2024年金融工程2025年年度策略报告：风格切换，拐点确立，关注被动化及主题投资

市场环境观察:风格切换，拐点确立

(一)宏观经济表现:政策组合拳提振信心，经济增长动能边际改善

为综合考察经济状态，我们基于宏观经济指标合成经济指数与流动性指数。宏观经济的观测主要包括大类资产市场表现、宏观经济供给与需求侧两个层面，流动性的观测主要从流动性的量价与央行货币政策两个层面，其中市场数据取市场最新收盘价、宏观数据滞后一个月，进而以熵值法对指标加权构建经济指数和流动性指数，并基于马尔可夫区制转换模型进行状态划分，判断经济所处的周期阶段。

根据模型结果，宏观经济指数在今年下半年以来基本持平，11月以来呈缓步上升趋势，反映出我国宏观经济当前处于缓慢修复的阶段，经济修复动能开始出现改善迹象。流动性指数今年下半年以来除8月以外始终处于宽松区间，且保持上行趋势，反映出下半年央行货币政策偏宽松，支持宏观经济企稳与资本市场发展。

下半年政策“组合拳”持续发力，有效提振市场信心。政策是2024年宏观经济与资本市场表现的核心驱动力，下半年政策力度进一步加大，从促消费、稳地产、支持化债、投放流动性等相关政策频出。7月二十届三中全会强调“高质量发展与高水平安全是迈向中国式现代化的关键力量”要求增强宏观政策取向一致性，发展新质生产力，推进财税、金融等重点领域改革，为下半年政策奠定基础。9月底，央行降准降息、下调LPR利率与最低首付比例、创设金融机构互换便利等一系列政策力度大超市场预期，有效提振了市场信心与经济预期，A股市场快速反弹。12月9日，中央政治局会议提出将加强超常规逆周期调节,实施“更加积极的财政政策”和“适度宽松的货币政策”其中“适度宽松”的表述为 2011年以来首次改变货币政策立场，政策态度积极程度超预期;12月12日中央经济工作会议延续政治局会议的基调，对明年政策做了进一步阐述和部署，明确提出“适时降准降息”，提高财政赤字率、加大支出强度、增发超长期特别国债、增加专项债发行使用，实施提振消费专项行动等经济刺激政策。

在经济刺激政策“组合拳”作用下，下半年宏观经济数据相比2024上半年有所改善，部分已确立好转趋势，但仍面临结构不佳等问题，与经济指数和流动性指数的走势相一致。

2024下半年“有效需求不足”的问题有所缓解，内需接棒外需开始发力,增量政策对需求端的提振效果趋强，这与经济指数缓慢上升的判断相一致。202404以来，制造业PMI扭转3月以来的持续收缩趋势快速回升,10月PMI为50.1%重回扩张区间,11月再次环比上升0.2pct达到50.3%。在需求端，新订单指数11月上行0.8pct至50.8%，连续四个月上行，连续两个月处于扩张区间进口指数虽仍处于收缩区间,但也连续三个月上行;外需方面新出口指数11月上行0.8pct至48.1%,可能源于特朗普当选后美国贸易政策不确定性较高、出现抢出口情况,但8-10月新出口指数呈持续收缩趋势，总体来看下半年需求侧表现为外需逐渐疲软、内需持续扩张。

需求复苏带动价格回暖，价格回归需要信心持续修复。受一系列稳增长政策协同发力的影响，国内工业品需求一定程度恢复，2024Q4PPI环比降幅持续收窄，11月PPI环比转涨为0.1%。但原材料购进价格与出厂价格指数仍处于收缩区间内，11月购进价与出厂价双下跌意味着企业仍在“内卷”以价换量争取更多订单，消费端和生产端的信心均需要持续修复才能推动价格回归。

稳地产政策效果初现，商品房销售呈改善迹象。上半年“517”房地产新政后，下半年稳地产政策继续发力，9月末以来自上而下陆续出台降低存量房贷利率和首付比例、商品房收储等一系列针对房地产行业需求、供给的支持政策;11月财政部等三部门联合发布住房契税和土地增值税等的税收优惠政策，进一步支持楼市需求端。今年下半年月需求侧有所释放，全国商品房销售面积与销售额累计同比降幅持续收窄，30大中城市商品房成交面积当月同比于11月首次转正，达到19.83%。

从流动性来看，下半年央行降准、降息等系列政策持续投放流动性，M1、M2上行趋势基本确立，资金活化程度有所提升;居民融资出现明显改善，但企业中长贷仍然偏弱;总体上与流动性指数上行趋势的判断相一致。

