最终的ETF轮动组合[32]。 4. **模型名称：资金流共振策略**[43][46] * **模型构建思路**：结合融资融券资金流和主动大单资金流，通过剔除极端值来提高策略稳定性，筛选出两类资金流产生共振的行业[43][46]。 * **模型具体构建过程**： 1. **构建行业融资融券资金因子**：计算行业内个股的融资净买入减去融券净卖出并加总，然后进行Barra市值因子中性化处理，再取最近50日均值，最后计算其两周环比变化率[43]。 2. **构建行业主动大单资金因子**：计算行业净流入资金，并进行最近一年成交量时序中性化处理，然后排序并取最近10日均值[43]。 3. **策略逻辑**：研究发现融资融券因子的多头端在某些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。因此，策略在主动大单因子的头部打分行业内，剔除融资融券因子也处于头部的行业[43]。 4. 进一步剔除大金融板块，得到最终推荐的行业组合[43]。 5. **模型名称：全天候配置策略**[49] * **模型构建思路**：通过资产选择、风险调整和结构对冲三项原则，绕过宏观预测，直接针对资产波动进行长期收益平衡，旨在获取稳健的绝对收益[49]。 * **模型具体构建过程**：采用循环对冲设计对冲构型。根据风险水平分为两个版本： * **高波版**：采用“四层结构化-股债金风险平价”构型[53][54]。 * **低波版**：采用“五层结构化-风险预算”构型[55][57]。 模型的回测效果 1. **热点趋势ETF策略**[28][29] * 2025年以来收益率：59.92%[28] * 2025年以来相对沪深300的超额收益率：36.61%[28] 2. **ETF三策略融合轮动模型**[34][37][38] * 总回测期（2017/4/10 - 2026/2/27）组合收益率：12.16%[37] * 总回测期（2017/4/10 - 2026/2/27）夏普比率：0.74[37] * 2026年以来收益率：1.47%[37] * 总回测期（2017/4/10 - 2026/2/27）信息比率(IR)：0.96[38] * 总回测期（2017/4/10 - 2026/2/27）最大回撤：-24.55%[38] 3. **资金流共振策略**[43][44] * 2018年以来费后年化超额收益：14.3%[43] * 2018年以来信息比率(IR)：1.4[43] * 上周（报告期）绝对收益：-0.92%[44] * 上周（报告期）相对行业等权的超额收益：-3.63%[44] 4. **全天候配置策略**[57][59][60] * **高波版**（截至2025年）： * 年化收益率：11.8%[57] * 年平均最大回撤：3.6%[57] * 夏普比率：2.3[57] * **低波版**（截至2025年）： * 年化收益率：8.8%[59] * 年平均最大回撤：2.0%[59] * 夏普比率：3.4[59] * 2026年以来收益率： * 高波版：2.7%[59] * 低波版：1.1%[59] 量化因子与构建方式 1. **因子名称：支撑阻力因子**[28] * **因子构建思路**：通过计算ETF价格最高价与最低价近20日回归系数的相对陡峭程度，来衡量价格趋势的强度[28]。 * **因子具体构建过程**：分别对ETF的最高价序列和最低价序列进行近20日的线性回归，比较两个回归系数的陡峭程度，具体公式未在报告中给出[28]。 2. **因子名称：行业融资融券资金因子**[43] * **因子构建思路**：衡量经过市值调整后的行业层面融资融券资金流的近期变化趋势[43]。 * **因子具体构建过程**： 1. 计算行业内个股的融资净买入减去融券净卖出并加总。 2. 对加总后的值进行Barra市值因子中性化处理。 3. 取最近50日的均值。 4. 计算该均值的两周环比变化率作为最终因子值[43]。 3. **因子名称：行业主动大单资金因子**[43] * **因子构建思路**：衡量经过成交量调整后的行业层面主动大单资金流的近期强度[43]。 * **因子具体构建过程**： 1. 计算行业净流入资金。 2. 进行最近一年成交量时序中性化处理。 3. 将处理后的值进行排序（分位化）。 4. 取最近10日的均值作为最终因子值[43]。 4. **风格因子组**[62] * **因子构建思路**：报告提及了贝塔因子、动量因子、流动性因子，用于描述市场的风格特征[62]。 * **因子具体构建过程**：报告未详细描述具体构建过程，仅展示了其本周收益[62]。 5. **Alpha因子组**[65][66][67][70] * **因子构建思路**：从多维度（时间、指数、行业）构建并测试了大量选股因子，以观察其选股能力[65]。 * **因子具体构建过程**：因子均进行了市值和行业中性化处理（规模因子仅进行行业中性化）。通过计算因子多头组（前1/5）相对基准的收益来评估因子表现[65]。报告列举了多个因子，例如： * **1年-1个月的收益率 (non ly 1n)**：过去1年收益率减去过去1个月收益率[67]。 * **营业利润占销售费用比 (oper salesexp)**：营业利润TTM / 销售费用TTM[67]。 * **研发销售收入占比 (tot rd ttm to sales)**：研发费用TTM / 营业收入TTM[70]。 * **单季度ROA同比差值(考虑快报、预告) (roa q delta adv)**：单季度ROA与去年同期的差值，并考虑快报和预告数据[70]。 * **一致预期净利润变化 (mom1 np fy1)**：$$(当前一致预测净利润FY1 - 1个月前一致预测净利润FY1) / |1个月前一致预测净利润FY1|$$[70]。 因子的回测效果 1. **风格因子（本周表现）**[62] * 贝塔因子周收益：3.26%[62] * 动量因子周收益：2.37%[62] * 流动性因子周收益：2.21%[62] 2. **Alpha因子（近一周多头超额收益）**[66][67] * 1年-1个月的收益率因子：1.18%[66][67] * 营业利润占销售费用比因子：1.13%[66][67] * 涨幅排行榜因子：0.77%[67] 3. **Alpha因子（最近一年在不同指数中的多头超额收益前例）**[69][70] * **在沪深300中表现突出的因子**： * 单季度ROA同比差值(考虑快报、预告)：33.90%[69][70] * 单季度ROA同比差值：32.59%[69][70] * 评级上下调差/评级上下调和：30.37%[70] * **在中证500中表现突出的因子**： * 一致预期净利润变化：19.23%[69][70] * 研发净资产占比：18.63%[70] * **在中证800中表现突出的因子**： * 一致预期净利润变化：31.20%[69][70] * est eps动量：30.74%[70] * **在中证1000中表现突出的因子**： * 单季度净利润同比增长(考虑快报、预告)：23.24%[69][70] * 研发销售收入占比：22.12%[70]