量化模型与构建方式 1. **模型名称：利率市场结构指标模型**[1][7] * **模型构建思路**：将1至10年期国债的到期收益率（YTM）数据，通过数学变换分解为三个独立的维度：水平、期限和凸性结构，用以刻画利率曲线的整体形态和特征[7]。 * **模型具体构建过程**：报告未详细说明具体的数学变换公式，但指出是将不同期限的YTM数据转化为三个结构指标[7]。构建过程包括： 1. 收集并处理1至10年期各关键期限的国债YTM数据。 2. 通过特定的数学变换（如主成分分析或其他拟合方法），从原始YTM数据中提取出三个核心成分。 3. 第一个成分代表**利率水平结构**，反映整体利率的高低。 4. 第二个成分代表**利率期限结构**，反映长短期利差（期限利差）。 5. 第三个成分代表**利率凸性结构**，反映利率曲线弯曲度。 6. 计算各结构指标在当前时点的历史分位数（如滚动3年、5年、10年），以判断其相对历史水平的位置[7][9]。 2. **模型名称：利率价量多周期择时模型**[2][6][10][13][16][18] * **模型构建思路**：基于核回归算法识别利率（YTM）历史走势的形态，生成不同时间周期下的支撑线和阻力线，通过观察价格对这两条线的突破情况，产生长、中、短三个周期的择时信号，并综合投票得出最终观点[10]。 * **模型具体构建过程**：详情参考报告提及的早期文献《形态识别算法在利率择时中的应用》[10]。本报告概述的构建过程包括： 1. **趋势线刻画**：使用核回归算法对指定期限（如5年、10年、30年期）国债的YTM时间序列进行平滑处理，分别拟合出代表**支撑线**和**阻力线**的曲线[10]。 2. **多周期设定**：设定长、中、短三个投资周期，其信号平均切换频率分别为月度、双周度和周度[10][18]。 3. **突破信号生成**：在每个周期视角下，判断当前YTM是否向上突破阻力线（看空信号）或向下突破支撑线（看多信号）[10][11][14][17]。 4. **信号综合评分**：统计三个周期中“下行突破”（看多）和“上行突破”（看空）的票数。 * 若同向突破总票数达到2/3（即至少2票），则综合评分结果为明确的“看多”或“看空”[18]。 * 若同向突破总票数未达2/3，则综合评分结果为“中性震荡”。根据历史信号延续性，可进一步细分为“中性偏多”或“中性偏空”[13][16]。 3. **模型名称：利率多周期交易策略（轮动策略）**[4][22][23][26][27][31] * **模型构建思路**：将上述“利率价量多周期择时模型”产生的信号转化为可执行的债券久期轮动策略，通过在不同久期类型的债券指数间切换配置，以获取超额收益[22]。 * **模型具体构建过程**： 1. **投资标的**：根据择时信号所基于的国债期限，选择对应的综合债指数作为交易标的[22]： * 短久期：综合债1-3 (CBA00121) * 中久期：综合债3-5 (CBA00131) * 长久期：根据模型不同，分别为综合债5-7 (CBA00141，对应5Y模型)、综合债7-10 (CBA00151，对应10Y模型)、综合债10以上 (CBA00161，对应30Y模型)[22] 2. **交易信号与仓位规则**[22][27]： * **看多信号（利率下行）**： * 若短、中、长周期中，有至少2个周期出现利率**向下突破支撑线**，且利率趋势**非向上**时，**满配长久期**债券。 * 若满足上述突破条件，但利率趋势**向上**时，配置 **1/2中久期 + 1/2长久期**。 * **看空信号（利率上行）**： * 若短、中、长周期中，有至少2个周期出现利率**向上突破阻力线**，且利率趋势**非向下**时，**满配短久期**债券。 * 若满足上述突破条件，但利率趋势**向下**时，配置 **1/2中久期 + 1/2短久期**。 * **中性信号**：其余时间，在短、中、长三种久期债券上**等权配置**（各1/3）。 3. **业绩基准**：构建一个**久期等权策略**作为业绩基准，即始终持有1/3短久期 + 1/3中久期 + 1/3长久期债券组合[27]。 4. **止损规则**：当单日策略组合的超额收益（相对于业绩基准）小于-0.5%时，临时将持仓调整为等权配置[27]。 模型的回测效果 1. **基于5年期国债YTM的利率多周期交易策略**[4][23][35] * **长期表现（2007.12.31至今）**： * 年化收益率：5.45% * 最大回撤：2.88% * 收益回撤比：1.9 * 相对业绩基准的年化超额收益率：1.05% * 超额收益回撤比：0.61 * 逐年绝对收益大于0的胜率：100% * 逐年超额收益大于0的胜率：100% * **短期表现（2024年底以来）**： * 年化收益率：2.29% * 最大回撤：0.59% * 收益回撤比：3.88 * 相对业绩基准的超额收益率：0.63% * 超额收益回撤比：2.26 2. **基于10年期国债YTM的利率多周期交易策略**[4][26][35] * **长期表现（2007.12.31至今）**： * 年化收益率：6.03% * 最大回撤：2.74% * 收益回撤比：2.2 * 相对业绩基准的年化超额收益率：1.63% * 超额收益回撤比：1.15 * 逐年绝对收益大于0的胜率：100% * 逐年超额收益大于0的胜率：100% * **短期表现（2024年底以来）**： * 年化收益率：2.64% * 最大回撤：0.58% * 收益回撤比：4.57 * 相对业绩基准的超额收益率：1.13% * 超额收益回撤比：3.41 3. **基于30年期国债YTM的利率多周期交易策略**[4][31][35] * **长期表现（2007.12.31至今）**： * 年化收益率：7.26% * 最大回撤：4.27% * 收益回撤比：1.7 * 相对业绩基准的年化超额收益率：2.37% * 超额收益回撤比：0.85 * 逐年绝对收益大于0的胜率：94.44% * 逐年超额收益大于0的胜率：94.44% * **短期表现（2024年底以来）**： * 年化收益率：2.73% * 最大回撤：0.92% * 收益回撤比：2.98 * 相对业绩基准的超额收益率：1.98% * 超额收益回撤比：2.62 量化因子与构建方式 1. **因子名称：利率水平结构因子**[1][7][9] * **因子构建思路**：从整个利率曲线中提取出的第一个主成分，代表利率的绝对水平，反映市场整体资金成本的状况[7]。 * **因子具体构建过程**：报告未给出具体计算公式。构建过程是通过对1-10年期国债YTM序列进行数学变换（如PCA）得到的第一主成分序列[7]。其数值代表利率水平的高低。 2. **因子名称：利率期限结构因子（期限利差）**[1][7][9] * **因子构建思路**：从整个利率曲线中提取出的第二个主成分，代表长短期利率之差，反映市场对未来经济预期的斜率[7]。 * **因子具体构建过程**：报告未给出具体计算公式。构建过程是通过对1-10年期国债YTM序列进行数学变换（如PCA）得到的第二主成分序列[7]。其数值代表期限利差的宽窄。 3. **因子名称：利率凸性结构因子**[1][7][9] * **因子构建思路**：从整个利率曲线中提取出的第三个主成分，代表利率曲线的弯曲程度，反映长端利率相对于中短端利率变化的非线性特征[7]。 * **因子具体构建过程**：报告未给出具体计算公式。构建过程是通过对1-10年期国债YTM序列进行数学变换（如PCA）得到的第三主成分序列[7]。其数值代表曲线凸性的大小。 因子的回测效果 （报告中未提供针对利率水平、期限、凸性结构这三个因子的独立回测绩效指标，如IC、IR、多空收益等。报告仅展示了这些因子当前的历史分位数状态[7][9]。）

核心观点 本报告为一份月度数据跟踪报告，核心在于统计截至2026年2月底，A股主要宽基指数及行业指数成分股的分红进度，并计算在考虑预期分红影响后，四大股指期货主力合约的年化基差率，为市场参与者提供最新的分红与基差数据参考[1][5] 一、宽基指数成分股分红统计 - **分红进度**：截至2026年2月底，各宽基指数成分股中仅有个别公司进入分红实施阶段。具体为：沪深300、上证50、中证500成分股中各有1家处于“实施”阶段；中证1000成分股中有1家处于“股东提议”阶段[5][10] - **分红金额**：已实施分红的公司中，沪深300与上证50成分股的累计分红金额均为12.51亿元，中证500成分股累计分红1.30亿元，中证1000成分股因尚处提议阶段，暂无累计分红数据[11] - **股息率对比**：根据图示数据，2026年已实现的股息率与2025年全年股息率进行对比，各宽基指数呈现不同变化趋势[12][13] 二、行业指数成分股分红统计 - **分红进度**：在申万一级行业指数中，多个行业有个别公司启动分红程序。其中，医药生物行业有1家“实施”、1家“股东大会通过”；公用事业、煤炭、石油石化行业各有1家“实施”；机械设备行业有1家“实施”、1家“股东提议”[5][14] - **分红金额**：已实施分红的公司累计金额分别为：公用事业12.51亿元，煤炭1.30亿元，医药生物0.66亿元，机械设备0.63亿元，石油石化0.14亿元[16][17] - **股息率对比**：报告通过图表对比了各行业2026年已实现股息率与2025年股息率的情况[19][20] 三、股指期货基差（考虑分红后） - **当前基差数据（2026年2月底）**：报告提供了考虑分红影响后，四大股指期货近月、远月、近季、远季合约的年化基差率具体数据[5][26]。 - **沪深300(IF)**：近月、远月、近季、远季合约年化基差率分别为 **-1.11%**、**0.54%**、**0.67%**、**0.79%**[5][26] - **上证50(IH)**：各合约年化基差率分别为 **-3.26%**、**-1.82%**、**-2.07%**、**-1.65%**，整体为贴水状态[5][26] - **中证500(IC)**：各合约年化基差率分别为 **2.50%**、**2.97%**、**1.59%**、**3.28%**，整体为升水状态[5][26] - **中证1000(IM)**：各合约年化基差率分别为 **5.71%**、**6.35%**、**6.70%**、**7.52%**，升水幅度显著[5][26] - **基差计算方法**：报告展示了考虑分红影响的基差计算流程，基差率计算公式为：基差 / 现货指数价格 = 1 - 期货合约价格 / 现货指数价格[22][26] - **历史基差走势**：报告通过图表展示了IF、IH、IC、IM各合约考虑分红后的历史基差走势，提供了历史数据参考[28][32][34][37]

文章核心观点 - 在市场进入整体上涨环境后，传统的反转类因子效果下降，需要引入动量风格的因子进行互补，行业轮动模型因其动量逻辑成为重要解决方案 [2] - 将行业轮动模型直接因子化，特别是提取其技术面中的行业动量部分，是将其融入传统指数增强框架的较优方式，能提供增量信息并提升组合表现 [6][53] - 行业动量因子与现有选股因子（如低波、反转、动量、低流动性、成长）的横截面相关性低，能提供额外的超额收益来源，并在上行行情中与传统因子形成互补 [6][18][53] - 在行业动量分域视角下（高动量组与中低动量组），传统选股因子的表现差异明显（如动量、反转因子在高动量组持续有效），这为行业动量因子化提供了基础，使其在综合打分时能与有效因子形成“共振” [6][24][40][53] - 实证表明，将行业动量直接作为因子加入选股模型，其表现优于仅用行业轮动模型控制行业偏离的传统方法，这在中证500指数增强模拟组合中得到了验证 [6][42][46][50][53] 拆解行业轮动模型在选股上的增量信息 - 行业轮动模型框架包含基本面、资金面和技术面三大类因子，其中基本面（财报）和资金面（资金流）信息与个股选股因子高度重合 [5] - 技术面因子，特别是基于行业动量和拥挤度的处理，是行业轮动模型能够提供的主要增量信息，因其动量色彩与个股量价因子的短期反转特征不同 [5] - 