2026年第二季度风格轮动信号 - 2026年第二季度，风格轮动模型持续发出小盘、成长配置信号 [1][2] - 根据2026年03月31日数据，大小盘风格轮动双驱策略综合分数为-1，预测信号为小盘 [3] - 根据2026年03月31日数据，价值成长风格轮动双驱策略综合分数为-1，预测信号为成长 [4] 2026年第一季度模型表现回顾 - 2026年第一季度模型已发出小盘、成长信号，并在1月1日至3月31日期间得到验证 [2] - 在此期间，小盘风格超额收益为4.21%，成长风格超额收益为0.71% [2] 行业轮动模型2026年3月表现 - 3月，基于多维度因子构建的复合因子策略超额收益为4.19% [4] - 3月，单因子多策略的超额收益为2.84% [4] 行业轮动模型2026年4月配置观点 - 4月，两个行业轮动模型的推荐均包含计算机、有色金属、电子行业 [1][2] - 单因子多策略推荐的多头行业为：计算机、有色金属、电子、石油石化、煤炭、银行 [4] - 复合因子策略推荐的多头行业为：电子、电力设备及新能源、有色金属、计算机、汽车 [4]

市场整体表现 - 本周A股市场指数跌幅明显收窄，市场情绪从恐慌走向修复，资金风格发生阶段性切换，全周主力资金虽仍为净流出，但边际改善趋势已初步显现，市场正处于“弱修复 + 再平衡”的关键窗口 [2] - 本周A股主要指数整体延续调整但跌幅显著收敛，市场由前期快速下跌阶段进入弱势震荡修复阶段 [6][7] - 小盘股在情绪出清后出现技术性修复，以创业板为代表的成长板块由上周抗跌转为本周领跌，风格进入阶段性再平衡窗口 [3][7] 指数与风格表现 - 从结构上看，小盘股在情绪出清后出现技术性反弹，而此前表现抗跌的成长板块（以创业板为代表）则转为领跌，风格轮动特征显著 [3] - 主要指数周涨跌幅数据显示，市场整体跌幅较上周明显收敛 [8][9] 行业表现与轮动 - 行业层面以“防御 + 涨价”主线主导，材料、公用事业及医疗保健板块逆势上涨，分别录得约2.5%左右涨幅，体现出资金对“资源属性 + 稳定现金流”资产的偏好提升 [3] - 信息技术、金融以及部分消费板块则表现承压，显示高估值与高贝塔资产仍处于估值消化阶段 [3] - 从一级行业看，材料（+2.54%）、公用事业（+2.5%）及医疗保健（+1.37%）逆势上涨，而信息技术（-2.26%）、金融（-2.31%）及消费板块整体承压 [10] - 本周35个Wind二级行业中，仅有8个子行业正向上涨，周涨幅TOP8子行业集中在化工（+3.32%）、公用事业II（+2.5%）、有色金属（+2.38%）等周期股，受益于涨价逻辑领涨 [15][16] - 周跌幅居前的子行业包括非银金融（-3.95%）、电信服务（-3.63%）、软件服务（-3.26%）等科技相关板块，显示科技股在估值消化中等待新催化 [17][18][19] 个股表现 - 涨幅居前个股主要集中在资源、能源电力及医药方向，背后逻辑以涨价驱动与政策预期为主，周涨幅TOP10股票涨幅在38.69%至51.02%之间 [3][20] - 跌幅居前个股则多为前期强势科技股，反映出资金撤离与估值压缩的双重影响，周跌幅TOP10股票跌幅在-19.10%至-32.34%之间 [3][21] 市场成交与活跃度 - 本周A股成交呈现“缩量下行”特征，周度成交金额由上周的11.06万亿元下降至10.56万亿元 [23][25] - 从日度数据观察，成交额由周初的约2.45万亿元逐步回落至周五的1.86万亿元，同时市值换手率也从4.98%下降至3.66% [23] - 尽管整体成交降温，但部分防御板块与主题性方向（如公用事业、部分资源品）仍维持较高换手，表明资金在震荡市中加速调仓，寻找相对确定性机会 [23] - 行业换手率数据显示，公用事业（31.40%）、能源（25.93%）、信息技术（19.93%）交投活跃 [27][28][29] - 个股换手率TOP10由次新股与锂电概念主导，周换手率在146.79%至236.08%之间，高换手伴随高波动 [30][31] 资金流向 - 本周主力资金“先出后进”，周一在外部地缘冲突冲击下，市场出现恐慌性抛售，主力净流出高达795亿元；但随着情绪逐步修复，周三出现150亿元净流入，成为本周关键转折点 [32] - 至周五，主力资金继续净流入82.58亿元，且尾盘回流明显，显示机构资金开始从全面撤退转向结构性布局，全周累计仍为净流出约1089亿元，但边际改善趋势已初步显现 [32] - 行业维度上，资金明显流入材料板块（净流入126.64亿元），而科技与工业板块则遭遇较大幅度流出（信息技术净流出487.04亿元，工业净流出356.51亿元） [37][38][39] - 个股主力资金净流入TOP10显示，锂电产业链成为资金主战场，赣锋锂业净流入27.20亿元 [39][40] 市场情绪指标 - 本周市场情绪呈现典型“V型修复”，周一跌停家数一度达到145家，情绪触及阶段性冰点；但随后两日快速修复，连续出现“百股涨停”现象，至周五涨停家数回升至94家，跌停家数降至个位数，市场风险偏好明显回暖 [41][46] - 两融资金走势反映出更为谨慎的态度，融资余额较3月19日高点（26501亿元）已明显回落，整体处于去杠杆态势中，不过周内后半段融资余额出现小幅回升并趋于稳定，显示杠杆资金情绪由持续降温转向观望中的弱修复 [42][46][47] - 