量化模型与构建方式 1. **模型名称**：趋势资金事件驱动策略 **模型构建思路**：通过多维度识别趋势资金入场信号，批量生成事件信号并合成综合信号，构建稳定的事件驱动策略[1][2] **模型具体构建过程**： - **事件识别**：通过成交量、价格涨跌幅、波动率、量价相关性等指标的异常变化识别趋势资金行动，包括： - 成交量维度：基于大小单、主买/主卖方向、成交量/金额/笔数等168种组合[18][26] - 价格涨跌幅：极端放大或缩小（日内或滚动对比）[29][30] - 波动率：振幅或滚动标准差极端放大[31][32] - 量价相关性：超过2000种组合，包括量价对齐、错位等[33][34] - **信号定义**：计算趋势资金均价指标和净支撑量指标： - 均价指标：$$ \text{趋势资金分钟的VWAP}/\text{当日所有分钟的VWAP}-1 $$[11][39] - 净支撑量指标：$$ \text{支撑成交量}-\text{阻力成交量} $$（支撑/阻力成交量按分钟收盘价与均值的比较划分）[11][42] - 触发条件：均价指标<0或净支撑量指标>0[39] - **信号合成**：筛选低相关且有效的信号（如事件1-5），等权合成综合信号[40][44] **模型评价**：综合信号显著提升单一信号的稳定性和收益表现，持股数量更合理[44] 2. **模型名称**：负向信号风险股票池 **模型构建思路**：利用事件簇中提供负向超额的信号构建风险股票池[49] **模型具体构建过程**： - 筛选稳定提供负向超额的信号（如胜率低于50%）[49] - 合成负向综合信号并构建通道策略[49][53] **模型评价**：触发负向信号的股票持续跑输基准，适合作为风险剔除池[49][52] 3. **模型名称**：趋势资金择时策略 **模型构建思路**：基于触发信号股票数量的极端放大预测市场上涨[55] **模型具体构建过程**： - 当触发信号股票数>过去240日95%分位数时开仓，连续20日无信号则平仓[55] - 回测开仓胜率60.61%，平均收益2.49%[56][59] **模型评价**：信号对指数择时具有参考意义[55] --- 模型的回测效果 1. **趋势资金综合信号**： - 年化收益率：8.32% - 年化超额收益（vs中证800等权）：10.31% - IR：2.41 - 最大回撤：6.44% - 周均持股数：40只[44][47] 2. **负向综合信号**： - 年化收益率：-12.07% - 年化超额收益（vs基准）：7.49% - IR：0.43 - 最大回撤：77.02% - 周均持股数：16只[53][55] 3. **择时策略**： - 年化收益率：8.67%（vs基准-0.40%） - 开仓胜率：60.61% - 平均持仓收益：2.49%[56][59] --- 量化因子与构建方式 1. **因子名称**：趋势资金均价指标 **因子构建思路**：通过趋势资金交易时段的VWAP与全日的VWAP比较判断资金方向[11] **因子具体构建过程**： - 识别趋势资金交易分钟（如成交量>阈值）[9] - 计算$$ \text{均价指标}=\frac{\text{趋势资金分钟VWAP}}{\text{全日VWAP}}-1 $$[11][39] **因子评价**：反映趋势资金“高抛低吸”行为[11] 2. **因子名称**：趋势资金净支撑量指标 **因子构建思路**：通过支撑/阻力成交量差异判断资金净流入方向[11] **因子具体构建过程**： - 计算全日分钟收盘价均值，划分支撑/阻力成交量[11] - 计算$$ \text{净支撑量}=\text{支撑成交量}-\text{阻力成交量} $$[42] **因子评价**：捕捉资金内部结构变化[11] --- 因子的回测效果 1. **趋势资金均价指标（单信号）**： - 年化超额收益：3.36% - IR：1.37 - 周均持股数：650只[10][13] 2. **趋势资金净支撑量指标（单信号）**： - 年化超额收益：3.25% - IR：1.30 - 周均持股数：650只[10][13] 3. **事件簇信号（如事件1）**： - 年化超额收益：4.60% - IR：2.36 - 周均持股数：533只[43]

