ARTICLE · 993696
AI量化选ETF:动量/景气度/资金流三大信号怎么用?
——13份研报拆解量化投资的三把尺子，散户也能用
系列导读："AI量化+ETF"系列第3篇（共4篇）。本篇核心——用13份研报拆解AI量化三信号模型：动量因子是"侦察兵"（反应最快但7月暴跌40%教训深刻），景气度是"先行指标"（盈利预期底领先价格1-5个月），资金流是"验证器"（北向/ETF份额/融资三指标交叉验证）；三个信号不一致是常态——本篇给出信号冲突时的判断原则：短线看动量、中线看景气度、长线看资金流；因子会衰减（幻方7月翻车/传统因子2025年超额趋零），但发现因子的能力不会过时。第1篇一句话——ETF全景+四维筛选+杠杆风险；第2篇一句话——行业ETF地图+穿透标签；第4篇一句话——网格/定投/轮动三种实操策略。
上一篇画了行业ETF地图，但地图是静态的——你看好半导体，什么时候买？看好制造业，什么时候加仓？"选节奏"是多数散户的软肋。AI量化给出的答案是三把尺子：动量告诉你趋势在哪，景气度告诉你拐点在哪，资金流告诉你聪明钱在哪。13份研报拆解这三个信号的真实能力边界——包括2026年7月动量因子单月暴跌40%的教训。（来源：策略主题ETF、Bernstein动量解绑、因子布阵手册）
一、动量因子——趋势是你的朋友，但翻脸最快
2026年7月中旬，中国量化私募行业遭遇罕见集体回撤。梁文锋旗下幻方量化9只展示产品7月全部跌超20%，部分产品年内收益转负，8成量化私募当月收益告负。翻车原因高度一致：上半年量化机构靠动量、量价类因子在科技主线拿到了可观超额，但7月中旬A股突发剧烈风格切换——前期领涨的科技赛道快速回调，曾经贡献收益的动量因子全面失效，摇身变为最大亏损来源。策略主题ETF报告显示，2014年以来风格动量轮动策略累计超额收益超过40%。但Bernstein数据更残酷：2026年7月，亚洲动量因子单月暴跌40%——这是自1999年以来的第三大单月回撤。动量因子是量化投资界最古老也最赚钱的因子之一，但它也是翻脸最快的。趋势是你的朋友——但翻脸的时候你得知道怎么应对。（来源：私募排排网、新浪财经、策略主题ETF、Bernstein动量解绑）
动量因子的核心逻辑是"强者恒强"——过去3至12个月表现最好的股票或行业，在未来1至3个月继续跑赢的概率显著高于随机。这不是什么神秘规律，而是行为金融学的产物：投资者对信息反应不足，利好出来后慢慢买入，导致价格趋势延续。策略主题ETF构建了风格动量轮动策略，2014年以来累计超额40%以上，核心是在成长、红利、价值之间做有纪律的切换——当成长动量强时配成长ETF，当红利动量强时切红利ETF。MS Quant Matters发现2026年欧洲动量因子从排名第9跃升至第2，说明动量因子的表现在不同市场环境下差异显著——它是有效的，但不是在所有时候、所有市场都有效。（来源：策略主题ETF、MS Quant Matters）
但2026年7月，亚洲动量因子单月暴跌40%——这是自1999年以来的第三大回撤。韩国高动量组合年内从峰值到谷底跌了40%，台湾跌30%，中国跌26%。更值得警惕的是，Bernstein在7月底的报告中明确指出：动量拥挤度仅显示见顶迹象，并未充分释放，集中度风险仍然很高——韩国前5大股票占总市值65%，台湾66%，科技股分别占65%和84%。这意味着什么？当所有人都在追同一个动量趋势时，一旦趋势反转，踩踏式出逃会让回撤远超你的预期。7月31日动量因子单日暴涨8%——有史以来最大单日反弹——这恰恰说明极端波动已经是常态，而不是例外。（来源：Bernstein动量解绑）
动量是三个信号中反应最快的——趋势一旦形成，动量信号通常领先于基本面信号。但它也是翻脸最快的。散户用动量做ETF轮动的正确方式是：设定止损线（单次回撤超过15%强制离场），不把全部仓位押在单一动量信号上，用景气度和资金流做交叉验证（后面两节会讲）。动量是"侦察兵"——它最先发现趋势，但也最先踩到地雷。（来源：因子布阵手册）
