盈利与成长风格驱动力减弱，成长和盈利因子表现趋弱 [page::1][page::7][page::8][page::9]

• A股核心宽基指数的净利润增长率趋于放缓，成长预期切换压制了盈利、成长风格的估值吸引力。

- 高盈利基数导致高盈利高成长组合PE、PB等估值从2021上半年起呈现分化和下降趋势。

行业轮动特征明显，周期行业表现领先，中游行业趋势强 [page::5]

• 2021年周期类和中游行业保持较好的收益表现，行业间轮动仍然较为明显，行业趋势存在较强短期可预测性。

- 月度内相邻月份行业收益相关多次超过0.3，显示行业层面趋势性影响显著。

基本面与价值类因子呈典型跷跷板效应，价值策略回暖 [page::6][page::13]

• ROE等盈利因子及净利润增长因子先后出现回撤，反而PB、PE等价值因子表现改善，表明价值因子择时和配置机会显现。

- 价值因子与成长因子存在显著负相关性，可结合相对价值策略提升收益稳定性。

探索改进的相对价值策略，基于PB-ROE与PE-净利润增长率的双因子模型 [page::14][page::15]

• 改进后相对价值因子定义为PB与ROE残差和PE与净利润增长率残差，增强因子选股有效性。

- 沪深300空间双视角均有效，中证500空间以PE-净利润增长率模型效果更佳。

预期高派现策略表现稳健，年化超额收益约10% [page::16]

• 该策略利用分红公告前超额收益窗口，实现稳健超额收益。

- 2013年至2021年整体累计收益显著优于基准，信息比率指标良好。

基于AH溢价的量化选股策略年化超额收益6.31% [page::17]

• 通过归因流动性、投资者结构与跌停限制影响，构造低溢价组合显著跑赢大盘。

- 策略表现稳定，2021年表现优异。

前瞻盈利预测组合捕捉业绩预期反转信号，表现突出 [page::18][page::24]

• 策略利用分析师盈利预测异化及领先性，月度调仓，选择行业权重加权股票组合。

- 2012年至今年化超额收益达16.5%，信息率2.31，回撤明显受控，2021年表现强势。

黑马成长精选组合结合业绩增长与预期差，年化超额收益19.1% [page::19]

• 策略从历史业绩稳定性、成长持续性、预期差三个层级构建，精准刻画低频超预期成长股。

- 2021年表现稳定，历史信息比率高达2.9，回撤管理良好。

深度学习技术提升因子信噪比，优化IC最大化因子合成效果 [page::21][page::22][page::23]

• 损失函数设计以加权IC最大化为目标，克服传统误差平方和损失在高噪声下的局限。

- 构建包括输入层、全连接层及批标准化层的深度神经网络结构，实现复杂非线性映射。

• 训练过程采用批次加权排序，提升多期数据IC稳定性，实现量化策略超额收益。

基于业绩、趋势与机构行为的Beta型行业主题ETF配置策略 [page::25][page::26][page::27]

• 通过业绩预期、技术面及机构持仓三维因子构建ETF综合评分。

- 选取主行业不同但综合评分较高的ETF构建多元行业均衡配置，配置效果较佳。

• 自2019年以来策略对中证全指年化超额收益40.3%，信息比率2.4，波动率及回撤指标良好。

对冲环境平稳，股指期货对冲成本合理且空头头寸集中度下降 [page::29][page::31]

• 2021年沪深300、上证50、中证500股指期货对冲成本分别为-3.04%、-1.86%和-5.56%。

- 中证500期货空头头寸显著减少，表明市场对冲情绪趋于稳定。

期权市场隐含波动率收敛至低位，期权对冲成本维持合理水平 [page::30][page::31]

• 期权隐含波动率整体波动幅度收窄，居于15%-25%区间，市场情绪偏谨慎。

- 2021年期权合成空头对冲成本合理，沪市300ETF期权年化对冲成本均值约26%-27%。

风险提示：模型风险、市场预期急剧变化及宏观产业政策风险 [page::33]

