2025年主动量化组合跟踪：近期量化指增策略的回调复盘与归因分析

一、阶段性量化风格解析

近三个月（7–9 月），在宽基与主要指数上行的背景下，多个品类的量化产品出现“超额 下滑”的一致性特征：不少主动多头与指数增强产品的月度主动收益由正转零/负，净值 虽上涨但相对基准落后；Smart Beta（如红利/低波）跟涨幅度偏弱；多因子组合的周度 超额波动放大、均值回落；市场中性/对冲策略总体维持小幅正负摆动但跑输宽基；高频 与短周期策略在月内胜率与净值曲线均出现不同程度回撤。整体呈现为“指数强、量化 Alpha 弱”的阶段性图景，超额收益在周-月频窗口内同步走弱，产品间分化加大。 针对这一现象，我们先对 2024-01-01 至 2025-09-30 这段包含近年四个异常行情（24 年 初流动性危机、24 年 9 月政策牛市、25 年 4 月关税危机、25 年 7-9 月预期牛市）的时间 段进行了面向全 A 市场的风格因子测试。 同时对比我们的传统线性因子策略、机器学习策略在两年内的表现，发现各因子/策略的 异常波动时点和异常行情时段基本吻合。因此，我们将着重观察异常行情中单边上行与单 边下行时段各因子表现的规律，以找到解决之法。

单独观察两个量化策略的表现可以发现，不管是传统的线性策略还是机器学习强化策略， 在市场上扬行情下，策略超额往往会出现风险震荡或者明显下跌；反之，在市场下跌的异 常时段，策略超额则会因风险控制得当而逆市上扬。反映了量化产品在市场单边行情下通 常出现短时间逆市波动的现象。而进一步对比简单的线性因子策略，量化策略的超额恢复 能力更强。 从八个风格因子表现的结果来看，最突出的特征是：风格从“价值/低波”向“小盘/动量” 再到“一致预期/成长”的明显切换。这与近期许多量化产品在指数普涨期间跑输的体验 一致——主升浪先由小盘与高 beta/高弹性板块主导，而大量量化组合长期偏中大盘、偏 低波、对市值暴露做了中性化，或对高波动高估值个股设了严格约束，难以吃到这波风格 红利；近期开始由中大盘成长、高预期板块主导，多数量化策略仍然难以捕捉。

仔细观察两个重要节点的因子异动：

1.1 节点一：2024-09-24 附近（启动阶段）

节点前，价值、波动因子超额领先，市场以价值/低波主导。节点处：

动量因子率先企稳抬头，随后市值因子从前期低位加速上行（进入 10 月后斜率显著 加大），成为驱动市场弹性的核心风格； 

价值因子在此前一季度的大幅领先后开始走弱，之后一路回跌至今；

波动率因子（可视作“低波多/高波空”的组合）明显承压，说明市场偏好从“稳健 +防御”转向“高弹性”；

技术面因子在 10 月前后有一段明显回撤（对依赖传统技术/形态信号的短中频模型 是逆风），但随后在趋势确立后逐步修复走强；

分析师预期因子与质量因子此时并不占优，但这也符合牛市初期基本面修正与一致 预期改善往往滞后于价格弹性的规律。 这一时段：先涨“动量+小盘+高弹性”，价值/低波掉队；这恰是许多量化组合的反风格。

1.2 节点二：2025-07 附近（再定价阶段）

节点一至节点二，进入 25 年后各风格扩散。而至节点处：

市值因子的累积超额高位趋平后下滑，随着因子拥挤度提升出现因子反转效应，大市 值超额显著提升；

成长、分析师一致预期因子的斜率表现相较 24 年显著改善：成长因子在盈利预期与 流动性的共振下占优，一致预期（盈利上修/评级改善）开始兑现；

价值因子在该阶段持续偏弱，动量与技术面因子趋于下行。

二、历史异常阶段回溯与对比分析

由于节点二中各因子表现呈现下一次风格切换的趋势，于是我们加入了历史上两个较为相 似的长持续牛市时段进行对比分析，并进一步计算了各异常行情时段因子的年化超额，找 出最新的超额主导因子，并进行分析预测。

