量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **模型构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9] - **模型具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年分红点位进行预测 2. 计算合约存续期内分红点位占比 3. 公式： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$ 4. 示例：中证500指数在IC2508合约存续期内分红点位预估为2.12，年化基差计算中需叠加该调整项[9][21] 2. **模型名称：期现对冲策略（连续对冲/最低贴水策略）** - **模型构建思路**：通过动态调整期货合约持仓，优化基差收敛收益[44][46] - **模型具体构建过程**： - **连续对冲策略**： 1. 持有季月/当月合约至到期前2日平仓 2. 滚动卖空下一季月/当月合约 3. 现货端持有全收益指数，期货端占用30%资金[44] - **最低贴水策略**： 1. 每日计算所有可交易合约的年化基差 2. 选择贴水幅度最小的合约开仓 3. 持有8个交易日或到期前2日调仓[46] 3. **模型名称：信达波动率指数（Cinda-VIX/SKEW）** - **模型构建思路**：通过期权隐含波动率捕捉市场对波动和尾部风险的预期[61][67] - **模型具体构建过程**： - **Cinda-VIX**： 1. 基于不同期限期权价格计算隐含波动率 2. 反映未来30/60/90/120日的波动预期[61] - **Cinda-SKEW**： 1. 分析虚值看涨/看跌期权IV偏斜 2. 数值>100表明市场担忧尾部风险[67] --- 模型的回测效果 1. **IC对冲策略（2022/7/22-2025/8/8）** - 季月连续对冲：年化收益-1.87%，波动率4.72%，最大回撤-8.34%[48] - 最低贴水策略：年化收益-1.12%，年换手17.15次[48] 2. **IF对冲策略** - 最低贴水策略：年化收益1.36%，2025年以来收益0.80%[51] 3. **IH对冲策略** - 季月连续对冲：年化收益2.04%，净值1.0630[54] 4. **IM对冲策略** - 当月连续对冲：年化收益-6.07%，最大回撤-14.01%[59] --- 量化因子与构建方式 1. **因子名称：分红调整年化基差** - **因子构建思路**：剔除分红影响后的期货合约基差[21] - **因子具体构建过程**： 1. 计算实际基差：合约收盘价 - 指数收盘价 2. 叠加存续期内未实现预期分红 3. 年化处理： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[21] 2. **因子名称：VIX期限结构** - **因子构建思路**：反映不同期限波动率预期的斜率[61] - **因子具体构建过程**： 1. 分别计算30/60/90/120日VIX 2. 对比短期与长期VIX差值[61] 3. **因子名称：SKEW极端值** - **因子构建思路**：识别市场对黑天鹅事件的定价[67] - **因子具体构建过程**： 1. 当SKEW>100且处于历史99.7%分位时触发预警 2. 示例：中证1000SKEW达114.07点[68] --- 因子的回测效果 1. **分红调整年化基差（2025/8/8）** - IC当季合约：-10.79%（低于2022年以来中位数）[22] - IH当季合约：-0.12%（从升水转为贴水）[33] 2. **Cinda-VIX（30日）** - 中证500VIX：23.46（处于历史50%分位以下）[61] 3. **Cinda-SKEW** - 沪深300SKEW：109.58（历史99.7%分位）[68]

量化模型与构建方式 1. **模型名称**：万图师AI模型 **模型构建思路**：通过AI模型对指数进行打分，筛选出看涨概率较高的指数，并进一步筛选对应的ETF[6] **模型具体构建过程**： - 对指数进行打分，选取得分在0.8以上的指数[6] - 找到对应的ETF，筛选最近30天日均成交额在3千万元以上的ETF[6] - 同一指数对应的ETF，选取IOPV溢价率较低的ETF[6] **模型评价**：模型通过多维度筛选，结合成交额和溢价率，具有较强的实操性和市场适应性 2. **模型名称**：龙虎榜资金流模型 **模型构建思路**：通过分析龙虎榜资金流入情况，判断行业资金流向[4] **模型具体构建过程**： - 