2024年下半年社融的主要支撑仍来自于政府债券融资。7-11月累计新增社融11.30万亿元,其中政府债券融资累计达6.20万亿元,在下半年新增社融总量中占半数以上,同比多增9073亿元;新增人民币贷款累计达3.75万亿元，同比少增1.76万亿元，是社融的主要拖累。

存款方面，下半年 M1、M2增速连续回升释放积极信号。10-11月M1同比增速分别为-6.1%、3.7%,年内首次连续两月上行，可能受到地产销售数据同比转正、企业预期改善带来资金活化程度提升、MO保持高增速等三方面的支撑。M2同比增速在7-10月间连续四个月上行，11月小幅下行0.4pct至7.1%，可能受地方化债、不良资产处置和非银存款的扰动。

贷款方面，四季度居民中长贷显著改善，企业中长贷持续偏弱。受地产销售回暖的拉动，居民中长贷10月同比多增393亿元，11月同比多增669亿元，连续两个月表现好于去年。企业中长贷10月同比少增2128亿元，11月同比少增2360亿元，政府项目投资对企业中长期贷款的拉动作用可能减弱。

(二)A股市场观察:市场环境变化，行业风格特征切换明显

2.行业及风格表现

回顾 2024年，市场风格经历了比较明显的切换。上半年受“国九条”政策等影响，红利风格及高股息行业一度表现占优。银行、煤炭、石油石化等高股息红利资产涨幅居前。房地产行业整体存在下行压力，跌幅较大，并通过财富效应传导至消费端，消费者服务行业跌幅为上半年所有行业最大。

下半年9月24日，央行、金融监督总局、证监会等部门利好政策出台，外加美联储降息、房地产政策、市场情绪修复等因素，共同推动行情启动，综合金融行业受此次行情影响涨幅最大。市场情绪的改善使得相关热点题材继续演绎，AI、国产替代、新质生产力等逻辑催化下TMT板块涨幅一度领先。而市场风格的急剧切换也使得前期占优的红利板块承压。经济数据持续性的边际改善和中央经济会议召开可能带来的复苏预期，催化下游消费部分行业边际改善，商贸零售、纺织服装、汽车等行业近期亦有不错表现。从9.24以来，虽然市场经历了比较快速的反弹，但从近五年估值分位数来看，除国防军工、建材、钢铁、煤炭等行业估值偏高外，大部分行业目前仍处于估值低位或中等偏低区间，尤其受后续宏观政策预期利好的消费、房地产等板块目前估值水平仍偏低。

风格方面，我们参考BarraCNE6模型，对A股市场构建了8大类因子:规模(Size)、波动(Volatility)、流动性(Liquidity)、动量(Momentum)、质量(Quality)、估值(Value)、成长(Growth)与红利(Dividend Yield)，其中质量因子进一步细分为杠杆(Leverage)、盈利波动性(Earnings Variability)、盈利能力(Profitability)3个因子，因子的计算方法详见附录。本文使用全部A股为样本，剔除因子数据不全的股票，采用2023年12月31日至2024年11月29日的数据，对Barra风格因子的表现进行测算。所有因子均进行了MAD去极值与标准化处理。今年以来Barra因子收益表现如下表所示。

在市场风格上，从规模风格来看，今年以来一直处于大小盘风格切换的状态，在1-2月、5-9月市场整体下行、避险情绪较高时，大盘风格占优，而在 3-4月、10-11月市场反弹、投资者情绪回暖时，弹性更高的小盘风格占优。从价值/成长风格来看，今年整体而言市场偏向价值风格;上半年除3月偏向小盘成长风格外，其他时间价值风格表现更好;下半年以来，8-10月成长风格相对占优，11月重新转向价值风格。红利风格今年以来市场关注度较高，上半年红利因子收益显著，但下半年由于红利风格估值偏高向下调整，红利因子收益也由正转负。

在交易风格上，Barra的波动因子主要包括市场Beta、收益率标准差等;流动性因子主要为换手率;动量因子主要包括近一月收益率、近一年个股Alpha等。总体来看，波动、流动性、动量因子的收益今年以来方向反复变化，体现出当前市场环境中不确定性较高。其中波动因子今年下半年的收益率始终为正，尤其在9-11月因子收益显著，反映出自9月下旬市场反弹以来，与市场表现相关度较高的个股Beta行情明显;同时10月流动性和动量因子也有较高正收益，说明市场反弹初期动量效应较强，小市值、高换手的股票收益率更高。但随着市场快速上涨阶段的结束，近期流动性和动量因子的收益再次转负。

