量化模型与构建方式 1. **模型名称：A股行业轮动模型** - **模型构建思路**：通过资金、估值、情绪、动量、超买超卖和盈利6个因子构建打分体系，综合评估行业表现[17] - **模型具体构建过程**： 1. **资金因子**：以行业主力资金净流入率计算 2. **估值因子**：行业当前估值在过去1年的分位数 3. **情绪因子**：行业成分股上涨比例 4. **动量因子**：MACD指标 5. **超买超卖因子**：RSI指标 6. **盈利因子**：行业一致预测EPS在过去1年的分位数 各因子标准化后加权求和得到综合评分[17] - **模型评价**：多维度捕捉行业轮动特征，但需注意因子权重设置的合理性[17] 2. **模型名称：共识度选股模型** - **模型构建思路**：结合行业动量、估值、高频资金流与价格走势相似度筛选个股[20] - **模型具体构建过程**： 1. 筛选过去30天涨幅前三的申万二级行业 2. 计算个股的月度动量因子、估值因子和上涨频率 3. 通过高频分钟数据计算资金流变化 4. 计算资金流与价格走势的相似度（具体算法未披露） 5. 按相似度排名选出各二级行业前5名股票[20] - **模型评价**：兼顾基本面与市场行为，但高频数据处理复杂度较高[20] --- 量化因子与构建方式 1. **因子名称：主力资金净流入率（资金因子）** - **因子构建思路**：统计大额交易单反映主力资金动向[12] - **因子具体构建过程**： 1. 定义主力资金单笔成交：≥10万股或≥20万元 2. 按申万一级行业汇总每日净流入额 3. 计算标准化净流入率： $$ \text{净流入率} = \frac{\text{行业净流入额}}{\text{行业总成交额}} $$ [12] 2. **因子名称：估值分位数（估值因子）** - **因子构建思路**：衡量行业当前估值的历史位置[17] - **因子具体构建过程**： 1. 选取行业PE/PB等指标 2. 计算过去1年滚动分位数 $$ \text{分位数} = \frac{\text{当前值 - 最小值}}{\text{最大值 - 最小值}} $$ [17] 3. **因子名称：MACD（动量因子）** - **因子构建过程**： 1. 计算行业指数12日/26日EMA $$ EMA_{12} = \text{前日EMA}_{12} \times \frac{11}{13} + \text{当日收盘价} \times \frac{2}{13} $$ $$ EMA_{26} = \text{前日EMA}_{26} \times \frac{25}{27} + \text{当日收盘价} \times \frac{2}{27} $$ 2. 计算DIF与DEA： $$ DIF = EMA_{12} - EMA_{26} $$ $$ DEA = \text{DIF的9日EMA} $$ 3. MACD柱 = (DIF - DEA) × 2[17] 4. **因子名称：RSI（超买超卖因子）** - **因子构建过程**： 1. 计算行业指数14日平均涨幅/跌幅 $$ RS = \frac{\text{平均涨幅}}{\text{平均跌幅}} $$ 2. 标准化： $$ RSI = 100 - \frac{100}{1+RS} $$ [17] --- 模型的回测效果 1. **A股行业轮动模型** - 综合评分最高行业：综合（10分）、有色金属（10分）[19] - 综合评分最低行业：银行（-15分）、石油石化（-9分）[19] - 因子贡献分布： - 综合行业：资金（++）、估值（+++）、动量（+++）[19] - 银行行业：资金（---）、情绪（--）、盈利（---）[19] 2. **共识度选股模型** - 本期选股行业：通信设备、地面兵装Ⅱ、元件[21] - 选股结果示例： - 通信设备：新易盛、移远通信[21] - 地面兵装Ⅱ：长城军工、光电股份[21] --- 因子的回测效果 1. **主力资金净流入因子** - 5日净流入前五行业：非银金融（94.57亿元）、建筑装饰（4.85亿元）[13] - 30日净流入前五行业：煤炭（-8.82亿元）、综合（-16.5亿元）[14] 2. **估值分位数因子** - 高分位行业：综合（+++）、有色金属（++）[19] - 低分位行业：银行（---）、石油石化（---）[19] 3. **动量因子（MACD）** - 强势行业：电子（+++）、综合（+++）[19] - 弱势行业：交通运输（---）、银行（--）[19] 4. **超买超卖因子（RSI）** - 超买行业：电子（+++）、通信（+++）[19] - 超卖行业：医药生物（---）、传媒（---）[19]

