证券研究报告 | 2026年10月08日 金融工程日报 沪指盘中走弱，光芯片领跌、红利逆市走强 核心观点 金融工程日报 市场表现：20261008 大部分指数处于下跌状态，规模指数中上证 50 指数表 现较好，板块指数中上证综指表现较好，风格指数中沪深 300 价值指数表现 较好。石油石化、电力公用事业、交通运输、煤炭、银行行业表现较好，电 子、通信、计算机、汽车、医药行业表现较差。港口精选、航运精选、原油 储运、甲醇、钠离子电池等概念表现较好，光芯片、光模块(CPO)、通讯设 备精选、半导体硅片、ASIC 芯片等概念表现较差。 市场情绪：20261008 收盘时有 43 只股票涨停，有 16 只股票跌停。昨日涨 停股票今日收盘收益为 0.34%，昨日跌停股票今日收盘收益为-6.32%。今日 封板率 54%，较前日下降 26%，连板率 18%，较前日下降 3%。 市场资金流向：截至 20260930 两融余额为 25699 亿元，其中融资余额 25405 亿元，融券余额 294 亿元。两融余额占流通市值比重为 2.7%，两融 交易占市场成交额比重为 7.9%。 折溢价：20260930 当日 ETF 溢价较多 ...

量化模型与构建方式 1. 模型名称：StableAlpha_fimage_DL1 复合因子；模型构建思路：将 StableAlpha、fimage、DL_1 三个深度学习因子进行复合，形成指数增强策略所用的复合因子[2]；模型具体构建过程：报告未披露具体的复合加权方式与构建细节[2]；模型评价：该复合因子在多个主要板块的指数增强表现中超额收益稳健，最大回撤控制较好[2] 2. 模型名称：StableAlpha 因子；模型构建思路：基于深度学习模型构建的选股因子，属于广发金工 Alpha 因子数据库中的机器学习因子类别[2][11]；模型具体构建过程：报告未披露具体的模型结构与训练细节[2]；模型评价：在全市场月度换仓条件下历史胜率较高，RankIC 表现稳定[2] 3. 模型名称：agru_dailyquote 因子；模型构建思路：基于深度学习模型构建的选股因子，属于机器学习因子类别[2][11]；模型具体构建过程：报告未披露具体的模型结构与训练细节[2]；模型评价：历史 RankIC 均值较高，历史胜率较好[2] 4. 模型名称：DL_1 因子；模型构建思路：基于深度学习模型构建的选股因子，属于机器学习因子类别[2][11]；模型具体构建过程：报告未披露具体的模型结构与训练细节[2]；模型评价：近一月 RankIC 表现突出，历史胜率较高[2] 5. 模型名称：fimage 因子；模型构建思路：基于深度学习模型构建的选股因子，属于机器学习因子类别[2][11]；模型具体构建过程：报告未披露具体的模型结构与训练细节[2]；模型评价：RankIC 表现相对其他深度学习因子偏弱，但历史胜率仍较高[2] 量化因子与构建方式 1. 因子名称：vpin_vol；因子构建思路：基于知情交易概率（VPIN）相关方法构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：近一月 RankIC 表现突出，历史胜率一般[73] 2. 因子名称：dpin_base_total_std；因子构建思路：基于知情交易概率（DPIN）相关方法构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：近一月 RankIC 表现突出，历史胜率一般[73] 3. 因子名称：dpin_big_am_std；因子构建思路：基于知情交易概率（DPIN）相关方法构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：近一月 RankIC 表现较好，历史胜率一般[73] 4. 因子名称：dpin_big_am_stable；因子构建思路：基于知情交易概率（DPIN）相关方法构建的 Level-2 高频因子，方向为负[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：近一月 RankIC 为负值，历史胜率一般[73] 5. 因子名称：dpin_small_am_mean；因子构建思路：基于知情交易概率（DPIN）相关方法构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：RankIC 表现一般[73] 6. 因子名称：dpin_small_am_std；因子构建思路：基于知情交易概率（DPIN）相关方法构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：RankIC 表现一般[73] 7. 因子名称：dpin_small_am_stable；因子构建思路：基于知情交易概率（DPIN）相关方法构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：RankIC 表现一般[73] 8. 因子名称：dpin_base_middle_std；因子构建思路：基于知情交易概率（DPIN）相关方法构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：近一月 RankIC 表现突出，历史胜率一般[73] 9. 