量化模型与构建方式 1. 宏观周期识别框架 1. **模型名称**：宏观周期识别框架[9] 2. **模型构建思路**：为改善单一维度判断不稳定的问题，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，构建高维宏观周期识别框架[9]。 3. **模型具体构建过程**： * **宏观因子变量构建**：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]。 * **数据处理**：采用单边HP滤波器对宏观经济数据进行调整，以消除短期波动对长期趋势判断的影响[2]。 * **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]。 2. 中证全指择时策略 1. **模型名称**：中证全指择时策略[28] 2. **模型构建思路**：基于宏观变量组合（流动性+库存、流动性+信用）对中证全指未来上涨概率的预测值进行择时[26]。 3. **模型具体构建过程**：统计“流动性+库存”和“流动性+信用”两个子策略对中证全指未来收益是否上涨的预测值，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[26]。 3. 红利指数择时策略 1. **模型名称**：红利指数择时策略[35] 2. **模型构建思路**：基于宏观变量组合（通胀+库存、库存+信用）对红利指数未来上涨概率的预测值进行择时[35]。 3. **模型具体构建过程**：计算“通胀+库存”和“库存+信用”两个子策略对红利指数未来收益是否上涨的预测值的均值，当该均值高于阈值（0.6）时，对红利指数做多，反之做空[35]。 4. 风格轮动配置策略 1. **模型名称**：风格轮动配置策略[48] 2. **模型构建思路**：利用有效的宏观因子两两组合，滚动预测六大风格指数的远期收益率，并基于预测结果进行月度调仓配置[42]。 3. **模型具体构建过程**： * **因子组合筛选**：筛选出“通胀+库存”和“通胀+信用”两个有效的宏观因子组合[43]。 * **收益预测与排序**：将两个子策略对风格指数未来收益的预测值进行截面排序并求均值[48]。 * **配置规则**：每月等权配置预测值排名前二的风格指数[48]。 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1月31日[28] * **年化收益**：16.56%[28] * **年化波动**：21.98%[29] * **夏普比率**：75.33%[29] * **最大回撤**：-28.10%[29] * **超额收益（相对中证全指）**：10.19%[28] * **跟踪误差**：35.06%[29] * **信息比率(IR)**：29.07%[29] * **相对最大回撤**：-50.30%[29] 2. 红利指数择时策略 * **回测期**：2012年1月末至2026年1月31日[35] * **年化收益**：10.97%[35] * **年化波动**：14.91%[41] * **夏普比率**：0.74[41] * **最大回撤**：-19.92%[41] * **超额收益（相对红利指数）**：8.49%[35] * **跟踪误差**：9.63%[41] * **信息比率(IR)**：0.88[41] * **相对最大回撤**：-12.47%[41] 3. 风格轮动配置策略 * **回测期**：2014年9月30日至2026年1月31日[48] * **年化收益**：14.79%[48] * **年化波动**：23.46%[52] * **夏普比率**：0.63[52] * **最大回撤**：-45.93%[52] * **超额收益（相对风格等权）**：4.61%[48] * **跟踪误差**：10.56%[52] * **信息比率(IR)**：0.44[52] * **相对最大回撤**：-31.16%[52] 量化因子与构建方式 1. 宏观因子变量 1. **因子名称**：宏观因子变量[2] 2. **因子构建思路**：通过回归筛选出对市场有显著影响的细分宏观变量，并进行加权合成，以构建综合性的宏观因子[2]。 3. **因子具体构建过程**： * 将宏观指数分别对宽基指数、代理宏观变量做回归[2]。 * 选取回归结果中t值显著的细分宏观变量[2]。 * 使用过去一年历史数据的标准差倒数对选出的变量进行加权，构建最终的宏观因子变量[2]。 2. 宏观趋势（因子动量） 1. **因子名称**：宏观趋势（因子动量）[2] 2. **因子构建思路**：基于滤波后的宏观变量，通过其动量方向来判断宏观经济的趋势是上行还是下行[2]。 3. **因子具体构建过程**：对经过单边HP滤波器处理后的宏观变量，计算其动量，并根据动量方向划分为“上行”或“下行”趋势[2]。 3. 宏观状态（时序百分位） 1. **因子名称**：宏观状态（时序百分位）[2] 2. **因子构建思路**：根据宏观变量在历史序列中所处的位置，来判断当前宏观状态处于高位、中位还是低位[2]。 3. **因子具体构建过程**：计算滤波后的宏观变量在历史时间序列上的百分位，根据设定的分位数阈值（例如，前30%为高位，中间40%为中位，后30%为低位）划分状态[2]。 4. 有效宏观因子组合 1. **因子名称**：通胀+库存组合、通胀+信用组合[43] 2. **因子构建思路**：将两个不同的宏观维度（状态或趋势）进行组合，形成对风格轮动预测更有效的复合因子信号[42][43]。 3. **因子具体构建过程**：报告通过测试发现，“通胀”与“库存”的组合，以及“通胀”与“信用”的组合，在预测风格指数未来收益率方面具有较好的有效性和互补性[43]。

量化模型与因子总结 量化模型与构建方式 根据研报内容，报告主要对市场数据进行跟踪和统计，未涉及具体的量化交易模型或选股模型的构建。报告的核心是计算并展示一系列用于衡量市场状态和估值的指标（因子）。 量化因子与构建方式 报告计算并跟踪了多个用于描述宽基指数市场特征的量化因子。 1. **因子名称**：风险溢价[28] * **因子构建思路**：以十年期国债即期收益率为无风险利率参考，计算股票指数收益率相对于无风险利率的溢价，用于衡量其相对投资价值和偏离情况[28]。 * **因子具体构建过程**：风险溢价 = 股票指数的预期收益率或收益率 - 十年期国债即期收益率。报告中展示的“当前风险溢价”具体计算方式未明确给出，但核心是两者之差[28][32]。 2. **因子名称**：股债性价比[47] * **因子构建思路**：通过比较股票市场收益率与债券市场收益率的差异，来判断股票和债券哪类资产更具投资价值[47]。 * **因子具体构建过程**：股债性价比 = 股票指数PE-TTM的倒数 - 十年期国债即期收益率[47]。公式为： $$股债性价比 = \frac{1}{PE-TTM} - R_{f}$$ 其中，$PE-TTM$ 为指数滚动市盈率，$R_{f}$ 为十年期国债即期收益率。 3. **因子名称**：股息率[49] * **因子构建思路**：反映指数的现金分红回报率，是红利投资风格的重要跟踪指标[49]。 * **因子具体构建过程**：股息率 = 成分股现金分红总额 / 指数总市值。报告中的“当前值”即为该计算结果[49][54]。 4. **因子名称**：破净率[55] * **因子构建思路**：统计指数中市净率小于1的个股占比，反映市场整体的估值态度和悲观程度[55][57]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率小于1的股票数量) / (指数成分股总数量)。报告中“破净率”即为此值[55][58]。 5. **因子名称**：收益分布形态指标（偏度与峰度）[25] * **因子构建思路**：通过计算指数日收益率分布的偏度和峰度，来描述收益率分布的不对称性和尖峭程度，以观察市场极端收益情形的变化[25]。 * **因子具体构建过程**： * **偏度**：衡量分布不对称性。