统计当期行业净流入排名，筛选资金流入较多的行业[4] **模型评价**：直接反映市场资金动向，对短期行业走势有较强指示作用 3. **模型名称**：公募基金权益仓位变化模型 **模型构建思路**：通过跟踪公募基金仓位变化，分析市场资金配置动向[4] **模型具体构建过程**： - 统计主动权益类基金的仓位变化[4] - 分析申万行业加仓和减仓情况[4] **模型评价**：反映机构投资者行为，对中长期市场趋势有一定参考价值 4. **模型名称**：ETF份额变化模型 **模型构建思路**：通过跟踪ETF份额变化，分析市场资金偏好[4] **模型具体构建过程**： - 统计各板块ETF份额增长和减少比例[4] **模型评价**：反映市场资金对特定板块的偏好，对行业轮动有参考意义 模型的回测效果 1. **万图师AI模型**： - 看涨概率：综合84%，电力设备84%[4] - ETF筛选结果：中证2000增强ETF（看涨概率93.52%），创业板ETF天弘（看涨概率93.37%）等[7] 2. **龙虎榜资金流模型**： - 当期净流入排名：国防军工1，通信2[4] 3. **公募基金权益仓位变化模型**： - 主动权益类基金仓位：本周89.0%，上周89.0%[4] - 加仓行业：环保（仓位变化0.85%→0.87%）[4] - 减仓行业：机械设备（仓位变化4.02%→3.97%）[4] 4. **ETF份额变化模型**： - 份额增长比例较高：化工[4] - 份额减少比例较高：传媒[4] 量化因子与构建方式 1. **因子名称**：看涨概率因子 **因子构建思路**：通过AI模型对指数进行打分，生成看涨概率[6] **因子具体构建过程**： - 对指数进行AI模型打分，生成看涨概率值[6] **因子评价**：直接反映模型对指数未来走势的预测能力 2. **因子名称**：资金净流入因子 **因子构建思路**：通过龙虎榜数据计算行业资金净流入[4] **因子具体构建过程**： - 统计行业当期资金净流入排名[4] **因子评价**：反映市场资金短期流向，对行业轮动有较强指示作用 3. **因子名称**：ETF份额变化因子 **因子构建思路**：通过ETF份额变化分析市场资金偏好[4] **因子具体构建过程**： - 统计ETF份额增长和减少比例[4] **因子评价**：反映市场资金对特定板块的偏好变化 因子的回测效果 1. **看涨概率因子**： - 看涨概率取值：综合84%，电力设备84%[4] 2. **资金净流入因子**： - 当期净流入排名：国防军工1，通信2[4] 3. **ETF份额变化因子**： - 份额增长比例较高：化工[4] - 份额减少比例较高：传媒[4]

根据提供的金融工程日报内容，该报告主要聚焦市场表现和资金流向监测，未涉及量化模型或因子构建相关内容。以下是可提取的关键市场监测指标： 市场表现指标 1 宽基指数表现 中证500指数跌幅最小（-0.22%），上证50指数跌幅最大（-0.33%）[6] 中证500价值指数逆势上涨0.30%，表现最佳[6] 2 行业表现 建筑（+1.38%）、钢铁（+1.26%）、有色金属（+1.19%）领涨[7] 计算机（-2.13%）、电子（-1.22%）、传媒（-1.03%）领跌[7] 3 概念表现 新疆振兴（+4.90%）、中国铁总（+4.89%）涨幅居前[9] 工业软件（-4.47%）、PEEK材料（-3.81%）跌幅最大[9] 市场情绪指标 1 涨跌停数据 当日涨停74家，跌停2家[13] 昨日涨停股今日平均收益0.75%，跌停股平均亏损2.79%[14] 2 资金情绪指标 封板率67%（较前日降9%），连板率18%（较前日降7%）[17] 资金流向指标 1 两融数据 两融余额20131亿元（融资19989亿/融券142亿）[19] 两融交易占比10.1%（高于近一年均值9.1%）[22] 2 折溢价指标 ETF最大溢价：科创机械ETF +1.80%[24] 大宗交易折价率7.52%（高于半年均值5.75%）[26] 3 股指期货贴水 中证500期货贴水12.72%（处于近一年33%分位）[28] 中证1000期货贴水12.57%（处于近一年47%分位）[28] 机构行为指标 1 机构调研 泰恩康获92家机构调研（周度最高）[30] 2 龙虎榜 机构净买入前三：中欣氟材、国机精工、阿石创[35] 陆股通净买入前三：楚天龙、山河智能、福日电子[36] 注：报告未包含量化模型或因子构建的具体方法论，主要为市场监测数据汇总[1][2][3][4]

