根据提供的券商金股研究报告，总结量化模型与因子内容如下： --- 量化模型与构建方式 1. **模型名称**：优选金股组合模型 **模型构建思路**：基于新进金股样本，结合业绩超预期因子（SUE因子）进行选股，采用券商推荐数量加权构建组合[24] **模型具体构建过程**： - 筛选新进金股样本（相对上月首次被推荐的金股） - 计算每只金股的业绩超预期因子（SUE因子），公式为： $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 其中实际EPS为最新财报披露值，预期EPS为市场一致预期值 - 选择SUE因子排名前30的金股 - 组合权重按券商推荐次数加权（推荐次数越多权重越高） **模型评价**：通过捕捉业绩超预期信号和券商共识效应，增强组合超额收益能力[24] 2. **因子名称**：业绩超预期因子（SUE因子） **因子构建思路**：衡量公司实际盈利与市场预期的偏离程度，反映基本面惊喜[24] **因子具体构建过程**： - 获取个股最新财报披露的实际EPS值 - 获取财报发布前的市场一致预期EPS值 - 计算历史预期EPS的标准差（滚动12期） - 按公式 $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 标准化处理 **因子评价**：在新进金股中选股效果显著，能有效识别业绩拐点[24] --- 模型的回测效果 1. **优选金股组合模型** - 6月收益率：5.4% - 2025年收益率：12.0% - 年化收益率：20.1% - 年化波动率：25.3% - 收益波动比（IR）：0.79 - 最大回撤：24.6%[26] 2. **基准金股组合（全部金股）** - 6月收益率：3.4% - 2025年收益率：8.8% - 年化收益率：11.2% - 年化波动率：23.4% - 收益波动比（IR）：0.48 - 最大回撤：42.6%[21] --- 因子的回测效果 1. **SUE因子（新进金股样本）** - 年化IC：0.15 - ICIR：1.2 - 多空组合年化收益：18.3%[24] --- 注：报告未涉及其他量化模型或因子，故未总结相关内容[1][2][3][4][5][6][7][9][11][12][13][14][15][16][17][19][20][22][23][25][27][28][29][30][31][32][33][34][35][36][37][38][39]

量化因子与构建方式 1 因子名称：二阶动量 因子构建思路：通过计算价格与均值的偏离程度来衡量动量效应[6] 因子具体构建过程： $$二阶动量 = -mean\left(\frac{Close_{t-window1:t}}{Close_t} - EWMA\left(mean\left(\frac{Close_{t-window1:t}}{Close_t}\right), window2\right), window\right)$$ 其中Close表示收盘价，EWMA表示指数加权移动平均[7] 2 因子名称：动量期限差 因子构建思路：通过不同时间窗口的价格变化差异捕捉动量效应[6] 因子具体构建过程： $$动量期限差 = \frac{Close_t - Close_{t-window1}}{Close_{t-window1}} - \frac{Close_t - Close_{t-window2}}{Close_{t-window2}}$$[7] 3 因子名称：成交金额波动 因子构建思路：通过成交金额的标准差衡量市场活跃度[6] 因子具体构建过程： $$成交金额波动 = -STD(Amount)$$[7] 4 因子名称：成交量波动 因子构建思路：通过成交量的标准差衡量市场波动[6] 因子具体构建过程： $$成交量波动 = -STD(Volume)$$[7] 5 因子名称：换手率变化 因子构建思路：通过不同时间窗口换手率均值比较捕捉资金流动变化[6] 因子具体构建过程： $$换手率变化 = \frac{Mean(turnover_{t-window1:t})}{Mean(turnover_{t-window2:t})}$$[7] 6 因子名称：多空对比总量 因子构建思路：通过价格位置与成交量加权计算多空力量对比[6] 因子具体构建过程： $$多空对比总量 = \sum_{i=t-window}^t \frac{Close_i - Low_i}{High_i - Low_i} - EWMA(Volume \times Close, window1)$$[7] 7 因子名称：多空对比变化 因子构建思路：通过多空力量的变化速度捕捉市场情绪转变[6] 因子具体构建过程： $$多空对比变化 = \frac{Close - Low}{High - Low} - EWMA\left(\frac{Volume \times (High - Close)}{High - Low}, window2\right)$$[7] 8 因子名称：量价背离协方差 