因子名称：dpin_base_pm_std；因子构建思路：基于知情交易概率（DPIN）相关方法构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：近一月 RankIC 表现较好，历史胜率一般[73] 10. 因子名称：keyperiod_ret_zero；因子构建思路：基于重点时段收益特征构建的 Level-2 高频因子，方向为负[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 11. 因子名称：keyperiod_ret_low5pct；因子构建思路：基于重点时段收益特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 12. 因子名称：keyperiod_price_low5pct；因子构建思路：基于重点时段价格特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 13. 因子名称：keyperiod_amount_top30pct；因子构建思路：基于重点时段成交金额特征构建的 Level-2 高频因子[3][73]；因子具体构建过程：报告未披露具体构建细节[3][73]；因子评价：近期表现较好的 Level-2 因子，历史胜率较高[3][73] 14. 因子名称：keyperiod_amount_low50pct；因子构建思路：基于重点时段成交金额特征构建的 Level-2 高频因子，方向为负[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率一般[73] 15. 因子名称：keyperiod_sync_low50pct；因子构建思路：基于重点时段同步性特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 16. 因子名称：bigbuy；因子构建思路：基于大小单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率一般[73] 17. 因子名称：bigsell；因子构建思路：基于大小单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率一般[73] 18. 因子名称：bigbuy_bigsell；因子构建思路：基于大小单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 19. 因子名称：bigbuy_bigsell_H1；因子构建思路：基于大小单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 20. 因子名称：bigbuy_bigsell_H8；因子构建思路：基于大小单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 21. 因子名称：integrated_bigsmall；因子构建思路：基于大小单特征综合构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：自相关性较高[73] 22. 因子名称：longbuy；因子构建思路：基于长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 23. 因子名称：longsell；因子构建思路：基于长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 24. 因子名称：longbuy_longsell；因子构建思路：基于长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：RankIC 表现较弱[73] 25. 因子名称：longbuy_shortsell；因子构建思路：基于长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 26. 因子名称：shortbuy_longsell；因子构建思路：基于长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 27. 因子名称：shortbuy_shortsell；因子构建思路：基于长短单特征构建的 Level-2 高频因子，方向为负[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 28. 因子名称：integrated_longshort；因子构建思路：基于长短单特征综合构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：自相关性较高[73] 29. 因子名称：bigbuy_longbuy_bigsell_longsell；因子构建思路：基于大小长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：RankIC 表现较弱[73] 30. 因子名称：bigbuy_longbuy_bigsell_shortsell；因子构建思路：基于大小长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 31. 