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**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三部分实现稳定超额收益[11] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等）构建股票收益预测模型 2. **风险控制**：约束行业暴露、风格暴露、个股权重偏离等（如行业中性、市值中性） 3. **组合优化**：采用组合优化模型最大化因子暴露，控制换手率和成分股权重占比[39][40] - **模型评价**：通过MFE组合验证因子有效性，兼顾实际投资约束条件下的稳定性 2. **模型名称**：单因子MFE组合 - **模型构建思路**：在给定基准指数下，通过组合优化最大化单因子暴露，控制行业、风格等约束以检验因子实际有效性[39] - **模型具体构建过程**： - 优化目标函数： $$max\ f^{T}w$$ 约束条件包括： - 风格暴露限制：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离限制：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 个股权重偏离限制：$$w_{l}\leq w-w_{b}\leq w_{h}$$ - 成分股权重占比控制：$$b_{l}\leq B_{b}w\leq b_{h}$$ - 禁止卖空及权重上限：$$\mathbf{0}\leq w\leq l$$ - 满仓约束：$$\mathbf{1}^{T}w=1$$[39][40] - **模型评价**：更贴近实际投资场景，避免传统分档检验的偏差 --- 量化因子与构建方式 1. **因子名称**：DELTAROE - **因子构建思路**：衡量企业净资产收益率的同比变化，反映盈利能力的改善[16] - **因子具体构建过程**： $$DELTAROE = ROE_{t} - ROE_{t-1}$$ 其中$$ROE$$为单季度归母净利润*2/（期初归母净资产+期末归母净资产）[16] - **因子评价**：在沪深300和中证A500样本中表现稳健，近期超额收益显著 2. **因子名称**：预期PEG - **因子构建思路**：结合估值与成长性，反映未来盈利增长的性价比[16] - **因子具体构建过程**： $$预期PEG = \frac{PE}{一致预期净利润增长率}$$ 其中PE为滚动市盈率，增长率来自分析师一致预期[16] - **因子评价**：在成长风格占优的市场中表现突出 3. **因子名称**：三个月反转 - **因子构建思路**：捕捉短期价格反转效应[16] - **因子具体构建过程**： $$三个月反转 = -\sum_{i=1}^{60} r_{i}$$ $$r_{i}$$为过去60个交易日的日收益率[16] - **因子评价**：近期在沪深300样本中表现较差，但在中证500中有效性分化 4. **因子名称**：特异度 - **因子构建思路**：衡量个股收益脱离市场共同因子的程度[16] - **因子具体构建过程**： $$特异度 = 1-R^{2}$$ $$R^{2}$$为Fama-French三因子回归的拟合度[16] - **因子评价**：在小盘股样本（如中证1000）中区分度较高 --- 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.86%，本年超额10.78%[13] - 中证500增强：本周超额0.16%，本年超额11.24%[13] - 中证1000增强：本周超额-0.29%，本年超额15.73%[13] - 中证A500增强：本周超额0.29%，本年超额11.42%[13] 2. **单因子MFE组合（沪深300样本）**： - DELTAROE：本周超额0.75%，年化IR 3.98%[18] - 预期PEG：本周超额0.72%，年化IR 3.31%[18] - 三个月反转：本周超额-0.35%，年化IR 1.09%[18] --- 因子的回测效果 1. **DELTAROE因子**： - 沪深300样本：本周超额0.75%，年化IR 3.98%[18] - 中证500样本：本周超额0.07%，年化IR 7.68%[20] - 公募重仓样本：本周超额0.87%，年化IR 3.90%[26] 2. **预期PEG因子**： - 沪深300样本：本周超额0.72%，年化IR 3.31%[18] - 中证A500样本：本周超额0.85%，年化IR 1.77%[24] 3. **三个月反转因子**： - 沪深300样本：本周超额-0.35%，年化IR 1.09%[18] - 中证500样本：本周超额-0.61%，年化IR -0.05%[20] --- 注：所有因子计算方式及测试结果均来自研报原文[16][18][20][24][26]，未包含免责声明或风险提示内容。

