20260227-江海证券-量化投资组合管理研究系列之（九）_热潮下的冷思考_估值_拥挤度与资金博弈的量化择时_22页_3mb

> **来源：[研报客](https://pc.yanbaoke.cn)** 证券研究报告·金融工程报告 2026年2月27日 江海证券研究发展部 # 金融工程研究组 分析师：梁俊炜 执业证书编号：S1410524090001 # 相关研究报告 量化投资组合管理研究系列之（八）基于GARCH-EVT-VaR模型的动态风险管理2025.12.04 量化投资组合管理研究系列之（七）中证创新药指数增强的构建2025.09.05 量化投资组合管理研究系列之（六）指数增强的双轮优化 2025.06.23 # 金融工程研究报告 # 量化投资组合管理研究系列之（九） # 热潮下的冷思考：估值、拥挤度与资金博弈的量化择时 # 投资要点 $\spadesuit$ 研究目标：高关注度成长赛道资金集聚效应显著，拥挤度与估值分化引发短期波动。本研究从估值合理性、交易拥挤度、资金博弈三大核心维度构建多维度量化择时体系，挖掘协同择时信号，为高成长赛道择时提供客观量化参考。 $\spadesuit$ 核心逻辑：围绕交易、估值、资金、股权结构、量价五大维度选取18个基础指标，经滚动统计、偏离度构建、分位值转换、Z-score标准化等特征工程加工，通过IC有效性检验（P 0.08）与Gram-Schmidt正交化去共线性，最终提纯出78个具备显著预测能力的核心有效指标。 $\spadesuit$ 回测结果：线性合成因子构建的周度调仓择时策略表现优异：年化收益率 $29.50\%$ ，相对基准年化超额达 $13.01\%$ ，贝塔1.27、阿尔法0.09；策略胜率提升至 $54.8\%$ ，盈亏比从基准1.23优化至1.57，最大回撤从 $49.9\%$ 压缩至 $39.7\%$ ，且最大回撤时间缩短约16个月。样本外鲁棒性好。 $\spadesuit$ 应用价值：该择时体系对资金集聚型成长赛道的过热信号具备精准识别能力，2024年9月该板块交易热度开始攀升，策略超额收益加速累积。期间出现震荡调整，策略能规避杠杆资金“多杀多”、估值泡沫、交易拥挤引发的回撤风险。策略通过适时加减仓放大Beta，在高资金博弈的成长赛道中实现收益与风险的双重优化。该核心量化方法可推广至其他高关注度、高资金集聚、高交易博弈的成长赛道，具备跨赛道的通用参考价值。 $\spadesuit$ 风险提示：本研究构建的择时因子与策略基于历史数据挖掘与回测验证，若未来市场资金生态、赛道交易逻辑发生显著变化，因子有效性可能出现衰减，导致策略表现不及预期。研究中部分数据可能存在数据滞后、拟合偏差。市场交易数据、资金配置数据可能受突发因素影响出现异常波动，进而影响择时决策准确性。在市场出现系统性风险、突发政策调控、流动性危机等极端行情时，策略可能面临超额收益大幅回撤、调仓失效等风险。 # 目录 1 引言：高关注度成长赛道的择时命题 3 2 因子构建 4 2.1底层指标体系构建 4 2.2指标加工方法 8 2.3共线性去除 9 2.4 因子合成方法 ..... 10 3回测与验证框架 13 4回测结果 13 5总结 17 风险提示 18 # 图表目录 图1、人工智能板块交易金额占比变化趋势 4 图2、部分因子的IC时间序列 10 图3、线性合成因子的分层回测表现 11 图4、动态合成因子的分层回测表现 13 图5、净值回测曲线 14 图6、不同合成方法的净值曲线的回撤与累计超额 15 图7、择时策略的加减仓和仓位变化情况 16 表 1、模型所使用的基础指标的定义和意义. 5 表 2、部分因子的含义和意义 表 3、择时曲线表现统计. 16 # 1 引言：高关注度成长赛道的择时命题 近年来，A股市场高关注度成长赛道的资金集聚效应愈发显著，板块交易活跃度持续攀升、资金集中度不断提升，伴随而来的是拥挤度过热与估值分化问题，成为引发短期市场波动的重要诱因。当前，依赖单一指标的择时方法受市场环境周期性波动影响较大，有效性不稳定，难以全面捕捉赛道运行背后“估值合理性-交易拥挤度-资金博弈”的多维协同特征，也无法满足投资者对精准择时信号的需求。 基于此，本研究从量化视角出发，构建多维度底层指标体系，通过因子合成挖掘估值、交易结构与资金流向的协同信号，核心目标是为高关注度成长赛道的择时决策提供客观、可验证的量化参考，助力投资者在市场热潮中保持理性判断，识别潜在回调风险与布局机会，弥补单一指标择时的局限性，为市场提供有价值的量化思考与信号指引。 