【个人视角】动量因子让我想到开车用导航。导航告诉你"前方500米右转"，你照做了，顺利到达——这是趋势跟踪。但如果前方在修路呢？导航可能还没更新路况，你按它的指示右转就开进了死胡同。动量信号就是导航：大多数时候靠谱，但路况变了它不一定能及时告诉你。7月那次-40%回撤，就是"导航没更新路况"的典型。所以我的做法是：听导航的，但到了路口自己看一眼——如果路面有施工标志（景气度恶化信号）或有大量车辆掉头（资金流出信号），就不要死跟着导航走。
对散户的意义：动量是最直观的信号——涨的就是好的。但7月-40%的教训说明：动量有效，但拥挤的动量是定时炸弹。跟踪指标：动量因子拥挤度指标（Bernstein/MS定期披露）、风格因子排名变化（如欧洲Momentum第9到第2）。判断标准：用动量做ETF轮动时，单次回撤超过15%强制离场；不把全部仓位押在单一动量信号上。风险提示：2025年以来传统线性多因子策略超额几乎为零（因子布阵手册实证），动量因子也面临衰减风险。
动量告诉你"趋势在哪个方向"，但趋势的方向不等于买入的最佳时机——你需要另一把尺子来判断"拐点在哪"。
二、景气度因子——四维见底信号，比你先知道拐点
动量告诉你趋势在哪，但趋势已经启动时再买入，往往买在半山腰。你需要一个更早的信号——景气度拐点。问题是：怎么判断一个行业的景气度"见底了"？靠感觉？靠新闻？都不靠谱。有一套量化方法可以做到。（来源：行业见底信号雷达）
行业见底信号雷达构建了四维指标体系：相对强度（价格是否开始跑赢大盘）、成交拥挤度（资金是否开始回流）、盈利预期（分析师是否开始上调）、估值位置（是否处于历史低位）。历史统计验证了一个关键时序关系：盈利预期底领先价格启动点约1个月（一级行业），三级行业领先约5个月。这意味着：当你看到分析师开始上调某个行业的盈利预期时，价格通常还没涨——这就是"预期底"作为买入信号的价值。截至2026年7月底，中信一级行业中，医药和银行得分均为2（分别触发A+C和A+B信号），17个三级行业符合标准。胜率赔率策略自2024年以来绝对收益57.78%、超额24.77%。（来源：行业见底信号雷达）
动量告诉你"涨了"，景气度告诉你"该涨了"，但还有一个问题：涨的是真受益还是蹭热度？摩根士丹利提出了"主题贝塔加基本面相似度"双框架——用20个核心因子构建AI主题的"基因DNA"，然后把所有公司分为五类：AI核心、AI领导者、AI游客、AI灰色地带、AI无关。结果发现：基本面与AI主题一致性强的"领导者"，股价与AI主题的关联更持久稳定；而"AI游客"只是名字沾边，关联弱且不持久。这对ETF选择的意义在于：如果你看好AI赛道，不应该买名字带"AI"的宽基ETF，而应该买持仓中"AI领导者"占比高的ETF——这就是上一篇讲的"穿透标签看持仓"的量化升级版。（来源：MS AI收敛）
MS Quant Matters发现2026年因子表现因地区而异：美国推荐"质量成长"（Internal Growth因子），欧洲动量从第9跃升至第2，日本需要平衡价值与成长。这说明景气度判断不能只看A股——全球因子轮动会影响A股资金流向。对散户的实际意义：当你判断A股某个行业景气度见底时，同时看看全球同行业的因子表现——如果全球同行业也在回暖，信号更可靠。（来源：MS Quant Matters）
【个人视角】景气度拐点的判断跟电力系统里的"负荷预测"是一个道理。你不能等用电量已经涨了才说"电力需求回升了"——那时候电价已经涨上去了。你需要的是先行指标：新订单增速、产能利用率、库存周期。行业见底信号雷达做的就是这件事——用盈利预期（领先1-5个月）、估值分位数、拥挤度、相对强度四个先行指标来判断"行业用电量什么时候开始回升"。医药和银行目前得分2，意味着四维中有两维已经亮灯——不是绿灯全亮的"确认买入"，而是"黄灯亮了，准备进场"。