根据提供的港股投资周报内容，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**：港股精选组合 - **模型构建思路**：基于分析师推荐事件（盈利预测上调、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选[14][15] - **模型具体构建过程**： 1. **事件筛选**：选取分析师上调盈利预测、首次覆盖或标题含"超预期"的股票 2. **基本面筛选**：考察财务指标（如ROE、营收增速） 3. **技术面筛选**：结合股价动量（如250日新高距离）和路径平滑性指标 4. **组合优化**：等权重配置通过筛选的股票，满仓运行并考虑交易费用[15] - **模型评价**：策略在港股市场展现出稳定的超额收益能力，尤其在成长股行情中表现突出[15] 2. **因子名称**：250日新高距离因子 - **因子构建思路**：捕捉股价接近历史高点的动量效应，参考George@2004和欧奈尔CANSLIM理论[20] - **因子具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close, 250)\)为过去250日收盘价最大值[22] - **因子评价**：有效识别港股市场中的强势股，但需结合其他指标避免追高风险[20][22] 3. **复合因子名称**：平稳创新高筛选因子 - **因子构建思路**：综合分析师关注度、股价强度、路径平滑性筛选持续创新高股票[22][23] - **因子具体构建过程**： 1. **初筛条件**： - 上市时间>15个月 - 过去6个月≥5份买入/增持研报 - 过去250日涨幅前20% 2. **精细筛选**： - **位移路程比**：$$ \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总} $$ - **创新高持续性**：过去120日250日新高距离的时序均值[23] 3. **趋势延续性**：过去5日250日新高距离的时序均值[23] --- 模型的回测效果 1. **港股精选组合**（2010-20250630）： - 年化收益：19.11% - 超额收益（vs恒指）：18.48% - IR：1.22 - 最大回撤：23.73%[19] 2. **2025年表现**（截至20250808）： - 绝对收益：51.02% - 超额收益：27.10%[17] --- 因子的回测效果 1. **250日新高距离因子**： - 创新高股票平均250日涨幅：115.5%-1155%（医药板块最高）[22][27] - 筛选出的股票中，医药板块占比最高（20只），科技板块次之（9只）[22][27] 2. **平稳创新高因子**： - 入选股票过去20日平均涨幅：2.1%-54.4%[27] - 位移路程比阈值：需满足前50%分位数[23] --- 关键数据引用 - 组合构建逻辑[14][15] - 250日新高距离公式[22] - 位移路程比计算[23] - 2025年收益数据[17][19] - 创新高股票行业分布[22][27]

量化因子与构建方式 1. **因子名称：理想振幅因子** - **构建思路**：通过价格维度切割日度振幅因子，刻画不同价格位置的资金多空博弈情况，构造高价振幅因子（V_high）和低价振幅因子（V_low），最终合成理想振幅因子[12][13] - **具体构建过程**： 1. 回溯股票最近N个交易日数据（默认N=20） 2. 计算每日振幅（最高价/最低价-1） 3. 选择收盘价较高的λ比例交易日，计算振幅均值得到V_high(λ) 4. 选择收盘价较低的λ比例交易日，计算振幅均值得到V_low(λ) 5. 取λ=25%，计算V=V_high(0.25)-V_low(0.25)作为最终因子[13] - **因子评价**：选股效果优异，但近两年表现略有波动[12] 2. **因子名称：分钟理想振幅因子** - **构建思路**：基于1分钟高频数据合并切割，通过分钟收盘价高低切割构造高价/低价分钟振幅因子[17][19] - **具体构建过程**： 1. 回溯股票最近N天（N=10）的1分钟数据 2. 计算每分钟振幅（最高价/最低价-1） 3. 选择分钟收盘价较高的λ比例（λ=25%）分钟数据，计算振幅均值得到V_high(λ) 4. 选择分钟收盘价较低的λ比例分钟数据，计算振幅均值得到V_low(λ) 5. 