华泰金工 | 红利因子择时与2025Q1行业ETF投资建议——ETF智投研究系列之三

01 红利因子趋势择时模型当前发出看多信号

我们首先参考中证红利指数的样本空间来计算红利因子：

1) 取中证全指指数全体成分股，剔除上市时间不足63个交易日、ST、*ST的个股；

2) 取上述个股中过去250个交易日内日均总市值和日均成交金额均在前80%的个股；

3) 保留过去三年连续现金分红且过去一年股利支付率均>0且<1的个股；

4) 将上述个股按照过去三年平均现金股息率从高到低排序，分为十组；

5) 第一组个股的当日收益率的均值减去第十组个股的当日收益率的均值，就是红利因子的 日收益率序列；将起点设置为1，对(1+因子日收益率)进行累乘，能够进一步得到红利因子净值。

不难发现红利因子净值走势较为温和，鲜有急涨急跌，所以对于红利因子更适合从趋势入手开展择时。趋势指标既包括资产自身的趋势和宏观环境的趋势。对于后者，我们主要从自上而下逻辑出发，精选了期限利差（Wind代码S0059749-S0059744）和银行间市场成交量（Wind代码M0041739）两个指标。首先，这两个指标都是日频指标，基本能够满足定量研究“大数定律”的要求。其次，红利资产受益于“资产荒”的环境，而这两个指标在一定程度上能够指示“资产荒”的程度——若银行间市场成交量呈放大趋势，说明资金在银行间市场空转，找不到投资出路；反观若期限利差呈走阔趋势，说明“借短买长”的长期投资开始有利可图。因此，银行间市场成交量放大利好红利资产，期限利差走阔利空红利资产。

我们采用双均线模型来识别红利因子自身趋势和两个宏观指标的趋势。为了应对指标噪声和降低参数敏感性，我们选取多组双均线参数——短均线窗长范围设置为1/5/10/15/20，长均线窗长范围设置为5/10/15/20/30/40/60/90/120/180/250

，其中长均线窗长必须大于短均线窗长，共计11+10+9+8+7=45组参数。每个交易日，对于红利因子净值和银行间市场成交量，统计这45组参数的“金叉”比例；对于期限利差，统计这45组参数的“死叉”比例。为了避免在震荡市中频繁地开仓和清仓，上述比例的阈值需要适当偏离0.50。具体来说，当该比例≥0.55时，记作+1分；该比例≤0.45时，记作-1分；其他情况记作0。于是三个指标得分之和在-3和+3之间。当得分之和首次≥+1时，开仓红利因子；当得分之和回落至-1及以下时，清仓红利因子。

回测区间为2017-01-10至2025-01-03，基准是起始净值归一化的红利因子净值。回测结果显示，趋势择时显著优于基准，年化收益提升了5.64 pct，最大回撤降低了9.42 pct。回测区间内开仓共计37次，平均开仓间隔为52个交易日，调仓频率较低。

当然，我们也可以把回测对象改成中证红利指数。如果直接对中证红利指数开展择时，可能会受到A股大盘的干扰。对此，我们设择时基准为“50%中证红利+50%中证全指”。当得分之和首次≥+1时，满仓中证红利指数；当得分之和回落至-1及以下时，满仓中证全指指数；其余情况维持基准。回测结果显示，在中证红利场景下，趋势择时同样显著优于基准，年化收益提升了4.72 pct，最大回撤降低了4.03 pct。

开仓阈值是一个重要的参数。对此，我们在红利因子趋势择时的场景下，开展了参数敏感性分析，我们将开仓阈值从0.55依次提升至0.60/0.65/0.70/0.75/0.80。结果显示，当阈值等于0.60/0.65/0.70/0.75时，回测表现均比阈值等于0.55时要好，而且开仓次数也进一步下降，表明开仓阈值较为鲁棒。

本文首页展示的是开仓阈值等于0.70的回测结果。截至报告发布日，红利因子趋势择时模型仍发出看多信号。

02 国内低利率环境利好红利类资产

在《全球大类资产配置的三层次逻辑及对宏观基本面量化的思考》（2024-11-29）等多篇前期报告中，或多或少都提及过全球经济周期模型。简单来说，首先对全球典型的股票、利率、商品、外汇的同比序列开展主成分分析，然后对股、债、商、汇第一主成分序列之和依次开展傅里叶变换、42/100/200个月的高斯滤波、逆傅里叶变换，并外推三个月，就能得到如图表10所示的三周期拟合曲线。

2025Q1全球经济周期或拐头进入防守区间，像前期报告《全球大类资产配置的三层次逻辑及对宏观基本面量化的思考》构建的全球资产配置策略，开始逐步减仓进攻资产、加仓防守资产；红利低波ETF作为A股中具有一定防守属性的资产，在A股配置中的占比也有所提升。在全球经济周期防守区间内，美国等发达国家的需求或减弱，可能会导致中国的出口面临一定压力。在这种情况下，内需有望成为中国经济的发力点，国内流动性环境或继续维持宽松，红利类资产因其高股息率显得更有性价比。