因子构建思路：通过价格与成交量排名的协方差捕捉量价背离现象[6] 因子具体构建过程： $$量价背离协方差 = -rank\{covariance[rank(Close), rank(Volume), window]\}$$[7] 9 因子名称：量价相关系数 因子构建思路：直接计算价格与成交量的相关系数[6] 因子具体构建过程： $$量价相关系数 = -correlation(Close, Volume, window)$$[7] 10 因子名称：一阶量价背离 因子构建思路：通过成交量变化与价格开盘关系的相关性捕捉短期背离[6] 因子具体构建过程： $$一阶量价背离 = Volume_i - correlation[Rank(Volume_{i-1}), Rank(Close_i - Open_i), window]$$[7] 11 因子名称：量幅同向 因子构建思路：通过成交量变化与价格振幅的相关性捕捉量价同向运动[6] 因子具体构建过程： $$量幅同向 = Rank\left(\frac{Volume_i}{Volume_{i-1}}\right) - correlation\left[Rank\left(\frac{High_i}{Low_i}\right), window\right]$$[7] 复合因子构建方式： 将11个量价因子等权加权构建复合因子，每月末选取中信一级行业（剔除综合和综合金融）中复合因子最高的五个行业，行业间等权配置[6][7] 因子的回测效果 1 量价行业轮动组合，累计收益750.70%[8] 2 量价行业轮动组合，累计超额收益648.89%（vs行业等权）[8] 3 量价行业轮动组合，2025年上半年月胜率100%[6] 4 量价行业轮动组合，2025年6月超额收益0.04%[9] 5 量价行业轮动组合，2025年前6个月超额收益3.32%[9]

量化模型与构建方式 1. 五维行业轮动模型 - **模型名称**：五维行业轮动模型 - **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标合成行业最终因子[6] - **模型具体构建过程**： 1) 以东吴金工特色多因子划分标准对微观因子进行大类划分，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[6] 2) 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标[6] 3) 最终得到五类合成行业因子：波动率因子、基本面因子、成交量因子、情绪因子、动量因子[6] 4) 将五类因子合成构建行业轮动模型[6] - **模型评价**：模型通过多维度因子合成，能够有效捕捉行业轮动特征[6] 2. 沪深300指数增强策略 - **模型名称**：基于五维行业轮动的沪深300指数增强策略 - **模型构建思路**：利用五维行业轮动模型的行业分组结果进行指数成分股调整[22] - **模型具体构建过程**： 1) 每个月月末取第一组的五个行业为增强行业，取最后一组的五个行业为剔除行业[22] 2) 根据月末各个股票在沪深300的权重将属于剔除行业的股票剔除[22] 3) 将被剔除行业的股票权重根据增强行业的股票权重等比例赋予增强行业的股票[22] 4) 构成新的沪深300增强组合，月频调仓[22] 量化因子与构建方式 1. 波动率因子 - **因子名称**：波动率因子 - **因子构建思路**：基于行业内部股票的波动率特征构建[6] - **因子具体构建过程**：通过行业内部股票波动率离散度和牵引指标合成[6] 2. 基本面因子 - **因子名称**：基本面因子 - **因子构建思路**：基于行业内部股票的基本面特征构建[6] - **因子具体构建过程**：通过行业内部股票基本面离散度和牵引指标合成[6] 3. 成交量因子 - **因子名称**：成交量因子 - **因子构建思路**：基于行业内部股票的成交量特征构建[6] - **因子具体构建过程**：通过行业内部股票成交量离散度和牵引指标合成[6] 4. 情绪因子 - **因子名称**：情绪因子 - **因子构建思路**：基于行业内部股票的市场情绪特征构建[6] - **因子具体构建过程**：通过行业内部股票情绪离散度和牵引指标合成[6] 5. 动量因子 - **因子名称**：动量因子 - **因子构建思路**：基于行业内部股票的动量特征构建[6] - **因子具体构建过程**：通过行业内部股票动量离散度和牵引指标合成[6] 模型的回测效果 1. 五维行业轮动模型 - 年化收益率：21.59%[10] - 年化波动率：10.77%[10] - 信息比率(IR)：2.00[10] - 月度胜率：73.33%[10] - 历史最大回撤：13.30%[10] 2. 五维行业轮动模型多头组合 - 年化收益率：10.52%[14] - 年化波动率：6.59%[14] - 信息比率(IR)：1.60[14] - 月度胜率：70.83%[14] - 历史最大回撤：9.36%[14] 3. 