根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 1. **因子名称**：Beta因子[15] * **因子构建思路**：衡量股票相对于市场的系统性风险[15] * **因子具体构建过程**：使用历史数据计算股票的历史beta值[15] 2. **因子名称**：市值因子[15] * **因子构建思路**：衡量公司规模大小[15] * **因子具体构建过程**：取公司的总市值的自然对数[15] * **公式**：$$ \text{市值因子} = \ln(\text{总市值}) $$[15] 3. **因子名称**：动量因子[15] * **因子构建思路**：衡量股票价格的趋势强度[15] * **因子具体构建过程**：计算历史超额收益率序列的均值[15] 4. **因子名称**：波动因子[15] * **因子构建思路**：衡量股票价格的波动性[15] * **因子具体构建过程**：通过加权组合多个波动指标来构建[15] * **公式**：$$ \text{波动因子} = 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$[15] 5. **因子名称**：非线性市值因子[15] * **因子构建思路**：捕捉市值因子的非线性效应[15] * **因子具体构建过程**：对市值风格因子取三次方[15] * **公式**：$$ \text{非线性市值因子} = (\text{市值风格})^3 $$[15] 6. **因子名称**：估值因子[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数[15] * **公式**：$$ \text{估值因子} = \frac{1}{\text{市净率}} $$[15] 7. **因子名称**：流动性因子[15] * **因子构建思路**：衡量股票的换手和交易活跃度[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] * **公式**：$$ \text{流动性因子} = 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$[15] 8. **因子名称**：盈利因子[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：通过加权多个盈利相关指标来构建[15] * **公式**：$$ \text{盈利因子} = 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率 ttm 倒数} $$[15] 9. **因子名称**：成长因子[15] * **因子构建思路**：衡量公司的成长性[15] * **因子具体构建过程**：通过加权多个增长类指标来构建[15] * **公式**：$$ \text{成长因子} = 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$[15] 10. **因子名称**：杠杆因子[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：通过加权多个杠杆率指标来构建[15] * **公式**：$$ \text{杠杆因子} = 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$[15] 技术类因子 1. **因子名称**：中位数离差因子[21] * **因子构建思路**：衡量股价相对于其中位数位置的偏离程度[21] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[21] 2. **因子名称**：20日/60日/120日波动因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的波动率[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向均为反向[21][24][26][31] 3. **因子名称**：20日/60日/120日动量因子[21][24][26][31] * **因子构建思路**：衡量不同时间窗口下股票价格的动量效应[21][24][26][31] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[21][24][26][31] 基本面因子 1. **因子名称**：净利润超预期增长因子[23][28] * **因子构建思路**：衡量公司净利润增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 2. **因子名称**：营业利润率超预期增长因子[23][28] * **因子构建思路**：衡量公司营业利润率增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 3. **因子名称**：ROC超预期增长因子[23][28] * **因子构建思路**：衡量公司投入资本回报率（ROC）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 4. **因子名称**：ROA超预期增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）增长超出市场预期的程度[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 5. **因子名称**：营业利润率因子[23][28] * **因子构建思路**：衡量公司的营业利润水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 6. **因子名称**：市盈率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 7. **因子名称**：营业利润增长因子[23][28] * **因子构建思路**：衡量公司营业利润的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 8. **因子名称**：ROA增长因子[23][28] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为正向[23][28] 9. **因子名称**：ROA因子[23][28] * **因子构建思路**：衡量公司的总资产回报率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 10. **因子名称**：营业周转率因子[23][28] * **因子构建思路**：衡量公司的营运效率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 11. **因子名称**：ROE因子[23][28] * **因子构建思路**：衡量公司的净资产收益率[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 12. **因子名称**：ROE增长因子[23][28] * **因子构建思路**：衡量公司净资产收益率（ROE）的增长情况[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向在不同股池中有所不同（反向或正向）[23][28] 13. **因子名称**：市销率因子[23][28] * **因子构建思路**：衡量股票的估值水平[23][28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[23][28] 14. **因子名称**：ROC因子[28] * **因子构建思路**：衡量公司的投入资本回报率[28] * **因子具体构建过程**：未详细说明计算过程，因子方向为反向[28] GRU模型/因子 1. **模型/因子名称**：barra1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和1天频率数据[3][7][20][22][25][27][33][34] 2. **模型/因子名称**：barra5d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用Barra因子体系和5天频率数据[3][7][20][22][25][27][33][34] 3. **模型/因子名称**：open1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用开盘价等数据和1天频率[3][7][20][22][25][27][33][34] 4. **模型/因子名称**：close1d模型/因子[3][7][20][22][25][27][33][34] * **模型/因子构建思路**：基于GRU神经网络构建的选股模型/因子，推测使用收盘价等数据和1天频率[3][7][20][22][25][27][33][34] 5. **模型/因子名称**：多因子模型/组合[7][33][34] * **模型/因子构建思路**：综合多个因子的选股模型/组合[7][33][34] 因子与模型的回测效果 风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | Beta | -5.67% | -10.16% | 0.23% | 21.16% | 8.24% | 8.91% | | 动量 | 4.04% | -9.28% | -24.23% | 18.32% | 18.79% | 17.46% | | 流动性 | -2.91% | 6.35% | 10.32% | 11.43% | 20.28% | 25.19% | | 市值 | 2.67% | 18.45% | 12.73% | 41.09% | -41.83% | 35.00% | | 非线性市值 | 1.80% | -7.67% | 12.29% | 35.55% | -39.36% | -30.88% | | 成长 | 1.59% | -2.69% | 0.12% | 2.47% | 9.39% | 4.68% | | 盈利 | 1.13% | 0.03% | 9.73% | 15.36% | 4.15% | 1.33% | | 波动 | 1.35% | -1.31% | 11.73% | 4.82% | 7.11% | 10.88% | | 杠杆 | 1.36% | 3.48% | -4.29% | 15.46% | 7.39% | 1.78% | | 估值 | 1.45% | 4.88% | 0.12% | 2.98% | 15.31% | 16.54% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 中位数离差 | 反向 | -1.30% | -3.34% | -8.94% | -7.74% | -13.43% | -14.47% | | 60日波动 | 反向 | -0.67% | -3.35% | -6.01% | 7.37% | -8.50% | -11.67% | | 60日动量 | 反向 | -10.66% | -0.05% | -5.41% | -5.73% | -10.97% | -15.73% | | 120日波动 | 反向 | 0.50% | -4.08% | -7.42% | 11.22% | -5.62% | -19.07% | | 120日动量 | 反向 | 0.13% | 0.13% | -9.58% | -3.53% | -13.38% | -14.03% | | 20日波动 | 反向 | 0.08% | -0.79% | -0.12% | 11.01% | -6.06% | -11.20% | | 20日动量 | 反向 | 1.88% | 5.00% | 8.13% | -5.82% | -8.58% | -11.48% | GRU因子多空收益表现（全市场股池）[3][5][20] （报告中提及表现分化，barra1d和open1d略有回撤，barra5d和close1d表现强势，但未提供具体数值表格） 基本面因子多空收益表现（沪深300股池）[23] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 净利润超预期增长 | 正向 | 3.62% | -2.63% | 23.49% | 37.43% | 5.68% | 6.03% | | 营业利润率超预期增长 | 正向 | 1.77% | 1.65% | 10.14% | 2.46% | -2.55% | 3.53% | | 营业利润率 | 反向 | -1.53% | 4.26% | 5.55% | 8.91% | -6.55% | 7.13% | | ROC超预期增长 | 正向 | -1.42% | 0.20% | 20.40% | 33.42% | 9.24% | 4.87% | | 市盈率 | 反向 | 1.00% | -0.03% | 1.31% | -0.59% | -8.84% | -10.37% | | 营业利润增长 | 正向 | 0.94% | 0.68% | 15.55% | 20.17% | 3.39% | 2.60% | | ROA超预期增长 | 正向 | 0.73% | 0.19% | 3.16% | 11.22% | 6.62% | 9.17% | | ROA增长 | 正向 | -0.70% | 0.10% | 17.22% | 25.43% | 3.84% | 8.17% | | ROA | 反向 | 0.63% | -4.31% | 5.02% | 4.56% | -10.69% | -13.61% | | 营业周转率 | 反向 | -0.54% | -5.65% | 5.46% | 10.28% | -6.19% | -11.13% | | ROE | 反向 | 0.18% | 2.01% | 1.79% | 0.46% | -10.94% | -8.18% | | ROE增长 | 反向 | 0.29% | -2.33% | 8.81% | 12.64% | 1.47% | 0.27% | | 市销率 | 反向 | 0.62% | 1.40% | 6.79% | -8.62% | -11.73% | -9.67% | 技术类因子多空收益表现（沪深300股池）[24] | 因子名称 | 因子方向 | 最近一周 | 最近一月 | 最近半年 |

核心观点 - 报告核心观点为基本面将主导2026年风格因子切换，市场正等待趋势行情确认，配置建议遵循先价值后成长的路径[4] - 宏观量化模型判断2026年风格将经历价值→成长→均衡→价值的切换，当前经济前瞻指标进入上行阶段，盈利预期回升，支持先价值后成长的配置顺序[4] - 市场趋势自2025年8月转入震荡，10月下旬起趋势概率提升，趋势确认后价值因子和长期动量因子将受益，成长因子则在震荡行情中胜率更高[4] 因子表现总结 - 2025年以来成长因子表现突出，在沪深300、中证500和中证1000样本空间内的多空收益分别为37.93%、18.57%和23.05%，而长期动量、低波动率和红利因子出现回撤[9][10][12] - 低波动率因子在沪深300内表现偏弱，多空收益为-15.44%，映射了市场高波动特征，与2017年、2020年市场转好时的低波因子表现不佳情况相似[12][22][25] - 长期动量因子表现偏弱，体现市场行业和板块轮动较快，未形成明确主线，与成长因子在下半年呈现反向特征[12][17][20] 宏观量化框架观点 - 宏观量化框架构建经济、流动性、信用三个维度与风格、行业的对应关系，通过市场对宏观数据的反映构成微观映射，近三年宏观经济周期切换更频繁[36][37][38] - 经济维度显示2024年下半年上行后，2025年上半年转入下行，年末重新出现回升信号，中证800一致预测ROE变化与GDP同比变化历史周期吻合[43] - 流动性维度呈现量与价互相牵制特点，货币政策整体平稳但市场交易利率上行，2025年下半年多数时间流动性被修正为偏弱[54][55][60] - 信用维度在2025年上半年交易信用扩张、与社融吻合，下半年逐步转向交易收缩，11月正式触发修正[65] 2026年权益量化展望 - 宏观维度显示市场关注点从流动性转向经济与通胀，经济基本面成为关键驱动因素，经济前瞻指标进入上行阶段，盈利预期回升[82][85][86] - 市场趋势判断自2025年8月转入震荡，10月下旬起趋势概率提升，价值因子在趋势行情中表现更好（趋势IC胜率达71.05%），成长因子在震荡行情中胜率更高（震荡IC胜率达64%）[92][97][98][101] - 情绪变化自2025年7月以来有支撑，整体偏暖趋势温和，价量一致性企稳，相比2024年"924"行情更稳定[102][104][105] - 行业轮动速度在2025年持续放缓但历史上仍不高，可重点关注拥挤度偏低且形成趋势的行业，如电子、计算机拥挤度缓和，中游企业呈现低拥挤、趋势起步状态[106][108][112][116]

报告行业投资评级 报告未提及行业投资评级相关内容 报告的核心观点 - 聚焦构建风格维度下的可转债多因子体系，建立含115个因子、五类风格因子的"行为 - 估值 - 波动"三维逻辑基础框架，通过非线性组合优化获取超额收益，为资产配置提供量化策略支持 [1] - 低利率与资产荒下，资金向"固收+"倾斜，可转债市场进入"结构分化 - 定价复杂化 - 策略精细化"阶段，构建风格维度的转债多因子体系是应对供需错配与估值高位的策略选择，也是固收+体系下资产精细化配置的必然方向 [2][27] 根据相关目录分别进行总结 引言 - 2025年在权益市场带动下，转债市场持续走强，呈现成交活跃、存量稳定、结构分化特征，截至11月4日，近一月日均成交额约660亿元，存续可转债415只，总规模约5957亿元，价格分布偏向中高价区间 [12] - 量化方法在可转债市场适用性增强，T+0机制与高频交易结构提供丰富价量信息，可转债股债混合特征使多因子体系能在五个维度系统应用 [13] 近年来转债市场扩容明显 可转债，兼具股债属性的"混合型资产" - 可转债是含期权属性的复合证券，兼具债性与股性，市场存量为5957亿元、415只，成交集中于头部券种，为多因子模型提供样本与统计基础 [15][16] - 与股票相比，可转债下行有债性保护、上行享股性弹性，波动介于股债之间，交易规则更灵活 [19] - 可转债市场高频、活跃、非完全有效，量化方法适用性显著，高频交易数据支撑模型稳定，行为因子有效，股债联动性因子提供Alpha来源，交易制度优势促进策略可实现 [17][19] 低利率下，固收+扩容驱动下策略必要性 - 低利率与资产荒使资金向"固收+"倾斜，推动可转债市场繁荣，资金与供给错配为量化和系统化策略提供土壤 [18] - 截至2025Q3，公募管理规模提升，份额结构"权益扩张、债基收缩"，资金在风险与收益间寻找"中性区间" [20] - 2025年以来，公募基金被动化与均衡化趋势显著，二级债基与被动债券指数基金扩容，二级债基含权属性凸显，将成增量资金配置重点 [21] - 2025年以来转债供给新增放缓，配置需求上升，截至Q3，公募基金持有转债规模达3529亿元，市场形成"高估值—高持仓—低供给"格局，转债在震荡市有相对收益优势 [23] - 构建基于风格维度的转债多因子体系是应对供需错配与估值高位的策略选择，是固收+体系下资产精细化配置的必然方向 [27] 风格因子视角下的转债与权益 风格因子：从Barra体系看权益市场的系统刻画 - 风格因子是刻画资产共性与系统性差异的核心维度，Barra模型将资产收益分解为风格因子收益与特质收益之和，通过因子暴露量化分析，投资者可识别收益来源、控制风险和实现风格中性化管理 [28][29] - 权益市场中，Barra模型将风格因子分为估值、成长等，这些因子构成"风格地图"，市场风格轮动是因子收益交替主导过程 [29] 风格视角下的转债市场：偏股、平衡、偏债的结构划分 - 可转债收益结构是"股性因子暴露 + 债性防御因子暴露"组合，市场形成偏股型、平衡型、偏债型三种风格，这种划分反映资产风险收益特征，为因子分层与策略构建提供基础 [33] - 偏股型转债股性主导，弹性高、波动大，适合风险偏好高的投资者；平衡型转债股债共振，风险收益均衡，是多因子模型"基准层"或组合核心配置；偏债型转债债性主导，防御性强，在风险偏好下行时是避险资金配置方向 [33] - 转债市场风格分布是权益Barra因子的"压缩映射"，从风格维度刻画转债有助于理解市场结构与轮动规律，为构建多因子选券体系提供框架 [34] 慢牛预期下，转债市场股性偏强 - 转债市场定价逻辑从"债券属性主导"向"权益属性强化"转变，资金结构与估值变化推动股性强化与风格偏移 [35] - 中证转债指数与中证1000、2000指数同频共振，2025年5月以来股性属性明显抬升，市场波动由权益端驱动，转债从"固收替代品"演化为"权益弹性补充" [36][37] - 股性偏强是因高价转债集中度提升，债底约束减弱，固收+资金形成"类权益配置"需求，宏观流动性与利率环境稳定支撑转债估值 [37][39] - 转债市场从"利率主导防御型"转向"风险偏好主导弹性型"，应重视与正股联动性相关的因子体系，未来转债市场将维持"高估值 - 高波动 - 高股性"特征，风格因子对收益差异解释力上升 [40] 多因子转债体系介绍，从五类风格因子到系统回测框架 - 构建涵盖115个日频因子的多维度体系，选取估值、动量、波动率、流动性与量价相关性五个风格维度，形成完整可转债量化框架 [41] - 估值因子反映定价偏离，是中长期收益核心来源；波动率与流动性因子在交易行情中信号显著；动量与量价相关性因子在高估值环境下有效性下降 [41] - 选择日频数据构建多因子体系，因可转债T+0机制和投资者结构使市场日内价量波动大，日频数据能保留信号有效性，兼顾信号敏感性与执行可行性 [44][45] 可转债多因子体系与回测结果 五类风格因子历史表现 - 对五类风格因子及等权合成因子进行回测（2021 - 2025年），不同风格因子风险收益特征差异显著 [46] - 动量因子年化超额收益10.65%，波动率因子年化超额收益8.19%，表现突出；流动性因子年化超额收益7.68%，表现不错；五因子等权合成因子年化5.87%、估值因子年化4.18%、量价相关性因子年化1.83%，表现尚可 [47] - 动量因子捕捉价格趋势效应，换手率高，是高频交易主动策略；波动率因子风险调整后收益高、回撤低，源于风险定价补偿和规避"波动率陷阱"，换手率低，实践价值高 [48] - 简单等权合成并非最优解，后续应聚焦动态因子权重配置，提升优势因子权重，降低弱势因子权重 [49] 组合优化逻辑 - 单一因子投资存在收益波动剧烈、因子协同性不足、交易成本侵蚀明显、风格偏离风险等短板 [53] - 采用非线性优化框架构建组合，以因子值最大化（最小化）为目标，以市值、行业、风格和个券权重为约束条件，求解最优因子权重下的转债投资组合 [54] - 回测显示，2021年以来市场中性下流动性因子表现最佳，量价因子、动量因子其次，组合优化目的是以适当风险博取高收益，投资者需注意风格错配下的超额回撤风险 [56][57] 后续优化逻辑 - 后续优化应从"等权合成"转向"基于历史表现的加权合成"，以动量因子和估值因子为例，等权合成会受内部表现差的细分因子拖累 [58] - 后续优化方法包括基于风险指标加权、基于收益指标加权、直接优化法，以提升大类因子有效性 [59] 后续策略优化 事件驱动：把握条款博弈的确定性机会 - 事件驱动策略利用发行人主动行为引发的价格重估获取回报，收益与传统市场因子相关性低，需建立事件数据库与实时监控机制 [61][62] - 下修事件驱动策略包括事前筛查、事中应对、事后退出，下修可提升转债价值；回购事件驱动策略监测上市公司回购公告，可增强个券配置价值 [62] 错误定价：挖掘期权价值的认知偏差 - 错误定价策略源于市场对转债内嵌期权价值错误评估，策略方法包括构建理论价值模型、识别偏差、组合应用，收益来源于市场对期权价值认知的修正 [63]

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 **1 因子名称：Beta** **因子构建思路：** 衡量股票相对于市场的系统性风险[15] **因子具体构建过程：** 采用历史beta值进行计算[15] **2 因子名称：市值** **因子构建思路：** 衡量公司规模大小[15] **因子具体构建过程：** 对总市值取自然对数[15] $$市值 = ln(总市值)$$ **3 因子名称：动量** **因子构建思路：** 衡量股票价格趋势[15] **因子具体构建过程：** 计算历史超额收益率序列的均值[15] **4 因子名称：波动** **因子构建思路：** 综合衡量股票价格波动特征[15] **因子具体构建过程：** 采用加权组合方式计算波动率[15] $$波动 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ **5 因子名称：非线性市值** **因子构建思路：** 捕捉市值因子的非线性效应[15] **因子具体构建过程：** 对市值风格进行三次方变换[15] $$非线性市值 = 市值^3$$ **6 因子名称：估值** **因子构建思路：** 衡量股票估值水平[15] **因子具体构建过程：** 采用市净率的倒数[15] $$估值 = \frac{1}{市净率}$$ **7 因子名称：流动性** **因子构建思路：** 衡量股票交易活跃程度[15] **因子具体构建过程：** 采用不同时间窗口换手率的加权组合[15] $$流动性 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ **8 因子名称：盈利** **因子构建思路：** 综合衡量公司盈利能力[15] **因子具体构建过程：** 采用多种盈利指标的加权组合[15] $$盈利 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ **9 因子名称：成长** **因子构建思路：** 衡量公司成长性[15] **因子具体构建过程：** 综合多种增长指标的加权组合[15] $$成长 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ **10 因子名称：杠杆** **因子构建思路：** 衡量公司财务杠杆水平[15] **因子具体构建过程：** 采用多种杠杆指标的加权组合[15] $$杠杆 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ GRU模型因子 **11 因子名称：barra1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为1天[4][8] **12 因子名称：barra5d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对市场数据进行建模，输入特征包含Barra风格因子，预测周期为5天[4][8] **13 因子名称：open1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对开盘价相关数据进行建模，预测周期为1天[4][8] **14 因子名称：close1d模型** **因子构建思路：** 基于GRU神经网络构建的量化因子模型[4][8] **因子具体构建过程：** 采用GRU神经网络对收盘价相关数据进行建模，预测周期为1天[4][8] **15 因子名称：多因子组合** **因子构建思路：** 综合多个因子的复合策略[8] **因子具体构建过程：** 将多个单一因子进行组合配置，形成综合性的多因子策略[8] 因子的回测效果 Barra风格因子多空收益表现（全市场） | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|---------|---------|---------|----------|----------|----------| | 动量 | 3.49% | -6.50% | -22.13% | -14.88% | -18.33% | -17.11% | | Beta | 2.21% | -7.75% | 6.80% | 28.44% | 9.16% | 19.67% | | 波动 | 1.90% | -3.76% | -12.86% | 6.09% | 8.66% | -11.40% | | 流动性 | 1.67% | 46.39% | 8.56% | 8.77% | 20.41% | 25.21% | | 市值 | 0.45% | -6.89% | -12.57% | -39.47% | -41.79% | -34.81% | | 非线性市值 | 0.28% | -6.47% | -12.98% | -34.37% | -39.42% | -30.77% | | 成长 | 0.22% | 2.03% | 2.39% | 0.89% | -9.61% | 4.14% | | 盈利 | 1.43% | 3.55% | 7.94% | 14.39% | 3.18% | 1.16% | | 杠杆 | 2.13% | 4.08% | -4.92% | 16.59% | 6.54% | 1.95% | | 估值 | 3.52% | 6.78% | 0.22% | 4.37% | 16.82% | 16.61% | GRU模型多头组合超额收益表现 | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|-------|-------|-------|-------|----------| | open1d | 0.32% | 1.81% | -0.69% | 1.36% | 6.02% | | close1d | 1.41% | 4.17% | -1.73% | 2.27% | 4.33% | | barra1d | -0.34% | -0.65% | 0.92% | 1.80% | 4.71% | | barra5d | 1.44% | 5.42% | -0.50% | 2.74% | 7.34% | | 多因子 | 0.57% | 2.54% | -0.60% | -0.01% | 0.89% |

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. Barra风格因子 **因子名称**：Beta[15] **因子构建思路**：衡量股票相对于市场的系统性风险[15] **因子具体构建过程**：使用历史beta值[15] **因子名称**：市值[15] **因子构建思路**：衡量公司规模大小[15] **因子具体构建过程**：总市值取自然对数[15] **因子名称**：动量[15] **因子构建思路**：衡量股票价格趋势[15] **因子具体构建过程**：使用历史超额收益率序列均值[15] **因子名称**：波动[15] **因子构建思路**：衡量股票价格波动性[15] **因子具体构建过程**：采用复合波动率计算方式： $$0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$[15] **因子名称**：非线性市值[15] **因子构建思路**：捕捉市值风格的非线性效应[15] **因子具体构建过程**：市值风格的三次方[15] **因子名称**：估值[15] **因子构建思路**：衡量股票估值水平[15] **因子具体构建过程**：使用市净率倒数[15] **因子名称**：流动性[15] **因子构建思路**：衡量股票交易活跃度[15] **因子具体构建过程**：采用复合换手率计算方式： $$0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$[15] **因子名称**：盈利[15] **因子构建思路**：衡量公司盈利能力[15] **因子具体构建过程**：采用复合盈利指标计算方式： $$0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数$$[15] **因子名称**：成长[15] **因子构建思路**：衡量公司成长性[15] **因子具体构建过程**：采用复合增长指标计算方式： $$0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$[15] **因子名称**：杠杆[15] **因子构建思路**：衡量公司财务杠杆水平[15] **因子具体构建过程**：采用复合杠杆指标计算方式： $$0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$[15] 2. GRU模型因子 **因子名称**：open1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用开盘价相关数据训练的GRU模型[31] **因子名称**：close1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用收盘价相关数据训练的GRU模型[31] **因子名称**：barra1d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：结合Barra因子体系训练的GRU模型[31] **因子名称**：barra5d模型[31] **因子构建思路**：基于GRU神经网络模型构建的预测因子[31] **因子具体构建过程**：使用5日Barra因子数据训练的GRU模型[31] 3. 基本面因子 **因子名称**：EOI、营业利润率、roc增长、净利润超预期增长、营业周转率、roc、营业利润率超预期增长、roa增长、市盈率、市销率、roa超预期增长、营业利润率增长、roc超预期增长等[22][27] **因子构建思路**：基于公司财务数据构建的基本面分析因子[22][27] **因子具体构建过程**：使用TTM方式计算的财务指标，包括盈利能力、成长性、估值等多个维度[18][22][27] 4. 技术类因子 **因子名称**：中位数离差、20日波动、60日波动、120日波动、20日动量、60日动量、120日动量等[23][30] **因子构建思路**：基于价格和成交量数据构建的技术分析因子[23][30] **因子具体构建过程**：包括波动率指标、动量指标等技术分析工具[23][30] 因子的回测效果 Barra风格因子多空收益表现[17] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | 估值 | -1.53% | 2.56% | 6.97% | 7.62% | 4.47% | 15.96% | | 盈利 | -1.31% | 1.21% | -12.53% | 15.60% | 4.49% | - | | 杠杆 | -0.83% | 0.41% | 8.61% | -18.33% | 7.88% | 2.32% | | 成长 | 0.21% | 2.10% | 1.90% | 1.10% | 9.48% | 4.22% | | 动量 | 0.11% | 3.42% | -17.53% | 11.80% | -17.59% | 16.54% | | beta | 0.32% | -5.29% | 16.73% | 31.34% | 12.64% | 10.65% | | 市值 | 0.64% | 5.55% | -16.22% | -39.20% | 41.75% | -34.68% | | 非线性市值 | 0.74% | 5.34% | 15.45% | -34.19% | -39.26% | -30.81% | | 波动 | 0.92% | 1.81% | 8.30% | 4.26% | 7.81% | -11.12% | | 流动性 | 1.39% | -3.93% | 1.89% | -7.22% | -18.82% | - | GRU因子多空收益表现[31] | 因子名称 | 近一周 | 近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | |---------|--------|--------|----------|----------|----------|----------| | open1d | -0.82% | 2.91% | -1.74% | 1.97% | 28.99% | 32.74% | | barra1d | -0.45% | 1.01% | -3.63% | -5.48% | 23.03% | 29.56% | | barra5d | 1.23% | 2.17% | -2.41% | 1.92% | 24.96% | 34.35% | | close1d | 2.88% | 5.96% | 12.45% | 23.23% | 47.28% | 49.47% | 多头组合超额收益表现[34] | 策略因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | |-------------|--------|--------|--------|--------|----------| | open1d | -0.44% | 1.49% | -1.50% | 1.39% | 5.69% | | close1d | -0.04% | 2.72% | -3.57% | 1.21% | 2.88% | | barra1d | -0.28% | -0.31% | 1.62% | 2.28% | 5.07% | | barra5d | -0.09% | 3.93% | -2.10% | 1.82% | 5.81% | | 多因子 | -0.95% | 1.83% | -1.83% | -0.19% | 0.91% | 模型测试参数[32] **选股池**：万得全A，剔除st、*st、停牌不可交易、以及上市不满180日的股票 **业绩比较基准**：中证1000指数 **调仓频率**：月度 **手续费**：双边千3 **权重配置**：个股权重上限千2 **风格偏离**：0.5标准差 **行业偏离**：0.01

