再论沪深300增强：从增强组合成分股内外收益分解说起

金融工程/2025.08.13 再论沪深300增强：从增强组合成分股内外收益分解说起 本报告导读： 结合适合沪深300指数成分股的多因子模型，辅以小市值高增长组合作为成分股外卫星策略，可较为稳定改善沪深300增强策略业绩表现。域内30%、域外10%卫星配置比例下，2016年以来300增强策略年化超额收益12.6%，跟踪误差5.2%。 投资要点： 线性优化模型下，成分股内部分类似于风险相对较低的底仓组合；而成分股外部分类似于提供收益弹性的卫星策略。我们将线性优化 郑雅斌(分析师) 021-23219395 zhengyabin@gtht.com 登记编号S0880525040105 罗蕾(分析师) 021-23185653 luolei@gtht.com 登记编号S0880525040014 相关报告 模型下的沪深300增强组合，拆解为成分股内、以及成分股外两部 金融工 程 金融工程专题报告 证券研究报 告 分，并统计各自相对于基准沪深300指数的超额收益表现发现，成分股内部分相对偏离小，跟踪误差和相对回撤较小，但同时超额收益幅度相对较弱；而成分股外组合则收益弹性大，同时跟踪误差、相对回撤也较大。 成分股内收益较为普通，这可能在一定程度上与沪深300指数成分 股内外因子表现存异有关。实际上，相比于成分股外，沪深300指 数成分股内基本面因子、价格动量因子的选股效果相对更强。因此， 区别于全A多因子模型，我们主要根据基本面和动量指标构建适合沪深300指数成分股的多因子模型。回测结果显示，该模型在成分股内的选股稳健性优于全A多因子模型。 将成分股内外选股效果的差异融入指数增强组合构建，可较为稳定改善沪深300指数增强策略业绩表现。我们从输入端预期收益调整、输出端多策略形式分别进行了测试。从回测结果来看，这两种方式 都可改善沪深300指数增强组合的业绩表现。2016年以来年化超额收益不低于10%，信息比高于2.0。 成分股外类似于提供收益弹性的卫星策略，也可采用小市值高增长、或GARP策略等具有类似特征的主动量化组合替代。我们以小市值高增长组合策略作为域外卫星策略，域内则结合适合沪深300 指数成分股的多因子模型，可较为稳定改善沪深300指数增强策略业绩表现。至于具体的卫星配置比例，则取决于收益风险偏好和需求。域内30%、域外10%卫星配置比例下，2016年以来沪深300增强策略年化超额收益12.6%，跟踪误差5.2%，信息比2.38。最极端的情况，域内、域外都完全用卫星策略替代，则沪深300增强策略年化超额收益17.5%；但同时跟踪误差也最高，达7.6%，信息比2.20，相对回撤9.0%。 风险提示。本文根据客观数据和评价指标计算，不作为对未来走势的判断和投资建议。本文结论通过统计分析得出，存在历史统计规律失效风险、因子失效风险、模型误设风险。 基于GRU、TCN模型的深度学习因子选股效果 研究2025.07.30 风格轮动量化模型和月度观点介绍2025.07.13解码企业生命周期：股票投资的新范式探索 2025.06.09 量化赋能多路径破局绝对收益2025.06.03核心指数定期调整预测及基于全市场的套利策略研究2025.05.25 目录 1.基础模型：沪深300指数增强组合3 2.成分股内组合分析4 2.1.沪深300指数成分股内外，因子表现差异4 2.2.适合沪深300指数成分股的多因子模型搭建5 2.3.输入端调整——预期收益5 2.4.输出端调整——多策略6 2.5.小结7 3.成分股外组合分析8 3.1.小市值高增长组合8 3.2.GARP策略9 3.3.小结10 4.复合沪深300指数增强策略10 5.总结12 6.风险提示12 经典的指数增强策略，通常要求80%权重在标的指数成分股内，以控制相对偏离和风险。那么优化得到的沪深300增强组合，其成分股内、外部分对收益风险的贡献如何？