总览各牛市全阶段，2014-2015 年是流动性宽松、杠杆资金助推的爆发式牛市，行情具强 趋势性与全面性，市值因子一骑绝尘，动量、价值、技术因子因趋势行情获大幅超额，质 量因子则因市场对业绩关注度低而低迷；2019-2021 年为科技成长驱动的结构性牛市，聚 焦优质个股基本面与盈利预期，质量、技术因子表现较好，分析师一致预期、成长因子表 现突出，动量、市值因子因行情结构性而走弱；2024-2025 年牛市则兼具前两者特征（既 有一定全面性，又侧重成长与质量的结构性逻辑），因子表现也呈融合态：成长、质量因 子承接结构性成长逻辑获超额，分析师一致预期、技术因子体现预期与趋势驱动，市值因 子超额虽不及 14-15 但显著高于 19-21，动量、价值等处于过渡状态，整体呈现多因子更 均衡的“慢牛”特征。 再看 2024-2025 慢牛的细分阶段，2024 年初流动性危机，市场超额集中于质量、价值因 子，其余因子失效明显。2024-09 启动段，资金追强扩散、价量共振推动动量领跑，而技 术/均值回归信号在单边拉升中失效。 全测试阶段则更多体现 24 年启动点后至 25 年启动点前的阶段特征，市值因子年化超额 一骑绝尘，其次是成长因子和分析师一致预期因子，其它风格因子贡献温和或为负，符合 “价格先行、弹性占优”的早中期牛市特征。 而今年 7–9 月市场则进入由基本面主导的阶段，我们认为：7-8 月进入中报披露窗口后， 受业绩预告与管理层前瞻指引影响，一致预期上修的广度与幅度同步抬升，预期差快速被 修复并传导到价格，于是与“预期上修、增长加速”直接同向的一致预期、成长因子阶段 性占优，质量因子表现次之。资金随之从此前“高弹性/小盘”的主线，切换到“有基本 面支撑的成长龙头”，市场核心交易“未来成长想象力与预期差”。过去 3–6 个月涨幅构 成的动量成为约束，出现系统性负贡献；同时，主题轮换加快与跳空增多，使以均值回归 /形态阈值为核心的技术信号频繁失效。前期抬升较多的“小盘β”也在拥挤度与流动性 边际约束下钝化，9 月确立反转，资金回流至“中大盘+确定性成长”，市值因子超额变为 显著负值。

三、国证 2000 指数增强策略

3.1 策略构建

根据国金金融工程团队发布的《中证 2000 指数发布，如何构建微盘股指数增强策略？》,A 股长期存在着大小盘轮动的现象，近两年来，小盘股明显走势占优。如何在小微盘股中进 行有效选股，增厚收益，是投资者比较关心的问题。我们基于大小盘选股逻辑差异，筛选 出更适合微盘股的选股因子，针对国证 2000 指数成分股构建指数增强策略。

3.2 国证 2000 指数选股因子跟踪

包括技术、反转、特异波动率等在内的因子在国证 2000 指数成分股上均有出色表现，我 们所合成的各个大类因子也基本都起到了很好的提升效果。但发现技术、反转和特异波动 率因子相关性较高，我们此处将波动率因子对技术和反转因子做回归求残差得到了相对独 立的波动率因子。最终，我们将各大类因子再次等权合成并进行行业市值中性化，构建得 到国证 2000 增强因子。该因子的 IC 均值达到 12.54%，T 统计量为 12.56，有良好的预测 效果。本月该因子 IC 值 6.91%，因子表现突出。

3.3 国证 2000 指数增强策略跟踪

我们利用增强因子构建国证 2000 指数增强策略。在构建策略时，我们每月月底取因子值 排名前 10%的股票买入调仓，以等权方式构建多头组合。以国证 2000 指数作为基准，手 续费率假设为单边千分之二，样本内回测时间段为 2014 年 4 月至今。

