2025年中期资产配置建议书：于错综中寻全局之道

一、市场回顾

回顾今年以来全球市场各类资产的表现，全球权益市场分化显著，德国 DAX、港股领涨。首先，欧洲市 场受益于欧元区经济温和修复、欧洲央行跟随美联储降息，利率下行驱动高杠杆成长股估值修复，例如德国汽 车和工业制造企业，德国 DAX 指数上涨超过 20%，表现领先。其次，港股市场表现亮眼，恒生指数上涨 16.10%、恒生科技上涨 15.72%，主要依托政策推动下互联网龙头业绩改善，以及海外美元流动性宽松下，低 估值资产获得外资回流青睐。美股方面，纳斯达克指数年内收跌 1%左右，标普 500 略微收涨 0.5%，科技成长 股震荡回调，价值股相对抗跌；具体来说，AI 龙头估值触及历史高位，叠加十年期美债收益率阶段性反弹， 成长股泡沫遭遇挤压；而消费、金融股则凭借稳定分红在一定程度上抵御了波动。日本股市受到央行加息预 期、日元波动及全球经济放缓担忧影响，二季度大幅下跌，年内收跌 5%，特别是科技和汽车等出口依赖行业 受到重挫。经济弱复苏背景下，地产和消费修复滞后，叠加关税扰动，沪深 300 年内收跌 2%左右，在全球主 要宽基股票指数中相对落后。 商品方面，尽管近期有所回调，黄金年内仍取得了亮眼的表现，SEG黄金 9999 整体涨幅达到 25%。黄金 行情的支撑因素主要包括美联储降息、实际利率持续下行，削弱黄金持有成本；同时地缘冲突升级等不确定性 因素进一步强化了黄金的避险属性。原油年内表现不佳，ICE 布油陷入供需双弱，年内收跌 16%，供给端 OPEC+减产执行力不足、美国页岩油产量上扬，需求端相对疲软叠加新能源替代加速，油价持续承压；但近一 月供需格局有所改善，略有反弹。

国内方面，北证 50 大幅领跑，创业板指跌幅较深；汽车、银行表现较好，煤炭大幅回调。依托政策红利， 北交所流动性大幅改善，具有科创属性的专精特新小盘股受到关注，获得较高估值弹性。创业板指跌幅较深， 整体收跌 7%。风格来看，大盘价值、小盘成长相对领先，大盘成长相对落后。主动基金今年以来超额收益有所 修复，万得偏股基金指数年内收涨 3.37%，跑赢多数宽基指数。债券市场方面，年初在资金面偏紧和外部压力的 冲击下债市大幅回调，之后随着资金面转松和股市回调有所反弹，整体较为震荡，年内中债-新综合指数收涨 0. 6% 。 从一级行业表现来看，汽车行业表现领先，涨幅接近 10%，主要驱动因素包括政策刺激与需求拉动、智能 化技术突破提振估值等；银行在政策呵护息差、高稳定属性的加持下取得了较好的涨幅，约 9%。煤炭跌幅较深， 超过 10%，主要由于进口冲击以及新能源长期替代逻辑压制；非银、地产表现也较落后，当前地产销售仍有待 复苏，房企流动性压力仍未缓解。

2025 年上半年，中国资本市场改革与开放进程加速推进，多项重大政策落地与市场结构性变化交织。 互认基金客地销售比例正式放宽，引发申购热潮。2024 年 6 月 14 日，证监会发布《香港互认基金管理规 定（修订草案征求意见稿）》，进一步优化内地与香港基金互认安排，修订的主要内容为：一是按照稳步有序、 逐步放开的原则，将互认基金客地销售比例限制由 50%放宽至 80%；二是适当放松互认基金投资管理职能的转 授权限制。新规于 2025 年 1 月 1 日正式生效，进一步引发了互认基金的申购热潮。从香港基金内地发行销售资 金汇出入情况来看，2024 年以后累计净汇出金额逐渐增加，2024 年末达到 426.65 亿元；2025 年互认基金客地 销售比例放宽后，大量资金涌入互认基金，累计净汇出金额大幅增长，2025 年 1 月跃升至 1390.56 亿元，之后 两个月保持增长。2025 年 4 月，累计净汇出金额有所减少，回落至 1289.25 亿元。

保险资金投资黄金业务试点开启。国家金融监督管理总局 2 月 7 日发布消息，为拓宽保险资金运用渠道， 优化保险资产配置结构，推动保险公司提升资产负债管理水平，开展保险资金投资黄金业务试点；试点保险公 司共 10 家。在投资比例方面，试点保险公司投资黄金的账面余额合计不得超过公司上季末总资产的 1%。试点 范围之外的保险公司也可能通过投资黄金股等间接方式参与黄金投资，黄金和黄金股有望迎来长期增量资金。 另外，此次试点为后续开放黄金 ETF 等更灵活投资工具奠定了基础，有助于促进保险资金与黄金市场的深度融 合。3 月 24 日，上海黄金交易所公告人保财险、中国人寿、平安人寿和太保寿险获批成为上海黄金交易所首批 保险类会员，四家险企于 3 月 25 日分别通过竞价、询价、大宗、定价等不同交易方式投资了上海黄金交易所合 约。

公募基金市场迎来重磅改革。2025 年 5 月 7 日，证监会公开印发《推动公募基金高质量发展行动方案》， 围绕“以投资者为本”的发展理念，提出包含 25 条具体改革举措，涵盖了优化主动管理权益类基金收费模式、 强化基金公司与投资者的利益绑定、提升行业服务投资者的能力、提高公募基金权益投资的规模和稳定性、一 体推进强监管防风险促高质量发展等方面。此次改革强化业绩基准的约束作用，并推动建立挂钩相对业绩基准 超额收益的浮动费率机制；同时全面强化长周期考核与激励约束机制，要求基金公司建立以基金投资收益为核 心的考核体系，适当降低规模排名、收入利润等经营性指标的考核权重。 当前以沪深 300 为基准主要构成的主动权益基金，无论是在数量上，还是在规模上，其占比都呈绝对优势。 从 2024 年年报来看，以沪深 300 为基准主要构成的主动权益基金在非银金融、银行和食品饮料上相对低配，在 电子、机械和基础化工等行业明显超配。

创业板指数编制方案迎来修订。为进一步优化完善指数编制方法，提升指数可投资性，深圳证券交易所及 其子公司深圳证券信息公司于 2025 年 4 月 30 日发布公告，修订创业板指数编制方案，并将于 2025 年 6 月 16 日正式实施。具体而言，修订内容包括：一是引入 ESG 负面剔除机制，剔除国证 ESG 评级在 B 级以下的股票， 降低指数样本发生重大风险事件概率；二是引入个股权重上限机制，通过设置权重调整因子，使单只样本股权 重在每次定期调整时不超过 20%，将单只样本股对指数的影响控制在合理范围内。经评估，优化措施实施后不 会造成指数样本股及权重大幅调整，不改变指数运行特征，对指数样本股和跟踪产品运作不产生影响。深交所 表示，本次修订旨在进一步优化完善指数编制方法，提升指数可投资性，更好满足各类投资者的资金配置需求。 修订充分听取市场意见建议，充分吸收借鉴近年来宽基指数编制创新理念。 主动权益基金超额修复，港股配置比例大幅提高。2024 年主动权益基金整体跑输被动基金，今年以来超额 有所修复，整体表现优于指数基金；年内领先基金主要包括重仓机器人、创新药等受益于主题行情的基金，以 及北交所基金，整体风格偏成长。另外在港股行情推动下，主动偏股基金港股仓位也持续提升。考察合同约定 可投资港股的主动偏股基金，2024Q1 开始港股配置比例持续提升，Q2 进一步加强配置，相比上季度末提升 5. 2 个百分点，目前港股配置比例超过 30%，达到近五年新高。