根据研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 Barra风格因子 1. **因子名称**：Beta[15] * **因子构建思路**：衡量股票相对于市场的系统性风险[15] * **因子具体构建过程**：使用历史数据计算股票的历史Beta值[15] 2. **因子名称**：市值[15] * **因子构建思路**：反映公司规模大小[15] * **因子具体构建过程**：对公司的总市值取自然对数[15] $$因子值 = \ln(总市值)$$ 3. **因子名称**：动量[15] * **因子构建思路**：捕捉股票价格的趋势效应[15] * **因子具体构建过程**：计算股票历史超额收益率序列的均值[15] 4. **因子名称**：波动[15] * **因子构建思路**：衡量股票价格的历史波动程度[15] * **因子具体构建过程**：通过加权组合三种不同的波动率指标来构建[15] $$因子值 = 0.74 \times 历史超额收益率序列波动率 + 0.16 \times 累积超额收益率离差 + 0.1 \times 历史残差收益率序列波动率$$ 5. **因子名称**：非线性市值[15] * **因子构建思路**：捕捉市值因子的非线性效应[15] * **因子具体构建过程**：对市值风格因子进行三次方运算[15] $$因子值 = (市值因子)^3$$ 6. **因子名称**：估值[15] * **因子构建思路**：衡量股票的估值水平[15] * **因子具体构建过程**：使用市净率的倒数作为估值因子[15] $$因子值 = \frac{1}{市净率}$$ 7. **因子名称**：流动性[15] * **因子构建思路**：反映股票的换手活跃度，即交易流动性[15] * **因子具体构建过程**：通过加权不同时间窗口的换手率来构建[15] $$因子值 = 0.35 \times 月换手率 + 0.35 \times 季换手率 + 0.3 \times 年换手率$$ 8. **因子名称**：盈利[15] * **因子构建思路**：衡量公司的盈利能力[15] * **因子具体构建过程**：综合多种盈利相关指标进行加权计算[15] $$因子值 = 0.68 \times 分析师预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率TTM倒数$$ 9. **因子名称**：成长[15] * **因子构建思路**：评估公司的成长性[15] * **因子具体构建过程**：综合多种增长类指标进行加权计算[15] $$因子值 = 0.18 \times 分析师预测长期盈利增长率 + 0.11 \times 分析师预测短期利率增长率 + 0.24 \times 盈利增长率 + 0.47 \times 营业收入增长率$$ 10. **因子名称**：杠杆[15] * **因子构建思路**：衡量公司的财务杠杆水平[15] * **因子具体构建过程**：综合多种杠杆率指标进行加权计算[15] $$因子值 = 0.38 \times 市场杠杆率 + 0.35 \times 账面杠杆 + 0.27 \times 资产负债率$$ 技术类因子 1. **因子名称**：120日波动[21][24][27][31] * **因子构建思路**：衡量股票基于120日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去120个交易日的价格波动率[21][24][27][31] 2. **因子名称**：60日波动[21][24][27][31] * **因子构建思路**：衡量股票基于60日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去60个交易日的价格波动率[21][24][27][31] 3. **因子名称**：20日波动[21][24][27][31] * **因子构建思路**：衡量股票基于20日历史数据的波动率，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去20个交易日的价格波动率[21][24][27][31] 4. **因子名称**：20日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于20日历史数据的价格趋势，在不同股池中方向不同（全市场、中证1000为反向；沪深300、中证500为正向）[21][24][27][31] * **因子具体构建过程**：计算过去20个交易日的价格动量[21][24][27][31] 5. **因子名称**：60日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于60日历史数据的价格趋势，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算过去60个交易日的价格动量[21][24][27][31] 6. **因子名称**：120日动量[21][24][27][31] * **因子构建思路**：捕捉股票基于120日历史数据的价格趋势，在不同股池中方向不同（全市场为反向；沪深300、中证500为正向）[21][24][27][31] * **因子具体构建过程**：计算过去120个交易日的价格动量[21][24][27][31] 7. **因子名称**：中位数离差[21][24][27][31] * **因子构建思路**：衡量股票价格相对于市场中位数的偏离程度，通常作为反向因子[21][24][27][31] * **因子具体构建过程**：计算股票价格与市场整体价格中位数的偏离度[21][24][27][31] 基本面因子（列举自不同股池） 1. **因子名称**：ROC增长[23] * **因子构建思路**：衡量公司的资本回报率增长情况，作为正向因子[23] * **因子具体构建过程**：计算资本回报率（ROC）的增长指标[23] 2. **因子名称**：市销率[23] * **因子构建思路**：衡量股票的估值水平，作为反向因子[23] * **因子具体构建过程**：使用市销率指标[23] 3. **因子名称**：ROA超预期增长[23] * **因子构建思路**：衡量公司总资产回报率（ROA）的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROA的超预期增长指标[23] 4. **因子名称**：营业利润超预期增长[23] * **因子构建思路**：衡量公司营业利润的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算营业利润的超预期增长指标[23] 5. **因子名称**：ROC[23] * **因子构建思路**：衡量公司的资本回报率水平，作为反向因子[23] * **因子具体构建过程**：计算资本回报率（ROC）指标[23] 6. **因子名称**：营业周转率[23] * **因子构建思路**：衡量公司的营运效率，作为反向因子[23] * **因子具体构建过程**：计算营业周转率指标[23] 7. **因子名称**：ROC超预期增长[23] * **因子构建思路**：衡量公司资本回报率（ROC）的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROC的超预期增长指标[23] 8. **因子名称**：市盈率[23] * **因子构建思路**：衡量股票的估值水平，作为反向因子[23] * **因子具体构建过程**：使用市盈率指标[23] 9. **因子名称**：ROA增长[23] * **因子构建思路**：衡量公司总资产回报率（ROA）的增长情况，作为正向因子[23] * **因子具体构建过程**：计算ROA的增长指标[23] 10. **因子名称**：营业利润增长[23] * **因子构建思路**：衡量公司营业利润的增长情况，作为正向因子[23] * **因子具体构建过程**：计算营业利润的增长指标[23] 11. **因子名称**：净利润超预期增长[23] * **因子构建思路**：衡量公司净利润的超预期增长情况，作为正向因子[23] * **因子具体构建过程**：计算净利润的超预期增长指标[23] 12. **因子名称**：ROA[23] * **因子构建思路**：衡量公司的总资产回报率水平，作为反向因子[23] * **因子具体构建过程**：计算总资产回报率（ROA）指标[23] 13. **因子名称**：营业利润率[23] * **因子构建思路**：衡量公司的盈利能力，作为反向因子[23] * **因子具体构建过程**：计算营业利润率指标[23] GRU模型因子 