申万金工行业轮动模型在技术面上的特别处理是关键：在行业动量分域下，对高动量行业反向使用拥挤度指标（追逐高拥挤度行业），这提升了模型稳健性并符合与反转因子互补的需求 [5] 行业动量因子的表现 - 单独对行业动量部分进行因子化后，因子表现相比整体模型有所下降，月度IC均值为3.03%，ICIR为0.22，但保持了不错的单调性和收益进攻特征 [9][16][17] - 行业动量因子与主要选股因子的横截面平均相关性很低：与个股动量因子为0.058，与低波因子为0.004，与低流动性因子为-0.033，与反转因子为-0.006，与成长因子为0.028 [18][19] - 行业动量因子月度IC与其他因子的相关性分析显示，其与成长因子（0.46）和市值因子（0.40）相关性较高，与低波（0.17）、低流动性（0.09）、反转（0.05）等量价因子相关性不高，这有助于在上行行情中形成互补 [20][21] 行业动量分域视角下的因子表现 - 将股票按行业动量得分分为高动量组（前30%）和中低动量组（后70%）后，考察传统因子在不同组别的表现差异 [24][25] - **低波因子**：在高动量组和中低动量组均保持较好单调性，但近年来高动量组的低波因子表现更好，不过这种特征并不稳定；中低动量组的低波因子近年来几乎不贡献收益 [25][28][40] - **反转因子**：表现差异明显，高动量组内的反转因子持续表现更优，单调性好；而中低动量组内的反转因子长期不贡献收益，单调性差 [28][30][40] - **动量因子**：表现差异明显，高动量组内的动量因子持续表现更优，单调性稳定；中低动量组内的动量因子长期不贡献收益，单调性差，近年甚至出现持续回撤 [31][32][33][36][40] - **低流动性因子**：在行业动量分域下的表现没有明显分化，其表现与分组关系不大，且在各组单调性均不佳 [37][38][39][40] 行业动量因子的组合内表现 - 在中证500指数增强模拟组合中对比两种使用方式：1) 将行业动量作为第五个因子加入（五因子组合）；2) 仅用四个量价因子选股，并用行业动量控制行业偏离（行业控制组合） [43] - 在严格的行业中性（最大偏离2%）和个股偏离约束（最大偏离0.5%）下，直接因子化的五因子组合表现始终优于行业控制组合 [43][46] - 即使引入成长因子构成六因子模型，或调整行业偏离约束条件（如允许低动量组负向偏离2%），直接因子化的表现依然优于仅控制行业偏离的做法 [46][49][50] - 因子化优势的原因在于：行业动量因子参与选股时，易与在特定分域下有效的因子（如高动量组下的动量、反转因子）形成“共振”，从而选出有效因子暴露更高的股票组合 [51]

量化模型与构建方式 1. **模型名称：分层抽样法（风险中性组合构建模型）** * **模型构建思路：** 通过先精确匹配基准的行业权重，再在行业内进行市值分档，并在每个“行业-市值档”网格内根据因子选债，以实现对行业和市值的离散化、近似中性控制[26]。 * **模型具体构建过程：** 1. **行业中性：** 确保投资组合的行业权重与基准指数（如中证转债指数）完全一致[27]。 2. **市值分档：** 在每个行业内，将所有可转债按市值从大到小排序，并等分为N档（例如5档），形成“行业-市值档”网格[27]。 3. **行业内选债：** 在每个网格单元内，使用量化因子（如双低因子）对可转债进行打分排序，选取排名靠前的标的[27]。 4. **权重分配：** 组合的最终权重由三部分决定：该行业的基准权重、该市值档在该行业内的基准权重、以及所选可转债在该网格单元内的权重（通常采用市值加权以匹配市值中性）[27]。 * **模型评价：** 过程透明直观，可解释性极高，能严格保证行业中性。但由于可转债市场尾部行业成分券数量稀少，实际能满足市值分层条件的行业非常有限，导致其在市值中性化目标上可能存在偏离[45]。 2. **模型名称：回归残差法（因子纯化模型）** * **模型构建思路：** 将原始Alpha因子（如可转债价格和转股溢价率）作为因变量，将风险变量（市值、行业虚拟变量）作为自变量进行横截面线性回归，用得到的残差作为“纯净”的Alpha因子来选债，以实现平均意义上的统计中性[28][30]。 * **模型具体构建过程：** 1. 在每月底的横截面数据上，分别对可转债收盘价和转股溢价率进行线性回归，自变量为可转债剩余规模和行业虚拟变量[50]。 2. 回归方程形式为：原始因子 = β1 * 市值 + β2 * 行业1 + β3 * 行业2 + ... + 残差[31]。 3. 分别得到价格和转股溢价率的两组回归残差，将这两列残差相加，得到风险中性化后的“纯净”双低因子[50]。 4. 在每个截面上，选取该“纯净”因子最小的20%的可转债，并以剩余规模作为权重构建组合[50]。 * **模型评价：** 方法简单直观，计算速度快。但其行业中性是在全样本横截面上“平均”意义上的，对于特定组合可能仍存在微小敞口，且无法保证选到所有行业的可转债，导致无法实现绝对的行业中性[31][54]。 3. **模型名称：优化器法（组合优化模型）** * **模型构建思路：** 将风险中性要求作为约束条件，融入马科维茨均值-方差优化框架，以最大化风险调整后的预期收益为目标，求解最优的权重分配，实现精确的数学中性[32][36]。 * **模型具体构建过程：** 1. **定义目标函数：** 最大化风险调整后的预期收益，公式为： $$W' * E - λ / 2 * W' * Σ * W$$ 其中，W是待求解的权重向量，E是预期收益率向量，Σ是收益率的协方差矩阵，λ是风险厌恶系数（报告中设为2.5）[32][57]。 2. **设置约束条件：** 包括行业偏离基准不超过5%，市值偏离基准不超过10%，权重非负且和为1（$$0<=W<=1$$）等[34][35][57]。由于可转债样本数量限制，约束条件不能设置过紧[57]。 3. **求解：** 每月末使用过去100个交易日的数据计算预期收益率与协方差矩阵，通过数值优化算法（如二次规划）求解最优权重向量W[57]。 * **模型评价：** 可以在组合层面实现精确的市值和行业中性，且扩展性强，可方便添加各种复杂约束。