深度报告-2025-12-15-华安证券-量化研究系列报告之

> **来源：[研报客](https://pc.yanbaoke.cn)** # 高弹性 Alpha 的量化掘金：从盲区识别到策略构建——量化研究系列报告之二十五 报告日期：2025-12-15 # 分析师：吴正宇 执业证书号：S0010522090001 邮箱：wuzy@hazq.com # 分析师：严佳炜 执业证书号：S0010520070001 邮箱：yanjw@hazq.com # 主要观点： # - 传统多因子模型的风格盲区与结构不适配 传统多因子模型存在双重内生局限：其分散化构建哲学与结构性行情中收益极端右偏分布相矛盾，造成“收益稀释”；同时，因子库严重依赖历史有效的低波动、高盈利风格，形成路径依赖，本质上成为Smart Beta增强组合，缺失对高弹性风格的捕捉能力。 # $\bullet$ 基于非线性预测与高弹性分域的双轮驱动 本文提出了基于XGBoost非线性预测和高弹性Alpha挖掘的多策略解决方案。引入XGBoost模型，从相似特征中提取差异化Alpha，其全市场分十组多头年化超额达 $20.0\%$ ，信息比率3.78。此外，我们针对性构建高弹性策略，通过融合因子域内绩效与对传统多因子基准策略的分散化价值进行配置，该策略年化超额达 $14.1\%$ ，并与基准策略超额收益的相关性为 $-10\%$ ，在基准策略失效月份平均提供 $1.9\%$ 的正向对冲收益，有效弥补了传统多因子模型的风格盲区。 # 相关报告 1. 《因材施“策”：量化视角下的因子舒适区探寻与应用——量化研究系列报告之二十四》2025-09-14 2. 《让情绪“有结构”：大模型如何挖掘研报新价值——量化研究系列报告之二十三》2025-08-12 3.《临界相变：探寻传统因子中的非线性基因——量化研究系列报告之二十二》2025-6-12 4.《ETF资金流透视：被动化浪潮下行业与个股的演进——量化研究系列报告之二十一》2024-12-24 5.《上市板块差异性视角下的选股策略优化与实战指南——量化研究系列报告之二十》2024-12-20 6.《破解Alpha投资困境：因子择时方案再探索——量化研究系列报告之十九》2024-9-13 # 融合高弹性策略显著提升传统指数增强模型表现 通过风险预算模型将传统线性增强、XGBoost策略及高弹性策略进行整合。实证表明，该体系能系统性地提升指数增强效果。相较于单一中证全指增强策略，在不同的风险预算方案下多策略中证全指组合的年化超额收益提升了 $2.1\%$ 至 $4.7\%$ 。在最稳健的配置参数下，信息比率由原始的2.30提升至2.80，最大相对回撤由 $-8.4\%$ 收窄至 $-6.6\%$ 。该方案在有成分股约束的宽基指增中同样有效，其年化超额收益与信息比率均获得显著提升，其中，相对单一增强策略，沪深300增强的年化超额收益提升了 $3.8\%$ ，今年以来相对沪深300指数的超额收益达 $9.2\%$ 。 # $\bullet$ 风险提示 本报告基于历史个股数据进行测试，历史回测结果不代表未来收益。未来市场风格可能切换，Alpha因子可能失效，本文内容仅供参考。 # 正文目录 1 传统多因子模型的内核与挑战 ..... 5 1.1 多因子模型：基于历史规律的全面发展型选股模式 ..... 5 1.2 模型有效性面临周期性挑战 ..... 5 2 传统多因子模型的局限性——模型的内生“路径依赖”与结构不适配 ..... 8 2.1 局限一：分散化哲学与收益分布非正态性的根本矛盾 ..... 8 2.2 局限二：因子库的“路径依赖”与高弹性风格缺失 ..... 10 3 从多因子到多策略，挖掘高弹性 ALPHA. 14 3.1 基于XGBoost树模型的ALPHA预测 ..... 15 3.2 构建高弹性策略：捕捉传统模型的风格盲区 ..... 18 4 高弹性策略在指数增强模型中的应用 31 4.1 中证全指增强策略 ..... 31 4.2 宽基指数增强：80%成分股约束下的应用 35 5总结 38 风险提示： 39 # 图表目录 图表1公募指增基金规模（亿元）逐年攀升 5 图表2指数增强型基金累计日度超额净值走势 图表3指数增强型基金分年度超额收益和相对最大回撤中位数 图表4指数增强基金月度超额收益最低的10个月与BARRA因子当月RANKIC(2017.1.1-2025.10.31) 图表5特定市场阶段指数增强基金累计超额收益中位数 8 图表6指数增强基金月超额和个股超额标准差（按标准差大小从左到右降序排序） 图表72025年8月沪深300指数前十大涨幅成分股权重变化及区间涨跌幅 9 图表8指增基金月度超额收益与BARRA风险因子RANKIC的相关系数汇总 10 图表9因子库中各因子与BARRA风格对应关系（按高度正相关因子数降序排序） 11 图表10全市场复合因子TOP100多头组合和SMARTBETATOP100多头时序走势 12 图表11全市场复合因子多头组合和强势股数量重合度统计 12 图表12高弹性组合历史净值走势 13 图表13高弹性组合分年度表现 14 图表14模型输入特征 15 图表 15 XGB 复合因子全市场有效性 (2020.1.1-2025.11.28) 图表 16 XGBoost 复合因子分十组多头超额净值 (2020.1.1-2025.11.28) 图表17XGBoost复合因子分年度多头超额表现 17 图表 18 2025.10.31 模型特征重要性分类汇总 图表19特定市场阶段XGBoost全市场TOP100组合与传统多因子全市场TOP100策略表现对比 18 图表20复合因子与BARRA因子值相关系数汇总 18 图表21高弹性TOP100组合净值走势 20 图表22高弹性TOP100组合分年度表现 20 图表23XGB高弹性TOP100组合净值走势 20 图表24XGB高弹性TOP100组合分年度表现 20 图表25 高弹性策略与全市场选股策略的超额收益相关系数 20 图表26高弹性股票池在各宽基指数内数量分布 21 图表27高弹性股票池在各宽基指数内流通市值分布 21 图表 28 高弹性股票池在中信一级行业内数量和权重分布(以超配权重占比降序排序,2016.1.1-2025.11.28) 图表29高弹性股票池在上市板内数量分布 22 图表30高弹性股票池在上市板内流通市值分布 22 图表31高弹性股票池与中证全指上市板数量分布 22 图表32高弹性股票池与中证全指上市板流通市值分布 22 图表33代表性因子在高弹性股票池内选股有效性（2016.1.1-2025.11.28） 23 图表34基于分散化价值的高弹性TOP100优选组合超额净值（2020.1.1-2025.11.28） 25 图表35基于分散化价值高弹性TOP100优选组合分年度表现 25 图表36基于分散化价值的高弹性策略与其它策略的超额收益相关系数 25 图表37基准策略负超额时期高弹性分散价值策略超额收益表现 26 图表38特定市场阶段基于分散价值的高弹性策略与其余策略表现对比 26 图表39基于分散价值的策略参数敏感性分析 27 图表40SIGMOID连续权重函数示意图 28 图表41时序分域加权下高弹性股票池多头组合超额净值（2020.1.1-2025.11.28） 29 图表42时序分域加权高弹性股票池多头组合分年度多头表现 29 图表43策略间超额收益相关系数 29 图表44基准策略负超额时期高弹性时序加权策略超额收益表现 30 图表45特定市场阶段基于时序加权的高弹性策略与其余策略表现对比 30 图表46基于时序加权的策略参数敏感性分析 30 图表47各策略绩效汇总结果（2020.1.1-2025.11.28） 31 图表48多策略中证全指增强策略历史净值走势（2020.1.1-2025.11.28） 32 图表49不同风险预算比例下中证全指增强策略分年度表现对比 33 图表50特定市场阶段中证全指增强策略表现对比 34 图表51各子策略收益贡献情况 34 图表52各子策略配置权重 34 图表53多策略VS中证全指增强BARRA风格暴露对比 35 图表54多策略-沪深300指数增强策略历史净值走势（2020.1.1-2025.11.28） 36 图表55多策略-沪深300增强策略分年度表现对比（2020.1.1-2025.11.28） 36 图表56多策略-中证500指数增强策略历史净值走势（2020.1.1-2025.11.28） 37 图表57多策略-中证500增强策略分年度表现对比（2020.1.1-2025.11.28） 37 图表58多策略-中证1000指数增强策略历史净值走势（2020.1.1-2025.11.28） 38 图表59多策略-中证1000增强策略分年度表现对比（2020.1.1-2025.11.28） 38 # 1 传统多因子模型的内核与挑战 # 1.1 多因子模型：基于历史规律的全面发展型选股模式 传统多因子模型是现代量化投资的基石，其核心目标是在横截面上对股票的未来相对表现进行排序预测。无论是线性回归还是更复杂的合成方式，模型均通过一系列特征或因子来评估股票，其本质是追求稳定的超额收益，而非预测绝对涨跌或捕捉趋势行情。