正偏态表示极端正收益情形增加[25]。计算公式（样本偏度）通常为： $$偏度 = \frac{n}{(n-1)(n-2)} \sum_{i=1}^{n} \left( \frac{r_i - \bar{r}}{s} \right)^3$$ 其中，$n$为样本数，$r_i$为日收益率，$\bar{r}$为样本均值，$s$为样本标准差。 * **峰度**：衡量分布尖峭程度。报告中计算的是超额峰度（峰度减去3），因此正态分布的超额峰度为0[26]。峰度越大，说明收益率分布更集中[25]。计算公式（样本超额峰度）通常为： $$峰度 = \left[ \frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum_{i=1}^{n} \left( \frac{r_i - \bar{r}}{s} \right)^4 \right] - \frac{3(n-1)^2}{(n-2)(n-3)}$$ 6. **因子名称**：交易金额占比[19] * **因子构建思路**：衡量单个宽基指数成交额在全市场中的比重，反映资金流向和关注度[19]。 * **因子具体构建过程**：交易金额占比 = (该指数当日总成交金额) / (中证全指当日总成交金额)[19]。 7. **因子名称**：指数换手率[19] * **因子构建思路**：衡量指数成分股的整体交易活跃度[19]。 * **因子具体构建过程**：指数换手率 = Σ(成分股流通股本 * 成分股换手率) / Σ(成分股流通股本)[19]。 因子的回测效果 报告未提供基于历史数据的因子选股有效性回测结果（如IC、IR、多空收益等）。报告主要展示了各因子在**当前时点（2026年2月4日）** 的截面取值以及相对于自身历史的统计情况。 1. **风险溢价因子**[32] * 当前风险溢价：上证50 (1.13%)， 沪深300 (0.82%)， 中证500 (0.14%)， 中证1000 (-0.03%)， 中证2000 (0.10%)， 中证全指 (0.45%)， 创业板指 (-0.41%) * 近5年分位值：上证50 (88.57%)， 沪深300 (81.03%)， 中证500 (54.60%)， 中证1000 (45.24%)， 中证2000 (48.89%)， 中证全指 (67.86%)， 创业板指 (39.92%) 2. **PE-TTM因子**[43][45] * 当前值：上证50 (11.66)， 沪深300 (14.14)， 中证500 (37.72)， 中证1000 (50.52)， 中证2000 (169.35)， 中证全指 (22.38)， 创业板指 (43.10) * 近5年历史分位值：上证50 (82.73%)， 沪深300 (86.36%)， 中证500 (99.26%)， 中证1000 (99.17%)， 中证2000 (91.74%)， 中证全指 (98.76%)， 创业板指 (63.47%) 3. **股债性价比因子**[47] * 测试结果：没有指数高于其近5年80%分位（机会值），中证500和中证全指低于其近5年20%分位（危险值）[47]。 4. **股息率因子**[54][56] * 当前值：上证50 (3.23%)， 沪深300 (2.73%)， 中证500 (1.25%)， 中证1000 (1.00%)， 中证2000 (0.70%)， 中证全指 (1.93%)， 创业板指 (0.87%) * 近5年历史分位值：上证50 (31.90%)， 沪深300 (35.37%)， 中证500 (4.79%)， 中证1000 (23.64%)， 中证2000 (2.81%)， 中证全指 (26.28%)， 创业板指 (55.95%) 5. **破净率因子**[58] * 当前值：上证50 (24.0%)， 沪深300 (16.67%)， 中证500 (10.6%)， 中证1000 (6.6%)， 中证2000 (2.45%)， 中证全指 (5.42%) 6. **收益分布形态指标**[26] * 当前峰度（vs. 近5年）：上证50 (-1.86)， 沪深300 (-1.80)， 中证500 (-1.38)， 中证1000 (-1.51)， 中证2000 (-1.94)， 中证全指 (-1.76)， 创业板指 (-2.56) * 当前偏度（vs. 近5年）：上证50 (-0.52)， 沪深300 (-0.44)， 中证500 (-0.37)， 中证1000 (-0.43)， 中证2000 (-0.48)， 中证全指 (-0.46)， 创业板指 (-0.61) 7. **交易金额占比因子**[19] * 当前值：沪深300 (25.86%)， 中证2000 (21.38%)， 中证1000 (20.99%) 8. **指数换手率因子**[19] * 当前值：中证2000 (4.18)， 创业板指 (3.91)， 中证1000 (3.18)， 中证500 (2.41)， 中证全指 (2.08)， 沪深300 (0.8)， 上证50 (0.37)

量化模型与因子总结 量化因子与构建方式 1. **因子名称：连阴连阳因子**[12] * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来捕捉市场的短期趋势延续性[12]。 * **因子具体构建过程**：对于每个指数，从当前交易日开始向前回溯，若当日收益率为正，则连阳天数加1，连阴天数重置为0；若当日收益率为负，则连阴天数加1（以负数表示），连阳天数重置为0。计数值从1开始，连续状态中断时，该因子值为空[12]。 2. **因子名称：均线比较因子**[15][16] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，来判断指数当前的短期、中期和长期趋势强度及支撑压力位[15]。 * **因子具体构建过程**：首先计算指数收盘价的5日、10日、20日、60日、120日和250日简单移动平均线。然后计算收盘价相对于各均线的百分比偏离值，公式为： $$ vsMA = (Close - MA_n) / MA_n \times 100\% $$ 其中，`Close`代表当日收盘价，`MA_n`代表第n日的移动平均线值（如MA5, MA10等）[16]。该因子值直接反映了价格相对于均线的位置。 3. **因子名称：近250日高位/低位比较因子**[15][16] * **因子构建思路**：通过计算指数收盘价相对于过去250个交易日最高点和最低点的位置，来衡量指数处于长期波动区间中的相对位置，识别潜在的超买或超卖状态[15]。 * **因子具体构建过程**：首先计算过去250个交易日的最高价（`High_250`）和最低价（`Low_250`）。然后计算收盘价相对于这两个极值的百分比偏离，公式为： $$ vs近250日高位 = (Close - High\_250) / High\_250 \times 100\% $$ $$ vs近250日低位 = (Close - Low\_250) / Low\_250 \times 100\% $$ 其中，`Close`代表当日收盘价[16]。 4. **因子名称：收益分布形态因子（峰度与偏度）**[24][25] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，来刻画收益分布的尖峭程度和对称性，反映市场收益的尾部风险和极端收益情况[24]。 * **因子具体构建过程**： * **峰度**：计算近一定时期（如近一年）日收益率序列的峰度。报告中采用超额峰度，即在计算出的峰度值基础上减去正态分布的峰度值3，公式为： $$ 超额峰度 = \frac{1}{n} \sum_{i=1}^{n} \left( \frac{r_i - \bar{r}}{\sigma} \right)^4 - 3 $$ 其中，`n`为样本数，`r_i`为日收益率，`\bar{r}`为样本均值，`σ`为样本标准差[25]。正值表示分布比正态分布更尖峭（肥尾），负值表示更平缓。 * **偏度**：计算日收益率序列的偏度，公式为： $$ 偏度 = \frac{1}{n} \sum_{i=1}^{n} \left( \frac{r_i - \bar{r}}{\sigma} \right)^3 $$ 正值表示分布右偏（正收益极端值更多），负值表示左偏（负收益极端值更多）[25]。 5. **因子名称：风险溢价因子**[27][31] * **因子构建思路**：以十年期国债即期收益率作为无风险利率的代理变量，计算股票指数收益率与其之差，作为投资者因承担市场风险所要求的额外回报，用于衡量市场的相对投资价值和风险补偿[27]。 * **因子具体构建过程**：风险溢价定义为指数市盈率倒数（即盈利收益率）与十年期国债即期收益率之差。公式为： $$ 风险溢价 = \frac{1}{PE\_TTM} - R_f $$ 其中，`PE_TTM`为指数滚动市盈率，`R_f`为十年期国债即期收益率[31]。该因子值越高，代表股票相对债券的吸引力越大。 6. **因子名称：股债性价比因子**[46] * **因子构建思路**：与风险溢价因子思路一致，是风险溢价的另一种表述，通过观察其历史分位来判断当前股票资产相对于债券资产的估值吸引力[46]。 * **因子具体构建过程**：构建过程与风险溢价因子完全相同，即`1/PE_TTM`与十年期国债即期收益率之差[46]。报告中通过计算该差值在近5年历史数据中的分位值（如80%分位为机会值，20%分位为危险值）来进行判断。 7. **因子名称：滚动市盈率分位因子（PE-TTM分位值）**[39][42][44] * **因子构建思路**：将指数当前的滚动市盈率（PE-TTM）置于其历史时间序列中，计算其所处的百分位位置，以消除绝对值的影响，更纯粹地衡量估值在历史中的相对高低[39][42]。 * **因子具体构建过程**：首先获取指数在特定历史窗口（如近1年、近5年或全部历史）的每日PE-TTM时间序列。然后，将当前PE-TTM值与历史序列进行比较，计算其历史分位值。例如，近5年分位值90%表示当前PE-TTM值比过去5年中90%的时间都要高[44]。 8. **因子名称：股息率因子**[48][53] * **因子构建思路**：计算指数成分股现金分红回报率，用于跟踪红利投资风格，并在市场低迷或利率下行期作为衡量资产防御性和吸引力的指标[48]。 * **因子具体构建过程**：指数股息率通常通过汇总成分股过去12个月的总现金股息，再除以指数的总市值或价格来得到。报告中呈现了当前股息率及其在不同历史窗口（近1年、近5年等）的分位值[53]。 9. **因子名称：破净率因子**[54][57] * **因子构建思路**：计算指数中市净率小于1的个股数量占比，用以反映市场整体或特定板块的估值低迷程度和悲观情绪[54]。 * **因子具体构建过程**：对于指数中的每一个成分股，判断其市净率是否小于1。破净率因子即为市净率小于1的个股数量除以指数成分股总数量。公式为： $$ 破净率 = \frac{破净个股数}{指数成分股总数} \times 100\% $$ 该因子值越高，表明市场整体估值越低[57]。 因子的回测效果 *报告主要为市场数据跟踪和因子值展示，未提供基于这些因子的选股模型回测结果（如IC、IR、多空收益等）。以下为报告中给出的特定日期（2026年1月29日）各宽基指数在不同因子上的截面取值。* 1. **连阴连阳因子**：中证2000日K连阴2天，中证全指日K连阴2天，创业板指日K连阴2天，其他指数当日连阴连阳状态为空[12]。 2. **均线比较因子**：上证50收盘价高于MA5 1.6%，高于MA10 1.5%，高于MA20 0.6%；沪深300收盘价高于MA5 0.8%，高于MA10 0.7%，高于MA20 0.4%；中证500收盘价低于MA5 -0.4%，高于MA10 1.1%；中证1000收盘价低于MA5 -0.7%，高于MA10 0.2%；中证2000收盘价低于MA5 -1.6%，低于MA10 -0.9%；中证全指收盘价低于MA5 -0.2%，高于MA10 0.4%；创业板指收盘价低于MA5 -0.7%，低于MA10 -0.6%，低于MA20 -0.5%[16]。 3. **近250日高位比较因子**：上证50收盘价低于近250日高位-1.5%，沪深300为-0.8%，中证500为-1.0%，中证1000为-1.6%，中证2000为-3.2%，中证全指为-0.6%，创业板指为-2.5%[16]。 4. **收益分布形态因子**：当前峰度（vs. 近5年）：上证50 -1.81，沪深300 -1.78，中证500 -1.45，中证1000 -1.65，中证2000 -2.10，中证全指 -1.81，创业板指 -2.53；当前偏度（vs. 近5年）：上证50 -0.50，沪深300 -0.43，中证500 -0.38，中证1000 -0.46，中证2000 -0.51，中证全指 -0.47，创业板指 -0.60[25]。 5. **风险溢价因子**：当前值：上证50 1.64%，沪深300 0.75%，中证500 -0.98%，中证1000 -0.81%，中证2000 -1.22%，中证全指 -0.19%，创业板指 -0.58%；近5年分位值：上证50 94.21%，沪深300 79.52%，中证500 16.35%，中证1000 23.89%，中证2000 17.70%，中证全指 40.71%，创业板指 35.40%[31]。 6. **股债性价比因子**：所有指数当前值均未高于其近5年80%分位（机会值）；中证500和中证全指当前值低于其近5年20%分位（危险值）[46]。 7. **滚动市盈率分位因子**：近5年历史分位值：中证全指 99.92%，中证500 99.75%，沪深300 90.17%，上证50 85.87%，中证2000 91.24%，创业板指 62.89%，中证1000 99.67%[42][44]。 8. **股息率因子**：当前值：上证50 3.19%，沪深300 2.69%，中证500 1.21%，中证1000 0.99%，中证2000 0.71%，中证全指 1.90%，创业板指 0.87%；近5年历史分位值：创业板指 56.20%，沪深300 33.14%，上证50 30.91%，中证全指 25.12%，中证1000 23.55%，中证2000 2.81%，中证500 1.24%[53][55]。 9. **破净率因子**：当前值：上证50 24.0%，沪深300 16.67%，中证500 10.2%，中证1000 6.6%，中证2000 2.35%，中证全指 5.32%[57]。

量化模型与构建方式 1. **模型名称：A股技术打分模型**[2][9] * **模型构建思路**：通过挖掘技术面信息来刻画市场状态，并基于对当前状态的理解形成对未来走势的打分观点[2][9] * **模型具体构建过程**： 1. 将“市场状态”细分为价格、量能、波动、趋势和拥挤五个维度[9] 2. 在每个维度内筛选出有效的市场观测指标，共10个[9] 3. 每个指标独立发出多空择时信号[9] 4. 将10个指标的择时信号进行等权投票，综合形成一个介于-1至+1之间的打分结果[9] 5. 根据打分结果制定多空策略：得分 > +0.33时看多，得分在-0.33至+0.33之间时看平，得分 < -0.33时看空[11] 2. **模型名称：红利风格择时模型**[3][16] * **模型构建思路**：结合多个维度的趋势指标，对红利风格（以中证红利指数相对中证全指的收益率衡量）进行多空择时[3][16] * **模型具体构建过程**： 1. 选取三个择时指标： * 中证红利相对中证全指的动量（正向指标）[19] * 10Y-1Y期限利差（负向指标）[19] * 银行间质押式回购成交量（正向指标）[19] 2. 每个指标从趋势维度日频发出信号，取值为0（看平）、+1（看多）、-1（看空）[16] 3. 将三个维度的得分求和，根据其正负性作为最终多空观点[16] 4. 