量化模型与构建方式 1. 复合行业轮动因子模型 1.1 基本面景气度复合因子 * **模型名称**：基本面景气度复合行业轮动因子[4][8][14] * **模型构建思路**：从基本面景气度维度，选取资产质量、成长能力、营运能力、盈利水平、议价力等方向的多个有效财务指标，构建复合因子以预测行业未来表现[4][8][14][15]。 * **模型具体构建过程**： 1. **基础数据处理**：以申万一级行业为分类标准，基于行业内个股的财务数据，采用整体法计算行业指标[9][15]。 2. **单因子构建**：构建了12个有效财务指标因子，具体如下[15]： * **TTM应收账款周转率环比增长**：采用近4个季度（TTM）数据计算行业应收账款周转率，再计算环比增长（当季-上季）[17]。 $$行业应收账款周转率 = \frac{\sum 个股营业收入\_TTM}{\sum 个股应收账款\_TTM}$$ * **报告期末流动资产比例同比增长**：采用报告期末数据计算行业流动资产比例，再计算同比增长（当季-上年同季）[18]。 $$行业流动资产比例 = \frac{\sum 个股流动资产\_报告期末}{\sum 个股总资产\_报告期末}$$ * **报告期末速动比率同比增长**：采用报告期末数据计算行业速动比率，再计算同比增长[19]。 $$行业速动比率 = \frac{\sum 个股速动资产\_报告期末}{\sum 个股流动负债\_报告期末}$$ * **TTM存货周转率同比增长**：采用TTM数据计算行业存货周转率，再计算同比增长[20]。 $$行业存货周转率 = \frac{\sum 个股营业成本\_TTM}{\sum 个股库存\_TTM}$$ * **报告期末客户议价力同比增长率**：将应收账款定义为客户议价力，采用报告期末数据计算，再计算同比增长率（当季/上年同季-1）[21]。 * **报告期末供应商议价力环比增长**：将应付账款定义为供应商议价力，采用报告期末数据计算，再计算环比增长[22][23]。 * **TTM营业利润环比增长率**：采用TTM数据计算行业营业利润，再计算环比增长率（当季/上季-1）[24]。 $$行业营业利润 = \sum 个股营业利润\_TTM$$ * **季度营业利润率同比增长**：采用当季数据计算行业营业利润率，再计算同比增长[25]。 * **TTM核心利润环比增长率**：采用TTM数据计算行业核心利润，再计算环比增长率[26]。 * **季度核心利润率同比增长**：采用当季数据计算行业核心利润率，再计算同比增长[27]。 $$行业核心利润率 = \frac{\sum 个股营业收入\_季度 - \sum 个股营业成本\_季度 - \sum 个股其他成本项\_季度}{\sum 个股营业收入\_季度}$$ * **TTM归母扣非净利润环比增长率**：采用TTM数据计算行业归母扣非净利润，再计算环比增长率[28]。 * **TTM净资产收益率（ROE）环比增长**：采用TTM数据计算行业净资产收益率，再计算环比增长[29]。 $$行业净资产收益率 = \frac{\sum 个股扣非归母净利润\_TTM}{\sum 个股净资产\_TTM}$$ * **年内累计销售毛利率同比增长**：采用年内累计数据计算行业销售毛利率，再计算同比增长[30]。 $$行业销售毛利率 = \frac{\sum 个股营业总收入\_年内累计 - \sum 个股营业总成本\_年内累计}{\sum 个股营业总收入\_年内累计}$$ 3. **因子标准化与合成**：对上述有效单因子进行标准化处理，然后以各因子在样本内的IC胜率为权重，加权合成基本面景气度复合因子[13]。 * **模型评价**：该复合因子在全区间内积累了显著的超额收益，但在2024年9月A股反弹后出现短期“低景气反转”特征，随后有效性再次提升[31]。 1.2 超预期水平复合因子 * **模型名称**：超预期水平复合行业轮动因子[4][8][33] * **模型构建思路**：从超预期水平维度，涵盖基于公告的市场预期变化和分析师预期变化两个方面，构建复合因子[4][8][33]。 * **模型具体构建过程**： 1. **基础数据处理**：基于个股公告（正式报告、业绩预告、业绩快报）日期前后的收益变化，以及分析师预期数据，在调仓日按个股流通市值加权得到行业单因子水平[33][35]。 2. **单因子构建**：构建了5个有效因子，具体如下[35]： * **公告前后异常收益**：计算个股盈余公告T日的前n日至后m日的每日超额收益（以中证800为基准）之和。最终选定参数为m=2，n=0，即公告后2日的超额收益之和[36]。 * **净利润预期变动得分**：在个股报告发布日，若未来一年净利润预期较同一分析师上次预期变动超1%计+1分，低于-1%计-1分。在调仓日对个股得分进行60日滚动累计，再以流通市值加权得到行业得分[37]。 * **主营业务收入预期变动得分**：逻辑同净利润预期变动得分，针对主营业务收入预期，滚动累计窗口为20日[38]。 * **报告评级换算**：对行业内所有个股在过去180日内，分析师公开报告的平均评级得分取均值。个股评级得分由研报评级（如买入、卖出）按预设规则换算得出[39]。 * **上调减下调报告评级比例**：计算行业过去180日内，评级上调的研报数量减去评级下调的研报数量，再除以存在前期评级得分的研报总数量[40]。 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成超预期水平复合因子[13]。 * **模型评价**：该复合因子对低景气行业的预判准确性较高。样本外在2022年8月至2023年12月期间有效性降低，但自2024年开始有效性显著提升并持续[41]。 1.3 量价水平复合因子 * **模型名称**：量价水平复合行业轮动因子[4][8][44] * **模型构建思路**：从量价水平维度，基于行业指数的日度数据，构建动量、成交波动和量价背离等因子，侧重行业中长期的动量效应[4][8][44]。 * **模型具体构建过程**： 1. **基础数据**：直接使用申万一级行业指数的日收益、成交量、成交额、换手率等数据[44]。 2. **单因子构建**：构建了7个有效因子，具体如下[44]： * **日内动量**：计算每日收盘价/开盘价作为日内动量指标，对各行业指标值进行10日滚动累计[45]。 * **隔夜动量**：计算每日开盘价/前一日收盘价作为隔夜动量指标，进行40日滚动累计后，对因子值取反（因隔夜涨幅呈反转效应）[46]。 * **移动平均趋势变化**：首先计算行业指数当前收盘价减去过去10日均价，定义为短期动量水平；然后计算该短期动量水平减去其10日前的值[47]。 * **动量期限差**：计算行业指数近10日收益率减去近5日收益率，因子值越高代表长期趋势明确且短期交易不拥挤[48][49]。 * **成交量波动**：计算行业指数过去20日成交量波动率，并取负值。因子值越高代表行业情绪越稳定[50]。 * **成交额波动**：计算行业指数过去20日成交额波动率，并取负值。因子值越高代表行业情绪越稳定[51]。 * **一阶量价背离**：计算成交量一阶变化（今日成交量/昨日成交量-1）与价格一阶变化（日涨跌幅）在40个交易日内Spearman相关系数的负值[52][53]。 $$一阶量价背离因子 = -corr\left(rank\left(\frac{Volume_i}{Volume_{i-1}}-1\right), rank\left(\frac{Close_i}{Open_i}-1\right), 40\right)$$ 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成量价水平复合因子[13]。 * **模型评价**：该复合因子更注重中长期量价延续性。样本外在2024年9月A股反弹后，高景气组上涨弹性不及低景气组，可能与短期动量效应更显著有关[54]。 1.4 资金流强度复合因子 * **模型名称**：资金流强度复合行业轮动因子[4][8][57] * **模型构建思路**：从资金流强度维度，根据行业内个股的资金流入流出数据（按挂单金额分类），汇总得到行业整体资金流强度，以分析不同类型投资者的行为[4][8][57]。 * **模型具体构建过程**： 1. **基础数据**：使用个股资金流向数据，按Wind标准分类（如超大单>100万）[57]。 