结合当前高景气创新领域的发展趋势，人工智能作为兼具技术迭代性、产业成长性与市场关注度的核心赛道，其资金集聚效应与交易拥挤度波动特征显著，具备较强的量化研究价值，选取其相关指数作为研究标的，可更精准捕捉高关注度成长赛道的运行规律。当前境内人工智能相关主题指数品类较多，主要包括中证人工智能主题指数、中证科创创业人工智能指数、上证科创板人工智能指数等，相较于其他同类指数，中证人工智能主题指数具备鲜明优势：其一，全面覆盖人工智能全产业链，按申万二级行业分类，行业分布集中于半导体（ $30.29\%$ ）、通信设备（ $20.96\%$ ）和软件开发（ $14.68\%$ ）三大核心领域，形成了完整的产业生态覆盖，能充分反映人工智能产业的整体发展态势；其二，长期表现稳健，近一年收益率（全收益）达 $56.35\%$ ，近三年收益率（全收益）达 $26.43\%$ ，具备较强的成长属性；其三，指数成分股以具备高成长潜力的企业为主，其交易活跃度、机构参与度与拥挤度波动特征更具代表性，指数的大众认知度较高，应用范围较广，因此选取中证人工智能主题指数作为高关注度成长赛道的代表性标的开展分析。 图1、人工智能板块交易金额占比变化趋势 各时间段交易金额占比统计对比 数据来源：iFinD、江海证券研究发展部 注：交易金额占比定义：板块当日交易金额除以中证全指该日交易金额 # 2 因子构建 本研究的因子构建时间范围为2015年8月1日至2026年1月26日，由于因子经过滚动窗口和分位值计算等操作，有效回测时间为2018年10月31日至2026年1月26日，覆盖多轮牛熊周期与关键市场节点（含2020年疫情冲击后的流动性宽松、2022年市场震荡下行、2023年结构性行情及2024-2025年的赛道轮动行情）。其中，2025年4月1日至2026年1月26日（约10个月）为样本外回测。 # 2.1 底层指标体系构建 本次研究围绕估值、拥挤度、资金面三大核心维度选取底层指标，兼顾逻辑相关性、数据可得性与有效性，全面刻画赛道的交易特征、估值水平与资金博弈状态，具体指标选取及逻辑如下。 表 1、模型所使用的基础指标的定义和意义 指标 定义 意义 换手率 当前版块内所有个股的成交量与其流通股本的比率，按成分权重加权 体现筹码周转速度 自由换手率 当前版块内所有个股的成交量与其自由流通股本的比率，按成分权重加权 PETTM 指数滚动市盈率 衡量赛道估值水平与基本面的匹配度 PBLF 指数每股净资产，数据取自最新公告 限售A股合计占总股本比例 当前板块所有个股限售流通股之和与总股本之和的比例 反映赛道潜在流通盘压力，限售股解禁可能影响筹码供给 陆股通配置比例 陆股通持有指定板块成分个股的总市值占陆股通持有所有个股总市值的比例 反映北向资金对该板块的配置偏好与资金倾斜 陆股通持股市值占流通市值比 陆股通持股市值占指定板块流通市值的比例 反映北向资金在板块的影响程度 公募基金配置比例 报告期内公募基金持有指定板块成分个股的总市值占公募基金持有所有个股总市值的比例 体现国内机构资金对板块投资价值的认可度 融资融券余额 当前板块所有个股融资融券余额之和 体现杠杆资金配置规模，反映市场对该板块的杠杆资金配置意愿 融资融券余额占比 当前板块所有个股融资融券余额与其自由流通市值之比 消除了板块市值规模的影响，反映杠杆资金对该板块的相对配置强度 融资余额配置比例 当前板块所有个股融资余额占所有个股融资余额的比例 反映融资资金对该板块的配置偏好 交易金额占全市场比例 当日板块所有个股的交易金额与中证全指的交易金额之比 板块热度 开盘价、收盘价、交易金额、交易量 当日指数的量价数据 重点刻画指数的每日表现，保留指数的Beta信息，为后续分析指数波动特征、关联市场整体走势提供基础支撑。 来源：iFinD，江海证券研究发展部 1. 交易拥挤度维度：选取换手率、自由换手率、交易金额占全市场比例三个指标，核心反映赛道交易活跃度、筹码流动性及市场资金的集聚程度。换手率与自由换手率直接体现筹码周转速度，交易金额占比则反映该赛道在全市场中的资金占用权重，三者结合可精准刻画交易拥挤状态。 2. 估值合理性维度：选取PETTM（滚动市盈率）、PBLF（市净率）2个指标，衡量赛道估值水平与基本面的匹配度，避免单一估值指标的局限性，其中PETTM反映盈利对应估值，PBLF反映净资产对应估值，二者协同判断估值合理性。估值过高可能表明赛道过于拥挤。 3. 资金博弈信号维度：选取公募基金配置比例、陆股通配置比例、陆股通持股市值占流通市值比、融资融券余额、融资余额配置比例、融资融券余额占比6个指标，全面捕捉不同类型资金的流向、配置偏好及博弈特征，结合各指标核心定义，其在机构配置、机构行为与资金博弈方面的具体意义如下。 