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. **模型名称**：DecompGRU模型 - **模型构建思路**：基于趋势分解的时序+截面端到端模型，通过改进GRU基线模型实现时序和截面信息交互[8] - **模型具体构建过程**： 1. 使用两个去均值模块处理时序和截面数据 2. 基于IC和加权MSE损失函数分别训练两个子模型（DecompGRU_IC、DecompGRU_MSE）[14] 3. 输出个股得分并构建组合： - 选股范围：中证全指 - 调仓频率：周频（每周首个交易日调仓） - 组合构建：等权持有得分TOP200股票，剔除涨跌停/停牌股[8] - **模型评价**：通过分解模块增强模型对市场趋势的捕捉能力，实现端到端预测[14] 2. **ETF轮动模型** - **构建思路**：将DecompGRU个股得分聚合至行业/主题ETF[10] - **具体构建**： 1. ETF池筛选标准： - 行业/主题型ETF - 5日成交额均值>2000万，20日日均成交额>1000万 - 同指数ETF保留成交额最大者 2. 持仓规则：每期持有3-6只ETF，周度不定期调仓[10] --- 量化因子与构建方式 1. **情绪热度因子** - **构建思路**：通过同花顺用户行为数据（浏览/自选/点击）构建市场情绪代理指标[18] - **具体构建**： 1. 个股热度计算： $$总热度 = \frac{浏览+自选+点击次数}{全市场总和} \times 10000$$ 取值区间[0,10000][18] 2. 聚合方法： - 宽基热度：按成分股分组（沪深300/中证500/中证1000/中证2000/其他）求和[19] - 行业热度：按申万一级/二级行业分组求和[30] - 概念热度：按概念成分股分组求和[39] - **因子评价**：有效捕捉市场有限注意力导致的定价偏差[17] 2. **热度变化率因子** - **构建过程**： 1. 计算周度热度变化率： $$\Delta H_t = \frac{H_t - H_{t-1}}{H_{t-1}}$$ 2. 取MA2平滑处理[22] 3. 应用场景： - 宽基轮动：买入变化率最大的宽基（排除"其他"组）[24] - 概念组合：筛选变化率TOP5概念中的低热度个股[42] 3. **估值分位数因子** - **构建方法**： 1. 计算滚动5年PE/PB历史分位数[50] 2. 行业分位数回溯至2015年[53] 3. 输出： - 宽基分位数（沪深300/中证500/中证1000）[52] - 申万一级/二级行业分位数[54] --- 模型回测效果 | 模型/组合 | 累计收益 | 超额收益 | 最大回撤 | 周胜率 | 月胜率 | 测试周期 | |---------------------|----------|----------|----------|--------|--------|----------------| | DecompGRU TOP200 | 24.54% | 9.80% | 10.08% | 72.22% | 100% | 2025/3/31-8/1 [10] | | ETF轮动组合 | 12.97% | 8.65% | 6.16% | 68.42% | 75% | 2025/3/18-8/1 [12] | | 宽基热度轮动策略 | 18.8%* | 1.7%* | 23.5% | - | - | 2017-2025 [27] | | 概念BOTTOM组合 | 27%** | - | 28.89% | - | - | 2025年内 [44] | （*相对宽基等权基准 **年化15.71%） --- 因子回测效果 1. **宽基热度变化率**（2025/8/1）： - 中证500：+10.21% - 中证2000：-6.02% [29] 2. **行业热度变化率**（2025/8/1）： - 正向TOP5：建筑材料(+83.5%)、建筑装饰、社会服务、钢铁、食品饮料 - 负向TOP5：公用事业(-32.5%)、轻工制造、纺织服饰、汽车、房地产 [38] 3. **估值分位数**： - 宽基：中证500(95%) > 中证1000(84%) > 沪深300(70%) [52] - 一级行业高估：电力设备/计算机/银行(>80%) - 一级行业低估：农林牧渔/家电(<20%) [53]