当前市场情绪已从极端恐慌修复至中性偏谨慎状态，但尚未形成一致性做多预期 [43] 下周关注重点 - 下周将公布3月官方制造业PMI数据，是观察一季度经济复苏成色的重要窗口，可能影响市场对经济基本面的预期 [50][51] - 需密切关注中东地缘局势的演变，若冲突进一步升级，可能导致全球风险资产重新定价，对A股市场情绪产生冲击 [51] - 下周A股市场共有26家公司面临限售股解禁，解禁股份性质多样，建议重点关注鸿日达（12796.02万股）、逸豪新材（10769.81万股）、浙江华远（10600.20万股）、开发科技（10040.00万股）等解禁规模较大的公司 [51][53] - 下周新股申购包括有研复材（688811，先进材料）、寒笛电子（920181）、大普微（301666，存储芯片） [52]

文章核心观点 - 通过对中证红利与沪深300指数长达20年的数据分析，文章认为红利类资产并非可以“躺平”的资产类别，其长期风险（最大回撤）与市场整体高度一致，近几年的优异表现主要源于成长与红利风格的剧烈分化，而非资产属性发生根本改变 [3][4][9][14][19] - 红利策略的真实优势在于持续且较高的股息回报，通过分红再投资能够累积显著的长期超额收益，但这并不意味着其能规避系统性下跌风险，投资者仍需进行主动管理 [18][19] 长期表现与风险特征分析 - 从20年维度看，中证红利与沪深300的价格走势和最大回撤高度同步：两者在2008年金融危机和2015年市场大跌时跌幅几乎一致，中证红利最大回撤为-72.13%，沪深300为-72.30%，仅相差0.17个百分点 [5][7][8] - 两者的月度收益率相关性高达0.932，接近完全同步，表明在A股发生大幅下跌时，投资中证红利与沪深300所承受的亏损幅度基本相当 [7][8] 近期表现与风格分化 - 近5年（约2021年起）两者相关性出现结构性变化，滚动250日相关性从长期维持在0.95附近断崖式下跌，最低至0.44，导致市场感受上红利资产变得“不一样” [10][12] - 在此期间，中证红利表现出显著抗跌性：近5年最大回撤为-21%，而同期沪深300最大回撤达-46%；在市场大跌的月份，红利指数平均少跌4.5个百分点，甚至有3个月实现逆势上涨 [12][13] - 这种分化主要源于市场风格切换，例如2021年红利指数上涨13%，而沪深300下跌6%，资金从下跌的成长股流向红利股，并非红利资产本身属性发生根本变化 [14] 风格轮动与收益表现回归 - 当市场风格轮动回来，红利指数的相对表现随之改变：2024年沪深300上涨16%，红利指数上涨11%；2025年沪深300上涨21%，红利指数仅微涨0.6% [17] - 两者相关性已从低点的0.44回升至0.62，显示其走势同步性在增强 [17] - 回测数据显示，对中证红利进行主动的择时或趋势策略管理（年化收益可达15%，最大回撤降至32%）相比简单的买入持有策略（年化收益9%，最大回撤72%）能显著提升收益并控制风险，这与其他A股资产类似，属于“管了更好”的类别 [17] 红利策略的真实优势来源 - 红利策略的长期超额收益主要来源于股息再投资，而非抗跌能力：中证红利全收益指数年化收益为13%，沪深300全收益指数年化收益为10%，相差3个百分点 [18] - 这一差距完全由分红贡献，中证红利每年提供约4个百分点的分红收益，而沪深300仅约2个百分点 [18] - 因此，红利资产值得配置的优势在于其能提供持续、较高的股息现金流并通过再投资累积复利，但这并不意味着投资者可以放弃对其的价格波动进行管理 [19]

量化模型与因子总结 量化模型与构建方式 1. **模型名称：转债风格轮动模型**[6][16][23] * **模型构建思路**：通过捕捉市场情绪指标，在偏股、平衡、偏债三类转债的低估指数之间进行动态轮动配置，以获取超越单一风格或等权基准的收益[6][16][23]。 * **模型具体构建过程**： 1. **风格划分与指数构建**：首先，根据平底溢价率将转债划分为三类：平底溢价率 > 15%为偏股型，< -15%为偏债型，其余为平衡型，并分别构建对应的等权指数[16][18]。 2. **市场情绪指标计算**：在单个转债层面计算两个市场情绪因子：转债20日动量和波动率偏离度。然后，在每个低估风格指数内部，取这两个因子值的中位数作为该指数的市场情绪捕捉指标[23]。 3. **轮动信号生成**：将各低估风格指数在两个市场情绪指标上的排名（Rank）相加，得到综合的“市场情绪捕捉指标”[23][24]。 $$转债风格市场情绪捕捉指标 = Rank（转债20日动量） + Rank（波动率偏离度）$$[24] 4. **仓位分配**：选择“市场情绪捕捉指标”排名较低（即情绪相对更差，预期未来可能反转）的风格指数进行配置。若排名相等则等权配置，若同时选中三种风格，则全仓配置平衡低估风格[16][23][24]。模型双周频调仓[6][23]。 2. **因子名称：转债综合估值因子**[5][17][18] * **因子构建思路**：融合转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个子因子，构建一个综合衡量转债估值高低的复合因子，旨在全市场及平衡型、偏债型转债中有效识别低估标的[5][17]。 * **因子具体构建过程**：分别计算每只转债的“转股溢价率偏离度”和“理论价值偏离度（蒙特卡洛模型）”两个因子值，然后对这两个因子值分别进行横截面排名（Rank），最后将排名相加得到综合估值因子[17][18]。 $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））$$[18] 3. **因子名称：转股溢价率偏离度因子**[5][17][18] * **因子构建思路**：衡量转债当前转股溢价率相对于其理论拟合值的偏离程度，偏离度越低可能表示转债估值相对越低[17][18]。 * **因子具体构建过程**：在每个时间截面上，使用转债的转股溢价率与转股价值进行非线性回归拟合，得到转股溢价率与转股价值的关系曲线。因子值为单个转债的实际转股溢价率减去其根据转股价值拟合出的理论转股溢价率[18]。 $$转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率$$[18] 4. **因子名称：理论价值偏离度因子（蒙特卡洛模型）**[5][17][18] * **因子构建思路**：通过蒙特卡洛模拟，充分考虑转债的转股、赎回、下修、回售等条款，计算其理论价值。因子衡量市场价格相对于理论价值的偏离百分比，偏离度越低可能表示转债越被低估[17][18]。 * **因子具体构建过程**：使用蒙特卡洛方法，在每个时点模拟大量（如10000条）正股价格路径，并依据转债各项条款计算每条路径下的现金流，再以同信用、同期限的利率作为贴现率计算理论价值。因子值为转债收盘价除以理论价值再减1[18]。 $$理论价值偏离度（蒙特卡洛模型） = 转债收盘价 / 理论价值（蒙特卡洛模型） - 1$$[18] 5. **因子名称：转债20日动量**[23][24] * **因子构建思路**：捕捉转债价格的短期趋势，作为市场情绪的代理指标之一[23]。 * **因子具体构建过程**：计算转债过去20个交易日的收益率作为动量因子值[23][24]。 6. **因子名称：波动率偏离度**[23][24] * **因子构建思路**：捕捉转债波动率相对于其历史常态的偏离，作为市场情绪的代理指标之一[23]。 * **因子具体构建过程**：报告未给出具体计算公式，但指出该因子用于衡量波动率的偏离度[23][24]。 7. **指标名称：百元转股溢价率**[3][12][39] * **构建思路**：构建一个在时间序列上可比的指标，用于衡量转债市场整体的估值水平，并通过其历史分位数判断当前转债相对于正股的配置价值[3][12]。 * **具体构建过程**：在每个时点，使用截面数据拟合转股溢价率($y_i$)与转股价值($x_i$)的关系曲线。拟合公式为： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$[40] 将转股价值=100代入拟合公式，得到的转股溢价率即为“百元转股溢价率”[39][40]。 8. **指标名称：修正YTM – 信用债YTM中位数**[4][12][41] * **构建思路**：针对偏债型转债，剥离转股条款对其到期收益率(YTM)的影响，计算修正后的YTM与同等级同期限信用债YTM的差值，用以衡量偏债型转债相对于信用债的配置性价比[4][12][41]。 * **具体构建过程**： 1. **计算修正YTM**：修正YTM = 转债YTM × (1 – 转股概率) + 预期转股的到期年化收益率 × 转股概率[41]。其中，转股概率通过BS模型计算获得[41]。 2. **计算差值中位数**：计算每只偏债型转债的修正YTM与同等级同期限企业债YTM的差值$X_i$，然后取所有偏债型转债该差值的中位数[41]。 $$“修正YTM – 信用债YTM”中位数 = median\{X_1, X_2, ... , X_n\}$$[41] 模型的回测效果 （注：以下效果基于回测区间2018年2月14日至2026年3月13日[21][26]） 1. **转债风格轮动模型**[26] * 年化收益：25.60% * 年化波动：16.95% * 最大回撤：15.89% * 信息比率(IR)：1.51 * 卡玛比率：1.61 因子的回测效果 （注：以下效果通过构建对应的低估指数来体现，回测区间为2018年2月14日至2026年3月13日[21]） 1. **转债综合估值因子 & 理论价值偏离度因子（应用效果）**[21] * **偏股转债低估指数**（由理论价值偏离度因子构建[5][19]） * 年化收益率：26.32% * 年化波动率：20.74% * 最大回撤：0.23 * 信息比率(IR)：1.27 * 卡玛比率：1.15 * **平衡转债低估指数**（由转债综合估值因子构建[5][19]） * 年化收益率：15.87% * 年化波动率：12.01% * 最大回撤：0.16 * 信息比率(IR)：1.32 * 卡玛比率：0.99 * **偏债转债低估指数**（由转债综合估值因子构建[5][19]） * 年化收益率：12.38% * 年化波动率：9.77% * 最大回撤：0.18 * 信息比率(IR)：1.27 * 卡玛比率：0.70 2. **低估值因子近期增强超额**（截至2026年3月13日近一月）[5][20] * 偏股转债低估指数超额：4.73% * 平衡转债低估指数超额：2.70% * 偏债转债低估指数超额：-0.05%