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红历史数据及当前分红预案信息，预测分红对股指期货各合约的影响[7][17] - **模型具体构建过程**： 1. **预估成分股净利润**：以年报公布的净利润为准[21] 2. **计算税前分红总额**： - 若已公布分红预案，直接采用税前分红总额[24] - 未公布预案的公司，假设分红率（分红金额/净利润）不变，计算税后分红总额[22] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$ 其中 \( w_{i0} \) 为初始权重，\( R \) 为涨跌幅[22] 4. **预测分红对各合约的影响值**： - 已公布除权除息日的公司，以公布日期为准[25] - 未公布日期的公司，参考最近一次分红的除息日或股东大会日 + 历史平均时间差[26][27] - 汇总交割日前所有分红，计算影响点数[26] - **模型评价**：依赖历史分红率和时间分布的假设，若市场环境突变（如分红率大幅变化），预测结果可能偏离实际[16][28] 2. **模型名称：股指期货理论定价模型** - **模型构建思路**：基于无套利条件，推导含分红影响的期货理论价格[28] - **模型具体构建过程**： 1. **离散红利分配情况**： - 期货定价公式： $$F_t = (S_t - D)(1 + r)$$ 其中 \( D \) 为红利现值，\( r \) 为无风险利率[28] 2. **连续红利分配情况**： - 期货定价公式： $$F_t = S_t e^{(r-d)(T-t)}$$ 其中 \( d \) 为年化红利率[29] --- 模型的回测效果 1. **分红预测模型** - **上证50（IH）**： - 8月合约年化对冲成本：-1.22%（365天）、-1.13%（243天）[10] - 分红剩余影响：0.05%[10] - **沪深300（IF）**： - 8月合约年化对冲成本：6.13%（365天）、5.71%（243天）[11] - 分红剩余影响：0.06%[11] - **中证500（IC）**： - 8月合约年化对冲成本：17.91%（365天）、16.69%（243天）[12] - 分红剩余影响：0.08%[12] - **中证1000（IM）**： - 8月合约年化对冲成本：19.73%（365天）、18.39%（243天）[13] - 分红剩余影响：0.05%[13] 2. **股指期货理论定价模型** - 未提供具体回测数据，仅作为理论参考[28][29] --- 量化因子与构建方式 （报告未涉及独立因子构建，仅通过模型间接体现分红影响因子） --- 关键数据补充 - **分红点数预测值（8月合约）**： - 上证50：1.42点 - 沪深300：2.59点 - 中证500：4.93点 - 中证1000：3.19点[5][9] - **合约升贴水状态**： - IH升水，IF/IC/IM贴水[8][9]

量化模型与构建方式 1. **模型名称**：港股多因子模型 **模型构建思路**：基于技术面、资金面、基本面和分析师预期四大类因子构建综合评分模型，筛选港股通成分股中表现优异的个股[40][41] **模型具体构建过程**： - 因子分类：技术面（如动量、波动率）、资金面（如南下资金净流入占比）、基本面（如PE、ROE）、分析师预期（如盈利预测调整） - 标准化处理：对每类因子进行标准化（Z-score）以消除量纲差异 - 加权合成：按预设权重（未披露具体比例）将四类因子综合评分，公式为： $$综合评分 = w_1 \cdot 技术面因子 + w_2 \cdot 资金面因子 + w_3 \cdot 基本面因子 + w_4 \cdot 分析师预期因子$$ - 组合构建：每月末选取评分最高的前20只个股等权构建组合，基准为港股综合指数(HKD)[40][42] **模型评价**：多因子框架覆盖全面，历史分组表现优异，但未披露因子权重细节可能影响透明度[40] 2. **因子名称**：资金面因子（南下资金净流入占比） **因子构建思路**：通过港股通持股明细计算南下资金净流入占比，反映资金偏好[20][25] **因子具体构建过程**： - 数据来源：香港联交所托管机构持股明细，分类为南下资金、外资、中资、港资及其他[20] - 计算净流入占比： $$南下资金净流入占比 = \frac{南下资金持仓市值}{四类经纪商持仓市值总和} \times 100\%$$ - 行业/个股应用：统计行业均值或个股占比，如电力设备及新能源行业南下资金净流入占比居前[25][35] 3. **因子名称**：基本面因子（PE、ROE） **因子构建思路**：采用传统估值与盈利指标筛选价值股[48][49] **因子具体构建过程**： - PEttm：滚动市盈率，公式为 $$PE = \frac{市值}{最近12个月净利润}$$ - ROEttm：滚动净资产收益率，公式为 $$ROE = \frac{最近12个月净利润}{净资产}$$ - 应用示例：8月组合增配低PE（如中国海洋石油PE=6.2）、高ROE（如美团ROE=22.1%）个股[48][49] --- 模型的回测效果 1. **港股多因子模型（港股优选20组合）** - 2025年7月超额收益率：6.8%（组合收益11.6% vs 基准4.8%）[42] - 全区间（2015.1~2025.7）年化超额收益率：13.9%[44] - 超额收益波动比：1.0[44] - 最大回撤：18.2%（全区间）[43] --- 量化因子与构建方式 1. **复合因子**：技术面+资金面+基本面+分析师预期 **因子评价**：多维度结合增强选股稳定性，但需注意因子间相关性[40][41] --- 因子的回测效果 1. **资金面因子（南下资金净流入占比）** - 2025年7月净流入前十个股平均收益：11.9%（如东方电气+42.9%）[38][39] 2. **基本面因子（PE/ROE）** - 8月组合低PE个股平均PE=12.3，高ROE个股平均ROE=19.6%（如联邦制药）[49] --- 注：引用文档范围覆盖模型、因子构建及测试结果的关键部分[20][25][35][38][39][40][41][42][43][44][48][49]

根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：通过衡量行业指数价格和成交金额变动的偏离程度，识别短期交易过热或过冷的行业[3][19] - **因子具体构建过程**： 1. 计算行业指数最近一周的价格变动和成交金额变动 2. 使用马氏距离（Mahalanobis Distance）衡量两者的联合偏离程度，公式为： $$D_M = \sqrt{(\mathbf{x} - \mathbf{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \mathbf{\mu})}$$ 其中，$\mathbf{x}$为价格和成交金额的变动向量，$\mathbf{\mu}$为均值向量，$\mathbf{S}^{-1}$为协方差矩阵的逆 3. 将结果划分为四个象限：第1象限（价量齐升）、第3象限（价量齐跌），椭圆置信区间外的点表示显著偏离（置信水平>99%）[19] - **因子评价**：能够有效捕捉短期交易情绪极端化的行业，但对数据频率和计算窗口敏感 2. **因子名称：行业估值因子（PE分位数）** - **因子构建思路**：基于行业PE历史分位数，识别估值极端高或低的行业[18][21] - **因子具体构建过程**： 1. 计算各行业当前PE值 2. 统计2019年以来的PE历史分位数，公式为： $$\text{分位数} = \frac{\text{当前PE排名}}{\text{总样本数}} \times 100\%$$ 3. 筛选分位数最高（如国防军工100%）和最低（如食品饮料9%）的行业[18] 因子回测效果 1. **行业拥挤度因子** - 近期显著信号：煤炭和建筑装饰行业出现短期交易超跌（第3象限椭圆外）[19] 2. **行业估值因子（PE分位数）** - 极端高估值行业：国防军工（100%）、计算机（100%）、钢铁（99%）[18] - 极端低估值行业：食品饮料（9%）、农林牧渔（11%）、家用电器（28%）[18] 其他数据指标（非因子相关） 1. **宽基指数表现** - 中证2000指数：今年以来涨幅20.99%（小盘风格最优）[8][9] - 沪深300指数：上周下跌1.75%，PE分位数75%[10][12] 2. **行业表现** - 医药生物：上周涨幅2.95%，今年以来涨幅22.31%[13][14][15] - 有色金属：今年以来涨幅24.78%，但上周下跌4.62%[14][15] 注：报告中未涉及复合模型或衍生因子，也未提供因子IC、IR等量化指标测试结果[1][2][3]