因子名称：bigbuy_shortbuy_bigsell_longsell；因子构建思路：基于大小长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 32. 因子名称：bigbuy_shortbuy_bigsell_shortsell；因子构建思路：基于大小长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 33. 因子名称：bigbuy_shortbuy_bigsell_shortsell_H1；因子构建思路：基于大小长短单特征构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：历史胜率较高[73] 34. 因子名称：integrated_bigsmall_longshort；因子构建思路：基于大小长短单特征综合构建的 Level-2 高频因子[73]；因子具体构建过程：报告未披露具体构建细节[73]；因子评价：自相关性较高[73] 35. 因子名称：transaction_order_ratio_oa1；因子构建思路：基于集合竞价委托单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 36. 因子名称：withdrew_order_ratio_oa1；因子构建思路：基于集合竞价撤单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 37. 因子名称：transaction_order_ratio_oa2；因子构建思路：基于集合竞价委托单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 38. 因子名称：transaction_order_ratio_oa；因子构建思路：基于集合竞价委托单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 39. 因子名称：selltransaction_sellorder_ratio_ca；因子构建思路：基于集合竞价卖出委托特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 40. 因子名称：marketorder_ratio；因子构建思路：基于市价单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 41. 因子名称：marketbuyorder_limitbuyorder_ratio；因子构建思路：基于市价单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 42. 因子名称：marketbuyorder_limitsellorder_ratio；因子构建思路：基于市价单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 43. 因子名称：marketsellorder_limitbuyorder_ratio；因子构建思路：基于市价单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 44. 因子名称：marketsellorder_limitsellorder_ratio；因子构建思路：基于市价单特征构建的 Level-2 高频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 45. 因子名称：real_var；因子构建思路：基于日内价格已实现方差构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 46. 因子名称：real_skew；因子构建思路：基于日内价格已实现偏度构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 47. 因子名称：real_kurtosis；因子构建思路：基于日内价格已实现峰度构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 48. 因子名称：real_upvar；因子构建思路：基于日内上行已实现方差构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 49. 因子名称：real_downvar；因子构建思路：基于日内下行已实现方差构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 50. 因子名称：ratio_realupvar；因子构建思路：基于上行方差占比构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 51. 因子名称：ratio_realdownvar；因子构建思路：基于下行方差占比构建的分钟频因子[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 52. 因子名称：trendratio；因子构建思路：基于日内趋势特征构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率一般[74] 53. 