• 量化模型可能面临参数变化及非稳定性风险。

- 宏观与产业政策变动可能导致市场风格和估值体系快速调整，影响策略表现。

2022年量化投资策略报告详尽分析

---

1. 元数据与报告概览

报告标题：《2022年量化投资策略》
作者及机构：王兆宇（中信证券研究部首席量化策略分析师等多位分析师）
发布日期：2021年12月2日
主题：围绕中国A股市场2021年行情特征，围绕量化投资策略尤其是价值与成长风格的变化，深挖量化选股、机器学习策略和对冲手段。涵盖从市场风格变迁、基本面因子与价值因子表现，到机器学习的深度应用，再到Beta策略与对冲环境。

核心论点与主旨摘要：

• 市场盈利与成长风格长期驱动力减弱，表现出高盈利、高成长组合估值吸引力有所下降的特点，特别是核心宽基指数的预期成长性趋平。

- 基本面因子表现弱化，价值类策略表现回暖，报告特别关注以价值为核心的改进相对价值策略及相关策略（如高派现、基于AH溢价等），以及SUE（业绩变动情绪）和行为类策略（前瞻盈利预测组合、黑马成长精选组合）。

• 机器学习方面，重点铺开深度学习在中低频量化策略上的应用，提出通过优化IC（信息系数）以提升信噪比。

- 提出了基于业绩、趋势与机构行为的行业主题ETF配置框架。

• 对冲环境稳定，股指期货对冲成本合理，波动率低位震荡。

- 识别风险包括模型风险、市场预期大变、宏观及产业政策重大变化。

整体来看，报告传递一种对市场风格阶段性转换的认知，提示投资者在当前环境下价值因子更具优势，同时重视技术赋能提升量化模型运作效率和精准度 [page::0,1,33]。

---

2. 逐节深度解读

2.1 2021年市场特征

市场微观轮动与风格表现

• 沪深300指数呈宽幅震荡，中小市值及科创板表现明显分阶段：中证500和中证1000在2月下旬开始表现强于沪深300，创业板指和科创50则在3月底表现较强，但从8月起，创业板指、科创50走势转弱，继而9月底中证500、中证1000也表现弱于沪深300。显示成长板块和中小盘板块的强势行情到下半年开始减弱。

- 图表显示各大指数相对沪深300的比值走势清晰呈现上述转变，反映出风格轮动与板块切换的市场特征。

• 行业层面，周期行业及中游环节表现较好，Sharpe比率维持在1倍左右，尤其是煤炭、有色金属、钢铁、基础化工等相关行业的表现抢眼，显示经济周期影响明显。

- 月度行业收益延续一定趋势性，但行业层面存在切换的月份（如2021年4月、9月），行业相关性指标由正转负验证轮动难度。

基本面与价值类因子呈现“跷跷板”效应

• 盈利因子（盈利能力指标如ROE）和成长因子（净利润增长率）于2021年先后出现回撤，而价值因子（PB、PE）表现回暖，显示出盈利与成长与价值因子之间的互斥关系。

- 图表显示沪深300及中证500维度因子年化超额收益动态，反映价值因子近段时间占优，这与市场整体估值修复及风格切换高度相关。

逻辑与推断：
周期与中游行业表现稳定基于经济周期驱动，而成长股表现受利率和盈利预期束缚，市场高盈利基数使得成长预期切换，风格表现分化，导致整体收益特征呈现价值因子反弹的背景。
[page::3,4,5,6]

---

2.2 市场风格变迁

盈利与成长风格驱动因素减弱

• 通过分析A股核心宽基指数净利润TTM增长率、ROE及一致预期ROE 走势图，可见整体盈利成长预期的趋稳，尤其大盘指数中ROE有逐步恢复但净利润增长趋缓，科创50、创业板指尽管ROE较高，但净利润增长率波动较大，显示盈利成长预期存在压制。

- 估值角度利用PB-ROE、PE-净利润增长率的二次回归模型，报告揭示了估值分化趋势：高盈利高成长组合的估值吸引力进入调整期。

• 具体而言，沪深300空间内盈利和成长因子权重以及预期净利润增长率的提升对估值有抑制作用，Gamma项的变动显示估值的非线性分布与预期关联。

行业预期净利润增长率趋向分化

• 报告分行业细化描述，周期产业（石油石化、煤炭、有色金属等）净利润增长率自2020年至2021年中明显回升；消费产业和医药科技等行业预期表现相对平稳或略有增长；建筑地产等基建领域也保持稳定增长预期。