二、宏观及资产配置

2.1 全球宏观经济展望

海外宏观：仍存在不确定性

2025 年全球经济总体复杂而脆弱，呈现出“低增长、高波动”格局，受地缘政治冲突与关税政策波动等 影响，海外宏观经济仍存在不确定性。美国消费动能趋缓、通胀压力再现，就业市场转弱预期延续，诸多因素 或将加剧经济下行风险。此外，欧洲经济复苏的可持续性同样面临考验，德国财政赤字扩张暂时提振经济信 心，但居民投资消费意愿不及预期。日本高通胀持续压制经济复苏，物价维持高位加重居民生活压力，货币紧 缩政策可能延续。

国内宏观：经济凸显韧性

虽然国际环境仍较复杂，但国内消费增长有亮点，投资规模也在扩大，出口韧性超预期，使得全年经济凸 显韧性。同时由于关税摩擦暂缓，5 月制造业有所回升，“抢出口”、“抢转口” 与“两新”政策对需求有 阶段性支撑。展望未来，当前经济基本面在关税政策阶段性缓和后有较大修复，但进一步回升仍需增量的逆周 期调节政策发力。 消费端，中国社会消费品零售总额同比略有改善，近 1 年呈现出增长趋势，其中消费品以旧换新政策将对 全年社会消费品零售总额构成支撑。此外，3 月《提振消费专项行动方案》提出发展入境消费，上海统计局数 据显示，过境免签政策放宽以来，上海国际旅游入境人数明显增加，今年以来相较于去年同期增长了 37.1%。 入境旅游有望成为新的增长点。 

投资端，“两重”建设、“两新”政策效应持续显现，投资规模在扩大，今年以来固定资产投资同比增长 4.0%。分项来看，基建投资方面，今年基础设施建设投资同比增长 10.9%，4 月 25 日中央政治局会议指出“用 好用足更加积极的财政政策”、“加快地方政府专项债券、超长期特别国债等发行使用”，在财政大力支持 下，后续基建投资有望保持高增。制造业投资方面，设备更新仍是支撑，今年以来设备工器具购置投资同比增 长达到 18.2%。房地产投资方面，2025 年以来中国 30 大中城市商品房成交面积仍处于低位。

出口端，美国对华加征关税将使得我国大部分产品对美出口成本显著上升，但我国部分产品仍对美出口保 持韧性。2025 年 3 月以来中国制造业 PMI 新出口订单指数总体有所回落，但仍处于较为适中的水平。另外从 今年以来我国港口集装箱吞吐量数据来看，当前处于同期较高水平，可见我国产品出口数量仍显示出较强韧性 且预期延续。

2.2 大类资产趋势展望

2.2.1 股票资产：AH 股占优，美股维持震荡

A 股：盈利周期有望企稳回升，绝对估值整体修复

关税缓和窗口期阶段性支持经济增长，市场关注点或将回归基本面逻辑。同时本轮库存周期下，万得全 A(除金融、石油石化)ROE 已下行 15 个季度，盈利周期年内有望企稳。估值方面，去年四季度以来，A 股绝对 估值整体修复，中证 800 市盈率 TTM 较去年“924”前修复约 20%至 14.1 倍（截至 2025/6/5）。流动性方 面，降准降息即将落地，中国金融条件指数呈现下行趋势，国内整体流动性维持宽松。

港股：盈利修复带来上行空间，四季度确定性更强

基本面方面，2024 年以来港股市场主要宽基指数 ROE 整体上行，预计国内宏观经济修复进一步带来市场 活力提升，企业营收有望改善。估值方面，截至 2025 年 6 月 5 日，恒生综合指数、恒生指数、恒生科技指数 市盈率 TTM 分别为 11.2 倍、10.6 倍、20.7 倍，对应处于历史的 45.5%、44.1%、11.7%分位数，相对而言，恒 生科技配置性价比凸显。从节奏上看，三季度关税政策反复、美债利率上行压力、美股市场潜在波动等因素可 能影响全球市场风险偏好；四季度盈利增速有望提升，海外宏观经济扰动压力相对减弱，估值盈利在四季度更 易形成共振。

美股：估值扩张空间有限，或呈现区间波动趋势

美国一季度 GDP 增长转负，环比下滑 0.2%，面临着经济下行压力与通胀风险抬升问题，均可能对股票市 场造成负面影响，展望下半年美股市场或呈现区间波动趋势。同时当前美股估值偏高，标普 500 市盈率 TTM 接近历史 95%分位数，美国股市年内上行空间可能有限。与此同时，美国宏观环境上行动能不足，可能在市场 波动较高时放大扰动。

2.2.2 债券资产：中债震荡延续，美债高位运行

中国国债：震荡格局延续

2025 年上半年货币政策维持宽松，可能推动利率进一步下行，三季度前后，宽财政、促消费政策或将发 力，债市利率可能转向震荡或震荡上行。总体而言，下半年国内债市预计延续震荡格局，同时在债市利率低位 运行的环境下，随着增量政策陆续出台，市场预期与经济现实的博弈或将加剧债市波动性。

美国国债：维持高位运行，长久期进攻配置

2025 年下半年美国经济增速边际放缓，整体呈现“弱而不衰”特征。高利率压制地产销售和企业投资放 缓，但青壮年人口增长带来的总量需求为市场提供一定支撑，预计下半年需求回落速度可能边际减弱。在此背 景下，美债收益率大幅下行风险较小，大概率维持高位运行，美国国债仍然是投资者避险的重要资产之一。与 此同时，当前长端美债利率已企稳，建议长久期进攻配置。

2.2.3 商品资产：中长期看多黄金，原油震荡走弱

黄金：短期高位震荡，中长期看多

黄金短期预计维持高位震荡走势，6 月美联储降息概率很低，同时贸易摩擦并未进一步恶化、美国财政引 发的美元信用收缩尚未到爆发期，黄金短期缺乏上行驱动力。中长期维持看多方向，首先从需求端来看，全球 央行购金需求预计将继续上行。与此同时，美国一季度 GDP 回落或加剧通胀风险，美联储在通胀和经济中面 临权衡，当前仍在降息路径中。根据 CME FedWatch 数据，截至 2025 年 6 月 8 日，年内首降时点仍落在 9 月。此外，逆全球化趋势与债务超发背景下，美元信用收缩是大周期逻辑。总体来看，美国通胀加剧、降息预 期、美元信用收缩等风险因素中长期抬升黄金避险价值。