计算V=V_high(λ)-V_low(λ)作为最终因子[19] - **因子评价**：选股效果优于原始日度因子，分钟数据颗粒度更精细[17][21] 3. **因子名称：日内振幅切割因子** - **构建思路**：先对每日1分钟数据按情绪指标（如1分钟涨跌幅）切割，合成日度序列后再构造因子[27][28] - **具体构建过程**： 1. 对单日1分钟数据按情绪指标（如1分钟涨跌幅）排序 2. 选择指标较高的λ比例（λ=20%）分钟数据，计算振幅均值V_high 3. 选择指标较低的λ比例分钟数据，计算振幅均值V_low 4. 计算当日V=V_high-V_low 5. 回溯10个交易日计算V_mean和V_std，标准化后等权合成最终因子[28] - **因子评价**：1分钟涨跌幅切割效果最优，高频信息利用更充分[32][37] 4. **因子名称：高频振幅合成因子** - **构建思路**：将分钟理想振幅因子与日内振幅切割因子标准化后等权合成[43][44] - **具体构建过程**： 1. 分别计算分钟理想振幅因子（N=10, λ=25%）和日内振幅切割因子（N=10, λ=20%） 2. 对两因子横截面标准化 3. 等权合成最终因子[44] - **因子评价**：两类因子相关性低（30%），合成后选股效果显著提升[43][44] 因子的回测效果 1. **理想振幅因子** - IC均值：-0.051 - ICIR：-2.39 - 5分组多空年化收益：17%[12] 2. **分钟理想振幅因子（N=10, λ=25%）** - IC均值：-0.059 - ICIR：-3.1 - 5分组多空年化收益：19.5%[26] 3. **日内振幅切割因子（1分钟涨跌幅切割, λ=20%）** - RankIC均值：-0.067 - RankICIR：-3.82 - 5分组多空年化收益：16.7%[37] 4. **高频振幅合成因子** - RankIC均值：-0.086 - RankICIR：-4.58 - 5分组多空年化收益：22.4% - 沪深300样本： - RankICIR：-2.32 - 信息比率：1.53 - 中证500样本： - RankICIR：-2.13 - 信息比率：1.43[44][53]

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：行业拥挤度监测模型** - **构建思路**：通过监测申万一级行业指数的拥挤度，识别短期交易过热或过冷的行业[3] - **具体构建过程**： 1. 计算行业指数的滚动历史分位数（如30日窗口），综合成交量、价格波动、资金流向等指标 2. 标准化后生成拥挤度评分，公式为： $$ \text{Crowding Score} = \frac{X - \mu}{\sigma} $$ 其中 \(X\) 为原始指标值，\(\mu\) 为均值，\(\sigma\) 为标准差 3. 根据评分阈值划分拥挤等级（如军工、有色金属为高拥挤度）[3][12] - **模型评价**：能够有效捕捉短期市场情绪极端变化，但对长期基本面解释力有限 2. **模型名称：ETF溢价率Z-score模型** - **构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[4] - **具体构建过程**： 1. 计算ETF溢价率： $$ \text{Premium Rate} = \frac{\text{ETF市价} - \text{NAV}}{\text{NAV}} $$ 2. 滚动计算过去N日（如10日）溢价率的均值和标准差，生成Z-score： $$ Z = \frac{\text{Premium Rate}_t - \mu_{\text{Premium}}}{\sigma_{\text{Premium}}} $$ 3. 设定阈值（如|Z|>2）触发关注信号[4][13] --- 量化因子与构建方式 1. **因子名称：主力资金净流动因子** - **构建思路**：跟踪申万行业主力资金净流入/流出动态，反映资金偏好[12] - **具体构建过程**： 1. 按行业汇总大单资金流向数据（如单笔成交额>100万元） 2. 计算T日、T-1日、T-2日的净流入额，并滚动合成3日累计值[12] - **因子评价**：对短期行业轮动有较强指示性，但易受市场噪音干扰 2. **因子名称：ETF资金流动因子** - **构建思路**：监测宽基/行业/跨境ETF的资金净流入规模，捕捉市场风格变化[5][8] - **具体构建过程**： 1. 按ETF类别（如宽基、行业主题）分类统计单日净流入额 2. 