AI量化研究系列 - 深度学习应用于股指期货日内交易策略开发 [2] - 深度学习算法用于Alpha因子挖掘和再挖掘 [2] - 趋势策略通过深度学习技术进行增强 [2] - 风险中性的深度学习选股策略构建 [2] - 深度学习在指数增强策略上的应用实践 [2] - 高频数据因子在深度学习框架下进行挖掘 [2] - 基本面因子模型通过深度学习技术增强 [2] - 条件随机场应用于周频择时策略开发 [2] - 机器学习多因子动态调仓策略研究 [2] - 人工智能在资产管理行业的应用和前景展望 [2] - 涨跌模式识别用于指数和行业择时策略 [2] - 隐马尔科夫模型应用于选股策略研究 [2] - 机器学习模型在因子选股上的比较分析 [2] - 多周期机器学习选股模型构建 [2] - 卷积神经网络用于股价走势识别与分类 [2] - Transformer架构下的量价选股策略研究 [2] - Visibility Graph-CNN创新架构用于高效股价预测 [2] - 卷积神经网络应用于ETF轮动策略 [2] - 多模态多尺度股价预测方法研究 [2] - DeepSeek工具用于提高投研效率 [2] - 知识库到知识图谱转换通过DeepSeek+GraphRAG实现 [3] - 神经常微分方程与液态神经网络技术研究 [3] - AlphaForge基于梯度下降进行因子挖掘 [3] - 强化学习应用于价格择时策略 [3] - 机器学习选股训练手册编制 [3] 基本面量化研究系列 - 多视角探寻长线选股策略研究 [3] - 景气向上且持续增长企业的挖掘方法 [3] - 寻找"物美价廉"优质企业的策略研究 [3] - 高估值股中投资机会的挖掘方法 [3] - 财务指标选股策略深入研究 [3] - 叠加反转效应下的财务指标选股策略 [3] - 细分行业景气盈利轮动策略开发 [3] 转债风险管理 - 转债退市风险与信用风险监控系统构建 [6] 研究团队信息 - 广发金融工程团队负责相关研究 [4]

报告核心观点 - AI驱动下看好国产算力与存力发展机遇，重点关注5G-A商用、AI算力共振及国产AI芯片自研进展[1][7][9][62][63] - 经济呈现加速回落迹象，政策"适时加力"必要性和可能性提升，重点关注消费、地产走势及央行可能重启购买国债[5] - 债市或于四季度回归基本面与资金面，10年国债利率有望修复至1.6%-1.65%[20] - 日线级别上涨临近尾声，但中期牛市刚刚开始，建议逆势布局[13] 宏观与策略 - 近半月经济变化：耐用品消费走弱（9月前两周乘用车零售量同比转为下降），地产销售小幅改善（新房、二手房销售同比均实现两位数增长），焦化、沥青、水泥开工率环比上升但幅度有限[5] - 低价股行情特征：牛市期间低价股表现与"消灭低价股"现象相关，全球权益多数上涨，巴西股市领涨[6][8] - 美联储如期降息25bp，国际金价续创新高但涨势放缓[6] 金融工程与固定收益 - 5G-A商用启幕：中国移动计划2026年底实现5G-A全量商用，截至2024年底我国5G基站数达452.1万个，较2023年末净增87.4万个[7] - 非银离确认日线级别下跌仅一步之遥，超2/3行业日线级别上涨处于超涨状态[13] - 择时雷达六面图综合打分为-0.24分，整体中性偏空[16] - 寻找业绩亮眼转债：牧原转债、道通转债等5只转债业绩优秀，立昂转债、隆22转债等4只转债业绩改善[17] - 资金价格上升，R001收于1.50%（前值1.40%），DR001收于1.46%（前值1.36%）[22] 行业表现 - 通信行业表现突出：近1月涨17.9%，近3月涨59.8%，近1年涨126.0%[2] - 银行行业表现落后：近1月跌6.6%，近3月跌7.7%[2] - 煤炭行业年初至今倒数第一，但供应受限下向上突破可能性提升[29] 银行与金融资产 - 银行第三阶段贷款占比：成都银行0.66%、宁波银行0.76%、杭州银行0.76%较低，重庆银行改善明显（第三阶段贷款占比-61bp）[22][23] - 贷款拨备计提比例：青农商行4.35%、渝农商行4.16%、杭州银行3.95%较高[23] - 金融投资拨备计提比例：浙商银行3.16%、青岛银行2.85%、贵阳银行2.68%较高[25] 能源与资源 - 煤炭供应受限：7月和8月煤炭产量连续两月同比下降，焦煤库存显著偏低[29] - 必和必拓暂停Saraji South焦煤矿，该矿2025财年生产焦煤810万吨[68] - 8月规上工业风电增速加快（同比+20%），水电降幅扩大，火电、核电、太阳能发电增速放缓[38] - 绿证交易价格环比增长22.77%[38] 