原油：弱需求主线，或将震荡走弱

2025 年下半年原油为弱需求主线，同时市场预期指向悲观，预计原油呈现震荡走弱趋势。供给端，原油 供给因子与原油产量同比整体呈现震荡下行趋势。需求端，中美年内油品需求增长乏力，全球整体需求增速维 持低位，原油市场预期将面临供应过剩的风险。

2.3 资产配置方案

2.3.1 普林格周期配置模型

普林格周期脱胎于美林时钟模型，在美林时钟模型增长/通胀的基础上加入信贷指标来更好的适应货币主 义时代。在普林格周期中，使用先行指标（M1、M2 同比），同步指标（GDP 同比、工业增加值同比），滞 后指标（PPI 同比）三个指标来衡量经济周期，将经济周期划分为六个阶段，并计算了在上述各个阶段中各类 资产的回报率和股票不同风格回报率，结果表明，在经济周期各个阶段的轮换中，不论是大类资产还是股票风 格，其收益率均有所分化，优势品种有超越大市的表现。

在经济周期第一阶段，央行仍实行宽松的货币政策，继续增加货币供应量，推行各种财政政策刺激经济。 从资产配置的角度看，此时一般短期利率会上行，同时债市经历熊市之后也将迎来拐点，因此债券与现金成为 这一时刻的优质资产。但是在这一阶段，生产与通胀仍处于下降区间，高波动资产依然有相当高的风险，不建 议配置。 在经济周期第二阶段，通货膨胀继续回落，GDP 增长率开始上升，虽然闲置的生产力还没有完全的利用 起来，但企业的利润率已企稳开始回升，同时央行为了使经济全面恢复会持续增加货币供给。从资产配置的角 度看，这时权益市场筑底完成，是配置的最佳时期，建议高配。 在经济周期第三阶段，三指标同步上行，经济全面恢复，企业利润率高速上行。从资产配置角度看，此时 各行各业生产力火力全开，对原材料需求较高，商品迎来行情，致使股票受益于企业基本面快速抬升以及经济 上行的预期会获得普涨，此阶段建议高配股票和商品。

在经济周期第四阶段，生产增长开始减缓，通货膨胀上升。GDP 增长虽然在上升，但增速已明显放缓， 为抑制过热的投资，央行开始加息减少货币供应量。从资产配置角度看，由于股票投资收益依赖企业的利润率 和利率水平，商品是最佳的资产配置选择，同时股票也有一定的配置价值，但是需要重点关注盈利支撑。 在经济周期第五阶段，GDP 增长降低到长期增长趋势以下，但是通货膨胀依然继续上升，经济进入滞胀 阶段。从资产配置角度看，权益市场已经疲态初现，不建议配置，而商品处于最后的疯狂，可以配置但是有一 定的风险，此时黄金成为最优资产。 在经济周期第六阶段，三指标同步下行，经济增长严重乏力，从而导致了通货膨胀开始下降，企业利润率 也遭遇滑铁卢。从资产配置角度看，此时建议配置避险属性明显的黄金与债券，其中债券以现金更优。 根据我们的改进版普林格周期，普林格六周期信号更新：阶段 1。面对外部环境不确定性与降息预期，以 M1 和 M2 为代表的先行指标有望延续上行趋势。5 月制造业 PMI 逆季节性回升，但仍处于收缩区间，后期走势 仍需观察。PPI、CPI 在前期回升后目前迎来调整，我们认为此次调整仍未结束，滞后指标维持下行。模型建议 配置是债券和黄金。根据我们改进的普林格周期理论构建的策略，过去 9 年年化收益 21.14%，夏普比率 1. 81， 最大回撤-6.38%，分年来看，过去 9 年策略均获得正收益。

2.3.2 宏观因子风险平价策略

本节选取涵盖股票、债券、商品三大类的 7 种国内资产，构建基于主成分宏观因子的月频调仓风险平价策 略，选取的具体标的为：权益资产中的沪深 300 全收益、中证 1000 全收益指数，债券资产中的中债国债总财 富 1-3 年指数、中债国债总财富 3-5 年指数、中债国债总财富 7-10 年指数及中债信用债总财富指数，商品期货 中的金指数。然后每月末求解各资产的权重，使得各宏观因子对组合的风险贡献相等，具体参见《宏观因子构 造及应用指南》一文。 对选定的七类资产，采用全区间的收益率数据提取的主成分结构如下表。从构成来看，各主成分有清晰的 宏观含义。第一主成分在债券类资产上的系数较高，其余系数绝对值较小，与利率水平因子对应。第二主成分 在权益类资产的系数为正，债券类资产系数为负或较小，对应增长因子。第三主成分在黄金上的系数为最高， 对应商品因子。第四主成分在信用债上的系数最高，在利率债上的系数为负数，其余系数绝对值较小，对应信 用因子。第五主成分在短久期的国债上系数最高，在长久期的国债上系数为负数，二者绝对值相近，对应利率 斜率因子。第六主成分在沪深 300 上的系数最高，在中证 1000 上的系数最低，其余系数绝对值较小，对应权 益大小盘因子。第七主成分在中等久期的国债上系数最高，在长/短久期的国债上系数为负数且绝对值相近， 其余系数绝对值较小，对应利率凸度因子。从因子的解释度来看，第一/二/三主成分可解释各类资产 39.2%、 25.2%、15.2%的波动，前三个主成分累计解释度近 80%。

从策略表现来看，自 2010 年 3 月以来，基于宏观因子的风险平价策略取得了 3.87%的年化收益率，年化 波动率 1.49%，最大回撤-2.42%，夏普比率 2.60，月度胜率 81.32%，双边年化换手率 262.12%。策略最近 12 个月收益率 3.83%，最大回撤-0.15%。总体来看基于宏观因子的风险平价策略表现稳健。

从最新持仓来看，策略在沪深 300 和中证 1000 上的权重分别为 2.44%和 0%，在债券资产中选择中债国债 总财富 1-3 年指数和中债信用债总财富指数上的权重分别为 10.37%和 85.21%，在沪金上的配置比例 1.98%。

2.3.3 全球配置 ETF 组合

我们在报告《基金配置系列：基于宏观状态识别的多资产配置 ETF 组合》中具体介绍了针对 A 股、债 券、黄金、美股和港股的中长期配置模型，总体思路是通过宏观层面的经济增长、通胀、流动性、货币政策、 美元指数、汇率、央行购金等指标及因子，采用马尔可夫转移模型识别宏观状态，分别探讨股票、债券和黄金 的投资价值，根据市场环境的变化进行动态调整不同资产的风险预算，并综合考虑宏观状态、风险分配及业绩 动量，构建多目标优化模型进行资产配置分析，构建 ETF 配置组合。 我们借鉴美林时钟的思路，通过构建综合增长因子和综合通胀因子来挖掘股票投资价值较高的时机。与传 统美林时钟不同的是，我们不仅关注因子变化方向，同时也将当前的状态纳入考虑。其中增长因子主要考虑 PMI、工业增加值、社会消费品零售总额、固定资产投资完成额和出口金额这 5 个指标，通胀因子主要考虑 CPI 和 PPI 这 2 个指标。采用流动性因子用于债市的风险监控，流动性因子采用 M1 同比来衡量。除了宏观层 面的因素外，股市本身的特征也对其投资价值具有重要影响。采用 ERP（股权风险溢价指标）、EP（1/PE） 和 BP(1/PB)指标来构建股债性价比因子，监控股市极端情况，并结合货币因子综合评估股票投资机会。