量化模型与构建方式 1. **模型名称：上涨家数占比情绪指标** - **模型构建思路**：通过计算指数成分股的近期正收益个数来判断市场情绪，强势股的持续上行能为整个板块带来机会[12] - **模型具体构建过程**： 1. 计算沪深300指数N日上涨家数占比： $$沪深300指数N日上涨家数占比 = \frac{沪深300指数成分股过去N日收益大于0的个股数}{成分股总数}$$ 2. 当指标高于70%时，市场情绪较高；低于阈值时可能预示风险[12] - **模型评价**：能较快捕捉上涨机会，但对下跌市场的判断存在缺陷，可能错失持续亢奋阶段的收益[12] 2. **模型名称：动量情绪指标择时策略** - **模型构建思路**：通过双重平滑处理上涨家数占比指标，捕捉短期与长期情绪趋势差异[13][15] - **模型具体构建过程**： 1. 对沪深300指数N日上涨家数占比分别计算窗口期为N1（慢线）和N2（快线）的移动平均，其中N1=230，N2=35[13] 2. 当快线>慢线时看多市场，反之持谨慎观点[15] - **模型评价**：快线慢线同步向上时能有效维持看多信号[16] 3. **模型名称：均线情绪指标** - **模型构建思路**：基于八均线体系划分趋势状态，通过价格与均线关系判断情绪区间[20][26] - **模型具体构建过程**： 1. 计算沪深300收盘价的8条均线（参数：8,13,21,34,55,89,144,233）[20] 2. 统计当日收盘价大于均线的数量，超过5条时看多[26] - **模型评价**：指标值与涨跌变化规律清晰，适用于短期情绪判断[20] 4. **模型名称：PB-ROE-50策略** - **模型构建思路**：结合PB-ROE定价模型与超预期因子（SUE、ROE同比增长）挖掘预期差股票[31] - **模型具体构建过程**： 1. 基于Wilcox（1984）模型筛选低PB高ROE股票 2. 通过SUE因子增强选股，最终构建50只股票组合[31] - **模型评价**：在中证800和全市场股票池中超额收益显著[31] 5. **模型名称：机构调研策略** - **模型构建思路**：利用公募/私募调研数据挖掘alpha，结合调研次数与股价相对表现选股[39] - **模型具体构建过程**： 1. 公募调研选股：筛选被调研次数多且调研前相对基准涨幅低的股票 2. 私募跟踪策略：聚焦知名私募调研标的[39] --- 量化因子与构建方式 1. **因子名称：有息负债率** - **因子构建思路**：衡量企业偿债压力，高值预示流动性风险[44] - **因子具体构建过程**： 1. 传统口径：$$传统有息负债率 = \frac{短期借款+长期借款+应付债券}{总资产}$$ 2. 宽松口径增加其他流动负债等科目[44] 2. **因子名称：财务成本负担率** - **因子构建思路**：从利润表角度量化企业还息压力[48] - **因子具体构建过程**： $$财务成本负担率 = \frac{利息费用}{息税前利润}$$ 数值>10倍表明财务风险极高[48] --- 模型的回测效果 1. **PB-ROE-50模型** - 中证500超额收益：0.59%（上月），3.62%（今年以来）[35] - 中证800超额收益：2.91%（上月），9.73%（今年以来）[35] - 全市场超额收益：2.34%（上月），10.36%（今年以来）[35] 2. **机构调研模型** - 公募调研选股IR：3.66%（上月），7.03%（今年以来）[42] - 私募跟踪策略IR：5.58%（上月），18.00%（今年以来）[42] --- 因子的回测效果 1. **有息负债率因子** - 宽松口径下前30名股票负债率均>44%，传统口径排名差异显著（如中毅达传统排名4732）[45] 2. **财务成本负担率因子** - 头部股票数值极高（辽宁成大为241084倍，银宝山新2314倍）[49]

量化模型与构建方式 1. **模型名称：PB-ROE-50组合** - **模型构建思路**：基于PB（市净率）和ROE（净资产收益率）两个核心财务指标，筛选出估值合理且盈利能力强的股票[25] - **模型具体构建过程**： 1. 从中证800股票池中筛选股票 2. 计算每只股票的PB和ROE值 3. 按PB从低到高、ROE从高到低排序 4. 选取排名前50的股票构建组合[25] - **模型评价**：该组合在中证800股票池中表现优异，超额收益显著[25] 2. **模型名称：机构调研组合** - **模型构建思路**：跟踪公募和私募机构的调研行为，选取被频繁调研的股票[28] - **模型具体构建过程**： 1. 统计机构调研数据 2. 筛选近期被密集调研的股票 3. 分为公募调研选股和私募调研跟踪两个子策略[28] - **模型评价**：近期表现不佳，获取负超额收益[28] 3. **模型名称：大宗交易组合** - **模型构建思路**：基于"高成交、低波动"原则，筛选大宗交易中具有超额收益潜力的股票[32] - **模型具体构建过程**： 1. 计算"大宗交易成交金额比率" 2. 计算"6日成交金额波动率" 3. 选择成交金额比率高且波动率低的股票 4. 