根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **鑫选ETF绝对收益策略** - 模型构建思路：通过"抽屉法"在场内权益ETF池中进行测试，目标是跑出绝对收益和相对A股权益的长周期相对收益[11] - 具体构建过程： 1. 筛选鑫选ETF池中的标的（如黄金ETF、食品饮料ETF等） 2. 采用技术面量化方法进行组合优化 3. 动态调整持仓权重（各标的权重10%）[12] - 模型评价：样本外表现优异，风险收益比突出 2. **全天候多资产多策略ETF风险平价策略** - 模型构建思路：结合行业轮动、风格轮动等权益策略，使用风险平价方法分散资产和策略风险[17] - 具体构建过程： 1. 配置多资产类别（商品/美股/国内权益/债券） 2. 采用风险贡献均衡的权重分配方法 3. 具体持仓包括国债ETF（21.05%）、黄金ETF（9.12%）等[18] 3. **中美核心资产组合** - 模型构建思路：纳入白酒、红利、黄金、纳指四种强趋势标的，结合RSRS择时策略[21] - 具体构建过程： 1. 对每类资产应用RSRS趋势判断 2. 根据技术面反转信号调整仓位 3. 当前持仓为中证红利ETF和黄金ETF 4. **高景气/红利轮动策略** - 模型构建思路：构建高景气成长与红利策略的轮动模型[24] - 具体构建过程： 1. 信号为高景气时配置创业板ETF和科创50ETF（各50%） 2. 信号为红利时配置红利低波ETF与央企红利50ETF 3. 2024年2月后调整红利组合结构 5. **双债LOF增强策略** - 模型构建思路：通过波动率倒数归一化方法提升债券配置权重[27] - 具体构建过程： 1. 将标的分为双债LOF与其他三类资产 2. 计算各组收益率波动率 3. 按波动率倒数分配权重 6. **结构化风险平价（QDII）** - 模型构建思路：以国内债券ETF为主，QDII产品增强收益[30] - 具体构建过程： 1. 配置QDII权益（纳指ETF等）、黄金、国内红利ETF 2. 采用风险平价方法优化组合 模型的回测效果 | 策略名称 | 总收益率 | 年化收益率 | 最大回撤 | 波动率 | 夏普比率 | |---------|---------|-----------|---------|--------|----------| | 鑫选技术面量化策略 | 33.49% | 24.14% | -6.30% | 17.58% | 1.20 | [33] | 高景气红利轮动策略 | 48.99% | 34.78% | -22.04% | 34.79% | 0.96 | [33] | 中美核心资产组合 | 59.80% | 42.03% | -10.86% | 17.16% | 2.02 | [33] | 双债LOF增强 | 9.08% | 6.73% | -2.26% | 3.41% | 1.34 | [33] | 结构化风险平价(QDII) | 23.59% | 17.18% | -2.38% | 4.92% | 2.84 | [33] | 全天候多资产策略 | 19.69% | 14.40% | -3.62% | 4.48% | 2.58 | [15][33] 量化因子与构建方式 1. **红利因子** - 构建思路：通过股息率和低波动特征筛选标的[24] - 具体构建： 1. 计算标的股息率（$$ Dividend\ Yield = \frac{DPS}{Price} $$） 2. 结合波动率指标筛选 3. 应用于红利低波ETF等产品 2. **质量因子** - 构建思路：筛选自由现金流稳定的标的[24] - 具体构建： 1. 计算企业自由现金流（$$ FCF = CFO - CapEx $$） 2. 标准化处理后加权 3. **趋势因子(RSRS)** - 构建思路：捕捉资产价格趋势[21] - 具体构建： 1. 计算标的RSRS斜率 2. 设定阈值触发交易信号 因子的回测效果 | 因子类型 | 代表ETF | 年化超额收益 | IR | |---------|--------|-------------|----| | 红利因子 | 红利低波ETF | 2.31% | 0.88 | [59] | 质量因子 | 自由现金流ETF | 1.67% | 0.21 | [48] | 趋势因子 | 黄金ETF | 25.74% | 3.86 | [59] 注：所有策略测试结果均为2024年初至今数据[33]，因子表现取自周涨幅TOP35ETF数据[59]

