核心观点 - 报告认为2026年1月风险资产占优，配置应关注权益与商品，A股行业策略聚焦于中盘蓝筹 [2][7][19] - 具体资产观点：A股震荡上行赔率有限但胜率不低，商品与黄金继续看好，美股与中债中性，美债谨慎 [7][61] 大类资产观点（基于“2+1思维”） - **境内股票（A股）**：预期层面由分母端风险评价下行支撑，分子端盈利与成长预期平稳，风险偏好回归下结构上重点关注中盘蓝筹，历史上1月胜率尚可但赔率不高（2019-2024年数据显示1月平均收益率低于其他月份），交易层面不确定性平稳，整体震荡略有上行 [11][12][61] - **境内债券**：长端配置力量和政策预期整体偏中性，交易层面中期不确定性有所上行，历史上1月债券胜率较高赔率尚可，但当前利率处于历史低位，整体中性 [13][16] - **黄金**：预期层面货币属性（去美元化）与金融属性（利率下行）共振，2025年以来ETF投资持续增长，短期压力不改中期上行趋势，历史上1月COMEX黄金胜率与赔率均较高，整体继续看好 [17][20] - **商品（重点关注有色）**：预期层面铜、电解铝等供需错配持续，美联储降息周期提供额外保护，历史上1月有色的胜率与赔率较高，交易层面不确定性平稳，整体继续看好 [21][22] - **美股**：预期层面市场对科技泡沫担忧发酵，相关板块峰度/偏度处于历史高位，但基本面与流动性仍有支撑，历史上1月纳斯达克胜率较高但赔率一般，整体中性 [23][24][25] - **美债**：预期层面增量信息有限，同时需考虑人民币汇率预期，我国PPI修复及美债利率下行周期分别从购买力平价和利率平价支撑人民币升值，历史上1月美债胜率赔率较高但人民币升值概率同样较高，整体建议谨慎 [26][27][28][29][31] 资产配置策略表现与1月操作 - **模型业绩表现（2025年以来）**： - 资产配置策略：低波策略年化收益**6.2%**，中低波策略年化**11.7%**，中高波策略年化**17.6%** [7][34][39] - 行业轮动策略：年化收益**40%**，跑赢偏股混合型基金指数（年化**29.7%**） [7][44][45] - ETF策略：资产配置ETF低波年化**6.5%**，中低波年化**12.4%**，中高波年化**16.6%**；行业轮动ETF年化**40%** [7][52][58] - **1月配置操作**： - **资产配置策略**：继续看好A股，低波策略小幅加仓商品/美股，中波策略加仓黄金并减仓美股 [7][37][41][60] - **行业轮动策略**：当前逻辑主线在于风险偏好回归，推荐以中盘蓝筹为主的行业，包括有色金属、基础化工、电力设备（电新）、通信、电子、传媒等板块 [7][42][49] - **ETF策略**： - 资产配置ETF：加仓A股、商品、黄金等ETF [7][60] - 行业轮动ETF：推荐有色金属ETF、化工ETF、新能源ETF、通信ETF、信息技术ETF、游戏ETF等 [7][55] 策略方法论摘要 - **动态全天候策略（低波）**：通过对通胀、汇率贬值、事件冲击等宏观风险因子进行择时，在经典全天候策略基础上做负面剔除，2025年以来年化收益**6.2%**，卡玛比率**4.3**，1月小幅增持A股、商品、黄金 [34][35][37] - **中波策略**：以动态全天候策略为底仓，用主动型资产配置进行增强，以在分散风险的同时增厚收益，2025年中低波策略年化**11.7%**，中高波策略年化**17.6%** [38][39] - **行业轮动策略框架**：基于增长预期与利率预期的四象限框架（股强债弱、股弱债强、股债双强、股债双弱），挖掘不同市场环境下行业的轮动规律 [42][43] - **ETF策略构建**：通过相关性、跟踪误差、规模等多维度打分，为申万一级行业选取最接近的ETF进行策略回测与推荐，大部分行业与对应ETF相关性在**90%**以上 [50][52]

