量化模型与构建方式 1. **模型名称：中国经济六周期模型** **模型构建思路：** 通过识别中长期贷款脉冲（新增中长贷TTM同比）的三个月差分方向来判断信用周期，并结合其他宏观因子，将经济划分为六个阶段，用于指导资产配置[7]。 **模型具体构建过程：** 1. 使用“中长期贷款脉冲”作为核心信用周期识别指标。该指标的计算基于“新增中长期贷款TTM同比”的三个月差分[7]。 2. 通过该指标的变动方向（上升或下降）来判定信用周期是处于扩张还是收缩状态[7]。 3. 结合货币因子、增长因子等其他宏观指标，将经济状态综合划分为六个阶段。报告当前指出模型处于“阶段6：货币扩张”状态[7][11]。 2. **模型名称：宏观胜率评分卡** **模型构建思路：** 从货币、信用、增长、通胀和海外五个宏观因子出发，合成一个综合评分，用于评估各类资产的未来上涨概率（胜率）[21]。 **模型具体构建过程：** 报告提及该模型基于五个宏观因子（货币、信用、增长、通胀、海外）构建，但未详细说明各因子的具体计算方法和合成规则。模型输出结果为各资产的综合胜率百分比，例如A股胜率[21]。 3. **模型名称：利率债收益预测模型（债券赔率指标）** **模型构建思路：** 根据长短期债券的预期收益差来构建债券资产的赔率指标，用于衡量债券资产的估值吸引力[22]。 **模型具体构建过程：** 报告未给出该模型计算预期收益差和赔率的具体公式，但明确指出该赔率指标是标准化后的数值，以标准差倍数表示[22]。 4. **模型名称：美联储流动性指数** **模型构建思路：** 结合数量维度和价格维度，综合构建一个反映美联储流动性松紧程度的指数[29]。 **模型具体构建过程：** 报告指出该指数综合了净流动性、联储信用支持、预期引导、市场隐含、公告意外等多个维度，但未提供具体的合成公式。指数设有预警阈值，例如-60%代表“极度收紧”[28][29]。 5. **模型名称：行业景气-趋势-拥挤配置模型（并行策略）** **模型构建思路：** 提出两种右侧行业配置方案，并将它们结合形成并行策略。方案一以行业景气度为核心，结合趋势并规避高拥挤；方案二以市场趋势为核心，结合低拥挤并规避低景气[46]。 **模型具体构建过程：** * **行业景气模型：** 核心是“分析师行业景气指数”。该指数基于分析师预测数据构建，用于衡量市场对行业未来业绩的预期。具体构建方法在引用的专题报告中，本报告未详述[12]。 * **行业趋势模型：** 核心是行业的趋势强度。 * **拥挤度：** 用于衡量交易过热风险。 * **并行策略：** 同时运行上述两个模型，其推荐结果共同构成最终的行业配置建议[46][49]。 6. **模型名称：行业ETF配置模型** **模型构建思路：** 将“行业景气-趋势-拥挤配置模型”的逻辑应用于可交易的行业ETF上，构建一个可落地的投资组合[50]。 **模型具体构建过程：** 与模型5思路一致，但标的物为行业ETF。模型对每只ETF计算其跟踪指数的景气度、趋势和拥挤度，并据此进行配置[50][51]。 7. **模型名称：行业库存景气+困境反转模型** **模型构建思路：** 从赔率-胜率角度出发，在当前或过去处于困境但已有所反弹的板块中，筛选出分析师长期看好且库存压力不大、具备补库条件的行业，以捕捉困境反转行情[55]。 **模型具体构建过程：** 报告提及模型结合了“困境”（赔率）、“分析师长期看好”（胜率的一部分）和“库存压力/补库条件”等多个维度，但未给出具体的因子计算公式和合成规则[55]。 8. **模型名称：赔率增强型策略（固收+）** **模型构建思路：** 基于风险预算模型，在目标波动率约束下，根据各资产的赔率指标动态调整配置权重，持续超配高赔率（估值有吸引力）的资产[58]。 **模型具体构建过程：** 策略使用风险预算模型进行资产配置。赔率指标作为输入，用于计算各类资产（泛权益、黄金、债券）的风险预算。