2026年策略展望与2025年研究回顾报告详尽综合分析
1. 元数据与概览
- 报告标题:《2026年策略展望与2025年研究回顾》
- 作者/发布机构:王琦、贾英、张栋梁,东北证券金融工程团队
- 发布日期:2025年11月13日
- 研究主题:全面覆盖2025年中国及全球市场的回顾,2026年市场策略、主要投资因子和量化模型研究总结,并对未来研究方向与资产配置提出展望
- 核心论点:
- 2025年国内市场在权益和科技股领域表现强劲,科技与红利板块形成哑铃结构,高估值带来一定修正压力。
- 2026年不确定性减弱,但投资需兼顾基本面、估值与流动性,配置风格趋向“成长+红利”,强调大市值优势,固收市场面临压力。
- 量化投资将强化AI、大数据融合,深度学习技术提升量价因子表现,SmartBeta与行为金融将逐步落地。
- 资产配置将趋向“量化+主观”融合方法,风险控制与多模型集成成为关键。
- 报告对多项因子选股策略(财务质量因子、盈利偏度、自由现金流策略)和机器学习模型(PatchStock、Mamba-MoE、多尺度融合模型)进行了深入分析和回测验证。
- 主要风险提示:市场波动、政策调整与模型失效风险持续存在,1,3,40]。
2. 逐节深度解读
2.1 2025年市场回顾与2026年展望
2.1.1 2025年回顾
- 全球主要权益市场均录得正收益,A股表现尤为突出。
- 行业方面,有色金属(75.90%)、通信(61.88%)、电子(48.10%)位列涨幅前三,科技(AI、半导体)驱动显著超额收益。
- 小盘成长指数(科创、北证)涨幅尤为迅猛。
- 科技股高估值接近历史峰值,年底开始修正;红利资产因低估值优势开始触底反弹,形成成长与红利交织的“哑铃结构”。
- 国内债券市场收益率全线上行,短端波动加剧,收益普遍承压,投资难度加大,1,3]。
2.1.2 2026年投资展望
- 确定与不确定:AI及科技投资热度高,但空间不确定,估值已透支部分预期。
- 一致与分化:国内投资者风险偏好高,但投资主线趋于收敛,红利资产表现稳健,固收难度大。
- 高波与低波:短期波动依旧较大,年末资金兑现收益导致风格轮动;中长期对低波动资产需求上升,红利、对冲和套利产品受关注。
- 股债比较来看:权益资产仍享有更高收益预期,但配置价值相较年初有所下降。
- 资金流向将继续偏重大市值成长与红利双重机遇,强调主动管理和多策略配置,1,3,4]。
2.2 2025年基础量化因子和财务质量因子研究
2.2.1 资产负债表财务附注质量因子
- 主要因子:
- 存货管理能力因子:衡量存货中“在产品”比例的高且稳定状态,反映需求稳定性和高效库存管理。
- 坏账管理能力因子:通过经营相关流动坏账准备占流动资产比率的波动度度量坏账管理动态。
- 存货管理因子表现较优,月度Rank IC为1.82%,多头年化7.57%,超额2.70%;坏账管理因子负向偏相关但在中小市值中表现较好。
- 两因子相关性低,合成后表现最佳,月均Rank IC上升至2.91%,多头年化9.63%,超额4.78%,主要在中小盘股票中选股效果显著。
- 数据来源Wind,回测区间2017年至2025年7月,数据半年度更新,每月再平衡,6,7,8]。
2.2.2 盈利偏度与估值偏度因子
- 研究盈利能力(过去8季度营业利润率TTM)和估值偏度(营业利润估值POP的252个交易日窗口)对未来收益的预测能力。
- 盈利偏度表现为正向预测信号,回测IC值1.68%,ICIR 0.54,年化超额收益2.87%。
- 估值偏度为负向预测信号,IC为-2.94%,ICIR 0.73,年化超额收益3.64%,说明估值极端偏低(低估)常带来较高溢价补偿。