量化模型与构建方式 1. **模型名称**：钢铁相对指数趋势跟踪模型 - **模型构建思路**：基于标的价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未明确计算方法，默认标准差或ATR） 3. 趋势信号生成规则： - 若$$|del| > N \times Vol$$（N=1），则判定为趋势形成，方向与del符号一致 - 若$$|del| \leq N \times Vol$$，则延续T-1日的趋势方向[3] - **模型评价**：在下降趋势中表现不佳，年化收益低于指数总回报，回撤持续较大，不适用于当前标的[4] 模型的回测效果 1. **钢铁相对指数趋势跟踪模型**： - 年化收益：-15.42% - 波动率（年化）：15.00% - 夏普比率：-1.03 - 最大回撤：34.62% - 指数期间总回报率：-9.08%[3] 量化因子与构建方式 （报告中未提及具体量化因子） 因子的回测效果 （报告中未提及因子测试结果） --- 注：模型效果图表（净值、回撤等）未提供具体数值，仅展示趋势[5][7][9]

量化模型与构建方式 1. **模型名称**：基础化工相对指数趋势跟踪模型 - **模型构建思路**：模型假设标的价格走势具有局部延续性，价格处于某一趋势中，反转行情持续时间较短。通过观察窗口内的价格变动方向判断趋势，排除随机波动影响[4] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若$$|del| > N \times Vol$$，则认为形成新趋势，方向与del符号一致（N=1） - 否则延续T-1日的趋势方向[4] - **模型评价**：模型在趋势延续阶段表现良好，但在盘整或反转阶段净值下降明显，不适合直接用于基础化工指数相对值[5] 模型的回测效果 1. **基础化工相对指数趋势跟踪模型**： - 年化收益：4.65% - 年化波动率：13.39% - 夏普比率：0.35 - 最大回撤：14.51% - 指数期间总回报率：-18.74%[4] （注：报告中未提及量化因子相关内容，故跳过该部分）

量化模型与构建方式 1 模型名称：有色金属相对指数趋势跟踪模型 模型构建思路：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] 模型具体构建过程： - 计算T日收盘价与T-20日收盘价的差值del - 计算T-20日至T日（不含）的波动率Vol - 趋势判断规则： $$ del = Price_T - Price_{T-20} $$ $$ Vol = \sqrt{\frac{1}{19}\sum_{i=T-19}^{T-1}(Price_i - \overline{Price})^2} $$ 当|del| > 1×Vol时判定为趋势突破（N=1），方向与del符号一致；否则延续前一日趋势方向[3] 模型评价：在剧烈波动的市场环境中易产生连续错误信号，导致长时间回撤[4] 模型的回测效果 1 有色金属相对指数趋势跟踪模型： - 年化收益：-28.19% - 波动率（年化）：17.43% - 夏普率：-1.62 - 最大回撤：51.80% - 指数期间总回报率：0.99%[3] （注：报告中未涉及量化因子相关内容，故不输出该部分）