房地产与REITs - 8月70城新房房价环比-0.3%，同比-3.0%；二手房房价环比-0.6%，同比-5.5%[40] - C-REITs总市值约2212.1亿元，平均单只REIT市值约30亿元，本周38支上涨、35支下跌[32] - 上海优化房产税政策，新购家庭第一套住房暂免征收房产税[49] 科技与创新 - 存储供需错配持续涨价，西部数据HDD交货周期延长至52周，三星通知四季度DRAM和NAND产品涨价[62] - 华为公布昇腾AI芯片路线图：26Q1推出昇腾950PR，26Q4推出昇腾950DT，27Q4推出昇腾960[63] - 苹果iPhone 17系列中国首日预约量突破200万部，较上一代增加近三倍[64] - Meta发布首款AR眼镜MetaRay-BanDisplay，采用LCoS显示技术[65] 消费与制造 - 白酒旺季动销修复，大众品中盐津铺子、东鹏饮料等具备高景气或高成长逻辑[50] - 运动鞋服板块推荐安踏体育（2025年PE 18倍）、李宁（2025年PE 18倍）、特步国际（2025年PE 11倍）[44] - 猪价快速下跌至13元/公斤以下，行业自繁自养盈利降至-24.44元/头[59] 其他行业 - 新疆板块迎政策密集催化，重点关注交通基建和煤化工领域[53] - 医药CXO阶段性表现较强，创新药调整是交易结构问题，产业逻辑未变[57] - 光学电路交换（OCS）技术成为光网络新战场，建议关注算力和数据要素产业链[47]

量化模型与构建方式 1. 宽基轮动策略模型 - **模型名称**：宽基轮动策略[12] - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率，选择市场情绪关注度最高的宽基进行投资，若最高为"其他"组则空仓[8][9][12] - **模型具体构建过程**： 1. 将全A股票按宽基成分分组（沪深300、中证500、中证1000、中证2000、其他）[8] 2. 计算每组成分股的总热度指标（个股浏览、自选与点击次数之和，以同一日全市场占比方式归一化后乘以10000）[7] 3. 计算每组股票周度热度变化率，并取MA2（2期移动平均）进行平滑处理[9] 4. 每周最后一个交易日买入总热度变化率MA2最大的宽基指数成分股，若变化率最大的为"其他"组则空仓[12] - **模型评价**：通过捕捉市场情绪热度变化进行宽基轮动，能够获取一定的超额收益[12] 2. 概念热度组合策略模型 - **模型名称**：概念热度TOP/BOTTOM组合策略[29] - **模型构建思路**：在热门概念中选取关注度最高和最低的个股构建组合，利用市场过度反应和关注度不足带来的定价偏差获取收益[29][31] - **模型具体构建过程**： 1. 每周选出本周热度变化最大的5个概念[29] 2. 将概念对应成分股作为选股股票池，排除流通市值最小的20%股票[29] 3. 从每个热门概念中选出总热度排名前10的个股，等权构建热度TOP组合[29] 4. 从每个热门概念中选出总热度排名最后的10只个股，等权构建BOTTOM组合[29] - **模型评价**：利用行为金融学中的有限注意力理论，低热度个股组合长期能取得一定的超额收益[29][31] 模型的回测效果 1. 宽基轮动策略模型 - 年化收益率：8.74%[15] - 最大回撤：23.5%[15] - 2025年收益：32.7%[15] 2. 概念热度BOTTOM组合 - 年化收益率：15.71%[31] - 最大回撤：28.89%[31] - 2025年收益：40.9%[31] 量化因子与构建方式 1. 个股总热度因子 - **因子名称**：个股总热度[7] - **因子构建思路**：通过个股的浏览、自选与点击行为数据衡量市场关注度[7] - **因子具体构建过程**： 个股总热度 = (个股浏览次数 + 自选次数 + 点击次数) / 全市场总次数 × 10000[7] 其中：个股浏览、自选与点击次数为原始行为数据，通过除以全市场总次数进行归一化处理[7] 2. 宽基热度变化率因子 - **因子名称**：宽基热度变化率MA2[9][12] - **因子构建思路**：衡量宽基指数关注度的短期变化趋势[9][12] - **因子具体构建过程**： 1. 计算每个宽基组（沪深300、中证500、中证1000、中证2000、其他）的周度总热度[8][9] 2. 计算周度热度变化率：当期热度/上期热度 - 1[9] 3. 对变化率取2期移动平均：MA2 = (当期变化率 + 上期变化率) / 2[9] 3. 