这一预测体系的方法论深深植根于历史统计规律，即从历史数据中挖掘那些长期来看能有效区分股票优劣的因子，并相信这些规律在未来会持续产生作用。 在这一框架下，投资组合的构建秉承着高度分散化和严格风险控制的原则。模型倾向于筛选出在各项考察维度上都表现均衡的“全面发展型”股票，而非在某一方面极端突出的“偏科生”。通过风险模型对行业、市值、估值、Beta等常见风格暴露进行严格约束，组合力求剥离市场常见的系统性风险，从而获取理论上“纯粹”的Alpha。这种经典范式在长期市场实践中证明了其稳健性。 在公募行业的实践中，这一模式与指数增强产品的目标不谋而合，形成了“多因子选股 + 组合优化与风控”的经典配置。由于其追求相对基准的稳定超额，且能够容纳大规模资金，指数增强产品已成为国内量化策略最重要、规模增长最迅速的品类之一。 图表1公募指增基金规模（亿元）逐年攀升 资料来源： wind 资讯, 华安证券研究所 # 1.2 模型有效性面临周期性挑战 然而，上述看似稳健的“多因子选股+组合优化”体系，在市场实践中正面临日益严峻的挑战，在现实市场环境中并非总能奏效。为客观评估其表现，我们遵循以下步骤构建并分析了公募指增产品的整体超额收益： 1. 样本基金选择：以沪深300、中证500及中证1000指数增强型基金为研究对象，筛选成立时间大于180天、年化跟踪误差低于 $7.5\%$ 的基金(剔除联接基金)，构建样本池。 2. 超额收益计算：对每只基金，逐日计算其相对基准指数（按 $95\%$ 仓位折算）的超额收益，并剥离当日打新收益。 3. 汇总统计：每日分别计算同类型的指增基金超额收益的中位数，再对这三个中位数求均值，作为当日公募指增策略的总体超额收益。 下图表展示了2017年以来公募指数增强型基金的超额净值走势以及分年度超额收益和超额最大回撤的中位数。可以看到，自2021年以来，指增产品的Alpha呈现显著衰减，相对回撤幅度明显放大。对于对标沪深300和中证500指数的增强产品而言，连续获取年度正超额已较为困难。由此可见，在市场有效性提升、策略拥挤度加剧以及整体风格结构变迁的背景下，以中低频交易为主的传统多因子模型，其超额获取空间正被持续压缩。 图表2指数增强型基金累计日度超额净值走势 资料来源：wind资讯，华安证券研究所 图表 3 指数增强型基金分年度超额收益和相对最大回撤中位数 超额收益中位数 相对最大回撤中位数 年份 总体 沪深300 中证500 中证1000 年份 总体 沪深300 中证500 中证1000 2017 6.2% 6.0% 6.4% 2017 2.0% 1.9% 2.1% 2018 5.2% 2.8% 3.9% 8.8% 2018 2.7% 2.1% 3.4% 2.5% 2019 4.0% 0.3% 3.6% 8.2% 2019 4.1% 3.3% 4.8% 4.2% 2020 6.3% 2.6% 6.0% 10.3% 2020 3.1% 3.0% 3.4% 3.0% 2021 0.9% -0.1% 0.1% 2.8% 2021 5.1% 4.2% 6.7% 4.3% 2022 2.4% 0.4% 1.0% 5.9% 2022 3.3% 3.5% 4.7% 1.7% 2023 1.8% 0.5% 0.8% 4.1% 2023 2.9% 3.0% 3.2% 2.5% 2024 3.2% 1.7% 2.6% 5.4% 2024 5.5% 4.1% 6.3% 5.9% 20251031 4.6% 1.9% 3.0% 8.9% 20251031 2.9% 2.9% 3.5% 2.2% 资料来源：Wind 资讯, 华安证券研究所 长期来看，公募超额分布呈现出左偏与肥尾特征，表明策略不仅存在稳定的正 超额阶段，也伴随着频繁且剧烈的超额回撤期。这一现象直指模型有效性的周期性失灵。下表列出了2017年以来公募指数增强型基金月度超额收益最差的10个月，并结合同期Barra风格因子的表现，可以发现一些共性规律： 1、在这 $70\%$ 的困难月份中，模型依赖的低波动、高盈利风格因子普遍失效，而与之相悖的高波动、高换手风格则表现强势。这对应两种典型行情：一是由远期乐观预期驱动的成长主导行情，使基于静态财务数据的估值与盈利因子失效；二是由情绪与资金驱动的主题动量行情，传统因子库因缺乏对短期情绪动量的刻画而无法适应。 2、市场风格的突然反转会造成巨大冲击。例如，2020年11月，此前持续弱势的价值因子BP的RankIC突然上升至 $24.98\%$ ，与前期强势的成长超预期风格形成剧烈冲突，直接导致了策略的显著回撤。 图表 4 指数增强基金月度超额收益最低的 10 个月与 Barra 因子当月 Rank IC(2017.1.1-2025.10.31) 日期 指增超额 BETA 价值 盈利 成长 杠杆 流动性 动量 非线性市值 波动率 市值 2019-02-28 -2.3% 24.9% 9.2% -6.1% 11.7% 12.1% 21.8% -33.3% 0.3% 27.0% -22.9% 2020-11-30 -1.1% -13.2% 25.0% 11.7% -8.5% 10.7% -23.9% -23.9% -6.9% -22.7% -1.4% 2021-05-31 -1.0% 18.4% 6.3% -12.5% -2.3% -6.3% 17.3% -5.5% -4.8% 11.4% -10.3% 2021-12-31 -0.8% -16.4% 28.6% 18.2% -10.4% 13.9% -26.0% -18.8% -7.5% -23.8% -13.4% 2022-11-30 -1.1% -6.1% 13.2% 7.6% -8.7% 12.5% -4.4% -4.4% -3.3% -4.7% -6.7% 2024-02-29 -1.2% 20.7% -12.4% 0.5% 12.3% -7.1% 12.3% -1.4% 24.5% 14.8% 54.5% 2024-07-31 -1.0% 6.5% 12.8% -0.2% -15.1% 8.4% -5.2% -10.5% -5.9% -8.0% -7.8% 2024-09-30 -1.7% 27.5% -1.8% -13.7% 5.4% 4.2% 6.5% -32.1% 1.8% 11.2% -2.1% 2024-10-31 -2.1% 5.8% -6.4% -20.3% -9.1% 4.9% 7.9% 1.1% 1.5% 7.2% -26.2% 2025-02-28 -1.0% 25.5% -3.6% -21.5% 0.7% 7.4% 12.7% -2.5% 1.7% 6.0% -16.2% 平均 -1.3% 9.6% 5.8% -4.5% -2.4% 6.4% 1.9% -14.0% 0.1% 1.9% -4.9% 历史平均 0.2% -2.0% 5.0% 4.4% -0.5% 0.5% -8.5% -1.5% -3.9% -8.2% -2.2% 资料来源：Wind 资讯, 华安证券研究所 这些周期性的失效在特定的市场环境中有着具体表现。为进一步剖析模型在结构性行情中的适应性，我们选取近五年来四个具有代表性的市场阶段，考察指增产品的超额表现： 1. 2021年4季度：市场风格快速切换，周期板块宽幅震荡，策略拥挤度加剧，以行业轮动和风格反转为主导，导致依赖因子动量的量化策略集体遭遇超额回撤。 2. 2024年1月至春节前：小微盘股票因流动性危机出现大幅回撤。然而，由于公募指增产品受 $80\%$ 成分股约束，其市值敞口得到控制，整体超额回撤幅度相对有限，这体现了传统风控框架在极端微观结构风险下的防御价值。 3. 2024年924行情：市场在政策等因素驱动下快速反弹，以双创板块为代表的成长风格反弹尤为迅猛。此阶段，低波、低换手等防御因子普遍失效，传统模型难以跟上市场情绪驱动的上涨节奏。 4. 2025年7月至9月：市场由科创、芯片等产业主题行情主导，股价表现与当期财报基本面脱钩，更多反映远期预期与主题情绪，导致基于历史财务数据的质量与盈利因子出现回调。 图表5特定市场阶段指数增强基金累计超额收益中位数 日期 开始日期 结束日期 交易日数 沪深300增强 中证500增强 中证1000增强 2021年4季度 2021-10-01 2021-12-31 61 -1.3% -2.9% -2.0% 2024年1.5-2.8 2024-01-05 2024-02-08 25 -0.2% -0.4% 0.0% 2024年9.24-11.8 2024-09-24 2024-11-08 29 -3.0% -5.9% -5.1% 2025年7.11-9.22 2025-07-11 2025-09-22 52 -1.1% -2.5% 0.3% 资料来源：Wind资讯，华安证券研究所 这些周期性的失效并非偶然，它深刻揭示了传统多因子模型内核逻辑与动态市场之间存在的固有矛盾。模型基于历史规律构建的“全面发展”选股标准与静态风险约束，在面对市场风格陡然转向“偏科生”或“主题明星”时，便显得僵化与滞后。这引出了我们对模型更深层次局限性的拷问：为何模型会在这些特定环境下系统性失灵？其内在机理是什么？本文后续章节将重点剖析这些问题，并探讨可行的解决方案。 # 2 传统多因子模型的局限性——模型的内生“路径依赖”与结构不适配 量化模型的局限性错综复杂，不同类型的策略所面临的挑战也各不相同。本文无意面面俱到，而是基于对现有主流公募量化策略的实证观察和复盘分析，聚焦于那些导致公募量化策略在关键时期系统性失灵的主要矛盾。深入分析可以发现，这些挑战并非偶然的外部冲击，而根植于传统多因子模型自身的内生逻辑之中——即对历史路径的依赖与对市场结构动态变化的不适配。本章将从分散化哲学与选股逻辑的路径依赖这两个层面进行逐一剖析。 # 2.1 局限一：分散化哲学与收益分布非正态性的根本矛盾 传统多因子模型在组合构建上遵循着经典的投资分散化原则，其核心假设是：股票收益在横截面上近似服从正态分布，通过持有大量股票可以平均化个股特异性风险，从而稳定地获取因子选股带来的平均Alpha。然而，这一理想化的统计假设与真实市场的收益分布结构时常发生尖锐冲突。 在市场处于由宏观主线或产业主题驱动的结构性行情时，个股或行业风格超额收益的分布往往呈现显著的右偏特征。这意味着大部分超额收益并非均匀地来自于投资组合中的所有股票，而是高度集中于少数几只权重股或处于风口中心的标的。此时，严格遵循分散化原则、持仓通常多达数百只且权重相对均匀的传统量化模型，其表现就如同一个被严重稀释的投资组合：虽然抓住了部分强势股，但因权重限制，无法充分享受其强势上涨带来的收益；同时，组合中大量平庸或弱势的持仓反而拖累了整体表现。在实践中，这种“均匀主义”的持仓结构很难根据行情分布进行动态、大幅度的调整，使得模型在结构性行情中天然处于劣势。 我们统计了每月全市场股票在根号总市值加权后的超额收益率的横截面标准差，并与当月公募指增产品的平均超额收益进行对比。结果表明，个股横截面超额标准差与指增当月总体超额收益呈现一定的负相关关系，与指增超额收益的绝对值呈正相关关系。在个股超额分化平缓的月份，量化模型凭借高胜率、低赔率的选股模式，往往能获取稳定但有限的超额收益。在分化剧烈的月份，市场呈现出“低胜率、高赔 率”的特征。尽管其中蕴藏着通过集中持仓博取极高回报的理论机会，但量化模型因其分散化约束，绝大多数时候无法捕捉这种机会，反而因持仓被大量平庸股票“稀释”，更容易遭遇显著的超额回撤。这印证了，分散化哲学在应对收益分布的非正态性时存在天然短板。 图表6指数增强基金月超额和个股超额标准差（按标准差大小从左到右降序排序） 资料来源： wind 资讯, 华安证券研究所 2025年8月的行情将这一矛盾极端化呈现。以沪深300成分股为例，该月个股相对于指数的超额收益率分布呈现极强的右偏性。以寒武纪、中际旭创为首的少数科技成长股贡献了绝大部分涨幅。然而，量化模型不仅因风险约束天然低配这类高波动、高估值股票，更在行情演进中陷入被动：这些领涨股因股价飙升，其在指数内的权重随之快速上升。若模型未能及时调整，则低配的幅度实际上在动态扩大，形成越涨越拖累超额的恶性循环。这并非简单的选股失误，而是其固守的组合构建哲学与市场动态的最优收益结构之间产生了根本性矛盾。这一矛盾深刻揭示，旨在降低风险的分散化持股，在某些市场状态下，其本身就会构成一种无法回避的“收益稀释风险”。 图表 7 2025 年 8 月沪深 300 指数前十大涨幅成分股权重变化及区间涨跌幅 Wind代码 证券名称 月初权重 月末权重 变化绝对幅度 区间涨跌幅 688256.SH 寒武纪-U 0.67% 1.31% 0.64% 110.4% 300502.SZ 新易盛 0.84% 1.48% 0.64% 88.3% 300394.SZ 天孚通信 0.23% 0.39% 0.15% 87.9% 002600.SZ 领益智造 0.12% 0.18% 0.06% 72.5% 300308.SZ 中际旭创 0.87% 1.32% 0.45% 63.1% 002241.SZ 歌尔股份 0.26% 0.38% 0.12% 59.5% 601138.SH 工业富联 0.61% 0.90% 0.29% 55.5% 600111.SH 北方稀土 0.42% 0.60% 0.18% 51.5% 000617.SZ 中油资本 0.10% 0.13% 0.03% 46.4% H00300.CSI 300全收益 10.5% 资料来源：Wind 资讯, 华安证券研究所 # 2.2 局限二：因子库的“路径依赖”与高弹性风格缺失 前文对公募指增产品极端负超额月份的分析，揭示了一个关键现象：量化策略的大部分剧烈回撤，均伴随着盈利、波动与换手等风格因子的失效乃至反向。更为系统的统计表明，这种关联并非偶然的尾部特征，而是一种常态化的风格依赖。下表统计了2017年以来公募指增月度超额收益与Barra风险因子RankIC的时序相关系数，可以发现，在大部分年份里，策略整体表现与低Beta、高盈利、低波动、低换手等风格因子的表现呈现显著稳定的正相关性。这意味着，传统模型的超额收益并非完全“纯净”，其表现好坏在常态下就与这些特定风格因子的走势深度绑定。 当然，这种相关性结构并非一成不变，其本身也受市场环境影响。2020年在公募资金持续“抱团”大盘成长风格的驱动下，市场表现出明显的高Beta、高动量特征。此时，遵循“因子动量”配置逻辑的多因子模型，会通过ICIR加权等方式，逐步提升成长超预期、动量等当期强势因子的权重，同时降低低波动、低换手等近期弱势因子的权重。这一动态调整过程，使得整个策略的组合风格暴露发生了系统性“漂移”，其表现与高Beta、高动量因子的正相关性增强，而与低波、低换手、高盈利等因子的相关性则转为负值。这恰恰从另一个侧面印证了模型的“路径依赖”：其风格暴露并非主动前瞻，而是被动跟随过去一段时间内表现强势的因子，从而在市场风格形成趋势时强化暴露，在风格反转时遭遇冲击。 图表 8 指增基金月度超额收益与 barra 风险因子 Rank IC 的相关系数汇总 年份 BETA 价值 盈利 成长 杠杆 流动性 动量 非线性市值 波动率 市值 2017 13% 22% 45% -42% 40% 50% 22% -55% 20% -8% 2018 20% 24% 84% -24% 25% 19% 43% -2% 43% -34% 2019 45% 35% 68% -31% 0% 84% 24% 40% 87% -40% 2020 29% -34% -25% 46% -27% -30% 64% -35% -42% -50% 2021 13% 6% 3% 44% -16% 22% 52% -19% 14% -40% 2022 12% 11% 32% -2% -4% 17% -50% 20% 22% -33% 2023 17% -48% -13% 61% -48% -44% 76% 43% -59% 40% 2024 78% 70% 87% 3% -13% 80% 25% 3% 80% -21% 20251031 76% 72% 87% 16% -36% 62% -31% 42% 66% 20% 汇总 31% 8% 42% 7% -13% 51% 34% 4% 31% -31% 资料来源：慧博，Wind资讯，华安证券研究所 这种绑定关系根植于模型选股和配置逻辑的双重“路径依赖”。传统多因子模型从历史数据中挖掘长期有效的统计规律，而历史数据显示，高盈利、低波动等因子在A股长期提供了显著的风险溢价。这导致模型在训练和迭代过程中，会不断强化对这类“高胜率”因子的依赖，最终构建的组合实质上高度暴露于此类风格，演变为一种带有鲜明风格偏向的“Smart Beta增强组合”，而非纯粹的Alpha组合。 为量化这一倾向，我们对Alpha因子库与Barra风格因子的相关性结构进行了分析。具体而言，计算每个选股因子与各Barra风格因子自2016年以来的横截面因子值相关系数的时序均值。若相关系数均值大于0.3，则定义该选股因子与相应风格高度正相关；若小于-0.3，则定义为高度负相关。 结果表明，因子库中存在大量与低波动、高盈利、低换手风格显著正相关的“深度”因子；然而，与高波动、低盈利、高换手风格高度正相关的因子数量却极为稀少。这种严重不对称性不仅体现在数量上，更体现在暴露的“深度”上：因子库容易构建出 对低波、低换手的“深度”暴露，却难以形成对高波、高换手的“深度”暴露，至多只能达到“浅度”相关。这种结构性缺陷，使得模型在面对由高弹性风格主导的市场时，缺乏有效、有力的选股工具。 图表9因子库中各因子与barra风格对应关系（按高度正相关因子数降序排序） 风险因子 高度正相关因子数 高度正相关因子数占比 高度负相关因子数 高度负相关因子数占比 平均相关系数 盈利 52 22.7% 0 0.0% 17.6% 波动率 44 19.2% 1 0.4% 14.2% 流动性 43 18.8% 1 0.4% 13.5% 价值 36 15.7% 2 0.9% 11.2% 杠杆 13 5.7% 6 2.6% 0.9% 市值 6 2.6% 0 0.0% 3.0% 成长 5 2.2% 0 0.0% 3.5% 动量 4 1.7% 2 0.9% 0.4% 非线性市值 3 1.3% 0 0.0% 0.9% BETA 2 0.9% 72 31.4% 4.0% 资料来源：慧博，Wind资讯，华安证券研究所 为进一步验证上述观点，我们构建了两个多头组合进行对比：首先，通过因子对称正交与12个月RankICIR加权的方式构建全市场复合因子，每月选取该因子得分最高的100只股票等权配置，构建全市场多头组合。