在质量风格上，值得关注的是今年以来盈利波动性因子的收益显著为负，反映出在当前不确定性较高的市场环境中，投资者更加关注业绩与收益的稳定性。而杠杆、盈利能力因子的收益表现波动较大，今年上半年盈利能力因子收益较高，下半年杠杆因子收益较高，与下半年市场风格由价值转向成长的变化一致。

最新一期(2024年11月29日)主要宽基指数的Barra因子暴露情况如上图所示。沪深300与中证500风格因子暴露情况类似，呈现大市值、低波动、低换手、低动量特征;质量风格方面沪深 300比中证500在杠杆因子上的暴露更高,但盈利波动性更低,同时盈利能力略高于中证500,反映出大盘股业绩较优，但杠杆暴露较高;在价值、成长因子上暴露均为正，但价值因子暴露高于成长;红利因子暴露显著，且沪深 300红利风格强于中证500。对于小盘股，中证 2000表现为小市值、高波动、高换手、高动量的特征，质量风格不明显，价值风格较弱、成长风格较强，同时红利风格暴露显著为负。

对于双创板块，创业板指与科创50指数大市值特征明显，因子暴露位于沪深300与中证500之间;二者均具有高波动、低换手特征;在质量风格上，科创50杠杆因子暴露显著为负，而创业板指盈利能力因子暴露显著为正，二者在盈利波动性上的暴露相近且均为正;在价值成长风格上，科创50在价值风格上的负暴露显著，说明科创50估值水平更高。北证50表现为小市值、高换手、高动量，在波动因子上的正向暴露显著高于其他宽基指数;杠杆因子暴露为负、盈利波动性暴露为正、盈利能力暴露为正，反映出北证50成分股资产负债率较低、盈利有改善但波动较大的特征;价值、成长因子暴露均为负，相对偏向成长风格。在红利风格上，仅创业板指因子暴露接近0，科创50与北证50的红利风格暴露均显著为负。

3.资金分布及流向

从A股市场多个角度高频资金流向来看，A股全市场主动净买入额11月维持宽幅震荡，单日融资买入额较于今年9月之前普遍升高，在今年9至10月市场资金面改善之后交易热度持续，买卖双方对市场判断分歧较大。游资在今年11月出现了对A股市场的买入高峰，A股市场在11月较于之前更加受到游资追捧。但融资余额在11月维持相对稳定，ETF净申购和产业资本增减持也没有明显增加，当前市场资金面数据总体趋于稳定。

(1)股票的净主动买入额

股票净主动买入额为一段时间内股票的主动买入额减去主动卖出额，而所谓“主动”即按照当前买1价格或者卖1价格成交的订单，买1价格成交为主动卖出，卖1价格成交为主动买入。我们计算了A股从2023年开始至2024年11月29日的主动净买入额。在计算时期内平均每日主动卖出 215.79亿元，净主动买入额在2024年9月之后震荡加剧，在10月出现峰值，并在11月维持宽幅震荡。

根据订单金额的不同，可以分为超大单(100万元以上)、大单(20万元-100万元)、中单(4万元-20万元)和小单(4万元以下)。我们分别统计了A股相同时期内上述几种不同的订单类型的净主动买入额，小单在计算时期内主动买入额普遍高于其它订单类型,自今年10月出现峰值以来A股市场还是以小单主动买入为主。

(2)融资买入额

融资买入是指投资者通过抵押物品融资来投资股票的行为，融资买入额则是股票在一定时期内被融资买入的融资金额，而融资余额则是股票当前被融资买入的融资金额合计，融资余额的变化等于融资买入额减去融资赎回额。我们计算了从2023年至2024年11月29日每日A股总融资余额以及每日总融资买入额，截至2024年11月29日，A股的融资余额总额达到 1.71万亿元，自 10月出现集中抬升之后11月维持高位。单日融资买入额最高出现在2024年10月8日，11月较于历史也处于高位，融资买入交易依旧维持高热度，二者变化幅度与上证综指基本保持一致。

(3)ETF净申购金额

ETF当期净申购金额是当期ETF的流动份额与上期ETF流动份额的差值乘以当期净值，反映了ETF份额的申赎而导致的ETF规模变化的情况。我们计算了从2022年开始至2024年11月29日A股股票型ETF的净申购金额以及累计净申购金额。截至2024年11月29日,A股股票型ETE累计净申购金额为1.46万亿元，较于10月峰值有所减少，但并未出现明显下行趋势。从单日净申购来看，自10月峰值出现以后11月回归正常区间，股票型ETF净申购逐步企稳。