但计算复杂，对输入（预期收益和协方差矩阵估计）敏感，且优化过程像黑箱，可解释性较低[36][38][40]。 量化因子与构建方式 1. **因子名称：双低因子** * **因子构建思路：** 同时筛选价格低与转股溢价率低的可转债，利用这两个指标的叠加效应，实现防守性（债性）与进攻性（股性）的平衡[41]。 * **因子具体构建过程：** 双低因子为可转债价格与转股溢价率（乘以100）的简单加和[41]。公式为： $$双低因子 = 可转债价格 + 可转债转股溢价率 * 100$$ * **因子评价：** 是可转债投资中常用的经典因子，旨在平衡债底保护与股性弹性[41]。 模型的回测效果 **回测设置统一为：** 周期2019年1月至2025年12月，月频调仓，选债池数量的20%，基准为中证转债指数[42]。 1. **分层抽样法模型** * 年化收益：13.9%[45] * 年化波动率：11.4%[45] * 收益风险比（年化收益/年化波动率）：1.22[45] * 最大回撤：-17.2%[45] * 年化超额收益：7.2%[70] * 超额收益年化波动率：6.9%[70] * 夏普比率（Sharpe）：0.83[70] * 超额收益最大回撤：-8.8%[70] 2. **回归残差法模型** * 年化收益：10.9%[53] * 年化波动率：11.9%[53] * 收益风险比：0.92[53] * 最大回撤：-17.1%[53] * 年化超额收益：2.7%[70] * 超额收益年化波动率：7.6%[70] * 夏普比率（Sharpe）：0.16[70] * 超额收益最大回撤：-15.9%[70] 3. **优化器法模型** * 年化收益：23.1%[61] * 年化波动率：16.7%[61] * 收益风险比：1.38[61] * 最大回撤：-18.4%[61] * 年化超额收益：19.0%[70] * 超额收益年化波动率：15.4%[70] * 夏普比率（Sharpe）：1.13[70] * 超额收益最大回撤：-16.6%[70] 因子的回测效果 **（注：报告未单独提供未经风险中性处理的原始双低因子构建的组合绩效，而是将其作为等权组合和市值加权组合的构建基础进行对比）** 1. **基于双低因子构建的等权组合** * 年化超额收益：15.1%[70] * 超额收益年化波动率：11.3%[70] * 夏普比率（Sharpe）：1.21[70] * 超额收益最大回撤：-21.1%[70] 2. **基于双低因子构建的市值加权组合** * 年化超额收益：9.3%[70] * 超额收益年化波动率：8.8%[70] * 夏普比率（Sharpe）：0.88[70] * 超额收益最大回撤：-18.6%[70]

量化模型与因子总结 量化因子与构建方式 基础因子 1. **因子名称：大单分钟主动资金流因子**[2][13][14] * **因子构建思路：** 利用逐笔成交数据，区分主动成交和被动成交，汇总大单的分钟主动买入和卖出金额，构建衡量主动资金净流入强度的因子[2][12][13]。 * **因子具体构建过程：** 1. 对选定股票，取最近20个交易日的1分钟大单主动资金流数据[21]。 2. 计算每1分钟的大单主动净流入方向指标：$$sign(大单主动买入金额 - 大单主动卖出金额)$$，净流入方向为正取1，为负取-1[14][21]。 3. 选择20个交易日所有1分钟的sign指标，计算其均值，得到20日大单分钟主动资金流强度指标S[14][21]。 4. 将指标S在股票截面上对20日涨跌幅进行回归，取其残差作为最终因子[21]。 2. **因子名称：小单分钟主动资金流因子**[2][13][14] * **因子构建思路：** 构建思路与大单因子相同，但资金流数据来源于小单[2][13]。 * **因子具体构建过程：** 同“大单分钟主动资金流因子”，仅将数据源由“大单”替换为“小单”[2][13]。 改进与衍生因子 3. **因子名称：大单分钟主动资金流切割因子**[3][22][25] * **因子构建思路：** 在基础因子的构建过程中，引入切割步骤，仅使用特定市场状态（由切割指标定义，如低涨跌幅时段）下的分钟数据来计算资金流强度，以提取更有效的信息[3][22]。 * **因子具体构建过程：** 1. 对选定股票，取最近20个交易日的1分钟大单主动资金流数据[25]。 2. 计算每1分钟的大单主动净流入方向指标sign[25]。 3. 选择20个交易日所有1分钟的sign指标，按选定的分钟切割指标（如1分钟涨跌幅）排序，选择切割指标较低（或较高）的λ比例（如60%）的交易分钟[22][25]。 4. 计算筛选后分钟数据的sign指标均值，得到切割后的大单分钟主动资金流强度指标S[22][25]。 5. 将指标S在截面上回归20日涨跌幅，残差即为切割因子[22][25]。 * **因子评价：** 采用1分钟涨跌幅作为切割指标，并选择低涨跌幅部分（60%）的分钟数据，构造的因子选股效果显著更优[3][28]。 4. **因子名称：大单分钟主动资金流时段因子**[3][32] * **因子构建思路：** 仅使用日内特定交易时段（如开盘后第1小时）的分钟主动资金流数据来构建因子，以捕捉不同时段资金流信息的差异[3][31]。 * **因子具体构建过程（以第1小时为例）：** 1. 对选定股票，取最近20个交易日“第1小时”的1分钟大单主动资金流数据[32]。 2. 计算该时段内每1分钟的大单主动净流入方向指标sign[32]。 3. 选择上述时段的所有1分钟sign指标，计算其均值，得到时段资金流强度指标S[32]。 4. 将指标S在截面上回归20日涨跌幅，残差即为时段因子[33]。 * **因子评价：** 使用第1小时的分钟主动资金流信息构造的因子选股效果整体更优[3][33]。 5. **因子名称：大单分钟主动资金流情景因子**[4][37][39] * **因子构建思路：** 根据市场整体状态（情景指标，如上证指数的符号成交额）筛选出特定的交易时刻，对所有股票在这些相同时刻的主动资金流数据进行汇总构建因子[4][37]。 * **因子具体构建过程（以符号成交额为例）：** 1. 