- 这是基于行业基本面复苏及宏观政策支持，表明市场风格切换具有结构性差异。

宏观利率因素影响成长风格

• 报告指出利率下行是成长风格表现的重要宏观条件，当前利率处于下行阶段但空间有限，且短期利率快速下降可能标志着利率周期的尾声，限制了未来成长风格的进一步上行动力。

- 国债收益率及期限利差与中证500成长因子滚动收益相关性体现出这种宏观指标对成长风格的约束机制。

综上，盈利与成长的驱动力分化，在高盈利基数和利率周期制约下，成长风格面临压力，而周期性与价值驱动仍存表现空间 [page::7,8,9,10,11]

---

2.3 量化选股策略展望

基本面因子弱化，价值类策略崛起

• 通过因子收益相关与累计收益分析，报告显示盈利因子与成长因子相关度低甚至负相关，而价值因子（PB、PE）与盈利成长因子收益波动呈现相反态势。

- PB因子累计超额收益领先ROE因子，PE与净利润增长率因子表现出动态分化。

相对价值策略的改进与探索

• 传统相对价值策略定义为绝对价值减去成长因子残差，上述模型中使用PB-ROE的二次回归残差定义相对价值因子，类似PE-净利润增长率对应模型。

- 不同市场空间中（沪深300、中证500、中证1000）相对价值因子表现不同：沪深300空间PB-ROE与PE-净利润增长率相对价值因子均有效，而中证500空间仅PE-净利润增长率视角的因子有效。

• 资产配置层面，报告展示了多种价值因子策略的历史超额收益表现，显示改进策略具备更优的稳定性。

类价值策略具体应用

1. 预期高派现策略

- 捕捉高分红公告前相关股票的超额收益，依托分红稳定性获得稳健收益。
- 历史表现优异，长期相对沪深300实现约10%的超额收益，近年随着估值风格回调略受影响，但前景向好。

1. 基于AH溢价的选股策略

- 探讨AH溢价的时间序列与截面差异因素，发现流动性和投资者结构是核心驱动力。
- 低溢价组合采用月度调仓，2021年实现6.31%的年化超额收益。

1. 前瞻盈利预测组合

- 利用分析师盈利预测差异度和领先指标捕捉业绩预期边际改善的个股，策略在2021年相对中证500获得35.2%年化超额收益，高信息率2.8。

1. 黑马成长精选组合

- 构建基于业绩超预期、成长持续性和预期透支判断的选股框架，2021年实现年化19.1%超额收益，信息率1.5。
- 该策略体现了中低频量化策略向业绩和预期差双轮驱动转变的趋势。

整体而言，基本面盈利与成长弱势环境中，价值及相关策略通过模型优化与多因子整合，更加凸显风险调整后的收益优势，配合对预期及行为层面的挖掘策略形成配置建议。 [page::12,13,14,15,16,17,18,19]

---

2.4 机器学习在中低频策略的应用

优化目标：收益预测误差与信息系数IC的比较

• 多因子合成中常见目标是最小化收益预测误差（loss1），但报告指出这一目标假设了因子与收益存在稳定映射，噪声高时该映射难以准确学习，且单样本损失噪声较大。

- 优化IC（即预测因子值与实际收益的秩相关），称作loss2，则直接通过最大化整体排序相关提升信噪比，更适合金融时间序列的噪声结构。

• 采用weighted IC方法，加权指数衰减，提升排序准确度，加权最高为1，最低为0.5，进一步优化因子信噪比。

深度神经网络架构

• 网络输入多因子值，全连接+批标准化层交替，使用批标准化防止梯度弥散（vanishing/exploding gradient），加速训练。

- 输出层直接产生因子得分，训练时依据weighted IC优化目标。

损失函数计算流程

• 期内模型输出分数排序，与期内真实收益排序计算 weighted IC，跨期平均得总 loss。

策略表现

• 在2012年至2021年历史测试中，月度调仓，选取分数最高100只个股，行业自由流通市值加权，行业权重依中证500分配。

- 实现年化16.5%的超额收益，信息率2.31，最大超额回撤6.76%。

• 该表现体现了基于深度学习的因子融合策略在提高中低频量化策略稳定性与收益方面的价值。

该部分充分展示了机器学习，特别是深度学习优化因子组合的可行性与有效性，为传统因子模型的结构改进提供了技术支撑。 [page::20,21,22,23,24]