在满足目标波动率约束的前提下，分配更多风险预算给赔率高的资产[58]。 9. **模型名称：胜率增强型策略（固收+）** **模型构建思路：** 与赔率增强型策略框架类似，但输入指标替换为基于宏观五因子合成的各资产“胜率”评分，旨在超配未来上涨概率更高的资产[61]。 **模型具体构建过程：** 使用与模型8相同的风险预算模型框架，但将赔率指标替换为模型2（宏观胜率评分卡）输出的胜率评分，作为计算风险预算的依据[61]。 10. **模型名称：赔率+胜率增强型策略（固收+）** **模型构建思路：** 综合赔率和胜率信息，将两种策略的风险预算简单相加得到综合得分，据此构建更全面的资产配置策略[64]。 **模型具体构建过程：** 分别计算赔率增强策略（模型8）和胜率增强策略（模型9）对各类资产的风险预算，然后将两者相加，得到最终的综合风险预算，并据此确定资产配置权重[64]。 量化因子与构建方式 1. **因子名称：行业相对强弱指标（RS）** **因子构建思路：** 基于行业内个股的横截面收益排名，构建一个行业级别的相对强弱指标，用于提前识别年度领涨主线[15]。 **因子具体构建过程：** 报告未给出RS因子的具体计算公式，但说明其构建基础是“行业横截面收益排名”。当某个行业的RS指标大于90%时，被视为一个强烈的看涨信号[15]。 2. **因子名称：A股赔率因子** **因子构建思路：** 综合Shiller ERP（经周期调整的市盈率倒数）和DRP（股息率）两个估值指标，合成一个衡量A股整体估值吸引力的赔率因子[21]。 **因子具体构建过程：** 将Shiller ERP和DRP分别进行标准化处理（转化为Z-score），然后进行等权加权，得到最终的赔率因子值。该值以标准差倍数表示[21]。 3. **因子名称：债券赔率因子** **因子构建思路：** 基于利率债收益预测模型输出的长短期债券预期收益差，构建衡量债券估值吸引力的指标[22]。 **因子具体构建过程：** 由模型3（利率债收益预测模型）输出，并进行标准化处理，以标准差倍数表示[22]。 4. **因子名称：美股AIAE指标** **因子构建思路：** 作为一个衡量美股估值风险的指标，具体构建方法未说明，但历史高点通常预示较大的回撤风险[26][29]。 5. **风格因子（小盘、价值、质量、成长等）的三标尺：赔率、趋势、拥挤度** **因子构建思路：** 从三个维度（赔率、趋势、拥挤度）对风格因子进行综合评估，每个维度都进行标准化处理（以标准差倍数表示），并据此计算综合得分[30][32][36][39]。 **因子具体构建过程：** * **赔率：** 衡量因子估值便宜程度，数值越大代表越便宜[31]。 * **趋势：** 衡量因子近期表现强度，数值越大代表趋势越强[31]。 * **拥挤度：** 衡量因子交易过热程度，数值越大代表越拥挤[31]。 * **综合得分：** 基于三个维度的标准化数值计算得出，用于排名和判断[44]。 模型的回测效果 1. **行业景气-趋势-拥挤配置模型（并行策略）**，基准：Wind全A指数，年化收益22.0%，年化超额收益13.2%，信息比率(IR)1.5，超额最大回撤-8.0%，月度胜率67%[47]。2026年初至2月底绝对收益8.0%，超额收益-0.2%[47]。 2. **行业ETF配置模型**，基准：中证800指数，年化超额收益16.3%，信息比率(IR)1.9，超额最大回撤10.8%，月度胜率66%[52]。2025年超额收益21.4%[52]。2026年初至2月底绝对收益9.5%，超额收益3.9%[52]。 3. **行业库存景气+困境反转模型**，基准：行业等权组合，2023年绝对收益13.4%，超额收益17.0%；2024年绝对收益26.5%，超额收益15.4%；2025年绝对收益28.7%，超额收益5.6%[55]。2026年初至2月底绝对收益12.2%，超额收益3.9%[55]。 