2. **单因子构建**：构建了3个有效因子，具体如下[57]： * **主动超大单资金流强度**：计算过去10日，行业内所有个股的每日平均主动超大单净流入金额，除以个股平均合计流通市值[58]。 * **主动超大单资金流极端突破**：首先计算行业当日主动超大单净流入金额减去其过去120日均值，再除以其过去120日标准差，得到当日强度；然后计算过去10日该强度的均值[59]。 * **小单资金流稳定性**：首先计算行业当日小单净流入金额减去其过去120日均值，再除以其过去120日标准差，得到当日强度；然后计算过去5日该强度的均值；对所有行业该值进行截面标准化后，取绝对值并取相反数[60][61]。 3. **因子标准化与合成**：对有效单因子标准化后，以各因子IC胜率为权重，加权合成资金流强度复合因子[13]。 * **模型评价**：该因子在2024年9月市场反弹后有效性显著提升，可能与资金流在反弹行情中对行业轮动的主导作用强化有关[62]。 1.5 综合行业轮动因子模型 * **模型名称**：综合行业轮动因子模型[4][13][65] * **模型构建思路**：将上述四个维度的单一视角复合因子（基本面景气度、超预期水平、量价水平、资金流强度）进行等权合成，构建最终的综合行业轮动因子，以提升模型有效性和稳定性[4][13][65]。 * **模型具体构建过程**： 1. **输入因子**：将经过再次标准化处理的四个单一视角复合因子作为输入[13][65]。 2. **合成方法**：对四个输入因子采用等权方式加权，合成最终的综合行业轮动因子[13][65]。 2. ETF行业轮动投资组合模型 * **模型名称**：ETF行业轮动投资组合[4][69] * **模型构建思路**：以前文构建的综合行业轮动模型选出的高景气行业为基础，通过一套ETF产品选定框架，构建可实际交易的ETF投资组合[4][69][70]。 * **模型具体构建过程**： 1. **高景气行业选择**：在每月调仓日，选取综合行业轮动因子排名前6的行业（高景气组）作为下月持仓行业[70][72]。 2. **标的指数筛选**： * 在调仓日，仅纳入存续期满1个月的股票型ETF所跟踪的指数作为备选池[72]。 * 对于每个高景气行业，保留成分股在该行业比例≥50%的指数作为备选指数[70]。 * 计算各备选指数与目标行业过去244个交易日的Spearman相关系数。若存在备选指数，保留相关系数≥80%的指数；若不存在，则保留相关系数排名前5且≥60%的指数[70]。 3. **ETF标的选定**： * 对于每个筛选出的标的指数，保留对应的ETF产品作为备选池[70]。 * 在每个调仓日，计算备选ETF过去1个月的日均成交额和日均流通规模[70]。 * 保留存续≥1个月、日均流通规模≥2亿、且日均成交额最高的ETF产品[70]。 * 若无满足条件的ETF，则用申万一级行业指数替代[71]。 4. **三种选定模式**：针对同一行业可能对应多个ETF的情况，定义了三种产品选定模式[70]： * **相关性优先模式**：选择相关系数最高的标的指数对应的ETF。 * **流动性优先模式**：选择过去1个月日均成交额最高的ETF。 * **收益弹性优先模式**：选择过去1个月收益表现最佳的ETF。 模型的回测效果 1. 单一视角复合因子回测效果（全区间） * **基本面景气度复合因子**：IC均值5.75%， ICIR 24.81%， 高景气组年化收益9.56%， 低景气组年化收益-1.74%[31] * **超预期水平复合因子**：IC均值7.31%， ICIR 28.99%， 高景气组年化收益10.93%， 低景气组年化收益-2.87%[41] * **量价水平复合因子**：IC均值7.16%， ICIR 32.98%， 高景气组年化收益8.65%， 低景气组年化收益-1.22%[54] * **资金流强度复合因子**：IC均值7.18%， ICIR 32.10%， 高景气组年化收益13.79%， 低景气组年化收益1.43%[62] 2. 