---

2.5 Beta型量化策略

行业主题ETF配置框架

• 策略基于ETF申赎清单及跟踪指数成分权重，结合个股因子暴露，通过综合业绩预期、技术趋势及机构行为三个维度构建ETF综合评分。

- ETF纳入时按第一大权重行业归类，持仓池最大涵盖3主行业，且行业内等权配置，管理行业分散。

• 主要因子包括：业绩预期中净利润及营业收入季度变化率；技术面中近1月及3月超基准表现天数；机构行为中北向资金及公募基金重仓股净增仓幅度。

- 数据显示沪深300和中证500净利润增长率的相对变化趋势是ETF中长期配置价值的核心信号。

策略回测表现

• 自2019年以来，策略相对中证全指年化超额收益40.3%，信息率2.4，表现优异，能够抓取市场主线方向。

- 净值曲线及历年绩效数据显示策略持续稳健增长，回撤可控。

此框架基于多因子融合加强了行业配置的有效捕捉，结合机构行为及动量趋势因子为量化Beta策略提供了系统化投资模式。 [page::25,26,27]

---

2.6 对冲环境分析

股指期货对冲

• 截止2021年10月，中证期货对冲成本合理：沪深300（-3.04%）、上证50（-1.86%）、中证500（-5.56%）。

- 期货空头头寸结构显示9月以来空头集中度下降，反映市场对空头的紧缩需求，整体对冲需求稳定。

场内期权隐含波动率

• 相较2020年波动加剧，2021年以来波动率整体稳定，区间波动在15%-25%。

- 二季度市场隐含波动率有两次明显升级，呈现风险和情绪的局部释放。

• 期权行权隐含波动率曲线表现出认购Skew下降与认沽Skew上升，整体市场情绪趋于谨慎。

场内期权对冲

• 期权合成空头对冲收益率均衡，成本维持历史常态且8-9月有所改善。

- 买入“平值-30天到期”认沽期权年化成本约为26%-27%，具备一定成本压力但风险有限。

• 具体到沪市300ETF期权，相关对冲组合的到期损益及成本表现良好，显示期权市场为合理的风险管理工具。

整体在当前低波动环境下，期货与期权对冲成本均处合理范围，对冲需求稳定，市场波动率水平支持多样化风险管理布局。 [page::28,29,30,31]

---

2.7 结论与投资建议

总结陈述

• 盈利与成长风格长期驱动因子减弱，A股核心宽基指数成长预期趋平，导致估值吸引力下降，核心及热点行业成长性切换压制了成长与盈利因子表现。

- 宏观流动性拐点临近，成长风格表现空间有限，价值策略反弹，基本面因子弱，改进相对价值策略受益显著。

• 关注以价值为核心及其相关策略（高派现、基于AH溢价）、以及SUE与行为类策略（前瞻盈利预测、黑马成长）等中低频量化选股。

- 深度学习等机器学习技术成为提升中低频量化策略信噪比的新手段。

• Beta策略围绕业绩、趋势及机构行为构建行业ETF组合，实现市场主线捕捉。

- 对冲成本合理、波动率低位，支持稳定的风险管理需求。

• 风险主要来源于模型风险、市场预期大变以及宏观政策变动。

投资建议具体操作上，报告建议价值类投资重新崛起，应优化改进相对价值策略，结合机器学习及未来Beta型配置策略，实现量化投资配置的绩效提升，并积极利用合理成本的期货和期权对冲工具以控制市场波动风险。 [page::33]