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. **模型名称**：恒生港股通科技主题指数 **模型构建思路**：聚焦TMT板块，剔除医药、家电、汽车等行业，确保科技主题投资的纯度[28][29] **模型具体构建过程**： - 选股范围：具备港股通南向交易资格且恒生行业分类属于资讯科技类、电子零件、互动媒体及服务、线上零售商、支付服务的股票[34] - 筛选条件：最近6个月日均总市值排名前30的股票[34] - 加权方式：流通市值加权，个股权重上限10%[34] - 调整频率：每半年调整一次成分股[34] **模型评价**：行业分布集中，科技属性纯粹，避免了不同行业逻辑差异对收益的稀释[28][29] 2. **模型名称**：恒生科技指数 **模型构建思路**：覆盖与科技主题高度相关的行业，包括网络、金融科技、云端、电子商务等[34] **模型具体构建过程**： - 选股范围：恒生行业分类属于工业、非必需性消费、医疗保健、金融、资讯科技业的股票[34] - 筛选条件：满足科技平台运营、研发支出占比≥5%或收入同比增长≥10%之一，并选取市值最大的30只股票[34] - 加权方式：流通市值加权，个股权重上限8%[34] - 调整频率：每季度调整一次成分股[34] 3. **模型名称**：中证港股通科技指数 **模型构建思路**：覆盖通信、互联网、医药生物、电子、半导体等科技相关行业[34] **模型具体构建过程**： - 选股范围：中证港股通综合指数样本中科技相关行业的股票[34] - 筛选条件：剔除过去两年营收增速连续为负且研发投入占比<3%的股票（中证二级行业前三豁免），选取最近一年日均总市值前50的股票[34] - 加权方式：市值加权，个股权重上限10%[34] - 调整频率：每半年调整一次成分股[34] 4. **模型名称**：国证港股通科技指数 **模型构建思路**：聚焦互联网、电子、通信设备、生物科技等科技领域[34] **模型具体构建过程**： - 选股范围：具备互联互通标的资格且主营业务属于科技相关领域的股票[34] - 筛选条件：近两年营收复合增长率>10%或近一年研发费用占比>5%，剔除流动性后10%的股票，选取最近一年日均总市值前30的股票[34] - 加权方式：流通市值加权，个股权重上限15%（前五大合计≤60%）[34] - 调整频率：每半年调整一次成分股[34] 模型的回测效果 1. **恒生港股通科技主题指数**： - 近一年年化收益率55.90%，近三年年化收益率8.83%[43] - 2025年上半年涨跌幅超18%，年内最高收益达30%以上[23][24] - 当前PE-TTM约20倍，低于2020年7月以来9%分位数[6][8] 2. **恒生科技指数**： - 当前PE-TTM约20倍，PB-LF 2.89倍，分别处于历史8.5%和58%分位数[8][9][11] - 2025年上半年涨跌幅与恒生港股通科技主题指数接近[24] 3. **中证港股通科技指数**： - 行业分布包含20.94%的汽车与零配件和11.31%的医药生物[36] 4. **国证港股通科技指数**： - 行业分布包含12.14%的汽车与零配件和10.40%的医药生物[36] 量化因子与构建方式 （注：研报中未明确提及独立因子的构建，主要围绕指数编制规则展开，故本部分暂缺） 因子的回测效果 （注：研报中未提供独立因子的测试结果，故本部分暂缺） 补充说明 - **行业分布对比**：恒生港股通科技主题指数在信息技术（66.55%）、可选消费（18.25%）、通讯服务（15.20%）的分布更集中，而其他指数包含医药、汽车等非核心科技行业[33][36] - **市值分布**：恒生港股通科技主题指数成分股中市值≥1000亿港元的占比26.67%，流动性较好[40][42]

量化模型与构建方式 1. **模型名称**：风格轮动型基金优选组合 **模型构建思路**：基于成长价值与大小盘两个维度，通过基金在两个报告期的股票持仓构建绝对主动轮动指标，识别风格轮动型基金，并利用主动轮动收益因子优选基金[3] **模型具体构建过程**： - 计算基金持仓的风格暴露变化，剔除被动调整部分，保留主动调整部分 - 构建绝对主动轮动指标： $$主动轮动指标 = \sum_{i=1}^{n} |w_{i,t} - w_{i,t-1}|$$ 其中$w_{i,t}$为第$i$只股票在$t$期的权重 - 根据主动轮动收益因子（风格轮动带来的超额收益）筛选基金[3] **模型评价**：能够有效捕捉基金经理主动调整风格的能力 2. **模型名称**：基于基金特征和基金能力的综合选基策略 **模型构建思路**：从基金规模、持有人结构、业绩动量、选股能力等维度构建选基因子，等权重合成[4] **模型具体构建过程**： - 基金规模类因子：合并口径的基金规模、份额 - 持有人结构类因子：员工持有份额占比 - 业绩动量类因子：由4因子模型alpha、夏普比率、区间胜率、HM择时能力系数等权合成 - 选股能力因子：基于Brinson模型计算选股胜率和超额收益 - 隐形交易能力因子：结合收益和风险贡献 - 含金量因子：考察重仓股中券商金股占比[4] 3. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略 **模型构建思路**：结合交易动机（估值/流动性动机、业绩粉饰动机）与股票价差收益筛选基金[5] **模型具体构建过程**： - 交易动机因子： - 估值/流动性动机：根据资金流与股票买卖金额、大额成交占比计算 - 业绩粉饰动机：通过特定交易行为识别 - 股票价差收益因子：从基金利润表股票投资收益科目提取[5] 4. **模型名称**：基金经理持股网络交易独特性选基策略 **模型构建思路**：基于基金经理持股交易数据构建网络，计算交易独特性指标[6] **模型具体构建过程**： - 构建基金经理关联网络 - 计算每位基金经理与关联基金经理的交易差异度 - 生成交易独特性因子[6] 模型的回测效果 1. **风格轮动型基金优选组合** - 6月收益率：4.45% - 年化收益率：9.05% - 年化波动率：19.67% - Sharpe比率：0.46 - 最大回撤：37.30% - 年化超额收益：3.43% - IR：0.46[3] 2. **基于基金特征和基金能力的综合选基策略** - 6月收益率：4.26% - 年化收益率：13.09% - 年化波动率：22.51% - Sharpe比率：0.58 - 最大回撤：44.27% - 年化超额收益：4.92% - IR：0.61[4] 3. **基于交易动机因子及股票价差收益因子的选基策略** - 6月收益率：6.47% - 年化收益率：9.03% - 年化波动率：21.66% - Sharpe比率：0.42 - 最大回撤：48.39% - 年化超额收益：3.09% - IR：0.53[5] 4. **基金经理持股网络交易独特性选基策略** - 6月收益率：5.38% - 年化收益率：9.86% - 年化波动率：19.51% - Sharpe比率：0.51 - 最大回撤：37.26% - 年化超额收益：4.30% - IR：0.85[6] 量化因子与构建方式 1. **因子名称**：绝对主动轮动指标 **因子构建思路**：衡量基金风格主动调整程度[3] **因子具体构建过程**： $$指标值 = \sum_{i=1}^{n} |w_{i,t} - w_{i,t-1}|$$ 其中$w_{i,t}$为股票$i$在$t$期持仓权重[3] 2. **因子名称**：主动轮动收益因子 **因子构建思路**：量化风格轮动带来的超额收益[3] **因子具体构建过程**： - 计算基金风格暴露变化 - 结合同期风格因子收益计算贡献[3] 3. **因子名称**：交易独特性因子 **因子构建思路**：衡量基金经理交易行为差异化程度[6] **因子具体构建过程**： - 构建基金经理交易相似度矩阵 - 计算个体与网络平均交易的偏离度[6] 因子的回测效果 （注：报告中未单独披露因子IC、IR等具体数值）

根据提供的证券研究报告内容，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. 短期量化择时模型 - **模型构建思路**：通过基本面、估值面、情绪面、流动性四个维度的指标综合判断市场短期走势[17][20][22] - **具体构建过程**： 1. **基本面指标**：制造业PMI分位数（44.92%）、中长期贷款余额同比增速分位数（0.00%）、M1同比增速分位数（77.97%）[17] 2. **估值面指标**：A股整体PE分位数（92.80%）、PB分位数（71.05%）[18] 3. **情绪面指标**：Beta离散度分位数（40.68%）、量能情绪分位数（72.70%）、波动率分位数（12.99%）[20] 4. **流动性指标**：货币利率指标分位数（33.90%）、汇率预期指标分位数（40.68%）、融资额分位数（80.81%）[20] 5. 采用加权打分机制，各维度信号权重均衡，最终输出乐观/中性/谨慎信号[22] 2. 成长价值轮动模型 - **模型构建思路**：基于盈利周期、利率周期、信贷周期构建基本面信号，结合估值差和情绪指标进行风格判断[32][34] - **具体构建过程**： 1. **基本面信号**： - 盈利周期斜率=4.17（利好成长） - 利率综合周期水平=9.17（利好价值） - 信贷综合周期变化=-3.33（利好价值）[32] 2. **估值信号**： - 成长价值PE差分位数=15.19% - PB差分位数=34.08%（均利好成长）[32] 3. **情绪信号**： - 换手差分位数=21.01%（利好价值） - 波动差分位数=20.58%（均衡）[32] 4. 采用三级信号加权体系，最终输出成长/价值配置比例[34] 3. 