黄金的投资价值和美元指数的关联度较高。过去数十年间，美元与黄金的负相关关系都是支撑金价走势判 断的核心。然而自俄乌冲突爆发以来，美元与黄金的负相关体现就日渐趋弱，避险情绪和“去美元化”或许是 黄金价格变化的重要因素。另外，由于黄金是美元计价，对于国内而言，汇率也是黄金投资的考虑因素之一。 因此我们通过美元指数、央行购金和汇率等因素，构建黄金投资因子，衡量黄金的动态配置价值。

采用多目标优化模型进行业绩增强。传统风险平价及风险预算主要考虑的是资产之间的协方差，即重点关 注风险分配。我们对该模型进行微调，将资产动量也纳入考量，构建多目标优化模型。我们考虑采用 ETF 来 构建基于宏观状态的基金组合。考虑到可投性、相关性和模型适用范围，我们将 A 股、港股、美股的相关 ETF 纳入股票产品类型，风险分配上偏重 A 股，A 股考虑底仓型宽基 ETF，并根据市场环境做风格配置调 整；商品仅考虑黄金 ETF，债券考虑短融和 10 年期国债 ETF。我们采用 ETF 跟踪的指数进行业绩回测，并采 用相对均衡的投资方式来进行风格配置，并且控制除债以外资产的配置上限。债券方面我们根据流动性因子状 态进行微调，当流动性因子状态显示为“高”时缩短配置久期，加大对短融的配置。 构建目标波动率为 5%、10%和 15%的稳健、平衡和积极组合，并限制对于黄金、美股和港股的投资比例 上限为 10%，并根据宏观状态信号动态月度调整风险预算，整体的非债券配置比例大约在 30%、40%和 50%。 对比宏观状态模型和风险平价模型，稳健、平衡和积极组合的年化超额收益分别为 3%、5%和 9%，组合回撤 表现有明显变好，夏普比率表现优秀。从今年以来业绩表现来看，目标波动率为 5%、10%和 15%的稳健、平 衡和积极组合 2025 年以来收益分别约 3.5%、3.8%、4.1%。

从最新的宏观因子状态信号来看，中长期的投资建议仍较稳定，流动性因子没有提示债券利空风险，故债 券配置仍以长债为主；股票投资建议以红利+宽基+成长的配置思路，其中红利与宽基为底仓；黄金信号仍处于 积极区间。综合宏观信号及风险预算模型，最终得到稳健、平衡和积极组合的指数配置，组合今年以来整体加 仓债券、减仓股票，由于黄金近期波动较大，稳健组合对黄金配置比例有所减少。

三、行业配置

3.1 行业轮动体系

我们在 2025 年 3 月 6 日发布的《多策略行业轮动体系构建：多维轮动，更上层楼》中具体介绍了基于因子 动量思想以及宏观、基本面、资金面，事件动量等子维度构造的复合行业轮动策略。每个维度均具备独立的逻 辑：宏观维度主要刻画了行业的经济周期动量效应；财务维度则主要从三大报表出发优选财务状况较好的行业； 分析师预期展示分析师预期边际上调的行业动量效应；ETF 份额变动逻辑为超卖行业 ETF 反转；公募基金/ 优选 基金仓位动量刻画了公募基金/优选基金重仓行业的动量效应；事件动量效应的逻辑则是事件发生时的市场惯性 （非线性行业动量）。

在报告《宏观因子行业轮动体系》中，我们介绍了使用宏观数据来解释行业截面收益差异的若干途径，最 终我们选择使用变量筛选+行业超额对宏观变量回归的方式作为我们宏观模块的策略并持续样本外跟踪。我们使 用的宏观变量范围如下表，这些变量均为数值型变量，为了方便建模，我们将数值型变量处理为标记型变量， 即仅保留宏观变量上行下行趋势（1，-1，0）而不再考虑其变化幅度，因变量则为每月行业相对行业等权的超额 收益。 经过研究，最终模型每个月变量会综合考量过去半年每月的变量选择结果，对变量出现的次数进行排序， 使用出现次数在前 5 名的变量并剔除仅入选 1 次的变量作为最终模型入选变量。模型拟合分为两步，首先使用 行业超额收益率为因变量，逐步回归筛选出的变量为自变量进行 OLS 拟合并计算拟合残差，接着使用残差为 因变量，月度示性变量为自变量进行第二步拟合。残差进行第二步拟合主要是为了刻画月度效应。

在报告《基于基本面及分析师预期的复合行业轮动策略》中，我们介绍了使用三大报表披露的财务数据并 以整体法计算财务因子。为了保证个股实际财务数据的可得性和一致性，统一设定报告期与因子时点的匹配规 则：4-7 月使用一季报数据计算，8-9 月使用中报计算，10 月-次年 3 月使用三季报计算。此外，考虑到财务指标 对金融地产适用性较低，财务因子的计算不涉及银行、非银行金融、房地产、综合金融这四个行业。经过批量 测试，我们最终使用的复合因子为资产负债率、成本费用利润率、净利润环比增长率、利润总额环比增长率、 净资产收益率、归母净利润环比增长率六个因子的等权。

同样在报告《基于基本面及分析师预期的复合行业轮动策略》中，我们还介绍了使用朝阳永续的个股一致 预期数据来计算行业的分析师预期因子。计算细节方面，我们会根据各行业的历史净利润分布规律将年度的预 期净利润分拆到各单季度，另外在计算行业整体的净利润时，按照正式财报、业绩快报、业绩预告、年度预期 分拆、上年同期数据的优先级，计算成分股的实际/预期净利润数据。通过批量测试发现，行业预期 ROE 的调 整值要比行业预期 ROE数值更具备行业比较能力。最终我们使用的分析师预期因子：按成分股汇总当前时点 对 2 个自然季度后的预期行业 ROE，计算相比 3 个月之前的变化值。 在报告《利用散户、公募及私募的资金流构造行业轮动策略》中，我们介绍了如何利用行业 ETF 资金流构 建行业轮动策略。从统计结果来看，行业类 ETF 的机构持有率偏低，因此行业 ETF 的投资形态很大程度上反映 了市场中散户的投资行为。我们使用 ETF 的份额变动构造策略，首先用在某个中信一级行业有较高占比的 ET F 来代替该中信一级行业，具体来说，ETF 披露全持仓（新发 ETF 为所跟踪指数持仓）在某个中信一级行业的投 资占比超过某个阈值时，定义该 ETF 为某行业 ETF。每月末计算各个 ETF 过去一段窗口期的份额变动比率，在 每个行业内，将该行业对应的若干 ETF 的份额变动比率使用规模加权求和，将每个行业的 ETF 份额变动比率从 低到高进行排序分为若干等分。多头持有份额减少较多的行业，空头持有份额增加较多的行业。