量化模型与构建方式 1. **模型名称：素镜科技财报辩伪模型** - 模型构建思路：通过分析企业财报中的异常行为（如虚构收入、虚增利润等）来量化造假程度并打分[20] - 模型具体构建过程： - 捕捉六类异常行为：虚构/虚增收入、虚增利润、虚增资产、掩盖负债、资金占用转移、利益输送 - 对每种异常行为设置权重并计算综合得分，分数越高表示造假风险越高[20] - 阈值设定：得分≥70为高风险公司[24] - 模型评价：对ST事件具有较高召回率，但覆盖范围较广（约40%市场股票）[39] 2. **模型名称：素镜科技企业画像模型** - 模型构建思路：通过量化企业经营状况（如违约风险、运营健康度）生成综合评分[20] - 模型具体构建过程： - 整合财务与非财务指标（如现金流、负债率、诉讼事件等） - 设置阈值：得分<-15为高风险公司[24] - 模型评价：分类效果优于财报辩伪模型，尤其在年报后预测阶段[28][39] 3. **模型名称：Cox比例风险回归模型（生存分析）** - 模型构建思路：将上市公司风险公告事件作为协变量，预测ST概率[45][46] - 模型具体构建过程： - 定义生存时间：从上市到被ST的时间间隔[44] - 选取协变量：交易所函件（关注函、问询函等）、股权风险事件（拟减持、冻结等）、监管措施（立案调查等）[45][46] - 模型公式： $$h(t,X)=h_{0}(t)*exp(\beta_{1}*x_{1}+\beta_{2}*x_{2}+...+\beta_{n}*x_{n})$$ 其中HR（风险比）计算为$$e^{\beta}$$[61] - 优化：将事件次数替代0-1变量后，拟减持事件显著性提升[62][63] - 模型评价：高频跟踪能力强，灵活性高（可动态纳入新风险事件）[75] --- 模型的回测效果 1. **素镜科技财报辩伪模型** - AUC：0.806[34] - 年报后预测ST概率：2.79%（阈值≥70）[26] - 全样本段召回率：2016-2023年平均90%，最低84.44%[30] 2. **素镜科技企业画像模型** - AUC：0.865[34] - 年报后预测ST概率：3.36%（阈值<-15）[29] - 全样本段召回率：2016-2023年平均92%，最低87.93%[31] 3. **Cox比例风险回归模型** - AUC：0.810[73] - 召回率：2019年后平均85%，2022年最高92.31%[71] - 高风险事件影响：股权冻结HR最高，问询函次之[61][65] --- 量化因子与构建方式 1. **因子名称：财报辩伪分** - 因子构建思路：通过财务异常行为量化造假风险[20] - 因子具体构建过程： - 对六类异常行为加权求和，阈值70分划分高风险组[24] 2. **因子名称：企业画像分** - 因子构建思路：综合评估企业经营风险[20] - 因子具体构建过程： - 整合多维经营指标，阈值-15分划分高风险组[24] 3. **因子名称：风险事件次数（生存分析衍生）** - 因子构建思路：累计风险事件次数反映风险累积效应[62][63] - 因子具体构建过程： - 统计个股历史关注函、问询函等事件发生次数 --- 因子的回测效果 1. **财报辩伪分** - 全样本段ST概率差异：高风险组0.99% vs 低风险组0.10%[24] 2. **企业画像分** - 全样本段ST概率差异：高风险组1.01% vs 低风险组0.07%[27] 3. **风险事件次数** - 拟减持事件：次数增加显著提升ST风险[63]

量化模型与构建方式 1. **模型名称：GRU模型** - 模型构建思路：结合基本面和量价特征的GRU模型，用于行业轮动和多头组合策略[9] - 模型具体构建过程：基于GRU神经网络结构，输入包括技术类因子（如动量、波动）和基本面因子（如盈利、成长），通过时间序列训练预测股票收益。具体调仓频率为月度，权重配置上限为0.2%，行业偏离控制在0.01标准差内[29] - 模型评价：在中小市值股票（如中证1000）中表现强势，但对市场风格切换敏感[30] 2. **模型名称：多因子模型** - 模型构建思路：综合基本面和技术因子构建多空组合，行业中性化处理[17] - 模型具体构建过程：每月末按因子值做多前10%股票、做空后10%股票，等权配置。涉及因子包括： - 技术类：动量（20日/60日/120日）、波动率（20日/60日/120日） - 基本面：超预期增长（ROA/ROE）、静态财务（市销率、市盈率）[15][19][21] 模型的回测效果 1. **GRU模型** - 近一周超额收益：-0.11%（close1d）至-0.25%（barra5d）[31] - 今年以来超额收益：3.38%（barra1d）至8.36%（barra5d）[31] 2. **多因子模型** - 近一周超额收益：-0.55%[31] - 今年以来超额收益：3.00%[31] --- 量化因子与构建方式 1. **因子名称：Barra风格因子** - 因子构建思路：涵盖市值、动量、估值等10类风格因子[15] - 因子具体构建过程： - **波动因子**：$$0.74 \times \text{历史超额收益率波动} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{残差收益率波动}$$ - **流动性因子**：$$0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率}$$ - **盈利因子**：$$0.68 \times \text{预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率TTM倒数}$$[15] 2. **因子名称：技术类因子** - 因子构建思路：基于价格序列的动量和波动特征[19][22][28] - 因子具体构建过程： - **动量因子**：计算20日/60日/120日历史收益率均值 - **波动因子**：计算20日/60日/120日收益率标准差 3. **因子名称：基本面因子** - 因子构建思路：分为超预期增长、静态财务和增长三类[21][24][27] - 因子具体构建过程： - **超预期增长因子**：ROA/ROE/营业利润的同比变化 - **静态财务因子**：市销率、市盈率TTM倒数 --- 因子的回测效果 1. **Barra风格因子（全市场）** - 本周多空收益：beta（正向）、流动性（正向）、市值（负向）[16] 2. **技术类因子（中证1000）** - 20日动量多空收益：1.87%[28] - 120日波动多空收益：0.51%[28] 3. **基本面因子（沪深300）** - 超预期增长因子多空收益：-2.48%（ROA）至-2.05%（营业利润）[21] - 静态财务因子多空收益：+2.38%（市盈率）[21]

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **主动偏股基金仓位高频估测模型** - 模型构建思路：基于基金每日净值序列，采用带约束条件的多元回归模型估算股票仓位[64] - 具体构建过程： 1. 以基金净值为因变量，基准或构建的资产序列为自变量 2. 通过回归模型寻找最优仓位估计结果 3. 构建模拟组合提升估算准确性 4. 测算行业配置动向（如通信、医药生物获增配，汽车、有色金属遭减持）[64][68] - 模型评价：解决了公募基金仓位披露频率低的问题，但存在与实际仓位的偏差风险[64] 2. **REITs指数系列模型** - 模型构建思路：通过指数化投资反映REITs市场表现，区分底层资产和项目类型[51] - 具体构建过程： 1. 采用分级靠档法稳定计算份额 2. 新发/扩募时使用除数修正法保证指数连续性 3. 提供价格指数和全收益指数双版本[51] 4. 细分指数包括产权类（累计收益19.8%）、特许经营权类（累计收益2.2%）等[53] 量化因子与构建方式 1. **行业主题基金标签因子** - 构建思路：基于持仓信息划分基金的长期行业主题特征[39] - 具体构建过程： 1. 分析近4期中报/年报持仓 2. 分类为行业主题基金（如医药、TMT）、行业轮动基金、行业均衡基金[39] 3. 计算主题基金周涨跌幅（医药+3.3%、周期-3.87%）[39][44] 2. **ETF资金流向因子** - 构建思路：监控不同类型ETF的资金流动与收益关系[54] - 具体构建过程： 1. 按投资范围分类（宽基/行业/主题） 2. 统计净流入与收益率中位数（股票ETF净流出369亿，收益-1.59%）[54] 3. 细分行业ETF资金动向（消费主题流入30.7亿，TMT流出66亿）[61] 模型回测效果 1. **主动偏股基金仓位模型** - 本周仓位变动：-0.18pcts[64] - 行业配置幅度：通信+0.35pct，汽车-0.28pct[68] 2. **REITs指数模型** - 综合指数周收益：2.06%（年化波动11.04%）[53] - 细分指数表现：消费基础设施REITs周涨4.41%，最大回撤仅5.82%[53] 因子回测效果 1. **行业主题因子** - 医药主题基金：近1月收益27.89%（易方达瑞享I）[44] - 周期主题基金：今年以来收益5.5%（行业ETF分类）[61] 2. **ETF资金流向因子** - 港股ETF：净流入245亿，收益-3.25%[54] - 黄金ETF：净流入19亿，年化收益32.68%[61] 注：所有数据截至2025年8月1日[18][19][23]