因子名称：ret_intraday；因子构建思路：基于日内收益构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率一般[74] 54. 因子名称：intraday_maxdrawdown；因子构建思路：基于日内最大回撤构建的分钟频因子[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 55. 因子名称：ratio_volumeH1；因子构建思路：基于分时段成交量占比构建的分钟频因子，方向为负[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：历史胜率较高[74] 56. 因子名称：ratio_volumeH2；因子构建思路：基于分时段成交量占比构建的分钟频因子[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：RankIC 表现较弱[74] 57. 因子名称：ratio_volumeH3；因子构建思路：基于分时段成交量占比构建的分钟频因子[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：RankIC 表现一般[74] 58. 因子名称：ratio_volumeH4；因子构建思路：基于分时段成交量占比构建的分钟频因子[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：RankIC 表现一般[74] 59. 因子名称：ratio_volumeH5；因子构建思路：基于分时段成交量占比构建的分钟频因子[74]；因子具体构建过程：报告未披露具体构建细节[74]；因子评价：RankIC 表现一般[74] 60. 因子名称：ratio_volumeH6；因子构建思路：基于分时段成交量占比构建的分钟频因子[74]；因子具体

量化模型与构建方式 1 模型名称：券商金股指数 - **模型构建思路**：将每期券商金股进行汇总，根据其被券商推荐的家数进行加权构建指数，以表征卖方分析师推荐股票池整体表现，并与偏股混合型基金指数进行对比[18] - **模型具体构建过程**： - 每月初将券商金股进行汇总 - 根据股票被券商推荐的家数进行加权 - 于每月第一天收盘价进行调仓 - 在计算收益时，以每次调仓时点所能获取的主动股基最近一个报告期的权益仓位中位数作为券商金股指数的仓位，以更加公允地与偏股混合型基金指数进行比较[18] - **模型评价**：券商金股股票池能够较好地跟踪偏股混合型基金指数的表现[12][18] 2 模型名称：券商金股行业组合 - **模型构建思路**：筛选出券商金股股票池中属于不同中信一级行业的个股，等权构建行业组合，以衡量券商金股在行业层面的Alpha挖掘能力[22] - **模型具体构建过程**： - 筛选出券商金股股票池中属于不同中信一级行业的个股 - 对每个行业内的个股等权构建组合 - 计算各行业组合本月及今年以来的收益表现[22] 3 模型名称：券商金股业绩增强组合 - **模型构建思路**：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离，以全体公募基金的行业分布为行业配置基准，构建业绩增强组合，旨在以对标公募基金中位数为基准，对券商金股股票池进行优选[41][36] - **模型具体构建过程**： - 以券商金股股票池为选股空间和约束基准 - 采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离 - 以全体公募基金的行业分布为行业配置基准 - 以偏股混合型基金指数作为组合对标基准 - 通过多因子的方式从券商金股股票池中进行优选[12][41] - **模型评价**：实证结果显示，该方法构建的组合历史表现稳健，2018年到2022年每年都能稳定战胜偏股混合型基金指数，在公募主动股基中每年都排在前30%的水平[12] 模型的回测效果 1 券商金股指数 - 本月（20260901-20260930）收益-6.08%[21] - 今年以来（20260105-20260930）收益-6.46%[21] 2 券商金股行业组合 - 本月超额收益排名前三的行业：轻工制造、房地产、传媒[23] - 今年以来超额收益排名前三的行业：房地产、机械、银行[23] 3 券商金股业绩增强组合 - 本月（20260901-20260930）绝对收益-5.38%，相对偏股混合型基金指数超额收益-0.18%[40] - 本年（20260105-20260930）绝对收益11.98%，相对偏股混合型基金指数超额收益9.65%[40] - 今年以来在主动股基中排名23.62%分位点（503/3721）[40] - 全样本（2018.1.2-2026.6.30）年化收益25.57%，相对偏股混合型基金指数年化超额16.26%[42] - 2018年：满仓收益-12.84%，考虑仓位收益-10.37%，偏股混合型基金指数收益-23.58%，相较股基指数超额13.20%，在主动股基中排名分位点4.18%（33/789）[45] - 2019年：满仓收益67.09%，考虑仓位收益56.84%，偏股混合型基金指数收益45.02%，相较股基指数超额11.83%，在主动股基中排名分位点29.30%（286/976）[45] - 