对散户的意义：景气度是"最不性感但最可靠"的信号——它不像动量那样让你一夜暴富，但能帮你避开追高。跟踪指标：行业见底信号得分（四维指标每月更新）、盈利预期修正方向（Wind一致预期）、分析师调研频次变化。判断标准：当一个行业四维指标中有两个以上亮灯时，值得纳入候选池；三个以上亮灯时，开始建仓。风险提示：见底信号是概率不是确定性——历史上也有四维亮灯后行业继续下跌的案例（如2022年地产），需结合资金流做最终确认。
景气度说"拐点到了"，但拐点到了不代表你该立刻冲进去——你需要第三把尺子确认：聪明钱是不是也在往这个方向走。
三、资金流因子——跟着聪明钱走，但要知道它在变
景气度说"行业拐点到了"，但拐点到了不等于资金会马上涌入。你需要第三把尺子：钱在往哪走。（来源：UBS南向）
UBS量化研究用CCASS数据追踪南向资金发现了一个关键变化：截至2026年4月，南向资金持仓总市值6.4万亿港元，占香港市场总市值24%——但被动ETF持仓占比从2024年的5%快速升至2026年初的12%。这意味着什么？南向资金整体在增加，但越来越多的钱通过ETF被动配置，真正做主动选股的资金比例在下降。好消息是：符合"3个月日均成交额大于5000万美元"门槛的活跃股票从2024年的约200只增至约500只——市场流动性改善，选股型投资者的Alpha机会反而增多了。UBS构建了"南向主动资金流向加滚动最佳20大参与者持仓加拥挤度因子"的复合框架，自2019年以来年化超额12%、夏普1.7、最大回撤仅6%。（来源：UBS南向）
传统择时靠感觉，CFTC持仓数据提供了一个纯量化方案。五因子投票模型——投机多头占比、商业空头占比、前四空头集中度、商业净持仓、其他报告商多头变化——2012年以来夏普1.19、年化14.7%、累计+657%，同期买入持有年化仅7.9%。更关键的是最大回撤从-41.4%削减至-18.5%。五个因子平均绝对相关系数仅0.18，彼此独立——这不是"五个相似信号的平均"，而是"五个不同视角的投票"。虽然这个模型是针对黄金的，但方法论可以迁移到行业ETF：用公开可得的持仓数据（如ETF份额变化、北向资金、融资余额）构建类似的资金流投票系统。（来源：CFTC黄金）
资金流是最直接的信号，但它也在改变市场结构。上一篇讲过黄金ETF持仓3932吨创新高，ETF资金流本身已成为影响金价的力量——当你跟踪资金流时，你跟踪的不只是"聪明钱的方向"，还有"ETF规模变化对资产价格的反身性影响"。散户用资金流做ETF选择时要注意：ETF份额大幅增加可能意味着"聪明钱涌入"，也可能意味着"被动资金拥挤"——两者对后续走势的含义完全不同。（来源：金ETF评论、MS黄金白银）
【个人视角】资金流因子让我想到工厂的"物料流转"——原材料进了哪个车间、成品出了多少，直接反映生产计划的执行情况。南向资金从5%被动化到12%，就像工厂从"手工排产"变成了"系统自动排产"——效率提高了，但你需要看懂新系统才能知道物料真正去了哪。CFTC五因子模型的价值在于它不依赖任何人的判断——纯粹用数据投票，五个独立视角互相验证。我建议散户也试试这种"投票思维"：不要只看一个资金流指标就下结论，至少看三个——北向资金、ETF份额变化、融资余额，三个指标方向一致时信号才可靠。
对散户的意义：资金流是最容易获取的信号——北向资金每日可查、ETF份额每日可查、融资余额每日可查。跟踪指标：北向资金行业净流入（Wind/东方财富每日披露）、ETF份额变化（基金公司官网每日披露）、融资余额行业分布（交易所每周披露）。判断标准：三个资金流指标中两个以上方向一致时，信号可靠；只有一个指标亮灯时，观望。风险提示：ETF被动资金流正在改变市场定价机制——南向被动占比从5%升至12%，"聪明钱"不再只是主动选股资金，被动ETF的配置行为也在创造Alpha衰减。