当模型看好红利风格时，全仓持有中证红利指数；不看好时，全仓持有中证全指[16] 3. **模型名称：大小盘风格择时模型**[3][20] * **模型构建思路**：采用基于拥挤度分域的趋势模型进行择时，在不同拥挤度区间采用不同参数的趋势跟踪策略[3][20] * **模型具体构建过程**： 1. **计算拥挤度**：以沪深300指数代表大盘，万得微盘股指数代表小盘[20] * **动量得分**：计算小盘与大盘的10/20/30/40/50/60日动量之差，再计算各窗长动量之差在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘动量得分，分位数最低的3个结果取均值作为大盘动量得分[25] * **成交量得分**：计算小盘与大盘的10/20/30/40/50/60日成交额之比，再计算各窗长成交额之比在3.0/3.5/4.0/4.5/5.0年历史分位数的均值。对6个窗长下分位数最高的3个结果取均值作为小盘成交量得分，分位数最低的3个结果取均值作为大盘成交量得分[25] * **拥挤度得分**：将小盘（大盘）的动量得分和成交量得分取均值，得到小盘（大盘）拥挤度得分。小盘拥挤度得分大于90%视为触发高拥挤，大盘拥挤度得分小于10%视为触发高拥挤[25] 2. **判断运行区间**：若最近20个交易日中，小盘或大盘风格曾触发过高拥挤，则模型运行在高拥挤区间，否则运行在低拥挤区间[22] 3. **趋势择时**：在高拥挤区间，采用参数较小的双均线模型以应对可能的风格反转；在低拥挤区间，采用参数较大的双均线模型以跟踪中长期趋势[22] 4. **模型名称：遗传规划行业轮动模型**[4][28] * **模型构建思路**：采用遗传规划技术，直接对行业指数的量价、估值等特征进行因子挖掘，不再依赖人工设计打分规则，以构建行业轮动策略[4][32] * **模型具体构建过程**： 1. **因子挖掘**：使用双目标遗传规划（NSGA-II算法）对底层输入变量进行挖掘[32]。底层变量包括收盘价、开盘价、最高价、最低价、成交额、换手率、市净率等原始值、标准化值及分位数[37] 2. **因子评价**：同时使用|IC|（信息系数绝对值）和NDCG@5两个目标来评价因子的分组单调性和多头组表现，旨在挖掘出兼具单调性和优秀多头表现的因子[32] 3. **因子合成**：对挖掘得到的备选因子，结合贪心策略和方差膨胀系数（VIF），将共线性较弱的多个因子合成为行业综合得分[34] 4. **组合构建**：模型周频调仓，每周末选出多因子综合得分最高的五个行业进行等权配置[4][28] 5. **模型名称：中国境内全天候增强组合**[5][39] * **模型构建思路**：采用宏观因子风险预算框架，在四象限风险平价的基础上，基于宏观预期动量的观点主动超配看好的象限，以实现风险分散下的收益增强[5][39] * **模型具体构建过程**： 1. **宏观象限划分与资产选择**：选择增长和通胀两个宏观维度，根据是否超预期划分为四个象限（增长超预期、增长不及预期、通胀超预期、通胀不及预期）。结合定量与定性方式确定各象限适配的资产[42] 2. **象限组合构建与风险度量**：在每个象限内，将适配的资产等权构建子组合，并注重刻画象限的下行风险[42] 3. **风险预算与主动超配**：每月底，根据由“宏观预期动量指标”给出的“象限观点”来调整各象限的风险预算，从而主动超配看好的象限，实现策略增强[42] 量化因子与构建方式 1. **因子名称：技术面观测指标（10个）**[9][14] * **因子构建思路**：从价格、量能、波动、趋势、拥挤五个维度选取有效的技术指标，用于刻画市场状态[9] * **因子具体构建过程**：报告中列出了10个具体指标，包括： * **价格维度**：20日布林带、20日价格乖离率[14] * **量能维度**：20日换手乖离率、60日换手乖离率[14] * **趋势维度**：20日ADX、20日新高天数占比[14] * **波动维度**：60日换手率波动、期权隐含波动率[14] * **拥挤维度**：成分股涨停家数占比5日平均、期权持仓量PCR-5日平均[14] 2. **因子名称：遗传规划挖掘的权重最高因子**[37][38] * **因子构建思路**：通过双目标遗传规划算法从量价数据中自动挖掘出的有效行业轮动因子[37] * **因子具体构建过程**： 1. 在截面上，用全体行业标准化日度成交额对当日跳空缺口开展带有常数项的一元线性回归，取残差，记作变量A[38] 2. 在过去9个交易日中，取标准化日度成交额最大的交易日索引，记作变量B[38] 3. 在过去50个交易日中，将变量A和B开展时序回归取截距项，记作变量C[38] 4. 计算过去45个交易日变量C和标准化月度开盘价的协方差，作为因子值[38] * **因子表达式**：`ts_covariance_torch(ts_regalpha_torch(xs_regres_torch(volume_st, jump_gap), ts_argmax_torch(volume_st, 9), 50), mopen_st, 45)`[37] 模型的回测效果 （回测区间：2010-01-04 至 2026-01-23，除非特别说明） 1. **A股技术打分模型**，年化收益20.78%，年化波动17.32%，最大回撤-23.74%，夏普比率1.20，Calmar比率0.88[15] 2. **红利风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益16.82%，最大回撤-25.52%，夏普比率0.92，Calmar比率0.66，YTD收益7.46%，上周收益1.77%[17] 3. **大小盘风格择时模型**（回测区间：2017-01-03 至 2026-01-23），年化收益28.46%，最大回撤-32.05%，夏普比率1.19，Calmar比率0.89，YTD收益11.85%，上周收益5.25%[26] 4. **遗传规划行业轮动模型**（回测区间：2022-09-30 至 2026-01-23），年化收益32.92%，年化波动17.43%，夏普比率1.89，最大回撤-19.63%，卡玛比率1.68，上周表现3.37%，YTD收益6.80%[31] 5. **中国境内全天候增强组合**（回测区间：2013-12-31 至 2026-01-23），年化收益11.93%，年化波动6.20%，夏普比率1.92，最大回撤-6.30%，卡玛比率1.89，上周表现1.54%，YTD收益3.59%[43] 因子的回测效果 （回测区间：2010-01-04 至 2026-01-23，起始日期不同者已标注） 1. **20日价格乖离率**，年化收益13.24%，年化波动23.52%，最大回撤-42.04%，夏普比率0.56，Calmar比率0.32[15] 2. **布林带**（回测起始：2015-04-09），年化收益14.82%，年化波动24.68%，最大回撤-31.45%，夏普比率0.60，Calmar比率0.47[15] 3. **20日换手率乖离率**，年化收益13.06%，年化波动23.53%，最大回撤-38.79%，夏普比率0.56，Calmar比率0.34[15] 4. **60日换手率乖离率**，年化收益17.89%，年化波动23.52%，最大回撤-29.57%，夏普比率0.76，Calmar比率0.61[15] 5. **20日ADX**，年化收益15.33%，年化波动23.52%，最大回撤-52.27%，夏普比率0.65，Calmar比率0.29[15] 6. **20日创新高占比**，年化收益8.75%，年化波动16.11%，最大回撤-32.44%，夏普比率0.54，Calmar比率0.27[15] 7. **期权隐含波动率**（回测起始：2015-03-30），年化收益11.91%，年化波动24.69%，最大回撤-50.95%，夏普比率0.48，Calmar比率0.23[15] 8. **60日换手率波动**，年化收益11.58%，年化波动14.27%，最大回撤-20.60%，夏普比率0.81，Calmar比率0.56[15] 9. **5日涨停占比平均**，年化收益14.15%，年化波动23.52%，最大回撤-34.98%，夏普比率0.60，Calmar比率0.40[15] 10. **5日持仓量PCR平均**，年化收益4.55%，年化波动23.55%，最大回撤-55.73%，夏普比率0.19，Calmar比率0.08[15]