月频调仓[32] - **模型评价**：长期表现优异，今年以来超额收益率达28.91%[33] 4. **模型名称：定向增发组合** - **模型构建思路**：利用定向增发事件效应，筛选具有投资价值的股票[38] - **模型具体构建过程**： 1. 以股东大会公告日为时间节点 2. 综合考虑市值因素 3. 控制调仓周期和仓位[38] - **模型评价**：在再融资政策收紧背景下仍保持较好表现[38] 模型的回测效果 1. **PB-ROE-50组合** - 中证500超额收益：0.62%（本周），3.61%（今年以来）[26] - 中证800超额收益：2.14%（本周），9.77%（今年以来）[26] - 全市场超额收益：0.76%（本周），10.18%（今年以来）[26] 2. **机构调研组合** - 公募调研选股：-0.67%（本周），6.65%（今年以来）[29] - 私募调研跟踪：-0.55%（本周），17.80%（今年以来）[29] 3. **大宗交易组合** - 超额收益：0.75%（本周），28.91%（今年以来）[33] 4. **定向增发组合** - 超额收益：1.55%（本周），9.32%（今年以来）[39] 量化因子与构建方式 1. **大类因子** - beta因子：本周收益0.73%[20] - 残差波动率因子：本周收益0.60%[20] - 规模因子：本周收益-0.51%[20] - 非线性市值因子：本周收益-0.40%[20] 2. **单因子表现（沪深300股票池）** - 表现最好： - 总资产毛利率TTM：2.64%[12] - 单季度总资产毛利率：2.37%[12] - 单季度ROA：2.28%[12] - 表现最差： - 标准化预期外盈利：-0.86%[12] - 5日成交量的标准差：-1.00%[12] - 动量调整小单：-1.10%[12] 3. **单因子表现（中证500股票池）** - 表现最好： - 单季度总资产毛利率：1.39%[14] - 5日反转：1.17%[14] - 总资产毛利率TTM：0.95%[14] - 表现最差： - 动量调整大单：-0.87%[14] - 日内波动率与成交金额的相关性：-1.31%[14] - 下行波动率占比：-1.48%[14] 4. **单因子表现（流动性1500股票池）** - 表现最好： - 总资产毛利率TTM：1.35%[18] - 单季度总资产毛利率：1.27%[18] - 单季度营业收入同比增长率：0.93%[18] - 表现最差： - 成交量的5日指数移动平均：-1.45%[18] - 5日成交量的标准差：-1.53%[18] - 下行波动率占比：-1.58%[18] 5. **行业内因子表现** - 净资产增长率因子：在传媒、通信行业正收益明显[23] - 净利润增长率因子：在家用电器、纺织服装、传媒行业表现较好[23] - 每股净资产因子：在通信、计算机行业表现较好[23] - 5日动量因子：在休闲服务、食品饮料行业动量效应明显[23] - BP因子：在美容护理行业表现较好[23] - EP因子：在综合行业表现较好[23] 因子的回测效果 1. **沪深300股票池因子** - 总资产毛利率TTM：最近1周2.64%，最近1个月2.18%[13] - 单季度总资产毛利率：最近1周2.37%，最近1个月2.16%[13] - 单季度ROA：最近1周2.28%，最近1个月5.83%[13] 2. **中证500股票池因子** - 单季度总资产毛利率：最近1周1.39%，最近1个月0.96%[15] - 5日反转：最近1周1.17%，最近1个月3.43%[15] - 总资产毛利率TTM：最近1周0.95%，最近1个月0.42%[15] 3. **流动性1500股票池因子** - 总资产毛利率TTM：最近1周1.35%，最近1个月0.23%[19] - 单季度总资产毛利率：最近1周1.27%，最近1个月-0.15%[19] - 单季度营业收入同比增长率：最近1周0.93%，最近1个月0.62%[19] 4. **行业内因子** - 每股经营利润TTM因子：在通信、综合行业正收益明显[24] - 1月动量因子：在休闲服务、食品饮料行业动量效应明显[24] - 对数市值因子：在综合行业表现较好[24] - 残差波动率因子：在国防军工、建筑材料行业表现较好[24] - 流动性因子：在建筑材料、医药生物行业正收益明显[24]