三把尺子各自有效，但单独用任何一把都可能被误导——动量告诉你追涨，景气度告诉你抄底，资金流告诉你聪明钱的方向。问题是：当三把尺子给出不同信号时，你该听谁的？这就是AI量化整合要解决的问题。
四、AI量化整合——三个信号不是独立的，而是互相验证
三把尺子各自有效，但单独用任何一把都可能被误导。AI量化整合的价值不是替代你做决策，而是帮你同时看完三把尺子，再告诉你它们是否指向同一个方向。（来源：因子布阵手册、UBS人机融合）
一个常见的误解是"AI预测一定比人准"。摩根士丹利的LLM公司分析实证发现：GPT-5.5预测TOPIX 1000成分股的准确率76.7%、F1分数70.2%，而卖方一致预测准确率81.2%、F1 76.5%——LLM在单个预测上不如共识。但关键来了：经过风险中性化处理后，LLM的预测能提取与共识不同的互补信息，五分位差年化表现约3.3%。这说明什么？AI不是"更准的预测器"，而是"不同角度的观察者"。它看到的不是共识已经在看的东西，而是共识遗漏的信息。对三个信号框架的意义：当动量、景气度、资金流给出不同信号时，LLM可以作为第四个视角帮你做交叉验证——不是替你做决定，而是补充你可能遗漏的信息。（来源：LLM公司分析）
UBS量化团队做了一个大样本实验：纯人类分析师最偏好组合年化超额+5.1%，纯ML（GBM模型）最偏好组合+2.4%，而"奇点"人机结合模型+4.1%——覆盖3871只股票。人机融合的+4.1%虽然略低于纯人类的+5.1%，但关键区别是：人机融合模型可以覆盖3871只股票，而纯人类分析师只能覆盖几十只。人机融合的优势不在于"更准"，而在于"更广"——它能同时监控三个信号在上千只ETF上的变化，而你人工最多跟踪几十只。UBS的实践表明：人类优势在解读特异性事件和无形因素（公司文化、管理层质量），机器优势在速度和模式识别——最有效的模式是"人类提供领域知识加机器提供规模化分析"。（来源：UBS人机融合）
因子布阵手册揭示了一个严峻现实：传统线性多因子策略2025年以来超额几乎为零——因子在衰减。但分域策略将超额从5.2%提升至8.8%——通过"分域"发现因子的条件异质性。这就是AI在因子投资中的真正价值：不是优化旧因子，而是发现新因子。HALO框架（重资产、低淘汰）是AI时代的新因子——它捕捉了AI技术革命对物理基础设施的刚性需求，"爱建HALO22"组合自构建以来具有显著超额收益。AI量化整合的终极形态是：AI帮你同时监控旧因子的衰减和新因子的涌现。（来源：因子布阵手册、HALO配置）
【个人视角】三信号整合让我想到工厂的"三班倒"制度：白班（动量）负责白天的生产任务，中班（景气度）负责交接和调整参数，夜班（资金流）负责巡检和异常处理。三个班次各司其职但必须交接班——白班发现设备异响（动量反转信号）要告诉中班（景气度验证），中班发现参数偏移（景气度拐点）要告诉夜班（资金流确认）。AI就是"调度系统"——它同时监控三个班次的数据，当任何一个班次发现异常时自动触发交叉验证。UBS的人机融合实验告诉我们：调度系统再先进，最终拍板的还是值班经理（人工判断）——AI帮你看到全局，但决策权在你。
对散户的意义：AI量化整合的核心不是"用AI替代你"，而是"用AI扩大你的监控范围"。跟踪指标：LLM/量化模型的行业配置建议变化（MS/UBS定期发布）、HALO相关ETF规模变化。判断标准：当动量、景气度、资金流三个信号中至少两个指向同一方向时，信号可靠；三个都指向同一方向时，可以重仓。风险提示：因子衰减是系统性风险——2025年传统因子超额几乎为零，你需要持续跟踪因子有效性变化。