报告核心观点 - 报告提出一个高维宏观周期识别框架，通过将经济景气、通胀、利率、库存、信用五个维度的宏观变量进行升维处理，以更精准地驱动宽基指数择时、风格与行业轮动 [1][8][9] - 核心结论是，在当前经济景气下行、通胀细分项下行的宏观环境下，看好小盘和红利风格 [1][3] - 报告基于历史回测数据，为宽基指数择时、红利指数配置及风格轮动提供了具体的量化策略和配置建议 [3][27][37][50] 宏观周期识别框架构建 - 传统单一经济周期（如美林时钟）稳定性较差，对股市的短期预测效用有限，因此需要构建多维度框架 [8][9] - 报告同时考虑经济景气、通胀、利率、库存、信用五个维度的指标，以改善单一维度判断不稳定的问题 [9] - 宏观因子构建时，采用单边HP滤波器消除短期波动，并综合宏观变量的边际变化与其所处的时序百分位状态进行升维分析 [2] 当前宏观状态分析 - 截至2025年12月31日，宏观经济整体处于弱复苏态势，整体指标分位由72%降至61% [17] - 通胀整体保持低位下行，能源价格环比下跌2.8% [19] - 流动性条件维持中位上行，资金面延续宽松 [19] - 信用环境维持中位下行，综合指标由50%下降至47.22%，但M2同比增速与社会融资规模存量同比微升 [19] - 库存指标分位由41.67%上升至57.28%，转为中位上行，显示企业去库存周期可能即将结束 [19] 宽基指数择时策略 - 构建了基于流动性+库存、流动性+信用子策略的中证全指择时策略，当任一子策略预测值高于阈值0.6时做多 [27] - 策略自2012年1月末至2025年12月31日，年化收益达16.20%，相对中证全指超额收益10.26% [3][30] - 当前库存指标转为中位上行，流动性维持中位上行，报告建议对中证全指的配置可提升至中性偏积极 [30] - 历史数据显示，当库存处于中等向上水平时，中证全指上涨概率最高，达73.83% [3][34] 红利指数择时策略 - 构建了基于通胀+库存、库存+信用子策略的红利指数择时策略，当预测均值高于阈值0.6时做多 [37] - 策略自2012年1月末至2025年12月31日，年化收益为10.78%，相对红利指数超额收益8.42% [3][37] - 当前通胀指标转为低位下行，库存指标转为中位上行，考虑到通胀指标的衰减，报告将红利指数配置建议下调为中性观察 [37] 风格轮动策略 - 筛选出通胀+库存、通胀+信用两个有效的宏观因子组合用于风格轮动预测，每月等权配置预测值排名前二的风格指数 [44][50] - 策略自2014年9月30日至2025年12月31日，年化收益为14.15%，相对风格等权组合超额收益6.08% [3][50][58] - 根据最新数据，在当前通胀低位下行、库存中位上行、信用高位下行的阶段，策略推荐配置红利与绩优风格 [3][60] - 敏感性分析显示，在通胀低位下行状态下，对小盘和红利风格更为有利 [24]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：风险溢价因子**[25] * **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，用于衡量其相对投资价值和偏离情况[25]。 * **因子具体构建过程**：风险溢价的计算公式为指数的预期收益率（通常用市盈率倒数或股息率等指标近似）减去无风险利率。报告中直接给出了各指数的“当前风险溢价”值，其计算逻辑为：风险溢价 = 指数收益率（或估值隐含收益率） - 十年期国债即期收益率[25][26][27]。 2. **因子名称：股债性价比因子**[44] * **因子构建思路**：以各指数市盈率（PE-TTM）的倒数和十年期国债即期收益率之差构建股债性价比指标，用于比较股票与债券资产的相对吸引力[44]。 * **因子具体构建过程**：股债性价比 = (1 / 指数PE-TTM) - 十年期国债即期收益率[44]。报告通过图表展示了该因子的历史走势，并设置了基于近5年数据的80分位值（机会值）和20分位值（危险值）作为参考阈值[44]。 3. **因子名称：股息率因子**[46] * **因子构建思路**：股息率反映现金分红回报率，是红利投资风格的核心指标。在市场低迷或利率下行期，高股息资产因其稳定的现金流和较低的估值而具备防御性[46]。 * **因子具体构建过程**：股息率 = 年度现金分红总额 / 总市值。报告直接列出了各宽基指数的当前股息率数值[51]。 4. **因子名称：破净率因子**[52] * **因子构建思路**：破净率表示市净率小于1的个股数量占比，用于反映市场整体的估值态度和悲观程度。破净率越高，表明市场低估情况越普遍；反之，则可能表明市场对未来发展持乐观态度[52][54]。 * **因子具体构建过程**：破净率 = (指数成分股中市净率小于1的个股数量) / (指数成分股总数量)。报告直接给出了各宽基指数的当前破净率数值[55]。 5. **因子名称：均线偏离因子**[13] * **因子构建思路**：通过计算指数收盘价与不同周期移动平均线（MA）的偏离程度，来评估指数的短期趋势强度、超买超卖状态以及距离支撑位的远近[13]。 * **因子具体构建过程**：计算指数收盘价相对于各条移动平均线（如MA5, MA10, MA20, MA60, MA120, MA250）的百分比偏离。计算公式为：$$ vsMA_N = (Close / MA_N - 1) \times 100\% $$，其中 $$ Close $$ 为当日收盘价，$$ MA_N $$ 为N日移动平均线[13]。报告在表格中直接列出了各指数相对于不同周期均线的偏离百分比[13]。 6. **因子名称：收益分布形态因子（偏度与峰度）**[21][23] * **因子构建思路**：通过计算指数日收益率分布的偏度和超额峰度，来刻画收益分布的不对称性和尖峰厚尾特征，从而评估市场极端收益出现的可能性和分布集中度[21][23]。 * **因子具体构建过程**： * **偏度**：衡量分布的不对称性。正偏态表示极端正收益情形增加，负偏态反之[21]。 * **峰度**：报告中计算的是超额峰度（峰度值减去了正态分布的峰度3），用于衡量分布相比正态分布的尖峰或平峰程度。峰度越大（正值），说明收益率分布更集中，尾部更厚；负值则说明分布更平缓[23]。 报告通过对比“当前值”与“近5年”历史值，来分析分布形态的近期变化[23]。 模型的回测效果 *本报告为市场数据跟踪报告，主要展示各类因子的当前状态和历史分位值，并未涉及基于这些因子构建投资组合模型并进行历史回测，因此无模型回测效果数据。* 因子的回测效果 *本报告未提供基于单因子或多因子组合进行选股或择时的历史回测绩效指标（如年化收益率、夏普比率、信息比率IR、最大回撤等）。报告主要呈现的是各因子在特定时点（2026年1月6日）的截面数据、历史分位值以及近期统计特征（如均值、波动率）。