小盘大盘轮动模型 - **模型构建思路**：与成长价值模型类似，但指标调整为小盘大盘特异性指标[36][38] - **具体构建过程**： 1. **基本面信号**： - 盈利周期斜率=4.17（利好小盘） - 利率综合周期水平=9.17（利好大盘） - 信贷综合周期变化=-3.33（利好大盘）[36] 2. **估值信号**： - 小盘大盘PE差分位数=80.60% - PB差分位数=99.59%（均利好大盘）[36] 3. **情绪信号**： - 换手差分位数=54.26%（均衡） - 波动差分位数=83.71%（利好大盘）[36] 4. 采用相同加权机制输出配置建议[38] 4. 四风格轮动模型 - **模型构建思路**：整合成长价值和小盘大盘模型的输出，形成四象限配置建议[31][43] - **具体构建过程**： 1. 接收成长价值模型输出（当前成长0%/价值100%）[32] 2. 接收小盘大盘模型输出（当前小盘50%/大盘50%）[36] 3. 按交叉组合计算配置比例： $$配置比例 = 成长价值权重 \times 小盘大盘权重$$[43] 4. 当前输出：小盘成长12.5%、小盘价值37.5%、大盘成长12.5%、大盘价值37.5%[31] --- 模型的回测效果 1. 短期择时模型 - 年化收益率：16.58%（基准4.26%）[21] - 年化超额收益率：12.32%[21] - 最大回撤：27.70%（基准31.41%）[21] - 夏普比率：0.9889（基准0.2440）[26] - 2024年以来年化收益率：27.68%（基准5.99%）[28] 2. 成长价值轮动模型 - 年化收益率：11.67%（基准6.77%）[33] - 年化超额收益率：4.90%[33] - 最大回撤：43.07%（基准44.13%）[35] - 夏普比率：0.5387（基准0.3231）[35] 3. 小盘大盘轮动模型 - 年化收益率：12.21%（基准6.85%）[37] - 年化超额收益率：5.36%[37] - 最大回撤：50.65%（基准53.70%）[40] - 夏普比率：0.5336（基准0.3210）[40] 4. 四风格轮动模型 - 年化收益率：13.17%（基准7.27%）[43] - 年化超额收益率：5.90%[43] - 最大回撤：47.91%（基准49.07%）[43] - 夏普比率：0.5895（基准0.3432）[43] --- 量化因子与构建方式 1. Beta离散度因子 - **构建思路**：衡量市场局部过热风险[2][20] - **计算方法**： $$Beta离散度 = \frac{1}{n}\sum_{i=1}^n (\beta_i - \bar{\beta})^2$$ 其中$\beta_i$为个股Beta值，$\bar{\beta}$为市场平均Beta[20] - **当前值**：-0.59%（过去5年40.68%分位数）[20] 2. 量能情绪因子 - **构建思路**：结合60日成交量与换手率布林带指标[20] - **计算方法**： $$量能情绪 = \frac{成交量 - 下轨}{上轨 - 下轨} \times 换手率Z值$$[20] - **当前值**：0.30（过去5年72.70%分位数）[20] 3. 估值差分位数因子 - **构建思路**：计算风格间PE/PB估值差的历史分位数[32][36] - **计算方法**： $$估值差分位数 = Percentile(\frac{PE_{风格A}}{PE_{风格B}})[32]$$ - **当前值**： - 成长价值PE差分位数=15.19%[32] - 小盘大盘PE差分位数=80.60%[36] --- 因子的回测效果 （注：报告中未单独披露因子级回测结果） --- 模型评价 1. **短期择时模型**：在多周期测试中表现稳健，尤其在波动控制方面显著优于基准[21][26] 2. **风格轮动模型**：基本面驱动逻辑明确，但2025年出现小幅超额收益回撤[33][37][43] 3. **因子设计**：Beta离散度因子能有效捕捉市场过热风险，量能情绪因子对短期趋势敏感[2][20]

量化模型与构建方式 1 模型名称：均线距离择时模型 模型构建思路：通过计算短期均线（20日）与长期均线（120日）的距离差异来判断市场整体环境（震荡或趋势）[1][10] 模型具体构建过程： - 计算Wind全A指数的20日均线（$$MA_{20}$$）和120日均线（$$MA_{120}$$） - 计算均线距离百分比： $$Distance = \frac{MA_{20} - MA_{120}}{MA_{120}} \times 100\%$$ - 设定阈值3%：若距离绝对值≥3%则触发趋势格局信号，否则为震荡格局[1][10] 模型评价：简单直观，但依赖历史均线数据，对市场突变反应可能滞后 2 模型名称：TWO BETA行业配置模型 模型构建思路：基于市场风险偏好和行业Beta特性筛选科技等高弹性板块[2][11] 模型具体构建过程： - 计算行业相对市场的Beta系数（如军工、通信等） - 结合宏观风险偏好变化（如业绩披露期、关税谈判）调整配置权重[2][11] 模型评价：适应性强，但对宏观事件敏感 3 模型名称：仓位管理模型 