核心观点 - 报告核心观点为资产配置策略在12月出现分化，低波动策略倾向于增持债券、减持黄金，而中高波动策略则加仓权益、减仓固收；同时，行业轮动策略转向推荐有色金属、基础化工、农林牧渔及通信等板块 [4][46] 资产配置策略 - 动态全天候策略（低波策略）基于宏观风险因子（高通胀、汇率贬值、事件冲击）进行负面剔除式资产配置，2025年以来年化收益为6.7%，卡玛比为4.7 [10][11] - 12月低波策略仓位调整：小幅增持债券，小幅减持黄金 [13][14] - 中低波策略（动态全天候+MVO增强）结合了被动分散与主动增强，2025年以来年化收益为9.0%，高于纯动态全天候策略的6.7% [4][16] - 12月中低波策略仓位调整：小幅加仓权益，小幅减仓债券 [21] - 主动型资产配置策略（中高波策略）通过收益预测增强，2025年以来年化收益达22.0%，卡玛比为3.3 [4][23] - 12月中高波策略仓位调整：显著加仓权益，大幅减仓债券 [26] 行业轮动策略 - 行业轮动策略基于股债市场的四种状态（股强债弱/股弱债强/股债双强/股债双弱）挖掘行业价格规律，2025年以来样本外年化收益达35.8%，显著跑赢中证800指数（17.4%）和偏股混合型基金指数（28.3%） [31][32] - 12月行业推荐主要聚焦于有色金属、基础化工、农林牧渔及通信板块 [35] - 实操中提供两种方案：方案一（保留上期前五且本期在前十的行业）更稳健；方案二（每月取前五行业）对信号变化更敏感 [34] ETF策略 - ETF行业轮动策略通过匹配与申万一级行业相关性高的ETF来实施，2025年以来年化收益为33.0% [36] - 12月ETF行业轮动策略推荐有色金属ETF、养殖ETF、化工ETF、通信ETF等 [39][41] - 基于ETF的资产配置策略用行业ETF替代权益指数，用债券ETF复制债券指数，形成低、中低、中高波三种组合，其2025年化收益分别为6.6%、11.1%和15.0% [43] - 12月ETF资产配置仓位变化：低波策略加仓债券ETF、减仓黄金ETF；中波策略加仓行业轮动组合（代表权益）、减仓债券ETF [45]

量化模型与构建方式 1. 可转债随机森林策略 - **模型名称**：可转债随机森林策略[16][17] - **模型构建思路**：利用随机森林这一机器学习方法，以决策树为基础筛选出每期具有超额收益潜力的可转债标的，构建高胜率可转债择券策略[17] - **模型具体构建过程**：采用随机森林算法，通过多棵决策树进行集成学习，每棵树基于不同的样本和特征子集训练，最终通过投票或平均方式得到最终预测结果，用于筛选具有超额收益潜力的可转债标的[17] 2. 多维度择时模型 - **模型名称**：多维度择时模型[18][19] - **模型构建思路**：根据宏观、微观、中观信号将A股划分为9个状态，分别对应多空信号形成三维大周期择时信号，在此基础上叠加股指期货基差产生的衍生品信号，合成四维度非线性择时模型[18] - **模型具体构建过程**： 1. 宏观维度：从短期货币流动性、长端利率、信用、经济增长以及汇率五个维度刻画宏观环境运行状态[21] 2. 中观维度：通过行业景气指数构建，基于产业链系统分析追踪上下游行业部门，对行业进行财务指标分解，重构行业景气度追踪框架[27][30] 3. 微观维度：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] 4. 衍生品维度：基于股指期货基差与指数自身的相关性趋势构建日频择时信号[43] 5. 信号合成：将四个维度的信号综合，形成最终的多维度择时信号[18][19] 3. 宏观Logit模型 - **模型名称**：宏观Logit模型[24][25] - **模型构建思路**：通过Logit回归模型对宏观环境状态进行预测[24] - **模型具体构建过程**：使用短期货币流动性、长端利率、信用、经济增长以及汇率五个维度的宏观变量，经过平稳化处理后，构建Logit回归模型来预测宏观环境状态[21][24] - **模型评价**：能够有效预测宏观环境变化，为择时策略提供宏观维度的信号支持[24] 4. 中观景气度2.0模型 - **模型名称**：中观景气度2.0模型[27][28] - **模型构建思路**：通过追踪行业主营业务的营收和成本情况来监控行业整体的景气度[27] - **模型具体构建过程**： 1. 