基于上述因子构建的国证 2000 指数增强策略相较于基准有明显的优势，超额净值稳步向 上。策略年化超额收益率达到 13.18%，信息比率为 1.73。样本外策略表现良好，9 月策略 的超额收益为-0.86%，表现有所调整。

四、基于多目标、多模型的机器学习指数增强策略

4.1 策略构建

根据国金金融工程团队发布的《基于多目标、多模型的机器学习指数增强策略》和后续报告，考虑到 AI 各类算法在量化领域具有较强的适用性，同时也越来越受到 A 股众多投资 者的关注。我们选取了 GBDT 和 NN 两大类结构具有一定差异的模型，选取不同的特征数据 集进行分别训练，并使用多种预测标签进行对比并融合，最终构建出的 GBDT+NN 机器学习 选股因子在 A 股各类宽基指数上表现优异。

4.2 GBDT+NN 沪深 300 指数增强策略跟踪

在沪深 300 成分股中，两类模型在样本外整体表现优异，IC 均值 11.43%，多头年化超额 收益率 15.39%。本月因子表现调整，IC 为-11.91%，多头超额收益率为-3.31%。

为贴合交易实际，我们构建了基于 GBDT+NN 因子的机器学习模型的指数增强策略，通过对 投资组合的跟踪误差进行控制，对个股权重偏离进行控制，最大化因子暴露。回测区间自 2015 年 2 月 1 日开始，假定手续费率单边千二，每月月初调仓。策略的年化超额收益率 为 10.86%，超额最大回撤仅为 7.72%，本月策略表现调整，超额收益率为-1.44%。

4.3 GBDT+NN 中证 500 指数增强策略跟踪

在中证 500 成分股中，两类模型在样本外整体表现优异，IC 均值 9.77%，多头年化超额收 益率 29.48%。本月因子表现调整，IC 为 9.87%，多头超额收益率为-1.62%。

使用同样的组合优化方式和回测设定，GBDT+NN 中证 500 指数增强策略的年化超额收益率 为 10.27%，超额最大回撤为 8.34%，本月策略表现调整，超额收益率为-3.19%。

4.4 GBDT+NN 中证 1000 指数增强策略跟踪

在中证 1000 成分股中，两类模型在样本外整体表现优异，IC 均值 13.49%，多头年化超额 收益率 16.10%。本月因子表现调整，IC 为 9.77%，多头超额收益率为-0.68%。

使用同样的组合优化方式和回测设定，GBDT+NN 中证 1000 指数增强策略的年化超额收益 率为 15.83%，超额最大回撤为 7.53%，本月策略表现调整，超额收益率为-0.96%。

五、基于红利风格择时+红利股优选构建的固收+策略

在前期深度报告中，我们发现红利股相对 A 股有长期相对稳定的优势，其高分红的特点也 能减少投资者在市场弱势时面临的风险。我们使用经济增长和货币流动性共 10 个指标， 通过动态事件因子的体系构建的红利指数择时策略表现优异，相较于中证红利指数全收益 有显著的稳定性提升。在选股方面，我们利用 AI 模型在中证红利指数成分股内进行测试， 得到因子表现相对较好，能够长期获得较稳定的超额收益。

等权买入前十只的选股策略在今年以来已获取 6.47%的收益率，而中证红利全收益指数为 2.45%。选股策略的夏普比率为 0.89，也相较于指数本身有大幅提高。

结合了择时策略的固收+组合整体表现稳定，固收+策略年化收益率 7.34%，最大回撤 4.93%， 夏普比率 2.17，相较于固收+基准（80%中长期纯债型指数+20%中证红利券收益指数）有明显提高。

使用我们的动态宏观事件因子给出的判断，10 月份的仓位为 0%。其中经济增长类指标、 货币流动性指标绝大多数都给出了空仓信号，最终信号为 0%。

（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。）