从中国宏观因子来看，增长、信用、通胀因子见底回升尚需时日，货币因子也仍在下行趋势中。所以我们判断利率还有一定的下行空间，利好红利类资产。

03 行业轮动模型排行榜中红利类行业得分靠前

2024Q4 月度行业轮动模型跑输行业等权基准6.91% 

从中国宏观因子来看，增长、信用、通胀因子见底回升尚需时日，货币因子也仍在下行趋势中。所以我们判断利率还有一定的下行空间，利好红利类资产。华泰金工月度行业轮动模型从因子定价模型出发。行业表现可以被拆分为由市场Beta和风格Beta所解释的部分以及残差。针对Beta部分，前期报告《行业景气投资的顶层设计和落地方案》(2023-09-14)结合宏观、中观、微观三个视角来捕捉行业盈利能力g和盈利能力边际变化Δg均大于零的机会，构建了景气趋势子策略。残差部分是无法被市场Beta和风格Beta所解释的部分，可能蕴含着如技术进步、政策支持等行业专属信息。前期报告《行业残差动量定价能力初探》(2024-02-05)采用技术分析来捕捉行业专属信息的异动，构建了残差动量子策略。从统计学原理来说，Beta部分和残差部分是不相关的，实证中两个子策略的长期相关性也较低。最终，我们把两个子策略按信号进行等权融合，每月推荐五个行业等权配置。回测程序使用每月第一个交易日各行业指数的收盘价完成调仓和净值计算。

上季度AI周度行业轮动模型跑赢行业等权基准0.14%

华泰金工AI周度行业轮动模型由两个子模型构成——全频段量价端到端模型和双目标遗传规划模型。其中，全频段量价端到端模型基于GRU搭建，同时输入个股的日频、周频、月频量价数据以及使用分钟线和Level2数据构建的高频因子，预测个股未来10个交易日收益率，作为日频选股因子。然后，对日频选股因子开展市值中性化，但为了保留行业轮动信息，不能做行业中性化。接着，根据各行业指数成分股的流通市值，将日频选股因子合成为日频行业得分。最后，对日频行业得分进行span=5的指数移动平均，以降低策略换手率，取每周最后一个有效值作为周频行业得分。

双目标遗传规划策略则是采用遗传规划的思路直接对行业指数的量价数据进行挖掘，而不再涉及先训练选股模型再合成为行业得分的步骤。与传统的单目标遗传规划相比，双目标遗传规划同时将|IC|和NDCG@k作为因子评价指标，在NSGA-II算法的加持下，能够挖掘出兼具单调性和多头组表现的行业轮动备选因子。双目标遗传规划在不增加时间复杂度的前提下，实现了等同于执行数十次单目标遗传规划的效果，大幅提升了因子多样性。对于挖掘得到的备选因子，我们结合贪心策略和方差膨胀系数，将共线性较弱的因子合成为日频行业得分。最后，同样对日频行业得分进行span=5的指数移动平均，取每周最后一个有效值作为周频行业得分。

上述两个子模型的输入和原理各不相同，长期来看具有低相关性，因此本文展示的最终版模型将持有两个子模型的多头组各半仓、周度再平衡。回测程序使用每周第一个交易日各行业指数的均价完成调仓和净值计算。有关模型的更多细节详见前期报告《双目标遗传规划应用于行业轮动》（2024-05-20）。

上季度主动型基金预计因行业轮动获得-0.37%的累计超额收益

除了上述长期跟踪的行业轮动模型之外，我们也会跟踪公募主动型基金参与行业轮动的情况。我们主要基于普通股票型基金和偏股混合型基金每日披露的净值，采用Lasso估算出各只基金的行业配置比例，并以各只基金的管理规模为权重进行加总。回归时，我们将基金季报中的个股持仓明细、证监会行业分布等信息作为约束条件，以降低多重共线性的影响、提升预测精度，详见前期报告《基金个股仓位测算与偏股混指数增强》（2023-02-02）。

我们每周都会对主动型基金的行业配置比例进行估算。对于一个行业来说，当周配置比例变化乘以当周收益率，就是该行业贡献的周度超额收益；将周度超额收益按复利法进行加总，就可以计算出考察区间内该行业贡献的累计超额收益。

风险提示：

1）报告涉及的模型均根据历史规律总结，历史规律可能失效，如当市场不相信景气趋势可持续时，行业景气度对股价就不一定有正向影响；

2) 报告涉及的模型均有其适用的市场条件，无法保证在任何市场条件下均可取得正超额收益，如AI行业轮动模型在市场主线较弱的条件下表现更佳；

3) 报告涉及的具体行业不代表任何投资意见，请投资者谨慎、理性地看待。

研报：《红利因子择时与2025Q1行业ETF投资建议——ETF智投研究系列之三》2025年1月7日

林晓明 研究员 S0570516010001 | BPY421

徐特    研究员 S0570523050005 

韩永蔚 研究员 S0570524050002

刘依苇 研究员 S0570521090002 | BSU078

孙浩然 联系人 S0570124070018

卢炯    联系人 S0570123070272