行业热度变化率因子 - **因子名称**：申万行业热度变化率MA2[19] - **因子构建思路**：衡量行业层面关注度的短期变化趋势[19] - **因子具体构建过程**： 1. 计算每个申万一级、二级行业的周度总热度（成分股热度加总）[19] 2. 计算行业周度热度变化率：当期热度/上期热度 - 1[19] 3. 对变化率取2期移动平均：MA2 = (当期变化率 + 上期变化率) / 2[19] 4. 概念热度变化率因子 - **因子名称**：概念热度变化率[27][29] - **因子构建思路**：衡量概念板块关注度的短期变化[27][29] - **因子具体构建过程**： 1. 计算每个概念的周度总热度（成分股热度加总）[27][29] 2. 计算概念周度热度变化率：当期热度/上期热度 - 1[27][29] 5. 估值历史分位数因子 - **因子名称**：估值历史分位数[36][37][39] - **因子构建思路**：衡量宽基指数或行业在当前时点的估值水平相对于历史水平的位置[36][37][39] - **因子具体构建过程**： 1. 对宽基指数采用滚动5年窗口计算历史分位数[36] 2. 对行业采用从2015年开始的完整历史区间计算历史分位数[37][39] 3. 分位数计算公式：当前估值在历史序列中的排名百分比[36][37][39] 因子的回测效果 （注：报告中未提供各因子的具体测试结果取值，如IC值、IR值等量化指标）

宏观与策略 - 央行净投放维持资金面均衡 预计9月资金利率季节性上行 [1] - 固定收益专题研究关注CPI内部的结构分化 [1] 房地产行业 - 8月地产基本面延续下行 9月博弈更大力度政策 [1] 金属行业 - 有色板块2025年中报净利润同比增长38% [1] - 资源股配置价值持续凸显 [1] 机械行业 - 甲骨文RPO增至4550亿美元 [1] - 特斯拉正敲定Optimus V3设计 [1] - 汉钟精机AIDC压缩机和半导体真空泵打造新成长曲线 [1] - 中密控股作为机械密封龙头 国际业务打开公司成长空间 [1] - 宗申动力单二季度净利润同比增长73% 积极布局低空经济 [1] 电子行业 - 功率公司业绩回暖 [1] - 汽车与数据中心增长趋势明确 [1] 金融工程 - 沪指探底回升 [1] - 机器人概念股集体爆发 [1]

量化模型与构建方式 1. 股指分红点位测算模型 - **模型名称**：股指分红点位测算模型[11][44] - **模型构建思路**：通过精确预测指数成分股的分红金额、除息日及权重，计算期货合约存续期内指数因成分股分红导致的点位下降值，以更准确评估股指期货的升贴水幅度[11][44] - **模型具体构建过程**： 1. **获取成分股权重**：采用中证指数公司每日披露的日度收盘权重数据，保证每日个股权重的准确性，避免使用历史权重估算带来的偏差[49] 2. **预测分红金额**：若公司已公布分红金额，则直接采用；若未公布，则需预测。分红金额 = 净利润 × 股息支付率[50] - **净利润预测**：基于历史净利润分布的动态预测法。若公司已公布年报、快报或业绩预告，则直接采用（业绩预告取上下限均值）；若未披露，则根据其季度盈利分布稳定性进行分类预测[53] - **股息支付率预测**：若公司去年分红，则用去年值；若去年不分红，则用最近3年平均；若从未分红，则默认今年不分红；若预测值>100%则进行截尾处理[56] 3. **预测除息日**：[54][58] - 若已公布除息日，则直接采用 - 若未公布，则判断公司是否已公布分红预案 - 若处于预案阶段，检查过去三年从预案公告日到除息日的间隔天数的稳定性。若稳定，则用该间隔天数均值与今年预案公告日进行线性外推；若不稳定，则采用历史分红日期判断 - 若处于决案阶段，检查过去三年从股东大会公告日到除息日的间隔天数的稳定性。若稳定，则用该间隔天数均值与今年股东大会公告日进行线性外推；若不稳定，则采用历史分红日期判断 - 若采用历史日期不合理（在当前时点之前、距当前不足10天或在股东大会日前），则采用默认日期：7月31日（预测日在7月22日前）、8月31日（预测日在7月22日至8月21日）、9月30日（其他情况） - 若过去两年未分红，也采用默认日期 4. **计算分红点数**：汇总从当前时刻t至期货合约到期日T之间所有成分股的分红影响。公式为： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 其中，要求个股除权除息日满足 $t < \text{除息日} \leq T$[44] 2. 