(4)产业资本增减持及回购金额

股票产业资本增减持金额为公司主要股东增减持所牵涉到的金额，而公司股份回购金额则是公司回购已经发行的股份所使用的金额，这两者都反映了产业资本层面产生的资金流入流出，其中增持和回购可以一起视作产业资本流入，减持视作产业资本流出。我们计算了从2023年开始至2024年11月29日的A股增持加逆回购以及减持情况。今年11月以来，产业资本没有集中出现对A股的增持现象，而减持于在11月15日出现高峰，减持规模较10月有所扩大。

(5)游资净买入金额

个股龙虎榜为市场中存在交易异常的个股，大部分为个股受市场情绪影响而出现异常波动。龙虎榜个股的净买入额为各证券营业部交易该支股票买入额和卖出额差值的总和，反映以游资为主的非理性资本流入流出的情况。我们统计了从2022年至2024年11月29日在个股龙虎榜定位为游资的营业部净买入额。截至2024年11月29日，游资累计净买入量2308.63亿元。从单日净买入来看，11月游资净买入较于10月更为活跃，11月全月游资累计净买入超过174亿元，A股市场在11月较于10月更多地受到了游资的追捧。

(三)基金市场观察:被动指数化投资需求日益显著

1.基金市场整体情况

2024年以来，基金市场整体保持增长态势，基金总数由年初的11592只增加至12290只(截至 2024年11月30日，下同)，基金规模增加至317641.30亿元。其中，股票型基金由2311只增加至2614只，基金规模增加至40387.77亿元，相较于年初有显著增长;混合型基金由4558只增加至 4650只，但基金规模有所下降，由37210.34亿元减少至35069.96亿元;债券型基金由3494只增加至 3741只，基金规模由90851.68亿元增加至102977.62亿元，增长幅度明显。除此之外,ODII基金、另类投资基金、REITS、货币市场基金的基金规模同比增长幅度较为明显，但占基金市场比例基本不变:FOF基金的基金规模有所下降。

从公募基金仓位来看，历史上公募基金股票仓位与沪深300大致呈现正相关关系，然而今年沪深 300虽然处于历史较低位，但公募基金仍保持较高的股票仓，并且在9月24日行情开启后出现明显加仓行为;从上半年行业仓位来看，受经济表现、政策、景气变化、产能出清等方面的影响，历史上保持高仓位的 TMT、下游消费、中游制造行业今年仓位都出现一定程度的下降，而大金融基础建设与运营、上游原料行业今年仓位提升较为明显。若我们采用2024三季度披露重仓股数据进行估算，则看到消费、金融板块在三季度持仓有进一步提升。

2.ETF市场变化

2024年中国ET市场不仅迎来了资金流入的增长，还伴随着产品创新和政策支持的推动。防着市场的逐步成熟，ETF作为一种重要的投资工具将在中国资本市场中扮演越来越重要的角色。

(1)数量规模持续攀升，创历史新高

2024年9月中国ETF市场的总规模跃升至3.41万亿元，继去年12月突破2万亿元后，仅仅用了9个月的时间，ETF市场再次取得里程碑式成绩，拿下3万亿元大关。而截至2024年11月30日，ETF总数量已达1015只，总规模达到3.65万亿元。

(2)千亿级ETF不断涌现，跨境ETF快速发展

继华泰柏瑞沪深300ETF在2023年8月突破千亿元规模后，截至2024年11月底，已有7只ETF规模超千亿元，其中在深交所上市的沪深300ETF易方达在今年实现近2000亿元的规模净增长。

(3)发行速度小幅回落，数量与份额均有所下降

2020年以来，受基础市场热度影响，ETF产品发行整体呈现先升温后降温态势。2021年达到ETF发行高峰，之后新发份额逐年下降。2024年，深沪两市共成立ETF146只，环比减少 7.01%,合计成立份额1052亿份，环比微增1.18%。

(4)中证A500ETF上市，规模增长迅速

今年,2批中证 A500ETF产品相继上市,标志着ETF产品种类的进一步丰富和细化。中证A500指数追踪的是中国证券市场中市值排名在沪深300之外、但具有一定市场影响力的中型股，特别适合寻求更大市场潜力与增长的投资者。截至 2024年11月底，其整体份额已增长至1942.46亿元。

(5)政策支持和市场环境改善

2024年上半年，新“国九条”正式发布，为建设高质量资本市场指明了发展方向、提供了具体指导。中国政府对ETF市场的支持政策逐步加强,政策面为ETF市场提供了更加稳定的发展环境。监管层继续推动资本市场的深化改革，并出台了一些利好措施，如降低基金产品管理费率、提高市场透明度等。此外，金融市场的进一步开放，尤其是外国投资者对A股市场的逐步加大投资，也对ETF市场产生了积极影响。政策支持为ETF市场提供了有力的保障，助力市场的健康发展。