公募基金持仓预测的行业资金流变动估算模型基金池选择并入二级分类 18 个月以上的中高仓位基金。由于 中信一级行业分类共有 30 个，短期内会出现同涨同跌情况，使用回归时共线性问题会导致对行业仓位的估算出 现较大误差，所以我们将 30 个中信一级行业分类人为降维至 10 个板块进行分析。在时点 t，使用板块指数过去 1 个月收益率对万得全 A（881001.WI）同期收益率作线性回归并取残差作为板块的超额收益率，同方法获取基 金的超额收益率。接着使用有约束的半衰加权 Lasso 回归，即在最小二乘回归中，将残差平方和目标乘以随时 间半衰的权重后加 L1 范数作为惩罚项，这样能够保证稀疏的同时使距离 t 时点越近的信息在回归中占有更高的 权重。将基金的超额收益率对 10 个板块的超额收益率做约束回归。以周度为频率，每周末对公募基金板块仓位 进行测算。由于周度频率测算波动较大，在此基础上我们做了 MA(12)一个季度的平滑处理。最后根据过去 28 周至前 5 周的板块变动率的动量构建行业轮动信号。

我们从主动权益基金中缩小范围，如果每一期我们只考察核心能力最优秀的基金仓位变动，并且进行一定 的复制跟随，能否获得超过使用全体主动权益基金的行业观点结果。对于核心能力优秀的基金筛选条件，我们 参考长期能力因子系列报告中对长期能力因子的构造以及细化，使用基金的择时、行业-风格配置、行业-风格选 股以及交易能力，将四个因子等权配置构成长期能力因子。在每个时点截面，选取可得信息中长期能力因子排 序前 20 的基金，根据 20 只基金的行业仓位测算平均，按照仓位配比排序，取前 3 只和后 3 只（3 只即为前 10%） 配置多头和空头组合。我们将多头部分表现较好的放大优选基金仓位配置和空头部分表现较好的优选基金仓位 变动结合，构成我们基于长期能力因子的行业轮动策略。我们在每个月计算组合时，在过去时间段的多个参数 组计算每组的收益波动比，将收益波动比最高的一组参数组输入进次月使用参数，用于计算次月多空行业组合。

相比于传统的固定窗口期动量，事件型动量策略具有不定时触发、计算动量所用窗口期较短且不连续的特 点。我们主要定义宏观数据披露，市场触底反弹，高位下跌，横盘突破四种事件，使用事件发生时的动量作为 因子值，原始因子值是日频，通过每月回看过去一个月的日频信号进行时间衰减加权将频率降至月频以便与其 他模块进行后续融合。 最后，我们动态选取若干维度信号等权复合，复合效果的上限一定程度由子模块间的相关性决定。从相关 性来看，相关性最低的四个信号为宏观、事件动量、优选基金仓位、ETF 份额变动，而财务因子、分析师预期、 全体基金仓位三者相关性较高，源于三者本质上都是基本面驱动、容易同涨同跌，但是三者在部分时段的超额 表现又有一定差异，因此仍将其作为单一维度与其他维度一起复合。复合策略构造参考了因子动量的思想，每 月底选择近期超额表现较为优秀的维度作为下月决策的依据，具体是使用过去一段时间的超额胜率作为筛选依 据。

3.2 行业轮动效果

我们对复合因子和单因子的轮动效果进行历史回溯，同时补充报告《估值比较视角下的行业轮动策略》中 构建的估值比较因子。考虑到各维度数据的可得性，将回溯区间设置为 2019 年 1 月至 2025 年 5 月。根据多头 组的绩效表现，复合因子策略展现出显著优势：年化超额达到 28.9%，信息比率为 2.21，月度胜率为 74% 。这 些核心指标均显著优于单一维度策略，充分验证了多信号动态复合机制在风险调整收益和稳定性上的优越性。 观察今年以来超额收益，复合信号多空两端均表现稳健，多头超额为 2.0%、胜率 60%，空头超额-3. 1% 、胜 率 20%。子模块方面，整体上空头端略优于多头端：多头端主要是宏观、ETF 份额和估值比较表现较优，其中 宏观的超额达到 3.4%；而在空头端，宏观、财务、优选仓位、事件动量和估值比较均有不俗表现，尤其是优选 仓位的空头超额高达-8.5%，展现了出色的反向剔除能力。

3.3 DeepSeek + RAG 行业推荐

我们构建一个 DeepSeek-R1+RAG（Retrieval-Augmented Generation）系统用于行业轮动。通过运用大模型的 推理能力以及反省机制，对行业进行全面而细致的分析，以期挖掘更深层次的 Alpha 信息。 为了全面对行业进行分析，模型采用了技术指标、新闻数据以及研究报告等多维度数据。技术分析涵盖了 行业的关键数据，核心指标囊括了短期动量、中期动量、MACD（异同移动平均线）、RSI（相对强弱指数）， 以及相对于过去 52 周峰值的价格变动百分比。这些多元化的指标共同勾勒出行业的当前趋势，并且反映了其走 势与整体市场趋势的异同。新闻数据集采用聚源新闻数据库，汇聚了来自主流财经网站的新闻资源，涵盖了超 过 500,000 条精心筛选的财经新闻文章，包含了市场动态、宏观经济指标、公司业绩等多方面的关键信息。平均 每日收录的新闻条目约 1,061 篇，每篇文章的中位数长度为 519 字，平均字数为 826 字。投资研究报告蕴含了 资深分析师深入的财务评估与前瞻性的市场预测，承载着大量宝贵信息。具体采用源自东方财富网发布的宏观 以及策略研究报告摘要，这些摘要格式统一、篇幅适中，有效规避了冗长文本处理的问题。

DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型 推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。但是 DeepSeek 并非专为市 场预测而构建，其内在的逻辑思维能力与市场的特定逻辑可能存在部分差异。为了克服这一局限性，我们采用 了自反省机制以增强大模型能力。该机制的工作原理是，在每一轮的预测过程中，首先向模型提供上一轮预测 的准确性反馈。如果上一轮预测未能达到预期的准确度，模型将启动自我反省程序，深入分析预测失误的原因。 通过这一过程，模型能够学习并吸收过去的经验教训，从而在未来的预测中做出更为精准的判断。这种自反省 机制不仅有助于提升模型的预测性能，也使得模型能够不断适应和学习股票市场的变化，使其预测结果更加贴 近实际市场情况。通过这种方式，我们也能够了解大模型的分析思路，为我们理解市场提供一定的借鉴。 我们将 DeepSeek-R1 作为资深的策略分析师，让其从相关信息中分析未来股票市场的走势。每周将中信行 业指数技术指标，市场重要新闻，以及策略研报信息交由大模型进行分析，将上周预测结果输入大模型进行自 我反省。根据以上信息让 DeepSeek-R1 输出本周推荐的五个行业代码。利用 5 个行业指数构建等权组合，下一 个交易日交易，基准为 30 个行业等权。最终策略 Alpha 为 11.7%，夏普比率为 0.44。