对选定股票，取最近20个交易日第1小时的1分钟大单主动资金流数据[39]。 2. 计算该时段内每1分钟的大单主动净流入方向指标sign[39]。 3. 取最近20个交易日第1小时上证指数的1分钟数据，计算符号成交额等情景指标，选出指标较高的50%交易分钟[37][39]。 4. 选择上述筛选出的交易时段对应的个股1分钟sign指标，计算其均值，得到情景资金流强度指标S[39]。 5. 将指标S在截面上回归20日涨跌幅，残差即为情景因子[41]。 * **因子评价：** 采用符号成交额作为情景指标构造的因子选股效果整体更优[4][41]。 合成因子 6. **因子名称：大单资金流合成切割因子**[5][60] * **因子构建思路：** 将“资金流-切割”因子（来自前期报告，未区分主动成交）与“主动资金流-切割”因子进行合成，以结合两类信息[5][55][60]。 7. **因子名称：大单资金流合成时段因子**[5][60] * **因子构建思路：** 将“资金流-时段”因子与“主动资金流-时段”因子进行合成[5][55][60]。 8. **因子名称：大单资金流合成情景因子**[5][60] * **因子构建思路：** 将“资金流-情景”因子与“主动资金流-情景”因子进行合成[5][55][60]。 * **因子评价：** 合成后的因子选股效果较合成前的两类单因子均有提升[5][60]。 其他相关指标/因子 9. **指标名称：主动资金流强度S指标**[14][48] * **构建思路：** 通过计算股票主动净流入方向指标sign的均值来衡量主动资金净流入强度[14][48]。 * **具体构建过程：** $$S = mean(sign(主动买入金额 - 主动卖出金额))$$，其中sign函数在净流入为正时取1，为负时取-1[14]。 * **指标评价：** 与ACT指标相比，S指标构造得到的大单分钟主动资金流因子选股效果更优，是衡量主动资金流强度的更好选择[5][48]。 10. **指标名称：主动资金流强度ACT指标**[48] * **构建思路：** 通过主动买入金额和主动卖出金额的定量比较来计算主动净流入强度[48]。 * **具体构建过程：** $$ACT = \frac{主动买入金额 - 主动卖出金额}{主动买入金额 + 主动卖出金额}$$[48]。 因子的回测效果 （数据区间：2013年4月26日 - 2025年11月28日）[20][31][38] 1. **大单分钟主动资金流因子**，IC均值0.039，rankIC均值0.045，ICIR 2.96，rankICIR 3.10，多空对冲年化收益16.8%，信息比率3.18[16][20]。 2. **小单分钟主动资金流因子**，IC均值-0.009，rankIC均值-0.006，ICIR -0.60，rankICIR -0.39，多空对冲年化收益3.1%，信息比率0.56[16][20]。 3. **大单分钟主动资金流切割因子（1分钟涨跌幅切割）**，IC均值0.040，rankIC均值0.053，ICIR 3.05，rankICIR 3.41，多空对冲年化收益17.2%，信息比率3.34[28][31]。 4. **大单分钟主动资金流切割因子（5分钟涨跌幅切割）**，IC均值0.029，rankIC均值0.035，ICIR 2.61，rankICIR 2.72，多空对冲年化收益11.1%，信息比率2.61[28][31]。 5. **大单分钟主动资金流切割因子（1分钟振幅切割）**，IC均值0.028，rankIC均值0.036，ICIR 2.09，rankICIR 2.29，多空对冲年化收益10.6%，信息比率1.90[28][31]。 6. **大单分钟主动资金流时段因子（前半小时）**，IC均值0.040，rankIC均值0.042，ICIR 3.46，rankICIR 3.22，多空对冲年化收益15.7%，信息比率3.26[33][35]。 7. **大单分钟主动资金流时段因子（第1小时）**，IC均值0.041，rankIC均值0.043，ICIR 3.58，rankICIR 3.23，多空对冲年化收益15.5%，信息比率3.28[33][35]。 8. **大单分钟主动资金流时段因子（第2小时）**，IC均值0.024，rankIC均值0.027，ICIR 2.16，rankICIR 2.41，多空对冲年化收益8.6%，信息比率1.91[33][35]。 9. **大单分钟主动资金流时段因子（第3小时）**，IC均值0.022，rankIC均值0.022，ICIR 1.85，rankICIR 1.81，多空对冲年化收益7.8%，信息比率1.62[33][35]。 10. **大单分钟主动资金流时段因子（第4小时）**，IC均值0.018，rankIC均值0.022，ICIR 1.60，rankICIR 1.82，多空对冲年化收益6.0%，信息比率1.46[33][35]。 11. **大单分钟主动资金流情景因子（振幅）**，IC均值0.036，rankIC均值0.042，ICIR 3.56，rankICIR 3.53，多空对冲年化收益14.8%，信息比率3.63[41][45]。 12. **大单分钟主动资金流情景因子（1分钟涨跌幅）**，IC均值0.037，rankIC均值0.046，ICIR 4.17，rankICIR 4.41，多空对冲年化收益15.5%，信息比率4.22[41][45]。 13. **大单分钟主动资金流情景因子（5分钟涨跌幅）**，IC均值0.038，rankIC均值0.050，ICIR 3.86，rankICIR 4.11，多空对冲年化收益15.7%，信息比率3.92[41][45]。 14. **大单分钟主动资金流情景因子（符号成交额）**，IC均值0.037，rankIC均值0.049，ICIR 4.22，rankICIR 4.42，多空对冲年化收益15.8%，信息比率4.36[41][47]。 15. **大单资金流合成切割因子**，IC均值0.047，rankIC均值0.056，ICIR 3.45，rankICIR 3.60，多空对冲年化收益18.2%，信息比率3.85[5][62]。 16. **大单资金流合成时段因子**，IC均值0.050，rankIC均值0.053，ICIR 4.00，rankICIR 3.83，多空对冲年化收益19.1%，信息比率3.89[5][62]。 17. **大单资金流合成情景因子**，IC均值0.043，rankIC均值0.050，ICIR 4.48，rankICIR 4.54，多空对冲年化收益17.5%，信息比率4.95[5][62]。