计算滚动3日资金流动趋势（如跨境ETF持续净流入）[5][8] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤度行业（军工、有色）后续3日平均回调概率达65%[3][12] - 低拥挤度行业（商贸零售、石油石化）超额收益IR为1.2[12] 2. **ETF溢价率Z-score模型**： - 触发信号标的（如ESGETF）后续5日套利收益年化18.7%[4][13] --- 因子的回测效果 1. **主力资金净流动因子**： - 3日净流入TOP3行业（电子、有色）后续周度胜率62%[12] - 净流出行业（医药、计算机）平均继续下跌2.3%[12] 2. **ETF资金流动因子**： - 宽基ETF单日净流出57.97亿元时，次日指数下跌概率70%[5][8] - 跨境ETF持续净流入期间IR达1.5[5][8] --- 注：所有公式与指标均基于研报原始数据计算[3][4][5][8][12][13]

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：250日新高距离** - **因子构建思路**：通过计算股票最新收盘价与过去250日最高收盘价的相对距离，衡量股票接近历史高点的程度[11] - **因子具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close,250)\)为过去250个交易日收盘价的最大值 若最新收盘价创出新高，则因子值为0；若回落则因子值为正，表示回落幅度[11] - **因子评价**：该因子捕捉动量效应，研究表明接近历史高点的股票未来表现更优[11] 2. **因子名称：平稳创新高筛选因子** - **因子构建思路**：结合分析师关注度、股价路径平稳性等多维度筛选具有持续动量的股票[25][27] - **因子具体构建过程**： - **筛选条件**： 1. 分析师关注度：过去3个月买入/增持评级研报≥5份[27] 2. 股价相对强弱：过去250日涨跌幅位于全市场前20%[27] 3. 股价平稳性： - 价格路径平滑性：计算股价位移路程比（过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总）[25] - 创新高持续性：过去120日的250日新高距离时间序列均值[27] 4. 趋势延续性：过去5日的250日新高距离时间序列均值[27] - 最终取综合排名前50的股票[27] - **因子评价**：通过多维度过滤噪声，筛选具有稳健动量特征的股票[25] --- 因子回测效果 1. **250日新高距离因子** - 应用效果： - 上证指数、深证成指等主要指数当前250日新高距离分别为0.12%、3.19%等[12] - 机械、有色金属等行业指数距离新高较近（0.00%-0.17%），食品饮料等行业距离较远[13] 2. **平稳创新高筛选因子** - 应用效果： - 全市场1336只股票过去20日创250日新高，医药、机械行业创新高数量最多（211/197只）[20] - 筛选出的50只平稳创新高股票中，制造板块占比最高（18只），机械行业占优[28][30] --- 注：报告中未提供传统量化模型（如多因子模型）的构建细节，主要聚焦于创新高相关因子的设计与应用。

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）** - **构建思路**：通过计算行业指数的相对强弱指标，识别年度领涨行业[12] - **具体构建过程**： 1. 选取29个一级行业指数作为标的 2. 计算过去20、40、60个交易日的行业涨跌幅横截面排名，归一化得到RS_20、RS_40、RS_60 3. 计算综合相对强弱指数： $$ RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3} $$ 4. 设定阈值RS>90%作为年度主线信号[12] - **评价**：历史验证有效捕捉高股息、资源品等主线，但2025年信号分散性增加[14][15] 2. **模型名称：行业景气度-趋势-拥挤度框架** - **构建思路**：结合景气度（同步）、趋势（右侧）和拥挤度（风险）三维指标进行行业轮动[16] - **具体构建过程**： - **景气度**：行业财务指标（如ROE、营收增速）标准化 - **趋势**：动量指标（如60日涨幅Z-score） - **拥挤度**：换手率分位数与估值偏离度复合指标 - 筛选条件： - 景气模型：高景气+强趋势且拥挤度<阈值 - 趋势模型：强趋势+低拥挤且景气度>阈值[16][20] - **评价**：互补性强，历史年化超额14.1%，IR达1.54[16][17] 3. **模型名称：左侧库存反转模型** - **构建思路**：挖掘库存周期底部且分析师预期改善的行业[27] - **具体构建过程**： 1. 