2020年：满仓收益97.12%，考虑仓位收益82.14%，偏股混合型基金指数收益55.91%，相较股基指数超额26.24%，在主动股基中排名分位点17.45%（194/1112）[45] - 2021年：满仓收益30.96%，考虑仓位收益27.51%，偏股混合型基金指数收益7.68%，相较股基指数超额19.83%，在主动股基中排名分位点16.85%（317/1880）[45] - 2022年：满仓收益-17.54%，考虑仓位收益-15.51%，偏股混合型基金指数收益-21.03%，相较股基指数超额5.52%，在主动股基中排名分位点21.35%（509/2383）[45] - 2023年：满仓收益-2.31%，考虑仓位收益-1.60%，偏股混合型基金指数收益-13.52%，相较股基指数超额11.93%，在主动股基中排名分位点11.55%（330/2856）[45] - 2024年：满仓收益20.79%，考虑仓位收益19.45%，偏股混合型基金指数收益3.45%，相较股基指数超额16.00%，在主动股基中排名分位点6.80%（226/3325）[45] - 2025年：满仓收益45.33%，考虑仓位收益40.66%，偏股混合型基金指数收益33.19%，相较股基指数超额7.47%，在主动股基中排名分位点32.60%（1131/3469）[45] - 20260630：满仓收益46.11%，考虑仓位收益41.24%，偏股混合型基金指数收益18.18%，相较股基指数超额23.07%，在主动股基中排名分位点25.61%（953/3721）[45] 量化因子与构建方式 1 因子名称：单季度超预期幅度 - **因子构建思路**：衡量单季度业绩超出市场预期的幅度[3][28] - **因子评价**：最近一个月表现较好，今年以来表现较好[3][28] 2 因子名称：BP - **因子构建思路**：账面市值比因子[3][28] - **因子评价**：最近一个月表现较好[3][28] 3 因子名称：EPTTM - **因子构建思路**：滚动市盈率倒数因子[3][28] - **因子评价**：最近一个月表现较好，今年以来表现较差[3][28] 4 因子名称：剥离涨停动量 - **因子构建思路**：剥离涨停影响后的动量因子[3][28] - **因子评价**：最近一个月表现较差[3][28] 5 因子名称：单季度营收增速 - **因子构建思路**：衡量单季度营业收入同比增长速度[3][28] - **因子评价**：最近一个月表现较差[3][28] 6 因子名称：盈余公告后跳空超额 - **因子构建思路**：盈余公告后跳空高开带来的超额收益因子[3][28] - **因子评价**：最近一个月表现较差[3][28] 7 因子名称：日内收益率 - **因子构建思路**：衡量日内收益率表现的因子[3][28] - **因子评价**：今年以来表现较好[3][28] 8 因子名称：SUE - **因子构建思路**：标准化预期外盈利因子[3][28] - **因子评价**：今年以来表现较好[3][28] 9 因子名称：SUR - **因子构建思路**：标准化预期外收入因子[3][28] - **因子评价**：今年以来表现较差[3][28] 10 因子名称：经营性现金净流量 - **因子构建思路**：衡量经营性现金净流量水平的因子[3][28] - **因子评价**：今年以来表现较差[3][28] 因子的回测效果 1 单季度超预期幅度因子 - 最近一个月多空收益表现较好[28] - 今年以来多空收益表现较好[28] 2 BP因子 - 最近一个月多空收益表现较好[28] 3 EPTTM因子 - 最近一个月多空收益表现较好[28] - 今年以来多空收益表现较差[28] 4 剥离涨停动量因子 - 最近一个月多空收益表现较差[28] 5 单季度营收增速因子 - 最近一个月多空收益表现较差[28] 6 盈余公告后跳空超额因子 - 最近一个月多空收益表现较差[28] 7 日内收益率因子 - 今年以来多空收益表现较好[28] 8 SUE因子 - 今年以来多空收益表现较好[28] 9 SUR因子 - 今年以来多空收益表现较差[28] 10 经营性现金净流量因子 - 今年以来多空收益表现较差[28]

核心观点 - 量化转债组合基于可转债基本面因子、低频价量因子、高频价量因子三套因子体系生成，月度调仓 [1][9] - 2025年以来组合收益率21.85%，相对中证转债指数超额收益8.72% [1] - 2026年9月组合收益率-3.32%，超额收益2.07%，在组合下跌中战胜基准 [1] - 跟踪32个转债基本面因子、80个转债低频价量因子和32个转债高频价量因子 [1] - 基于价量模型、定价偏差和转债弹性三个维度对中证转债指数进行多空择时及仓位管理，9月底定价偏差模型看多，最新观点为1/3仓位 [1][21] 组合及表现 - 量化可转债组合基于可转债基本面因子、低频价量因子、高频价量因子三套因子体系生成，月度调仓 [9] - 2025年以来组合收益率21.85%，相对中证转债指数超额收益8.72% [1] - 2026年9月组合收益率-3.32%，超额收益2.07% [1] - 图1展示了广发金工量化转债组合业绩表现（2025年起），包含超额回报、组合总回报、中证转债总回报三条曲线 [10][11] 因子数据跟踪 - 组合所采用的因子列表构建方式参考报告《考虑分层加权的可转债多因子组合》《传统技术因子在转债组合中的应用》《可转债高频因子探索》 [12] - 可转债基本面因子包括估值、债券属性、溢价率、价量、价值、质量等类别，具体因子有隐含波动率、转股价、隐波差、纯债价值、剩余到期时间、票面利率、转股溢价率、纯债溢价率、转债收益率（1个月/3个月/6个月）、股价/每股派息、市盈率（PE）、市净率（PB）、市现率（PCF）、市销率（PS）、经营活动产生的现金流量净额／营业利润、流动比率、速动比率、财务费用／营业总收入、总资产周转率等 [13][16] - 正股基本面因子包括规模、价量、流动性、杠杆、成长、盈利等类别，具体因子有当日总市值、当日流通市值、正股收益率（1个月）、月换手率（自由流通股本）、资产负债率、归属母公司股东的净利润同比增长率、营业收入同比增长率、净资产收益率（平均）同比增长率、净资产收益率（ROE）、总资产净利润（ROA）、投入资本回报率（ROIC）等 [16] - 可转债低频价量因子包括技术因子001至技术因子101等 [16] - 可转债高频价量因子包括已实现方差、已实现偏度、已实现峰度、高频上行波动率、高频下行波动率、量价相关性、趋势强度因子、平均单笔流入金额占比、平均单笔流出金额占比、平均单笔流入流出金额之比、大单资金净流入比率、大单驱动涨幅、聪明钱因子1至4、均价偏差、时间加权的相对价格位置等 [16][17] - 定价偏差因子 ≡ 转债市场价格 - 理论定价，构建方式参考报告《可转债定价研究：考虑赎回、下修及回售条款与退市、信用风险》 [17] - 表2展示了个债最新定价偏差因子（20260930），包括110076.SH定价偏差7.19、110081.SH定价偏差18.10、110084.SH定价偏差15.26、110097.SH定价偏差41.82、110098.SH定价偏差28.85、110099.SH定价偏差36.86、110102.SH定价偏差44.53、110103.SH定价偏差66.79、111000.SH定价偏差2.65、111002.SH定价偏差37.64、127103.SZ定价偏差36.82、127105.SZ定价偏差17.17、127109.SZ定价偏差52.95、127110.SZ定价偏差42.19、127113.SZ定价偏差30.26、127115.SZ定价偏差50.22、128134.SZ定价偏差2.40、128138.SZ定价偏差27.69、128142.SZ定价偏差52.47等 [18] 风险转债提示 - 基于交易所退市及风险警示规则，以及事件法和信用打分法计算结果，对可转债进行退市及风险警示 [19] - 交易类强制退市预警：三房转债 [20] - 财务类强制退市预警：无 [20] - *ST退市风险警示（财务类，三季报后、年报前显示）：无 [20] - ST其他风险警示：南航转债、闻泰转债、通22转债、神马转债、双良转债、明新转债、东亚转债、隆22转债、灵康转债、风语转债、丰山转债、丽岛转债、和邦转债、芳源转债、天23转债、晶能转债、强力转债、天壕转债、日升转债、丝路转债、裕兴转债、康医转债、火星转债、中陆转债、惠云转债、共同转债、漱玉转债、恒锋转债、百畅转债、冠中转债、铭利转债、翔丰转债、中仑转债、雷科定02、盛虹转债、帝欧转债、精装转债、美锦转债、声迅转债、晶澳转债、欧晶转债、炬申转债 [20] - 事件型信用风险预警：闻泰转债、三房转债、上银转债、财通转债、东时转债、灵康转债、江山转债、嘉诚转债、汇通转债、山石转债、芳源转债、宏图转债、丝路转债、申昊转债、裕兴转债、科蓝转债、共同转债、恒锋转债、百畅转债、冠中转债、铭利转债、科顺转债、艾录转债、洋丰转债、中装转2、帝欧转债、美锦转债、柳工转2、章鼓转债、欧晶转债 [20] - 打分型信用风险预警：通22转债、精工转债、天业转债、三房转债、神马转债、双良转债、天润转债、龙建转债、华发定转、华康转债、东时转债、江山转债、巨星转债、汇通转债、金23转债、海天转债、芳源转债、天23转债、晶能转债、科蓝转债、漱玉转债、正元转02、铭利转债、科顺转债、湘佳转债、美锦转债、顺博转债、山路转债、晶澳转债、东南转债、宜化转债、炬申转债 [20] 转债市场择时 - 基于价量模型、定价偏差和转债弹性三个维度，对中证转债指数（000832.CSI）进行多空择时及仓位管理，参考报告《可转债指数择时的三个视角》 [21] - 9月信号数据：2026年9月1日至9月3日，价量模型信号为0，定价模型信号为1，凸性模型信号为0，仓位观点33% [22] - 2026年9月4日至9月29日，价量模型信号为0，定价模型信号为0，凸性模型信号为0，仓位观点0% [22][23] - 2026年9月30日，价量模型信号为0，定价模型信号为1，凸性模型信号为0，仓位观点33% [23] - 最新观点为1/3仓位 [1][21] - 表4转债择时模型近期信号（202609）显示，9月底定价偏差模型看多 [1][22]