* **各因子在报告基准日（2026年1月6日）的取值与统计特征如下：** 1. **风险溢价因子**[29] * **当前值**：上证50 (1.90%)， 沪深300 (1.54%)， 中证500 (2.12%)， 中证1000 (1.42%)， 中证2000 (1.21%)， 中证全指 (1.58%)， 创业板指 (0.74%) * **近5年分位值**：上证50 (96.19%)， 沪深300 (93.97%)， 中证500 (97.30%)， 中证1000 (87.54%)， 中证2000 (81.27%)， 中证全指 (93.33%)， 创业板指 (70.63%) * **近1年波动率**：上证50 (0.84%)， 沪深300 (0.96%)， 中证500 (1.28%)， 中证1000 (1.41%)， 中证2000 (1.61%)， 中证全指 (1.14%)， 创业板指 (1.84%) 2. **PE-TTM估值因子**[40][42] * **当前值**：上证50 (12.13)， 沪深300 (14.53)， 中证500 (35.49)， 中证1000 (48.34)， 中证2000 (162.84)， 中证全指 (22.16)， 创业板指 (43.01) * **近5年历史分位值**：上证50 (90.58%)， 沪深300 (92.23%)， 中证500 (99.92%)， 中证1000 (99.67%)， 中证2000 (89.50%)， 中证全指 (99.92%)， 创业板指 (62.73%) * **近1年波动率**：上证50 (0.49)， 沪深300 (0.76)， 中证500 (2.52)， 中证1000 (4.30)， 中证2000 (28.71)， 中证全指 (1.50)， 创业板指 (4.99) 3. **股息率因子**[51] * **当前值**：上证50 (3.05%)， 沪深300 (2.64%)， 中证500 (1.33%)， 中证1000 (1.05%)， 中证2000 (0.74%)， 中证全指 (1.94%)， 创业板指 (0.93%) * **近5年历史分位值**：上证50 (30.00%)， 沪深300 (31.65%)， 中证500 (10.58%)， 中证1000 (27.19%)， 中证2000 (5.21%)， 中证全指 (27.60%)， 创业板指 (57.93%) * **近1年波动率**：上证50 (0.44%)， 沪深300 (0.42%)， 中证500 (0.21%)， 中证1000 (0.15%)， 中证2000 (0.12%)， 中证全指 (0.32%)， 创业板指 (0.16%) 4. **破净率因子**[55] * **当前值**：上证50 (24.0%)， 沪深300 (16.33%)， 中证500 (10.2%)， 中证1000 (7.7%)， 中证2000 (3.1%)， 中证全指 (5.92%) 5. **均线偏离因子**[13] * **vsMA5偏离百分比**：上证50 (2.8%)， 沪深300 (2.2%)， 中证500 (3.3%)， 中证1000 (2.4%)， 中证2000 (2.0%)， 中证全指 (2.4%)， 创业板指 (1.9%) * **vsMA250偏离百分比**：上证50 (12.9%)， 沪深300 (15.3%)， 中证500 (23.2%)， 中证1000 (17.9%)， 中证2000 (18.9%)， 中证全指 (17.7%)， 创业板指 (33.8%) 6. **收益分布形态因子**[23] * **当前峰度（超额）**：上证50 (0.01)， 沪深300 (0.55)， 中证500 (0.81)， 中证1000 (1.48)， 中证2000 (1.32)， 中证全指 (0.93)， 创业板指 (1.01) * **当前偏度**：上证50 (1.32)， 沪深300 (1.52)， 中证500 (1.55)， 中证1000 (1.68)， 中证2000 (1.69)， 中证全指 (1.61)， 创业板指 (1.56) * **当前vs近5年峰度变化**：上证50 (-2.06)， 沪深300 (-1.85)， 中证500 (-2.18)， 中证1000 (-1.26)， 中证2000 (-1.51)， 中证全指 (-1.90)， 创业板指 (-2.74)

全球投资与指数基金 - 不同地区股票市场并非同涨同跌 了解多个市场可把握更多投资机会 [2] - 进行全球投资可以显著降低投资组合的波动风险 [2] - 通过指数基金是投资全球股市 分享全球市场长期上涨红利的一种方法 [2][3] A股宽基指数构成关系 - 中证800指数包含A股规模最大的第1至800只股票 [5] - 中证1000指数包含A股规模最大的第801至1800只股票 [5] - 中证2000指数包含A股规模最大的第1801至3800只股票 [5] - 中证800、中证1000与中证2000三个指数合计覆盖的股票 已达到中证全指90%以上的比例 [6] - A股剩余近2000只更小规模股票 在整体市值中合计占比仅为百分之几 [6] - 基于中证800、中证1000与中证2000指数基金构建的全市场投顾组合 其效果与投资中证全指非常接近 [6][7]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：连阴连阳天数因子**[12] * **因子构建思路**：通过计算指数K线连续为阴线或阳线的天数，来捕捉市场的短期趋势延续性[12]。 * **因子具体构建过程**：从指定起始日开始，逐日判断指数收盘价相对于前一日收盘价的涨跌。若当日上涨，则连阳天数计数器加1，连阴天数计数器清零；若当日下跌，则连阴天数计数器加1（以负数表示），连阳天数计数器清零。最终输出一个带符号的整数，正数表示连阳天数，负数表示连阴天数[12]。 2. **因子名称：指数相对均线位置因子**[15][16] * **因子构建思路**：通过比较指数收盘价与不同周期移动平均线（MA）的位置关系，判断指数短期、中期和长期的趋势强度及突破状态[15][16]。 * **因子具体构建过程**：首先计算指数收盘价的5日、10日、20日、60日、120日和250日简单移动平均线（MA）。然后计算收盘价相对于各均线的百分比偏离度。公式为： $$相对均线位置 = \frac{收盘价 - 移动平均线}{移动平均线} \times 100\%$$ 例如，`vsMA5` 表示收盘价相对于5日均线的偏离百分比[16]。 3. **因子名称：指数换手率因子**[18] * **因子构建思路**：通过计算指数成分股的加权平均换手率，衡量整个指数的交易活跃度[18]。 * **因子具体构建过程**：对指数内所有成分股，以其流通股本为权重，对个股换手率进行加权平均。公式为： $$指数换手率 = \frac{\sum (成分股流通股本 \times 成分股换手率)}{\sum (成分股流通股本)}$$ 该值直接反映了指数整体的交易活跃程度[18]。 4. **因子名称：收益分布形态因子（峰度与偏度）**[24][26] * **因子构建思路**：通过计算指数日收益率分布的峰度和偏度，刻画收益分布的尖峰肥尾特征和不对称性，以衡量极端风险和收益偏向[24][26]。 * **因子具体构建过程**：基于指数在过去一段时间（如近5年）的日收益率序列，计算其峰度（Kurtosis）和偏度（Skewness）。报告中采用的峰度为超额峰度（Excess Kurtosis），即在计算出的峰度值基础上减去正态分布的峰度值3。公式分别为： $$样本偏度 = \frac{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^3}{[\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2]^{3/2}}$$ $$样本峰度 = \frac{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^4}{[\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2]^{2}} - 3$$ 其中，$r_i$ 为日收益率，$\bar{r}$ 为收益率均值，$n$ 为样本数[26]。 5. **因子名称：风险溢价因子**[28][32] * **因子构建思路**：以指数预期收益率与无风险利率（十年期国债即期收益率）之差作为风险溢价，衡量投资权益资产相对于无风险资产的超额回报补偿[28][32]。 * **因子具体构建过程**：风险溢价通常基于估值模型（如股息贴现模型）或历史均值估算。报告中展示的是当前风险溢价及其历史分位值。