量化模型与构建方式 1. **模型名称**：代表性分层抽样复制策略 **模型构建思路**：通过分层抽样方法构建与标的指数特征相似的债券投资组合，以最小化跟踪误差[5] **模型具体构建过程**： - 首先对标的指数成分券按久期、剩余期限和到期收益率等特征进行分层 - 然后在每层中选取具有代表性的债券 - 对于无法直接投资的成分券，选择非成分券作为替代，确保组合整体特征与指数相似 - 最终构建的投资组合需满足：债券资产比例≥80%，指数成分券及备选成分券≥90%[5] **模型评价**：该方法在保证跟踪精度的同时提高了操作灵活性，适合流动性受限的信用债市场[5] 量化因子与构建方式 1. **因子名称**：深证基准做市信用债指数 **因子构建思路**：选取深交所流动性最优、信用等级最高的公司债构建分散化指数[3] **因子具体构建过程**： - 备选范围：深交所上市流通的信用债 - 样本筛选标准： * 必须进入深交所基准做市债券清单 * 主体或债项评级AAA * 存续规模≥10亿元[3] - 权重设置：单券平均权重0.47%，最大权重0.88%[3] **因子评价**：权重分散有效降低了信用风险，成分券高流动性保障了指数的可投资性[3] 2. **因子名称**：沪做市公司债指数 **因子构建思路**：构建与深做市信用债指数对应的上交所版本，提供市场间比较基准[28] **因子具体构建过程**： - 样本选取标准与深做市信用债指数类似 - 但久期更长（3.95年vs3.14年），静态收益率略高（2.06%vs2.04%）[28] **因子评价**：与深市指数形成互补，但波动率和回撤相对较大[28] 模型的回测效果 1. **代表性分层抽样复制策略** - 年化跟踪误差：≤2%[5] - 日均偏离度：≤0.2%[5] - 实际表现：大成深证基准做市信用债ETF年化收益率1.9%，最大回撤0.75%[4] 因子的回测效果 1. **深证基准做市信用债指数** - 年化收益率：2023年4.11%，2024年5.24%，2025年0.46%[25] - 年化波动率：2023年0.40%，2024年0.46%[28] - 最大回撤：2023年-0.20%，2024年-0.42%[25] - 卡玛比率：2023年20.79，2024年12.53[28] - 久期：3.14年[28] 2. **沪做市公司债指数** - 年化收益率：2023年4.25%，2024年5.72%[28] - 年化波动率：2023年0.46%，2024年1.20%[28] - 最大回撤：2023年-0.39%，2024年-1.30%[28] - 卡玛比率：2023年10.80，2024年4.40[28] - 久期：3.95年[28] 3. **万得中长期纯债型指数** - 年化收益率：2023年3.61%，2024年4.59%[25] - 最大回撤：2023年-0.32%，2024年-0.67%[25]

根据研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **主动偏股基金仓位高频估测模型** - 构建思路：通过基金每日净值序列与基准资产序列的多元回归模型，估算股票仓位变动趋势[63] - 具体构建： $$ \text{基金净值} = \alpha + \beta_1 \times \text{基准指数1} + \beta_2 \times \text{基准指数2} + \epsilon $$ 采用带约束条件的回归，结合模拟组合提升准确性[63] - 模型评价：能有效捕捉行业配置动向，但对短期异动敏感 2. **REITs指数构建模型** - 构建思路：分级靠档法确保份额稳定，除数修正法维持指数连续性[45] - 具体构建： - 价格指数：$$ I_t = I_{t-1} \times \frac{\sum (P_t \times S_{adj})}{\sum (P_{t-1} \times S_{adj})} $$ - 全收益指数：包含分红再投资[45] - 模型评价：兼顾流动性与分红特性，适合长期资产配置 量化因子与构建方式 1. **行业主题因子** - 构建思路：基于近4期持仓数据划分医药/TMT/新能源等9类主题标签[34] - 具体构建： - 行业集中度：$$ \text{HHI} = \sum_{i=1}^n (w_i \times 100)^2 $$ - 主题得分：持仓与主题基准的相关系数[34] 2. **ESG整合因子** - 构建思路：结合环境(E)、社会(S)、治理(G)三维度筛选标的[77] - 具体构建： - 负面筛选：剔除高污染行业 - 正面筛选：加权ESG评分（MSCI/Wind数据）[77] 模型的回测效果 1. **主动偏股基金模型** - 本周仓位变动：-0.22pcts[63] - 行业配置：增持有色金属(+0.38pct)、减持电子(-0.25pct)[63] 