4. **赔率增强型策略（固收+）**，自2011年以来年化收益6.7%，年化波动2.3%，最大回撤3.1%，夏普比率2.88[60]。自2014年以来年化收益7.4%，最大回撤2.8%，夏普比率3.35[60]。自2019年以来年化收益6.8%（原文6.9%），最大回撤2.8%，夏普比率3.14[60]。 5. **胜率增强型策略（固收+）**，自2011年以来年化收益7.1%，年化波动2.4%，最大回撤3.4%，夏普比率2.99[62]。自2014年以来年化收益7.9%，最大回撤2.2%，夏普比率3.41[62]。自2019年以来年化收益6.8%，最大回撤1.5%，夏普比率3.10[62]。 6. **赔率+胜率增强型策略（固收+）**，自2011年以来年化收益6.7%，年化波动2.3%，最大回撤2.9%，夏普比率2.92[66]。自2014年以来年化收益7.3%，最大回撤2.3%，夏普比率3.31[66]。自2019年以来年化收益6.3%，最大回撤2.3%，夏普比率2.99[66]。 因子的回测效果 1. **小盘因子**，赔率0.6倍标准差，趋势0.7倍标准差，拥挤度-1.4倍标准差，综合得分4[30]。 2. **价值因子**，赔率1.2倍标准差，趋势0.3倍标准差，拥挤度-1.2倍标准差，综合得分3[32]。 3. **质量因子**，赔率1.2倍标准差，趋势-0.1倍标准差，拥挤度-0.2倍标准差，综合得分1[36]。 4. **成长因子**，赔率-1.2倍标准差，趋势0.6倍标准差，拥挤度0.2倍标准差，综合得分-0.4[39]。

基金筛选核心方法论 - 挑选基金经理时最重视的指标是“长期超额收益稳定性”，该指标反映了基金经理风格稳定、具备穿越牛熊的持续alpha能力以及策略规模容量大三个关键维度 [2] - 观察方式主要是通过对比基金走势与对应风格贝塔指数走势，若超额收益曲线长期稳定则代表符合标准，批量观察时月度胜率高于55%即被认为不错 [2] - 筛选逻辑倾向于排除超额收益仅集中于少数阶段的基金，以规避偶然性和运气成分，追求具备确定性的持续超额收益能力 [2] 易方达基金公司整体表现 - 在广泛的基金筛选中，发现符合长期超额收益稳定标准的基金多集中于易方达基金公司，表明该公司整体投研实力强且基金运作稳定 [4][11] - 该公司为基金经理提供了较大的自由度，即使在投资风格遭遇长期逆风时，基金经理也能坚持自己的策略，例如多位质量风格基金经理在近5年的逆市中仍保持风格稳定 [26] - 公司在各个投资风格和产品类别中均涌现出长期优秀的基金经理，这体现了其强大的投研平台支撑和良好的人才梯队建设 [27] 重点关注的基金经理及产品（权益类） - **郑希（易方达信息产业）**：作为科技股投资的元老，拥有19年从业经验和13年投资经验，其管理的易方达信息产业混合A在2025年收益率达108.47%，相对同类成长风格基金及科技100指数的超额收益长期稳定 [11][12][19] - **武阳（易方达瑞享）**：采用景气成长策略，擅长行业轮动与及时纠错，其管理的易方达瑞享混合I在2025年收益率达133.19%，在10年以上投资经验的老将中排名第一，当前管理规模为84亿元 [15][16][19][20][21] - **郭杰（易方达国企改革）**：坚持质量风格（高ROE），在消费板块长期逆风中超额收益保持稳定，截至2026年1月6日，其基准中证消费指数PE为19.5，处于近10年4.3%分位数，ROE达21.2%，股息率为3.8% [24][26][27] 其他提及的基金经理案例 - **杨桢霄（易方达医疗保健）**：管理全指医药相关基金超过9年，超额收益非常稳定，长期业绩在医药基金中排名居前 [4] - **陈皓（易方达科翔）**：管理国证成长风格基金超过11年，超额收益曲线极其平滑，同期业绩在654只基金中排名第8 [5] - **祁禾（易方达环保主题）**：管理先进制造指数相关基金8年，超额收益稳定 [8] - **王晓晨（易方达增强回报）**：管理万得一级债基指数相关基金14年，超额收益极其稳定 [7] - **张清华（易方达裕丰）**：管理万得二级债基指数相关基金11年，除2014年牛市短暂跑输外，超额收益稳定 [9] - **易方达科技战队其他成员**：如蔡荣成、欧阳良琦等，也被认为超额收益稳定且年轻有冲劲 [14] 行业与策略洞察 - 在科技赛道，主动管理基金相比ETF被认为更具优势，更能适应板块剧烈波动和产业快速变化，2025年收益率超100%的主动基金有74只（A类），大部分为科技基金，而收益率超100%的指数仅6只且均跟踪同一指数 [11] - 景气成长策略在牛市中进攻性强，但要求基金经理具备宽广能力圈、快速学习能力和敏锐调仓能力，该策略的超额收益通常集中于股市上涨阶段 [15][16] - 质量风格（高ROE/内需消费）自2021年初见顶后已调整近5年，当前估值处于历史低位，被视为估值便宜、质地好、股息高的潜在逆势布局板块 [26][27]

中证500质量成长指数概况 - 指数是中证500指数的“聪明贝塔”指数，采用“质量+成长”双重筛选逻辑，聚焦中盘成长领域[1] - 指数编制规则从500只成份股中筛选：先剔除连续亏损企业，再通过盈余波动率筛选盈利稳定标的，最后结合盈利能力、成长潜力、盈利质量和财务杠杆四大指标综合评分，精选100只优质个股[1] - 筛选机制保证了成份股的高ROE水平，并通过现金流指标规避财务陷阱，实现“以合理价格买入优质成长”的投资逻辑[1] - 指数行业分布均衡，覆盖新能源、半导体、高端制造等新兴赛道[1] - 指数前十大权重股合计占比仅21.53%，有效分散了单一股票与行业风险[1] 2026年市场展望与投资价值 - 流动性环境持续友好，海内外宏观流动性有望维持共振宽松，市场资金充裕，权益资产配置优先级提升[4] - 预计全A盈利底将于2025年底或2026年初出现，中小盘成长股对盈利拐点更为敏感[4] - 指数成份股多为细分领域龙头，有望迎来业绩驱动的行情爆发[4] - 2026年经济工作部署明确聚焦高质量发展与科技创新[4] - 指数成份股中36%为国家级专精特新企业，与新质生产力发展方向高度契合，或持续受益于产业政策支持[4] 相关投资产品 - 易方达中证500质量成长ETF（代码159606）跟踪该指数，支持场内实时买卖[4] - 该产品能帮助投资者一键布局100只优质中盘成长股[4]

核心观点 - 报告聚焦于PB-ROE策略框架中的盈利部分，重点剖析了净资产收益率（ROE）指标的结构性缺陷，并通过引入盈利稳定性、去杠杆化、分配端匹配优化、核心经营活动聚焦以及应对盈余管理等一系列方法，对ROE指标进行了系统性优化，最终构建了综合盈利因子[1][4] - 优化后的综合盈利因子（由线性剥离杠杆后稳定的ROE、稳定的ROIC、稳定的RONOA以及FCFFIC四个因子融合而成）相较于原始ROE因子，在Rank ICIR和多头组合收益单调性等方面表现更优[4][111][112] - 基于优化后的综合盈利因子，对原有的“基于PB—ROE框架的主动量化选股策略”进行了升级（策略2.0），自2010年以来，该策略年化收益达20.42%，相对于中证800等权的年化超额收益为17.39%，信息比为2.01，在多个主要宽基指数成分股样本下均表现出显著且稳定的超额收益[4] 对ROE与盈利风格内涵的深入探讨 - PB—ROE策略的核心逻辑在于，ROE直接决定了每股净资产的增长，而PB反映了市场对公司未来盈利能力的预期，通过分析二者匹配关系可识别优质标的[10] - 在不考虑分红的情况下，股票投资者的收益可分解为每股净资产增长和市净率提升两部分[10] - 从宏观层面看，上市公司作为优质企业群体，其长期ROE中枢与GDP增速之间存在正相关关系，图2展示了自2010年以来两者走势的相关性[14][15][20][21] - 