其核心计算可简化为： $$风险溢价 ≈ 指数预期收益率 - 无风险利率$$ 报告中进一步计算了当前风险溢价在近1年和近5年历史序列中的分位值，以及相对于历史均值加减1倍、2倍标准差的偏离程度[32]。 6. **因子名称：PE-TTM估值因子**[40][43][44] * **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值指标，并通过其历史分位值判断当前估值水平的高低[40][43]。 * **因子具体构建过程**：计算指数总市值与其成分股过去12个月（TTM）净利润总和的比值，得到PE-TTM。公式为： $$PE-TTM = \frac{指数总市值}{\sum(成分股过去12个月净利润)}$$ 然后，将当前PE-TTM值放入其近1年、近5年或全部历史数据序列中，计算其所处的百分比分位值[44]。 7. **因子名称：股债性价比因子**[47] * **因子构建思路**：将股票资产的潜在收益率（用PE-TTM的倒数，即盈利收益率代表）与债券收益率（十年期国债即期收益率）进行比较，以判断股票相对于债券的吸引力[47]。 * **因子具体构建过程**：计算指数的盈利收益率与十年期国债收益率之差。公式为： $$股债性价比 = \frac{1}{PE-TTM} - 十年期国债即期收益率$$ 该差值越大，表明股票相对于债券的性价比越高[47]。 8. **因子名称：股息率因子**[49][54] * **因子构建思路**：通过指数成分股现金分红回报率，衡量指数的红利收益水平，适用于红利投资风格分析[49]。 * **因子具体构建过程**：计算指数成分股过去12个月现金分红总额与指数总市值的比值。公式为： $$股息率 = \frac{\sum(成分股过去12个月现金分红总额)}{指数总市值} \times 100\%$$ 同样，报告中也计算了当前股息率在近1年、近5年等历史序列中的分位值[54]。 9. **因子名称：破净率因子**[55][58] * **因子构建思路**：通过计算指数中市净率（PB）小于1的个股占比，反映市场整体的低估或悲观程度[55][58]。 * **因子具体构建过程**：遍历指数所有成分股，判断其市净率（股价/每股净资产）是否小于1。统计破净个股数量，并计算其占指数总成分股数量的比例。公式为： $$破净率 = \frac{破净个股数量}{指数成分股总数量} \times 100\%$$ 该比率越高，表明市场整体估值越低，悲观情绪可能越浓[58]。 因子的回测效果 （注：本报告主要为市场数据跟踪与因子现状展示，未提供基于历史数据的统一回测绩效指标（如年化收益率、夏普比率、信息比率IR等）。报告中的“测试结果”主要表现为各因子在特定截止日（2025年12月17日）的截面取值或状态描述。） 1. **连阴连阳天数因子**：截至2025年12月17日，中证500和创业板指为4连阳，中证1000为3连阴，中证2000为2连阴[12]。 2. **指数相对均线位置因子**：截至2025年12月17日，除中证1000和中证2000外，其余指数收盘价均高于其5日及20日均线；创业板指是唯一高于60日均线的指数[15][16]。 3. **指数换手率因子**：截至2025年12月17日，中证2000换手率最高（3.88），上证50换手率最低（0.23）[18]。 4. **收益分布形态因子**：截至报告期，创业板指峰度负偏离近5年水平最大（-2.43），中证1000最小（-1.56）；上证50和创业板指负偏态最大（均为-0.60），中证1000和中证2000最小（均为-0.40）[24][26]。 5. **风险溢价因子**：截至2025年12月17日，创业板指风险溢价近5年分位值最高（97.14%），中证2000最低（69.05%）；当前风险溢价均超过近1年均值加1倍标准差，其中创业板指超出最多（1.39%）[30][32]。 6. **PE-TTM估值因子**：截至2025年12月17日，中证500近5年分位值最高（95.04%），创业板指最低（57.69%）；当前PE-TTM普遍高于近1年均值减1倍标准差[43][44]。 7. **股债性价比因子**：截至报告期，没有指数高于其近5年80%分位（机会值），中证500低于其近5年20%分位（危险值）[47]。 8. **股息率因子**：截至2025年12月17日，创业板指近5年分位值最高（63.22%），中证500最低（24.55%）；当前股息率普遍低于近1年均值[52][54]。 9. **破净率因子**：截至报告期，上证50破净率最高（22.0%），中证2000最低（3.8%），创业板指未提供数据[58]。

文章核心观点 - 中美股票市场的长期业绩和行业结构差异被高估，A股长期业绩并不显著落后于美股，且中国权益资产的行业分布正快速向科技转型，与美股日益贴近[4][6][12] - A股市场与美股的核心差异在于波动率过高，这严重影响了投资者的投资体验和最终获得感[21][22][23] - 通过配置中证A500、恒生科技和恒生消费指数（比例约80%：10%：10%）的组合，可以更好地表征和捕捉中国权益资产的整体表现[19][20] - 监管层近期一系列旨在引入长期资金、规范机构行为的政策，有望系统性降低A股市场波动率，改善未来投资宽基指数的体验[25][27] A股与美股长期业绩对比 - 自2005年至2025年12月5日，标普500全收益指数上涨748.25%，年化回报10.72%；沪深300全收益指数上涨574.74%，年化回报9.52%，两者年化回报差距约1.2%[7] - 同期，代表A股整体表现的中证全指上涨678.39%，年化回报10.27%，与标普500的年化收益差距缩小至仅0.45%[9] - 期间标普500的市盈率估值提升约50%，而沪深300和中证全指的起点与终点估值基本不变，意味着剔除估值影响后，A股上市公司的整体成长性高于美股[9][11] 中美上市公司行业分布对比与演变 - 标普500指数中，信息技术和通讯服务行业合计权重占比高达45.3%，金融行业权重为13.1%[13] - 沪深300指数中，信息技术和通讯服务合计权重为22%，金融行业权重为23.1%，传统行业占比仍较高[16] - 但若考虑全部中国内地权益资产（包括A股及港股上市的内地公司），信息技术和通讯服务合计权重占比高达30.2%，金融行业权重降至10.1%，信息技术已成为第一大行业，结构与美股更为贴近[15][18] - 中国权益资产在制造业（工业+材料）的合计权重占比为28.3%，显著高于标普500的9.7%，体现了中国的制造业优势[18] - 中证全指的信息技术+通讯服务行业权重从2011年底的不足8%，增长至当前（文章发布时）的25%以上，反映了中国经济的快速转型[18] 如何配置以捕捉中国权益资产整体表现 - A股部分建议配置中证A500指数，其采用行业均衡编制方法，大类行业分布与中证全指非常贴近，相比沪深300减少了在传统行业的暴露度[19] - 港股部分建议搭配恒生科技和恒生消费指数，以覆盖未在A股上市的头部中国资产[20] - 建议将中证A500、恒生科技和恒生消费三个指数按约80%：10%：10%的比例进行组合配置，以更好地表征中国权益资产整体[20] A股市场高波动率问题与改善前景 - 中国权益资产的波动率水平明显高于美股，导致投资者容易追涨杀跌，且投资回报分布极不均匀（主要集中于几轮短期牛市），最终投资获得感远不及美股[22][23] - 改善A股投资体验的核心在于降低市场波动率水平，而非单纯提振上市公司基本面或发展高科技[23] - 监管层近一两年推行了一系列旨在降低市场波动的政策措施，包括国家队在底部托底、促进险资及养老金入市、严格考核公募基金相对基准的超额收益、重视基金持有人盈利体验等[25] - 这些措施旨在通过引入长期资金和规范机构行为来稳定市场，预计将推动宽基指数波动率逐渐下降，从而改善未来投资宽基指数的获得感[25][27]