模型构建思路：结合估值分位数（PE/PB）和趋势信号动态调整仓位[3][12] 模型具体构建过程： - 计算Wind全A的PE（70分位）、PB（30分位）历史分位数 - 当PE分位数中等（70）、PB分位数较低（30）且趋势未突破时，建议仓位60%[3][12] 量化因子与构建方式 1 因子名称：均线距离因子 因子构建思路：反映短期与长期趋势偏离程度[1][10] 因子具体构建过程：同均线距离择时模型计算公式 因子评价：对市场格局切换有预警作用 2 因子名称：估值分位数因子 因子构建思路：通过PE/PB历史分位数判断市场估值水平[3][12] 因子具体构建过程： - 计算当前PE/PB在2014-2025年历史数据中的百分位排名[13][15] 模型的回测效果 1 均线距离择时模型： - 当前均线距离2.52%（未达3%阈值）[1][10] - 震荡格局判断准确率（未提供具体值） 2 仓位管理模型： - 当前建议仓位60%[3][12] 因子的回测效果 1 均线距离因子： - 最新值2.52%（20日均线5218，120日均线5090）[1][10] 2 估值分位数因子： - PE分位数70%，PB分位数30%[3][12]

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**：基于上市公司年报、分红预案及历史分红数据，预测指数成分股分红对股指期货合约的影响[9][20][23] - **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，未公布的公司结合快报、预警及分析师预测综合估算[21][23] 2. **计算税前分红总额**： - 已公布分红预案的公司直接采用税前分红总额[27] - A股分红总额 = 分红总额 × A股股本/总股本[27] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值[24] - 股息点 = 股票权重 × 股息率[24] - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[24] 4. **预测分红对各合约的影响值**： - 除权除息日预测：参考过去三年股东大会与除息日时间差的中位数[26] - 合约影响值 = 交割日前所有分红点数之和[26] - **模型评价**：依赖历史分红率假设，若市场分红率突变则预测偏差可能增大[29] 2. **模型名称**：股指期货定价模型（离散红利） - **模型构建思路**：基于无套利原理，考虑离散红利分配下的期货理论价格[29] - **模型具体构建过程**： - 期货定价公式： $$F_t = (S_t - D)(1 + r)$$ 其中 \(S_t\) 为现货价格，\(D\) 为红利现值，\(r\) 为无风险利率[29] - 红利现值计算： $$\mathbf{D}=\sum_{\mathrm{i=1}}^{\mathrm{m}}\mathbf{D}_{\mathrm{i}}\,/(1+\phi)$$ \(\phi\) 为相邻红利发放期间的无风险利率[29] 3. **模型名称**：股指期货定价模型（连续红利） - **模型构建思路**：将密集分红视为连续红利分配，简化定价计算[30] - **模型具体构建过程**： - 期货定价公式： $$F_t = S_t e^{(r-d)(T-t)}$$ 其中 \(d\) 为年化红利率，\(r\) 为无风险利率[30] --- 模型的回测效果 1. **分红预测模型**： - 上证50（IH2507）：年化对冲成本-4.89%（365天）[11] - 沪深300（IF2507）：年化对冲成本-2.72%（365天）[12] - 中证500（IC2507）：年化对冲成本12.34%（365天）[13] - 中证1000（IM2507）：年化对冲成本16.97%（365天）[14] 2. **股指期货定价模型**： - 理论价差与实际价差对比显示IH/IF升水、IC/IM贴水，与模型预测一致[11][12][13][14] --- 量化因子与构建方式 1. **因子名称**：分红剩余影响因子 - **因子构建思路**：反映分红对期货合约的剩余影响比例[15] - **因子具体构建过程**： - 计算合约剩余期限内未实施的分红点数[15] - 剩余影响比例 = 剩余分红点数 / 期货收盘价[11][12][13][14] 2. **因子名称**：年化对冲成本因子 - **因子构建思路**：衡量持有期货至到期的对冲成本[6] - **因子具体构建过程**： - 年化对冲成本 = (实际价差 - 分红点数) / 期货收盘价 × (365/剩余天数)[11][12][13][14] --- 因子的回测效果 1. **分红剩余影响因子**： - IH2507：0.82%[11] - IF2507：0.57%[12] - IC2507：0.16%[13] - IM2507：0.14%[14] 2. **年化对冲成本因子**： - IH2507：-4.89%（365天）[11] - IF2507：-2.72%（365天）[12] - IC2507：12.34%（365天）[13] - IM2507：16.97%（365天）[14]