量化模型与构建方式 1. **模型名称：扩散指数模型** - **模型构建思路**：通过监测微盘股指数成分股未来N天股价涨跌幅与过去T天窗口期的关系，预测扩散指数变盘临界点[5][39] - **模型具体构建过程**： - 横轴为未来N天股价涨跌幅（1.1至0.9代表涨10%至跌10%） - 纵轴为回顾窗口期长度T（20至10天，对应N=20-T） - 扩散指数值计算示例：横轴0.95与纵轴15天值为0.31，表示未来5天若成分股均跌5%，扩散指数为0.31[39] - **模型评价**：适用于监测趋势行情驱动因素（如头部股票主导或底部轮动），当前显示反转因子可能失效，基本面因子走强[5][39] 2. **模型名称：首次阈值法（左侧交易）** - **模型构建思路**：基于扩散指数提前触发交易信号，用于左侧交易[5][43] - **模型具体构建过程**：当扩散指数首次跌破阈值（如0.9850）时触发空仓信号[43] 3. **模型名称：延迟阈值法（右侧交易）** - **模型构建思路**：在扩散指数确认趋势后触发信号，用于右侧交易[5][47] - **模型具体构建过程**：扩散指数连续低于阈值（如0.8975）后发出空仓信号[47] 4. **模型名称：双均线法（自适应交易）** - **模型构建思路**：结合短期与长期均线动态调整仓位[5][48] - **模型具体构建过程**：当短期均线上穿长期均线时翻多（如2025年7月3日信号）[48] --- 模型的回测效果 1. **扩散指数模型**：当前值为0.83（横轴20，纵轴1.00），显示趋势由头部股票驱动[39] 2. **首次阈值法**：2025年5月8日触发空仓信号（阈值0.9850）[43] 3. **延迟阈值法**：2025年5月15日触发空仓信号（阈值0.8975）[47] 4. **双均线法**：2025年7月3日发出开仓信号[48] --- 量化因子与构建方式 1. **因子名称：小市值低波50策略** - **因子构建思路**：在微盘股成分股中筛选市值最小且波动率最低的50只股票[7][36] - **因子具体构建过程**： - 每双周调仓一次 - 基准为万得微盘股指数（8841431.WI） - 费用双边千三[36] 2. **因子名称：周度RankIC因子** - **因子构建思路**：计算微盘股成分股内各因子的RankIC值，评估因子短期有效性[4][34] - **因子具体构建过程**： - 前五因子：未复权股价因子（本周0.177）、贝塔因子（本周0.15）、非流动性因子（本周0.143）、过去10天收益率因子（本周0.105）、pe_ttm倒数因子（本周0.041） - 后五因子：成交额因子（本周-0.189）、动量因子（本周-0.132）、残差波动率因子（本周-0.13）、10天自由流通市值换手率因子（本周-0.12）、流动性因子（本周-0.118）[34] --- 因子的回测效果 1. **小市值低波50策略**： - 2024年收益7.07%，超额-2.93% - 2025年YTD收益69.79%，本周超额-1.88%[7][36] 2. **周度RankIC因子**： - 未复权股价因子历史平均-0.015，本周0.177（显著正向） - 动量因子历史平均-0.005，本周-0.132（显著负向）[4][34] --- 其他关键指标 1. **微盘股指数表现**： - 近一年上涨126.3%，排名38个宽基指数第1[3][27] - 近一季上涨34.48%，排名第1[24][25] 2. **估值与流动性**： - 总市值中位数23.55亿元（历史分位数82.69%）[63] - PB中位数2.55（历史分位数41.67%）[66] - 周换手率3.17%（历史分位数91.43%）[69] 3. **日历效应**： - 8-11月超额中证1000胜率85%[2][15] - 星期二绝对收益正向特征显著[52][53]

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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过行业扩散指数捕捉行业趋势，选择扩散指数排名靠前的行业进行配置[26] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 对扩散指数进行排名，选择排名前六的行业作为配置标的 3. 每月进行轮动调仓，保持组合与当前趋势一致 4. 扩散指数计算公式： $$DI_t = \frac{N_{up}}{N_{up}+N_{down}}$$ 其中$N_{up}$为行业成分股中上涨股票数量，$N_{down}$为下跌股票数量[27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[26] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络处理分钟频量价数据，生成行业因子进行轮动[33] - **模型具体构建过程**： 1. 