2. **REITs指数模型** - 综合指数年化收益：1.05%，夏普比率-0.04[47] - 能源基建子指数年化收益达9.87%，夏普0.82[47] 因子的回测效果 1. **行业主题因子** - 医药主题周收益：4.57%，TMT主题-1.84%[34] - 医药因子近1月IR：0.68，TMT因子IR-0.42[34] 2. **ESG因子** - 健康环保主题周收益：3.58%，低碳经济2.16%[81] - ESG整合因子年化超额收益：2.3%，信息比率0.91[77]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：宽基轮动策略** - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率MA2，选择周度热度变化率最大的宽基进行轮动投资，若最大变化率为"其他"组则空仓[8][9][12][14][16] - **模型具体构建过程**： 1. 计算各宽基成分股的总热度指标（个股浏览、自选、点击次数之和，归一化为全市场占比后乘以10000）[8] 2. 按宽基分组汇总热度，计算周度变化率并取MA2平滑[12] 3. 每周末选择MA2变化率最大的宽基作为下一周持仓标的[14] - **模型评价**：策略通过捕捉市场情绪异常变化实现轮动收益，2017年以来年化收益率8.74%，但最大回撤达23.5%[16] 2. **模型名称：热门概念组合策略** - **模型构建思路**：筛选高热度变化概念中的低关注度个股，利用行为金融学中的"反应不足"效应获取超额收益[30][32] - **模型具体构建过程**： 1. 每周选出热度变化率最大的5个概念，排除流通市值最小的20%股票[32] 2. 构建两个组合： - **TOP组合**：每个概念中总热度排名前10的个股等权持有 - **BOTTOM组合**：每个概念中总热度排名后10的个股等权持有 - **模型评价**：BOTTOM组合历史年化收益15.71%，显著优于TOP组合，验证了低关注度个股的滞后收益效应[32] 量化因子与构建方式 1. **因子名称：总热度指标** - **因子构建思路**：通过个股的浏览、自选、点击行为量化市场关注度，反映有限注意力导致的定价偏差[8] - **因子具体构建过程**： $$总热度 = \left(\frac{当日浏览+自选+点击次数}{全市场总行为次数}\right) \times 10000$$ 指标取值范围[0,10000]，数值越高代表关注度越集中[8] 2. **因子名称：热度变化率MA2** - **因子构建思路**：捕捉宽基/行业/概念层面的情绪波动，采用2周移动平均平滑噪声[12][19][23] - **因子具体构建过程**： 1. 计算周度热度环比变化率 2. 取最近两周的算术平均值： $$MA2 = \frac{本周变化率 + 上周变化率}{2}$$ 模型的回测效果 1. **宽基轮动策略** - 年化收益率：8.74% - 最大回撤：23.5% - 2025年收益：8.13%[16] 2. **热门概念组合策略** - BOTTOM组合： - 年化收益：15.71% - 最大回撤：28.89% - 2025年收益：18.35%[32] - TOP组合： - 年化收益：显著低于BOTTOM组合（未披露具体值） 因子的回测效果 1. **总热度指标** - 应用案例： - "其他"组股票热度占比异常上升时，往往预示市场情绪转折[12] - 申万一级行业热度变化率MA2前五（综合+80.2%、交通运输等）与后五（计算机-23.8%、钢铁等）存在显著收益分化[27] 2. **热度变化率MA2** - 典型取值： - 宽基指数：中证500周变化率-13.72%（最低），"其他"组+5.25%（最高）[17][19] - 概念板块：兵装重组概念变化率+124.9%，两轮车+121.1%[33] 其他量化指标 1. **估值分位数因子** - 构建方法：滚动5年/10年历史PE分位数[35][36] - 典型结果： - 宽基：中证500当前分位数82%（高估），沪深300为55%（中性）[35] - 行业：电力设备/计算机分位数>80%，家用电器/钢铁<20%[36][38] （注：部分内容如股权激励、增减持事件等未涉及量化模型/因子，故未纳入总结）