3.4 行业推荐组合

我们的行业推荐组合采用“定量筛选+主观优化”的双轮驱动模式。通过打分模型筛选出具备高胜率潜力的 行业标的，再结合宏观政策、产业趋势等定性分析以及大模型推荐结果调整配置权重。模型打分方面，综合考 虑单信号组合表现和信号间相关性，我们选择了宏观、优选仓位、估值比较、ETF 份额和财务这五个因子，分 别给予 30%、20%、20%、15%和 15%的因子权重，加总得分后再转化为模型配置权重。根据模型推荐结果，看 好电子、汽车、基础化工、通信、家电、银行和医药，权重依次为 28.3%、21.7%、16.7%、11.7%、10.0%、6. 6% 和 5.0%。 主观研判方面，在国内经济弱复苏与外部不确定性交织的背景下，A 股呈现震荡分化格局，我们建议关注 主题性机会参与产业升级红利，同时依托防御性板块抵御外部冲击。二季度以来，科技政策组合拳密集发力， 尽管短期内受到海外扰动导致估值承压，但 AI、半导体、机器人等硬科技领域仍是下半年主线。医药板块受益 于政策红利释放、产业升级加速等多重利好，政策与业绩拐点趋势得到进一步验证，下半年有望迎来业绩与估 值的戴维斯双击。在关税政策不确定性下，外需预期承压倒逼强化内需，消费政策持续加码，将利好汽车和家 电等大宗商品消费。银行板块防御属性突出，具备业绩确定性强和分红现金流稳健的优势，此外公募新规将引 导基金配置向基准靠拢，为显著低配的银行板块持续带来增量资金，加速其估值修复。综合上述，同时参考大 模型的配置建议，我们推荐“科技+消费+红利”三大主线，行业配置上参考模型结果并适当提升银行与医药的 配置权重，推荐配置权重为电子（20%）、银行（20%）、医药（15%）、汽车（15%）、通信（10%）、家 电（10%）和基础化工（10%）。

四、风格配置

4.1 基于宏观因子的风格推荐

4.1.1 价值成长动量

为了择时模型的简便，我们将国证价值比国证成长构造价值/成长线，在之后模型介绍中，我们都只对该线 进行择时。 通过过去净值可以发现，价值/成长风格 2015 年之前并无太大差距，处于长期平稳，短期震荡的状态中；而 在 2015 年后，价值和成长风格具有明显的趋势效应，即：风格属性相对明确后，会持续一段时间，例如 2016 年 至 2018 年的价值风格，2018 年至 2021 年底的成长风格，2022 年至 2023 年的价值风格。 因此，我们利用动量效应来构造一个模型对这种趋势性非常明显的价值成长风格进行跟随。在季度层面， 我们每季度末计算过去半年的价值/成长收益，当价值/成长收益为正时，在接下来的一个季度配置多头价值/成 长组合，反之空头。策略自 2013 年 6 月至 2025 年 3 月取得 10.67%的年化收益，同期价值/成长年化收益为 4.48%。同时，策略的换仓频率并不高，仅有 9 次切换，季度择时准确率 72.09%。

以上我们用简单的动量就完成了季度上的风格择时，这是在量价维度上。基本面上，价值-成长的风格内核 主要依托美债利率，美国货币政策的变化对全球资本流动有传导影响，深港通开通以来，美债利率对于 A 股市 场的影响力度明显增强。美债抬升会压制成长风格：一方面，美债利率抬升影响美元计价的投资资金成本，从 而影响北向资金预期回报率；此外，美元流动性收紧通过全球资本市场流动抑制新兴市场的金融条件，挤压依 赖远端现金流的成长股估值。

我们统计过去美债 10 年名义收益率和实际收益率和价值/成长线的变化，可以看到当美债利率抬升时，会 压制成长股，这种变化需要传导时间，从过去 10 年经验来看大约是 3 个月，也就是正好一个季度。因此，我们 使用 10 年美债收益率 1 年同比，并滞后 1 个季度作为基本面上美债的价值/成长风格择时观点。当美债上行时， 多头价值/成长，反之空头。策略取得 10.91%的年化收益，略高于量价角度的半年动量。信号端共计 13 次信号， 季度择时准确率 67.44%。

使用量价和基本面角度对价值/成长线进行择时后，我们发现这种简单跟随效果较好。但是存在问题即在风 格发生变化的时间点会滞后一个甚至多个季度才会进行模式切换。为了让该风格择时模型更灵活，我们引入一 个“模式切换按钮”。美债 10 年利率的 1 年变动会滞后 1 个季度传导至国内价值和成长风格，我们用 MA 12 的 美债和自身对比，会发现美债利率上穿和下穿自身 MA12 线能够更精准提示风格切换的时点。

因此，我们每个季度末计算美债 10 年利率和自身 MA12 的数据，当美债 10 年利率大于 MA12 线时，配置 多头价值/成长，反之空头。策略取得 6.24%的年化收益，信号端共计 13 次信号，季度择时准确率 65.12% 。在 风格切换的时间点能够第一时间切换风格。

经过以上 3 小节，我们从 3 个角度构建了对价值/成长择时的模型，各有优劣。趋势跟随类的策略优点在于 切换频率低且稳定，但缺点在于反应较慢。基本面类策略优点在于易于解释，缺点在于滞后效应不好把握。模 式切换类策略优点为反应灵敏，缺点在于跟随效果较差。 因此，本小节我们使用逻辑上可解释的简单算法将以上三种小策略进行组合构造最终的策略。最终的策略 分为两层：外层为模式识别，内层为跟随。我们在每个季度末首先计算之前介绍的信号，同时提取上个季度末 该信号，当当期信号和上期信号不同时，即是发生了上穿/下穿。此时我们使用模式切换后的信号；如果当期信 号和上期信号相同，则此时进入跟随模式的识别。跟随模式的识别里，我们取样动量和美债两组信号过去两年 的正确率和命中率标准差，将正确率和命中率标准差相比得到置信度，该值越大表明过去 2 年该信号的准确性 越高。我们在季度末将不同信号置信度进行对比，使用置信度较高的信号作为当期信号。策略取得 14.73% 的年 化收益，信号端共计 15 次信号，季度择时准确率 76.6%。

4.1.2 大小盘轮动

我们同样利用动量效应来构造模型对大小盘风格（沪深 300 和国证 2000）进行跟随，由于大小盘风格短期 层面震荡效应更强，因此将动量的回看长度设置为半年。在季度层面，每季度末计算过去半年的大盘/小盘收益， 当大盘/小盘收益为正时，在接下来的一个季度配置多头大盘/小盘组合，反之空头。策略自 2014 年 6 月至 2025 年3月取得-3.47%的年化收益，同期大盘/小盘年化收益为-21%。策略样本期内换仓 5次，季度择时准确率 56.1%。

信用利差代理变量使用 5 年期中短期票据到期收益率(AA+)与中债 5 年期国开债到期收益率的差值计算。 由于中小企业融资外部依赖度更高，因而对信用利差的敏感度更高。我们利用信用利差的一年同比构造大小盘 轮动的信号，当信用利差走强时，企业融资成本提升，中小企业受到冲击更大，策略多头大盘/小盘，反之策略 空头大盘/小盘。策略自 2014 年 6 月至 2025 年 3 月取得 12.6%的年化收益。策略样本期内换仓 14 次，季度择时 准确率 63.41%。