公募基金配置比例：在机构配置层面，该指标直接反映公募基金对该板块的配置权重与资源倾斜程度，体现机构资金对板块投资价值的认可度—— 配置比例越高，说明该板块在公募基金整体持仓中的优先级越高，是机构资产配置组合中的核心标的之一；在机构行为层面，其变动趋势可捕捉公募基金的持仓调整倾向，若配置比例持续上升，反映公募基金基于板块景气度、估值合理性等因素进行主动增配，体现机构对板块未来走势的乐观预期，反之则为主动减配，反映机构的谨慎态度；在资金博弈层面，公募基金作为A股市场核心机构资金力量，其配置比例的变动会主导板块资金流向，若公募基金集中增配，会推动板块资金供给增加，强化多方博弈优势，反之则可能引发资金撤离，加剧空方博弈力度，同时其配置行为也会影响其他类型资金的决策倾向。 陆股通配置比例：该指标反映北向资金对该板块的配置偏好与资金倾斜，陆股通的配置选择体现了境外市场对该板块产业逻辑、估值水平的认可程度，其配置比例高低直接反映该板块在跨境资产配置中的吸引力，其持仓变动体现境外投资者的交易决策与持仓周期偏好——陆股通素有“聪明资金”之称，其持续增配往往伴随对板块基本面的深度认可，属于长期价值型配置行为，而短期大幅增减仓则可能反映境外资金对市场波动、汇率变动等因素的应对，体现其灵活调整的行为特征；在资金博弈层面，陆股通的资金流入流出会直接影响板块资金供需平衡，其与境内公募基金的配置行为形成交叉博弈，若两者同向增配，会形成资金合力，推动板块估值抬升，若反向操作，则会加剧板块资金博弈的复杂性，其资金流向也会成为市场情绪的重要风向标，影响散户及其他杠杆资金的决策。陆股通持股市值占流通市值比则反映北向资金在板块的影响程度。 融资融券余额：该指标体现杠杆资金配置规模，反映市场对该板块的杠杆资金配置意愿。余额越高，说明杠杆资金对该板块的关注度越高，愿意通过杠杆工具加大配置力度，间接反映板块的市场活跃度与资金吸引力；融资融券余额上升，说明杠杆资金入场意愿增强，投资者通过融资加杠杆布局该板块，体现对板块短期上涨的预期，反之则说明杠杆资金离场，去杠杆倾向明显，体现市场对板块短期走势的谨慎态度；在资金博弈层面，该指标直接反映板块杠杆资金的整体博弈规模，余额过高意味着板块杠杆风险累积，若市场出现波动，杠杆资金平仓可能引发连锁反应，加剧板块资金博弈的波动 性，而余额温和上升则可强化多方博弈力量，推动板块交易活跃度提升。 融资余额配置比例：反映融资资金对该板块的配置偏好，比例越高，说明融资资金越倾向于将资源集中配置于该板块，体现杠杆资金在板块间的相对判断。在资金博弈层面，该指标反映融资资金在板块间的配置倾斜，其比例变动会引发板块间杠杆资金的轮动博弈，若该板块融资余额配置比例上升，意味着其他板块融资资金流入该板块，推动该板块多方力量增强，同时也会加剧该板块内部的资金博弈，融资资金的平仓行为可能成为板块短期波动的重要诱因。 融资融券余额占比：该指标消除了板块市值规模的影响，反映杠杆资金对该板块的相对配置强度，占比越高，说明相对于板块自由流通市值而言，杠杆资金的参与度越高，体现杠杆资金对该板块的相对重视程度，也是评估板块杠杆资金配置密度的核心参考指标。该指标的分位变动可捕捉杠杆资金的行为边界，若占比突破历史高位，说明杠杆资金参与过度，投资者可能启动去杠杆操作，若处于历史低位，则说明杠杆资金参与不足，投资者可能逐步加杠杆布局；在资金博弈层面，该指标是衡量板块资金博弈激烈程度的关键参考，占比过高意味着板块资金博弈中杠杆资金主导性较强，短期波动风险较高，占比适中则说明杠杆资金与非杠杆资金博弈相对均衡，板块走势更具稳定性，其变动也会直接影响板块拥挤度的高低，进而传导至整体资金博弈格局。 上述5个指标从境内机构、境外资金、杠杆资金三个核心资金维度出发，兼顾配置规模、配置偏好与相对强度，协同刻画配置逻辑、交易行为及各类资金的博弈特征，弥补了单一指标的局限性，可更精准、全面地呈现板块资金面的整体博弈格局，为后续因子合成与择时分析提供更丰富的资金博弈信号支撑。部分指标更新频率较低，会使用向上填充（往前取最近的非空数值填充），保持数据的连续性。 4. 股权结构特征维度：选取限售A股合计占总股本比例1个指标，反映赛道潜在流通盘压力，限售股解禁可能影响筹码供给，进而改变交易拥挤 度与资金博弈格局，补充该指标可提升信号的全面性。 5. 指数的基础量价指标：重点刻画指数的每日表现，保留指数的Beta信息，具体包含开盘价、收盘价、交易金额和交易量，为后续分析指数波动特征、关联市场整体走势提供基础支撑。 另外，由于部分指标在指数层面没有数据，本研究通过获取该月指数成分股的数据，计算指标然后按权重合成。