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：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][12][17][19] - **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. 计算各合约存续期内分红点位占比 3. 公式： $$年化基差 = (实际基差 + 预期分红点位)/指数价格 \times 360/合约剩余天数$$ 4. 示例：中证500指数在IC2512合约存续期内分红点位预估为4.82，占比0.08%[9] 2. **模型名称：期现对冲策略（连续对冲/最低贴水）** - **模型构建思路**：利用股指期货基差收敛特性优化对冲效果[46][47][48] - **模型具体构建过程**： - **连续对冲策略**： 1. 现货端持有全收益指数，期货端做空等额名义本金合约 2. 调仓规则：持有季月/当月合约至到期前2日切换 - **最低贴水策略**： 1. 每日计算所有可交易合约年化基差 2. 选择贴水幅度最小的合约开仓，持有8个交易日或到期前2日切换[48] 3. **模型名称：Cinda-VIX/SKEW指数** - **模型构建思路**：反映期权市场对标的资产波动率和尾部风险的预期[64][72] - **模型具体构建过程**： 1. 调整海外VIX/SKEW算法适应国内期权市场 2. 计算不同期限（30/60/90/120日）隐含波动率偏斜特征 3. SKEW公式： $$SKEW = 100 + 10 \times (虚值看跌期权IV - 虚值看涨期权IV)$$[72] --- 模型的回测效果 | 模型名称 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | |-------------------------|------------|--------|----------|----------|------------| | IC季月连续对冲 | -1.90% | 4.73% | -8.34% | 0.9440 | 4 |[50]| | IF最低贴水策略 | 1.38% | 3.11% | -4.06% | 1.0420 | 15.27 |[55]| | IH季月连续对冲 | 2.00% | 3.51% | -3.75% | 1.0615 | 4 |[59]| | IM最低贴水策略 | -3.84% | 5.57% | -11.11% | 0.8852 | 15.91 |[61]| --- 量化因子与构建方式 1. **因子名称：年化基差因子** - **因子构建思路**：反映期货合约相对现货的溢价/折价水平[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. 叠加预期分红调整： $$调整后基差 = 实际基差 + 存续期内未实现分红$$ 3. 年化处理： $$年化基差 = 调整后基差/指数价格 \times 360/剩余天数$$[21] 2. **因子名称：SKEW因子** - **因子构建思路**：衡量市场对尾部风险的担忧程度[72][73] - **因子具体构建过程**： 1. 提取不同行权价期权的隐含波动率(IV) 2. 计算虚值看跌与看涨期权的IV差值 3. 标准化处理：SKEW>100表示担忧尾部风险[73] --- 因子的回测效果 | 因子名称 | 当前值 | 历史分位 | |----------------|--------------|------------| | 沪深300SKEW | 106.06点 | >97%分位 |[73]| | 中证1000SKEW | 110.41点 | >97%分位 |[73]| | 中证500VIX | 23.22 | - |[64]| | IC年化基差 | -10.33% | 低于中位数 |[22]|

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**：打新收益测算模型 **模型构建思路**：通过假设账户参与所有新股的打新，计算单账户的个股打新收益情况，并按照新股上市日期统计月度、季度、年度数据[40] **模型具体构建过程**： - 单账户个股打新收益计算公式： $$单账户个股打新收益 = min（账户规模，申购上限） \times 中签率 \times 收益率$$ - A/B/C类投资者打满收益计算公式： $$A/B/C类投资者打满收益 = 申购上限 \times A/B/C类网下中签率 \times 收益率$$ 其中： - 中签率考虑个股网下打新实际中签结果 - 