量化模型与构建方式 1 模型名称：EMDT策略（日内趋势策略） - **模型构建思路**：在每天股指期货开盘后41分钟选取早盘价格数据进行信号分解，计算趋势和震荡的信号能量，当早盘趋势强的时候进行趋势交易，否则认为当天以震荡为主不进行交易[36] - **模型具体构建过程**：EMDT策略在每天股指期货开盘后41分钟选取早盘价格数据进行信号分解，计算趋势和震荡的信号能量，当早盘趋势强的时候，进行趋势交易，否则，认为当天以震荡为主，不进行交易[36] - **模型评价**：方向性交易投资标的为IF主力合约，属于趋势策略的代表[35] 2 模型名称：风格套利策略（大小盘风格轮动策略） - **模型构建思路**：通过IC和IH合约之间的跨品种套利来获取大小盘风格差的收益[38] - **模型具体构建过程**：在每个交易日收盘前建仓，如果该日大盘风格（上证50指数）强于小盘（中证500指数），则在收盘前做多IH合约，同时做空相同合约价值的IC合约；反之，如果该日小盘风格强，则做多IC合约，同时做空相同合约价值的IH合约[38] - **模型评价**：套利交易投资标的为IH、IC主力合约[35] 3 模型名称：SMT策略（模式识别策略） - **模型构建思路**：基于模式匹配策略进行预测的日内交易策略，判断股指期货上午走势图与历史上哪天上午的走势最为相似，根据相似交易日午后的涨跌，判断当天涨跌，并在相应方向上开仓交易[40] - **模型具体构建过程**：SMT的基本思想是判断股指期货上午走势图与历史上哪天上午的走势最为相似，根据相似交易日午后的涨跌，判断当天涨跌，并在相应方向上开仓交易[40] - **模型评价**：属于模式识别策略中的日内交易策略[40] 4 模型名称：SLM策略（模式识别策略） - **模型构建思路**：采用统计语言模型算法对不同涨跌序列之后的指数涨跌进行预测[43] - **模型具体构建过程**：SLM是T+1交易策略，在每天收盘前进行预测和建仓，持有至下一个交易日收盘（或者止损平仓）[43] - **模型评价**：属于模式识别策略中的隔夜交易策略[40] 5 模型名称：国债期货日内趋势策略（开盘区间突破策略） - **模型构建思路**：当标的价格突破某一个基于开盘价和阈值建立的区间时，产生交易信号，认为向上或向下的趋势形成，因此开仓做多或做空[48] - **模型具体构建过程**：在趋势跟踪的仓位建立以后，当标的价格反向变化，突破止损价格时，认为之前的趋势结束，平掉所持头寸。如果当日有止损发生，则认为当前交易日价格表现为震荡模式，不适宜进行趋势交易，因此该日内不再进行新的交易[48]。选用分钟级的交易数据进行回测，策略有两大参数：突破区间宽度与止损阈值。选取使累积收益率最大的参数进行回测，以下策略括号内(a,b)=(0.1,0.0012)表示宽度为2a（向上向下区间对称），b为止损的阈值（即下跌达到b%时平仓止损）[49]。回测标的为5年期与10年期的国债期货主力合约[49] - **模型评价**：日内趋势是一种常见的策略[48] 6 模型名称：国债期货日间趋势策略（EMA均线交叉策略） - **模型构建思路**：按照国债期货每天的收盘价，通过EMA均线交叉的方法对国债期货价格进行趋势跟踪[52] - **模型具体构建过程**：对TF指数和T指数（通过持仓量对期货各期限合约加权的指数）进行测算。当指数短周期均线上穿长周期均线时做多指数，当指数短周期均线下穿长周期均线时做空指数[53] - **模型评价**：由于日间交易有可能涉及到期货合约交割，因此对TF指数和T指数进行测算[53] 7 模型名称：国债期货跨品种套利策略 - **模型构建思路**：5年期与10年期国债期货具有良好的相关性，适合于跨品种的统计套利策略。该策略假设两个品种标的的价差具有均值回复性质，即当价差偏离其历史均值幅度过大时便会逐渐回复到平均水平[56] - **模型具体构建过程**：选取5年期与10年期国债期货主力合约作为标的资产回测跨品种套利策略。选取分钟级数据，并以5分钟为历史滑动平均的计算窗口，当价差大（小）于历史均值加（减）一个标准差，便通过做空（多）五年期国债期货并做多（空）十年期国债期货来做空（多）价差。若价差回复到均值水平便平仓[56] - **模型评价**：当价差拉大时，套利者反向做多或做空价差，从而期望获得均值回复后的利润[56] 8 模型名称：商品趋势跟踪策略 - **模型构建思路**：对各类大宗商品都进行了中长线趋势跟踪，希望通过多品种分散风险[73] - **模型具体构建过程**：根据广发金融工程团队早期研报《全球商品期货量化交易策略初探》，对各类大宗商品进行中长线趋势跟踪[73] - **模型评价**：通过多品种分散风险[73] 模型的回测效果 1 EMDT策略 - 交易次数37次，盈利次数16次，亏损次数21次，总体收益率-5.20%，成功率43.24%，平均盈利率0.41%，平均亏损率-0.56%，最大回撤-6.53%[38] 2 风格套利策略 - 交易次数65次，盈利次数27次，亏损次数38次，总体收益率-5.15%，成功率41.54%，平均盈利率0.54%，平均亏损率-0.52%，最大回撤-10.02%[40] 3 SMT策略 - 交易次数65次，盈利次数19次，亏损次数46次，总体收益率2.06%，成功率29.23%，平均盈利率0.48%，平均亏损率-0.15%，最大回撤-2.64%[42] 4 SLM策略 - 交易次数59次，盈利次数24次，亏损次数35次，总体收益率-8.88%，成功率40.68%，平均盈利率0.90%，平均亏损率-0.87%，最大回撤-12.88%[45] 5 国债期货日内趋势策略 - 5年期国债期货：累积收益率0.06%，最大回撤-0.02%[52] - 10年期国债期货：累积收益率0.16%，最大回撤-0.08%[52] 6 国债期货日间趋势策略 - 5年期国债期货指数：累积收益率0.02%，最大回撤-0.23%[56] - 10年期国债期货指数：累积收益率0.18%，最大回撤-0.28%[56] 