- 两因子补充传统价量因子,具有较强信息增量,10,11,13]。
2.2.3 自由现金流策略及Smart Beta实践
- 自由现金流(FCFF)作为衡量企业健康与盈利质量的重要指标,具有显著抗风险能力和长期收益优势。
- 多家指数公司已推出自由现金流相关指数,相关ETF产品也已上市,显示市场认可度提升。
- 表现优异:2014-2024年间,中证现金流全收益指数年化收益20.21%,领先传统红利指数6.63%。
- 自由现金流指数在多个选股域表现突出,夏普比率和卡玛比率均高于主流宽基指数。
- 组合构建上,结合动量效应(3-6个月)和成长属性,构建自由现金流动量组合和成长组合,2017-2025年间年化收益超25%,显著超越基准,风险调整后表现稳健,14,15,16,17]。
2.3 2025年机器学习模型研究回顾
2.3.1 PatchDPT与PatchStock模型
- 采用带Patching的双路Transformer模型,克服长序列处理难题,综合时序、变量间及样本间信息。
- PatchStock结合基本面、日频和分钟频量价与订单簿数据,多标签训练,有效剥离行业市值和风格影响,具有稳定Alpha捕捉能力。
- 月度因子Rank IC达16.16%,年化超额收益约19.5%-29.4%不等,具有低估值、低流动性和小市值特征。
- 指数增强策略表现突出,沪深300、500、1000、国证2000增强组合年化超额收益8%-16%不等,风格多样,适应市场变化能力强,19,20]。
2.3.2 Mamba-MoE多模型融合与风险中性化
- 目标实现Alpha与Beta的解耦与风险暴露最小化,克服线性中性化的缺陷,纳入非线性风险因子以及股票间关联。
- 采用交叉验证和K折交叉融合多模型,提升泛化能力和稳健性。
- 因子周度Rank IC 13.22%,ICIR 1.28,周频多头组合年化收益33%,Sharpe比率高达9.25。
- 指数增强策略超额收益稳定,沪深300、500及1000增强组合年化超额达9%-17%。
- 通过风险控制,模型延展稳定性及多头收益,22,23]。
2.3.3 多尺度时间序列重采样与融合模型
- 提出事件驱动采样替代均匀时间采样,通过成交额和笔数等信息驱动采样,提高有效信息采集,降低噪声。
- 实现不同时间窗口和多尺度时间序列特征解耦融合,强化局部与全局信息捕捉。
- 多尺度融合模型月度、周度因子Rank IC分别达15.53%和13.05%,ICIR优于单尺度,风险因子暴露低。
- 指数增强年化超额收益率10%-20%不等,且风险暴露和换手率均受控,展示了优异的稳健性,26,28]。
2.3.4 机器学习未来发展展望
- 量化策略未来发展重点在数据端(高频量价、因子与非结构化信息融合)与模型端(降噪创新、适应性训练、风险控制)双重提升。
- AI大模型特别重视挖掘海量非结构化信息转化为量化投资信号,向多模态融合、强化学习、AI Agent自主决策方向发展,推动投资自动化升级。
- 强调深度融合机器学习与传统金融研究,以寻求Alpha创新路径。
2.4 资产配置研究及宏观因子分析
2.4.1 多资产相关性建模与DCC模型应用
- 股票与债券收益相关性动态变化影响资产配置效率。
- 滚动相关系数(RWC)简单但滞后,且噪声干扰显著。
- DCC(动态条件相关)模型更优,能动态捕捉相关性变化,平滑波动,有一定预测能力。
- 利用DCC模型对多资产相关性矩阵调整,结合PCA提取主要风险主成分,对包括股债、商品、黄金等资产进行风险平价配置优化。