使用GRU网络处理行业分钟频量价数据 2. 输出行业因子得分，反映行业短期动量特征 3. 选择因子得分最高的六个行业进行配置 4. 每周进行调仓，动态适应市场变化[34] - **模型评价**：在短周期表现较好，但对极端行情适应性有限[40] 量化因子与构建方式 1. **因子名称：行业扩散指数因子** - **因子构建思路**：通过行业成分股涨跌数量比衡量行业趋势强度[27] - **因子具体构建过程**： 1. 计算每个中信一级行业成分股当日涨跌数量 2. 计算扩散指数值： $$DI = \frac{\text{上涨股票数}}{\text{上涨股票数}+\text{下跌股票数}}$$ 3. 对DI值进行标准化处理，得到0-1区间因子值[28] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征[34] - **因子具体构建过程**： 1. 输入行业分钟频量价数据至GRU网络 2. 网络输出行业特征得分 3. 对得分进行标准化处理，生成可比因子值[36] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年8月超额收益：-0.44% - 2025年以来超额收益：-0.40%[30] - 本周超额收益：0.04%[30] 2. **GRU因子行业轮动模型** - 2025年8月超额收益：0.16% - 2025年以来超额收益：-2.35%[38] - 本周超额收益：1.70%[38] 因子的回测效果 1. **行业扩散指数因子** - 钢铁行业因子值：1.0 - 综合金融因子值：1.0 - 非银行金融因子值：0.999 - 综合因子值：0.998 - 有色金属因子值：0.997 - 建筑因子值：0.996[27] 2. **GRU行业因子** - 非银行金融因子值：-1.15 - 有色金属因子值：0.5 - 建材因子值：-2.63 - 汽车因子值：-2.81 - 钢铁因子值：0.7 - 家电因子值：-5.47[34]

量化模型与构建方式 1. **模型名称：预期成长策略** - **构建思路**：通过分析师预期增速（gf）筛选高成长性行业，优先配置预期增速最高的资产[5][6] - **具体构建过程**： 1. 计算行业预期净利润增速 $$g_{fttm} = \frac{E_t[NI_{t+1}] - NI_t}{NI_t}$$，其中 $NI$ 为净利润，$E_t$ 为分析师预期[21][23] 2. 按 $g_{fttm}$ 排序，选取Top组行业（如无烟煤、电力电子等）[14][35] 3. 动态跟踪优势差 $\Delta gf = g_{fttm}^{Top} - g_{fttm}^{Bottom}$，确保头部资产趋势持续[21][23] 2. **模型名称：实际成长策略** - **构建思路**：基于业绩动量（$\Delta g$）筛选超预期行业，聚焦成长期资产[6][25] - **具体构建过程**： 1. 计算行业实际净利润增速 $$g_{ttm} = \frac{NI_t - NI_{t-1}}{NI_{t-1}}$$[25][27] 2. 结合超预期因子（sue、sur、jor）筛选 $\Delta g$ 最高的行业（如聚氨酯、PCB等）[38] 3. 监控优势差 $\Delta g = g_{ttm}^{Top} - g_{ttm}^{Bottom}$[25][27] 3. **模型名称：盈利能力策略** - **构建思路**：在PB-ROE框架下选择估值合理的优质资产[5][40] - **具体构建过程**： 1. 计算行业ROE及PB，回归残差 $$Residual = PB - \alpha \cdot ROE$$，选取低残差行业（如锂电池、啤酒等）[40] 2. 结合ROE优势差（$\Delta ROE$）判断基本面拐点[29] 4. **模型名称：质量红利策略** - **构建思路**：综合股息率（DP）和ROE筛选高分红且盈利稳定的资产[43] - **具体构建过程**： 1. 对行业DP和ROE标准化打分，加权求和 $$Score = w_1 \cdot DP + w_2 \cdot ROE$$[43] 2. 选取高分行业（如公交、玻璃纤维等）[43] 5. **模型名称：价值红利策略** - **构建思路**：结合股息率（DP）和市净率（BP）挖掘低估值高分红资产[47] - **具体构建过程**： 1. 计算行业DP和BP标准化值，加权排序[47] 2. 优选高分行业（如网络接配及塔设、非乳饮料等）[47] 6. **模型名称：破产价值策略** - **构建思路**：筛选低PB和小市值（SIZE）的潜在反转资产[51] - **具体构建过程**： 1. 