基于产业链系统分析，追踪上下游行业部门[30] 2. 对行业进行财务指标分解，挖掘可追踪的重点指标[30] 3. 重构行业的景气度追踪框架[30] 4. 计算各行业景气指数后，按上证指数每日各行业市值权重加权合成新景气指数2.0[27] - **模型评价**：能够领先预测A股盈利扩张周期，有效反映行业景气变化[28][29] 5. 微观结构风险模型 - **模型名称**：微观结构风险模型[35][36] - **模型构建思路**：以估值、风险溢价、波动率以及流动性四类均值回复性较强的因子刻画各宽基指数的微观结构风险[35] - **模型具体构建过程**： 1. 估值：市盈率与市净率在过去5年中所处分位数的均值[36] 2. 风险溢价：ERP(ep-rf:市盈率倒数减去一年期定存利率)在过去5年中所处的分位数[36] 3. 波动率：50日波动率在过去5年中所处分位数[36] 4. 流动性：自由流通市值换手率在过去5年中所处分位数[36] 5. 结构风险因子：四因子等权相加[36] - **模型评价**：能够有效刻画市场微观结构风险，为择时策略提供微观维度的信号支持[36] 6. 行业轮动策略2.0 - **模型名称**：行业轮动策略2.0[68][69] - **模型构建思路**：通过信用及企业盈利构建经济四象限，开发多维度行业风格因子，构建适用于A股市场的行业轮动策略[68][69] - **模型具体构建过程**： 1. 构建经济四象限：[企业盈利上行，信用上行]、[企业盈利上行，信用下行]、[企业盈利下行，信用上行]、[企业盈利下行，信用下行][68] 2. 开发多维度行业风格因子：包括一致预期景气、超越预期盈利、龙头效应、行业估值泡沫、反转因子、动量因子、拥挤度、通胀beta[69] 3. 在四个经济象限分别对各因子进行有效性检验[69] 4. 基于因子轮动配置相应的高预期收益行业[69] - **模型评价**：宏观适配性强，覆盖行业多维度特性，能够实现有效的行业轮动[69][78] 7. ETF轮动策略 - **模型名称**：ETF轮动策略[78][79] - **模型构建思路**：将基于基本面轮动、质量低波、困境反转三维度行业轮动策略进行等权组合，实现因子与风格的互补[78] - **模型具体构建过程**： 1. 基本面轮动策略：使用超预期景气度、行业龙头效应、行业动量、拥挤度、通胀beta等因子[78] 2. 质量低波策略：聚焦个股质量与低波，防御性突出[78] 3. 困境反转策略：使用PB_zscore、分析师长期预期、短期筹码交换等因子捕捉估值修复与业绩反转机会[78] 4. 将三个策略等权组合，形成最终的ETF轮动策略[78] - **模型评价**：能够实现因子与风格的互补，降低单一策略的风险[78] 8. 遗传规划指数增强模型 - **模型名称**：遗传规划指数增强模型[88][93][97][102] - **模型构建思路**：使用遗传规划算法挖掘选股因子，构建指数增强组合[88][93][97][102] - **模型具体构建过程**： 1. 股票池：根据不同指数选择对应的成分股[88][93][97][102] 2. 训练集：2016年1月1日-2020年12月31日[88][93][97][102] 3. 因子挖掘：由遗传规划因子挖掘模型挖掘多个初始种群，经过多代多轮得到最终因子集合[88][93][97][102] 4. 策略：每周最后一个交易日选择模型得分最高的每个行业内的前10%的股票构建多头组合，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边千三[88][93][97][102] - **模型评价**：能够有效挖掘具有预测能力的选股因子，实现稳定的超额收益[88][93][97][102] 量化因子与构建方式 1. Barra CNE6风格因子 - **因子名称**：Barra CNE6风格因子[45][46] - **因子构建思路**：包括9个一级风格因子和20个二级风格因子，通过计算各个风格因子近期收益，评估不同因子在近期市场中的表现[45] - **因子具体构建过程**：规模（市值、非线性市值）、波动性（BETA、残差波动率）、流动性（流动性）、动量（短期反转、季节、行业动量、动量）、质量（杠杆、盈利变动率、盈利质量、盈利能力、投资质量）、价值（价值、盈利、长期反转）、成长（成长）、分析师预期（分析师预期）、红利（红利）[45] 2. 