综合行业轮动因子回测效果（全区间） * **综合行业轮动因子**：IC均值12.54%， ICIR 50.92%， 高景气组年化收益17.84%， 相对中证800指数的多空组合累计年化超额收益14.44%[65] 3. ETF行业轮动投资组合回测效果（2020/01/01 - 2026/02/28） * **ETF轮动组合（相关性优先）**：年化收益率18.78%， 年化波动率22.10%， 最大回撤-39.87%， 夏普比率0.85， 收益回撤比0.47[81] * **ETF轮动组合（流动性优先）**：年化收益率18.57%， 年化波动率23.10%， 最大回撤-40.38%， 夏普比率0.80， 收益回撤比0.46[81] * **ETF轮动组合（收益弹性优先）**：年化收益率21.20%， 年化波动率23.22%， 最大回撤-40.95%， 夏普比率0.91， 收益回撤比0.52[81]

核心观点 - 报告对多个量化ETF配置策略进行了跟踪和更新，涵盖了宏观择时、动量择势、行业轮动、Copula二阶随机占优以及分位数随机森林科技类ETF配置等策略 [1][2][3] - 各策略均提供了自2020年以来的历史回测表现和最新持仓配置，数据截至2025年10月或11月初 [2][4][9][14][18][20][23][25][29] - 策略表现差异显著，动量择势策略年化收益率最高达18.25%，而行业轮动策略相对沪深300年化超额收益率为7.27% [2][14] ETF量化策略跟踪 宏观择时策略 - 基于Gaussian分布的B-L宏观择时策略自2020年7月至2025年10月年化收益率为7.67%，夏普比率1.45，最大回撤-4.60% [2][4] - 在最近报告期（2025年10月9日至31日）策略收益率为1.81% [4] - 2025年10月31日调仓后组合为：沪深300ETF（7.01%）、中证500ETF（7.99%）、国债ETF（55.94%）、豆粕ETF（11.63%）、有色ETF（5.02%）、黄金ETF（7.40%）和货币ETF（5.00%），未配置标普500ETF和公司债ETF [2][7][8] 动量择势策略 - 策略自2020年1月至2025年10月年化收益率为18.25%，夏普比率0.88，最大回撤-28.72% [2][9] - 最近报告期（2025年10月9日至31日）策略收益率为-3.51% [9] - 2025年10月31日调仓后持仓集中在主题ETF：汇添富中证电信主题ETF（27.01%）、富国中证旅游主题ETF（24.92%）、新华中证云计算50ETF（21.52%）、华泰柏瑞中证智能汽车ETF（16.38%）和华夏中证人工智能ETF（8.17%） [2][13] 行业轮动策略 - 策略自2020年以来年化收益率10.00%，相对沪深300年化超额收益率7.27%，最大回撤-42.98% [2][14] - 最近报告期（2025年10月9日至31日）策略收益3.66%，超额收益3.55% [14] - 2025年10月31日调仓后配置家电ETF、绿色电力ETF、钢铁ETF、新能车ETF、金融ETF及农业ETF，各占16.7%权重，调出有色金属ETF和交运ETF [2][18][19] 基于Copula的二阶随机占优策略 - 策略自2020年1月至2025年10月年化收益率为14.41%，夏普比率0.68，最大回撤-42.62% [2][20] - 最近报告期（2025年10月9日至31日）策略收益率为0.31% [20] - 2025年11月3日调仓后持仓高度集中：富国中证800银行ETF占85.00%，华夏中证石化产业ETF、富国中证全指证券公司ETF和博时中证油气资源ETF各占5.00% [2][23][24] 基于分位数随机森林的科技类ETF配置策略 - 策略自2020年至2025年10月年化收益率为13.54%，夏普比率0.76，最大回撤-29.89% [2][25] - 最近报告期（2025年10月9日至31日）策略收益率为-3.03% [25] - 2025年10月31日调仓后科技类ETF总持仓权重95.63%，其中平安中证消费电子主题ETF占76.51%，其余四只科技ETF各占4.78%，现金持仓4.37% [2][29][30] 策略方法论概要 宏观择时策略构建 - 策略根据经济周期划分结果提高相应大类资产权重，并加入境外资产配置条件 [32] - 使用ETF作为可交易标的，涵盖股票、商品、债券、境外、货币等品种 [32][35] - 每月末根据经济指数状态设置资产权重约束，通过Black-Litterman模型计算最优配置权重 [32][37] 动量择势策略构建 - 使用XGBoost预测的ETF上涨概率作为动量指标，基金份额历史分位数代表拥挤度 [38] - 选择动量排名前20且拥挤度排名前20的板块，再选板块内动量最大的ETF [38][39] - 配置调整周期为一周，每个季度末重新训练XGBoost模型 [40] 行业轮动策略构建 - 基于行业扩散指数因子构建低波扩散行业轮动模型，优于传统动量因子 [41] - 将行业轮动策略应用于ETF，通过相关性匹配选择可投资标的 [41] - 按月调仓，组内等权配置 [41] Copula二阶随机占优策略构建 - 利用Copula函数构建收益率联合分布模型，以二阶随机占优为约束优化权重 [42][43][48] - 投资标的为行业主题ETF，覆盖25个中信一级行业 [47] - 按月调仓，通过多指标筛选行业和ETF，循环优化10次得到最终权重 [48] 分位数随机森林科技类ETF配置策略构建 - 使用分位数随机森林对科技类ETF收益率分布建模，控制尾部风险 [49][50] - 投资标的为科技与制造大类行业ETF，共271只可投资标的 [53] - 按月调仓，根据市场波动率确定总持仓权重，再通过分布预测指标选ETF [54][55][56]

证券市场整体表现 - 上证综指日内上涨1.36%，收于3916.33点 [1] - 深证成指日内上涨2.06%，收于13077.32点 [1] - 创业板指日内上涨3.02%，收于3083.72点 [1] 股票型ETF整体市场表现 - 股票型ETF收益率中位数为1.52% [2] - 规模指数ETF中博时中证科创创业50ETF收益率最高，为4.86% [2] - 行业指数ETF中嘉实国证通信ETF收益率最高，为4.71% [2] - 策略指数ETF中中金MSCI中国A股国际质量ETF收益率最高，为2.4% [2] - 风格指数ETF中华夏创业板动量成长ETF收益率最高，为4.6% [2] - 主题指数ETF中国泰中证全指通信设备ETF收益率最高，为6.76% [2] 股票型ETF涨跌幅排行 - 涨幅最高的三只ETF为国泰中证全指通信设备ETF（6.76%）、银华中证5G通信主题ETF（6.4%）、华夏中证5G通信主题ETF（6.2%） [4] - 涨幅前十的ETF中有六只与人工智能主题相关，例如华宝创业板人工智能ETF（5.59%） [5] - 跌幅最大的三只ETF为国泰中证煤炭ETF（-1.23%）、汇添富中证能源ETF（-0.56%）、广发中证全指能源ETF（-0.43%） [5] 股票型ETF资金流向 - 资金流入最多的三只ETF为国泰中证煤炭ETF（流入5.33亿元）、易方达上证科创板50成份ETF（流入5.02亿元）、华夏中证A500ETF（流入3.74亿元） [6] - 资金流出最多的三只ETF为华夏上证科创板50成份ETF（流出8.1亿元）、华泰柏瑞沪深300ETF（流出7.57亿元）、富国中证A500ETF（流出6.25亿元） [7] 股票型ETF融资融券概况 - 融资买入额最高的三只ETF为华夏上证科创板50成份ETF（7.1亿元）、国泰中证全指证券公司ETF（5.23亿元）、易方达创业板ETF（4.88亿元） [8] - 融券卖出额最高的三只ETF为华泰柏瑞沪深300ETF（6175.99万元）、南方中证500ETF（2919.43万元）、南方中证1000ETF（2179.16万元） [9] 通信行业前景与主线 - 通信行业2025年上半年收入同比增长2.8%，归母净利润同比增长7.8% [9] - 受益于全球AI基建，光模块、通信设备、液冷等细分领域市场规模快速增长 [9] - 预计2025年第三季度光模块、液冷等板块业绩有望持续高速增长 [9] - 2025年通信行业三条主线为算网传导分化、卫星产业强化、景气周期优化 [11] - 算网主线涉及AI推理主导、算力方案多元化及液冷技术渗透 [11] - 卫星通信产业催化密集，终端直连卫星将带动天线射频/芯片等增量 [11]