计算行业PB和SIZE的逆序得分 $$Score = -w_1 \cdot PB - w_2 \cdot SIZE$$[51] 2. 选取最低分行业（如贸易Ⅲ、印染等）[51] --- 模型的回测效果 1. **预期成长策略**：年化收益26.70%，2019年后超额显著，2025年8月Top行业近3月平均收益32.58%（玻璃纤维）[16][35] 2. **实际成长策略**：长期超额显著，2025年8月Top行业近3月平均收益81.60%（PCB）[38] 3. **盈利能力策略**：2016-2020年超额显著，2025年8月Top行业近3月平均收益110.06%（网络接配及塔设）[40] 4. **质量红利策略**：2016-2017年超额显著，2025年8月Top行业近3月平均收益32.58%（玻璃纤维）[43] 5. **价值红利策略**：2021-2023年超额显著，2025年8月Top行业近3月平均收益110.06%（网络接配及塔设）[47] 6. **破产价值策略**：2021-2023年超额显著，2025年8月Top行业近3月平均收益17.24%（印染）[51] --- 量化因子与构建方式 1. **因子名称：预期净利润增速（$g_{fttm}$）** - **构建思路**：反映分析师对未来盈利增长的预期[21][23] - **具体构建**：$$g_{fttm} = \frac{E_t[NI_{t+1}] - NI_t}{NI_t}$$，滚动12个月计算[23] 2. **因子名称：实际净利润增速（$g_{ttm}$）** - **构建思路**：衡量历史业绩动量[25][27] - **具体构建**：$$g_{ttm} = \frac{NI_t - NI_{t-1}}{NI_{t-1}}$$，TTM口径[27] 3. **因子名称：PB-ROE残差** - **构建思路**：识别ROE驱动下被低估的资产[40] - **具体构建**：回归残差 $$Residual = PB - \hat{\alpha} \cdot ROE$$[40] 4. **因子名称：DP+ROE复合因子** - **构建思路**：兼顾分红与盈利质量[43] - **具体构建**：标准化后线性加权 $$Score = Z(DP) + Z(ROE)$$[43] 5. **因子名称：DP+BP复合因子** - **构建思路**：平衡分红与估值[47] - **具体构建**：标准化后加权 $$Score = Z(DP) + Z(BP)$$[47] --- 因子的回测效果 1. **$g_{fttm}$**：优势差（$\Delta gf$）扩张时策略超额显著，2025年8月Top组增速较Bottom组高15%[21][23] 2. **$g_{ttm}$**：优势差（$\Delta g$）缓升，2025年8月头部行业增速差7%[25][27] 3. **PB-ROE残差**：低残差组合在2016-2020年IR达1.2[40] 4. **DP+ROE**：2016年IR峰值1.5，2023年回升至0.8[43] 5. **DP+BP**：2021-2023年IR稳定在1.0以上[47]

量化因子与构建方式 1. **因子名称：Barra风格因子** - **构建思路**：基于多因子模型框架，通过市值、估值、动量等维度刻画股票风险收益特征[13][29] - **具体构建过程**： 1. **BETA因子**：计算个股相对市场的敏感度 $$ \text{BETA} = \frac{\text{Cov}(r_i, r_m)}{\text{Var}(r_m)} $$ 其中$r_i$为个股收益，$r_m$为市场收益 2. **残差波动率因子**：衡量个股非系统性风险 $$ \text{Residual Vol} = \sqrt{\frac{\sum_{t=1}^T \epsilon_t^2}{T-1}} $$ $\epsilon_t$为回归残差 3. **动量因子**：过去12个月收益率剔除最近1个月（11-1动量）[29] - **因子评价**：BETA因子近期表现稳健，残差波动率因子在低波动市场环境有效性较高 2. **因子名称：巨潮风格因子** - **构建思路**：通过价值/成长、大盘/小盘维度划分风格象限[31][34] - **具体构建过程**： - **小盘成长因子**：筛选市值后30%且ROE增速前30%股票 - **大盘价值因子**：筛选市值前30%且PB分位数后30%股票 - **因子评价**：小盘成长因子近期超额收益显著，但波动较大[34] 因子回测效果 1. **Barra风格因子** - BETA因子：周收益率0.27%，年化夏普比2.03[29] - 残差波动率因子：周收益率0.12%，年化夏普比-3.27[29] - 动量因子：周收益率0.05%，年化夏普比3.82[29] 