三个信号框架有了，AI整合方法有了。但理论是理论，现实是：三个信号经常互相矛盾。动量说"追"，景气度说"等"，资金流说"撤"——你该听谁的？
五、信号冲突时怎么判断——三信号不是永远一致的
理论讲完了，但理论有个前提：三个信号同时指向同一方向。现实是——这种情况不到一半的时间。（来源：Bernstein动量、行业见底雷达、UBS南向）
三个信号矛盾时，问题不是"哪个对哪个错"，而是"它们在不同时间维度上告诉你不同的事"。动量是"秒级信号"——它反映的是过去几天到几周的价格趋势，反应最快但也最容易被短期波动误导。景气度是"月级信号"——它反映的是行业基本面的中期变化，盈利预期底领先价格启动点1-5个月，所以景气度看到的拐点，动量可能还没反映。资金流是"周级信号"——它反映的是机构资金的中期配置方向，南向资金被动化趋势需要2年才从5%升到12%。动量说"短期在涨"，景气度说"中期拐点还没到"，资金流说"机构还没进来"——三个都是真话，只是时间刻度不同。（来源：行业见底雷达、UBS南向）
三种典型冲突场景及判断逻辑。场景一：动量涨但景气度未亮灯（如2026上半年科技股）——市场情绪驱动的短期上涨，基本面还没跟上。判断：不追，等景气度亮灯再建仓，或者只用小仓位试探。场景二：景气度亮灯但动量跌（如2026年7月后部分行业）——基本面改善被市场恐慌情绪掩盖。判断：这恰恰是最佳建仓窗口——景气度领先价格1-5个月，在价格恐慌时用景气度信号逆向买入。场景三：动量涨加景气度亮灯但资金流撤退——机构在散户追涨时悄悄减仓。判断：高度警惕——Bernstein的动量拥挤度"见顶未释放"就是这个信号，7月-40%回撤的前兆正是"价格在涨但聪明钱在撤"。（来源：Bernstein动量、行业见底雷达）
冲突时的决策原则：时间维度匹配你的持有期。如果你是短线交易者（持有期小于1个月），以动量为主、资金流为辅——景气度太慢了。如果你是中线投资者（持有期1至6个月），以景气度为主、动量和资金流为辅——景气度的1-5个月领先期正好匹配你的持有期。如果你是长线配置者（持有期超过6个月），以景气度为主、资金流为辅——动量对你几乎没有参考价值。散户亏钱的最常见原因不是信号错了，而是拿着短线的仓位做了长线的决策，或者反过来。
【个人视角】信号冲突的处理让我想到电力系统里的"多源数据融合"。电网调度中心同时收到气象数据（明天可能下雨导致光伏出力下降）、负荷数据（今天负荷创新高说明明天可能更高）、电价数据（现货价格飙升说明需求旺盛）。三个数据源可能指向不同的调度方案。老调度员的经验是：看时间尺度——气象是小时级的短期扰动，负荷是日级的趋势，电价是周级的信号。短期扰动不用管，趋势要跟，信号要验证。投资也一样：动量是小时级的气象（短期扰动），景气度是日级的负荷（中期趋势），资金流是周级的电价（验证信号）。冲突不可怕，可怕的是拿着小时级的数据做了日级的决策。
对散户的意义：信号冲突是常态，不是异常。核心判断原则：看你的持有期匹配哪个时间维度。跟踪指标：你持仓的行业ETF三个信号分别处于什么状态（用表格记录：动量等于涨或跌、景气度等于亮灯数、资金流等于流入或流出）。判断标准：信号冲突时，优先信任与你持有期匹配的那个信号——短线看动量、中线看景气度、长线看资金流。风险提示：最常见的亏损不是"信号错了"，而是"拿着短线仓位做了长线决策"——买了涨的（动量），跌了不舍得卖（本该是短线），最后被套成长线。
信号冲突怎么判断讲清楚了。但还有一个更深层的问题：这些信号和因子会不会越来越没用？因子衰减是真实的——幻方量化7月翻车就是证据。那散户的出路在哪？
六、因子会衰减，但发现因子的能力不会
本篇用13份研报拆解了三个信号（动量、景气度、资金流），讲了它们各自的能力和局限，讲了信号冲突时怎么判断。但最后有一个更根本的问题需要回答：这套方法明年还管用吗？（来源：因子布阵手册、Bernstein动量、量化大会纪要、UBS人机融合）