部分指标更新频率较低，会使用向上填充（往前取最近的非空数值填充），保持数据的连续性。 数据预处理：为确保分析的准确性，对原始数据进行以下预处理操作：一是剔除缺失率超 $50\%$ 的指标，对剩余缺失值采用向前填充；二是对极端值进行截尾处理，对往回历史数据使用 $3\sigma$ 法对极端值进行处理，免极端值干扰分析结果。 # 2.2 指标加工方法 原始指标的时效性与趋势捕捉能力有限，为增强指标与下期收益率的相关性，提升因子合成的有效性，对筛选后的底层指标进行以下特征工程加工，形成多维度衍生指标池： 1. 滚动统计加工：针对每个底层指标，计算“5/10/20/30/60/120日”六个时间窗口的滚动均值与滚动增速——滚动均值用于平滑短期波动，凸显中长期趋势；滚动增速用于反映指标的变化速率，捕捉趋势拐点，增强指标时效性； 2. 偏离度指标构建：计算（当日值-滚动MA）/滚动MA指标（滚动窗口同上），刻画当前指标水平相对历史中枢的偏离程度，偏离度越高，说明当前状态越偏离历史常态，潜在反转风险或修复机会越大； 3. 分位值转换：基于1年、3年、5年三个滚动窗口，将每个指标的当日值转换为分位值（取值范围0-100%），分位值越高，说明当前指标水平处于历史高位，分位值越低则处于历史低位，便于识别极端拥挤或低估状态； 4. Z-score标准化。对加工后的指标，通过252日滚动窗口Z-score标准 化，消除不同指标的量纲差异，使各指标具备可比性，为后续因子合成奠定基础。（注意，仅对加工后的指标进行标准化，不重复对历史分位值进行标准化操作。） 5. 有效性前置筛选：通过Pearson相关系数开展IC检验(信息系数检验)，核心筛选与研究标的下期收益率显著相关的指标，筛选标准为 $\mathrm{P} 0.08$ （相关性较强），确保因子的有效性。由于在指数层面择时（而非股票截面），因此选用Pearson相关系数。 本研究使用的是日频的数据，为了避免过度操作，故采用周度调仓。目标收益率为 $t + 5$ 收益率（周收益）。 # 2.3 共线性去除 加工且筛选后的指标数目较多，含有一定的共线性。共线性会使模型的估计有偏，且影响样本外表现。故需去除共线性。本研究采用Gram-Schmidt正交化方法，优先保留IC值最高的指标原始信息，后续每个指标均对前置所有指标进行回归，取残差作为该指标的最终输入值，消除指标间的相关性。 共线性去除后，再一次进行IC检验，筛选出 $\mathrm{P} 序号 因子 样本内IC(共线性去除后) P值 释义 意义 1 vol_30d_growth_3y 0.154 0.000 指数交易量的30天增速在三年历史的分位值 度量交易额的月度增速,以三年历史分位值衡量变化大小。增速越大,收益率越好(动量)。 2 融资融券余额占比_20d_growth_3y -0.125 0.000 融资融券余额占比的20天增速在三年历史的分位值 杠杆资金在短期流入越快,未来收益越差。 3 close_5d_MA -0.118 0.000 收盘价的5天移动平均 度量收盘高度,以5天为周期。越高,未来表现越差(反转效应)。 4 val_120d_MA_5y -0.101 0.000 指数交易额的120天移动平均值的五年历史分位值 度量交易额的120MA,以长窗口观察是否有明确的显著的变化,以五年历史分位值观察拥挤。越拥挤,收益率越差(反指)。 5 open_20d_MA -0.092 0.000 开盘价的20天移动平均 度量开盘高度,以20天为周期。越高,未来表现越不好(反转效应)。 6 陆股通持股市值占流通市值比_5d_dv_1y 0.083 0.001 陆股通持股市值占流通市值的比例与其5天移动平均之间的偏离值,然后取一年历史分位值 度量陆股通的资金影响力的增幅,以短期为观察窗口。北向流入越快越大,未来表现越好。 7 交易金额占全市场比例_30d_dv_3y -0.066 0.010 首先计算当日交易额占全市场的比例,然后计算该比例与该指标30天移动平均之间的偏离,然后对该偏离取三年历史分位值 度量指数在全市场吸金效应相对30天的边际变化,以三年历史分位值衡量变化大小。衡量拥堵,越拥堵,未来收益越差。 8 公募基金配置比例_60d_MA_5y 0.060 0.018 公募基金配置比例的60天移动平均的五年历史分位值 度量公募基金的中长期配置意愿。越大,未来收益越好。 9 自由换手率_30d_growth_3y 0.053 0.039 自由换手率的30天增速在三年历史的分位值 度量自由换手率的月度增速,以三年历史分位置衡量变化大小。增速越大,收益率越好。 