3.量化基金

采用 Wind关于量化基金的分类,公募基金中量化基金规模已从 2015年的不到1000亿元，增长到(截至 2024年第三季度)现在的3000亿元以上(近6个月新成立基金未纳入统计，下同)相比2015年末增长了2倍。本文按初始基金统计，不同份额规模合并统计。

ETF 配置策略:多策略持续迭代创造稳健收益

(一)宏观择时策略

传统的美林投资时钟依据经济增长与通胀将经济周期划分为复苏、过热、滞胀和衰退四个阶段.被广泛应用于大类资产配置。参考美林投资时钟，依据经济基本面变动和流动性变化可以将经济周期划分为以下四个阶段:“经济上行、流动性宽松”对应“复苏阶段”，应提高股票配置权重;“经济上行，流动性紧缩”对应“过热阶段”，应提高商品配置权重;“经济下行，流动性紧缩”对应，应提高货币配置权重;“经济下行，流动性宽松”对应“衰退阶段”，应提高债券“滞胀阶段”

配置权重。我们分别从市场和基本面的表现评估宏观经济状况，流动性的观测主要从流动性的量价与央行的货币政策两个层面进行观测，其中宏观数据滞后一个月，进而构建经济指数和流动性指数，并基于马尔可夫区制转换模型进行状态划分，判断经济所处的周期阶段。

策略更新1:SOFR-Tbill利差替代TED利差

TED利差为期货市场预期未来3个月的伦敦银行无担保美元同业拆借利率(LIBOR)和美国国债3个月收益率的差值，因为美国国债收益率一般被视为无风险利率，TED利差一般用于衡量美国金融市场的流动性。如果TED利差越大，银行同业拆借的成本越高，表明当前市场风险上升、市场

资金趋紧、市场流动性变差。但LIBOR是由英国银行业协会(BBA)选定的一批银行在规定时间内报价的平均利率，并非由真实交易产生，存在垄断操纵嫌疑。因此，美国国会在2022年通过LIBOR法案，于2024年9月30日之后废止 LIBOR，并授权所有与LIBOR挂钩的合同向有抵押隔夜融资利率(SOFR)进行过渡。SOFR 来源于纽约梅隆银行、美国存托和清算公司、各固定收益清算公司的隔夜国债抵押及回购交易数据，其结果来源于市场真实交易数据,通过成交价计算,不易被操纵;同时回购交易量大、流动性高，可更有效地反映资金市场利率水平。

由于 TED利差代表性较弱、且 LIBOR数据已不再进行更新,我们对宏观择时策略进行了改进用SOFR3个月复合平均利率代替LIBOR3个月利率，美国国债3个月收益率不变，以SOFR3个月复合平均利率减去美国国债3个月收益率作为TED利差的替代。为便于表达，后文中我们将其称之为 SOFR-Tbill 利差。

对比 SOFR-Tbil利差与TED利差，长期来看二者走势并不完全一致，尤其在 2022-2023年间出现较为显著的背离;同时，TED 利差鲜少出现利差为负的情况，SOFR-Tbill 利差则可能出现负值，且相对TED利差而言波动更大，说明SOFR利率与SOFR-Tbill利差更能有效反映市场流动性变化。在后文的回测中，我们将以SOFR-Tbill利差在整个回测区间内完全替代TED利差进行区制划分。

在配置逻辑上，SOFR-Tbil1利差与TED利差的逻辑一致，当SOFR-Tbi 利差处于上行区间时,说明当前境外市场流动性变差、投资者避险情绪上升,此时应减配境外资产;反之,SOFR-Tbil利差处于下行区间时，说明当前境外市场流动性趋于宽松，应增配境外资产。

2.宏观择时

配合经济形势的变化，央行往往会施行相应的货币政策以调节流动性，流动性对大类资产价格也具有重要影响，例如宽松的流动性可以直接驱动资产价格上涨，也可以通过刺激总需求影响经济增长，从而间接影响资产价格。因此，基于前文中马尔科夫模型划分的经济周期结果，我们根据当前所处的经济周期提高相应大类资产的权重。另外,我们同时加入了境外资产的配置,对 SOFR-Tbill利差进行区制划分，以决定是否将境外资产纳入资产组合。

由于资产价格指数不能直接进行交易，我们以ETF作为投资标的构建可交易的ETF宏观择时策略。经过多年的发展，ETF已经涵盖股票、商品、债券、境外、货币等品种，可分别对应大类资产配置中的股票指数、商品指数、债券指数、标普500指数和货币指数。我们以ETF在不同周期的历史均值收益作为观点矩阵分别输入基于 Gaussian 分布的 Black-Litterman 模型与基于 Copula分布的 Black-Litterman模型，最终获得ETF的配置权重，具体流程如图47所示。

(1)资产配置权重约束

为保证回测时间足够长，我们选择在2020年以前上市的ETF。除货币ETF外，其余四类ETF均为两融标的。商品ETF中，我们选择有色ETF、豆粕ETF和黄金ETF;债券ETF中，我们选择上市期限较早的5年国债ETF代表国债，中债-中高等级公司债利差因子财富(总值)指数ETF代表信用债。股票 ETF、境外 ETF、货币ETF满足条件的标的较多，其中股票ETF我们选择上市期限较早、代表性较强的华泰柏瑞沪深300ETF、嘉实中证500ETF,境外ETF选择博时标普500ETF.