又如何将成分股内、外因子表现的差异，融入指数增强策略构建过程？本文接下来，将对这些问题进行研究。通过对指数增强组合成分股内外部分的拆解和分析，尝试对沪深300指数增强策略进行更精细化地构造。 1.基础模型：沪深300指数增强组合 我们的基础模型是线性优化框架下的沪深300指数增强组合，包含收益预测模型和风险控制两个模块。 其中，收益预测模块是全A范围内的线性多因子模型，具体包含风格、量价、基本面、一致预期等因子；因子权重则基于过去12个月因子ICIR确定。风险控制模块的约束条件包括：成分股约束（80%）、个股偏离（1%）、行业偏离（3%）、风险敞口约束（市值/估值0.3）。 月度换仓，扣除单边千2交易成本以后，沪深300指数增强组合2016 年以来年化收益9.9%，相较于基准指数年化超额9.4%，信息比1.97。 将上述沪深300增强组合拆解为两部分：成分股内、和成分股外的组 合。如图1所示，成分股内部分相对偏离小，跟踪误差和相对回撤都较小，但同时超额收益幅度相对较弱。而成分股外组合则收益弹性大，以20%的权重贡献了约40%（[9.4%-6.8%*0.8]/9.4%）的收益；但同时跟踪误差、相对回撤也较大。 图1：沪深300指数增强组合历史业绩表现（2016.01-2025.06） 资料来源：Wind，国泰海通证券研究 另外我们也测试了风格敞口为0的情况下，沪深300指数增强组合的收益拆解情况（图2）。类似地，成分股内部分收益、风险都相对较小；而成分股外部分收益弹性相对较大，风险也相对较高。 基于此我们认为，优化框架下的沪深300指数增强组合，其成分股内部分类似于风险相对较低的底仓组合；而成分股外组合类似于提供收益弹性的卫星策略。另外，从图1、图2的对比可见，市值暴露主要影响成分股外的收益弹性，而对成分股内部分的影响较小。 图2：沪深300指数增强组合历史业绩表现（风格中性，2016.01-2025.06） 资料来源：Wind，国泰海通证券研究 2.成分股内组合分析 2.1.沪深300指数成分股内外，因子表现差异 上述基础组合成分股内部分，分年度来看收益较为普通。过去10年将近一半的年份，年化超额收益率不足5%；2023年超额收益甚至为负。这在一定程度上可能与沪深300指数成分股内外，各因子表现存在一定差异有关。 实际上，我们对比了沪深300指数成分股内外，单因子的多头收益及 多空收益表现，结果如图3所示。其中，多头收益是指因子得分最高的50只股票相对于样本等权组合的超额收益，多空收益则是指因子得分最高的50只股票相对得分最低50只股票等权组合的超额收益。 统计结果显示： 1）成分股内，小盘效应失效。成分股外，小市值因子多头收益显著为正；而成分股内，因子多空反向，呈现大市值效应。 2）量价因子与基本面因子的相对强弱存异。成分股外，量价因子的多空收益表现显著强于基本面因子；而成分股内，基本面因子无论是多头、还是多空收益，稳定性都强于量价因子。即在沪深 300指数成分股内，基本面因子的溢价更突出。 3）成分股外反转效应突出，而成分股内动量延续性相对更强。成分股内，动量因子多头收益相对更高。 图3：沪深300指数成分股内外，单因子业绩表现对比（2016.01-2025.06） 资料来源：Wind，国泰海通证券研究 注：样本池为剔除市值最小20%个股后的沪深A股 到多因子角度，基于全A选股效果搭建的模型，在沪深300指数成分股内的稳定性相对较弱。如下表所示，我们分别统计沪深300指数成分股内、外，全A多因子模型复合得分最高的to组合相较于样本等权组合 的超额收益表现。结果显示，成分股内，全A多因子模型的稳定性相对较弱，多头收益的月胜率低于成分股外，年化超额收益幅度也相对较低。 