核心观点 该报告构建并测试了“高值偏离修复模型”的多种变体，包括“突破型单位点”和三类“突破型双位点”分档止损策略，旨在通过量化方法优化行业指数投资的入场与止损机制，以提升收益风险比。测试覆盖了申万31个一级行业，样本区间为2010年1月至2025年3月。核心结论是，分档止损策略在多数行业上相对于无止损的原始策略无明显劣势，且部分行业在特定参数和模式下，能在收益率、最大回撤、最长回撤时间及投资性价比（总收益率回撤比）等一个或多个维度上得到优化。其中，电子、基础化工、医药生物、社会服务、计算机、银行等行业在多种双位点模式下表现出了改善潜力[9][12][15][18][26][29][32][35][38][43][46][49][52][58][61][66][67]。 分档止损策略（突破型单位点） - 策略逻辑：首先计算行业指数相对沪深300的回撤曲线W和有效回撤V，以V最大值的80%作为看多阈值T。当W>T时发出看多信号。将首次买入点b0与前高h0之间的空间分为X等份（每份s0）。买入后，当收盘价cl首次突破b0+2*s0时激活止损，初始止损点设为b0+s0，并设置动态上调止损位的规则[3][4][5][6]。 - 收益表现：在申万31个行业中，绝大部分行业使用不同参数（X=5-10）的止损策略，其收益率相对于原始策略无明显劣势。其中，基础化工、医药生物、公用事业、社会服务、国防军工和计算机等行业均有部分参数的表现超过原始策略[8][9][19]。 - 风险表现：各行业的最大回撤压缩幅度受参数值影响不大，但基础化工、家用电器、社会服务等行业在部分参数下最大回撤优于原始策略。同时，基础化工、医药生物、社会服务等行业在特定参数下最长回撤时间得到缩短[11][12][14][15][20]。 - 投资性价比：从总收益率回撤比来看，家用电器、医药生物、社会服务、计算机等行业均有部分参数的投资性价比较原始策略得到提高。但整体上，单行业的投资性价比对于分档参数X较为敏感，不存在普遍性规律[17][18][21]。 分档止损策略（双位点） - **突破_全固定型双位点**：在单位点策略基础上，增加了基于首次止损点与首次买点中间值md的左侧买入位点。该模式下，波动较大的电子和通信行业以及波动较小的银行行业得到加强。电子、纺织服装、医药生物、通信和银行的收益率相较于突破型单位点模式略有提高。基础化工、电子、社会服务等行业在部分参数下可压缩最大回撤和最长回撤时间。基础化工、电子、医药生物、社会服务、计算机、银行等行业的投资性价比得到提高[22][23][25][26][28][29][31][32][34][35][36][37][38]。 - **突破_半固定型双位点**：左侧买入位点基于止损点st与当周期首次买点的中间值md。该模式下，纺织服装、国防军工、银行的收益率水平得到加强。在风险控制方面，结果与全固定模式相近，基础化工、电子、社会服务等行业可压缩最大回撤，基础化工、电子、医药生物、社会服务等行业可缩短最长回撤时间。投资性价比方面，基础化工、电子、医药生物、社会服务、国防军工、计算机、银行等行业有部分参数得到提高[39][40][42][43][45][46][48][49][51][52][53][54]。 - **突破_收敛型双位点**：左侧买入位点基于止损点st与前次买点的中间值md，位点设置更趋保守。该模式下，电子行业收益率水平提高明显，农林牧渔行业开始出现超过原始策略收益水平的参数。农林牧渔行业也出现了可压缩最大回撤和提高投资性价比的参数。电子的投资性价比得到进一步提高。社会服务行业在该模式下没有明显优势，但依旧强于原始策略[55][57][58][60][61][65][66][67][68]。 - 双位点模式小结：对比三类双位点模式，随着左侧位点保守程度增加，收益和风险水平得到优化的行业数量也相应增加。大部分行业在双位点模式下，相对于突破型单位点模式优化效果不理想，主要原因是二次进场更易发生在右侧，削弱了左侧位点的作用[69]。 后续展望 - 报告提出未来的研发方向包括：研发多位点模型，以及研发偏右侧的交易模型以规避极端下跌行情[70][71]。

量化模型与构建方式 1. **模型名称：基准指数增强组合模型** * **模型构建思路**：构建一个标准的多因子指数增强策略，在约束行业、风格及个股偏离等风险敞口的前提下，最大化组合的阿尔法信号得分，以获取超越基准的超额收益[14][43]。 * **模型具体构建过程**： 1. **信号来源**：使用“量价+高频”因子或“低波因子”作为阿尔法信号[55][62]。 2. **优化目标**：在风险约束下最大化组合信号得分。其数学表达可简化为一个带约束的优化问题[45]。 3. **风险约束**： * 个股权重相对基准的偏离约束为 ±0.5%[55][62]。 * 行业权重相对基准的偏离约束为 ±1%[55][62]。 * 对市值、中盘、贝塔、波动率等风格因子的敞口暴露约束为 ±0.3[55][62]。 4. **组合构建**：通过求解优化问题得到最终持仓权重。 2. **模型名称：波动率分域优化指数增强模型** * **模型构建思路**：在基准指数增强模型的基础上，根据个股的残差波动率对股票进行分域，并对不同波动率域的个股施加差异化的权重偏离约束，旨在收紧高波动股票的敞口以控制回撤，同时放宽低波动股票的约束以保留收益能力[3][11][62]。 * **模型具体构建过程**： 1. **计算残差波动率**：对于每只股票，基于风险模型计算其残差收益的波动率[34][36]。 2. **股票分域**：每月末，将所有股票按残差波动率升序排列，以30%和70%分位点为界，划分为低波、中波、高波三个股票池[62]。 