量化模型与构建方式 1. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略[2][23] * **模型构建思路**：结合基金的交易动机和利润表中的股票价差收益，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[23]。 * **模型具体构建过程**：首先，将基金的交易动机进行划分并构造基金交易动机因子。该因子由估值/流动性动机因子和业绩粉饰动机因子等权合成[48]。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[48]。其次，从基金利润表的股票投资收益科目中提取股票价差收益因子[48]。最后，将这两个因子相结合，构建选基策略[23]。 2. **模型名称**：交易独特性选基策略[3][31] * **模型构建思路**：根据基金经理的持股和交易明细构建网络，并计算基金经理的交易独特性指标，以此构建选基策略[3][31]。 * **模型具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异，以此作为交易独特性因子[49]。基于该因子构建选基策略[31]。 3. **模型名称**：基于申报信息的行业主题ETF轮动策略[4][36] * **模型构建思路**：利用基金发行流程中申请材料公示阶段的前瞻性信息，构造因子筛选与申报ETF相近的行业主题ETF，以把握市场投资热点[4][36]。 * **模型具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，构建行业主题申报相似因子（T+1）[49]。基于该因子构建行业主题ETF轮动策略[36]。 量化因子与构建方式 1. **因子名称**：交易动机类因子[48] * **因子构建思路**：刻画基金经理的交易动机，包括估值/流动性动机和业绩粉饰动机[48]。 * **因子具体构建过程**：该因子由估值/流动性动机因子、业绩粉饰动机因子等权合成[48]。其中，估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出[48]。 2. **因子名称**：股票价差收益因子[48] * **因子构建思路**：从基金利润表中提取基金经理通过股票交易实现的价差收益[48]。 * **因子具体构建过程**：该因子由基金利润表中股票价差收入（股票投资收益科目）计算而来[48]。 3. **因子名称**：交易独特性因子[49] * **因子构建思路**：基于基金经理网络，衡量基金经理交易行为与其关联基金经理的差异程度[49]。 * **因子具体构建过程**：先根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[49]。 4. **因子名称**：行业主题申报相似因子（T+1）[36][49] * **因子构建思路**：利用新申报ETF的信息，计算其与现有行业主题ETF的相似度，以捕捉市场热点[36][49]。 * **因子具体构建过程**：先统计上个月申报的股票型ETF跟踪的指数，统计出该指数池与市场上指数的成分相似度，构建行业主题申报相似因子[49]。 5. **因子名称**：基金业绩动量类因子[48] * **因子构建思路**：综合多个维度衡量基金过去一段时间的业绩表现动量[48]。 * **因子具体构建过程**：该类因子由四个因子等权重合成，包含4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数，均用过去1年的基金净值数据进行计算[48]。 6. **因子名称**：选股能力因子[48] * **因子构建思路**：评估基金经理的选股能力[48]。 * **因子具体构建过程**：该因子根据多期Brinson模型，使用基金季频重仓股数据进行计算，由选股胜率、选股超额收益率两个因子等权重合成而来[48]。 7. **因子名称**：隐形交易能力因子[48] * **因子构建思路**：从收益和风险两个层面度量基金交易带来的贡献[48]。 * **因子具体构建过程**：该因子由隐形收益能力因子、风险转移能力因子等权重合成而来[48]。 8. **因子名称**：主动轮动收益因子[49] * **因子构建思路**：体现基金风格轮动带来的收益结果[49]。 * **因子具体构建过程**：该因子根据区间风格主动变化及区间风格因子收益计算[49]。 9. **因子名称**：绝对主动轮动指标[49] * **因子构建思路**：衡量基金经理主动进行风格调整的部分[49]。 * **因子具体构建过程**：该因子将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[49]。 模型的回测效果 1. **基于交易动机因子及股票价差收益因子的选基策略**[23][27] * **1月份收益率**：10.96%[27] * **年化收益率**：11.56%[27] * **年化波动率**：21.60%[27] * **Sharpe比率**：0.54[27] * **最大回撤率**：48.39%[27] * **年化超额收益率**：3.87%[27] * **超额最大回撤率**：19.22%[27] * **信息比率(IR)**：0.64[27] * **1月份超额收益率**：3.60%[27] 2. **交易独特性选基策略**[31][35] * **1月份收益率**：8.03%[35] * **年化收益率**：14.26%[35] * **年化波动率**：19.47%[35] * **Sharpe比率**：0.73[35] * **最大回撤率**：37.26%[35] * **年化超额收益率**：5.70%[35] * **超额最大回撤率**：10.84%[35] * **信息比率(IR)**：1.10[35] * **1月份超额收益率**：0.86%[35] 3. **基于申报信息的行业主题ETF轮动策略**[36][40][43] * **1月份收益率**：22.66%[40] * **年化收益率**：22.45%[40] * **年化波动率**：21.39%[40] * **Sharpe比率**：1.05[40] * **最大回撤率**：34.89%[43] * **年化超额收益率**：13.84%[43] * **超额最大回撤率**：19.07%[43] * **信息比率(IR)**：0.76[43] * **1月份超额收益率**：18.18%[43]