同时，我们合成一个“弹性”代理变量，其本质是低盈利、高波动与高换手风格得分的综合，用以刻画股票的弹性特征。每月，我们筛选出该变量得分最低的 $50\%$ 股票，构成低弹性股票池，并在此池内使用完全相同的全市场复合因子进行选股，同样选取得分最高的100只股票等权配置，构建对照组合。 回测结果显示，两者长期超额收益曲线高度重合，月度超额收益相关系数高达0.89。这表明，传统多因子模型的超额收益，绝大部分可以归因于其因子体系在低弹性风格域内的选股效应，并未展现出能够有效超越该特定风格域的、更为普适的选股能力。 图表 10 全市场复合因子 TOP100 多头组合和 Smart BetaTOP100 多头时序走势 资料来源：慧博，wind资讯，华安证券研究所 在上述研究的基础上，我们进一步从组合持仓构成的视角进行剖析，以检验模型是否捕捉到了市场中的领涨力量。我们分别统计每月全市场涨幅排名前 $10\%$ 的强势股，以及排名前 $50\%$ 的涨幅领先股票，并计算与同期传统多因子模型选出的同比例持仓之间的数量重合度。结果显示：在总计119个月的样本期内，模型持仓与当月强势股的重合比例超过 $10\%$ 的月份仅有54个月，平均重合度仅为 $9.8\%$ 。这意味着，模型极少能将市场上最具弹性的少数领涨股充分纳入核心持仓。相比之下，模型持仓与当月涨幅前 $50\%$ 的中上游股票重合比例超过 $50\%$ 的月份达到107个月，平均重合度 $54.4\%$ ，远高于前者。 图表 11 全市场复合因子多头组合和强势股数量重合度统计 资料来源： wind 资讯, 华安证券研究所 造成这一困境的原因是多方面的： 1. 历史数据挖掘的惯性：模型天然倾向于在A股历史上长期占优的低估值、高盈利、低波动风格。 2. 因子定义的滞后性：模型对成长、盈利的定义多基于已实现的财务数据，而市场在高弹性行情中定价的核心往往是未来预期。这种“过往事实”与“未来想象”之间的错配，导致模型系统性地低配由预期驱动、业绩还未体现的热门股。 3. 因子动量与风格反转的冲突：模型本质上是以特定的统计逻辑学习历史市场环境并合成与之适应的 Alpha，这种以因子动量为核心的线性思想强化了路径依赖。当市场风格发生周期性反转，模型便会遭遇较大回撤。 在知晓造成传统量化多因子策略失效的根源之后，随之而来的问题是：“高弹性”风格究竟是一个应被回避的“Stupid Beta”，还是一个需要约束的风险？长期回测结果似乎支持前者：依据低盈利、高波动和高流动性的复合得分构建的TOP30%高弹性股票池在近16年相对全市场等权基准的超额收益为-10.2%，月胜率仅36.6%，从年度周期看无疑是一个“价值陷阱”。 然而，深入观察可发现三点变化：第一，自2020年以来，高弹性风格的超额收益下行斜率已显著放缓，月度胜率的劣势不再明显，且时常出现脉冲式高收益。第二，从投资实践所关注的回撤周期来看，近年来高弹性风格可能带来持续超过3个月的负向超额，因市场结构变化而凸显。第三，随着经济结构转向科创驱动，部分战略新兴产业的业绩兑现周期拉长，使得基于短期财务稳健性的传统定价逻辑出现阶段性失效。这警示我们，曾被视为Alpha基石的低波、高盈利特征，其风险溢价可能正在发生结构性变化。若一味将其视为“Stupid Beta”而系统性回避，可能导致策略在风格覆盖上存在永久性缺陷，无法适应未来市场。 图表 12 高弹性组合历史净值走势 资料来源：慧博，wind资讯，华安证券研究所 图表 13 高弹性组合分年度表现 年份 基准 策略 超额收益 信息比 相对回撤 跟踪误差 超额月胜率 2010 14.6% 8.1% -6.4% -1.4762 -6.4% 4.3% 50.0% 2011 -28.8% -37.3% -8.5% -2.2262 -11.7% 3.8% 25.0% 2012 5.2% -3.5% -8.7% -2.4389 -9.6% 3.6% 25.0% 2013 27.5% 27.0% -0.5% -0.0640 -8.4% 7.6% 50.0% 2014 48.7% 32.1% -16.6% -2.3967 -15.9% 6.9% 25.0% 2015 95.8% 71.4% -24.4% -1.7344 -24.1% 14.1% 50.0% 2016 -5.5% -25.1% -19.6% -2.7192 -19.2% 7.2% 16.7% 2017 -13.3% -27.0% -13.7% -3.0903 -15.7% 4.4% 0.0% 2018 -30.7% -35.0% -4.3% -0.7729 -6.4% 5.5% 33.3% 2019 26.6% 21.0% -5.6% -1.0294 -7.0% 5.4% 33.3% 2020 16.4% 15.4% -1.0% -0.1376 -10.0% 7.5% 58.3% 2021 24.5% 14.8% -9.7% -1.3809 -9.4% 7.0% 50.0% 2022 -11.9% -22.4% -10.5% -1.7000 -12.0% 6.2% 41.7% 2023 8.8% -0.2% -9.0% -1.2611 -10.3% 7.1% 41.7% 2024 3.4% -5.0% -8.4% -0.8704 -9.0% 9.6% 50.0% 20251128 37.1% 29.9% -7.2% -0.8938 -10.0% 8.1% 36.4% 汇总 10.3% 0.2% -10.2% -1.4090 -73.4% 7.2% 36.6% 资料来源：慧博，Wind资讯，华安证券研究所 许多曾被视为Alpha的因子(如小市值、账面市值比)已逐渐被认知并“Beta化”，成为控制优先级较高的风险。始终将其视为“Stupid Beta”而一味回避，会导致策略在收益来源上存在结构性短板。 面对上述局限，在传统框架内的优化尝试往往面临掣肘：1、因子挖掘层面，从高频量价数据中挖掘新因子，虽可能部分降低对低频风险的暴露，但多数高频因子本质上仍偏向低波动、低换手，且对交易端带来较大压力。2、风险模型层面，在风险模型中动态约束或放宽对高弹性风格的暴露限制，本质上是风险与收益的权衡。约束过紧则放弃潜在收益，放松约束则需承担更高的波动与回撤，且对于中低频策略而言，精准把握风格切换的时点极为困难。3、从Alpha预测的角度，如何在不同的特征输入下通过更复杂的模型获得更加稳健的Alpha预测，是近年来的研究热点，在第3章第一节中也会简要介绍这部分内容。 因此，更根本的解决方法或许在于突破单一模型的“路径依赖”，构建一个能够兼容多元风格、特别是覆盖传统模型“盲区”的体系。这自然指向了通过多策略组合来提升整体鲁棒性的思路：通过引入能捕捉高弹性Alpha的辅助策略来提高阶段性超额收益，同时由于策略间的低相关性来降低整体波动。其核心目标之一是直击痛点，弥补传统模型在“高弹性风格域”的覆盖度缺失。如何构建这样的策略，正是本文接下来要探讨的解决方案。 # 3 从多因子到多策略，挖掘高弹性 Alpha 在深入探讨多策略体系之前，有必要首先明确后续分析所依存的比较基准。下文将简要阐述基于传统线性框架的多因子复合因子的构建流程，该因子将作为后续各项策略对比的基准源头，基准复合因子构建流程如下： 1、因子池：基于基本面与量价数据，共纳入229个华安金工因子库中的因子； 2、样本空间：中证全指成分股； 3、因子预处理：所有因子均在当期横截面上进行缺失值填充、异常值缩尾、Z-Score标准化，并进行行业与市值中性化处理； 4、因子筛选：每年末，基于过去五年的历史数据，计算因子间的平均横截面相关系数。对高度相关（均值>0.7）的因子群，仅保留其中Rank ICIR最高的因子。 5、因子合成：每月末，采用对称正交处理以消除因子间的多重共线性。随后，基于过去12个月的数据，计算每个因子的Rank ICIR，并以此动态加权合成最终的横截面Alpha预测得分。 6、组合构建：每月末选取得分最高的100只股票等权配置。 后续章节提出的XGBoost模型及高弹性策略，均将在此基准上进行对比与增量分析，以客观评估其提升效果。 # 3.1 基于XGBoost树模型的Alpha预测 为突破传统线性多因子模型的“路径依赖”，一种直接的思路是采用更具灵活性的非线性模型来预测Alpha。机器学习方法，特别是树模型，为此提供了强大的技术工具。其核心在于，即便使用与线性模型相似的特征集，非线性模型也能够通过复杂的特征交互与分割，捕捉数据中隐藏的非线性规律与结构性变化，从而可能生成相关度较低、预测逻辑迥异的新Alpha信号。 在众多机器学习模型中，以XGBoost为代表的梯度提升决策树模型在量化选股领域得到了广泛应用与验证。其基本原理是通过一系列二叉树结构对样本进行递归划分，天然适用于处理非线性关系与高阶交互效应。XGBoost通过集成多棵决策树，并采用梯度提升框架逐步修正预测误差，在保持模型可解释性的同时，大幅提升了预测精度与泛化能力。与近年来兴起的深度神经网络相比，精心调优的树模型在表格数据预测任务上往往表现相当甚至更优，且与传统线性模型的预测结果通常具有较低的相关性。