2. **巨潮风格因子** - 小盘成长因子：近1年夏普比1.83，最大回撤16.41%[34] - 大盘价值因子：近1年夏普比1.68，最大回撤9.99%[34] 量化模型与构建方式 1. **模型名称：超额收益率监测模型** - **构建思路**：通过滚动窗口计算中小盘指数相对沪深300的超额收益[89] - **具体构建过程**： $$ \text{超额收益} = \frac{\prod_{t=1}^{20}(1+r_{中小盘,t})}{\prod_{t=1}^{20}(1+r_{HS300,t})} - 1 $$ 采用20日滚动窗口计算中证500/1000/2000相对收益[89] - **模型评价**：对市场风格切换有领先指示作用 2. **模型名称：期权情绪监测模型** - **构建思路**：通过认购认沽比(CPR)捕捉衍生品市场情绪[93] - **具体构建过程**： $$ \text{CPR} = \frac{\text{认购期权持仓量}}{\text{认沽期权持仓量}} $$ 计算中证1000/沪深300ETF/中证500ETF期权CPR[92] - **模型评价**：情绪极端值时具有反转预测能力 模型回测效果 1. **超额收益率监测模型** - 中证1000超额收益：3.85%（80.9%分位）[89] - 中证2000超额收益：4.15%（72.0%分位）[89] 2. **期权情绪监测模型** - 中证1000期权CPR：1.08（17.28%分位）[93] - 沪深300ETF期权CPR：1.12（48.28%分位）[93] 复合因子 1. **因子名称：交易拥挤度因子** - **构建思路**：结合成交额占比与波动率识别过热板块[114] - **具体构建过程**： $$ \text{拥挤度} = \frac{\text{行业成交额占比}}{\text{近3年分位数}} \times \text{波动率Z值} $$ 应用于TMT和小微盘板块监测[114] - **因子评价**：在板块轮动中具有风险预警作用

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**：攻守兼备红利50组合 - **模型构建思路**：采用"稳健+成长"风格，结合红利资产防御特性与成长性选股逻辑[15] - **模型具体构建过程**： 1. 筛选标的：从红利资产池中选取兼具高分红和盈利增长潜力的个股 2. 因子加权：综合股息率、盈利稳定性、行业景气度等指标动态调整权重 3. 组合优化：控制行业偏离度≤5%，个股权重上限3%[16][21] - **模型评价**：在防御性不足的市场环境下仍能保持超额收益，体现多因子协同效应[21] 2. **模型名称**：央国企高分红30组合 - **模型构建思路**：聚焦央国企标的，强化分红因子的纯粹性[15] - **模型具体构建过程**： 1. 初筛：选取中证央企红利指数成分股 2. 排序：按近3年股息支付率、股息增长率双指标降序排列 3. 风控：剔除波动率高于行业均值1.5倍的标的[18][21] 3. **模型名称**：电子板块优选增强组合 - **模型构建思路**：捕捉电子行业成熟期细分赛道龙头Alpha[15] - **模型具体构建过程**： 1. 细分赛道筛选：选取印制电路板、电子终端品等活跃子行业[24] 2. 龙头识别：综合营收增速、专利数量、市占率构建评分卡 3. 动态调仓：月度频率调整成分股，权重与景气度正相关[31] 模型的回测效果 1. **攻守兼备红利50组合** - 周度超额收益：1.41%（vs 中证红利全收益）[21] - 年初至今超额：3.52%[21] - 基金分位数：11%（红利类产品）[21] 2. **央国企高分红30组合** - 周度超额收益：0.35%[21] - 最大回撤：-6.69%（同期中证红利）[16] 3. **电子板块优选增强组合** - 周度超额收益：0.89%（vs 电子行业指数）[31] - 胜率：跑赢76%科技类基金产品[32] 量化因子与构建方式 1. **因子名称**：红利质量因子 - **因子构建思路**：区分传统红利因子的盈利可持续性[18] - **因子具体构建过程**： $$ \text{QualityScore} = 0.4 \times \text{ROE} + 0.3 \times \text{毛利率} + 0.3 \times \text{经营现金流/营收} $$ 其中ROE取近3年移动平均值[18] 2. **因子名称**：细分赛道拥挤度因子 - **因子构建思路**：量化电子子行业交易过热风险[24] - **因子具体构建过程**： 1. 计算各三级行业20日换手率Z-score 2. 叠加融资买入占比变化率 3. 标准化为0-100分位数[24][29] 因子的回测效果 1. **红利质量因子** - IC均值：0.32（近1年）[18] - 多空收益差：年化9.7%[21] 2. **细分赛道拥挤度因子** - 预警准确率：82%（回撤前10%分位）[29] - 行业轮动贡献度：超额收益的23%[31]