量化模型与构建方式 1. **模型名称**：中性约束条件下最大化因子暴露组合 - **模型构建思路**：在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[20] - **模型具体构建过程**： 1. **股票池筛选**：剔除上市时间不满1年的新股及存在风险警示的股票[44] 2. **因子中性化**：对单因子进行行业、风格（规模、估值、成长）相关性中性化处理[45] 3. **组合优化**：通过线性规划或二次规划方法，在行业和风格中性约束下最大化因子暴露[20] - **模型评价**：有效控制行业和风格风险，聚焦因子纯收益 量化因子与构建方式 1. **因子名称**：估值因子（BP） - **因子构建思路**：衡量公司账面价值与市值的比率，捕捉低估值股票的超额收益[15] - **因子具体构建过程**： $$BP = \frac{\text{归属母公司股东权益}}{\text{总市值}}$$ 数据来源为财报归母股东权益和最新市值[15] - **因子评价**：长期有效但易受市场风格切换影响 2. **因子名称**：成长因子（SGRO+EGRO） - **因子构建思路**：综合营业收入和净利润增长率，反映公司成长性[15] - **因子具体构建过程**： $$SGRO = \text{每股营业收入回归斜率}/\text{均值}$$ $$EGRO = \text{每股归母净利润回归斜率}/\text{均值}$$ 使用过去5个财年年报数据线性回归[15] 3. **因子名称**：波动性因子（DASTD+CMRA+HSIGMA） - **因子构建思路**：通过历史波动率、累计收益范围及残差波动衡量股票风险[15] - **因子具体构建过程**： $$DASTD = \text{半衰加权超额收益标准差（半衰期40天）}$$ $$CMRA = \text{12个月累计最高收益-最低收益}$$ $$HSIGMA = \text{BETA回归残差标准差}$$[15] 4. **因子名称**：标准化预期外盈利 - **因子构建思路**：衡量盈利超预期程度，标准化处理增强可比性[19] - **因子具体构建过程**： $$\text{标准化预期外盈利} = \frac{\text{实际盈利-预期盈利}}{\text{历史盈利波动标准差}}$$ 预期盈利基于去年同期值+过去8季度增长均值[19] 模型的回测效果 1. **中性约束组合（沪深300）**： - 近一周超额收益：单季度EP（1.21%）、BP（1.14%）、EP_TTM（1.09%）[22] - 近一月超额收益：单季度EP（3.85%）、EP_TTM（3.44%）、单季度ROE（2.99%）[22] 2. **中性约束组合（中证500）**： - 近一周超额收益：单季度ROE（1.43%）、单季度ROE同比（1.18%）、EP_TTM（0.92%）[27] - 近一月超额收益：单季度ROE同比（3.41%）、单季度ROE（3.03%）、单季度EP（2.95%）[27] 因子的回测效果 1. **BP因子**： - 全市场Rank IC：近一周16.15%、近十年年化3.72%[45] - 沪深300多空收益：近一周1.14%、近十年年化3.68%[22] 2. **240日三因子模型残差波动率**： - 全市场Rank IC：近一周13.84%、近十年年化3.97%[45] - 中证1000超额收益：近一周-0.24%[37] 3. **60日动量因子**： - 全市场Rank IC：近一周11.67%、近十年年化-0.42%[45] - 沪深300超额收益：近一周0.17%、近一年-5.03%[22] 4. **标准化预期外盈利**： - 中证1000超额收益：近一周0.91%、近十年年化7.84%[37] - 全市场Rank IC：近一周6.15%、近十年年化2.08%[45] 风格因子表现 - **Beta因子**：近一周多空收益-2.89%，反映低Beta股票占优[17] - **波动性因子**：近一周多空收益-2.31%，低波动资产受青睐[17] - **估值因子**：近一周多空收益1.90%，防御特征显著[17]