1. **因子名称**：GRU因子（barra1d模型）[4][20][22][25][26][28][29] * **因子构建思路**：使用GRU神经网络模型，结合Barra风格因子及短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和日频数据（1d）[4][20][22][25][26][28][29] 2. **因子名称**：GRU因子（barra5d模型）[4][8][20][22][25][26][28][29][33] * **因子构建思路**：使用GRU神经网络模型，结合Barra风格因子及稍长周期（5天）市场数据构建的合成因子[4][8][20][22][25][26][28][29][33] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于Barra因子和5天数据（5d）[4][8][20][22][25][26][28][29][33] 3. **因子名称**：GRU因子（open1d模型）[4][20][22][25][26][28][29][34] * **因子构建思路**：使用GRU神经网络模型，结合开盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于开盘价（open）和日频数据（1d）[4][20][22][25][26][28][29][34] 4. **因子名称**：GRU因子（close1d模型）[4][20][22][25][26][28][29][34] * **因子构建思路**：使用GRU神经网络模型，结合收盘价等短期（1天）市场数据构建的合成因子[4][20][22][25][26][28][29][34] * **因子具体构建过程**：报告未详细描述GRU模型的具体网络结构、输入特征和训练过程，但指出其基于收盘价（close）和日频数据（1d）[4][20][22][25][26][28][29][34] 多因子组合 1. **模型/因子名称**：多因子组合[8][33][34] * **模型/因子构建思路**：将多个因子进行组合，构建综合选股模型[8][33][34] * **模型/因子具体构建过程**：报告未详细说明具体包含哪些因子以及组合权重确定方法[8][33][34] 因子的回测效果 Barra风格因子多空收益表现（全市场股池）[17] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 市值 | -3.55% | -5.76% | -15.19% | -39.59% | -41.82% | -34.39% | | 非线性市值 | 3.47% | -6.71% | -15.01% | -34.67% | -39.36% | -30.87% | | 估值 | 2.62% | 5.07% | 3.99% | 6.18% | 14.66% | 15.43% | | 盈利 | 1.99% | 2.35% | -10.59% | 14.48% | 4.57% | 1.20% | | 杠杆 | -1.04% | 3.55% | -7.04% | 17.65% | 8.42% | 2.62% | | 波动 | 1.03% | 4.94% | -11.49% | 5.13% | 8.33% | -11.03% | | 成长 | 0.08% | 0.53% | 2.20% | 0.89% | 19.14% | 4.10% | | 动量 | 1.01% | -5.58% | -17.92% | 11.71% | 17.92% | 15.59% | | 流动性 | 2.40% | -7.26% | -4.57% | 8.50% | -19.41% | -25.17% | | beta | 4.58% | -6.52% | 13.16% | 30.92% | 12.22% | 10.49% | 技术类因子多空收益表现（全市场股池）[21] | 因子名称 | 最近一周 | 最近一月 | 最近半年 | 今年以来 | 三年年化 | 五年年化 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 120日波动 | 0.47% | -5.55% | -2.67% | 14.03% | -4.62% | 9.26% | | 60日波动 | 1.02% | -5.14% | 0.02% | 9.74% | -8.22% | -11.84% | | 20日动量 | 1.22% | -4.96% | -1.05% | -11.47% | -12.50% | -12.68% | | 60日动量 | 1.30% | -5.34% | -6.33% | -6.59% | -13.41% | -15.85% | | 20日波动 | 1.32% | -6.19% | 2.22% | 10.11% | -6.85% | -11.77% | | 中位数离差 | 1.64% | -5.89% | -5.51% | 5.44% | -13.85% | -14.17% | | 120日动量 | 1.81% | -2.83% | -11.64% | 3.84% | -15.76% | -13.79% | 多头组合近期超额收益（相对中证1000指数）[34] | 策略/因子名称 | 近一周 | 近一月 | 近三月 | 近六月 | 今年以来 | | :--- | :--- | :--- | :--- | :--- | :--- | | open1d (GRU) | -0.02% | 1.65% | -1.43% | 1.74% | 6.16% | | close1d (GRU) | -0.07% | 2.18% | -3.97% | 0.79% | 2.92% | | barra1d (GRU) | -0.08% | -0.18% | 1.90% | 2.76% | 5.37% | | barra5d (GRU) | 0.27% | 3.14% | -2.73% | 1.68% | 5.91% | | 多因子组合 | 0.04% | 3.19% | -1.74% | -0.47% | 1.71% |

量化市场跟踪：大类因子表现 - 最近2周全市场股票池中，流动性因子和杠杆因子分别获取正收益0.36%和0.34% [4] - 盈利因子同期获取正收益0.27%，估值因子、非线性市值因子和市值因子分别获取正收益0.18%、0.18%和0.11%，显示市场风格偏向大市值 [4] - Beta因子、残差波动率因子和成长因子表现较差，分别获取负收益-0.65%、-0.55%和-0.21% [4] 量化市场跟踪：单因子表现 - 沪深300股票池中，最近2周表现最好的因子是单季度营业利润同比增长率(2.54%)和单季度净利润同比增长率(2.36%)，表现最差的因子是总资产增长率(-1.94%) [5] - 中证500股票池中，市销率TTM倒数(1.90%)和净利润断层(1.55%)表现较好，单季度总资产毛利率(-2.12%)和总资产毛利率TTM(-2.08%)表现较差 [5] - 流动性1500股票池中，市盈率因子(2.19%)和市盈率TTM倒数(2.09%)表现领先，单季度总资产毛利率(-1.64%)和总资产毛利率TTM(-1.63%)表现落后 [5] 量化市场跟踪：因子行业内表现 - 最近2周，净资产增长率、净利润增长率等基本面因子在纺织服装、非银金融和休闲服务行业正收益较为一致 [6] - 估值类因子中，BP因子在多数行业获取正收益，残差波动率因子和流动性因子在美容护理行业正收益明显 [7] - 市值风格上，有色金属、非银金融、建筑材料行业大市值风格显著 [7] 投资组合跟踪：PB-ROE-50组合 - 最近2周PB-ROE-50组合在中证800和全市场股票池中分别获取1.45%和0.75%的正超额收益 [8] - 该组合在中证500股票池中获得负超额收益-0.82% [8] 投资组合跟踪：机构调研组合 - 最近2周公募调研选股策略和私募调研跟踪策略均获取正超额收益，相对中证800的超额收益分别为1.03%和1.89% [9] 投资组合跟踪：大宗交易与定向增发组合 - 最近2周大宗交易组合相对中证全指获取负超额收益-0.57% [10] - 同期定向增发组合相对中证全指也获取负超额收益-1.13% [11]