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：长江动量因子** - **构建思路**：基于股票过去一年的收益率减去最近一个月的收益率（剔除涨停板）构建动量指标，筛选A股市场中动量特征强且流动性高的股票[27] - **具体构建过程**： 1. 计算每只股票过去12个月的收益率$$R_{12m}$$ 2. 计算最近1个月的收益率$$R_{1m}$$（剔除涨停板股票） 3. 动量指标定义为$$Momentum = R_{12m} - R_{1m}$$ 4. 按动量指标排序，选取前100只股票作为成分股，采用等权重或流动性加权[27] - **因子评价**：能有效捕捉A股市场的动量效应，尤其在趋势性行情中表现突出[27] 2. **因子名称：长江反转因子** - **构建思路**：利用短期反转效应，筛选近期表现弱势但流动性较好的股票[28] - **具体构建过程**： 1. 计算每只股票最近1个月的收益率$$R_{1m}$$ 2. 按$$R_{1m}$$升序排序，选取后100只股票作为成分股 3. 采用近3个月日均成交量加权[28] - **因子评价**：在震荡市中表现优于动量因子，但对交易成本敏感[28] 3. **因子名称：风格拥挤度因子** - **构建思路**：通过换手率标准化差异衡量风格过热或过冷状态[122] - **具体构建过程**： 1. 计算风格指数近63个交易日的日均换手率$$T_{style}$$ 2. 计算万得全A同期换手率$$T_{benchmark}$$ 3. 对两者分别进行Z-score标准化： $$Z_{style} = \frac{T_{style} - \mu_{style}}{\sigma_{style}}$$ $$Z_{benchmark} = \frac{T_{benchmark} - \mu_{benchmark}}{\sigma_{benchmark}}$$ 4. 拥挤度=$$Z_{style} - Z_{benchmark}$$，再计算6年滚动分位数[122] 4. **因子名称：机构调研活跃度因子** - **构建思路**：反映机构对板块/行业的关注度差异[124] - **具体构建过程**： 1. 统计板块近126个交易日的日均调研次数$$V_{sector}$$ 2. 计算万得全A同期值$$V_{benchmark}$$ 3. 标准化后计算活跃度差值： $$Activity = \frac{V_{sector} - \mu_{sector}}{\sigma_{sector}} - \frac{V_{benchmark} - \mu_{benchmark}}{\sigma_{benchmark}}$$ 4. 取6年滚动分位数[124] 因子的回测效果 1. **长江动量因子** - 近一周超额收益3.3%，近一月1.7%，年初至今17.0%[26] - 当前拥挤度分位数11%（成长风格对比）[36] 2. **长江反转因子** - 近一周超额收益-1.9%，近一月4.5%，年初至今2.8%[26] - 与主动型基金规模呈负相关性（资金流入时反转效应减弱）[47] 3. **微盘股因子** - 较基金重仓股超额收益：近一周2.5%，近一月5.4%，年初至今42.0%[26] - 当前拥挤度分位数53%（历史均衡水平）[36] 4. **红利风格因子** - 当前估值分位数39%，ERP分位数98%（极高性价比）[68][80] - 与美债利率负相关性显著（利率下行时跑输成长）[44] 关键模型逻辑 1. **超额净值计算模型** - 以2016年1月4日为基准日，计算风格指数与万得全A的累计净值比[123] - 公式：$$ExcessReturn = \frac{P_{style,t}/P_{style,base}}{P_{benchmark,t}/P_{benchmark,base}} - 1$$ 2. **股债性价比模型(ERP)** - 计算逻辑：$$ERP = \frac{1}{PE_{TTM}} - Y_{10y\_bond}$$[71] - 当前万得全A的ERP为3.2%，处于64%历史分位[80] 3. **利率联动模型** - 美债利率与A股风格相关性： - 利率下行时大盘股/成长股占优（国证成长跑赢中证红利4.0%）[44] - 利率变动解释度达60%以上[18][19] （注：所有因子测试结果均基于2025年8月1日最新数据[26][36]）