7 国债期货跨品种套利策略 - 累积收益率1.79%，最大回撤-0.12%（移动平均计算窗口5分钟）[59] 8 商品趋势跟踪策略 - 棉花季度收益率0.8%，9月底最新趋势方向↓[77] - 豆粕季度收益率6.2%，9月底最新趋势方向↓[77] - 铝季度收益率-2.4%，9月底最新趋势方向↓[77] - 螺纹季度收益率-2.4%，9月底最新趋势方向↓[77] - 焦炭季度收益率16.0%，9月底最新趋势方向↓[77] - 铁矿季度收益率-2.4%，9月底最新趋势方向↓[77] - 沥青季度收益率-6.5%，9月底最新趋势方向↑[77] - 白糖季度收益率-1.8%，9月底最新趋势方向↓[77] - 棕榈油季度收益率-8.6%，9月底最新趋势方向↓[77] - 塑料季度收益率-14.9%，9月底最新趋势方向↑[77] - 甲醇季度收益率1.1%，9月底最新趋势方向↑[77] - PTA季度收益率-15.4%，9月底最新趋势方向↑[77] - 豆油季度收益率-5.5%，9月底最新趋势方向↓[77] - 玉米季度收益率4.3%，9月底最新趋势方向↓[77] - 铜季度收益率-5.4%，9月底最新趋势方向↑[77] - 锌季度收益率1.6%，9月底最新趋势方向↑[77] - 玻璃季度收益率4.8%，9月底最新趋势方向↓[77] - 大豆季度收益率4.4%，9月底最新趋势方向↑[77] - 鸡蛋季度收益率8.1%，9月底最新趋势方向↓[77] - PVC季度收益率-24.6%，9月底最新趋势方向↑[77] - 苹果季度收益率2.7%，9月底最新趋势方向↓[77] - 平均值-1.9%[77]

核心观点 - 报告使用一种创新性训练方法，将神经网络模型用于进行大盘择时，并定义TSRankIC和偏离度指标以评价择时信号的准确性 [1] - 报告利用在个股上表现较好的选股Alpha因子通过指数成分股聚合的方式，得到指数层面因子值，构建神经网络ETF轮动策略 [2] - 报告将择时与截面两类信号融合，当择时信号给出需要持仓的判断时，具体买入轮动信号所给出的多头组ETF标的，从而实现绝对收益的策略效果 [2] - 神经网络择时与截面叠加的ETF绝对收益策略今年以来收益率21.08%，最大回撤-11.23% [2] 一、神经网络择时策略跟踪 - 报告使用AGRU模型分别训练得到了大盘择时与截面轮动的信号，将两者叠加得到最终的绝对收益策略，评价择时策略表现的方法主要包括时序IC和偏离度 [11] - 时序IC是指每日预测收益率和真实收益率在时序上的秩相关系数 [12] - 偏离度是指计算每日信号和大盘日收益率分别在训练验证集中的百分位，对两者作差并求绝对值，该值越小说明当日信号判断越准确 [13] - 回测默认使用开盘价成交，手续费假设双边千一，择时策略中假设买入中证全指（000985.CSI） [14] - 近一个月收益率-4.03%，最大回撤-4.44%，时序IC为-9.87%，偏离度均值为32.28% [15] - 近三个月收益率-7.31%，最大回撤-7.84%，时序IC为11.60%，偏离度均值为35.37% [15] - 近半年收益率2.85%，最大回撤-7.84%，时序IC为20.02%，偏离度均值为32.54% [15] - 今年以来收益率4.87%，最大回撤-8.38%，时序IC为19.18%，偏离度均值为31.35% [15] - 2020年以来收益率134.59%，最大回撤-11.60%，时序IC为12.59%，偏离度均值为29.40% [15] 二、神经网络截面ETF轮动策略跟踪 - 对于ETF截面轮动策略，报告使用个股Alpha因子根据指数成分股权重聚合至相应指数 [19] - 对于多个ETF跟踪同一指数的情况，筛选规模最大的一只ETF，同时再筛选近20日日均成交额大于2000万的ETF进入候选池，最终得到ETF轮动因子 [19] - 每期等权买入得分最高的前10只ETF形成轮动策略 [19] - 近一个月收益率-5.78%，最大回撤-9.56%，超额收益率-0.38%，超额最大回撤-5.31%，IC均值为-0.37% [20] - 近三个月收益率-3.02%，最大回撤-16.13%，超额收益率9.98%，超额最大回撤-9.78%，IC均值为7.67% [20] - 近半年收益率16.86%，最大回撤-17.34%，超额收益率18.81%，超额最大回撤-12.05%，IC均值为7.00% [20] - 今年以来收益率32.65%，最大回撤-17.34%，超额收益率38.85%，超额最大回撤-12.05%，IC均值为6.07% [20] - 2020年以来收益率704.79%，最大回撤-20.13%，超额收益率567.67%，超额最大回撤-12.05%，IC均值为6.51% [20] 三、神经网络择时与截面叠加的ETF绝对收益策略跟踪 - 结合择时与截面两种信号，当择时信号给出持仓判断时（半仓或满仓），等权买入截面信号所给出的多头组10只ETF，从而实现带有Alpha收益的绝对收益策略 [26] - 近一个月总收益率-3.10%，最大回撤-5.56% [27] - 近三个月总收益率-0.24%，最大回撤-10.66% [27] - 近半年总收益率11.84%，最大回撤-11.23% [27] - 今年以来总收益率21.08%，最大回撤-11.23% [27] - 2020年以来总收益率467.77%，最大回撤-12.77% [27]