个人养老金制度概览 - 个人养老金属于养老第三支柱，是个人自愿开设的养老储备账户，每年最多存入12000元，资金通常退休后取用，享受个税递延优惠 [11] - 投入个人养老金账户的资金可在计算个税时从应纳税所得额中扣除，退休取用时按3%的税率缴税 [11] - 个人养老金账户可投资品种包括商业养老保险、储蓄存款、理财、公募基金和国债五类 [20] 目标人群与税收优惠分析 - 个人养老金账户的主要优势在于个税递延优惠，收入高、缴纳个税多的人群享受的优惠更多，更划算 [13][14] - 以北京地区为例，月工资在6000元以下的人群不适合参加；月收入7000-10000元的人群吸引力不大；月收入15000元以上的人群参与则比较划算 [19] - 具体节税金额因城市、社保缴纳比例及个税专项扣除（如赡养老人、抚养子女）不同而有差异 [16][18] - 根据测算表格，年应纳税所得额不同，年节税金额从0元到5400元不等，例如月收入15000元可节税1200元，月收入100000元可节税5400元 [16] 可投资产品与市场现状 - 截至2025年12月31日，纳入个人养老基金名录的FOF基金共309只，指数基金共96只 [21] - 这96只指数基金均为场外指数基金的Y份额，费率有优惠，覆盖了17个主流股票指数，包括沪深300、中证500、创业板指、科创50等 [22][23] - 个人养老金账户目前尚未纳入ETF [24] 投资策略与资产配置 - 最适合普通投资者的养老指数搭配是“龙头策略（A系列指数）+红利策略”，分别代表成长风格和价值风格 [25][28] - A股市场具有风格轮动特征，例如2015年、2019-2020年、2025年成长风格占优，而2016-2018年、2021-2024年、2026年至今价值风格占优 [30][35] - 分散配置不同风格的低估品种（如中证A500和中证红利各50%），并每年进行再平衡，相比单一指数（如沪深300）可以获得更高收益且波动风险更小 [33] - 投资操作应结合估值：指数低估时定投指数基金，正常估值时持有，高估时止盈；不适合投资指数基金时，资金可转向国债、储蓄存款、理财等 [40][41] 操作实务与定投计划 - 个人养老金账户支持灵活转入资金，可在年初一次性转入12000元，也可按月、按周定投，当年不投入亦可 [37] - 投资者可参考每周二发布的“个人养老金账户的指数基金定投计划”，该计划包含定投的具体品种、金额、再平衡方案及止盈操作 [47] - 例如，2026年3月17日的第56期定投实盘方案为：买入300红利低波动基金132元，中证A50因处于正常估值而暂停买入 [48] - 投资者可通过公众号获取每周更新的养老指数估值表，以判断指数是否处于低估状态 [41] 税收优惠实操流程 - 个人养老金缴存金额可作为个税税前扣除项目 [50] - 每年3月1日至6月30日可在“个人所得税”APP进行上一年度的汇算清缴，办理多退少补 [51][52] - 只要资金存入个人养老金账户即可享受税前扣除，无需立即购买具体产品，但资金需长期持有至退休方可取出 [54] - 在2025年开通并缴存资金的投资者，可在2025年度的汇算清缴中享受税前扣除 [55]

构建股票基金组合的核心思路 - 投资股票基金的核心原则是在低估阶段进行投资，这能降低持有期间的波动风险，并为未来估值提升提供更大空间 [7][8] - 构建稳定组合的三大支柱是：低估投资、分散配置、再平衡 [14] - 通过分散配置不同风格的低估品种并定期再平衡，可以实现组合收益更高且波动风险更小的效果，即1+1>2 [30][32][50] 市场整体估值判断工具 - 使用“螺丝钉星级”判断市场整体估值水平，该指标每日更新，星级越高代表市场估值越低，投资价值越大 [8][9] - 螺丝钉星级分为五个区间：5-5.9星是股票基金投资最好的阶段；4-4.9星是熊市通常达到的水平，会有一部分低估品种；3-3.9星时低估品种很少；2-2.9星代表牛市中后期；1-1.9星代表牛市巅峰泡沫阶段 [13] - 历史数据显示，在4-5星级（低估阶段）投资中证偏股型基金指数，长期持有（如2年）的平均年化收益率更高，且期间最大浮亏风险反而降低 [15][16] 具体指数估值判断工具 - 使用“螺丝钉指数估值表”判断单个指数的估值高低，该表每个交易日晚上在公众号更新 [18][20] - 估值表包含大量指数数据，支持按宽基、策略、行业、主题、全球五大分类进行筛选 [21] - 在“今天几星”小程序的增量版百分位估值表中，绿色代表低估适合定投，黄色代表正常估值可暂停定投继续持有，红色代表高估可分批止盈 [21][22] 分散配置以应对风格轮动 - A股市场具有显著的风格轮动特征，成长与价值风格经常交替表现 [25] - 例如，2015年成长风格强势，2016-2018年价值风格强势，2019-2020年成长风格强势，2021-2024年价值风格强势，2025年成长风格上涨，2026年至今价值风格表现好 [28] - 分散配置不同风格（如成长与价值）的低估品种，可以降低投资组合的整体波动风险 [26] 再平衡操作策略 - 再平衡是指根据市场涨跌动态调整不同风格资产的配置比例，以获取风格轮动收益 [30] - 操作示例：初始配置价值与成长风格各50%，若一段时间后价值风格上涨至60%，则可通过再平衡对价值风格高位止盈，将资金加仓至成长风格 [31] - 