计算行业库存周转天数同比变化率 2. 结合卖方推荐比例变化构建胜率-赔率矩阵 3. 筛选：库存压力<历史25%分位+分析师上调评级占比>30%[27][29] - **评价**：2024年超额14.8%，适应因子失效环境[27][28] --- 模型的回测效果 1. **行业主线模型** - 2024年信号行业平均绝对收益：12.8%（汽车）至32.1%（银行）[13] - 2025年信号行业超额收益：7.4%（有色金属）至18.1%（通信）[15] 2. **行业景气度-趋势-拥挤度框架** - 年化超额：14.1%（基准Wind全A） - IR：1.54，最大回撤-8.0%[16] - 2025年ETF组合超额中证800：8.1%[21][26] 3. **左侧库存反转模型** - 2024年绝对收益：25.9%（超额行业等权14.8%）[27] - 2025年绝对收益：13.6%（超额3.5%）[27][28] --- 量化因子与构建方式 1. **因子名称：相对强弱因子（RS）** - **构建过程**：同行业主线模型[12] 2. **因子名称：景气度因子** - **构建过程**：行业ROE、营收增速等财务指标标准化后加权[16][20] 3. **因子名称：拥挤度因子** - **构建过程**： $$ Crowding = 0.5 \times \text{换手率分位数} + 0.5 \times \frac{\text{当前PE}}{\text{行业历史PE中位数}} $$ 阈值设定为80%分位以上视为高风险[20] --- 因子的回测效果 1. **相对强弱因子** - 信号行业相对Wind全A胜率：68%（2024年）[13] 2. **景气度因子** - 高景气行业年化超额：9.2%（2013-2025）[16][17] 3. **拥挤度因子** - 高拥挤行业后续60日跑输基准概率：72%[20]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：创业板综指ESG负面剔除机制 **模型构建思路**：通过引入ESG评级作为筛选标准，剔除不符合ESG要求的股票，以提升指数的质量和可持续性[28] **模型具体构建过程**： - 剔除被交易所实施风险警示（ST或*ST）的样本股 - 剔除国证ESG评级在C级及以下的样本股 - 覆盖创业板约95%的上市公司，共1316只股票[28] **模型评价**：该机制有助于激励上市公司提升ESG表现，同时使指数更精准反映优质企业的整体表现[28] 2. **模型名称**：零碳园区评估模型 **模型构建思路**：以"单位能耗碳排放"为核心指标，评估园区的低碳化程度[19] **模型具体构建过程**： - 计算园区内每消费一吨标准煤的各类能源所排放的二氧化碳量 - 结合《零碳园区建设基本条件》中的参数标准进行综合评估[19] **模型评价**：该模型为园区低碳转型提供了可量化的评估框架，但实施中需考虑不同园区的基础差异[19] 量化因子与构建方式 1. **因子名称**：温室气体减排贡献标识因子 **因子构建思路**：根据项目对温室气体减排的直接或间接贡献程度进行分类[10] **因子具体构建过程**： - 对直接且显著贡献的项目标记为"√√"（如可再生能源利用、节能降碳改造等） - 对具有赋能作用的项目标记为"√"（如新能源零部件制造、数字化能效管理等）[10] **因子评价**：该因子有助于精准识别绿色项目的碳效益，但需配套专业评估方法[10] 2. **因子名称**：绿电消纳责任权重因子 **因子构建思路**：量化各地区和行业对可再生能源电力的消纳责任[13] **因子具体构建过程**： - 计算各省市总量消纳责任权重（2025年普遍上调，最高增幅11.6%） - 计算非水电（风电、光伏）消纳责任权重（全部上调） - 重点行业（如电解铝）设定硬性考核指标[13] **因子评价**：该因子推动能源结构转型，但对资源禀赋有限的地区可能形成压力[13] 模型的回测效果 1. **创业板综指ESG负面剔除机制**： - 覆盖股票数量：1316只[28] - 占创业板上市公司比例：95%[28] 2. **零碳园区评估模型**： - 核心指标：单位能耗碳排放[19] - 首批申报园区数量：未披露[19] 因子的回测效果 1. **温室气体减排贡献标识因子**： - 应用范围：绿色金融支持项目目录[10] - 分类标准：直接减排项目（√√）与赋能型项目（√）[10] 2. **绿电消纳责任权重因子**： - 2025年总量消纳责任权重：北京30.6%、上海33.1%、广东31.6%[14] - 非水电消纳责任权重：北京28.9%、上海10.7%、广东12.9%[14]