10 陆股通配置比例_30d_dv_1y 0.050 0.049 陆股通配置比例与其30天移动平均之间的偏离,取该偏离值的一年历史分位值 度量陆股通配置比例相对30天的边际变化,以1年历史分位值衡量该变化大小。该值越大,北向资金越关注,未来增长越好。 来源：iFinD，江海证券研究发展部 如图2所示，这些因子的IC都是在样本内长周期回测而言的，它们可能随时间变化，此处作为通用情况的解读。 图2、部分因子的IC时间序列 数据来源：iFinD、江海证券研究发展部 # 2.4 因子合成方法 本次研究采用两种因子合成方法，分别为线性合成法与最大化IC_IR合成法（动态合成法），下面对比两种方法的性能差异，筛选最优量化信号，具体合成逻辑与操作如下。 # 2.4.1 线性合成法 经过上述筛选后，共有78个核心有效指标。在线性合成前，需要对因子值进行统一的方向校准。为符合后续的交易机制，本研究把所有IC值统一为负向，再进行线性合成。具体方法是把样本内回测为正IC的因子的原始值全部取反。 线性合成采用等权叠加策略，进行求和，得到线性合成因子值。因子值越高，代表赛道当前估值越高、拥挤度越高、资金集中度越高，反之则越低。从合成因子的分层回测图，可见因子分层大致线性（除了第四组），基本遵从因子值越小，下期收益率越大。 图3、线性合成因子的分层回测表现 数据来源：iFinD、江海证券研究发展部 # 2.4.2 最大化IC_IR合成法（动态合成法） 针对指数级别（时间序列）的因子合成，与截面（多只股票）合成最大的不同在于，我们需要处理的是时序上的IC（Rolling IC），而非截面IC。 既然优化目标是最大化IC_IR（即因子的夏普比率），并且要求动态权重、允许正负，且要求最后合成的因子的IC为负（配合下文的交易系统），最稳健且符合数学逻辑的方法是将这个问题转化为均值-方差优化（Mean-Variance Optimization）问题，只不过应用的对象不是资产收益率，而是因子的时序IC。 核心逻辑是，基于均值方差优化思想，以“IC均值/IC标准差（即IR值）最大化”为目标，动态调整各指标的权重，实现合成因子有效性的最优，区别于线性合成法的固定等权，该方法可根据市场环境变化动态适配，提升因子在不同行情下的稳健性。 我们将每一个待合成的因子看作一种“资产”，该“资产”的收益流就是它对下期收益率的预测能力（即Rolling IC）。我们的目标是求出一个权重向量 $\varpi$ ，使得合成后的因子 $F_{new}$ 的IC序列具有最大的负向稳定性（即Mean/Std最大化，但方向为负）。 假设在 $t$ 时刻，过去一段时间内各因子的IC均值向量为 $\mu_{IC}$ ，IC的协方差矩阵为 $\Sigma_{IC}$ 。根据现代投资组合理论（MPT），最大化IR（Sharpe Ratio）的最优权重解为： $$ \varpi = \lambda \cdot \Sigma_ {I C} ^ {- 1} \cdot \mu_ {I C} $$ 其中： $\Sigma_{IC}^{-1}$ 是IC协方差矩阵的逆，用于消除因子间IC波动的相关性（甚至可以利用不同因子的对冲特性）。 $\mu_{IC}$ 是IC均值，如果因子长期为负IC， $\mu$ 中元素为负，计算出的权重自然会引导合成因子走向负IC。 非线性动态的体现： $\mu$ 和 $\Sigma$ 是随时间窗口滚动的（Rolling），因此权重 $\varpi_{t}$ 是随市场环境非线性变化的。 具体操作：第一步，选取60日为滚动窗口，每交易日重新估算因子的IC均值向量与IC协方差矩阵；第二步，通过均值方差优化模型，求解使IR值最大化的指标权重（约束条件为权重之和为1、单个指标权重不超过 $30\%$ 避免单一指标主导因子）；第三步，加入L2正则化处理，避免协方差矩阵不可逆导致的权重异常，同时对求解出的最优权重进行5日移动平均平滑，降低权重波动带来的调仓成本；第四步，将各指标标准化值与对应动态权重相乘后求和，得到动态合成因子值，因子值的物理含义与线性合成因子一致，即越高代表估值、拥挤度、资金集中度越高。 动态合成的因子分层回测表现如图4所示。可见其合成效果也大致遵从线性分布，因子值越小下期收益率越大，且组1的预测能力更强。 图4、动态合成因子的分层回测表现 数据来源：iFinD、江海证券研究发展部 # 3回测与验证框架 初始资金1亿元，交易成本：滑点 $0.2\%$ ，佣金 $0.01\%$ ，最低5元/笔。调仓频率按周度调仓，避免过度交易。在调仓日t使用t-1日的因子值，并会通过t-21至t-1窗口期内因子的方向和显著性进行调整。