年化升贴水计算模型 - **模型名称**：年化升贴水计算模型[12] - **模型构建思路**：基于股指期货合约价格、指数价格及预测的分红点数，计算扣除了分红影响后的实际价差，并年化以衡量其升贴水幅度[11][12] - **模型具体构建过程**： 1. 计算当前价差：合约收盘价 - 指数收盘价[12] 2. 计算含分红价差：当前价差 + 分红[12] 3. 计算升贴水幅度：含分红价差 / 指数收盘价[12] 4. 年化升贴水幅度：$$年化升贴水 = \left(1 + \frac{含分红价差}{指数收盘价}\right)^{\frac{365}{到期天数}} - 1$$[12] 或采用线性年化近似：$$\text{年化升贴水} = \frac{含分红价差}{指数收盘价} \times \frac{365}{到期天数}$$[12] 模型的回测效果 1. **股指分红点位测算模型**： - 预测误差（2023年）：上证50指数误差基本在5点以内，沪深300指数误差基本在5点以内，中证500指数误差基本在10点以内[64] - 预测误差（2024年）：上证50指数误差基本在5点以内，沪深300指数误差基本在5点以内，中证500指数误差基本在10点以内[64] - 对股指期货合约的预测准确性：上证50和沪深300股指期货的预测效果最好，中证500股指期货的偏离度稍大[64] 2. **年化升贴水计算模型**（截至2025年9月17日数据）[12]： - **IH2510.CFE合约**：年化升水1.66% - **IF2510.CFE合约**：年化升水1.19% - **IC2510.CFE合约**：年化贴水9.49% - **IM2510.CFE合约**：年化贴水11.25% 量化因子与构建方式 1. 股息率因子 - **因子名称**：股息率[2][14] - **因子构建思路**：计算上市公司预案分红金额与其当前总市值的比率，用以衡量其分红回报水平[14] - **因子具体构建过程**：$$股息率 = \frac{预案分红金额}{当前总市值}$$[14] - **因子评价**：股息率是衡量股票投资价值的重要因子，高股息率通常吸引追求稳定现金流的投资者[2] 2. 已实现股息率因子 - **因子名称**：已实现股息率[3][16] - **因子构建思路**：计算指数中已实施现金分红的成分股，其已分红金额按权重加总后与指数总市值的比率，反映已兑现的分红收益[16] - **因子具体构建过程**：$$已实现股息率 = \sum_{i=1}^{N_1} \left( \frac{个股已分红金额}{个股总市值} \times 个股权重 \right)$$[16] 其中，$N_1$ 表示指数中今年已现金分红的公司数量[16] 3. 剩余股息率因子 - **因子名称**：剩余股息率[3][16] - **因子构建思路**：计算指数中尚未实施现金分红的成分股，其预计分红金额按权重加总后与指数总市值的比率，反映未来潜在的分红收益[16] - **因子具体构建过程**：$$剩余股息率 = \sum_{i=1}^{N_2} \left( \frac{个股预计分红金额}{个股总市值} \times 个股权重 \right)$$[16] 其中，$N_2$ 表示指数中尚未现金分红的公司数量[16] 因子的回测效果 1. **股息率因子**（截至2025年9月17日，各行业已公布预案股票的股息率中位数）[2][14]： - 煤炭行业：排名第一 - 银行行业：排名第二 - 钢铁行业：排名第三 2. **已实现股息率因子**（截至2025年9月17日）[3][16]： - 上证50指数：2.18% - 沪深300指数：1.75% - 中证500指数：1.10% - 中证1000指数：0.85% 3. **剩余股息率因子**（截至2025年9月17日）[3][16]： - 上证50指数：0.57% - 沪深300指数：0.40% - 中证500指数：0.14% - 中证1000指数：0.09%

宏观研究报告核心观点 - "十五五"规划将确定我国中长期目标和阶段性任务 重大项目是国家战略意图和资源支持方向的集中体现 预计延续"民生、科技+产业、基础设施、生态建设、安全工程"5大类项目布局 特别关注水利基建、科技产业融合、城市更新等新项目部署[3] - 自"十三五"规划起实施重大项目清单式管理 "十四五"规划包含102项重大项目 成为稳经济重要抓手[3] 金融工程研究报告核心观点 - 截至2025年9月12日转债市场定价偏离度指标达5.27% 处于2018年以来99.3%分位数水平 估值维持高位震荡[4] - 转债长期配置价值较低 绝对收益投资者应优先降低偏股转债仓位 偏债策略可维持正常配置权重[4] 公司研究报告核心观点 - 科锐国际作为人服行业首家A股上市企业 以猎头业务起家 通过收并购拓展招聘和灵活用工业务 已形成技术+服务+平台全产业链生态模式[5] - 公司建立自有AI大模型 赋能产业互联平台禾蛙 智能化、生态化、国际化形成壁垒 中高端人才访寻、招聘流程外包和灵活用工三大业务基础扎实[5] - 预计2025-2027年实现营收150.9/189.3/228.2亿元 归母净利润3.0/3.7/4.3亿元 当前股价对应PE 20.1x/16.4x/13.9x 估值具提升空间[5] 行业表现数据 - 通信行业表现最佳：1月涨幅18.6% 3月涨幅58.4% 1年涨幅123.5%[1] - 综合行业：1月涨幅17.1% 3月涨幅43.1% 1年涨幅123.0%[1] - 电力设备行业：1月涨幅16.2% 3月涨幅39.0% 1年涨幅68.5%[1] - 国防军工行业表现最弱：1月跌幅7.6% 3月涨幅11.4% 1年涨幅51.5%[1] - 银行业：1月跌幅4.4% 3月跌幅5.1% 1年涨幅30.0%[1]

量化模型与构建方式 1. 指数风控模型 - **模型构建思路**：通过构建指数层面的风险控制模型，对冲非目标风格和行业敞口，以最大化信息比率并控制主动风险[20][22] - **模型具体构建过程**： 1. 确定纳入模型的指数列表：筛选在交易日之前发布的指数，成分均为A股，可获取指数成分列表和权重数据[22] 2. 确定使用的风险因子：包括风格因子（如市值、动量、盈余等）和行业因子[22] 3. 合成指数层面数据：基于个股风控模型，根据实时权重将个股行业/风格得分进行加权，得到指数敞口数据[22] 4. 进行组合优化：控制行业及主要风格的敞口偏离，对冲非目标暴露[20][22] - **模型评价**：指数风控模型较个股模型有效性显著提升，行业贡献大幅超过风格，模型解释度更高[23][24] 2. 指数配置组合模型 - **模型构建思路**：以微观个股因子作为信号，向上集成得到指数综合打分信号，构建行业和风格敞口受控的配置组合[25][32] - **模型具体构建过程**： 1. 因子分类与测试：将因子分为基本面、分析师、量价和高频四类，测试单因子在指数层面的有效性[26][27] 2. 子策略构建：筛选长期表现较好的因子构建子策略，如量价类划分为动量反转、流动性、波动率等[27] 3. 综合信号生成：基于多策略进行因子筛选，得到指数综合打分信号[32] 4. 组合优化：锚定中证全指，控制行业及主要风格敞口偏离，得到最终配置组合[32] 量化因子与构建方式 1. 基本面因子 - **因子构建思路**：基于公司财务数据构建，反映企业基本经营状况[26][27] - **因子具体构建过程**：细分为成长、盈利、估值、财务质量、机构持仓等子类别，共包含166个细分因子[30] - 成长因子：59个 - 盈利因子：52个 - 估值因子：30个 - 财务质量因子：14个 - 机构持仓因子：8个 - 规模因子：3个 2. 分析师因子 - **因子构建思路**：基于分析师预测数据构建，反映市场预期变化[26][27] - **因子具体构建过程**：细分为估值、盈利调整、覆盖度、成长、超预期等子类别，共包含38个细分因子[30] - 估值因子：16个 - 盈利调整因子：10个 - 覆盖度因子：6个 - 成长因子：3个 - 超预期因子：3个 3. 量价因子 - **因子构建思路**：使用日频价格/成交/资金流等数据构建，反映市场交易行为[26][27] - **因子具体构建过程**：细分为动量反转、波动率、流动性、北向资金、资金流等子类别，共包含120个细分因子[30] - 动量反转因子：37个 - 波动率因子：36个 - 流动性因子：26个 - 北向资金因子：11个 - 资金流因子：10个 4. 高频因子 - **因子构建思路**：使用分钟高频数据构建，捕捉短期市场微观结构特征[26][27] - **因子具体构建过程**：细分为动量反转、波动率、流动性、资金流等子类别，共包含32个细分因子[30] - 动量反转因子：13个 - 波动率因子：9个 - 流动性因子：9个 - 资金流因子：1个 模型的回测效果 1. 指数配置组合模型 - **回测期（2015-2024年）**：组合稳定性较强，超额收益表现稳健，最大回撤控制在-3.00%以内[33] - **样本外期（2025年1-8月）**：绝对收益32.0%，超额收益11.5%，超额最大回撤2.0%[1][13] 因子的回测效果 1. 基本面因子 - **2025年1-8月表现**：盈利和成长因子整体表现占优[27][36] 2. 量价因子 - **2025年1-8月表现**：动量反转、波动率、流动性等子策略表现较好[27][36] 3. 多策略组合 - **历史表现**：各子策略间相关性差异较大，没有单一策略能在所有时间内保持有效，验证了多策略的必要性[27] - **2025年1-8月**：基本面类型中的盈利和成长，以及量价类子策略表现较好，但单个子策略仍存在阶段性回撤[27]