收益率方面，对于科创板和创业板上市的新股以及全面注册制下主板上市新股，采用上市首日成交均价相对发行价的涨跌幅；非注册制下主板上市新股采用开板当日成交均价相对于发行价的涨跌幅[40] 2. **模型名称**：基金产品打新表现模型 **模型构建思路**：计算基金产品的打新参与度与报价入围率，并根据其实际参与和获配的新股股数测算基金产品的打新收益[57] **模型具体构建过程**： - 参与度计算公式： $$参与度 = \frac{参与报价新股数}{网下询价发行新股总数}$$ - 报价入围率计算公式： $$报价入围率 = \frac{有效报价个数}{参与报价新股数}$$ - 以最新基金季报公布的基金产品规模为基准计算基金产品的打新收益率[57] 模型的回测效果 1. **打新收益测算模型** - 2025年7月，5亿规模账户主板打新收益率：A类0.159%、C类0.141%[41] - 创业板打新收益率：A类0.035%、C类0.034%[41] - 科创板打新收益率：A类0.064%、C类0.063%[41] - 2025年7月，A类账户5亿规模账户当月打新收益率约为0.257%，2025年累计收益1.000%；C类账户5亿规模账户当月打新收益率约为0.238%，2025年累计收益0.908%[47] 2. **基金产品打新表现模型** - 2025年7月，打新参与度>=90%、报价入围率>=85%、且最新基金季报披露规模在2-5亿的基金产品中，估算收益率较高的20只基金，如中欧沪深300指数A估算收益率为0.337%[58] 量化因子与构建方式 1. **因子名称**：中签率因子 **因子构建思路**：反映网下打新实际中签结果[40] **因子具体构建过程**：直接采用个股网下打新实际中签结果[40] 2. **因子名称**：收益率因子 **因子构建思路**：反映新股上市后的涨跌幅[40] **因子具体构建过程**： - 对于科创板和创业板上市的新股以及全面注册制下主板上市新股，采用上市首日成交均价相对发行价的涨跌幅 - 非注册制下主板上市新股采用开板当日成交均价相对于发行价的涨跌幅[40] 因子的回测效果 1. **中签率因子** - 2025年7月，主板网下中签率：A类0.12‰、C类0.12‰[22] - 双创板块网下中签率：A类0.33‰、C类0.33‰[22] 2. **收益率因子** - 2025年7月，主板新股上市首日平均涨幅为276.29%[22] - 双创板块新股上市首日平均涨幅为265.28%[22]

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[9][10] - **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）构建复合信号 2. **风险控制**：约束行业暴露、风格暴露（如市值中性）、个股权重偏离（最大1%）[38][39] 3. **组合优化**：采用目标函数最大化因子暴露，约束条件包括： $$ \begin{array}{ll} max & f^{T}w \\ s.t. & s_{l} \leq X(w-w_{b}) \leq s_{h} \\ & h_{l} \leq H(w-w_{b}) \leq h_{h} \\ & w_{l} \leq w-w_{b} \leq w_{h} \\ & b_{l} \leq B_{b}w \leq b_{h} \\ & \mathbf{0} \leq w \leq l \\ & \mathbf{1}^{T}w = 1 \end{array} $$ 其中$f$为因子向量，$w$为权重，$X$为风格暴露矩阵，$H$为行业暴露矩阵[38][39] 量化因子与构建方式 1. **因子名称**：单季ROA - **构建思路**：衡量企业单季度总资产收益率，反映短期盈利能力[15] - **具体构建**： $$ \text{单季ROA} = \frac{\text{单季度归母净利润} \times 2}{\text{期初总资产 + 期末总资产}} $$ - **因子评价**：在沪深300和中证A500中近期表现突出，稳定性较高[17][23] 2. **因子名称**：标准化预期外收入（SUR） - **构建思路**：衡量实际收入与预期收入的偏离程度[15] - **具体构建**： $$ SUR = \frac{\text{单季度实际营业收入 - 预期营业收入}}{\text{预期营业收入标准差}} $$ - **因子评价**：在中证500和中证1000中近期有效性显著[19][21] 3. **因子名称**：DELTAROA - **构建思路**：反映企业盈利能力同比改善[15] - **具体构建**： $$ DELTAROA = \text{当期单季ROA} - \text{去年同期单季ROA} $$ - **因子评价**：在公募重仓指数中持续有效[25] 4. **因子名称**：三个月反转 - **构建思路**：捕捉短期价格反转效应[15] - **具体构建**： $$ \text{三个月反转} = -\text{过去60交易日涨跌幅} $$ - **因子评价**：近期在沪深300和中证1000中表现较差[17][21] 模型回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.47%，本年9.69%[12] - 中证500增强：本周超额0.92%，本年10.86%[12] - 中证1000增强：本周超额0.08%，本年15.70%[12] - 中证A500增强：本周超额1.00%，本年10.95%[12] 2. **公募指数增强产品**： - 沪深300增强：中位数本周0.13%，本年2.94%[30] - 中证500增强：中位数本周0.16%，本年4.27%[32] - 中证1000增强：中位数本周0.21%，本年7.21%[34] 因子回测效果 1. **沪深300样本空间**： - 单季ROA：本周1.09%，年化IR 3.43%[17] - 标准化预期外收入：本周0.73%，年化IR 4.58%[17] - 三个月反转：本周-0.53%，年化IR 1.13%[17] 2. **中证1000样本空间**： - 标准化预期外盈利：本周1.00%，年化IR 8.89%[21] - 一个月波动：本周-1.14%，年化IR 2.44%[21] 3. **公募重仓样本空间**： - DELTAROA：本周1.12%，年化IR 4.03%[25] - 预期PEG：本周0.94%，年化IR 1.72%[25] 注：所有因子测试均通过MFE组合构建，控制行业/风格中性[38][39]

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：港股精选组合** - **构建思路**：基于分析师推荐事件（上调盈利预测、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选出超预期股票[13][14] - **具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖、标题含"超预期"的研报事件 2. 基本面筛选：从事件池中选取盈利增速、ROE等指标优于行业的股票 3. 技术面筛选：结合股价动量（如250日涨跌幅前20%）和路径平滑性（位移路程比）[14][22] - **模型评价**：长期超额收益显著，但对市场波动敏感（如2023年超额收益仅0.25%）[18] 2. **因子名称：平稳创新高因子** - **构建思路**：筛选股价创250日新高且趋势稳定的股票，结合分析师关注度与价格路径特征[19][21] - **具体构建过程**： 1. 基础筛选：过去20个交易日内创250日新高，且上市时间>15个月[22] 2. 分析师关注度：过去6个月买入/增持研报≥5份[22] 3. 价格路径指标： - 位移路程比 = $$1-\frac{\sum_{t=1}^{120}|r_t|}{\sqrt{\sum_{t=1}^{120}r_t^2}}$$ （r_t为日收益率）[22] - 250日新高距离均值 = $$\frac{1}{120}\sum_{t=1}^{120}(1-\frac{Close_t}{MaxClose_{250}})$$ [21] 4. 综合排序：对上述指标标准化后加权打分，取前50名[22] 回测效果 1. **港股精选组合** - 年化收益19.11%，超额收益18.48%（vs恒生指数）[14] - 信息比率(IR)1.22，最大回撤23.73%[18] - 2025年超额收益24.56%（绝对收益46.74%）[16] 2. **平稳创新高因子** - 入选股票平均250日涨跌幅176.3%（医药板块最高达615.9%）[27] - 创新高后20日平均收益12.7%（科技板块最高38.5%）[27] 关键指标说明 - **250日新高距离**：$$1-\frac{Close_t}{ts\_max(Close,250)}$$ [21] - **位移路程比**：衡量价格路径平滑性，越接近1趋势越稳定[22] 注：报告中未提供平稳创新高因子的多空回测指标（如IC、IR），仅展示了个股筛选结果[27]