- 优化后的组合表现提升,年化收益7%-9%,夏普比率提升至1.07-2.13,组合波动率和最大回撤均显著下降,提升了风险调整后的收益水平。
- PCA前三主成分涵盖经济增长(A股+商品)、高通胀(黄金+债券)、海外市场(标普500)三大宏观风格,31,32,33,34]。
2.4.2 宏观因子模拟与风险贡献管理
- 采用Fama-MacBeth方法构建宏观因子,通过回归资产收益与宏观变量(经济增速、利率、通胀、信用、美国产值及通胀等)测算风险载荷。
- 对载荷进行半衰期加权平滑,提高配置稳定性。
- 构建了基于宏观风险因子的风险平价组合,通过动态调整底层资产权重,实现对宏观风险敞口的有效管理与平衡。
- 宏观因子与资产的相关性及其变动分析,为投资组合风格与风险管理提供定量依据。
- 研究指出股债相关性受经济环境、市场情绪等多重复合因素影响,具有动态变化特征,配置需动态调整以优化收益风险匹配,35,38]。
2.4.3 资产配置未来趋势
- 目前机构投资者在“主观”与“量化”资产配置之间分歧较大。
- 大型资管机构逐渐认可量化优化技术,但主观判断仍为主流。
- 未来配置方法趋势为“量化+主观”融合,如哈佛FIFFA方案,主张灵活、动态、基于不确定性因子的资产配置。
- 实操中仍面临数据质量和观点一致性的挑战,但结合趋势不可逆转。
2.5 行为金融量化研究
- 2025年团队围绕动态参考点、多期限效用变化和投资者情绪模型进行了系统研究,理论与市场反馈较好。
- 传统行为金融量化落地路径相对间接,未能完全与基本面深度融合。
- 海外机构(例如PIMCO)已尝试将行为金融嵌入投资流程,通过学术合作实现行为模式监督与风控,提升决策稳健性。
- 该模式或将成为未来国内行为金融量化落地的核心路径,41]。
2.6 量价因子及特质波动率研究
- 特质波动率关系复杂,存在“特质波动率之谜”,不同交易日信息权重差异明显。
- 引入事件驱动筛选高信息含量交易日,构建“显著上行特质波动率因子”,提升了因子多头超额收益和稳定性。
- RESVOL60_JUP_FF3因子回测表现优异,Rank IC为-9.19%,多头年化超额收益7.34%,夏普比率1.82,超额收益提升显著。
- 未来量价因子研究聚焦深度学习与多模态融合,结合新闻、研报等非结构化数据,提升因子创新和Alpha捕捉能力,41,42]。
3. 图表深度解读
图1(第1页图像)
- 描述:报告正文起始装饰页,标识章节“01 2026年展望”。
- 解读:标志报告正式内容开始,布局清晰,帮助读者定位报告结构。
表格及图形(见第31页)
- 包含PCA主成分载荷和相关资产的权重分布。
- PC1主要含A股与商品,代表经济增长因子。
- PC2含黄金和债券,指防御属性,对应高通胀背景。
- PC3主要是标普500,代表海外经济环境。
- 该图表说明PCA降维聚焦主流宏观风险,帮助后续风险平价策略有效配置资产。
各指数及因子收益图(报告中多处)
- 回测收益曲线显示自由现金流指数长线明显跑赢市场,动量组合和成长组合表现优异。
- 机器学习模型因子IC与年化超额收益曲线平滑,展示模型稳定性和收益稳定性。
- 动态资产配置模型相关指标(夏普、回撤、换手率)指标表明调整后的配置在风险收益比上优于基准。
- 相关性模型图示(DCC与RWC对比)显示DCC更有效捕捉动态关联,减少异常跳跃,预测能力强。
4. 估值分析
- 报告未直接提供单一公司层面的估值目标价,但强调估值视角贯穿各策略分析中:
- 高估值科技股存在上涨空间不确定。
- 资产配置强调“成长+红利”的哑铃结构,兼顾估值修正与基本面复苏。
- 机器学习模型中,通过风险中性化和多模型融合降低市场估值波动对Alpha的侵蚀。
