20260109-国金证券-主动量化组合跟踪_2025年机器学习因子指增策略表现优异_13页_1mb

2025年金融工程组策略表现总结

核心内容

2025年金融工程组在指数增强策略和固收+策略方面取得了显著成果，特别是在机器学习因子指增策略和中证红利选股策略上表现突出。整体策略在市场风格切换后进行了优化，以适应新的市场环境并提升超额收益表现。

主要观点

• 国证2000指数增强策略：因子表现稳健，样本外年化超额收益率达到 $13.03%$，但因市场异动（2月、8月）出现较大回撤，影响年化表现。策略采用等权方式构建多头组合，控制跟踪误差，提升因子暴露。
• 机器学习因子指增策略：TSGRU+LGBM模型在沪深300、中证500、中证1000指数上的样本外因子IC值分别为7.81%、8.32%和10.90%，有效性表现优异。中证1000指增策略表现最佳，回撤控制良好，能够快速捕捉市场Alpha逻辑。
• 中证红利选股策略：2025年化收益达 $7.71%$，超额收益 $3.93%$。择时策略未取得显著超额收益，但结合红利风格择时与红利股优选的固收+策略在上半年表现良好。
• 固收+策略：通过经济增长和货币流动性等10个指标构建的动态事件因子体系，提升了策略的稳定性。固收+策略年化收益率 $7.22%$，夏普比率2.15，表现优于基准。

关键信息

国证2000指数增强策略

• 策略构建：基于大小盘轮动逻辑，筛选适合微盘股的因子，合成大类因子并进行行业市值中性化。
• 因子表现：合成因子IC均值 $12.58%$，T统计量12.82，预测效果良好。
• 策略表现：年化收益率 $23.74%$，年化超额收益率 $13.03%$，信息比率1.69。
• 最新持仓：包含国星光电、众业达、光明乳业、康力电梯等股票。

机器学习因子指增策略

• 策略构建：采用GBDT和NN模型，融合多预测标签，构建GBDT+NN选股因子。近期引入TimeMixer框架改进模型，提升对市场风格切换的适应能力。
• 策略表现：
  • 沪深300：年化超额收益率 $6.63%$，超额最大回撤 $6.40%$，12月超额收益率 $1.33%$。
  • 中证500：年化超额收益率 $10.03%$，超额最大回撤 $5.88%$，12月超额收益率 $-0.41%$。
  • 中证1000：年化超额收益率 $12.54%$，超额最大回撤 $7.25%$，12月超额收益率 $-0.97%$。

红利风格择时+红利股优选的固收+策略

• 策略构建：结合动态宏观事件因子和AI模型，构建红利指数择时与红利股优选的组合策略。
• 策略表现：
  • 选股策略：年化收益率 $18.50%$，夏普比率0.88，超额收益稳定。
  • 择时策略：年化收益率 $13.29%$，夏普比率0.87，稳定性提升。
  • 固收+策略：年化收益率 $7.22%$，最大回撤 $4.93%$，夏普比率2.15，表现优于基准。
• 1月持仓：主要集中在金融类股票，如重庆银行、贵阳银行、中国平安等。

风险提示

• 历史数据建模结果可能因市场环境变化失效。
• 政策变动可能影响因子与资产的关系。
• 国际政治摩擦可能引发资产同向大幅波动。
• 策略基于历史数据回测，交易成本上升或其他条件变化可能导致收益下降或亏损。

总结

金融工程组在2025年通过机器学习因子和红利策略在多个指数上取得了良好的超额收益表现，尤其在中证1000指数增强策略和固收+策略上表现突出。尽管部分策略在特定市场异动期间出现回撤，但整体表现仍优于基准。策略的优化与调整为适应市场风格变化提供了支持，但需注意潜在的风险因素，如市场环境、政策变化和交易成本等。