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：行业拥挤度因子** - **因子构建思路**：通过计算行业指数价格变动与成交金额变动的马氏距离，衡量行业交易的拥挤程度[17] - **因子具体构建过程**： 1. 计算行业指数最近一周的价格变动序列和成交金额变动序列 2. 计算两组序列的协方差矩阵 3. 计算马氏距离公式： $$D_M = \sqrt{(\mathbf{x} - \mathbf{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \mathbf{\mu})}$$ 其中$\mathbf{x}$为观测值向量，$\mathbf{\mu}$为均值向量，$\mathbf{S}^{-1}$为协方差矩阵的逆[17] 4. 将结果划分为四个象限：第1象限（价量齐升）和第3象限（价量齐跌），椭圆外区域表示99%置信水平下的显著偏离[17] - **因子评价**：能够有效捕捉短期交易过热或过冷的异常状态[17] 因子回测效果 1. **行业拥挤度因子**： - 上周检测到建筑材料行业出现显著拥挤信号（第1象限椭圆外）[18] 其他量化指标 1. **宽基指数估值因子**： - 当前沪深300 PE 13.23倍（分位数78%），创业板指PE 32.38倍（分位数27%）[9] 2. **行业估值因子**： - 计算机行业PE最高（81.86倍），银行最低（7.12倍）[14] - 钢铁行业PE分位数达100%，食品饮料仅8%[16] 注：报告中未提及其他量化模型或复合因子构建方法[1][2][3]

量化因子与构建方式 1. **因子名称**：单季EP - **因子构建思路**：衡量单季度归母净利润与总市值的比值，反映公司短期盈利能力[18] - **因子具体构建过程**： $$单季EP = \frac{单季度归母净利润}{总市值}$$ 数据来源为财报披露的单季度净利润和实时市值[18] 2. **因子名称**：EPTTM - **因子构建思路**：采用滚动12个月净利润与市值的比值，反映持续盈利能力[18] - **因子具体构建过程**： $$EPTTM = \frac{归母净利润TTM}{总市值}$$ 通过连续四个季度的净利润加总计算TTM值[18] 3. **因子名称**：DELTAROE - **因子构建思路**：计算净资产收益率的同比变化，捕捉盈利能力的边际改善[18] - **因子具体构建过程**： $$DELTAROE = ROE_{当期} - ROE_{去年同期}$$ 其中ROE计算采用： $$ROE = \frac{单季度归母净利润×2}{期初净资产+期末净资产}$$[18] 4. **因子名称**：标准化预期外盈利 - **因子构建思路**：衡量实际盈利与市场预期的偏离程度[18] - **因子具体构建过程**： $$SUE = \frac{实际净利润 - 预期净利润}{预期净利润标准差}$$ 使用分析师一致预期数据计算标准化差异[18] 5. **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[18] - **因子具体构建过程**： $$三个月反转 = -1 × 过去60交易日收益率$$ 取负值使得因子方向与收益正相关[18] 6. **因子名称**：非流动性冲击 - **因子构建思路**：通过价格波动与成交额关系衡量流动性风险[18] - **因子具体构建过程**： $$非流动性冲击 = \frac{过去20交易日|日收益率|}{成交额均值}$$ 值越大表明流动性越差[18] 因子回测效果 1. **单季EP因子** - 沪深300空间：最近一周超额0.97%，近一月2.75%，年化5.28%[20] - 中证500空间：最近一周1.06%，近一月1.81%，年化7.79%[22] - 中证1000空间：最近一周1.21%，近一月2.37%，年化10.48%[24] 2. **DELTAROE因子** - 沪深300空间：最近一周0.21%，近一月2.00%，年化3.83%[20] - 中证500空间：最近一周1.18%，近一月2.60%，年化7.80%[22] - 中证1000空间：最近一周0.69%，近一月0.16%，年化9.10%[24] 3. **标准化预期外盈利因子** - 沪深300空间：最近一周0.35%，近一月1.65%，年化3.90%[20] - 中证1000空间：最近一周1.32%，近一月2.83%，年化9.00%[24] - 中证A500空间：最近一周0.38%，近一月2.09%，年化5.34%[26] 4. **三个月反转因子** - 沪深300空间：最近一周0.27%，近一月0.42%，年化1.24%[20] - 中证500空间：最近一周-0.68%，近一月0.19%，年化0.22%[22] 量化模型与构建方式 1. **模型名称**：MFE组合优化模型 - **模型构建思路**：在控制行业/风格暴露约束下最大化单因子暴露[40] - **模型具体构建过程**： 目标函数： $$\max f^Tw$$ 约束条件包括： $$s_l \leq X(w-w_b) \leq s_h$$ （风格暴露约束） $$h_l \leq H(w-w_b) \leq h_h$$ （行业偏离约束） $$w_l \leq w-w_b \leq w_h$$ （个股权重偏离约束） 其他约束包括成分股权重占比、禁止卖空等[40][41] 