1. 创意名称 + 创意介绍
创意名称：保租房REITs基本面智能选券系统
想解决什么问题：中国公募REITs市场已上市9只保障性租赁住房REITs，板块内部收益率分化严重——2024年表现最好的涨了42%，最差的仅涨了9%。传统的"等权全买"策略意味着投资者主动放弃了超过33个百分点的选择空间。投资机构迫切需要一套系统化的、可解释的工具，来回答一个核心问题：在保租房板块内部，应该超配哪几只？
为什么会想到做这个：保障性租赁住房REITs具有"类债+类股"双重属性——租金受政策管控，现金流高度可预测；但资产质量和运营效率的差异持续存在。基本面选股理念在权益市场已有40年实证历史，但在中国REITs这个新兴资产类别上，尚缺乏专业化的系统工具。本创意源于对REITs投资实务中季度调仓决策痛点的观察——投资团队在面对多只标的和数十个季报指标时，常常面临信息过载和决策标准不统一的问题。
产品形态：一套完整的Python量化策略分析系统，用户只需运行 python run_strategy.py 即可自动完成数据加载、因子计算、持仓排序和绩效报告输出。未来可包装为Web Dashboard供非技术背景的投资团队使用。
2. 目标用户及痛点
面向用户：量化基金经理、FOF投资经理、REITs研究员、机构投资者。他们管理着REITs或另类资产组合，需要在板块内部做结构性配置决策。
使用场景：每季度末（3/6/9/12月），REITs季报数据披露完毕后，决策团队需要在几天内确定下一季度的持仓。目前多数团队依赖人工阅读9份季报后主观讨论——耗时1-2天，且决策过程不可复制、不可审计。
当前痛点：
- 缺乏系统性：主观选券依赖个别人判断，无法标准化
- 等权=放弃超额：全买9只等权持有等于主动放弃板块内部33个百分点的收益空间
- 信息过载：9只REITs × 每期数十个季报指标，人工处理极易遗漏关键信号
- 黑箱恐惧：市面上的机器学习选股工具缺乏可解释性，投资委员会无法审查其决策逻辑
3. 价值与意义
商业价值：中国公募REITs市场2025年总规模已超2000亿元且仍在快速扩容。一个经过回测验证的选券工具可直接服务于自营资金、资产管理产品以及FOF组合的配置决策。策略在3.5年回测中累计超额收益+19.0%，信息比率1.08，每年均跑赢等权基准。
效率提升：将"人工阅读季报+主观讨论"的1-2天流程压缩为"一键运行→5分钟审阅输出"的标准化工序，每季度为研究员节省约15工时。输出文件（持仓建议CSV、绩效报告TXT、因子ICIR表CSV）可直接提交投资委员会审议。
社会价值：保障性租赁住房REITs是国家"租购并举"住房制度的重要金融支柱。专业的量化配置工具有助于提升市场定价效率，引导资金流向资产质量更高、运营能力更强的底层资产，间接促进住房保障体系的可持续发展。这套工具同样适用于未来上市的更多保障房REITs品种，具有广泛的可扩展性。
4. 策略核心亮点
- 7因子·透明可解释：全部因子来自公开季报和市场行情，公式公开，决策链条完整可追溯。每个调仓日的"为什么选了A没选B"都可以被第三方完全复现
- IR=1.08·实证有效：12个季度调仓窗口的回测中，策略累计超额+19.0%，信息比率1.08（>1.0为优秀水平），4个自然年均实现正超额
- 前视偏差控制：引入45天财报滞后期，模拟实际季报披露节奏，杜绝"用未来数据做过去决策"的学术不端
- 缺失处理创新：传统方法将缺数据REIT得分填为0（中性），导致"选了不知道的而非知道但不太好的"。本方案用指示函数排除缺失因子，配合50%覆盖度过滤——这是使策略从累计跑输-8.3%逆转为+19.0%超额的核心改进
reits-strategy-proposal.html (16.0 KB)