3. **差异化约束**：对三个股票池的个股权重偏离设置不同的上下限： * 低波股票池：[-0.2%， 0.4%] * 中波股票池：[-0.2%， 0.3%] * 高波股票池：[-0.1%， 0.2%][62] 4. **组合优化**：保持基准模型的其他约束（行业偏离、风格敞口）和信号不变，使用上述分域约束替代原有的统一个股偏离约束，进行组合优化，得到最终持仓[62]。 模型的回测效果 （注：报告未提供完整的回测指标列表，仅提供了部分对比数据。以下为报告中明确给出的优化模型与基准模型的对比结果。） 1. **基准指数增强组合模型**，年化超额收益4.30%，超额最大回撤-10.47%，信息比率(IR) 0.82[67]。 2. **波动率分域优化指数增强模型**，年化超额收益4.66%，超额最大回撤-6.78%，信息比率(IR) 1.15[67]。 量化因子与构建方式 1. **因子名称：残差波动率 (Residual Volatility)** * **因子构建思路**：衡量个股收益中无法被风险模型（风格、行业因子）解释的部分（即残差）的波动大小，用于识别个股的特质性风险水平[34][37]。 * **因子具体构建过程**： 1. 使用风险模型对每只股票的超额收益进行分解。风险模型的基本公式为： $$r_{n}=f_{c}+\sum_{i}X_{n i}f_{i}+\sum_{s}X_{n s}f_{s}+u_{n}$$ 其中，$r_n$为股票n的超额收益，$f_c$为国家因子，$f_i$为行业因子，$f_s$为风格因子，$X_{ni}$和$X_{ns}$为股票n在对应因子上的暴露，$u_n$为残差项[34]。 2. 计算股票n的残差波动率，即残差序列$u_n$的历史波动率（例如，过去一段时间的标准差）[49]。 * **因子评价**：该因子具有较高的时序可预测性（历史波动率对未来有指示作用），是进行风险分域管理的可靠指标[49][61]。 2. **因子名称：低波因子** * **因子构建思路**：作为构建基准组合的示例阿尔法信号，其逻辑可能与偏好低波动率股票相关[62]。 * **因子具体构建过程**：报告未详细说明该因子的具体计算方法，仅提及在构建基准组合时使用了“低波因子”作为信号源[62]。 3. **复合因子/信号：风险调整因子信号** * **因子构建思路**：在简化版的组合优化理论框架下，推导出的最优权重与两个变量相关：一是经过风险模型调整后的综合信号，二是个股的残差波动率[45]。 * **因子具体构建过程**： 1. 在仅约束风险因子敞口中性化的简化优化问题下，求解得到个股的最优主动权重为： $$w_{i}=\lambda^{-1}F_{i}\,/\,\sigma_{i}$$ 其中，$w_i$是股票i的主动权重（相对基准的偏离），$\lambda$是风险厌恶系数，$F_i$是经过风险模型调整后的因子信号，$\sigma_i$是股票i的残差波动率[45]。 2. 此公式表明，在信号得分$F_i$相近的情况下，模型会倾向于低配($w_i$更小)残差波动率$\sigma_i$更高的股票[46]。 因子的回测效果 （注：报告未提供单个因子的IC、IR等传统因子测试结果。报告的核心测试对象是整合了因子的组合模型，其效果已在“模型的回测效果”部分呈现。）

报告行业投资评级 - 报告未明确给出对“红利风格”或相关行业的整体投资评级 [1][4][6][18] 报告的核心观点 - 上周（20260209至20260213）红利风格择时模型综合因子值为0.09，连续两周为正值，发出正向信号，且与前一周（20260202至20260206）的因子值0.09持平 [1][4][6] - 多因素共同作用下，模型打分维持正值，支持对红利风格的积极看法 [4][7] 模型最新结果 - 红利近期表现较好，动量因子维持正贡献 [4][7] - 美债利率（美国:国债收益率:10年）的下行趋势继续减弱，对红利风格的压制持续减小 [4][7] - 存量资金方面，市场情绪降温，为红利风格产生正贡献 [4][7] - 根据模型各因素观点表，截至20260213，对红利风格发出正向观点（观点为“1”）的因子包括：中国非制造业PMI服务业、红利相对净值自身、中证红利股息率-10年期中债收益率、融资净买入 [12] 相关数据与因子 - 模型综合因子值序列显示，截至20260213，最新值为0.09 [4][6][11] - 关键因子最新数值（20260213）如下：中国非制造业PMI服务业因子值-0.13，中国M2同比因子值0.21，美国10年期国债收益率因子值-0.23，红利相对净值自身因子值0.89，中证红利股息率-10年期中债收益率因子值0.17，融资净买入因子值-1.86，行业平均景气度因子值1.02 [12]

量化模型与构建方式 **注：** 本报告主要介绍OpenClaw个人投研助手的架构、配置方法及投研应用案例，并未涉及具体的量化模型（如多因子模型、风险模型等）或量化因子（如价值、动量、质量等因子）的构建、测试与回测。报告内容聚焦于如何利用AI工具（OpenClaw）搭建自动化工作流，以支持公告处理、框架迭代、个股分析和研报复现等投研流程[4][5][43]。 报告中所提及的“Skills”是OpenClaw系统中的功能模块，用于实现特定的自动化任务，并非金融工程领域所指的量化因子或预测模型[29]。 量化因子与构建方式 **注：** 本报告未涉及传统量化投资中的Alpha因子、风险因子或其构建过程。报告中提到的“因子”一词仅出现在案例三“个股投研分析助手”的上下文里，用于描述分析框架中涵盖的多个数据维度（如行业、财务、估值等），并非用于构建投资组合的量化因子[59]。 1. 因子名称：个股投研分析框架中的多维度数据 * **因子构建思路：** 构建一个综合性的个股分析框架，整合来自行业、公司经营、估值、资金与商品、市场情绪等多源数据，以形成对个股的全面评估[59]。 * **因子具体构建过程：** 该分析框架并非一个可计算的单一因子，而是一个端到端的自动化分析流程。