量化模型与构建方式 1. **模型名称**：主动股基风格划分模型[15] **模型构建思路**：参考晨星（Morningstar）的划分方法，对个股进行大小盘及价值成长风格的区分，然后根据基金持仓在各类风格上的得分，将主动管理型股票基金划分为不同的风格类别（如成长型、均衡型、价值型）[15]。 **模型具体构建过程**： * **第一步：个股风格划分**。参考晨星方法，使用特定的指标（如市值、估值、盈利增长等）对每只股票进行打分，将其划分为大盘、中盘、小盘以及价值、均衡、成长等风格类别[15]。 * **第二步：基金风格得分计算**。对于每只基金，获取其定期报告（如年报、中报）的完整持仓[15]。根据持仓中每只股票所属的风格类别及其在基金中的权重，计算该基金在各个风格维度上的加权得分[15]。 * **第三步：基金风格归类**。根据基金在价值-成长维度上的得分，将其最终归类为“成长型”、“均衡型”或“价值型”基金[15]。为了保证风格划分的稳定性，要求基金在当前及过去一个报告期的持仓风格保持一致[15]。 2. **模型名称**：主动股基持仓组合构建模型[35] **模型构建思路**：为了分析单只基金相对于主动股基整体（中位数）的持仓特征，需要构建一个代表主动股基整体持仓的基准组合[35]。 **模型具体构建过程**： * **第一步：数据获取**。获取所有主动管理型股票基金在特定报告期（如2024年年报、2025年中报）的完整持仓数据[35]。 * **第二步：加权构建组合**。将所有主动股基的持仓合并，按照各基金持股市值在所有基金总持股市值中的占比进行加权，从而构建一个代表主动股基整体持仓的股票组合[35]。 3. **模型名称**：Barra风格因子暴露分析模型[38] **模型构建思路**：使用Barra风险模型框架，分析单只基金（中银量化选股）的持仓组合相对于主动股基整体持仓组合，在一系列风格因子上的暴露程度，以定量刻画其风格偏好[38]。 **模型具体构建过程**： * **第一步：确定分析对象**。计算需要分析的目标基金（中银量化选股）的持仓组合[38]。 * **第二步：确定基准组合**。使用前述“主动股基持仓组合构建模型”得到代表市场整体风格的基准组合[35][38]。 * **第三步：计算因子暴露**。将目标基金持仓组合与基准持仓组合在Barra模型定义的一系列风格因子（如市值、成长、动量、价值等）上进行回归分析，得到的回归系数即为目标基金相对基准的风格因子暴露值[38]。正值表示在该因子上有正向暴露（偏向该风格），负值表示负向暴露[38]。 量化因子与构建方式 1. **因子名称**：成长因子[15] **因子构建思路**：用于识别和衡量上市公司成长性的指标，通常与公司的盈利增长、收入增长、资本扩张等相关[15]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式，但指出参考了晨星（Morningstar）的划分方法，该方法通常会综合考量营收增长率、盈利增长率、净资产收益率等多项指标来定义成长风格[15]。 2. **因子名称**：价值因子[15] **因子构建思路**：用于识别和衡量上市公司估值水平的指标，通常与公司的市盈率、市净率、股息率等相关[15]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式，但指出参考了晨星（Morningstar）的划分方法，该方法通常会综合考量市盈率、市净率、市销率等估值指标来定义价值风格[15]。 3. **因子名称**：动量因子[38] **因子构建思路**：基于“强者恒强”的假设，认为过去一段时间表现好的股票，在未来短期内仍将继续表现较好[38]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式。在Barra模型中，动量因子通常由股票过去一段时间的收益率经过标准化和特殊处理得到。 4. **因子名称**：市值因子[38] **因子构建思路**：反映公司规模大小的指标，通常以总市值或流通市值来衡量[38]。 **因子具体构建过程**：报告中未详细说明该因子的具体计算公式。在Barra模型中，市值因子通常取公司总市值的自然对数，并经过标准化处理。 模型的回测效果 1. **主动股基风格划分模型**：根据该模型划分，A股市场中成长型主动股基的数量占比远高于均衡型和价值型基金[15]。 2. **主动股基持仓组合构建模型**：该模型用于构建分析基准，其效果体现在后续的行业偏离和风格暴露分析中，例如中银量化选股持仓与据此模型构建的主动股基整体持仓组合，行业最大偏离不超过5%[38]。 3. **Barra风格因子暴露分析模型**：应用该模型对中银量化选股的分析显示，其持仓相对主动股基整体在成长、动量因子上有正向暴露，在市值因子上偏向中等市值暴露[38]。 因子的回测效果 1. **成长因子**：中银量化选股持仓在该因子上有正向暴露，表明其偏好成长风格的股票[38]。 2. **价值因子**：报告中未单独给出该因子在基金上的暴露值。 3. **动量因子**：中银量化选股持仓在该因子上有正向暴露，表明其偏好具有动量效应的股票[38]。 4. **市值因子**：中银量化选股持仓在该因子上偏向中等市值暴露，表明其偏好中等市值规模的股票[38]。

市场波动特征分析 - 上证指数在3500点、3600点、3700点、3800点等整数关口突破后市场波动显著加大 日均振幅明显提升[3][4] - 整数关口附近部分投资者选择获利了结 加剧短期行情震荡 属于市场情绪自我修复和回归冷静的正常现象[5] 长期投资价值 - 万得全A指数过去20年累计上涨807.99% 历史年化收益达12.01% 表现优于黄金和债券等资产[8][9] - 长期收益源于优秀上市公司持续成长 不依赖复杂择时或频繁交易 需保持投资定力并坚持长期持有[10] 资产配置策略 - 通过配置相关性较低的不同资产平滑投资组合波动 推荐采用核心-卫星策略[11] - 核心资产配置覆盖范围广、市场表征性强的宽基指数（如中证A500、沪深300） 卫星资产配置高弹性品种捕捉结构性机会（如行业主题指数）[12]