在风格划分上，ROE属于质量风格下的盈利风格，主要衡量企业的盈利能力，盈利风格可进一步细分为盈利能力、盈利稳定性与盈利质量三个方面[22][23][26] ROE因子测试及其改进 - 测试发现，基于历史ROE（TTM）构建的多头组合未来股价表现不佳，其Rank IC均值为2.78%，多空收益为4.01%，而基于未来ROE构建的多头组合则能获得显著超额收益[4][28][31][32] - 历史高ROE组合未来ROE易出现下滑，例如第T期ROE最高的第10组，其在T+1期的平均ROE组号下降至7.87[33][34] - 引入ROE稳定性因子（计算过去3年财务数据的标准差）可有效识别未来ROE不易下滑的个股，ROE（TTM）与ROE（TTM）稳定性因子间的相关系数仅为0.22[35][41] - 将ROE与ROE稳定性因子等权融合形成“稳定的ROE因子”后，ROE（TTM）因子的Rank IC均值提升至3.38%，Rank ICIR提升至1.78，多空收益提升至8.66%，多头组合收益单调性显著改善[4][42] 杜邦分析与ROE结构分解 - 杜邦分析将ROE拆解为销售净利率、总资产周转率和权益乘数三项，分别评估盈利能力、运营效率及杠杆水平[42][45] - 销售净利率易受盈余管理影响，企业可能通过费用资本化等方式夸大净利率[47][49] - 总资产周转率受行业商业模式（如商贸零售高周转、房地产低周转）和技术进步（如三一重工数字化转型提升效率）共同影响[50][52][53] - 权益乘数（财务杠杆）对ROE有放大效应，高ROE可能源于高杠杆而非真实盈利能力提升，以房地产龙头公司为例，其ROE随权益乘数下降而显著下滑[54][55][58][59] ROE去杠杆化分析：从ROE到ROA - 采用线性回归方法剥离ROE中的财务杠杆影响后，因子表现优于原始ROE，例如线性剥离杠杆后稳定的ROE（TTM）因子Rank ICIR为1.82[60][64] - 从杜邦公式出发，剔除权益乘数后得到总资产收益率（ROA），可视为剥离杠杆影响后的ROE[65][66] - ROA因子测试显示其存在与ROE相似的问题，即多头组合收益偏弱，ROA（TTM）多空收益为3.99%[67][68] - 构建稳定的ROA因子（ROA与稳定性因子等权融合）后，ROA（TTM）因子的Rank IC均值提升至3.15%，Rank ICIR提升至1.60，多空收益提升至8.03%[70][71] ROA分配端匹配优化：从ROA到ROIC - ROA指标存在分子（净利润，仅代表股东回报）与分母（总资产，包含股东和债权人资本）口径不匹配的问题，经济学含义模糊[71] - 投入资本回报率（ROIC）的分子为息前税后净利润（NOPLAT），分母为投入资本（IC），解决了ROA的权责错配问题，并剔除了杠杆干扰[72][74] - ROIC（TTM）因子测试的多空收益为3.90%，与稳定性因子融合形成稳定的ROIC因子后，其Rank IC均值提升至3.01%，多空收益提升至7.03%[75][77] 衡量核心经营活动：从ROIC到RONOA - ROIC的分子NOPLAT和分母IC均包含与非核心经营活动相关的科目，未能完全聚焦企业核心经营能力[79][81] - 净经营性资产收益率（RONOA）的分子为经营性利润（剔除非核心收支），分母为经营性净资产（NOA），更精准衡量核心经营效率[83][85][87][90] - 稳定的RONOA（TTM）因子测试表现优异，Rank IC均值为3.09%，Rank ICIR为1.80，多空收益为6.84%[92][93] 有效应对盈余管理：从ROIC到FCFFIC - 基于权责发生制的利润指标易被操纵，图15显示A股上市公司净利润分布在0轴附近出现异常跳空，而基于收付实现制的自由现金流（FCFF）分布则较为平稳，能有效削弱盈余管理影响[94][96][97] - 