根据研报内容，总结如下： 量化模型与构建方式 **1 模型名称：A股景气指数模型[29]** - 模型构建思路：以上证指数归母净利润同比为Nowcasting目标，构建反映A股景气度的高频指数[29] - 模型具体构建过程：通过高频数据实时追踪上证指数归母净利润同比变化，构建景气度指数，用于判断经济周期位置和趋势[29] **2 模型名称：A股情绪指数模型[36]** - 模型构建思路：基于市场波动率和成交额的变化方向划分四个象限，构造情绪指数包含见底预警与见顶预警[36] - 模型具体构建过程：将市场按照波动率和成交额的变化方向划分为四个象限，识别不同象限的市场收益特征，据此构建情绪指数$$情绪指数 = f(波动率变化, 成交额变化)$$其中波动率变化和成交额变化分别代表市场价和量的情绪维度[36] **3 模型名称：BARRA多因子模型[58]** - 模型构建思路：参照BARRA因子模型框架，对A股市场构建十大类风格因子体系[58] - 模型具体构建过程：构建十大类风格因子包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）和杠杆（LVRG），用于解释股票收益和市场风格特征[58] **4 模型名称：指数增强组合模型[46][53]** - 模型构建思路：基于量化策略模型构建中证500和沪深300指数增强组合，追求超越基准的超额收益[46][53] - 模型具体构建过程：通过多因子选股模型和优化算法，在控制跟踪误差的前提下构建投资组合，具体持仓权重由策略模型生成[46][53] **5 模型名称：主题挖掘算法模型[46]** - 模型构建思路：基于新闻和研报文本挖掘主题投资机会[46] - 模型具体构建过程：通过对文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等多个维度描述主题投资机会[46] 量化因子与构建方式 **1 因子名称：市值因子（SIZE）[58][59]** - 因子构建思路：衡量股票市值规模对收益的影响[58] - 因子具体构建过程：基于股票总市值或流通市值构建，反映规模效应[58] **2 因子名称：BETA因子[58][59]** - 因子构建思路：衡量股票系统性风险暴露[58] - 因子具体构建过程：通过股票收益与市场收益的回归系数计算[58] **3 因子名称：动量因子（MOM）[58][59]** - 因子构建思路：捕捉股票价格动量效应[58] - 因子具体构建过程：基于历史价格表现构建，反映趋势延续特征[58] **4 因子名称：残差波动率因子（RESVOL）[58][59]** - 因子构建思路：衡量股票特异性风险[58] - 因子具体构建过程：通过回归残差的标准差计算，反映非系统性波动[58] **5 因子名称：非线性市值因子（NLSIZE）[58][59]** - 因子构建思路：捕捉市值与收益的非线性关系[58] - 因子具体构建过程：对市值因子进行非线性变换，识别市值效应的复杂特征[58] **6 因子名称：估值因子（BTOP）[58][59]** - 因子构建思路：衡量股票估值水平对收益的影响[58] - 因子具体构建过程：基于市净率等估值指标构建，反映价值效应[58] **7 因子名称：流动性因子（LIQUIDITY）[58][59]** - 因子构建思路：捕捉流动性溢价效应[58] - 因子具体构建过程：基于换手率、交易量等流动性指标构建[58] **8 因子名称：盈利因子（EARNINGS_YIELD）[58][59]** - 因子构建思路：衡量公司盈利能力对收益的影响[58] - 因子具体构建过程：基于市盈率、盈利收益率等指标构建[58] **9 因子名称：成长因子（GROWTH）[58][59]** - 因子构建思路：捕捉公司成长性特征[58] - 因子具体构建过程：基于收入增长率、盈利增长率等成长性指标构建[58] **10 因子名称：杠杆因子（LVRG）[58][59]** - 因子构建思路：衡量公司财务杠杆水平对收益的影响[58] - 因子具体构建过程：基于资产负债率、权益乘数等杠杆指标构建[58] 模型的回测效果 **1 A股景气指数模型[33]** - 截至2025年9月30日，A股景气指数为21.28，相比2023年底上升15.85[33] **2 指数增强组合模型[46][53]** - 中证500增强组合：节前收益1.99%，跑输基准0.38%；2020年至今超额收益51.20%，最大回撤-5.73%[46] - 沪深300增强组合：节前收益率2.15%，跑赢基准0.16%；2020年至今超额收益38.68%，最大回撤-5.86%[53] **3 A股情绪指数模型[40]** - 当前A股情绪见底指数信号：空，A股情绪见顶指数信号：空，综合信号为：空[40] 因子的回测效果 **1 风格因子近期表现[59]** - 市值因子：超额收益较高[59] - 残差波动率因子：呈较为显著的负向超额收益[59] - BETA因子：表现优异[59] - 成长因子：表现优异[59] - 价值因子：表现不佳[59] **2 行业因子近期表现[59]** - 钢铁、电力设备、有色金属等行业因子：相对市场市值加权组合跑出较高超额收益[59] - 消费者服务、煤炭、银行等行业因子：回撤较多[59] **3 因子相关性分析[60]** - 流动性因子与Beta、动量、残差波动率呈现明显正相关性[60] - 价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[60] - 市值因子与非线性市值因子相关性为0.513[60] - Beta因子与流动性因子相关性为0.568[60] - 动量因子与残差波动率因子相关性为0.577[60]

文章核心观点 - 主动权益基金要稳定战胜业绩基准（如沪深300），关键在于系统化的组合管理，特别是控制风格偏离而非行业偏离，并善用波动率环境优化策略 [1][3][20][27] 基准分析与战胜基准的挑战 - 沪深300指数的风格因子构成包含质量、景气、动量、红利和低估值因子，主动基金整体在红利和低估值因子表现好时易跑输指数，在质量、景气、动量因子表现好时易跑赢 [1] - 战胜基准是国内外资管机构共同难题，过去近20年A股主动权益基金年度跑赢基准比例平均约50%，美股仅约35% [17] - 公募基金超额收益主要源于对新兴产业趋势的把握，在2008年以来的六轮牛熊周期中，仅“互联网+”和新能源两轮产业驱动行情中取得显著超额，缺乏产业主线时超额有限 [18] - 基金管理人选股胜率约42%，超额收益更多靠个股赔率（选中1-2只涨幅超50%甚至翻倍个股）而非胜率，但未来胜率是更重要指标 [19] - 基准难以战胜的痛点包括基准选择（如沪深300和标普500的alpha过于集中在大市值龙头）、控制风格和行业偏离、以及选股能力 [21] 组合管理的关键：控制偏离 - 控制风格偏离的重要性大于控制行业偏离，过度偏离会显著压降胜率和赔率 [3][22][23] - 优秀基金经理与普通基金经理的差异在于风格和行业偏离幅度更小，相对均衡保守，优秀经理更多暴露在个股集中度上 [5] - 不改变基金持仓，仅将过大的风格偏离压回合理约束范围，基金收益分布会显著改善，业绩极端差的比例下降更多 [7][25] - 行业比较对主动权益价值不大，月度维度选行业β能力对业绩作用近乎无效，季度维度选股α和选行业β能力共同驱动业绩 [26] 波动率环境与策略应用 - 在A股市场，波动率和收益率呈负相关，低波动率股票收益率反而最好，这与“高波动对应高收益”的传统认知相反 [9] - 波动率是重要变量，控制波动率是提升夏普率的重要一环，A股呈现明显“风险厌恶”特征，波动率环境可分为低波（<15%）、中波（15%-25%）、高波（>25%） [28] - 波动率变迁有延续性+回落性规律，低波和高波环境下延续可能性高，高波环境波动率易降不易升，且高波往往由突发坏消息引起 [29][30][31] - 在不同波动率环境下选择不同Smart Beta风格因子可稳定增强收益：低波环境市场表现较好，攻防均衡；中波环境防御性风格占优；高波环境小盘风格明显占优 [32][33] - 广义数据显示基金经理不具备择时能力，但在A股高波环境下（如2007年6000点、2015年5500点）进行大择时可显著优化组合收益率，策略上可在市场低位且趋势向上时择时以降低波动和回撤 [12][34] 风格识别与因子表现 - 基金经理主要风格可分为质量、价值、小盘三类，质量风格是基金经理自带，价值风格在低波动时表现好，小盘风格在高波动时表现好 [13] - 质量因子在所有波动率下夏普率较均匀，低估值因子在中低波环境下夏普率较高，小盘因子在高波环境下夏普率尤为突出 [33]

核心观点 - 全球风险资产在美元弱势和美联储降息预期下呈现上行趋势 亚洲权益市场领涨 美股创新高 A股成长风格占优但估值压力抬升 债市资金分流 黄金白银因降息和避险双驱动创历史新高 衍生品策略中股指CTA表现较佳但中性策略面临压力 [4][5][9] 大类资产交易主线 - 宏观增长因子继续向上 通胀高频因子反弹态势减弱 国内CPI同比转负至-0.4% PPI同比降幅收窄至-2.9% 反映内需不足矛盾仍突出 [4] - 美联储降息节奏推动全球流动性预期向上 美元走弱-0.13% 亚洲权益市场受益于外资回流及AI产业主线 韩综指涨5.94% 恒生科技涨5.31% 美股三大指数创历史新高 [4][9] - 黄金白银避险逻辑强化 沪银涨2.79%创历史新高 COMEX黄金涨0.75% 白银涨2.71% [4][9] - A股成长风格占优 科创50涨5.48% 中小盘跑赢大盘蓝筹 中证1000涨2.45% 估值压力抬升但盈利预期未见明显同步改善 资金面支撑是主要驱动力 [4][9] - 债市资金分流 10年期国债期货跌0.19% 30年期跌0.89% 信用利差维持低位 [4][9] - 股指波动率边际回落 IV与HV均值回归 基差贴水分化 IM贴水扩大至-14.1% 中性策略对冲成本压力上升 [4][9] 大类资产配置建议 - 债市评分5 固收端优选高等级信用债 灵活调整久期 久期风险中性 关注银行保险配置盘动向 [5] - 境外权益评分7 美国基本面经济数据超预期 美元短期反弹能量有限 降息预期大幅抬升 建议关注利率敏感板块配置机会 [5] - 黄金评分6 贵金属为降息周期核心配置 建议增配黄金白银 降息加避险双驱动 沪金突破前高可期 [5] - A股评分6 流动性是支撑大盘的重要驱动力 量能持续 A股结构牛延续 但估值与盈利匹配度下降 需向科技龙头与低位蓝筹均衡 [5] - 大宗商品评分4 供需双弱压制工业品 整体低配 把握新能源反内卷和政策刺激内需相关品种波段机会 [5] - 衍生品策略评分5 波动率回升环境对部分套利类策略利好 股指CTA策略近期表现较佳 有望继续维持偏强走势 建议优先配置长周期趋势策略 等待新一轮趋势信号 中性产品面临对冲端侵蚀收益加超额收益不稳定的双重压力 