这种差异性使得树模型不仅能够作为独立的预测工具，更能在多策略框架下与线性模型形成有效互补，为实现“1+1>2”的分散化效果奠定了基础。 我们构建XGBoost收益预测模型的具体流程如下： 1、输入特征的类型：在传统的因子选股研究中，我们往往会基于先验逻辑和市场经验手工挖掘有效的选股因子。并通过各种线性模型合成用于构建组合的Alpha预测得分。而在机器学习领域中，可用于输入模型的特征类型往往并不要求原本特征的线性有效性。考虑到XGBoost模型对于特征数据的类型也有不同要求，我们使用如下特征集进行模型训练： 图表 14 模型输入特征 特征类型 特征数量 简要介绍 HAFactor 229 华安金工团队依据基本面和量价数据手工构建的因子。 Qlib Alpha158 158 Qlib量化分析库中一个广泛使用的因子集合，包含158个预定义的量化因子，旨在捕捉股票价格、交易量等多维度的市场动态。 资料来源：慧博，wind资讯，华安证券研究所 2、样本空间：中证全指成分股。 3、训练区间划分：以2010年1月1日-2017年12月31日为训练集，2018年1月1日-2019年12月31日为验证集。 4、特征筛选与预处理：由于树模型本身具有特征筛选机制。在训练模型前不进行特征筛选。特征进行横截面缺失值填充，在训练集中进行整体5MAD缩尾，Zscore标准化，不做风格中性化处理。 5、预测目标预处理：由于是月度调仓策略，使用未来一个月绝对收益率为预测目标，同样进行训练集整体Zscore标准化处理。 6、超参数选择与调优：损失函数选用均方根误差，通过网格搜索对学习率、树的最大深度、正则化参数等关键超参数进行优化，旨在验证集上获得最佳泛化性能。 自2020年1月1日-2025年11月28日，中证全指内XGBoost因子月度RankIC均值为 $13.4\%$ ，年化ICIR为5.26，分十组多空组合年化收益为 $62.3\%$ ，多头年化超额 $20.0\%$ ，多头信息比达3.78，全面显著优于同期传统线性复合因子。 图表 15 XGB 复合因子全市场有效性 (2020.1.1-2025.11.28) 因子简称 Rank IC均值 年化ICIR IC月胜率 多空年化 多头年化超额 信息比 多头相对回撤 线性复合因子 11.1% 4.0618 90.1% 38.0% 13.6% 2.5305 -5.7% XGBoost复合因子 13.4% 5.2608 90.1% 62.3% 20.0% 3.7785 -2.2% 资料来源：慧博，Wind资讯，华安证券研究所 分年度来看，XGBoost多头组合相对全市场等权基准的超额收益表现稳健，尤其在今年以来累计超额达 $25.2\%$ ，相较于线性模型多头组合，年均能创造约 $6.4\%$ 的增量超额收益。 图表 16 XGBoost 复合因子分十组多头超额净值 (2020.1.1-2025.11.28) 资料来源：慧博，Wind资讯，华安证券研究所 图表 17 XGBoost 复合因子分年度多头超额表现 年份 等权基准 XGBoost多头 超额收益 信息比 月度相对回撤 相对线性复合超额 2020 19.4% 37.2% 17.8% 3.9681 -0.6% 1.5% 2021 25.5% 52.8% 27.3% 4.8407 -1.7% 13.8% 2022 -9.8% 8.0% 17.8% 2.4363 -2.0% 3.3% 2023 7.4% 20.8% 13.4% 4.3986 -1.1% 0.4% 2024 2.8% 20.9% 18.0% 3.0656 -2.2% 5.6% 20251128 35.3% 60.6% 25.2% 4.9534 -0.7% 16.1% 汇总 12.6% 32.6% 20.0% 3.7785 -2.2% 6.4% 资料来源：慧博，Wind资讯，华安证券研究所 XGBoost模型在提供高精度预测的同时，也具备良好的可解释性，其提供的特征重要性度量有助于我们理解模型决策的底层逻辑。我们主要采用增益重要性作为评估指标，该指标综合考虑了特征在所有树模型中被用于节点分裂的频率，以及每次分裂所带来的损失函数下降幅度（即信息增益）。因此，增益重要性能够有效衡量各特征对模型整体性能提升的贡献程度。 分析结果显示，Alpha158这类基础技术特征和基本面特征的重要性居高，相对而言，日频量价因子特征的重要性相对较低，这可能意味着其增量信息在非线性模型中被其它基础技术性特征或价值类特征所替代或整合。 图表 18 2025.10.31 模型特征重要性分类汇总 资料来源：慧博，Wind资讯，华安证券研究所 进一步比较XGBoost全市场Top100组合与全市场多因子Top100组合在特定市场阶段的表现：两者具有一定的收益互补性。例如，在2024年春节前因流动性冲击导致的小微盘回撤行情中，XGBoost组合的表现阶段性弱于传统线性模型；而在其余多数市场环境下，XGBoost组合则能提供更优且相关性较低的超额收益。 图表 19 特定市场阶段 XGBoost 全市场 TOP100 组合与传统多因子全市场 TOP100 策略表现对比 日期 开始日期 结束日期 交易日数 全市场多因子TOP100 全市场XGB TOP100 2021年4季度 2021-10-01 2021-12-31 61 -0.1% 8.3% 2024年1.5-2.8 2024-01-05 2024-02-08 25 5.1% -9.6% 2024年9.24-11.8 2024-09-24 2024-11-08 29 -10.4% -2.1% 2025年7.11-9.22 2025-07-11 2025-09-22 52 -3.8% 10.6% 资料来源：慧博，Wind资讯，华安证券研究所 为深入理解其收益来源的差异性，我们进一步分析了XGBoost合成因子与Barra风格因子的相关性。结果显示，相较于传统线性复合因子，XGBoost因子在价值、盈利和低波动风格上的暴露显著降低，而在小市值因子上的暴露有所提升。这一相关性结构表明，XGBoost模型能够在一定程度上突破依赖低波动、高盈利的线性选股逻辑，通过非线性路径捕捉了不同的收益来源。 图表20复合因子与Barra因子值相关系数汇总 因子简称 线性复合 XGB复合 BETA 价值 盈利 成长 杠杆 流动性 动量 非线性市值 波动率 市值 线性复合 100% 48% -6% 23% 33% 9% 0% -38% -3% -4% -42% 1% XGB复合 48% 100% -11% 11% 8% -3% -1% -37% -9% -29% -27% -24% BETA -6% -11% 100% -27% -21% 17% -20% 45% 10% 13% -3% 0% 价值 23% 11% -27% 100% 45% -8% 30% -35% -25% 6% -37% 4% 盈利 33% 8% -21% 45% 100% 22% 23% -19% 0% 16% -27% 25% 成长 9% -3% 17% -8% 22% 100% -3% 12% 8% 24% -7% 30% 杠杆 0% -1% -20% 30% 23% -3% 100% -12% -9% 3% -4% 18% 流动性 -38% -37% 45% -35% -19% 12% -12% 100% 36% 15% 55% 11% 动量 -3% -9% 10% -25% 0% 8% -9% 36% 100% 16% 37% 22% 非线性市值 -4% -29% 13% 6% 16% 24% 3% 15% 16% 100% 0% 39% 波动率 -42% -27% -3% -37% -27% -7% -4% 55% 37% 0% 100% 1% 市值 1% -24% 0% 4% 25% 30% 18% 11% 22% 39% 1% 100% 资料来源：慧博，Wind资讯，华安证券研究所 总结而言，XGBoost模型通过其强大的非线性拟合能力，提供了一条生成差异化Alpha的有效路径，能够在一定程度上缓解传统模型在风格暴露上的“路径依赖”问题。然而，其预测逻辑仍然主要基于全市场相似的特征集，对于传统模型完全缺失的“高弹性风格域”，其覆盖能力可能依然有限。因此，要系统性弥补这一风格盲区，需要更具针对性的策略设计。下文将介绍第二种方案，即通过横截面分域，直接构建聚焦于高弹性股票池的选股策略。 # 3.2 构建高弹性策略：捕捉传统模型的风格盲区 传统多因子模型往往缺失对高弹性风格的捕捉能力。若想在不颠覆原有策略核心的前提下弥补这一盲区，构建一个独立的、针对性覆盖高弹性股票域的子策略，便成为一条合乎逻辑的路径。这本质上是将分域思想应用于风格维度，通过策略间的低相关性来提升整体组合的鲁棒性。 分域增强的核心思想，在于承认并利用不同股票子集（域）内可能存在的差异化定价逻辑。其增量实现取决于两个关键：一是目标域内确实存在显著且稳定的、区别于全市场的特异Alpha来源；二是通过分域建模对组合风格结构进行定向调整， 能在风险与收益间获得更优的权衡。