幻方量化9只产品7月全部跌超20%，8成量化私募当月收益告负——这不是个别公司的失败，而是整个量化行业的系统性挑战。上半年量化机构靠动量和量价因子拿到可观超额，但7月风格切换时，这些因子集体失效。因子布阵手册的实证更残酷：2025年传统线性多因子策略超额几乎为零。衰减的本质是拥挤度——当所有量化基金都用动量因子时，动量的超额就被交易成本和互相踩踏吃掉了。动量拥挤度在7月"见顶未释放"，意味着拥挤度出清还在进行中。（来源：私募排排网、新浪财经、因子布阵手册、Bernstein动量）
因子布阵手册给出了一个解法：分域——不同市场环境（牛市、熊市、震荡市）下，因子的有效性截然不同，分域后超额从5.2%提升至8.8%。但分域本身也会被模仿——当越来越多的量化基金学会分域，分域策略的超额也会衰减。这就是因子投资的悖论：有效的策略一旦被广泛采用，就不再有效。AI量化大会纪要指出，AI采纳的最大障碍是"缺乏可解释性"——即使你用AI发现了新因子，你也不一定理解它为什么有效，更不知道它什么时候会衰减。这就是因子投资的本质：没有永恒有效的因子，只有不断迭代的方法论。（来源：因子布阵手册、量化大会）
UBS的人机融合实验覆盖3871只股票，Bernstein的动量策略跟踪整个亚洲——这些机构管理几十亿甚至上百亿资金，他们的交易本身就在制造拥挤度。你作为散户，最大的优势恰恰是"不拥挤"：你的几十万资金不影响任何一只ETF的价格，你的交易不会触发做市商的再平衡，你的动量信号不会和几百个量化基金同时发出。同样的三信号策略，在散户手里的Alpha衰减速度远慢于机构。但这个优势有保质期——当AI工具普及到人人都能用时，散户的"不拥挤"优势也会缩小。趁优势还在，先建立自己的系统。（来源：UBS人机融合、Bernstein动量）
【个人视角】做工程有一个规律：第一代技术方案总会被更先进的方案替代，但"发现问题的能力"永远不会过时。PLC（可编程逻辑控制器）替代了继电器，DCS（集散控制系统）替代了PLC，AI正在替代传统控制——但"识别控制需求"的能力始终是工程师的核心竞争力。因子投资也一样：动量因子可能失效，景气度因子可能衰减，但"识别因子何时有效、何时失效"的能力不会过时。AI的价值不是给你一个永远赚钱的因子，而是帮你构建一个持续发现新因子的系统——就像DCS不是帮你做控制决策，而是帮你实时监控所有参数并在异常时报警。投资最终是一种需要判断力的手艺，AI是这门手艺的最好学徒——但它永远不能替代师傅。
对散户的意义：因子会衰减是确定的——幻方量化7月翻车和传统因子2025年超额趋零都是证据。但"发现因子的能力"不会衰减。跟踪指标：你使用的三信号策略的年度回测表现（每年做一次复盘，如果超额连续下降，考虑调整参数或切换策略）、你关注的因子拥挤度（当人人都在用同一个策略时，该换策略了）。判断标准：如果你的策略连续两个季度跑输基准，不是市场错了，是你的策略该迭代了。风险提示：AI工具正在普及——当人人都能用AI做三信号筛选时，三信号本身的Alpha会递减。投资是终身学习，不存在"一招鲜吃遍天"的方法。
你现在选ETF用的是什么方法？有没有试过用动量、景气度、资金流三个信号交叉验证？哪个信号你觉得最靠谱？评论区聊聊。
下一篇——"实操指南"，网格、定投、轮动三种散户ETF投资策略落地。三信号告诉你"什么时候买"，第4篇告诉你"怎么买"——网格策略适合震荡市积累筹码，定投适合趋势市分散时机风险，轮动适合行业切换期捕捉超额。三步走完，你就有了一套完整的ETF投资体系。
免责声明：本文基于公开券商研报整理分析，包含个人观点和行业判断，不构成任何投资建议。投资有风险，入市需谨慎。文中提及的具体ETF和量化策略仅为举例说明，不代表推荐。量化策略的回测表现不代表未来收益，因子衰减可能导致策略失效。数据来源已在文中标注，如有疏漏欢迎指正。