货币ETF 选择银华日利A。在大类资产配置上，我们依据经济周期划分的结果对不同类别ETF配置权重进行限制;对于海外资产，只有当海外指标发出择时信号时，才将标普500ETF纳入股票ETF类别中，否则不配置海外资产。

(2)动态资产配置结果:基于Gaussian分布的Black-Litterman模型

每月末合成经济指数和流动性指数，并对指数进行状态划分，根据月末状态划分结果设置不同资产的权重约束。同时，将各资产从数据起始日至月末在不同状态下的收益均值作为主观收益，将主观收益和权重限制输入 Black-Litterman 模型，计算约束下最优权重。基于最优权重进行大类资产配置并持有组合一个月，实现动态配置。

截至2024年11月29日，基于Gaussian 分布的Black-Litterman 配置策略年化收益率为6.40%，夏普比率和Calmar 比率分别为1.1894和1.3924，最大回撤为-4.60%。由此可知，ETF宏观择时策略可获得稳健的收益率。在最近一个报告期(20241031-20241129)内，宏观择时ETF策略收益率为0.89%。

(3)动态资产配置结果:基于Copula分布的Black-Litterman模型

以同样的方法进行经济状态划分并计算主观收益，在相同的权重限制下，将资产配置模型替换为基于 Copula分布的 Black-Litterman模型并计算约束下最优权重。基于最优权重进行大类资产配置并持有组合一个月，实现动态配置。

截至2024年11月29日,基于Copula分布的Black-Litterman配置策略年化收益率为6.58%,夏普比率和 Calmar 比率分别为1.2374和1.4199，最大回撤为-4.64%。相比基于 Gaussian 分布的模型,该模型在回测区间内表现有所提升,年化收益率提高了0.1个百分点,夏普比率提升了 0.05.通过 Copula建模生成模拟样本的方式能够提高先验分布均值向量和协方差矩阵建模的准确度，从而提升 B-L模型权重优化的表现。

(二)动量择势策略

基于动量和拥挤度择时构建ETF交易策略可以捕捉价格动量，并降低动量结束时“明斯基”时刻的损失。ETF动量择势策略使用XGBoost预测出的ETF上涨概率作为动量指标，以基金份额历史分位数代表拥挤度，然后基于板块动量(板块内ETF均值)和拥挤度(ETF个体份额总和作为板块份额)选择动量排名前20目(1-历史分位数)排名前20的板块，最后再选择板块内动量最大的ETF，并根据拥挤度计算ETF配置权重。

我们以所有行业和主题型股票ETF、纯债ETF和可转债ETF，以及和黄金、豆粕等大宗商品ETF为样本池，并参考Wind对ETF的主题分类，共划分为汽车、半导体、金融、消费等65个板块。在最新一期报告期(2024年11月29日)，样本池内共有512只ETF。

在回测过程中，我们首先选择动量排名前20且(1-历史分位数)排名前20的板块，考虑到同时满足上涨概率高、拥挤度低的板块数量在不同时间内差别较大，当选中的板块数量大于等于5个时，我们从初步选择结果中取(1-历史分位数)排名前5的板块;当选中的板块数量小于5个时，我们将在板块筛选结果中加入纯债和黄金板块，以提高组合分散度、降低策略波动。ETF策略资产配置调整周期为一周,回测时间为2020年1月2日至今,回测时,每个季度末重新训练一次XGBoost模型。

2020年1月2日至2024年11月29日，ETF动量择势策略年化收益率为17.10%，夏普比率和Calmar比率分别为0.84和0.60，最大回撤为28.72%。

(三)行业轮动策略

在报告《行业扩散指数因子作用机理解析及改进方法》中我们分析了行业扩散指数因子的有效性及其有效性的作用机理。行业扩散指数是一种基于指数成分股上行状态合成的动量指标，其相较于传统动量因子更能反映指数涨跌背后的贡献来源。单因子回测结果表明扩散指数因子分层效果及稳定性优于传统动量因子，因此可以设计相应的行业轮动策略。在此基础上，我们叠加波动率对模型进一步改进，构造低波扩散行业轮动模型。