自由现金流资本投入回报率（FCFFIC）以FCFF3（经营现金流净额-资本支出）为分子，IC为分母构建[98][100] - FCFFIC（TTM）因子在剔除金融和房地产行业后测试表现突出，Rank IC均值为2.10%，Rank ICIR为1.74，多空收益为5.44%，且是唯一无需与稳定性因子融合即呈现良好单调性的盈利指标[101][103] 综合盈利因子的构建与策略表现 - 综合盈利因子由线性剥离杠杆后稳定的ROE、稳定的ROIC、稳定的RONOA以及FCFFIC四个因子分步等权融合而成[111] - 该因子与原始ROE因子相关性较低（例如TTM口径下与ROE相关系数为0.76），综合盈利因子（TTM）的Rank IC均值为3.42%，Rank ICIR为2.10，多空收益为9.08%，十档分组单调性显著优于原始ROE[111][112] - 基于优化后的综合盈利因子，对PB-ROE选股策略进行升级（策略2.0），该策略在沪深300、中证500、中证800和中证1000成分股样本下的年化超额收益依次为10.01%、11.40%、16.60%和17.19%，信息比率分别为1.51、1.53、2.23和2.12[4]

市场风格日历效应核心观点 - 市场风格受财报披露节奏、分红事件效应、机构投资者风险偏好季节性变化影响，存在日历效应 [1][3] - 年末可关注质量风格的配置机会 [1] 小盘风格表现特征 - 小盘风格上半年波动较大，下半年总体向好 [1] - 1月和4月表现较弱，中证2000指数超额收益分别为-2.3%和-2.2% [1] - 3月和5月为小盘风格平均收益较高月份 [1] - 下半年8月以后小盘风格组合收益表现相对较高，胜率维持较高水平 [1] 成长风格表现特征 - 成长风格表现呈"前高后低"特征 [1] - 成长风格组合在1月、6月和7月有显著超额收益，胜率达90.9% [1] - 800成长指数在1月延续组合优势 [1] - 偏股基金指数4-6月收益连正，均为0.8%，总体表现优于800成长指数 [1] - 下半年成长风格总体回落，成长因子、800成长和偏股型基金指数胜率跌至60%以下 [1] 质量风格表现特征 - 质量风格体现"首尾双强"规律，1月和12月为全年优势月 [2] - 1月超额收益1.4%，胜率81.8%；12月超额收益0.5%，胜率80% [2] - 800质量指数同样在1月和12月表现相对突出 [2] 红利风格表现特征 - 红利风格在4月和8月表现良好，统计期内胜率均达83.3% [2] - 6月和10月呈现明显回落，红利组合和中证红利胜率均较低 [2] 风格效应内在机制 - 成长与小盘风格受财报披露节奏影响较大，财报密集期资金流向基本面向好的成长股，阶段性规避小盘股 [3] - 高股息股票在分红预案后具有短期超额表现，股权登记日后短期跑输市场 [3] - 机构投资者风险偏好存在季节性变化，公募基金年中倾向于提高成长风格暴露，年末倾向于提高质量风格暴露 [3]

A股风格日历效应 - 成长风格组合在1月和6、7月有显著超额收益，胜率达90.9% [1] - 质量风格呈现“首尾双强”规律，1月超额收益1.4%且胜率81.8%，12月超额收益0.5%且胜率80% [1] - 800质量指数同样在1月和12月表现相对突出 [1] 自由现金流ETF市场表现 - 自由现金流ETF（159201）近20个交易日有19日获资金净流入，合计流入资金超15亿元 [1] - 该ETF最新规模达64.64亿元，创成立以来新高 [1] - 11月14日该ETF下跌约0.5%，持仓股华人健康、海陆重工、中集车辆领涨 [1] 自由现金流ETF产品特征 - 该ETF及其联接基金紧密跟踪国证自由现金流指数，指数经流动性、行业、ROE稳定性筛选 [1] - 指数选取自由现金流为正且占比高的股票，质地高且抗风险能力强，适合底仓配置和长线投资 [1] - 基金管理费年费率0.15%，托管费年费率0.05%，均为市场最低费率水平 [1]