核心观点 - 国有大型银行2025年中报显示业绩增速改善 营收同比+1.5% 净利润同比-0.1%降幅收窄 资产质量保持较优水平 不良率1.27%环比持平 资本充足率提升至12.67% [2][3][4] - 42家上市银行整体呈现环比改善态势 营收同比+0.8%转正 净利润同比+0.8%转正 资产质量稳健 不良率1.23%环比持平 行业逻辑从"顺周期"转向"弱周期" [5][6][7] - 信用债类ETF受市场调整影响出现明显回撤 信用债ETF规模下降91亿元至1262亿元 当前贴水率较高存在右侧交易机会 科创债ETF扩容在即带来配置机遇 [11][12][13] - A股重点指数9月调样涉及科创50等5个指数 寒武纪权重被动下调至10%预计引发104亿元资金流出 但流动性充足冲击有限 部分超跌个股存在补涨机会 [16][17] 银行业绩表现 - 国有行营收增速环比转正 1H25同比+1.5%（1Q25为-1.5%） 净其他非息收入同比+37.3%成为主要贡献因素 除中国银行外其他大行营收增速均环比提升 [3] - 国有行净利润降幅收窄 1H25同比-0.1%（1Q25为-2.1%） 六大行均实现增速环比提升 规模增长和成本释放是主要驱动因素 [2][3] - 净利息收入边际改善 1H25同比-2.4%（1Q25为-3.4%） 生息资产同比增速10.4%提升2.9个百分点 净息差降幅14bp较一季度改善1bp [3] - 上市银行整体业绩改善 1H25营收同比+0.8%（1Q25为-1.8%） 净利润同比+0.8%（1Q25为-1.2%） 规模低基数与非息收入修复是主要动力 [5][6] 资产质量与风险 - 国有行资产质量保持优异 不良率1.27%环比持平 关注类贷款占比下降0.03个百分点至1.62% 拨备覆盖率提升1.04个百分点至237.50% [4] - 行业不良生成率保持低位 2Q25年化不良生成率0.75%同比+4bp 关注类占比较2024下降4bp至1.67% 逾期率小幅抬升3bp至1.44% [9] - 对公贷款质量持续优化 公司贷款不良率较2024下降9bp至1.26% 零售贷款不良率提升12bp至1.27% 其中经营贷不良升幅收窄3bp [9] - 资本实力进一步夯实 国有行核心一级资本充足率提升0.36个百分点至12.67% 行业核心一级资本充足率环比+22bp至11.6% [4][10] 收入结构分析 - 净非息收入大幅增长 国有行整体非息收入同比+15.5% 增速较一季度提高10.9个百分点 其中手续费收入同比+4.7%转正 其他非息收入同比+37.3% [3] - 行业非息收入明显修复 1H25同比+6.6%（1Q25同比-2.1%） 手续费收入同比+3.1%（1Q25同比-0.7%） 其他非息收入同比+10.6%（1Q25同比-3.9%） [8] - 息差压力有所缓解 上市银行2Q25单季净息差环比降幅收窄 大行、股份行、城商行和农商行分别环比变动-4、-4、-8和-1bp 负债端成本率改善幅度相仿 [8] 投资建议与展望 - 银行股投资逻辑转向"弱周期" 经济偏平淡期间高股息具有吸引力 推荐两条主线：区域优势城农商行（江苏、上海、成渝、山东、福建）和高股息稳健品种 [5][10] - 全年业绩展望积极 预计规模保持平稳 政策呵护息差企稳 手续费继续修复 其他非息储备充足 营收业绩将延续平稳改善趋势 [6][10] - 信用债类ETF投资机会显现 当前信用债ETF贴水率中位数-54BP 科创债ETF贴水率中位数-31BP 市场企稳后可关注右侧交易机会 [11][14] - 成分券性价比突出 信用债成分券利差1.5BP 科创债成分券利差8BP 后续科创债ETF集中上市带来做多机会 [12][14] - 指数调样带来个股机会 寒武纪权重下调至10%预计引发104亿元资金流出 但冲击系数仅-0.88 林泰新材、聚星科技等超跌个股存在补涨机会 [16][17]