模型回测效果 1. **沪深300增强组合** - 本周超额1.17%，年内累计超额8.03%[15] - 公募产品中位数：本周0.08%，近一月0.70%，年内2.39%[33] 2. **中证500增强组合** - 本周超额0.73%，年内累计超额8.82%[15] - 公募产品中位数：本周0.38%，近一月1.24%，年内3.90%[35] 3. **中证1000增强组合** - 本周超额1.10%，年内累计超额13.66%[15] - 公募产品中位数：本周0.38%，近一月1.46%，年内5.97%[37] 特殊指数构建 1. **公募重仓指数** - **构建思路**：反映机构投资者持仓偏好[42] - **具体构建过程**： - 选取普通股票型及偏股混合型基金（规模>5000万） - 合并半年报/年报全部持仓或季报前十大重仓股 - 按持仓权重排序取累计90%市值的股票作为成分股[43]

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的分红点位[9] - **模型具体构建过程**： 1. 对标的指数（中证500、沪深300、上证50、中证1000）未来一年内成分股分红进行预估 2. 按合约存续期分段计算分红点位（如IC2507存续期内分红预估为9.0点）[9] 3. 计算公式： $$ \text{分红调整基差} = \text{实际基差} + \text{存续期内未实现预期分红} $$ $$ \text{年化基差} = \frac{\text{实际基差} + \text{预期分红点位}}{\text{指数价格}} \times \frac{360}{\text{合约剩余天数}} $$[20] - **模型评价**：有效分离分红对基差的影响，提升对冲策略精度 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**：通过动态调整期货合约对冲现货风险，利用基差收敛特性优化收益[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. 滚动卖空下一合约，占用30%资金[45] - **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，持有8个交易日或到期前2日调仓[46] 模型的回测效果 | 模型类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | 2025年收益 | |------------------------|----------|--------|----------|--------|------------|------------| | **IC当月连续对冲** | -2.73% | 3.88% | -8.15% | 0.9221 | 12 | -3.24% | | **IC季月连续对冲** | -1.93% | 4.77% | -8.34% | 0.9446 | 4 | -0.94% | | **IC最低贴水策略** | -0.95% | 4.68% | -7.97% | 0.9725 | 17.40 | -0.63% | | **IF最低贴水策略** | 1.37% | 3.15% | -4.06% | 1.0406 | 15.36 | 0.70% | | **IH季月连续对冲** | 2.04% | 3.56% | -3.75% | 1.0609 | 4 | 1.15% | | **IM最低贴水策略** | -3.76% | 5.60% | -11.11% | 0.9009 | 15.96 | -3.47% |[48][53][57][59] 量化因子与构建方式 1. **因子名称：Cinda-VIX波动率指数** - **因子构建思路**：反映期权市场对标的资产未来波动率的预期[62] - **因子具体构建过程**： 1. 基于不同期限期权合约隐含波动率计算 2. 编制30日/60日/90日/120日期限结构[62] - **因子评价**：专业投资者情绪的高效指标，预警市场风险 2. **因子名称：Cinda-SKEW偏斜指数** - **因子构建思路**：捕捉期权隐含波动率的偏斜特征，衡量尾部风险预期[70] - **因子具体构建过程**： 1. 分析虚值看涨/看跌期权波动率差异 2. 当SKEW>100时提示极端下跌风险[71] 因子的回测效果 | 因子类型 | 2025年7月4日取值 | 历史分位阈值 | |-------------------|------------------|--------------------| | **上证50VIX_30** | 17.29 | 30%分位低位区间 | | **沪深300SKEW** | 101.40 | 突破70%分位警戒线 | | **中证1000SKEW** | 102.73 | 反映尾部风险增强 |[62][71][76]