目前实践中的分域思路大致可分为三类：一是单边式风格增强，如专注成长超预期或红利低波等强势风格域，旨在放大对该风格敞口的暴露以博取更高收益，但通常会同步推高组合跟踪误差，在信息比上较难获得显著提升；二是基于特征的双边分域，依据长期无明显方向性风险溢价的特征将全市场划分为两端，并分别建模，其增益完全取决于该特征对因子预测能力的区分度；三是针对传统模型空头端的建模，即直接对主流模型系统性回避的股票区域如低盈利、高波动板块进行重点研究，力求在不明显放大跟踪误差的基础上提升超额收益，这正是本文探索的方向。 实现分域思想，在实践中一般有两种路径：一是在一个庞大的多因子模型中，通过引入风格条件变量进行复杂交互，试图让模型自身学会在不同域切换选股逻辑；二是直接构建多个相对简单、各司其职的子策略，再进行组合。本文倾向于后者，主要基于三点考量：第一，适配性。不同风格域内的股票，其收益分布、波动特性、因子有效性截然不同，达到最优信息比率所需的持仓集中度与分散化程度存在显著差异。一个统一的模型框架很难同时最优地满足这些矛盾的要求。第二，灵活性。独立的子策略在因子选择、模型训练、组合优化上不受“大一统”框架的条条框框约束，可以针对各自域的特性进行极致优化，包括使用非常规的另类数据与非线性模型。第三，鲁棒性与可解释性。多个低相关性子策略的组合，其整体表现通常比一个复杂模型更为稳定；同时，每个子策略的损益归因清晰，便于理解和迭代。因此，从“一个复杂模型的条件化”走向“多个简单策略的组合化”，是分域模型实践中一个非常经典和有效的进阶路径。 一种朴素且直观的尝试是：在预先界定的高弹性股票池内，直接沿用为全市场构建的Alpha预测模型（多因子线性复合模型/XGBoost模型）进行选股。为此，我们首先对高弹性股票池进行定义，如下： (1) 基于 BarraCNE5 风险因子, 对原始流动性与波动率因子进行等权合成,再将结果与经过方向调整的盈利因子再次等权合并, 得到最终的高弹性综合得分。 (2) 每月末, 我们选取该弹性得分最高的 $30 \%$ 股票, 构成当期的高弹性股票池。 选股方面，我们每月末在高弹性股票池中选取Alpha得分最高的100只股票等权配置，从而构建组合。结果表明，这种朴素方法已初见成效。无论是全市场传统线性多因子模型还是XGBoost模型，以此构建的“高弹性优选组合”相对于Wind全A等权基准均能产生显著的年化超额收益，均为 $14.7\%$ 。另外，符合直觉的是，高弹性优选组合的超额收益波动和相对回撤均处于较高水平，导致信息比较低。 分年度来看，传统多因子模型的多头超额主要集中于2020年，而基于XGBoost模型构建的组合，其超额收益在各年度分布更为均匀，尤其在近期市场表现突出，显示出非线性模型在该域更强的适应能力。 图表21高弹性TOP100组合净值走势 资料来源：wind资讯，华安证券研究所 图表22 高弹性TOP100组合分年度表现 年份 全A等权 策略 超额收益 信息比 相对回撤 跟踪误差 2020 16.4% 67.1% 50.7% 3.6907 -11.1% 13.7% 2021 24.5% 31.2% 6.6% 0.5556 -14.4% 12.0% 2022 -11.9% -10.7% 1.2% 0.1342 -7.1% 8.8% 2023 8.8% 22.0% 13.2% 1.2341 -8.4% 10.7% 2024 3.4% 12.9% 9.6% 0.7312 -11.2% 13.1% 20251128 37.1% 46.4% 9.4% 1.0724 -5.5% 8.7% 汇总 12.6% 27.3% 14.7% 1.2903 -14.4% 11.4% 资料来源：wind资讯，华安证券研究所 图表23XGB高弹性TOP100组合净值走势 资料来源：wind资讯，华安证券研究所 图表 24 XGB 高弹性 TOP100 组合分年度表现 年份 全A等权 策略 超额收益 信息比 相对回撤 跟踪误差 2020 16.4% 34.6% 18.2% 2.1178 -4.3% 8.6% 2021 24.5% 42.6% 18.1% 1.6171 -12.0% 11.2% 2022 -11.9% -6.4% 5.5% 0.4083 -9.1% 13.5% 2023 8.8% 11.6% 2.8% 0.3048 -5.1% 9.0% 2024 3.4% 20.6% 17.2% 0.8659 -17.9% 19.9% 20251128 37.1% 63.1% 26.1% 2.5484 -5.8% 10.2% 汇总 12.6% 27.3% 14.7% 1.1551 -20.4% 12.7% 资料来源：wind资讯，华安证券研究所 从策略间的超额收益相关性来看，这类组合与原始全市场选股策略的收益表现相关性较低，初步具备了作为分散化工具的潜力。 图表25 高弹性策略与全市场选股策略的超额收益相关系数 全市场线性 全市场XGB 高弹性线性 高弹性XGB 全市场线性 100% 8% 3% -22% 全市场XGB 8% 100% 6% 54% 高弹性线性 3% 6% 100% 54% 高弹性XGB -22% 54% 54% 100% 资料来源：Wind资讯，华安证券研究所 然而，这种朴素方法存在较大的改进空间。首先，其本质近似于在全市场选股基础上，叠加了对高弹性风格的约束条件，并未构建独立的定价逻辑。其次，更关键的是，即使在“高弹性”池内，传统模型选出的股票，依然是该池子中相对绩优、低估值、低波动的部分。这导致组合虽然置身于高弹性域，其内核风格却可能仍偏向“稳健”，与在全市场选股但适当约束风险敞口的传统组合区别有限，未能真正捕捉高弹性风格的核心驱动因素——即由情绪、动量、远期预期所主导的定价机制。 因此，要构建一个真正有效、能提供差异化收益的卫星策略，必须进行更深层次的定制化设计，我们旨在构建一个策略，其收益来源与核心组合低相关，并能在市场风险偏好上升期，敏锐地捕捉由情绪和动量驱动的机会，真正承担起组合“进攻之矛”的职能。在此之前，有必要深入剖析高弹性股票池本身的特征画像，从宽基分布、行业分布及上市板分布进行考察。 从宽基指数的数量和权重分布来看，由于未对高弹性代理变量进行市值中性化处理，整体而言，高弹性股票池具有明显的小市值倾向。2016年以来，其在沪深300 内的平均数量占比仅 $5.7\%$ ，流通市值占比 $35.7\%$ ；在中证500内成分股数量占比 $9.5\%$ ，流通市值占比 $17.3\%$ ；在中证1000内的数量占比 $27.7\%$ ，流通市值占比 $22.5\%$ ；在中证1800外数量占比 $57.2\%$ ，流通市值占比 $24.5\%$ 。 图表26高弹性股票池在各宽基指数内数量分布 资料来源：wind资讯，华安证券研究所 图表27高弹性股票池在各宽基指数内流通市值分布 资料来源：wind资讯，华安证券研究所 行业分布上，相较于中证全指，该池明显超配电子、计算机、医药等行业，而大幅低配银行、非银、交通运输等大金融与周期防御板块。 图表 28 高弹性股票池在中信一级行业内数量和权重分布(以超配权重占比降序排序,2016.1.1-2025.11.28) 高弹性股票池 中证全指 高弹性-中证全指 中信一级行业 平均数量占比 平均权重占比 平均数量占比 平均权重占比 平均数量占比 平均权重占比 电子 10.2% 13.5% 6.9% 6.1% 3.3% 7.4% 计算机 10.6% 11.0% 5.9% 3.8% 4.7% 7.2% 医药 8.3% 12.3% 8.4% 7.2% -0.1% 5.1% 国防军工 3.2% 4.9% 1.9% 2.0% 1.2% 2.9% 有色金属 3.3% 5.2% 2.8% 3.0% 0.5% 2.2% 通信 4.7% 4.3% 2.8% 2.1% 1.8% 2.2% 电力设备及新能源 5.7% 6.6% 5.5% 4.7% 0.2% 1.9% 机械 11.0% 6.0% 10.2% 4.2% 0.8% 1.7% 传媒 4.2% 3.8% 3.3% 2.1% 1.0% 1.7% 消费者服务 1.3% 1.5% 1.1% 0.8% 0.3% 0.7% 农林牧渔 2.4% 2.0% 2.2% 1.5% 0.2% 0.4% 基础化工 7.1% 4.6% 8.6% 4.2% -1.5% 0.4% 综合 1.1% 0.8% 1.0% 0.4% 0.1% 0.3% 商贸零售 1.9% 1.6% 2.6% 1.3% -0.7% 0.3% 汽车 3.9% 3.7% 4.6% 3.6% -0.7% 0.1% 综合金融 0.2% 0.1% 0.3% 0.1% -0.1% 0.0% 纺织服装 1.7% 0.7% 2.2% 0.8% -0.6% -0.1% 建材 1.9% 1.1% 2.1% 1.3% -0.3% -0.2% 轻工制造 2.0% 0.8% 3.0% 1.1% -0.9% -0.2% 钢铁 0.7% 0.9% 1.3% 1.4% -0.6% -0.5% 房地产 2.6% 2.0% 3.4% 3.3% -0.9% -1.3% 煤炭 0.5% 0.5% 0.9% 1.8% -0.4% -1.3% 家电 1.3% 0.9% 1.8% 2.3% -0.5% -1.3% 建筑 2.8% 1.1% 3.2% 2.6% -0.4% -1.5% 交通运输 1.2% 1.6% 2.9% 3.6% -1.7% -2.0% 电力及公用事业 2.1% 1.3% 4.4% 3.9% -2.3% -2.6% 食品饮料 2.5% 4.2% 2.7% 6.9% -0.2% -2.7% 石油石化 0.7% 0.4% 1.2% 4.2% -0.5% -3.8% 非银行金融 1.0% 2.6% 1.6% 7.1% -0.6% -4.5% 银行 0.0% 0.0% 0.8% 12.5% -0.8% -12.5% 资料来源：Wind 资讯, 华安证券研究所 从上市板分布来看，由于涨跌幅限制与产业属性带来的弹性上的天然差异，池内股票明显偏向双创板块。