具体方法是在该窗口期内，判断因子是否显著，如果不显著，则信号无效；如果因子显著，则判断与目标收益率的方向相关性，如果为正，则因子值越大则越加仓，如果为负，则因子值越大则越减仓。 由于因子的计算和合成过程中需要前期数据启动，净值回测区间为2018年10月31日至2026年1月26日，且2025年4月1日至2026年1月26日（约10个月）为样本外回测。 # 4回测结果 因子回测曲线如图5所示。其中左边为线性合成，右边为最大化IC_IR合成。黄色曲线为样本外回测。 图5、净值回测曲线 数据来源：iFinD、江海证券研究发展部 观察到，线性合成的结果比动态合成的结果更好。虽然动态合成在较早时间段便能显示出超额，但较微弱。而线性合成的方式虽然前期超额不显著，但超额较平稳，经过时间积累后超额明显。 我们观察到，简单的线性合成（等权）的表现跑赢复杂的动态优化（最大化IC_IR），这通常被称为 $1 / \mathrm{N}$ 难题。主要原因是估计误差被放大。根据现代投资组合理论（MPT）， $\varpi = \Sigma^{-1}\mu$ 是数学上的最优解，其中输入参数 $\mu$ （即IC的均值）和 $\Sigma$ （即IC的协方差）是根据历史数据估计出来的，往往包含噪音，而且当合成的因子值数量很多时，噪音的效果会被放大。 在因子的共线性足够低的情况下，使用等权合成通常已经够好。如果因子之间已经去除了共线性（即正交，Correlation $\approx 0$ ），那么协方差矩阵 $\Sigma$ 变成对角矩阵。此时最优权重公式简化为： $$ \varpi_ {i} \propto \frac {I C _ {i}}{V a r (I C _ {i})} $$ 也就是权重仅取决于因子的IC_IR。如果这些因子在长期是平稳有效的， $\varpi_{i}$ 就应该平稳固定。此时，等权合成就有较好结果。假设当确信某因子A比因子B强很多（IC_IR显著高），或者因子A极度不稳定（波动率高）时，动态调整权重才有价值。如果因子间差异不大，等权是鲁棒的。 图6、不同合成方法的净值曲线的回撤与累计超额 数据来源：iFinD、江海证券研究发展部 图6展示了两种合成方法的回撤与累计超额。观察累计超额，可见从2024年9月底，超额开始急速累积，彼时正处于散户投资情绪高涨阶段，大量资金涌入进场，特别是人工智能板块，交易金额占全市场比例一度达到峰值。正因如此，本研究基于估值、拥挤和资金博弈的择时方法开始展现出优秀效果。从超额的延续性来看，该方法仍然有效。有部分机构看好人工智能、算力、和AI应用办法在2026年的表现，如果这些板块的资金结构和博弈模式不变，由情绪、杠杆资金快速推高估值，则该择时方法仍具应用价值。 从净值回撤的表现来看，当超额特别明显的时候，净值回撤大幅下降，可见该择时方法能有效降低因杠杆资金“多杀多”、估值泡沫、资金拥挤等造成的回撤。 图7展示了择时策略的加减仓时点和仓位变化情况。 图7、择时策略的加减仓和仓位变化情况 数据来源：iFinD、江海证券研究发展部 表3展示择时曲线（线性合成方法）的统计表现。该择时方法年化收益率为 $29.50\%$ ，年化超额 $13.01\%$ ，贝塔1.27，阿尔法0.09。作为择时方法，有一定的阿尔法超额，主要通过适时加减仓放大Beta。也正因如此，年化波动率有所放大。但因为年化收益率提升更明显，风险调整后收益（夏普比率）有所提升。 表 3、择时曲线表现统计 类别 年化收益率 年化超额 年化波动率 贝塔 阿尔法 夏普 胜率 周胜率 盈亏比 最大回撤 最大回撤起止 超额最大回撤 超额最大回撤起止 线性合成 29.50% 13.01% 77.2% 1.27 0.09 0.36 54.8% 54.5% 1.57 39.7% 2020-08-05, 2022-10-12 13.9% 2022-03-23, 2022-10-12 指数基准 16.48% 54.5% 1.00 0.27 53.1% 1.23 49.9% 2020-07-08, 2024-01-31 数据来源：iFinD，江海证券研究发展部 注：计算夏普比率时，年化无风险利率为 $2\%$ 。胜率为收益率为正的频率。周胜率为择时曲线周度收益率大于指数收益率的频率。 择时曲线胜率有所提升，为 $54.8\%$ 。盈亏比从1.23提升至1.57，赚钱效应提升。最大回撤从基准的 $49.9\%$ 下降至 $39.7\%$ ，最大回撤时间较基准缩短了约16个月，显示了该择时方法的有效性。 # 5总结 近年来，A股高关注度成长赛道的资金集聚效应愈发显著，以人工智能为代表的核心赛道，在产业迭代与市场情绪的共振下成为资金追逐的焦点，板块行情快速演绎的同时，也伴随着估值泡沫化、交易拥挤度高企、资金博弈加剧等问题，成为引发板块短期大幅波动的核心诱因。市场在赛道投资的热潮中，往往容易被产业叙事与短期赚钱效应裹挟，忽视估值与基本面的匹配度、交易拥挤带来的流动性踩踏风险，以及不同类型资金博弈的底层逻辑；而传统单一指标的择时方法，受市场周期波动影响大、有效性不稳定，难以全面捕捉赛道运行的多维特征，极易在行情热潮中发出错判信号。基于此，本文以热潮下的冷思考为核心立意，跳出单一维度的赛道分析框架，从量化视角构建覆盖估值合理性、交易拥挤度、资金博弈格局的全维度择时体系，核心目标正是为投资者在赛道投资的热潮中，提供一套客观、理性、可验证的量化决策参考，助力投资者在市场狂热中识别风险，在情绪冰点中捕捉机会，这也是本研究的核心出发点。 本文以中证人工智能主题指数作为高关注度成长赛道的代表性研究标的，以2015年8月1日至2026年1月26日为研究区间，完成了从底层指标构建到因子合成、回测验证的全流程量化分析，核心研究工作可归纳为三个层面。其一，搭建了多维度、全覆盖的底层指标体系，围绕交易拥挤度、估值合理性、资金博弈信号、股权结构特征四大核心维度，筛选18个基础指标，全面刻画赛道的估值安全边际、交易热度与资金博弈格局，弥补了单一指标的信息盲区；其二，完成了标准化的因子提纯流程，通过滚动统计、偏离度构建、分位值转换、标准化处理等特征工程，结合IC有效性检验与Gram-Schmidt正交化处理，完成了指标的筛选与共线性去除，提纯出具备显著预测能力的核心因子池；其三，对比了不同因子合成方法的实战效果，分别采用线性等权合成与最大化IC_IR动态合成两种方法构建择时因子，并搭建贴合A股交易规则的回测框架，验证了择时体系的有效性与稳健性，其中2025年4月1日至2026年1月26日为样本外回测,进一步验证泛化能力。 本文的回测结果，既验证了多维度量化择时体系的实战价值，也带来了两层关于赛道投资与量化研究的思考结论。第一，从赛道投资的底层逻辑来 看，估值－拥挤度－资金博弈的三维协同信号，对高关注度成长赛道的短期收益率具备显著且稳定的预测能力。基于线性合成因子构建的周度调仓择时策略，实现了 $29.50\%$ 的年化收益率，相对基准获得 $13.01\%$ 的年化超额收益，周度胜率提升至 $54.8\%$ ，盈亏比从基准的1.23优化至1.57，同时将最大回撤从基准的 $49.9\%$ 压缩至 $39.7\%$ ，大幅缩短了最大回撤周期。尤其在2024年9月以来市场情绪高涨、AI赛道交易金额占比攀升至历史高位的热潮阶段，策略超额收益进入加速累积期，充分证明该体系能够有效识别赛道过热后的回调风险，也能捕捉情绪退潮后的布局机会，真正实现了在市场热潮中保持理性判断的核心目标。第二，从量化研究的实践来看，过度复杂的优化模型未必能带来更优的实战效果，简洁、鲁棒的框架往往更能穿越市场周期。动态优化模型中，历史IC均值与协方差矩阵的估计误差会被大幅放大，反而削弱了因子的样本外有效性。而在因子完成正交化处理、共线性充分去除的前提下，等权合成具备更强的稳健性。这一结论也为量化择时研究提供了重要的思考：量化模型的核心价值不在于算法的复杂度，而在于对市场逻辑的精准刻画与对未来行情的泛化能力，需警惕过度优化、过度拟合带来的样本外失效风险。 整体而言，本文构建的量化择时体系，不仅为人工智能赛道的投资决策提供了有效的信号指引，其分析框架同样具备向其他高关注度成长赛道拓展的通用性。对于A股市场的投资者而言，赛道投资的核心从来不是盲目追逐市场热潮，而是在产业趋势的长逻辑中，时刻保持对估值边界、拥挤度风险与资金博弈格局的理性审视，这正是本文热潮下的冷思考的核心内涵。后续研究中，可进一步将产业景气度高频指标、市场舆情与情绪数据、宏观流动性环境等因素纳入体系，进一步丰富择时信号的维度；同时可针对不同成长赛道的运行特征，优化指标权重与因子合成方法，提升体系的适配性与泛化能力，为投资者提供更完善的赛道择时量化工具。 # 风险提示 本研究构建的择时因子与策略基于历史数据挖掘与回测验证，因子的预测能力依赖于市场结构、资金博弈模式的稳定性，若未来市场资金生态、赛 道交易逻辑发生显著变化，因子有效性可能出现衰减，导致策略表现不及预期。研究中部分数据可能存在数据滞后、拟合偏差。市场交易数据、资金配置数据可能受突发因素影响出现异常波动，或对因子合成与信号判断产生干扰，进而影响择时决策准确性。