行业轮动因子 - **因子名称**：行业轮动因子[55][57] - **因子构建思路**：通过多维度行业风格因子构建行业轮动策略[55][57] - **因子具体构建过程**：包括一致预期行业景气度、超越预期盈利、龙头效应、北向资金、估值beta、动量因子、反转因子、拥挤度等因子[57] 模型的回测效果 1. 可转债随机森林策略 - 本周超额收益：0.64%[16] 2. 多维度择时模型 - 最新信号：多头（1）[19] 3. 宏观Logit模型 - 最新预测值：0.919[24][25] 4. 中观景气度2.0模型 - 当前景气指数：0.913[28][31] - 剔除大金融板块景气指数：1.288[28][31] 5. 行业轮动策略2.0 - 无剔除版年化超额收益：9.44%[71] - 双剔除版年化超额收益：10.14%[71] 6. ETF轮动策略 - 年化超额收益率：12.84%[82] - 夏普率：0.89[82] - 今年以来超额收益率：14.34%[82] 7. 遗传规划指数增强模型 沪深300指数增强 - 年化超额收益率：17.91%[91][92] - 夏普率：1.05[91][92] - 今年以来超额收益率：-4.35%[91][92] - 本周收益率：-1.14%[91] - 本周超额收益率：-0.70%[91] 中证500指数增强 - 年化超额收益率：11.78%[95] - 夏普率：0.85[95] - 今年以来超额收益率：-2.92%[95] - 本周收益率：-0.41%[95] - 本周超额收益率：-0.73%[95] 中证1000指数增强 - 年化超额收益率：17.97%[98][99] - 夏普率：0.93[98][99] - 今年以来超额收益率：-1.80%[98][99] - 本周收益率：-1.01%[98] - 本周超额收益率：-1.22%[98] 中证全指指数增强 - 年化超额收益率：24.84%[103] - 夏普率：1.33[103] - 今年以来超额收益率：11.36%[103] - 本周收益率：-0.27%[103] - 本周超额收益率：-0.09%[103] 因子的回测效果 1. Barra CNE6风格因子 - 2025年9月15日至2025年9月19日：规模因子表现较好，波动性因子表现较差[46] - 本月（9月以来）：波动性因子表现较好[46] - 最近一年：动量（反转）因子和波动性因子表现较好[46] 2. 行业轮动因子 - 一致预期行业景气度月收益率：0.40%[57] - 超越预期盈利月收益率：-0.21%[57] - 龙头效应月收益率：-1.18%[57] - 北向资金月收益率：0.63%[57] - 估值beta月收益率：2.37%[57] - 动量因子月收益率：-0.95%[57] - 反转因子月收益率：0.95%[57] - 拥挤度月收益率：0.15%[57]

纪要涉及的行业和公司 - **行业**：量化投资、ETF、金融、科技、消费、医药、新能源、地产、传媒、通信、半导体、计算机软件、信创、云计算、债券基金等 - **公司**：申万宏源、华安基金、工银、景顺长城、国投、国联安、招商银行、易方达、富国、汇添富、兴全、交银、国泰君安、西部利德、财通、文心、千问、DeepMind、ChatGPT、阿里巴巴、小米、腾讯、美团、理想汽车、康冠科技、三大运营商等 纪要提到的核心观点和论据 量化投资与AI应用 - **AI提升传统多因子处理能力**：传统多因子方法处理因子数量有限，AI算法如树模型、遗传算法等可同时处理数千甚至更多因子，提升信息聚合能力，且能更有效整合利用财务、宏观等数据实现优质投资决策[4]。 - **基本面量化与人工智能策略联系**：两者通过不同路径解决原有简单算法无法处理大量信息问题，基本面量化结合主观判断和宏观或行业模型分析，人工智能策略依赖强大算法处理复杂信息[5]。 - **AI在金融工程设计优势**：AI策略能深度整合财务、宏观经济等信息，提供更精准高效数据分析结果，优化投资组合设计，提高收益率并降低风险[7]。 - **量价因子在算法应用地位**：量价因子数据量大且结构性好，最早被算法应用，传统多因子处理能力有限，AI策略显著提升处理能力，大模型可覆盖更多信息[8]。 - **人工智能策略与传统多因子比较**：AI算法可处理更多特征，能更有效聚合信息和全局分析，在超额收益方面表现优异，不同思维模式下应用AI方法有差异[9]。 - **大模型在金融投资应用前景**：大模型如DeepSeek和ChatGPT有一定主观分析能力，为“主观 + 量化”新范式提供可能，通用能力可涵盖更多数据类型，组合优化可控制市值风险，但能否达专家级水准需验证[11]。 - **AI策略与统计模型区别**：AI策略来自人工智能领域用于特定任务，不限于量价数据，信息聚合和市场全局分析能力更强，小市值股票入选概率问题可通过组合优化控制[12]。 - **资管行业对AI策略接受程度**：基于统计模型的AI策略业绩表现好，已被资管行业逐渐接受并广泛应用于私募基金，推理型大语言模型能否达专家级水平需进一步观察验证[13][14]。 - **推理模型在投资领域应用前景**：推理模型能否在投资领域达专家级水平并降本增效需未来验证，可能改变现有投资方法论，但资管行业接受新方法论需较长时间[15]。 - **统计模型与推理模型区别**：统计模型可回撤但不可解释，推理模型有可解释性但不可直接回撤，涉及使用未来数据问题，还存在AI幻觉和随机数问题需验证[16]。 - **AI对量化投资流程影响**：传统量化方法存在幸存者偏差和过拟合，统计AI阶段大部分探索迭代工作由AI承担，大模型阶段AI能生成代码且达助理级别质量，人力和算力是关键要素[21]。 ETF市场与华安基金策略 - **ETF市场发展现状及趋势**：ETF市场规模突破3.8万亿元，权益ETF达3万亿元，产品超千只，华安基金提供ETF产品及解决方案，关注smart beta策略，提供专业化服务和多种策略组合[22][23]。 - **华安基金资产配置策略**：目标是实现稳健收益，波动小，类似固收加策略，主要投资债券，占比50% - 60%，对标万得偏债混合主动基金指数，历史收益表现好[27]。 - **华安基金行业轮动策略**：根据每月行业变化调整，结合宏观、中观及微观因子，通过AI识别和定性分析选择标的，三月份看好科技、消费及医药领域[3][31]。 - **两会对市场影响分析**：回顾历史两会热点和市场表现，结合择时指标和A股市场温度计模型判断市场位置，目前A股处于温和区间[32]。 基金经理制度与产品分析 - **国内外基金经理制度趋势**：海外富达重视单一明星基金经理，资本集团倾向多基金经理制度；国内多数主动权益基金以单一明星基金经理为主，开始探索多基金经理制度，实现风格互补[38]。 - **多基金经理制度对基金管理效果**：可带来显著效果，有效区分需观察共同管理与单独管理产品相似度及基金经理风格差异，互补形式占比不到三分之一[44][45]。 - **固收加模式与多因子模型**：固收加模式多采用多因子模型，但并非都成功，总结成功模式需考虑资产配置、风险控制和团队协作等因素[47]。 - **权益与固收基金经理互补形式**：体现在对不同类型资产的专业知识和投资策略上，如景顺长城景盈双利项目中董涵和林英杰的分工[48][49]。 - **量化策略在固收加产品应用**：通过多种手段实现不同投资目标，如招商银行量化基金经理使用增强型指数和Alpha Beta策略[51]。 - **指数增强型与主动权益指增型差异**：指数增强型跟踪误差小，主动权益指增型跟踪误差大，加大跟踪误差不一定提高超额收益[54]。 AI科技板块与投资机会 - **AI科技板块对主动权益基金影响**：2025年以来主动权益基金因AI板块高配置战胜基准指数，但2月下旬AI板块回撤，与交易拥挤度高有关[60][61]。 - **AI相关行业投资热度及估值**：投资热度处于历史高位，成交活跃度达2014年以来最高，电子计算机与机械设备估值偏高，传媒与通信相对较低，持仓比例达历史高位[62]。 - **AI相关ETF产品情况**：资金流入和成交活跃程度达相对高位置，仅次于2020年牛市和公募行业大发展时期[65]。 - **AI赛道指数产品选择**：涵盖宽科技、硬件与算力、软件及其他受益产业等细分领域，不同细分赛道表现差异明显，指数产品在估值水平和成分股共振性上有区别[66][67][68]。 - **主动权益基金经理在AI板块表现**：分为均衡稳定配置型、细分赛道专注型以及灵活调整型，均衡稳定配置型选基空间大，有望带来正向投资效应[73]。 - **行业主题轮动策略**：通过行业调整捕捉投资机会，评价参考胜率和每一期行业变化带来的收益表现[76]。 - **机器人板块超额收益原因**：涵盖标的广泛，主动权益布局更纯粹，表现出更高弹性[81]。 全球市场与科技投资 - **科技投资指数选择**：复盘AI发展历程，关注具有自主创新能力且在算力芯片方面有突破性的企业，兼顾上下游产业链新兴标的[82][83]。 - **港股和海外科技大厂竞争情况**：港股竞争集中在互联网头部大厂，海外ChatGPT领先，国内开源特征利于AI研发[85]。 - **海外云厂商增长预期**：2024年KPXLS增速达55%，2025年预期在3000 - 3300亿美元之间，增速约30%[86]。 - **国内与海外市场AI应用优势**：海外有更好的To B端软件付费生态，国内有更强的To C端市场和完整制造产业链优势[87]。 - **AI应用未来发展方向**：AI agent及多模态是重要发展方向，投资需覆盖面广并接受较高波动性[88]。 - **人工智能相关投资标的选择**：关注A股人工智能指数筛选概念及实际含有的公司，从全球视角可关注港股大型互联网巨头和消费电子到造车生态良好的公司、美股M7巨头等[89][92]。 债券市场与基金发展 - **美国债券基金发展路径**：2000年以来经历三次利率环境变化，低利率时期货币基金规模增长，多德弗兰克法案后债券型基金规模翻倍，固收类产品多元化发展[110][111]。 - **美国固收类产品发展情况**：经济复苏和加息通道中，债券基金规模占比相对平稳但绝对数值下降，指数型产品受关注，资管行业向ETF格局转变[112]。 - **后疫情时代美国固收市场变化**：通胀保护类债券基金和浮息债券基金规模显著提高，固收市场指数化进程快且多元化新形态涌现[113]。 - **日本公募债券型基金市场发展历程**：经历快速下降、零利率及负利率阶段，公募债基占比仅6.62%，多数为货币储备基金，曾经辉煌但因低利率走向没落[114][115]。 - **日本与美国债券市场发展差异**：美国债券市场复杂多元化，日本以国债为主，市场格局单一限制产品创新，美国经济增长支持多样化产品发展，日本经济低迷抑制投资者需求[119]。 - **日本投资者海外资产配置**：负利率时代，日本公募市场外币资产配置比例超50%，出海寻求替代资产配置是有效策略[120]。 - **日本权益类资产发展情况**：自2000年以来发展迅速，规模达15万亿日元，得益于高股息、高流动性及税收优惠[121][122]。 - **美国指数型产品对我国借鉴意义**：美国指数型产品成功推动公募市场降费，我国应加紧布局指数型产品，构建多资配置框架，升级固收加策略[123]。 其他重要但是可能被忽略的内容 - **超额收益与风险因子**：超额收益在Kama体系下主要包括PO阿尔法，无法定量解释，通过风险因子贡献可预判策略选择，需区分策略失效与周期变化[19]。 - **量化投资策略数据平衡**：追求最新数据和长期超额收益存在冲突，应关注周期性因素，交易成本可分解[20]。 - **基金名称与投资风格**：很多基金名称不能准确反映实际投资风格，选择投资标的需审查实际持仓情况[55]。 - **主动权益基金表现分析**：跟踪基准并逐步增厚阿尔法，主动权益基金长期表现出色，未来应更重视基准和组合管理策略[59]。 - **ETF交易注意因素**：交易中需注意补券时间差异及汇率因素，对QDII产品成本有影响[105]。 - **全球资金资产配置趋势**：2025年大模型进步使全球资金重新关注国内市场，更倾向估值低且基本面稳健的资产，如香港市场头部互联网企业，南下资金流入港股速度加快[106][108]。 - **公司产品布局特点**：公司在各类产品有布局，提供多种低费率产品，有多种场外产品如云计算指数场外产品[109]。