量化模型与构建方式 1. **模型名称：PE-PEG九宫格分类体系** [2][8][20] * **模型构建思路**：为优化传统GARP策略框架，构建一个结合“估值安全边际”与“成长性价比”的双维评估体系，以更全面地识别风险与机会[8][20]。 * **模型具体构建过程**： 1. 以市盈率（PE）和市盈率相对盈利增长比率（PEG）作为两个核心维度。 2. 将PE和PEG分别划分为高、中、低三个区间，形成3x3的九宫格矩阵[8][20]。 3. 根据个股的PE和PEG值，将其划分到九个不同的策略区间（第1组至第9组）中，每个区间对应不同的特征和风险收益属性[8][20][22]。 * **模型评价**：该体系能更好地识别高PE标的的成长性风险与低PE标的的潜在价值陷阱，是GARP策略基础池构建的核心定位工具[8][20]。 2. **模型名称：企业生命周期识别模型（基于Dickinson现金流组合法）** [9][37] * **模型构建思路**：为从生命周期视角筛选处于成长期的企业，采用Dickinson现金流组合法，通过分析企业经营、投资、融资三类现金流的组合特征来客观判断企业所处生命周期阶段[9][37]。 * **模型具体构建过程**： 1. 获取企业过去三年平滑后的经营现金流、投资现金流和融资现金流数据[37][44]。 2. 根据三类现金流的正负符号（+/-）组合，将企业划分为8种现金流肖像状态[37]。 3. 将这8种现金流状态映射到引入期、成长期、成熟期、淘汰期、衰退期五个生命周期阶段[37]。 4. 将识别为“成长期”的企业作为GARP策略的备选池[9][45]。 3. **模型名称：GARP策略30组合构建模型** [2][9][35][76] * **模型构建思路**：在PE-PEG九宫格筛选出的基础池上，通过成长约束、质量护航、权重重塑三个步骤进行优化，最终构建一个由30只股票组成的GARP策略组合[2][9][35]。 * **模型具体构建过程**： 1. **基础池选择**：基于PE-PEG九宫格，重点配置第1组（核心仓位），适度参与第4组（次级仓位），小仓位参与第7组（卫星仓位）[8][34]。 2. **成长约束**：使用Dickinson现金流组合法，从第1、4、7组中筛选出处于“成长期”的企业[9][35][45]。 3. **质量护航**：对成长约束后的股票进行盈利质量双维度检验[9][35]。 * **盈利稳定性**：剔除过去8个报告期中净利润超过两期为负，或利润增速波动排名前30%的个股[65]。 * **盈利真实性**：要求最新一期自由现金流为正，并计算修正后盈利质量指标进行考察[65]。修正后盈利质量指标公式如下： $$修正后盈利质量指标 = \frac{(经营活动产生的现金流量净额_{TTM} - 营业利润_{TTM})}{总资产}$$ 4. **样本池确定**：通过上述筛选，按7:3的数量比例从第1组和第4组中选出30只股票构成最终样本池（第1组21只，第4组9只）[65]。 5. **权重重塑**：采用以修正后盈利质量得分为核心的加权方式，并设定单一个股权重上限为10%[9][35][69]。 量化因子与构建方式 1. **因子名称：PEG（市盈率相对盈利增长比率）** [8][20] * **因子构建思路**：衡量股票估值与其盈利增长匹配度的经典指标，是GARP策略的核心驱动因子[8][26]。 * **因子具体构建过程**：报告中未给出具体计算公式，但提及在构建时使用了一致预期数据来计算盈利增长[93]。通用公式为： $$PEG = \frac{PE}{盈利增长率(G)}$$ 其中，PE为市盈率，G为盈利增长率（通常使用未来预期盈利增长率）。 2. **因子名称：修正后盈利质量指标** [65] * **因子构建思路**：用于衡量企业账面盈利的真实性和质量，通过考察经营活动现金流与营业利润的偏离程度，在利润表恶化前捕捉现金回收困难的风险信号[65]。 * **因子具体构建过程**： 1. 计算过去12个月（TTM）的经营活动产生的现金流量净额与营业利润的差值。 2. 将该差值除以总资产，以进行标准化。 公式为： $$修正后盈利质量指标 = \frac{(经营活动产生的现金流量净额_{TTM} - 营业利润_{TTM})}{总资产}$$ 模型的回测效果 1. **PE-PEG九宫格分类体系**（测试区间：2009年5月至2026年1月）[26][30] * 第1组：全区间年化超额收益6.1%，相对中证全指分年胜率88.9%，最大回撤最低[26][30]。 * 第4组：全区间年化超额收益9.7%[30]。 * 第7组：全区间年化超额收益10.4%，年化收益约15.4%，但波动率和最大回撤较高[26][30]。 2. **GARP策略30组合**（测试区间：2015年5月至2026年1月）[77][81] * 年化收益：约12.08%[77][81]。 * 年化超额收益（相对中证全指）：约12.16%[77][81]。 * 分年胜率（相对中证全指）：约92%[2][77]。 * 年化波动：25.84%[81]。 * 最大回撤：48.60%[81]。 因子的回测效果 1. **PEG因子**（在PE-PEG框架内观察）[26] * 在相同PE水平下，PEG从低到高演进会导致年化收益削弱、最大回撤与波动率系统性抬升[26]。 * 当PEG处于低位时，低PE组（第1组）的风险收益特征更优[26]。 2. **成长约束（成长期企业筛选）效果**（测试区间：2009年5月至2026年1月）[54][58] * 第1组（成长约束后）：全区间年化超额收益6.0%，与原第1组（6.1%）基本持平[58]。 * 第4组（成长约束后）：全区间年化超额收益11.4%，较原第4组（9.7%）显著提升[54][58]。 * 第7组（成长约束后）：全区间年化超额收益10.4%，与原第7组（10.4%）持平[58]。

指数化投资发展趋势 - 指数化投资加速发展，指数基金产品体系不断丰富，指数化投资发展生态日趋完善 [1] - 2024年中国被动权益基金规模达4.6万亿元，首次超越主动权益基金 [2] - ETF市场从规模扩张转向精细化策略竞争，Smart Beta因子革新、港股稀缺资产挖掘及工具化配置方案普及成为核心抓手 [6] ETF创新与策略优化 - 中国ETF创新的核心在于成分股优化，通过量化策略精选标的并编制优质指数 [2] - ETF智能化升级重塑投资生态，公司旗下ETF投资决策系统依托"大势研判+风格轮动+多模型交叉印证"提升效率 [2] - 大模型赋能的ETF工具将逐步成为主流配置选择，提供更高维度策略支持 [2] 港股投资机会 - 港股市场呈现结构性机遇，五大核心赛道（互联网、创新药、智能车、新消费及红利资产）成长动能强劲 [3] - AI商业化加速驱动互联网龙头估值重塑，创新药出海开辟医疗板块新增量 [3] - 恒指ETF兼具红利与科技属性，高股息提供防御性收益，科技权重赋予进攻弹性 [3] Smart Beta发展现状与前景 - 截至2025年一季度，A股Smart Beta产品规模达1507.15亿人民币 [4] - 2024年全球Smart Beta ETF规模达2.24万亿美元，同比增长21.4%，因子体系（市值、基本面、价量）系统化应用推动需求激增 [4] - Smart Beta策略打破主动与被动投资边界，通过透明规则将超额收益逻辑转化为指数化产品 [4] 公司产品与服务布局 - 公司量化投资团队构建覆盖多资产、多策略的产品矩阵，涵盖指数增强、ETF/被动指数、绝对收益、主动量化等多条产品线 [5] - 推出"E起富"微信小程序，为用户投资决策提供参考服务，助力解决ETF投资难题 [5] - 未来将进一步打造更全面的ETF策略体系，提供专业、定制化的ETF投资服务 [6]