在市场出现系统性风险、突发政策调控、流动性危机等极端行情时，全市场资金避险情绪升温，赛道间的估值、拥挤度、资金博弈逻辑可能失效，策略可能面临超额收益大幅回撤、调仓失效等风险。人工智能作为高景气成长赛道，其发展高度依赖产业技术迭代、政策支持与行业监管导向，若未来出现技术突破不及预期、行业政策收紧、产业链上下游供需失衡等情况，将改变赛道的基本面与市场定价逻辑，量化择时信号难以覆盖此类基本面核心变化，可能导致策略判断失误。 投资评级说明 投资建议的评级标准 评级 说明 评级标准为发布报告日后的6个月内公司股价（或行业指数）相对同期基准指数的相对市场表现。其中沪深市场以沪深300为基准；北交所 以北证50为基准；新三板市场以三板成指（针对协议转让标的）或三板做市指数（针对做市 转让标的）为基准 股票评级 买入 相对同期基准指数涨幅在15%以上 增持 相对同期基准指数涨幅在5%到15%之间 持有 相对同期基准指数涨幅在-5%到5%之间 减持 相对同期基准指数跌幅在5%以上 行业评级 增持 相对同期基准指数涨幅在10%以上 中性 相对同期基准指数涨幅在-10%到10%之间 减持 相对同期基准指数跌幅在10%以上 # 特别声明 在法律许可的情况下，本公司及所属关联机构可能会持有报告中提到的公司所发行的证券或期权并进行证券或期权交易，也可能为这些公司提供或者争取提供投资银行、财务顾问或者金融产品等相关服务，提请客户充分注意。客户不应将本报告为作出其投资决策的惟一参考因素，亦不应认为本报告可以取代客户自身的投资判断与决策。在任何情况下，本报告中的信息或所表述的意见均不构成对任何人的投资建议，本报告不能作为道义的、责任的和法律的依据或者凭证。在任何情况下，本公司亦不对任何人因使用本报告中的任何内容所引致的任何损失负任何责任。 # 分析师介绍 梁俊炜 华南理工大学工学学士，新加坡管理大学分析学硕士，曾任职于大型银行总行、证券交易所和证券公司，有丰富的金融数据分析和量化研究经验。2024年加入江海证券。 # 分析师声明 本报告署名分析师声明，本人具有中国证券业协会授予的证券投资咨询执业资格，勤勉尽责、诚实守信。本人对本报告的内容和观点负责，保证信息来源合法合规、研究方法专业审慎、研究观点独立公正、分析结论具有合理依据，本人薪酬的任何部分过去不曾与、现在不与，未来也将不会与本报告中的具体推荐或观点直接或间接相关。 # 免责声明 江海证券有限公司（以下简称“本公司”）具有中国证监会许可的证券投资咨询业务资格。本研究报告仅供本公司的客户使用。本公司不会因接收人收到本报告而视其为客户。本报告的信息均来源于公开资料，本公司对这些信息的准确性和完整性不作任何保证，也不保证所包含信息和建议不发生任何变更。本公司已力求报告内容的客观、公正，但文中的观点、结论和建议仅供参考，不包含作者对证券价格涨跌或市场走势的确定性判断。报告中的信息或意见并不构成所述证券的买卖出价或征价，投资者据此做出的任何投资决策与本公司和作者无关。 本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，本报告所指的证券或投资标的价格、价值及投资收入可升可跌，过往表现不应作为日后的表现依据；在不同时期，本公司可以发出其他与本报告所载信息不一致及有不同结论的报告；本报告所反映研究人员的不同观点、见解及分析方法，并不代表本公司或其他附属机构的立场；本公司不保证本报告所含信息保持在最新状态。同时，本公司对本报告所含信息可在不发出通知的情形下做出修改，投资者应当自行关注相应的更新或修改。本报告中的资料、意见、预测均反映报告初次公开发布时的判断，可能会随时调整。报告中的信息或所表达的意见不构成任何投资、法律、会计或税务方面的最终操作建议，本公司不就报告中的内容对最终操作建议作出任何担保。 在任何情况下，本报告中的信息或所表达的建议并不构成对任何投资人的投资建议，江海证券有限公司及其附属机构（包括研发部）不对投资者买卖有关公司股份而产生的盈亏承担责任。 本公司及作者在自身所知情范围内，与本报告中所评价或推荐的证券不存在法律法规要求披露或采取限制、静默措施的利益冲突。 本报告的估值结果和分析结论是基于所预定的假设，并采用适当的估值方法和模型得出的，由于假设、估值方法和模型均存在一定的局限性，估值结果和分析结论也存在局限性，请谨慎使用。 本报告的版权仅归本公司所有，任何机构和个人未经书面许可不得以任何形式翻版、复制，刊登，发表，篡改或者引用。如征得本公司同意进行引用、刊发的，需在允许的范围内使用，并注明出处为“江海证券有限公司研究发展部”，且不得对本报告进行任何有悖原意的引用、删节和修改。未经授权刊载或者转发本报告的，本公司将保留向其追究法律责任的权利。