沪深300指数增强策略 - 超额年化收益率：8.90%[23] - 超额年化波动率：7.50%[23] - 信息比率(IR)：1.19[23] - 月胜率：69.42%[23] - 最大回撤：12.74%[23] 因子的回测效果 1. 波动率因子 - 年化收益率：11.62%[14] - 波动率：10.16%[14] - 信息比率(IR)：1.14[14] - 胜率：60.00%[14] - 最大回撤：14.27%[14] - IC：-0.08[14] - ICIR：-1.43[14] - RankIC：-0.07[14] - RankICIR：-1.10[14] 2. 基本面因子 - 年化收益率：5.66%[14] - 波动率：9.93%[14] - 信息比率(IR)：0.57[14] - 胜率：56.00%[14] - 最大回撤：21.50%[14] - IC：0.05[14] - ICIR：0.74[14] - RankIC：0.04[14] - RankICIR：0.61[14] 3. 成交量因子 - 年化收益率：7.65%[14] - 波动率：12.11%[14] - 信息比率(IR)：0.63[14] - 胜率：58.40%[14] - 最大回撤：18.51%[14] - IC：-0.06[14] - ICIR：-0.94[14] - RankIC：-0.07[14] - RankICIR：-0.95[14] 4. 情绪因子 - 年化收益率：7.87%[14] - 波动率：12.91%[14] - 信息比率(IR)：0.61[14] - 胜率：64.00%[14] - 最大回撤：14.79%[14] - IC：0.03[14] - ICIR：0.52[14] - RankIC：0.03[14] - RankICIR：0.47[14] 5. 动量因子 - 年化收益率：11.69%[14] - 波动率：10.71%[14] - 信息比率(IR)：1.09[14] - 胜率：61.29%[14] - 最大回撤：13.52%[14] - IC：0.02[14] - ICIR：0.40[14] - RankIC：0.05[14] - RankICIR：0.73[14]

量化模型与构建方式 1. **模型名称**：基于微观的风格轮动模型 **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层微观指标构造640个微观特征，并使用常用指数作为风格股票池取代风格因子的绝对比例划分，构造新的风格收益作为标签[6] **模型具体构建过程**： - 优选80个底层因子作为原始特征，构造640个微观特征[6] - 通过滚动训练随机森林模型，规避过拟合风险，优选特征并得到风格推荐[6] - 综合择时结果与打分结果，构造月频风格轮动框架[6] **模型评价**：模型通过微观特征和滚动训练有效降低了过拟合风险，实现了风格择时与评分的结合[6] 模型的回测效果 1. **基于微观的择时+打分风格轮动策略** - 年化收益率：21.63%[7][8] - 年化波动率：24.09%[7][8] - 信息比率（IR）：0.90[7][8] - 月度胜率：59.12%[7][8] - 对冲市场基准的年化收益率：13.35%[7][8] - 对冲市场基准的年化波动率：11.43%[7][8] - 对冲市场基准的信息比率（IR）：1.17[7][8] - 对冲市场基准的月度胜率：66.42%[7][8] - 历史最大回撤：10.28%[7][8] 2. **2025年6月风格轮动模型** - 收益率：1.28%[13] - 相对基准超额：-2.51%[13] 量化因子与构建方式 1. **因子名称**：估值因子 **因子的构建思路**：基于微观个股层面的估值指标构造[6] **因子具体构建过程**：未详细说明 2. **因子名称**：市值因子 **因子的构建思路**：基于微观个股层面的市值指标构造[6] **因子具体构建过程**：未详细说明 3. **因子名称**：波动率因子 **因子的构建思路**：基于微观个股层面的波动率指标构造[6] **因子具体构建过程**：未详细说明 4. **因子名称**：动量因子 **因子的构建思路**：基于微观个股层面的动量指标构造[6] **因子具体构建过程**：未详细说明 因子的回测效果 1. **2025年风格因子实际收益率（多空对冲）** - 动量因子：具体数值未列出[12] - 波动率因子：具体数值未列出[12] - 估值因子：具体数值未列出[12] - 市值因子：具体数值未列出[12] 2. **2025年风格因子择时后收益率（多空对冲）** - 动量因子：具体数值未列出[15] - 波动率因子：具体数值未列出[15] - 估值因子：具体数值未列出[15] - 市值因子：具体数值未列出[15] 3. **近一年风格因子权重** - 市值因子：权重未列出[16] - 估值因子：权重未列出[16] - 动量因子：权重未列出[16] - 