短端利率我们使用 Shibor3M，长端利率使用国债到期收益率 1Y，短端利率表示短期银行间资金面充裕程 度，而国债到期收益率 1Y 表示短期投资无风险收益水平，短端利率相对较高表示银行相对投资短期一年国债， 把钱在超短期拆给同业能获取更高收益，差额表示超短期拆借利率超出短期投资收益率水平，所以该相对值越高表示金融机构层面资金面越紧张。我们用短端利率减去长端利率代理货币宽松程度。当货币宽松度一年半同 比为正时，说明当前货币较为宽松，策略多头大盘/小盘，反之策略空头大盘/小盘。策略自 2014 年 6 月至 2025 年 3 月取得 0.6%的年化收益。策略样本期内换仓 11 次，季度择时准确率 60.98%。

货币供应量是全社会可用于各种交易的货币总量，是某一时点承担流通和支付手段的金融工具总和。 我国 货币供应量依据货币流动性强弱，可以划分为 M0，M1 和 M2 三个层次。其中 M0 指流通中现金，M1 为狭义货 币供应量，M2 为广义货币供应量：M0=流通中现金。M1=M0+企业活期存款；度量了居民及企业手中的现金流， 是居民企业进行消费、投资的支付手段。M1 高代表居民消费意愿高、储蓄意愿低，企业扩产意愿强、为投资和 经营预留了充足的流动性，是微观主体活跃度的直观反映。M2=M1+准货币（定期存款+居民储蓄存款+其他存 款），度量了广义货币流动性。 我们用 M1 和 M2 的同比增速差，即 M1M2 剪刀差和其 6 个月 MA 的差值表示货币活化程度。在使用货币 供应量数据时需要注意到，M1 和 M2 数据通常为每月 10-15 日披露上月末值，因此我们每个月末使用值默认采 用上个月末的 M1 和 M2 数据。当 M1M2 剪刀差比 6 个月 MA 高时，策略多头大盘/小盘，反之策略空头大盘/ 小盘。策略自 2014 年 6 月至 2025 年 3 月取得-2.1%的年化收益。策略样本期内换仓 13 次，季度择时准确率 65.85%。

我们将以上四信号等权结合得到总信号。策略自 2014 年 6 月至 2025 年 3 月取得 10.12%的年化收益。策略 样本期内换仓 11 次，季度择时准确率 78.05%。基于多宏观因子结合，我们当前给出的中期风格判断为大盘、 价值。

4.2 基于 ETF 资金流的风格推荐

从净流入的角度看，同时考虑了份额变动和均价的影响。我们将净流入按照 ETF 申购赎回清单的风格配置 分配至各行业后全市场 ETF 汇总，风格配置来自于我们将股票每个月末划分成：价值、成长和均衡三类，同样 在市值风格方面划分成：大盘、中盘和小盘三类。我们将 ETF 的净流入根据 ETF 的持仓分配给不同风格后全市 场聚类加总，每个月末选择上月流出最多的风格指数做多，选择流入最多的风格指数做空。 风格指数的构造上，我们使用月度再平衡、流通市值加权的方法构造各个风格指数，我们将我们构造的风 格指数和市场上常用的风格指数进行对比。 结果显示我们构造的多个风格指数和主流指数差异并不大，仅在均衡风格上有差异，不过我们认为在最后 的策略构建时，使用我们自己构造的风格指数进行风格轮动也是有一定参考意义的。 每个月末，我们选取净流入最多的风格做空，净流入最少（净流出最多）的风格做多，形成风格轮动。 基于 ETF 资金流信号，我们当前给出的短期风格判断为大盘、成长。因此结合中短期信号，我们对 2025 年未来风格判断为大盘占优，短期成长占优，长期价值领先。

五、组合配置

5.1 长期能力因子 FOF 组合及风格轮动应用

5.1.1 长期能力因子方法论简介

我们在报告《基金长期能力因子构建——从选股和择时角度》和《基金长期能力因子构建之二——基金选 股能力因子应用》中构建了长期能力因子，在上述报告中，我们基于 Brinson 模型，结合行业指数以及主动权益 基金视角，构造了中信建投行业择时三层业绩分解模型，将基金超额收益拆分为交易、选股、行业配置和择时 四个分项。 新构建的业绩拆分模型构造出的交易和行业配置因子在选基方面能够体现比原始 Brinson 模型构建的选基 因子更好的效果，在择时层面，我们引用经典的 H-M 和 T-M 模型计算基金的择时能力。最终我们构建的长期 能力选基因子包含 TM 模型构造的择时项以及业绩分解模型构造的行业配置和交易两项，在构造基金组合时， 剔除不可购买基金，半年调仓。 在后续研究中，我们对长期能力因子不断改进，我们引入风格因素，将基金超额收益中的选股以及配置项 从另一角度拆分，从而将基金的选股和配置超额收益从行业和风格两个角度进行分解，并且引入交叉项，从而 分解成行业选股、行业收益、风格选股、风格收益、行业-风格选股和行业-风格收益八个分项。

最后对因子的构造施加基于公募主动权益基金抱团热度的因子择时信号，在基金内，当基金抱团因子处于 前 30%分位点以下，在原有的长期因子：择时、交易、配置框架中，修改行业配置为行业-风格配置因子，加入 风格选股因子，而当基金抱团程度过热，即因子分位点位于近两年前 20%分位点时，在构造基金组合时，不使 用选股因子。最后构造组合时，使用选用因子等权，半年度调仓，同样剔除不可申赎基金。 在报告《市场交易保守程度量化指标能够用来做什么？》，我们讨论了市场交易保守程度对于选基的影响， 将交易倾向因子作为负向筛选指标，加入长期能力因子组合，在市场交易热度上升时，给予交易因子更高权重， 在市场交易热度降温时，给予交易因子低权重。

5.1.2 长期能力因子+风格轮动组合方法论简介

在报告《基金长期能力因子应用之二——价值成长和大小盘风格轮动及基金组合构建》中，我们利用美债 利率对国证价值/国证成长进行择时，利用信用利差、货币宽松和货币供应对大盘/小盘风格轮动分别构造了相关 模型进行季度择时。使用季度风格轮动信号叠加长期能力因子，构建季度调仓的风格轮动 FOF 组合。

5.1.3 季度 KF-Alpha+交易 FOF 组合方法论简介

在报告《基金长期能力因子构建之二——基金选股能力因子应用》中，我们对基金季报持仓进行猜测补全， 从而在季度层面实现业绩拆分；另外，基于卡尔曼滤波的行业测算，我们通过基金业绩-高精度估算净值构造基 金 KF-Alpha 因子，更好体现基金行业内选股能力。通过更高频的季度层面数据，我们构造了 KF-Alpha+季度交 易能力的基金组合。

5.1.4 组合收益情况

报告期内长期能力因子组合 2025 年以来收益 3.43%，相对主动权益基金超额收益 1.37%。全时段策略年化 收益 14.35%，相对基准超额收益 9.01%，信息比 1.14。

今年以来风格轮动 FOF 组合绝对收益-0.73%，相对主动权益基金超额收益-2.71%。全时段策略年化收益 16.24%，相对基准超额收益 10.46%，信息比 1.26。