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：无具体模型名称 **模型构建思路**：未明确提及具体量化模型的构建思路 **模型具体构建过程**：未提供详细构建过程或公式 **模型评价**：未提供定性评价 2. **模型名称**：无 **模型构建思路**：未提及 **模型具体构建过程**：未提及 模型的回测效果 1. **主动量化型基金** - 上周平均收益：-0.43%[18] - 年初至今平均收益：2.78%[22] 2. **量化对冲型基金** - 上周平均收益：-0.12%[18] - 年初至今平均收益：0.70%[22] 量化因子与构建方式 1. **因子名称**：无具体因子名称 **因子构建思路**：未提及 **因子具体构建过程**：未提及 **因子评价**：未提及 2. **因子名称**：无 **因子构建思路**：未提及 **因子具体构建过程**：未提及 因子的回测效果 1. **指数增强型基金** - 上周相对基准超额收益：最高3.42%（银华中证全指医药卫生增强）[21] - 年初至今相对基准超额收益：最高11.08%（中证2000增强ETF）[25] 2. **量化对冲基金** - 上周净值增长率：最高0.46%（工银绝对收益A）[21] - 年初至今净值增长率：最高3.46%（工银绝对收益A）[25] 其他相关数据 - **ETF资金流动**： - 沪深300ETF年初至今净流入最多（584.88亿元）[26] - 中证A500ETF年初至今净流出最多（-568.95亿元）[26] - **主题ETF表现**： - 港股系列ETF中，华泰柏瑞南方东英恒生科技ETF年初至今资金净流入最多（21.15亿元）[37] - 军工系列ETF中，国泰中证军工ETF年初至今资金净流入最多（37.74亿元）[37] 注：研报中未提供具体的量化模型或因子构建细节，仅包含基金业绩和ETF资金流动数据[18][21][22][25][26][37]。

根据提供的量化周报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **A股景气指数模型** - 模型构建思路：以上证指数归母净利润同比为Nowcasting目标构建高频指数，用于观测A股景气周期[46] - 模型具体构建过程：通过历史下行周期持续天数与平均趋势对比判断底部区域，2023年四季度被识别为景气底部，当前指数呈震荡上行趋势[46][47] - 模型评价：有效捕捉景气拐点，当前指数值20.57（较2023年底上升15.14）显示处于上升周期[47][48] 2. **A股情绪指数模型** - 模型构建思路：基于波动率与成交额变化方向划分四个象限，构造见底预警与见顶预警信号[50] - 模型具体构建过程： - 波动率上行+成交额下行区间为显著负收益 - 其他象限均为显著正收益[50] - 模型评价：当前信号组合为"波动率下行（看多）+成交额下行（看空）"，综合输出看多观点[53][55] 3. **中证500/沪深300增强组合模型** - 模型构建思路：通过多因子选股构建超额收益组合[60][67] - 模型具体构建过程：未披露具体因子权重，但持仓显示行业分散（如中证500组合含长江证券4.43%、甘李药业3.36%等）[64][70] - 模型评价：中证500组合2020年至今超额41.95%，最大回撤-4.99%；沪深300组合超额26.69%，最大回撤-5.86%[60][67] 量化因子与构建方式 1. **BARRA风格因子体系** - 因子名称：市值(SIZE)、BETA、动量(MOM)、残差波动率(RESVOL)、非线性市值(NLSIZE)、估值(BTOP)、流动性(LIQUIDITY)、盈利(EARNINGS_YIELD)、成长(GROWTH)、杠杆(LVRG)[72] - 因子构建思路：参照BARRA模型对A股市场风险收益特征进行归因[72] - 因子评价：近期动量因子超额显著，Beta/残差波动率呈负收益；高杠杆股表现优异，市值/成长因子弱势[73][75] 2. **行业因子** - 