---

3. 图表深度解读

• 图4：沪深300及宽基指数相对强弱图显示2020年初至2021年中旬，中小盘（中证500/1000）、创业板及科创50指数曾有明显跑赢沪深300的阶段，但自2021年8月起，创业板和科创50明显下跌跌破沪深300中枢，印证成长风格转弱。
• 图5：中信一级行业指数收益率vs波动率散点图，行业关联性条形图说明煤炭、有色金属、钢铁、基础化工行业收益高且波动率大，行业之间相关性月度显示显著波动，体现行业轮动机制。
• 图6：因子指数分时超额收益图，ROE及净利润增长率呈周期性回撤，PB、PE等价值因子呈现回暖，揭示投资风格迥异动态。
• 图8-10：核心宽基指数盈利指标时间序列（净利润增长率、ROE及一致预期ROE）及其季节性变化为切换根源提供支撑。
• 图9：PB-ROE、PE-净利润增长率估值分化图体现估值被动非线性调整，β与γ变动反映市场对成长和盈利预期的新定价，基本面因子已造成估值层面的分层。
• 图10：行业预期净利润增长率分行业曲线，分别展示周期、消费、科技、基础、金融、制造业板块走势，展示结构分化，周期板块复苏明显，对比消费、科技板块更加稳健。
• 图11：国债不同期限收益率与成长因子滚动相关，展示利率与成长风格的宏观联动特征。
• 图13-15：PB、ROE和PE、净利润增长率因子累计超额收益曲线和相关系数，展示价值因子的表现力量及相关动态。
• 图16：预期高派现策略的组合净值和相对强弱，数据表明该策略在过去多年中相对沪深300具有稳定的附加收益。
• 图17：基于AH溢价的低溢价组合净值，与标的指数表现对比，及相关绩效指标显示该策略中短期内保持正超额收益。
• 图18-19：前瞻盈利预测和黑马成长精选组合表现曲线及历史统计，展示这两种SUE及行为类策略的优异超额收益及风险调整表现。
• 图22-23：深度神经网络结构图及损失函数计算流程，形象展示机器学习模型架构与信息系数损失的具体实现方式。
• 图24：深度学习模型策略净值曲线，表现稳定优于基准；并附历史业绩表明年化超额收益持续且回撤较小。
• 图26：ETF配置框架中业绩预期对净利润增长率的监测与沪深300、中证500比较，展示不同指数间的相对业绩变化，为多维度ETF评分提供基础。
• 图27：行业主题ETF配置框架绩效曲线及历年统计，呈现较强的信息率和超额收益。
• 图29-31：股指期货对冲成本与净空仓变化，期权隐含波动率与skew走势，期权合成空头对冲与认沽期权对冲成本情况，全面揭示当前市场风险管理工具环境稳定且成本合理。

这些图表构成了报告分析的实证支撑，充分说明市场风格变迁、因子策略表现、机器学习应用及对冲成本脉络。细节中还隐含诸多可供投资策略风控及优化的指标洞见。 [page::4,5,6,8,9,10,11,13,14,15,16,17,18,19,22,23,24,26,27,29,30,31]

---

4. 估值分析

报告中未见具体DCF或传统绝对估值模型构造，而是基于量化角度的估值因子回归模型展开：

• 通过二次项回归模型构建PB与ROE、PE与净利润增长率的估值预测模型：

\[
PB{MRQ} = \alpha + \beta \cdot \tilde{ROE} + \gamma \cdot \tilde{ROE}^2 + \epsilon \\
PE{TTM} = \alpha + \beta \cdot \text{净利润增长率} + \gamma \cdot (\text{净利润增长率})^2 + \epsilon
\]

• 残差$\epsilon$揭示相对价值因子，通过此定义优化传统绝对价值与成长的相对权衡，提升因子有效性。
• 估值模型中β、γ系数与时间序列的变化反映市场对盈利、成长等基本面信息的不同解读，体现非线性估值模式。
• 在不同指数空间（沪深300、中证500等）验证策略有效性，确保估值因子模型适切性。

此类方法是量化估值的典型做法，相比传统DCF模型，更关注因子映射一致性与残差行为，适于量化回测与策略构建。 [page::9,14,15]