今年以来季度 KF-Alpha+交易 FOF 组合绝对收益-4.37%，相对偏股混超额收益-7.49%。全时段策略年化收 益 13.67%，相对基准超额收益 8.18%，信息比 1.08。

5.2 行业轮动 FOF 组合及 ETF 组合

5.2.1 六维度行业轮动产品组合

在如何将效果优秀的六维度行业轮动模型应用至落地产品化道路上，我们进行了一定的探索，建立了基于 规划求解的六维度行业轮动主动权益基金产品。该产品组合选基样本为成立六个月及以上的主动权益基金，月 度调仓。

5.2.2 行业轮动 ETF 组合

在行业轮动组合的基础上，我们构建了 5层递补可交易指数轮动策略，标的池选择成立超过 24个月的 ET F， 策略组合同样月频调仓。 具体来说：我们的目标保持不变：尽量使用披露持仓进行规划求解，但在具体的实施过程中，考虑到某些 行业可能交易量较小，或跟踪该行业的指数较少，从而无法完成求解，所以设计了五层递补的求解方案： 第一层：原始规划求解方法，给定 5 行业不变，备选池为全体指数。第二层：根据指数持仓，将全市场成 交规模较高行业和预期收益较高行业交叉保留强势行业。第三层：根据指数持仓，在给定 5 行业中剔除全体指 数共同持仓较少行业。第四层：估算仓位法规划求解。第五层：持仓对比法求解。 经过测试，五层递补法对行业轮动指数组合进行增强后，可以获得年化超过 12%的收益提升，同时在每期 组合的规划求解上也能更好的贴近期望效果。

5.2.3 组合收益情况

行业轮动主动权益基金组合 2025 年收益 6.42%，相对基准超额 4.3%，全时段策略年化收益 19.08%，相对 基准超额收益 13.51%，信息比 1.11。行业轮动 ETF 组合 2025 年收益-1.28%，相对 Wind 全 A 超额-2.3% 。全时 段策略年化收益 18.21%，相对基准超额收益 15.89%，信息比 1.53。

5.3 陪伴式 FOF 组合

陪伴式 FOF 以基金初选池作为研究对象，构建以 Alpha 为主、拥挤度为辅的动态多因子选基模型，通过季 度不断调整选基因子与权重进行组合优化。回测区间为 2012.1.1 至今，其中 2024 年以来为样本外，每个季度末 最后一个交易日进行调仓。基金初选池筛选条件为：成立满 2 年 3 个月；近 2 年平均股票仓位不低于 60% 的普 通股票型、偏股混合型、灵活配置型、平衡混合型；剔除港股基金；基金规模不低于 2 亿元；任期最长的在任 基金经理至少任职满 1 年。因子优选时，以 Alpha 类因子为主、拥挤度因子为辅，同时各调仓日筛选过去两年 IC、IR 表现较好的因子分配剩余权重。组合构建时，每期根据复合因子值大小取前 30 只基金加权构建 FOF 组 合。 2025 年以来权益市场震荡上行，截至 2025/5/30，陪伴式 FOF 组合今年以来收益 9.84%，万得偏股基金指 数今年以来收益 3.37%，组合超额收益为 6.47%，月度胜率达到 80%。全时段策略年化收益 14.72%，相对万得 偏股基金指数的年化超额收益为 6.62%。

陪伴式 FOF 组合最新持仓中，整体风格偏好成长与均衡成长；市值配置相对均衡，同时布局大盘与中小 盘；行业层面以均衡配置和集中配置为主，同时也会适度进行长周期变化操作。从收益表现来看，多只北交所 主题基金近一季度收益均超过 15%，收益贡献突出。

5.4 中证 A500 因子选股组合

5.4.1 中证 A500 因子构造

传统在构建基本面因子时，通常是根据发布日期将因子转换为固定频率，或者在所有公告发布完成后在固 定日期构建因子，这两种方法限制了基本面因子挖掘方法的多样性和有效性。 针对这些问题，我们提出了一种新的统一基本面因子框架。该框架包括了因子生成，因子计算，因子验证， 因子进化，因子筛选等模块，对每个模块都进行了优化，使其能够更加高效合理的挖掘基本面因子。该框架不 仅整合了多种因子生成技术，还能够有效处理不同频率和量纲的数据融合问题。同时结合了遗传规划和大模型， 对因子不断进行迭代改进，提升因子有效性。

在生成基本面因子时，我们采用了随机法，枚举法以及领域知识等三种方法批量构建因子。随机法：这种 方法通过随机方式构造因子结构，主要用于启发式算法中的种群初始化。在生成个体时，我们会限制其结构的 复杂度以及量纲的合法性，以确保因子具有简洁性并保持较高的可解释性。枚举法：与之前 openfe 算法生成因 子一致，在因子生成过程中通过设定因子结构的约束条件，如（a+b/c+d），在给定的子空间内进行全局搜索， 以期找到局部最优解。领域知识：这种方法依赖于专家的主观经验，通过专业知识构造一系列基本面因子。然 后利用启发式算法不断优化这些因子，结合剪枝和基因结构分析等技术，筛选出适应度较高的基因及个体。接 着，通过枚举法合成新的因子个体，并从中挑选出表现优异的个体。 在因子计算模块，我们构建了一个双层的因子计算结构，会自动根据其量纲以及频率进行处理，确保运算 的合法性。并且引入算子的量纲限制，对不同量纲之间数据计算设置相应的规则。量纲类型包括，元（营收， 净利润等）， 无量纲（ROE,PE等），市值（总市值，流动市值等）。 第一层：原始财务数据之间的计算。包括资产负债表、现金流量表、利润表以及各种财务指标。将现金流 量表和利润表等时间段数据统一转换为单季度数据，按照公告期计算 TTM/YOY/QOQ 等。 第二层：不同频率因子的结合。在处理不同频率的数据时，首先对低频数据按照信息发布日期进行隐式的 频率转换（PIT），将其转换为高频数据，然后再与其他高频数据进行计算。

为了提高因子计算效率，在计算中加入了 cython，流式计算，以及双层算子的优化方法，极大的提高了因 子计算效率，从而为大批量因子的生成检验提供基础。以 ts_regression_slope 算子为例，如果使用传统的 scipy.stats.linregress 函数，对一只股票两个因子间进行 1000 次 T 为 12 的滚动回归，耗时约 8.15 秒，采用 cython+ 流式计算技术，耗时约 0.07 秒，效率提升 116 倍。其中 cython 带来的提升约为 9.6 倍，流式计算带来的提升约 为 12 倍。

5.4.2 中证 A500 因子选股

利用因子挖掘框架在中证 A500 内构建 17 个 IC 较高且相关性较低的因子，将因子进行等权合成，并进行 行业市值中性化，合成后的因子月频率 IC 为 0.063，ICIR 为 2.13。

利用合成因子构建选股组合，构建逻辑为：A500 内因子排名前 50 等权组合，从 2021 年 1 月开始，月频调 仓，最终组合的净值如下图所示：策略的年化 Alpha 为 21.73%，夏普比率为 1.07。

编辑：火腿肠