行业轮动策略一般集中于行业指数层面，在配置时，投资者可通过在特定行业的配置偏离获取超额收益。而对于希望通过直接配置特定行业指数的投资者来说，ETF无疑是较好的投资工具。因此我们尝试将行业轮动策略应用在ETF上，实现策略的有效落地。我们将目前已上市ETF进行梳理，构建 ETF标的池，并通过其跟踪指数与行业指数的相关性计算，将行业与ETF进行匹配，选择相关系数较高且规模靠前的ETF作为对应行业的可投资标的。我们按月度调仓、组内等权配置。策略从 2020年以来,年化收益率9.16%,相对沪深300年化超额收益率9.90%,最大回撤-42.98%,超额最大回撤-23.61%，今年以来策略年化收益20.97%,相对沪深 300超额3.02%

金融工程策略展望:主题投资与分域选股

(一)把握主题投资主线，分域选股增厚收益

今年以来宏观经济基本面持续缓慢修复,近期A股市场在超预期经济刺激政策下风险偏好改善但个股走势仍有分化，当前投资机会以主题板块为主。在这一背景下，我们挖掘投资主题时应当从拉动经济增长、提升核心竞争力的角度，优选具有长期投资价值的板块，因此，央国企和新质生产力是当前最重要的两条投资主线。

根据索罗模型，经济总产出Y=AK1-““,在当前我国人口红利逐渐消退的现状下,拉动GDP的增长主要依靠提升全要素生产率A和增加资本投资工。而发展新质生产力是提升全要素生产率的重要路径，发展央国企、推动国有资本做强做优做大则是增加资本投资的重要手段。反映在量化策略中，我们将央国企与新质生产力两条投资主线定位为央国企和科技股两个股票池，以有效的选股因子构建量化配置策略，从主题中挖掘可获取稳健超额收益的投资机会与投资方法。

分域选股是大主题投资的重要手段。传统多因子模型是按照股票因子值在整个样本池内进行排序打分，虽然我们可以通过行业市值中性化等数据预处理方法规避股票由于行业、规模等因素带来的因子值差异，但因子对股票的适用性可能本身即存在差异。以央国企为例，央国企在A股所有行业中均有分布，我们在分析TMT行业的央国企时可能会关注其研发能力，但这显然不适用于金融行业的股票。如果我们对选股因子不加区分，可能导致选股结果集中在某一类型的股票内，分散化程度较低。基于这一问题，我们有必要对央国企、科技股两个大股票池进行分域，针对细分股票池选择合适的选股因子并调整因子权重，一方面使选股因子更能体现出主题特征，另一方面也可增厚策略收益，使超额收益更加稳健。

基本面因子适用于央国企与科技主题的分域选股。一方面，我们希望构建的是一个在长期时间内超额收益稳定的策略，而非短期内频繁调仓买卖，因此量价因子并不适合我们的策略目标，基本面因子更能反映企业长期的业绩表现与潜在价值;另一方面，基本面因子在不同细分股票池中的有效性差异较大，能更好地体现出不同细分股票池的特征与选股逻辑。

后文中，我们将按照确定股票池、股票池分域、分域选基本面因子、股票打分配置的步骤，分别对央国企和科技股两个主题构建量化选股策略。

(二)央国企主题选股:红利型传统行业避风险，成长型新兴行业求发展

“央国企”的判断依据的是公司属性与公司实控人，中证国企指数(000955.CSI)的成分股涵盖了沪深两市所有国资控股的上市公司，并剔除了ST、ST*等股票，是一个非常便利的筛选国企股票的方法;同时，我们加入了上市满6个月且属性为国有企业的北交所股票、实控人为中科院等事业单位的股票，构成央国企主题选股的股票池。

基本面因子具有共性和个性，可分为通用因子和行业特色因子。“共性”意味着所有行业都关心的指标，反映在央国企中可表现为“一利五率”央企业绩考核指标，它对所有行业的央企均有明确要求。我们从中选择净资产收益率ROE(TTM)、营业现金比率、全员劳动生产率、资产负债率等作为国企选股的通用因子;同时国企相比于民企的重要特征之一是分红较多，因此我们将股息率也纳入通用因子中。

“个性”则意味着该指标在某些行业非常重要、某些行业则不看重,例如前文提及的研发能力。我们依据各行业逻辑的不同对ZX三级行业进行分类，将所有行业划分为红利型、成长型两大类，其中红利型包括资源品、公用事业、房地产、银行、证券、其他6大类，成长型包括先进制造、软件服务和消费3大类。