本周股指期货基差贴水有所分化 IM对冲成本较高 预计中性产品净值波动率较上半年将明显提升 [5] 资产行情观察 - 全球权益市场共振上涨 亚洲领涨 美股创新高 韩国综指涨5.94% 恒生科技涨5.31% 日经225涨4.07% 纳指涨2.03% 标普500涨1.59% 科创50领涨5.48% 中证500涨3.38% 中证1000涨2.45% 显著跑赢上证50和沪深300等大盘蓝筹 [9] - 债券普遍回调 权益赚钱效应分流债市资金 10年期国债期货跌0.19% 30年期跌0.89% 美债10年期微跌 但降息预期下跌幅受限 美联储点阵图暗示年内三次降息 [9] - 美元指数周跌0.13% 财政贸易双赤字压力未消 美联储降息削弱利差优势 COMEX黄金涨0.75% 白银涨2.71% 沪银涨2.79%突破万元每千克创历史新高 [9] - A股波动率回落 情绪修复 上证50ETF隐含波动率IV降6.52% 美股VIX降2.77% 反映恐慌情绪释放 政策托底 成交额企稳 科技主线凝聚共识 [9] 资产相关性变化观察 - 中证800与铜收益率相关系数达到0.366中等相关 与其他资产收益率相关性较弱 变化趋势稳定 [21] - 中证800与铜 美元指数回撤相关性相对较高 分别达到0.696中等相关 -0.455中等相关 伦敦金现周度变化趋势呈上升 其他资产趋势稳定 [21] - 中债企业债与其他资产收益率相关性较弱 变化趋势较为稳定 [24] - 中债企业债与美元指数 伦敦金现回撤相关性相对较高 与美元指数 伦敦金现相关系数分别达到-0.342中等相关 -0.248中等相关 周度趋势比较稳定 [24] - 中证800与中债企业债收益率相关性呈弱相关 相关系数为-0.255 周度变化趋势较为稳定 [27] - 中证800与中债企业债回撤相关性系数达到-0.173呈现弱相关 周度变化趋势稳定 [27] 股票风格因子 - 风格因子整体呈现分化格局 市场缺乏统一方向 Beta因子涨0.36% 投资质量因子涨0.30% 盈利预期因子涨0.30% 残差波动因子涨0.30%表现领先 反映市场对高弹性 预期改善和投资质量较优品种仍存一定偏好 [34] - 流动性因子涨0.11% 动量因子涨0.17%小幅收涨 显示部分资金仍在关注流动性和趋势性机会 [34] - 盈利波动率因子跌-0.25% 盈利能力因子跌-0.24% 分红因子跌-0.18%跌幅居前 表明盈利稳健性和分红防御属性并未获得市场青睐 [34] - 账面市值比因子跌-0.15% 盈利质量因子跌-0.17%表现疲软 反映价值风格和盈利质量因子暂时承压 [34] 商品风格因子 - 商品期货风格因子整体延续分化格局 期限结构因子涨3.017% 基差动量因子涨1.642% 短期基差动量因子涨1.075%大幅领先 反映出市场对展期收益和基差走阔策略的关注度显著提升 贴水结构品种更受资金青睐 [37] - 时间序列动量涨0.967% 长期时间序列动量涨0.519%上涨 反映中长周期趋势策略仍有一定表现 [37] - 波动因子跌-1.742% 短期波动因子跌-1.053%跌幅居前 显示高波动品种继续被市场规避 风险偏好维持谨慎 [37] - 短期截面动量跌-0.893% 均价突破因子跌-0.332%表现疲弱 反映短期价格动量和技术形态类因子未能获得有效跟进 [37] - Beta因子跌-0.061% 截面动量跌-0.060%小幅回落 市场整体情绪偏防御 [37] 宏观视角增长维度 - 建信高金宏观增长因子继续保持上行趋势 延续回暖态势 8月制造业PMI环比上升0.1个百分点至49.4% 连续5个月处于收缩区间 但连续两个月环比改善 [41] - 生产指数50.8%连续4个月扩张 新订单指数49.5%小幅回升0.1个百分点 反映生产端修复强于需求端 [41] - 8月BCI指数全面走弱 企业经营状况BCI指数46.88前值47.69 环比降0.81点 利润前瞻指数41.03前值44.26下跌较大 环比降3.23点 融资环境指数46.37前值46.09小幅回升 环比升0.28点 信用扩张乏力抑制投资意愿 [41] 宏观视角流动性维度 - 当前宏观流动性变化幅度较小 仍然处于中性状态 主要受政策信号指数强势驱动 反映央行通过政策工具主动释放流动性 [46] - 本周政策信号和市场信号均未出现显著变化 效率信号边际收紧 市场整体运行保持平稳 [46] 宏观视角通胀维度 - 本周通胀高频因子整体延续震荡 反弹动能有所减弱 8月CPI同比下降0.4%前值持平 环比持平 CPI同比转负 食品价格拖累显著 消费需求不足仍是核心矛盾 [49] - PPI同比降幅收窄至-2.9%前值-3.6% 环比由降转平 结束连续8个月下行 PPI同比降幅收窄趋势若延续 将改善企业盈利预期 助力经济复苏 [49] 宏观视角海外维度 - 本周美国经济意外指数自9月初的高位29.9大幅回落至11.4 显示此前集中释放的超预期经济数据影响逐渐消化 美国整体数据仍维持在较强水平 支撑经济韧性预期 [52] - 8月美国制造业PMI上升至53.3 创下2022年5月以来最高 展示制造业扩张动能显著增强 ISM报告显示美国制造业仍然处于收缩区间 虽环比回升至48.7 但仍低于50的扩张临界线 [52] - 美元指数整体呈现震荡偏弱格局 短期走势未能形成突破 市场情绪偏向谨慎观望 价格波动反映出投资者对基本面和政策信息的消化仍在持续 技术面与市场情绪呈现横盘共振特征 [52] 资产视角权益市场交易 - 本周全A日均成交额2.299万亿元 环比下降10.5% 市场参与度显著降低 当前流动性环境有利于市场估值修复和结构性行情延续 [56] - 上交所与深交所交易活跃度存在分化 市场深度指标表现良好 成交结构健康 [56] 资产视角权益市场资金 - ETF资金方面 股票型ETF规模环比增长2.0% 货币型ETF规模环比下降5.2% 表明避险资金正向权益类资产转移 [56] - 融资融券余额方面 融资余额占流通市值比例为2.7%滚动一年100%分位 杠杆水平处于高位 融资余额环比增加0.9% 杠杆资金情绪稳定 [56] - 当前资金面极度活跃 短期内有望持续支撑市场走强 但需警惕过热带来的风险 建议保持合理仓位 关注政策变化和市场情绪 [56] 资产视角权益市场估值 - 本周A股估值水平进一步抬升 市场估值压力明显加大 市盈率升至50.38倍 市净率达到5.60倍 股息率为2.29% 均位于历史较高分位数 显示出当前市场对企业未来盈利预期过高 [60] - 建议投资者重点关注估值相对合理且业绩增长确定性高的板块 规避高估值但基本面支撑不足的领域 以降低可能的估值回归风险 [60] 资产视角权益市场盈利预期 - 本周A股盈利预期弱于历史平均 本周基本持平 中证800分析师对滚动一年盈利增速预期达10.3% 滚动一年营收增速预期达5.9% 需继续观察预期改善是否能持续 以判断市场是否已经形成盈利预期的上修趋势 [61] 资产视角固收市场久期风险 - 本周国债利差环境有所改善 但当前收益率曲线形态较为平坦 10年-2年期利差0.43% 位于滚动3年历史45%分位 10年-6个月期利差0.46% 位于滚动3年历史29%分位 30年-10年期利差0.32% 位于滚动3年历史63%分位 长期债券的投资价值受到削弱 期限溢价较低 [65] - 建议根据曲线形态特征灵活调整久期和期限配置 寻找风险收益比较高的投资机会 在总体利差环境中性的情况下 个券选择的重要性上升 [65] 资产视角固收市场信用风险 - 本周5年期AAA中短期票据与国开债当前信用利差处于历史较低水平0.25% 相比上周基本持平 处于滚动3年历史8%分位 市场信用环境宽松 反映了投资者对信用债的偏好较高 信用风险溢价处于低位 [66] - 从风险角度看 当前为极低风险环境 在当前环境下保持确定性 关注6个月至1年期限的AAA级债券 [66] 资产视角固收市场机构行为 - 债券分歧指数CFETS-NEX显示 近一周基金 证券在利率债市场持续净卖出指数均值为负值 银行 保险成为核心买方指数均值为正值 通过拉长久期锁定收益 并增配高等级信用债 [70] 资产视角固收市场交易情绪 - 银行间质押式回购成交量本周环比日均2.46% 反映市场融资活跃度边际上升 本周银行间债市杠杆率上涨 [71] 商品波动率 - 本周商品指数波动率趋势向下 短趋势波动率明显弱于长趋势波动率 当前品种间相关系数为0.488 截面波动率变化趋势向下 [77] - 预计本周趋势CTA表现一般 7月以来趋势跟踪类CTA策略表现明显回暖 [77] 股指波动率 - 隐含波动率本周继续回落 IV与HV均值回归 IV与标的价格趋势背离 [81] - 波动率回升环境对部分套利类策略利好 建议在策略上兼顾IV均值回归预期与事件驱动弹性 [81] - 股指CTA策略近期表现较佳 有望继续维持偏强走势 建议优先配置长周期趋势策略 等待新一轮趋势信号 [81] 基差 - 本周股指期货基差贴水有所分化 IM贴水扩大 IM贴水从9月5日的-8.5%扩大至9月12日的-14.1% [86] - 对于中性策略 基差管理能力成关键 需动态选择合约如滚动至贴水更深的远月或采用混合对冲结合期权 融券降低成本 [86] - 中性产品面临对冲端侵蚀收益加超额收益不稳定的双重压力 净值波动率预计将较上半年明显提升 若小微盘下跌触发中性策略减仓 期货空头平仓或导致贴水快速收敛 引发净值回撤 [86] 情绪 - 本周沪深300 科创50 中证1000持仓量PCR均边际扩大 表明中小盘上方抛压未消 空头对冲需求仍强 [87] - 若中小盘快速回调如海外黑天鹅冲击 空头平仓或触发PCR急速收敛 导致中性策略净值回撤 [87]