---

5. 风险因素评估

报告明确指出三大主要风险：

1. 模型风险：

- 量化策略本身依赖模型假设，复杂机器学习模型可能带来过拟合、数据噪声误读风险。
- 基于因子或机器学习的业绩预测、价值测度可能在极端行情或新赛道出现大幅偏离。

1. 市场预期大幅变化：

- 市场风格转折及估值因素可能突然变化，如宏观经济突发事件引致盈利预测大幅偏差与风格急剧切换，策略受损风险加剧。
- 市场流动性和情绪波动对量化信号影响可能超过模型消化能力。

1. 宏观及产业政策重大变动：

- 政策导向影响行业基本面，特别是在中国A股市场，产业政策调整可能诱发系统性风险，对于依赖行业轮动的Beta策略及手工调整因子的多因子策略影响显著。

报告虽未详细展开缓解策略，但强调投资者需关注上述风险，合理配置及动态调整策略使用，防范不可控因素影响。 [page::1,33]

---

6. 审慎视角与细微差别

• 风格偏向与潜在偏见：报告整体较为理性，但存在较强的价值策略推荐意图，可能受2021年成长因子表现实质性下降的阶段性影响，未充分预见成长因子可能的反弹空间和结构性调整的潜在机会。

- 估值模型简化与非线性处理：采用二次回归残差建模相对简洁，模型假设较多，忽略了宏观动态演变及企业多样化成长模式的复杂性。

• 机器学习策略的样本选择与过拟合考虑：虽然提出提升信噪比但报告未详述模型防过拟合细节及多样本场景泛化效率，后续实际应用须警惕此风险。

- 对冲策略成本估计中的假设：对冲成本计量采用历史平均和基准对比法，可能忽视极端行情下成本飙升情境。

这种专业量化策略报告基本没有明显内在矛盾，但对多层次风险提示较弱，在实际操作中需辅以宏观政策与市场环境跟踪。 [page::33,35]

---

7. 结论性综合

本报告全面回顾了2021年A股市场周期性与成长风格变换，探讨盈利与成长因子驱动减弱背景下的量化策略路径与配置框架。通过丰富的数据支撑与模型演示，报告提出以下核心结论：

• 市场风格切换明显，价值类策略迎来机会窗口。

市场面对高盈利基数，成长预期趋缓，核心宽基指数成长性走平，导致高盈利高成长组合估值吸引力降低。周期板块及部分行业呈现预期盈利改善的分化格局。

• 改进的量化选股策略聚焦价值估值及业绩预期预期差。

基于PB-ROE、PE-净利润增长率的相对价值模型表现优异，预期高派现、基于AH溢价的策略及前瞻盈利预测、黑马成长精选组合等SUE和行为类策略体现出良好的历史超额收益和风险调整效果。

• 机器学习，尤其是深度学习的应用推进中低频量化策略创新，优化IC目标有效提升信噪比并稳定收益。

深度神经网络模型通过加权IC损失函数指导因子融合的创新方式，为传统多因子策略带来显著收益提升。

• Beta型行业主题ETF配置策略结合业绩趋势、技术趋势和机构行为，实现了超额收益的稳健捕捉，适合搭建中长期配置框架。
• 风险管理环境积极，股指期货及期权对冲成本均维持适度水平，波动率低位震荡，支持风险对冲需求持续稳定。

该研究报告为投资者提供了完整的市场风格剖析、量化策略革新路径及风险管理工具应用视角，体现了中信证券量化研究的精深功力及对A股市场风格演化的洞察。策略层面强调价值策略的复兴及机器学习技术的深化应用，展现了基于基本面与行为预期驱动的量化投资新阶段。投资者应密切关注宏观政策、盈利预期及市场流动性变化，结合报告策略思路调整投资布局。

---

重点图表引用示例

• 沪深300宽基及中小盘相对强弱趋势图：[page::4]

• 中信一级行业收益率vs年化波动率散点：[page::5]

• 价值因子与成长因子超额收益对比：[page::6]

• PB-ROE估值分化趋势图：[page::9]

• 预期高派现组合净值表现：[page::16]

• 深度学习模型结构示意图：[page::22]

• ETF行业主题配置策略表现：[page::27]

• 股指期货对冲成本及隐含波动率波动区间：[page::29,30]

---

（全文基于中信证券2022年量化投资策略报告整理撰写）[page::0,1,3-35]

报告