一种经典的搭配方式是“龙头策略（A系列指数）+红利策略”，例如各配置50%的中证A500和中证红利指数，并每年再平衡一次，历史回测显示其相比沪深300收益更高、波动更小 [32][35] 实践案例：个人养老金定投实盘 - 螺丝钉个人养老金定投实盘采用“龙头策略（A系列指数）+红利策略”的搭配方式，其中A系列指数代表成长风格，红利代表价值风格 [34] - 该实盘每周二发布定投计划，包括具体品种、金额、再平衡方案及止盈操作 [36] - 截至2026年3月17日第56期，该实盘累计投入本金9153元，当期买入300红利低波动基金132元，中证A50因回到正常估值而暂停买入 [37] 实践案例：主动优选投顾组合 - 主动优选投顾组合会同时配置成长与价值风格的低估品种，成长风格包括A股科技、科创、创业及港股科技等，价值风格包括A股港股的红利、低波动、现金流等 [39] - 组合会根据估值动态调整风格配置比例，例如在2025年3季度成长风格大涨后，于2026年1月止盈了约三分之一的高估成长风格仓位，并加仓了低估的价值风格 [40][42] - 此次调仓后恰逢风格切换，2026年1月至2月底价值风格上涨，带动组合净值创新高 [43] - 当市场整体估值较高时（如2026年初达到3点几星），该组合会暂停买入，以防止投资者追高，待市场回调至4-5星级时再重新打开 [45][46] 策略的潜在失效情景 - 当成长与价值风格估值均处于高位时，分散配置与再平衡策略可能失效，因为所有资产都高估，再平衡只是在不同的高估品种间切换，例如2007年和2015年的大牛市 [47] - 遇到流动性紧张的环境，如大幅加息导致股票市场整体估值下降，也可能使策略面临挑战 [50] - 当前（2026年3月）市场仍以风格轮动为主，且处于美元降息周期，市场整体流动性不紧张，但需关注下半年美联储货币政策及人民币存款到期规模变化可能带来的流动性影响 [48][50]

量化模型与构建方式 1. 短期择时模型 **模型名称**：短期择时模型[5][12][13] **模型构建思路**：通过综合评估宏观基本面、估值面、情绪面和流动性四个维度的多个指标，生成每周的总体仓位信号（乐观、中性、谨慎）[5][12][13]。 **模型具体构建过程**： 1. **一级指标构建**：模型包含四个一级指标：基本面、估值面、情绪面、流动性[12][13]。 2. **二级指标信号生成**：每个一级指标下包含若干二级指标。每个二级指标根据其当前值在过去5年历史数据中的分位数，被赋予“乐观”、“中性”或“谨慎”的信号[12][13]。 * **基本面指标**： * 制造业PMI：若>50则为乐观，否则为谨慎[12]。 * 信贷脉冲环比变化分位数：分位数高表示信贷增速偏强，给出乐观信号[12]。 * M1同比增速（HP滤波去趋势）分位数：分位数高表示M1增速偏强，给出乐观信号[12]。 * **估值面指标**： * A股整体PE分位数：分位数高（如98.35%）表示估值偏高，均值回归下行压力大，给出谨慎信号[12]。 * A股整体PB分位数：分位数高（如97.27%）表示估值偏高，均值回归下行压力大，给出谨慎信号[12]。 * **情绪面指标**： * A股整体Beta离散度分位数：分位数低（如16.95%）表示市场分歧小，给出乐观信号[13]。 * A股整体量能情绪分位数：分位数中性（如47.73%）给出中性信号[13]。 * A股整体波动率分位数：分位数中性（如66.34%）给出中性信号[13]。 * **流动性指标**： * 货币利率指标分位数：分位数低（如33.90%）表示流动性相对宽松，给出乐观信号[13]。 * 汇率预期指标分位数：分位数低（如8.47%）表示人民币兑美元汇率偏强，给出乐观信号[13]。 * 沪深净融资额5日均值分位数：分位数中性（如19.69%）给出中性信号[13]。 3. **一级指标信号汇总**：综合每个一级指标下所有二级指标的信号，得出该一级指标的总体信号（乐观、中性、谨慎）[12][13]。 4. **总仓位信号生成**：综合四个一级指标的信号，得出最终的总体仓位建议（如标配/中性）[5][12]。 2. 成长价值风格轮动模型 **模型名称**：成长价值风格轮动模型[22] **模型构建思路**：通过动态宏观、估值回归、短期动量、风格广度和风格拥挤度五个维度的信号，综合判断并动态调整成长与价值风格的配置权重[22][23]。 **模型具体构建过程**： 1. **信号维度**：模型包含五个信号维度：动态宏观信号、估值回归信号、短期动量信号、风格广度信号、风格拥挤信号[23]。 2. **信号生成与加权**：每个维度独立生成对成长或价值风格的仓位建议（0%或100%代表完全配置该风格）。报告展示了两种综合方式[23]： * **综合信号1（无中性仓位）**：可能直接对五个维度的信号进行某种加权或投票，直接得出每日的成长仓位比例。 * **综合信号2（5日平均仓位）**：对综合信号1的每日仓位进行5日平滑平均，得到更稳定的仓位信号[23]。 3. **最终仓位**：根据综合信号，得出建议超配成长或价值风格。例如，当前模型建议超配价值，成长仓位为0%，价值仓位为100%[22][23]。 **模型评价**：该模型在基本面环境对成长风格不友好、且成长风格价量趋势弱于价值时，建议超配价值风格以防御风险[22]。 3. 