- 资产配置中,PCA结合DCC模型调整协方差矩阵,以改善估值环境下资产风险分散,提升风险调整收益。
5. 风险因素评估
- 主要风险:
- 市场波动剧烈导致模型失效(尤其是量化模型和机器学习模型)。
- 宏观政策调整带来的预期及实际变化风险。
- 估值波动和流动性风险对投资组合造成冲击。
- 行为金融因素难以准确建模,带来潜在非系统性风险。
- 对应缓解:
- 采用多因子、多模型集成、风险约束及动态资产配置降低风险暴露。
- 结合主观判断优化量化配置,增强适应性。
- 引入行为金融监督机制,培养制度改善投资决策稳健性,40,42]。
6. 批判性视角与细微差别
- 报告倾向于强调科技股高估值的不可持续性风险,但对科技板块潜在发展动力的可能突破持开放态度,体现审慎乐观。
- 量化模型依赖历史数据与特定假设,模型过度拟合及市场结构变动可能导致未来表现出现较大偏差。
- 宏观因子模拟依赖于资产价格与宏观数据的映射,存在波动性大、滞后及非理想匹配风险,具体配置策略或需结合宏观判断灵活调整。
- 自由现金流策略优异历史表现令人信服,但考虑流动性及市场环境变化,短期表现或承压。
- 资产配置建议“量化+主观”融合符合现实操作难题,但“主观”环节边界模糊,存在执行难度。
- 机器学习模型在市场极端行情下仍需验证稳定性,报告对模型回测区间普遍较近期不长,需持续跟踪,16,30,40]。
7. 结论性综合
本报告系统总结了2025年全球及中国市场显著的股债市场走势、行业表现和资产配置特征。科技股在2025年继续成为收益主要来源,但估值接近峰值引发波动与修正。红利资产凭借相对低估值逐步走强,形成成长与红利“哑铃结构”。债券市场受收益率上升影响表现承压。
展望2026年,全球科技投资热情仍高,但涨幅透支带来上涨空间不确定风险。国内维持高风险偏好格局,然而需调整资产配置聚焦业绩验证和稳健风格,股债对比来看权益配置仍占优势但收益预期下降。短期波动率较高,中长期对低波动资产需求上升。
从量化维度,报告详尽分析了资产负债表财务附注质量因子、盈利及估值偏度因子以及自由现金流SmartBeta策略,均表现出稳定的Alpha捕捉能力和良好风险调整收益。机器学习方向则通过创新模型(PatchStock、Mamba-MoE、多尺度融合等),充分挖掘高频量价及订单簿等信息,实现超额收益和风险控制的平衡。
资产配置研究利用PCA结合DCC动态相关模型,实现宏观因子风险的量化拆解与风险平价优化,提升组合稳健性与收益率。行为金融与量价因子研究强调结合非结构化信息及深度学习技术,为未来量化策略带来创新空间。
最终,报告提出未来资产配置将向“量化+主观”融合方向发展,结合多策略、多因子、多模型集成,提升投资决策稳健性。其风险提示涵盖市场波动、政策变化及模型失效,体现对复杂市场环境的深刻认识。
整体来看,报告内容丰富,结构严密,数据实证扎实,融合理论与实践前沿技术,展现了东北证券金融工程团队在量化投资和资产配置领域的领先研究水平,为机构投资者和专业市场参与者提供了极具参考价值的策略指引和研究洞察。
附:引用溯源格式示例
所有结论与推断均依据报告正文标注页码示例如下:
- 2025年市场表现及2026年展望——,1,3,4]
- 质量因子与财务附注分析——
- 盈利及估值偏度因子研究——
- 自由现金流投资策略研究——
- 机器学习量化模型研究——
- 资产配置动态相关性与宏观因子运用——
- 行为金融及量价因子研究展望——
- 报告总结与团队介绍——
结束语
本次分析全面详尽解读了报告的每一主要章节及关键数据点,结合数据和模型,为理解当前及未来投资环境提供了深刻洞察,特别强调了量化与机器学习技术创新在金融工程中的核心地位及实践价值。