2020年以来，主板股的数量占比 $52.8\%$ ，流通市值占比 $62.2\%$ ；创业板成分股数量占比 $36.0\%$ ，流通市值占比 $26.5\%$ ；科创板股的数量占比 $11.3\%$ ，流通市值占比 $11.3\%$ 。 图表29 高弹性股票池在上市板内数量分布 资料来源：wind资讯，华安证券研究所 图表30高弹性股票池在上市板内流通市值分布 资料来源：wind资讯，华安证券研究所 图表 31 高弹性股票池与中证全指上市板数量分布 资料来源：wind资讯，华安证券研究所 图表 32 高弹性股票池与中证全指上市板流通市值分布 资料来源：wind资讯，华安证券研究所 这些结构特征共同描绘出一个以中小市值、科创成长为主导的高弹性群体画像，其定价逻辑与传统蓝筹股主导的低弹性域存在本质不同，这决定了我们必须在该域内重新审视和评估因子的有效性。 对行业市值中性化后的因子在高弹性股票池里的有效性进行检验。可以看到，2016年1月1日-2025年11月28日，其有效性与全市场确实存在差异： - 传统的价值和盈利因子在该域内选股能力微弱甚至出现反向预测。经改进的可比价值因子表现显著强于原版因子，其中，可比营收企业价值比因子Rank IC均值 $4.0\%$ ，年化Rank ICIR为3.07，多头年化信息比为1.13； - 成长超预期和分析师预期盈利上调因子具有一定的选股效果，且多头端能提供可观的收益弹性。 - 相较之下，量价类因子在高弹性股票池内的表现显得较为亮眼，这印证了我们在先前因子舒适区研究中的结论：在高波动、高换手的环境中，识别 并回避其中的“定价噪声”往往能获得显著的Alpha。 总体而言，虽然量价与成长类因子在该域内保持了一定的选股效果，但完全摒弃价值与盈利维度势必会损失部分信息。同时，由于该股票池长期具有显著的负向风格 Beta，单一因子策略难以持续战胜基准，仍需依赖多因子复合来提升稳健性。 图表 33 代表性因子在高弹性股票池内选股有效性 (2016.1.1-2025.11.28) 因子简称 Rank IC均值 年化ICIR IC月胜率 多空年化 多头年化超额 多头信息比 多头相对回撤 类型 关联季度EP 2.9% 1.8564 69.7% 12.0% 10.2% 2.2620 -3.9% 价值 关联EP 2.2% 1.3127 69.7% 5.4% 6.7% 1.3226 -5.5% 价值 季度EP 2.5% 1.0244 62.2% 9.0% 8.2% 1.2639 -8.6% 价值 EP标准分 5.9% 2.9659 82.4% 22.4% 7.5% 1.2311 -6.2% 价值 关联营收企业价值比 4.0% 3.0737 78.2% 13.2% 5.5% 1.1377 -7.6% 价值 关联BP 4.7% 2.7106 80.7% 13.7% 5.6% 0.8694 -16.9% 价值 关联DP 1.6% 1.2730 71.4% 5.9% 4.1% 0.8387 -11.6% 价值 关联OCFP -0.9% -0.9654 64.7% 0.4% 3.2% 0.5887 -13.9% 价值 EP 0.3% 0.1256 47.9% 0.7% 3.8% 0.5528 -13.7% 价值 营收企业价值比 2.6% 1.4948 66.4% 9.8% 3.3% 0.5474 -10.4% 价值 OCFP -1.4% -0.9843 63.0% 3.1% 3.0% 0.3706 -27.6% 价值 EP_FY1 0.0% -0.0129 51.3% 1.1% 2.1% 0.2644 -15.4% 价值 BP_FY1 -1.2% -0.6230 53.8% -1.8% 3.4% 0.2599 -33.8% 价值 DP 1.5% 1.0759 66.4% 4.9% 1.5% 0.2569 -23.1% 价值 BP 3.4% 1.4017 70.6% 10.0% 2.0% 0.2187 -31.7% 价值 CFROA -0.6% -0.3527 56.3% -2.0% -0.7% -0.1342 -18.3% 盈利 季度ROE 2.4% 0.9023 63.0% 8.4% 6.1% 0.8297 -21.1% 盈利 ROE_TTM 0.1% 0.0288 53.8% 0.1% 0.5% 0.0759 -28.3% 盈利 ROE稳定性 -0.1% -0.0024 54.6% 1.6% -1.0% -0.1544 -25.7% 盈利 ROE_FY3 1.7% 0.9049 63.0% 3.0% 4.7% 0.4109 -31.9% 盈利 盈余公告动量 3.7% 2.7848 84.0% 17.6% 6.1% 0.8877 -12.9% 成长 季度营收同比 3.0% 1.6617 71.4% 15.3% 4.8% 0.8375 -9.4% 成长 季度净利润同比 3.0% 1.6262 69.7% 10.3% 7.6% 1.1787 -8.1% 成长 SUE 3.3% 2.1591 74.8% 16.8% 9.0% 1.4151 -7.6% 成长 SUR 2.9% 2.2681 75.6% 15.5% 8.1% 1.5328 -8.6% 成长 相对均衡估值 -2.3% -1.3785 63.0% 10.5% 6.8% 0.6447 -18.9% 分析师 分析师覆盖度 4.1% 2.3751 74.8% 9.0% 5.7% 0.4594 -30.3% 分析师 分析师覆盖度变化 2.3% 1.7463 65.5% 10.5% 8.5% 0.8494 -19.6% 分析师 预期EPS变化 2.5% 1.7790 71.4% 10.3% 7.9% 0.8042 -16.3% 分析师 分析师盈利上调 2.2% 1.3406 63.9% 7.4% 8.0% 0.7947 -15.4% 分析师 高管薪酬 1.9% 2.0084 72.3% 8.6% 4.4% 1.0576 -9.2% 另类 股东数目变动 -3.2% -1.5680 71.4% 15.9% 5.5% 0.9253 -9.4% 另类 大单买入资金Beta -8.9% -3.7601 86.6% 26.8% 7.9% 1.1838 -10.1% 量价 10日量价相关性 -7.0% -4.3741 89.9% 25.4% 10.6% 1.9907 -4.3% 量价 残差波动率 -10.4% -3.8728 88.2% 33.5% 9.4% 1.2972 -9.2% 量价 10日非流动性 7.2% 3.1194 85.7% 26.4% 10.3% 1.1643 -13.7% 量价 个股行业相关性 6.6% 3.1656 80.7% 24.0% 7.6% 1.2490 -9.1% 量价 特异度 -7.1% -3.2728 82.4% 27.8% 10.3% 1.6055 -6.1% 量价 10日加速换手 -10.7% -5.0239 91.6% 38.4% 12.5% 1.8944 -5.8% 量价 资料来源：慧博，Wind资讯，华安证券研究所 然而，一个核心矛盾随之浮现：如果继续沿用传统多因子模型那套在全市场行之有效的线性合成与因子筛选框架，即使应用于高弹性池，其结果很可能与“在全市场选股后简单约束风格暴露”的组合大同小异，甚至可能因为样本减少而引入过拟合风险。 那么，如何才能构建出真正具有差异化收益来源的高弹性策略？一个极端的思 路是仅采用纯粹的进攻性因子，完全放弃防御性因子。但历史回测表明，这种极致风格暴露在约 $60\%$ 的时间里会承受更大的波动与回撤，仅在大约 $40\%$ 的高弹性主导行情中才能绽放异彩。对于旨在作为长期配置的卫星策略而言，这种高波动特性并非最优解。 因此，本文的目标是构建一个既能捕捉高弹性域内特异Alpha，又能对核心全市场策略起到有效分散化作用，尤其是在后者失效时提供保护的子策略。这就要求我们在因子加权合成时，不仅要考虑因子在域内的绝对表现，还需纳入其与基准策略的分散化价值。下文将介绍三种旨在实现这一平衡的差异化构建思路。 # 3.2.1基于分散化价值的因子配置模型 第一种思路借鉴了资产配置中的均值-方差思想，旨在为每个因子分配权重时，同时权衡其在高弹性域内的历史收益及其与基准策略收益序列的协方差。我们设计如下综合评分函数： $$ S c o r e _ {i} = \mu_ {i} - \lambda^ {*} \sqrt {C o v (r _ {i , t} , r _ {b m , t})} $$ 其中， - $\mu_{i}$ 指因子 $i$ 在高弹性域内分十组多头组合相对高弹性域等权基准的超额收益均值。 - $r_{i,t}$ 指因子 $i$ 在高弹性域内分十组多头组合相对全市场等权基准的超额收益序列。 - $r_{bm,t}$ 指全市场线性复合因子分十组的多头超额收益序列。 - $\lambda$ 为惩罚系数，用于调节对分散化价值的重视程度。 # 具体构建流程如下： (1) 因子预处理: 所有因子均在高弹性股票池内进行横截面缺失值填充、异常值缩尾、ZScore标准化以及行业市值中性化处理。 (2) 因子筛选: 每年末, 基于过去五年的数据, 计算因子间的平均横截面相关系数。对高度相关 (均值 $>0.7$ ) 的因子群, 保留其中多头信息比率最高的一个, 以控制冗余。 (3) 权重计算: 每月末, 利用过去 12 个月的数据, 计算每个候选因子的多头超额收益均值及其与基准策略的协方差, 代入评分公式并归一化, 得到当期因子权重。 (4) 组合构建：使用动态权重对当期对称正交后的横截面因子值进行加权，合成最终的 Alpha 预测得分。每月选择得分最高的 100 只股票进行等权配置。 基于该框架构建的高弹性策略年化超额收益达 $14.1\%$ ，年化信息比为1.15，组合月均单边换手 $66.3\%$ 。分年度来看，策略表现出较强的收益弹性，策略在2020年取得了 $70.0\%$ 的显著超额，且仅在2022年小幅跑输Wind全A等权。 图表34基于分散化价值的高弹性TOP100优选组合超额净值(2020.1.1-2025.11.28) 资料来源：慧博，Wind资讯，华安证券研究所 图表 35 基于分散化价值高弹性 TOP100 优选组合分年度表现 年份 基准 策略 超额收益 信息比 相对回撤 跟踪误差 2020 16.4% 86.4% 70.0% 4.7032 -8.9% 14.9% 2021 24.5% 34.5% 10.0% 0.5299 -17.8% 18.8% 2022 -11.9% -13.9% -2.0% -0.2232 -7.6% 8.9% 2023 8.8% 15.3% 6.5% 0.8480 -6.0% 7.7% 2024 3.4% 4.7% 1.4% 0.1470 -10.2% 9.3% 20251128 37.1% 47.7% 10.7% 1.1403 -8.6% 9.4% 汇总 12.6% 26.8% 14.1% 1.1543 -17.8% 12.2% 资料来源：慧博，Wind资讯，华安证券研究所 从策略间的超额收益相关性来看，基于分散化价值框架的策略相对于直接使用全市场预测的Alpha构建的高弹性策略，与原全市场多头策略拥有更低的相关性，达 $-10\%$ 。尤为重要的是，在全市场多头策略出现月度负超额的“失效期”内，该高弹性策略的平均月度超额可达 $1.9\%$ ，在众多备选方案中分散化保护效果最为突出。 图表36基于分散化价值的高弹性策略与其它策略的超额收益相关系数 全市场线性 全市场XGB 高弹性线性 高弹性XGB 高弹性分散价值 全市场线性 100% 8% 3% -22% -10% 全市场XGB 8% 100% 6% 54% 6% 高弹性线性 3% 6% 100% 54% 73% 高弹性XGB -22% 54% 54% 100% 48% 高弹性分散价值 -10% 6% 73% 48% 100% 资料来源：慧博，Wind资讯，华安证券研究所 图表37基准策略负超额时期高弹性分散价值策略超额收益表现 策略名称 月超额均值 超额月胜率 年化信息比 全市场XGB 1.1% 55.6% 1.3616 高弹性线性 1.3% 66.7% 1.6559 高弹性XGB 1.8% 74.1% 2.5907 高弹性分散价值 1.9% 63.0% 1.5592 资料来源：Wind 资讯, 华安证券研究所 考察基于分散价值框架构建的高弹性策略，在特定市场环境下的收益弹性与互补价值。结果表明，在2024年9月24日后的市场反弹行情以及2025年7月至9月的科技主题行情中，该策略均能捕捉到更强的阶段性超额收益。这与传统多因子策略在上述行情中失效的特征形成鲜明对比，体现了其在风格切换与情绪驱动行情中的策略互补性。 图表 38 特定市场阶段基于分散价值的高弹性策略与其余策略表现对比 日期 开始日期 结束日期 交易日数 全市场多因子TOP100 全市场XGBTOP100 高弹性股票池 高弹性多因子 高弹性XGB 高弹性策略-分散价值 2021年4季度 2021-10-01 2021-12-31 61 -0.1% 8.3% -4.0% -3.7% 3.3% -2.8% 2024年1.5-2.8 2024-01-05 2024-02-08 25 5.1% -9.6% -6.0% -8.1% -12.3% -7.0% 2024年9.24-11.8 2024-09-24 2024-11-08 29 -10.4% -2.1% 4.6% 3.9% 2.8% 5.5% 2025年7.11-9.22 2025-07-11 2025-09-22 52 -3.8% 10.6% 3.3% 4.8% 6.7% 9.0% 资料来源：Wind 资讯, 华安证券研究所 为评估模型对关键参数的稳健性，我们对惩罚系数 $\lambda$ 进行了敏感性测试。该系数在评分函数用于平衡因子自身收益与因子收益和基准策略之间的协方差。理论上， $\lambda = 0$ 意味着完全依据因子历史收益进行配置，通常预期其样本内超额收益最高；而 $\lambda > 0$ 则会引入对与基准策略相关性的惩罚，旨在提升组合的分散化价值，但可能以牺牲部分收益为代价。 我们测试了 $\lambda$ 在0-2区间内的一系列数值，实证结果揭示了一个超越直觉的现象：在测试区间内， $\lambda = 0.5$ 不仅在提升策略分散化效果上表现显著，其实现的年化超额收益与信息比率也几乎达到了各参数中的最优水平。在高弹性股票池这一特定域中，许多短期收益突出的因子往往与市场整体情绪或动量高度同步，即与基准策略相关性较高。当 $\lambda = 0$ 时，模型会集中配置于此类因子，虽然可能捕获短期高收益，但也使组合暴露于与基准相同的风格风险中，导致其表现不稳定，在样本外或市场风格逆转时收益衰减较快。而引入适度的协方差惩罚（ $\lambda = 0.5$ ），实质上是也一种针对因子稳定性的筛选机制。它倾向于剔除那些虽然历史收益高但收益来源与基准超同的因子，同时保留或增配那些收益来源更加独立、特质性更强的因子。这种筛选在客观上提升了组合Alpha的纯净度与可持续性，从而在长期同时实现了更高的绝对收益与更优的风险调整后收益。 因此， $\lambda = 0.5$ 并非一个简单的折中平衡点，而是在高弹性域这一特定环境下，能够系统性地筛选出更具差异化、更可持续Alpha来源的关键参数。 此外，我们对多头持仓股票数量N的分析显示，将N设定为100只能够在收益集中度与风险分散之间取得较优平衡。过少的持仓会过度暴露于个股特异性风险，导致净值波动加剧；而过多的持仓则会过度稀释Alpha信号，削弱组合的超额收益能力。N=100的设定使得该策略既能保持足够的攻击性以获取显著超额，又能通过 适度分散来平滑波动、增强与核心策略的收益互补性。 参数名称 多头年化超 额收益 信息比 基准策略失效期 超额均值 基准策略失效期 信息比 lambda = 0 12.8% 1.0566 1.7% 1.3775 lambda = 0.1 13.1% 1.0793 1.8% 1.4238 lambda = 0.2 13.7% 1.1217 1.8% 1.4601 lambda = 0.3 13.4% 1.0968 1.8% 1.4845 lambda = 0.4 14.2% 1.1615 1.9% 1.5136 lambda = 0.5 14.1% 1.1543 1.9% 1.5592 lambda = 1 11.1% 0.8929 1.8% 1.5517 lambda = 1.5 9.2% 0.7316 1.7% 1.4783 lambda = 2 9.1% 0.7291 1.6% 1.3941 N = 50 13.7% 0.9700 1.5% 1.0477 N = 100 14.1% 1.1543 1.9% 1.5592 N = 200 8.9% 0.8885 1.5% 1.6765 资料来源：Wind 资讯, 华安证券研究所 图表 39 基于分散价值的策略参数敏感性分析 # 3.2.2 基于基准策略状态的时序样本加权模型 第二种思路从时序维度进行优化。传统因子动量加权平等看待每一段历史，但我们期望高弹性策略能在基准策略表现疲弱时“挺身而出”。因此，可以通过对历史样本进行非等权加权，赋予基准策略表现不佳时期更高的学习权重。 我们引入一个基于基准策略超额收益的Sigmoid形式的连续权重函数： $$ \omega_ {t} = \frac {2}{1 + \exp (\gamma * r _ {b m , t})} $$ 其中， $\gamma$ 为调节参数，控制权重对基准策略超额收益的灵敏度。当 $r_{bm,t}$ 为负，即基准策略失效时， $\omega$ 接近2，获得较高的权重；当其为正时， $\omega$ 接近0，权重降低。 为便于读者理解，我们绘制了基准策略超额收益与基于Sigmoid函数转换后的权重关系图，如下所示：