因子构建过程：相对市场市值加权组合计算行业纯因子收益[75] - 因子评价：本周医药/汽车/煤炭行业因子超额显著，证券/计算机/机械因子回撤明显[73][75] 模型回测效果 1. **A股景气指数模型** - 当前指数值：20.57（2025年5月23日）[47] - 周期位置：较2023年底上升15.14，处于上升周期[47] 2. **增强组合模型** - 中证500增强组合：本周超额0.62%，2020年至今累计超额41.95%，最大回撤-4.99%[60] - 沪深300增强组合：本周超额0.11%，2020年至今累计超额26.69%，最大回撤-5.86%[67] 因子回测效果 1. **风格因子近一周表现** - 动量因子：正向超额收益[73] - Beta因子：显著负向超额收益[73] - 残差波动率因子：显著负向超额收益[73] 2. **行业因子近一周表现** - 医药/汽车/煤炭：较高超额收益[73] - 证券/计算机/机械：明显回撤[73] （注：部分模型如情绪指数、行业轮动的具体构建公式未在报告中披露[50][72]）

量化模型与构建方式 1. 稳健回购股票池模型 - 模型名称：稳健回购股票池模型 - 模型构建思路：从资金来源视角对企业回购模式进行分类，筛选使用自有资金进行股东回报的健康回购公司[2] - 模型具体构建过程： 1) 计算公司自由现金流FCFF：FCFF = 经营活动产生的现金流净额 + 利息支出 - 资本性支出[36] 2) 计算股东回报总额：分红+回购[34] 3) 根据三个条件对回购公司进行分类： - FCFF能否覆盖股东回报(分红+回购)[39] - 是否有新增股权融资[40] - 是否有新增债权融资[42] 4) 筛选分组1(FCFF>分红+回购且无融资)、分组2(FCFF>分红+回购且有债权融资)和分组5(FCFF<分红+回购且无融资)的股票构建稳健回购股票池[51] - 模型评价：该模型能够识别较为健康、可持续的股东回报方式，相比简单回购比例因子有更好的区分效果[2] 2. 优选稳健回购组合模型 - 模型名称：优选稳健回购组合模型 - 模型构建思路：在稳健回购股票池基础上，结合质量类和估值类因子进一步筛选优质回购公司[63] - 模型具体构建过程： 1) 每年4月末构建稳健回购股票池[61] 2) 每季度末在股票池中使用两个因子筛选： - 质量类因子：现金/总资产比例=现金/总资产[59] - 估值类因子：EP_TTM-ROIC_TTM[62] 3) 将两因子标准化后等权相加，选择综合打分前50的股票等权持有[63] - 模型评价：该组合既有强抗风险能力，也有较强的资本配置能力，实现了稳定的超额收益[63] 量化因子与构建方式 1. 现金/总资产因子 - 因子名称：现金/总资产 - 因子构建思路：衡量公司现金储备程度，现金储备越充足的公司回购带来的资金压力越小[59] - 因子具体构建过程： - 现金/总资产 = 现金及现金等价物 / 总资产[59] - 因子评价：该因子能有效识别抗风险能力强的回购公司[59] 2. EP-ROIC因子 - 因子名称：EP-ROIC - 因子构建思路：衡量管理层资本配置能力，估值越低且投资回报越高的公司回购价值越大[62] - 因子具体构建过程： - EP_TTM = 每股收益(TTM) - ROIC_TTM = 税后净营业利润 / 投入资本 - EP-ROIC = 过去一年平均EP_TTM - 过去一年平均ROIC_TTM[62] - 因子评价：该因子能识别资本配置能力强的回购公司[62] 模型的回测效果 1. 稳健回购股票池模型 - 年化收益：11.93%[51] - 相比华证A股回购回报指数年化超额收益：5.56%[51] - 最新持仓数量：约700只[51] 2. 优选稳健回购组合模型 - 年化收益：19.85%[68] - 信息比率(IR)：0.73[68] - 相比华证A股回购回报指数年化超额收益：14.65%[68] - 最大回撤：31.08%[68] 因子的回测效果 1. 现金/总资产因子 - 增强组合年化收益：20.30%(原稳健回购股票池11.93%)[59] 2. EP-ROIC因子 - 增强组合年化收益：18.58%(原稳健回购股票池11.93%)[62]