小盘大盘风格轮动模型 **模型名称**：小盘大盘风格轮动模型[25] **模型构建思路**：从流动性等视角选取11个有效轮动指标，构建综合信号来判断小盘与大盘风格的轮动机会[25]。 **模型具体构建过程**： 1. **指标池**：模型共使用11个轮动指标，包括：A股龙虎榜买入强度、R007、融资买入余额变化、主题投资交易情绪、等级利差、期权波动率风险溢价、beta离散度、pb分化度、大宗交易折溢价率、中证1000 MACD(10,20,10)、中证1000交易量能[27]。 2. **信号生成**：每个指标独立生成每日信号，信号为“100%”表示看多小盘（即建议配置小盘），信号为“0%”表示看多大盘（即建议配置大盘）[27]。 3. **综合信号**：对所有11个指标的信号进行综合（具体综合方法未详细说明，可能是简单投票或加权），得出每日的综合信号，决定是配置小盘还是大盘[27]。例如，某日若综合信号显示“小盘 0%”，“大盘 100%”，则建议超配大盘[27]。 4. **策略应用**：根据综合信号在沪深300（代表大盘）和中证1000（代表小盘）全收益指数之间进行轮动配置[26]。 **模型评价**：该模型信号有时切换较快，在流动性波动较大的市场环境下，建议以均衡配置为主[25]。 模型的回测效果 1. 短期择时模型 * **回测区间**：2012年底至2026年3月[14][18] * **年化收益率**：16.32%[14][18] * **基准年化收益率**：4.98%[14][18] * **年化超额收益率**：11.34%[14] * **年化波动率**：14.79%[18] * **最大回撤**：15.05%[14][18] * **夏普比率**：0.9617[18] * **收益回撤比**：1.0848[18] * **月度胜率**：65.63%[18] * **2024年以来年化收益率**：27.64%[19] * **2024年以来最大回撤**：11.04%[19] * **2024年以来夏普比率**：1.4483[19] * **2026年以来超额收益率**：1.27%[14][18] 2. 成长价值风格轮动模型 * **回测区间**：2011年至2026年3月13日[22][23] * **综合信号2（5日平均仓位）年化收益率**：14.63%[22][23] * **基准（月度风格均衡配置）年化收益率**：6.66%[22][23] * **综合信号2年化超额收益率**：7.97%[22][23] * **综合信号2年化跟踪误差**：5.88%[23] * **综合信号2信息比率(IR)**：1.35[23] * **综合信号2月度超额胜率**：66.32%[23] * **2026年以来超额收益率**：2.15%[22][23] 3. 小盘大盘风格轮动模型 * **回测区间**：2014年至2026年[26][27] * **综合信号（3日平滑）年化收益率**：20.23%[27] * **综合信号年化超额收益率**：12.73%[27] * **综合信号最大回撤**：40.70%[27] * **2026年以来超额收益率**：2.51%[26][27] 量化因子与构建方式 （报告未详细描述独立的因子构建过程，主要介绍的是基于这些因子或指标构建的轮动模型。） 因子的回测效果 （报告未提供独立因子的回测效果数据。）

量化模型与因子总结 量化模型与构建方式 1. **模型名称：宏观周期识别框架** * **模型构建思路**：为克服单一经济周期指标（如美林时钟）预测不稳定的问题，构建一个多维度、高维度的宏观周期识别框架，以更稳定地判断宏观状态，并分析其对大类资产价格的传导逻辑[8][9]。 * **模型具体构建过程**： 1. **变量选取**：同时考虑经济景气、通胀、利率、库存、信用五个维度的宏观指标[9]。 2. **宏观变量构建**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量，用过去一年标准差倒数加权构建宏观因子变量[2]。 3. **数据滤波**：采用单边HP滤波器对宏观经济数据进行调整，消除短期波动对长期趋势判断的影响[2]。 4. **状态与趋势划分**：基于滤波后的变量，分别用因子动量划分宏观趋势（上行、下行）和用时序百分位划分宏观状态（高、中、低位）[2]。 5. **升维分析**：将宏观变量的边际变化（趋势）与所处状态（时序排位）结合，形成高维宏观变量，以分析其对资产价格的不同传导路径[2][8]。 2. **模型名称：中证全指择时策略** * **模型构建思路**：基于宏观变量组合，构建对中证全指的择时策略，根据宏观状态预测其未来收益上涨概率，进行多空操作[31]。 * **模型具体构建过程**： 1. **子策略构建**：分别构建“流动性+库存”和“流动性+信用”两个子策略，统计它们对中证全指未来收益是否上涨的预测值[31]。 2. **信号生成**：当任一子策略的预测值高于阈值（0.6）时，对中证全指做多，反之做空[31]。 3. **模型名称：红利指数择时策略** * **模型构建思路**：基于宏观变量组合，构建对红利指数的择时策略，根据宏观状态预测其未来收益上涨概率，进行多空操作[40]。 * **模型具体构建过程**： 1. **子策略构建**：分别构建“通胀+库存”和“库存+信用”两个子策略，计算它们对红利指数未来收益是否上涨的预测值[40]。 