年化超额 多头组合月胜率 信息比 年化超额 多空组合月胜率 信息比 成分股内 10.4% 58.8% 1.27 15.4% 78.9% 1.59 成分股外 19.0% 68.4% 1.31 51.2% 84.2% 2.95 表1：全A多因子模型在成分股内外的多空收益表现（2016.01-2025.06） 资料来源：Wind，国泰海通证券研究 总体来看，沪深300指数成分股内外因子表现存在一定差异；而这种差异在一定程度上使得基于全A选股效果搭建的多因子模型，在沪深300指数成分股内的稳定性相对较弱，进而影响指数增强策略表现。 2.2.适合沪深300指数成分股的多因子模型搭建 如前所述，相比于成分股外，沪深300指数成分股内基本面因子的业绩表现相对更优、价格动量延续性更强，因此我们尝试主要基于基本面和动量指标构建多因子模型。其中，基本面因子包括ROE、ROE同比、SUE、预期净利润调整、加速增长、现金流占比、价值（股息率和BP等权复合）等；价格趋势因子包括动量、开盘后买入意愿强度、大单推动涨幅等因子。 如表2所示，基于基本面、动量趋势因子构建的多因子模型，在沪深300指数成分股内的选股效果更稳定，IC及RankIC的信息比均优于全A多因子模型。下文我们将基于基本面、动量趋势因子构建的多因子模型，简称 为域内模型。 基本面、动量因子模型月均IC月胜率年化ICIR 月均IC 全 A多因子模型 月胜率年化ICIR IC 6.36% 67.0% 1.67 6.29% 64.3% 1.48 RankIC 7.53% 72.2% 2.00 6.51% 63.5% 1.50 表2：沪深300指数成分股内的IC表现统计（2016.01-2025.06） 资料来源：Wind，国泰海通证券研究 那么，如何将域内模型融入指数增强组合呢？我们从输入端和输出端入手，考察如下两种方案： 输入端调整——预期收益：对于成分股内股票，用域内模型的预期收益（多因子得分）取代全A模型；然后再进行优化求解。 输出端调整——多策略形式：利用域内模型构建成分股内选股组合，作为卫星策略使用。 2.3.输入端调整——预期收益 在收益预测模块，对于成分股内股票，我们采用域内模型的预期收益 （多因子得分）进行替代。然后风险风控模型保持不变，即在成分股约束 （80%）、个股偏离（1%）、行业偏离（3%）、风险敞口约束（市值/估值0.3）下获取优化组合。 成分股内预期收益调整，优化组合超额收益跟踪误差信息比相对回撤 超额收益 原指增组合 跟踪误差信息比 相对回撤 2016 12.1% 4.0% 3.40 1.6% 11.5% 5.2% 2.54 3.8% 2017 10.2% 3.9% 2.18 3.0% 14.0% 3.8% 3.00 1.6% 2018 6.3% 3.9% 2.16 1.9% 5.4% 3.6% 2.11 1.9% 2019 4.5% 4.2% 0.79 5.8% 7.9% 3.5% 1.64 5.6% 2020 11.9% 4.1% 2.25 2.2% 10.9% 4.4% 2.00 2.9% 2021 17.1% 5.7% 2.95 4.8% 15.3% 6.2% 2.47 6.9% 2022 5.5% 4.7% 1.43 5.6% 4.9% 5.4% 1.18 4.4% 2023 13.1% 4.4% 3.20 1.9% 6.0% 4.3% 1.54 2.2% 2024 10.7% 5.5% 1.68 4.1% 9.0% 5.2% 1.50 4.5% 2025 6.7% 3.7% 3.75 1.7% 5.8% 5.7% 2.23 3.5% 全区间 10.4% 4.5% 2.27 7.1% 9.4% 4.7% 1.97 6.9% 表3：调整成分股内预期收益后，沪深300指数增强组合的超额收益表现（2016.01-2025.06） 资料来源：Wind，国泰海通证券研究 月度调仓，扣除单边千2交易成本，域内输入端调整后，沪深300指数增强组合相对基准指数年化超额10.4%（表3），相较于原组合，年化收益可提升1%。同时，信息比也有所改善，提升至2.27。分年度来看