量化模型与构建方式 1. **模型名称**：央国企高分红30组合[13] **模型构建思路**：聚焦于具有稳健成长风格的央国企高分红股票，通过量化方法筛选出30只标的构建投资组合[13] **模型具体构建过程**：从央国企股票池中，选取高分红特征的股票，具体筛选逻辑未详细说明，最终构建包含30只股票的组合[13] 2. **模型名称**：攻守兼备红利50组合[13] **模型构建思路**：结合防御与增长特性，在红利资产中精选50只个股，追求相对纯粹红利资产的超额收益[5][13] **模型具体构建过程**：从红利资产中，通过量化方法筛选出兼具防守和增长特性的50只股票构建组合，具体筛选因子和权重分配未详细说明[5][13] 3. **模型名称**：电子均衡配置增强组合[13] **模型构建思路**：在电子行业进行均衡配置，通过量化方法增强组合表现，旨在跑赢电子行业指数[5][13] **模型具体构建过程**：在电子行业内，进行均衡的行业配置和个股选择，使用量化模型增强组合，具体模型细节未详细说明[5][13] 4. **模型名称**：电子板块优选增强组合[13] **模型构建思路**：聚焦电子板块中迈入成熟期的细分赛道龙头企业，通过优选策略进行增强配置[13] **模型具体构建过程**：在电子板块中，筛选处于成熟期的细分行业龙头企业，使用量化方法进行优选和增强配置，具体选股因子和模型未详细说明[13] 模型的回测效果 1. **央国企高分红30组合**，周度绝对收益未提供，周度超额收益（相对于中证红利全收益）0.76%[5][23] 2. **攻守兼备红利50组合**，周度绝对收益未提供，周度超额收益（相对于中证红利全收益）0.99%[5][23]，2025年初以来超额收益（相对于中证红利全收益）6.04%[23] 3. **电子均衡配置增强组合**，周度绝对收益5.01%[5][31]，周度超额收益（相对于电子行业指数）未提供（报告指出未跑赢）[5][31] 4. **电子板块优选增强组合**，周度绝对收益3.91%[5][31]，周度超额收益（相对于电子行业指数）未提供（报告指出未跑赢）[5][31] 量化因子与构建方式 1. **因子名称**：红利因子[20] **因子构建思路**：基于公司的分红行为，识别具有稳定和高分红特征的股票[20] **因子具体构建过程**：通常使用股息率（D/P）或过去若干年的累计分红等指标来衡量，具体公式未在提供内容中详细说明[20] 2. **因子名称**：红利低波因子[20] **因子构建思路**：结合高分红和低波动特性，寻找收益稳定且风险较低的股票[20] **因子具体构建过程**：通常是在红利因子的基础上，引入波动率指标（如历史价格波动率）进行筛选或加权，具体公式未在提供内容中详细说明[20] 3. **因子名称**：央国企红利因子[20] **因子构建思路**：在央国企范畴内应用红利因子，捕捉特定所有制结构下的高分红机会[20] **因子具体构建过程**：在央国企股票池中，运用红利因子的构建方法，具体公式未在提供内容中详细说明[20] 4. **因子名称**：红利质量因子[20] **因子构建思路**：将分红能力与公司的质量（如盈利能力、财务稳健性）相结合[20] **因子具体构建过程**：通常是在红利因子的基础上，引入质量类指标（如ROE、盈利增长率、负债率等）进行综合评估，具体公式未在提供内容中详细说明[20] 5. **因子名称**：红利增长因子[20] **因子构建思路**：关注那些不仅有分红，而且分红有增长潜力的公司[20] **因子具体构建过程**：通常涉及历史分红增长率、或预期未来分红增长的指标，具体公式未在提供内容中详细说明[20] 6. **因子名称**：红利价值因子[20] **因子构建思路**：结合分红与估值水平，寻找高分红且被低估的股票[20] **因子具体构建过程**：在红利因子的基础上，引入估值类指标（如市盈率P/E、市净率P/B等）进行筛选，具体公式未在提供内容中详细说明[20] 因子的回测效果 *(注：报告未提供这些因子独立的回测指标（如IC、IR等），仅展示了基于这些因子概念构建的指数表现)* 1. **中证红利指数**，周度绝对收益0.83%[20] 2. **上证红利指数**，周度绝对收益0.90%[20]，周度超额收益（相对于中证红利指数）0.08%[20] 3. **中证红利低波动100指数**，周度绝对收益1.67%[20]，周度超额收益（相对于中证红利指数）0.84%[20] 4. **中证中央企业红利指数**，周度绝对收益2.15%[20]，周度超额收益（相对于中证红利指数）1.32%[20] 5. **中证红利质量指数**，周度绝对收益3.05%[20]，周度超额收益（相对于中证红利指数）2.22%[20] 6. **中证红利潜力指数**，周度绝对收益2.31%[20]，周度超额收益（相对于中证红利指数）1.48%[20] 7. **中证红利价值指数**，周度绝对收益1.00%[20]，周度超额收益（相对于中证红利指数）0.17%[20]