2. **信号生成**：对两个子策略的预测值求均值，当均值高于阈值（0.6）时，对红利指数做多，反之做空[40]。 4. **模型名称：风格轮动配置策略** * **模型构建思路**：基于有效的宏观因子组合，滚动预测六大风格指数的未来收益率，每月配置预期表现最优的风格，实现风格轮动[49][54]。 * **模型具体构建过程**： 1. **有效组合筛选**：通过测试宏观因子两两组合对风格轮动的有效性，筛选出“通胀+库存”和“通胀+信用”两个有效的宏观组合[49]。 2. **子策略构建**：对于每个有效宏观组合，滚动预测六大风格指数（大盘、小盘、成长、绩优、红利、价值）的未来远期收益率。将预测收益平滑后，在每月末选取预测收益率排名前二的风格指数，在下月进行等权配置[49]。 3. **策略综合**：综合两个子策略，将“通胀+库存”和“通胀+信用”子策略对风格指数的未来收益预测值进行截面排序并求均值。每月等权配置最终预测值排名前二的风格指数[54]。 模型的回测效果 1. **中证全指择时策略**（回测期：2012年1月末至2026年2月28日） * 年化收益：15.34%[34][36] * 年化波动：22.02%[36] * 夏普比率：0.74[36] * 最大回撤：-28.10%[36] * 超额收益（相对中证全指）：10.31%[34][36] * 跟踪误差：34.16%[36] * 信息比率(IR)：0.30[36] * 相对最大回撤：-50.30%[36] 2. **红利指数择时策略**（回测期：2012年1月末至2026年2月28日） * 年化收益：10.32%[40][42][43] * 年化波动：13.74%[42][43] * 夏普比率：0.75[42][43] * 最大回撤：-19.92%[42][43] * 超额收益（相对红利指数）：7.97%[40][42][43] * 跟踪误差：9.23%[42][43] * 信息比率(IR)：0.86[42][43] * 相对最大回撤：-12.47%[42][43] 3. **风格轮动配置策略**（回测期：2014年9月30日至2026年2月28日） * 年化收益：14.79%[54][59] * 年化波动：21.81%[59] * 夏普比率：0.64[59] * 最大回撤：-45.93%[59] * 超额收益（相对风格等权基准）：4.61%[54][59] * 跟踪误差：10.28%[59] * 信息比率(IR)：0.52[59] * 相对最大回撤：-81.71%[59] 量化因子与构建方式 1. **因子名称：宏观因子变量** * **因子构建思路**：从大量细分宏观指标中，筛选出对市场（宽基指数或代理变量）有显著预测能力的变量，并合成综合性的宏观因子[2]。 * **因子具体构建过程**： 1. **变量筛选**：将宏观指数分别对宽基指数、代理宏观变量做回归，选取t值显著的细分宏观变量[2]。 2. **加权合成**：使用过去一年标准差倒数对筛选出的显著变量进行加权，构建宏观因子变量[2]。 3. **公式**：假设有N个显著变量 $X_i$，其过去一年标准差为 $\sigma_i$，则宏观因子 $F$ 可表示为： $$ F = \sum_{i=1}^{N} w_i X_i, \quad 其中 \quad w_i = \frac{1/\sigma_i}{\sum_{j=1}^{N} (1/\sigma_j)} $$ 2. **因子名称：宏观状态与趋势因子** * **因子构建思路**：对处理后的宏观数据，从“状态”（水平位置）和“趋势”（边际变化）两个维度进行刻画，形成可用于资产配置的高维信号[2]。 * **因子具体构建过程**： 1. **数据预处理**：使用单边HP滤波器对原始宏观因子变量进行调整，得到平滑序列 $hp\_cpt$，以消除短期波动[2][21]。 2. **趋势划分**：基于滤波后变量计算因子动量，据此刻画宏观趋势为“上行”或“下行”[2]。 3. **状态划分**：计算滤波后变量在历史时序上的百分位，据此刻画宏观状态为“高”、“中”或“低”位[2][21]。 因子的回测效果 （报告未提供独立因子的回测绩效指标，如IC、IR等。因子效果体现在其驱动的各类择时与轮动策略的绩效中。）

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 - 报告基于宏观方法和动量指标构建多个 ETF 组合 包括宏观行业组合、宏观 + 动量行业组合、核心 - 卫星组合和三位一体风格轮动 ETF 组合 并介绍各组合构建方法、持仓情况及历史表现 [5] 根据相关目录分别进行总结 1. ETF 组合构建方法 1.1 基于宏观方法的 ETF 组合构建 - 根据经济、流动性、信用三个维度宏观变量 对宽基、行业主题、Smart Beta 三大类 ETF 跟踪指数计算宏观敏感性 依据当期宏观变量状态与指数宏观敏感性选 ETF 还考虑加入动量指标互补 [5] - 传统周期行业适合经济上行期配置 TMT 适合经济偏弱但流动性宽松时配置 消费在信用扩张时受益 国企、ESG 相关主题对流动性和信用低敏感 [5] - 依据宏观敏感性测算方法和动量构建宏观行业组合、宏观 + 动量行业组合、核心 - 卫星行业组合 并每月调仓 [5] 1.2 三位一体风格轮动 ETF 组合构建 - 以宏观流动性为核心构建中长期风格轮动模型 与沪深 300 指数对比 [6] - 综合胜率和赔率表现 筛选宏观因子、基本面因子与市场情绪因子构建成长/价值轮动、市值、质量三类模型 综合结果得最终指向 含 8 个风格偏好结果 [6] - 筛选目标风格暴露多的 ETF 控制行业暴露与风格组合相近 设置 3% - 20% 配置上下限 得 ETF 配置模型 [6] 2. 