行业特色因子同样具有共性和个性，这反映在具体指标的选择上。在分析一家公司时，其盈利能力、营运效率和偿债能力是投资者广泛关注的特征，但哪个指标更适用于某一行业的则可能存在不同的选择。例如在分析盈利能力时,预收账款+合同负债增速能更前瞻地反映出房地产公司的收入增速，但不适用于应收账款占比较高的制造业公司。因此，除银行和证券外，在盈利能力、营运效率和偿债能力三个方面,我们综合考虑了行业特征和因子有效性,选择适合该行业类型的特色因子;同时，对于不同的行业分类，也在企业成长、创新能力等方面加入相应的基本面因子。

在红利型行业中，对于资源品、房地产等成熟型行业，行业发展空间受限，更需要关注企业的盈利能力和营运效率，因此对于资源品行业我们加入ROIC反映盈利能力和营运效率，对于房地产行业采用预收账款+合同负债增速反映销售情况、存货周转率反映营运效率等;对于公用事业行业.新的投资可能带来增长点，因此我们选择资本支出/折旧摊销反映企业扩张;银行和证券更关注流动性与抗风险能力，因此我们选择了资本充足率、流动性覆盖率等指标。

成长型行业则应突出其成长属性,对于先进制造和软件服务行业,企业增长点来自于科技创新因此我们加入了成长能力和研发投入的指标;对于消费行业增长点则来自于企业扩张、销售增长与市占率的提高，因此我们用预收账款+合同负债增速反映销售情况，用资本支出/折旧摊销反映企业扩张。

我们以标准化的因子值作为因子得分,然后计算通用因子与行业特色因子得分:对红利型行业股息率权重为4;对成长型行业,股息率权重为2,资产负债率权重为0.5;其他所有因子权重为1,加权计算得分。两项得分按通用因子得分30%、行业特色因子得分70%的权重加总并进行归一化处理，最终得到国企基本面的百分制总分。选择总分最高的前50只股票，并按其基本面得分计算权重，即构成央国企基本面选股策略的配置结果。

2019年12月31日至2024年11月29日，央国企主题基本面因子选股策略回测净值的年化收益率为 24.02%，相比基准中证国企指数(000955.CSI)实现年化超额收益21.12%;策略Sharpe比率和 Calmar 比率分别为1.0996、、0.9542,策略超额收益的Sharpe 比率和 Calmar 比率分别为1.6960、1.6124，表明基本面因子选股在央国企股票池中能有效捕捉Alpha。

(三)科技主题选股:现金流划分企业生命周期，优选成长与成熟期企业

与央国企不同，“科技股”没有一个明确的定义标准，为了获得有效的股票池，我们首先将“科技股”定义为属于电子、通信、计算机、新能源、生物医药、机器人等行业或领域的股票，并满足最近一年研发费用占营业收入比例超过5%或研发人员数量占员工总数超过10%;剔除ST、ST*股票以及上市时间不满一年的股票。

在此基础上,我们根据科技股所属企业生命周期的不同对其进行分类。参考Dickinson(2010)的研究,我们根据经营现金流、投资现金流和融资现金流将科技股划分为引入期、成长期、成熟期、震荡期、衰退期5个阶段。同时，在Dickinson(2010)研究的基础上，我们对经营现金流和投资现金流进行了改进，将研发费用视为一种投资，将其在投资现金流中减去、在经营现金流中加回，使现金流能更好地反映企业的研发投资状态。

和央国企根据所属行业选择基本面因子的方法类似，科技股的选股因子同样分为通用因子和特色因子。对于通用因子，我们从科技股最重要的盈利、成长与研发能力进行考量，选择了毛利率_环比增量、归母净利润环比增速与累计独立获得的发明专利数量3个因子。

成长期股票的特征是投资现金流为负、融资现金流为正,公司仍然需要外部融资支撑研发投入、扩大企业规模，力求在行业中站稳脚跟。因此,对于成长期的股票，适当举债反而有利于公司扩张,资产负债率的ICIR显著为正;同时，在研发费用细分项上，我们选择了研发费用折旧摊销占比这一指标，若该指标上升说明企业在研发上的直接投入不足。

成熟期股票的特征是投资现金流、融资现金流均为负，此时公司仍然需要投资(包括固定资产投资、研发投入等)维持公司规模与在行业中的地位，但不像成长期公司需要外部融资的支撑，同时由于公司达到一定的规模、可能已成为行业龙头，规模效应作用下公司的经营效率更高，并且在产业链中话语权也更高。因此，对于成熟期股票，我们以应收账款周转率反映公司的营运效率，同时以研发费用直接投入占比反映公司在研发上的投入情况。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）