量化模型与构建方式 1. **模型名称**：图表派—基本面派模型 **模型构建思路**：通过做市商与两类投机者（图表派与基本面派）的互动机制，研究股票市场信息效率的局限性，解释恒定错误定价与振荡性错误定价的共存现象[4][21][22] **模型具体构建过程**： - **价格调整规则**：做市商根据超额需求调整价格，公式为 $$P_{t+1}=P_{t}+\alpha(D_{t}^{C}+D_{t}^{F}+D_{t}^{R}-N)$$ 其中，$\alpha$为价格调整参数，$D_{t}^{C}$和$D_{t}^{F}$分别代表图表派与基本面派的需求，$D_{t}^{R}$为非投机需求，$N$为股票总供给[24][26] - **图表派需求**：基于趋势外推，公式为 $$D_{t}^{c}=\beta(P_{t}-P_{t-1})$$ $\beta$为图表派反应系数[27] - **基本面派需求**：仅在风险调整后预期利润为正时交易，分段函数为 $$D_{t}^{F}=\begin{cases}\gamma(F_{t}-P_{t})&\text{if}\ P_{t}-F_{t}>h\\ 0&\text{if}\ \ -h\leq P_{t}-F_{t}\leq h\\ \gamma(F_{t}-P_{t})&\text{if}\ P_{t}-F_{t}<-h\end{cases}$$ $\gamma$为基本面派反应系数，$h$为错误定价阈值[27] - **基本面价值**：服从随机游走，公式为 $$F_{t+1}=F_{t}+\delta_{t}$$ $\delta_{t}\sim N(0,\sigma_{\delta}^2)$[28] **模型评价**：兼容Fama（1970）、Grossman & Stiglitz（1980）和Lo & Farmer（1999）的理论分歧，揭示市场动态复杂性[17][21][85] 2. **模型名称**：映射F（基本面派主导模型） **模型构建思路**：假设基本面派始终活跃，研究股价收敛至基本面价值的条件[31][37] **模型具体构建过程**： - 二维线性映射： $$F\colon\begin{cases}x^{\prime}=(1+b-c)x-by\\ y^{\prime}=x\end{cases}$$ 其中$b=\alpha\beta$，$c=\alpha\gamma$，$x_t=P_t-F_t$[30][31] - 雅可比矩阵特征值分析：稳定性条件为$0<c<2(1+b)$且$0<b<1$[31][38] 3. **模型名称**：映射C（图表派主导模型） **模型构建思路**：研究仅图表派活跃时股价的非基本面固定点收敛[31][43] **模型具体构建过程**： - 二维线性映射： $$C:\begin{cases}x^{\prime}=(1+b)x-by\\ y^{\prime}=x\end{cases}$$ 固定点为45度线连续体，稳定性条件为$0<b<1$[40][43] 模型的回测效果 1. **图表派—基本面派模型**： - **区域R1**（$0<b<1$且$c<2(1-b)$）：股价收敛至非基本面固定点，错误定价恒定[21][66] - **区域R2**（$0<b<1$且$2(1-b)<c<2(1+b)$）：股价收敛至非基本面固定点或产生奇异准周期振荡[22][66] - **区域R3**（$0<b<1$且$c>2(1+b)$）：发散或收敛至非基本面固定点[66] - **区域R4**（$b>1$）：股价轨迹发散[66] 2. **映射F**： - **稳定盒S**内（$0<c<2(1+b)$）：股价收敛至基本面价值（原点）[31][37] - **稳定盒外**：动态发散[38] 3. **映射C**： - **$0<b<1$**：收敛至非基本面固定点，错误定价水平取决于初始条件[43][46] - **$b>1$**：动态发散[43] 量化因子与构建方式 （报告中未明确提及独立因子构建，仅包含模型参数如$\beta$、$\gamma$、$h$等，故跳过此部分） 因子的回测效果 （无相关内容） 关键参数与指标 - **图表派影响力参数**：$b=\alpha\beta$，测试范围$0.00<b<1.10$[53][66] - **基本面派影响力参数**：$c=\alpha\gamma$，测试范围$0.00<c<4.40$[53][66] - **错误定价阈值**：$h=0.05$（归一化后）[46][53] - **动态类型指标**：固定点收敛、奇异准周期振荡、发散[53][66]