宏观行业组合 - 选成立 1 年以上、规模 2 亿以上的行业主题 ETF 跟踪指数 计算经济、流动性、信用敏感性得分 按最新指标调整得分方向后加总 若流动性与信用背离则去除流动性得分 取排名前 6 指数对应规模最大 ETF 等权配置 [7][8] - 目前经济前瞻指标回落、流动性偏松、信用指标偏紧 选对经济不敏感、对流动性敏感、对信用不敏感的 ETF 配置 整体偏向 TMT、创新药 [12] - 3 月持仓包括广发中证香港创新药 ETF、华夏中证 5G 通信主题 ETF 等 各占 16.67% [12] - 组合波动较大 2 月超额收益回撤 [13] 3. 宏观 + 动量行业组合 - 结合宏观与动量方法 各自筛选后合并 动量方法先将行业主题分组 每组选过去 6 个月涨幅最高产品等权配置 宏观和动量方法互补 [14] - 3 月持仓包括广发中证香港创新药 ETF、华夏中证 5G 通信主题 ETF 等 各占 8.33% 动量选中行业中周期占比高 [18] - 组合今年表现出色 2 月继续跑赢 [19] 4. 核心 - 卫星组合 - 因行业主题 ETF 波动高、行业轮动快 设计以沪深 300 为底仓的“核心 - 卫星”组合 [21] - 用宏观敏感性测算方法对国内宽基、行业主题和 Smart Beta ETF 指数池测算 构建宽基、行业、Smart Beta 三个股票组合 按 50%、30%、20% 权重加权得最终组合 [21] - 3 月持仓宽基偏向科创、创业板 组合表现稳健 除 12 月外几乎都跑赢 26 年 2 月继续跑赢 [26][28] 5. 三位一体风格轮动 ETF 组合 - 本期模型偏向小盘成长 - 高质量部分 展示模型因子暴露与历史表现 [29] - 3 月持仓包括景顺长城中证港股通科技 ETF、景顺长城中证国新港股通央企红利 ETF 等 [35]

报告核心观点 - 报告旨在跟踪并展示一系列基于ETF构建的量化投资策略的表现，这些策略覆盖了风格轮动、量化选基、全球配置和大类资产配置等多个方向，长期来看多数策略均显著超越了其设定的业绩基准，体现了ETF作为资产配置工具的有效性 [3] 市场概况总结 - 2026年2月，国内股票市场主要指数表现分化，中证1000指数上涨3.71%，而科创50指数下跌1.42% [2] - 今年以来（截至2026年2月28日），中证500指数表现强势，累计上涨15.98%，沪深300指数相对较弱，上涨1.74% [2] - 市场风格上，2月份中小盘股表现优于大盘股，价值股表现略优于成长股 [2] - 行业层面，2月份表现最好的三个中信一级行业为钢铁（+9.52%）、建材（+7.72%）和机械（+7.56%），表现最差的三个行业为传媒（-4.22%）、非银行金融（-3.48%）和消费者服务（-3.37%） [2] - 债券市场方面，2月份中债国债总财富指数上涨0.26%，中债企业债总财富指数上涨0.23% [2] - 商品市场方面，2月份南华农产品指数上涨0.23%，南华黄金指数下跌1.17%；今年以来南华黄金指数大幅上涨17.11% [2] - 海外市场方面，2月份日经225指数表现突出，上涨10.37%，而恒生科技指数表现较差，下跌10.15%；今年以来日经225指数累计上涨16.91% [2] ETF策略表现总结 - 报告共跟踪7个ETF组合策略，分为风格轮动、量化选基、全球配置和多元配置（大类资产配置）四大类 [3] - 所有策略自建仓以来均实现了正收益，并大幅超越其业绩基准 [3] - **风格轮动系列**：风格轮动组合自建仓以来累计收益达104.86%，超越业绩基准（中证全指）53.29个百分点，年化波动率19.24%，最大回撤-22.20% [3] - **风格轮动系列**：二八轮动组合自建仓以来累计收益达66.89%，超越业绩基准17.31个百分点，年化波动率11.26%，最大回撤-16.39% [3] - **量化选基系列**：估值选ETF组合自建仓以来累计收益表现最为突出，达190.69%，超越业绩基准（国证价值指数）141.54个百分点，年化波动率20.37%，最大回撤-21.42% [3] - **全球配置系列**：全球配置组合自建仓以来累计收益达73.57%，超越业绩基准35.07个百分点，年化波动率13.56%，最大回撤-28.69% [3] - **多元配置系列**：动态久期策略组合自建仓以来累计收益20.44%，超越业绩基准（中国债基指数）3.32个百分点，年化波动率1.71%，最大回撤-2.38% [3] - **多元配置系列**：资产轮动策略组合自建仓以来累计收益78.61%，超越业绩基准54.43个百分点，年化波动率10.73%，最大回撤-12.17% [3] - **多元配置系列**：资产轮动策略2.0组合自建仓以来累计收益75.02%，超越业绩基准50.83个百分点，年化波动率7.44%，最大回撤-7.95% [3] - 从2026年以来的表现看，二八轮动组合（+8.95%）、资产轮动策略组合（+8.80%）和资产轮动策略2.0组合（+7.16%）年内收益领先 [13]