量化模型与构建方式 量化模型 1. **模型名称**：TimeMixer改进的机器学习选股模型[37][38] **模型构建思路**：在GBDT和NN模型族基础上，通过多目标、多模型融合策略进行改进，将GRU的hidden层输出与其他弱因子一同输入LightGBM进行集成，以提升模型表现[37][38] **模型具体构建过程**：首先对LightGBM和GRU模型进行精细调优，然后将GRU模型的隐藏层输出（hidden）连同其他弱因子作为输入特征，使用LightGBM模型进行集成学习，从而在GRU的基础上实现稳健提升[38] 2. **模型名称**：热门概念指数轮动策略[4][39][44] **模型构建思路**：基于TimeMixer机器学习模型生成个股Alpha因子，将其聚合到Wind热门概念指数上形成指数层面的因子信号，再构建指数轮动策略[4][39][44] **模型具体构建过程**：首先在个股层面开发Alpha因子，由于Wind热门概念指数采用等权重编制，按照指数成分股等权加权方式将个股Alpha因子聚合至各类热门概念指数，形成指数层面的因子信号，每周选择模型得分最高的10个概念指数进行等权配置[4][44] 3. **模型名称**：基于热点概念指数轮动效应的Alpha股票组合策略[5][64] **模型构建思路**：为提升策略可操作性，在概念指数轮动策略的基础上，从成分股中筛选更具代表性的少量标的构建投资组合[5][64] **模型具体构建过程**：基于周度策略的指数信号，在其成分股中按基于TimeMixer改进的机器学习模型Alpha因子排名，选出前20只股票等权构建投资组合[5][64] 4. **模型名称**：基于热门概念指数轮动效应的龙头股组合策略[6][69][70] **模型构建思路**：使用自由现金流率因子从热门概念指数成分股中筛选出龙头企业构建投资组合[6][69][70] **模型具体构建过程**：在每周的概念指数构成的成分股组合里，挑选出自由现金流率最大的2只股票等权构建组合[6][70] 量化因子 1. **因子名称**：月度动量因子[3][23] **因子构建思路**：评估Wind热门概念指数是否具备月度动量特征[3][23] **因子具体构建过程**：计算热门概念指数的月度收益率作为动量因子值[3][23] **因子评价**：因子表现一般，IC值较低，单调性弱于周度因子[3][23][31] 2. **因子名称**：周度动量因子[3][23] **因子构建思路**：评估Wind热门概念指数是否具备周度动量特征[3][23] **因子具体构建过程**：计算热门概念指数的周度收益率作为动量因子值[3][23] **因子评价**：因子表现略优于月度动量因子，但整体效果仍相对有限[3][23][31] 3. **因子名称**：TimeMixer改进的机器学习选股因子[43] **因子构建思路**：将TimeMixer改进的GRU+LSTM机器学习模型应用到中证全指上生成选股Alpha因子[43] **因子具体构建过程**：使用TimeMixer改进的机器学习模型对中证全指成分股进行预测，生成个股的Alpha因子值[43] 4. **因子名称**：TimeMixer改进的机器学习概念指数因子[4][44] **因子构建思路**：将个股Alpha因子聚合到Wind热门概念指数上形成指数层面的因子[4][44] **因子具体构建过程**：由于Wind热门概念指数均为等权重指数，按照指数成分股等权加权方式将个股Alpha因子聚合到概念指数上[4][44] 5. **因子名称**：自由现金流率因子[6][70][72] **因子构建思路**：使用自由现金流与企业价值之比来识别龙头企业[6][70][72] **因子具体构建过程**：计算自由现金流率FCF2EV，公式为FCF/EV，其中自由现金流FCF = (1-t) * EBIT + 折旧摊销 - CapEx - 净运营变化，企业价值EV = 市值 + 总负债 – 货币资金[70] **因子评价**：自由现金流率高的企业抗风险能力强，能更真实地反映企业的盈利质量与资金状况，该因子偏向价值和大市值风格特征[6][72][75] 模型的回测效果 1. **TimeMixer改进的机器学习选股模型**[43][46] **IC均值**：10.68%[46] **多头年化收益率**：45.42%[46] **多头最大回撤率**：18.32%[46] **多头Sharpe比率**：1.91[46] **多头信息比率**：3.66[46] **多空年化收益率**：113.37%[46] **多空最大回撤率**：6.65%[46] **多空Sharpe比率**：7.69[46] **多空信息比率**：2.66[46] 2. **基于TimeMixer的热门概念指数轮动策略**[4][51][52] **年化收益率**：27.53%[52] **年化波动率**：20.58%[52] **Sharpe比率**：1.34[52] **最大回撤率**：26.23%[52] **年化超额收益率（相对中证全指）**：18.06%[52] **年化超额收益率（相对热门概念等权）**：9.02%[52] **跟踪误差（相对中证全指）**：10.46%[52] **跟踪误差（相对热门概念等权）**：11.92%[52] **信息比率（相对中证全指）**：1.73[52] **信息比率（相对热门概念等权）**：0.76[52] **超额最大回撤（相对中证全指）**：9.97%[52] **超额最大回撤（相对热门概念等权）**：21.74%[52] 3. **基于热点概念指数轮动效应的Alpha股票组合策略**[5][64][65] **年化收益率**：21.82%[65] **年化波动率**：16.77%[65] **Sharpe比率**：1.30[65] **最大回撤率**：24.19%[65] **年化超额收益率**：11.34%[65] **跟踪误差**：14.36%[65] **信息比率**：0.79[65] **超额最大回撤率**：22.87%[65] **周度双边换手率**：88.71%[65] 4. **基于热门概念指数轮动效应的龙头股组合策略**[6][70][71][73] **年化收益率**：30.27%[71] **年化波动率**：12.82%[71] **Sharpe比率**：1.61[71] **最大回撤率**：24.73%[71] **年化超额收益率（相对中证全指）**：20.63%[71] **年化超额收益率（相对热门概念等权）**：11.52%[71] **跟踪误差（相对中证全指）**：12.82%[73] **跟踪误差（相对热门概念等权）**：13.10%[73] **信息比率（相对中证全指）**：1.61[73] **信息比率（相对热门概念等权）**：0.88[73] **超额最大回撤（相对中证全指）**：21.65%[73] **超额最大回撤（相对热门概念等权）**：21.02%[73] 因子的回测效果 1. **月度动量因子**[23][26] **IC均值**：1.35%[26] **多头年化收益率**：22.17%[26] **多头最大回撤率**：38.91%[26] **多头Sharpe比率**：0.80[26] **多头信息比率**：0.36[26] **多空年化收益率**：11.13%[26] **多空最大回撤率**：29.07%[26] **多空Sharpe比率**：0.51[26] **多空信息比率**：-0.31[26] 2. **周度动量因子**[23][26] **IC均值**：2.38%[26] **多头年化收益率**：24.03%[26] **多头最大回撤率**：32.41%[26] **多头Sharpe比率**：0.93[26] **多头信息比率**：0.53[26] **多空年化收益率**：12.21%[26] **多空最大回撤率**：27.00%[26] **多空Sharpe比率**：0.58[26] **多空信息比率**：-0.26[26] 3. **TimeMixer改进的机器学习概念指数因子**[4][44][49] **IC均值**：7.27%[49] **多头年化收益率**：30.77%[49] **多头最大回撤率**：20.36%[49] **多头Sharpe比率**：1.44[49] **多头信息比率**：1.28[49]