其具体构建过程是通过OpenClaw的Skill机制实现的，流程包括[59]： 1. **数据采集：** 按预设链路自动抓取行业、财务、新闻、研报、估值、资金、商品与社区情绪等多维度数据。 2. **数据处理与检测：** 对采集的数据进行清洗，并检测数据的时效性，对过旧的数据进行降权处理。 3. **分析与推演：** 将处理后的数据整合到“行业到个股”的分析框架中，进行情景推演与反证分析。 4. **报告输出：** 最终生成连续文章体的深度分析研究报告。 * **因子评价：** 该框架解决了个股研究中流程低效、数据分散的问题，将多源数据的采集、清洗、对齐与归纳合并为一次自动化执行，让研究人员能将精力集中于核心分析[65]。 模型的回测效果 **注：** 报告未提供任何量化模型的回测结果，如年化收益率、夏普比率、最大回撤、信息比率（IR）等指标。 因子的回测效果 **注：** 报告未提供任何量化因子的测试结果，如因子IC值、IR、多空组合收益等指标。

汽车行业：中国摩托车品牌欧洲出海进入“质价比”新周期 - 报告核心观点：欧洲摩托车市场需求结构演变及外资二线品牌守成策略，为中国品牌以“质价比”突围提供契机，中国头部摩企在技术、渠道完成积累后，出海已超越单纯价格竞争，进入重塑市场格局的新阶段 [2] - 行业观察：在米兰展上观察到，中国品牌凭借动力总成技术突破、智能化配置优势及针对欧洲审美的定制化设计，正在300至800cc黄金排量段及跨界细分市场建立明显优势，在欧洲市场具备广阔增长空间 [2] 金融工程：港股基本面量化策略构建 - 报告核心观点：基于标准化财务报表数据，从现金流、资本结构、盈利、股东回报、成长性和估值六个维度构建港股基本面评估框架，并在此基础上通过多因子构建增强策略，历史测试显示可获取显著超额收益 [3] - 策略表现：测试区间（2015-01-01至2025-12-31）内，按基本面综合得分筛选的股票池相对于港股通全收益指数可获得**9个百分点以上**的年化超额收益 [3] - 策略表现：进一步构建的港股通因子增强组合，在测试区间（2016-12-30至2025-12-31）内，扣费后年化超额收益接近**15个百分点** [3] 宏观策略：4Q25海外上市公司中国区业绩观察 - 核心统计结论：统计截至2月6日前披露财报的**30家**大型跨国企业中国区业绩，**45%** 的企业认为4Q25业绩有所改善，**33%** 的企业预期未来进一步改善 [4] - 增长拖累：本季度增长的共性拖累因素依然是房地产及相关需求偏弱 [4] - 结构性亮点：科技进展明显，部分传统企业因科技需求上升焕发新机；海外科技公司提及出口限制和国产替代的影响；服务消费和悦己消费逆势增长 [4] 重点公司分析：Vertiv (VRT US) - 财报业绩：4Q25营收**28.8亿美元**，同比增长**23%**，环比增长**8%**；Non-GAAP每股收益为**1.36美元**，同比增长**37%**，环比增长**10%**；经调整营业利润率**23.2%**，环比提升1个百分点 [5] - 业绩指引：26年第一季度营收指引中值**25-27亿美元**，全年指引中值**132.5-137.5亿美元**，均超市场预期（预期分别为25亿和124亿美元） [5] - 核心驱动：订单大幅加速，当前交付周期维持在**12-18个月**，部分4季度订单已推至2027年；英伟达Rubin、AMD MI400系列及云厂商自研ASIC推动机架功率攀升，将增加液冷与800VDC解决方案的刚需 [5] 重点公司分析：科思股份 (300856 CH) - 当前状况：公司处于基本面低点，但多项积极因素正在积聚 [7] - 未来展望：下游大客户去库存或接近尾声；盈利能力和订单价格处于低位，下行空间有限；2026年马来西亚新厂、美国市场PS准入、去屑剂等增量可期；预计2026年销量有望率先恢复正增长，价格企稳并存在改善可能 [7] 重点公司分析：阅文集团 (772 HK) - 业绩预警：预计2025财年录得IFRS口径净亏损约**7.5-8.5亿元**（2024年亏损2.09亿元），主要因对新丽传媒一次性计提约**18亿元**商誉减值 [8] - 调整后业绩：剔除商誉减值等项目后，预计非IFRS归母净利润**8-9亿元**，低于市场一致预期的**11.93亿元**，利润不及预期主因新丽传媒亏损 [8] - 长期观点：仍长期看好公司在IP运营的核心优势及IP衍生品、漫剧等业务的增长空间 [8] 重点公司分析：中芯国际 (688981 CH, 981 HK) - 财报业绩：4Q25收入环比增长**4.5%**，超越指引上限；产能利用率维持在**95.7%** 的高位；毛利率为**19.2%**，符合指引 [9] - 未来展望：指引1Q26收入环比持平，毛利率**18%-20%**；指引2026年全年收入增幅“高于同业平均值”；预计2026年资本开支与2025年（**81亿美元**）大致持平 [9] - 核心观察：2026年，AI相关需求外溢或将导致成熟工艺供需关系收紧，可能推动公司平均销售单价稳步提升；公司正积极布局先进封装等新业务，形成“Foundry 2.0”发展战略 [9] 重点公司分析：有道 (DAO US) - 财报业绩：4Q25收入**15.6亿元**，同比增长**16.8%**，超市场预期（12.4%）；经营利润约为**6020万元**，超市场预期的2650万元 [10] - 增长动力：广告业务受益于AI应用投放需求增加；学习服务恢复增长轨迹，高中业务续费率提升 [10] - 现金流：公司连续六个季度盈利，2025年全年经营利润同比增长**48.7%** 至**2.2亿元**，并首次实现全年经营性现金净流入 [10] 首次覆盖公司 - **南山铝业国际 (2610)**：首次覆盖给予“买入”评级，目标价**78.18元**，预测2025-2027年每股收益分别为**0.66元**、**0.77元**、**0.92元** [11] - **林清轩 (2657)**：首次覆盖给予“买入”评级，目标价**130.88元**，预测2025-2027年每股收益分别为**2.72元**、**4.16元**、**5.79元** [11]