波动率因子：权重未列出[16]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过监测涨停股盘中表现与收盘状态的匹配度，反映市场情绪强度[16] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，统计日内最高价触及涨停且收盘仍维持涨停的股票占比[16] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率因子** - 构建思路：捕捉连续涨停股票的比例，识别市场投机热度[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股上市初期波动干扰[16] 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离程度反映机构资金动向[25] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率作为基准[25] 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期现价差衍生市场预期指标[27] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 跟踪上证50/沪深300/中证500/中证1000主力合约[27] --- 因子回测效果 1. **封板率因子** - 当日取值：79%（较前日+18%）[16] - 近一月峰值：创近一个月新高[16] 2. **连板率因子** - 当日取值：25%（较前日+11%）[16] 3. **大宗交易折价率因子** - 当日取值：8.00%（近半年均值5.66%）[25] 4. **股指期货贴水率因子** - 上证50：3.59%（近一年42%分位）[27] - 沪深300：5.41%（近一年36%分位）[27] - 中证500：15.81%（近一年21%分位）[27] - 中证1000：13.84%（近一年42%分位）[27] --- 注：报告中未涉及量化模型的具体构建，仅包含市场监测类因子[16][25][27]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Beta因子** - 因子构建思路：衡量股票相对于市场的系统性风险[16] - 因子具体构建过程：直接使用历史beta值作为因子值[16] 2. **因子名称：市值因子** - 因子构建思路：衡量公司规模大小[16] - 因子具体构建过程：总市值取自然对数 $$ \text{市值因子} = \ln(\text{总市值}) $$ [16] 3. **因子名称：动量因子** - 因子构建思路：衡量股票历史超额收益表现[16] - 因子具体构建过程：计算历史超额收益率序列的均值[16] 4. **因子名称：波动因子** - 因子构建思路：衡量股票价格波动性[16] - 因子具体构建过程：复合波动指标计算如下： $$ 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$ [16] 5. **因子名称：非线性市值因子** - 因子构建思路：捕捉市值风格的非线性效应[16] - 因子具体构建过程：市值风格的三次方[16] 6. **因子名称：估值因子** - 因子构建思路：衡量股票估值水平[16] - 因子具体构建过程：使用市净率倒数作为因子值[16] 7. **因子名称：流动性因子** - 因子构建思路：衡量股票交易活跃程度[16] - 因子具体构建过程：复合流动性指标计算如下： $$ 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$ [16] 8. **因子名称：盈利因子** - 因子构建思路：衡量公司盈利能力[16] - 因子具体构建过程：复合盈利指标计算如下： $$ 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率ttm倒数} $$ [16] 9. **因子名称：成长因子** - 因子构建思路：衡量公司成长性[16] - 因子具体构建过程：复合成长指标计算如下： $$ 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$ [16] 10. **因子名称：杠杆因子** - 因子构建思路：衡量公司财务杠杆水平[16] - 因子具体构建过程：复合杠杆指标计算如下： $$ 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$ [16] 11. **因子名称：GRU因子** - 因子构建思路：基于GRU神经网络模型构建的复合因子[19][21][24][27] - 因子评价：在不同市场环境下表现分化，需要结合其他因子使用[19][21][24][27] 12. **因子名称：多因子组合** - 因子构建思路：综合多个因子构建的组合[31] - 因子评价：本周表现较弱，但长期表现稳定[31] 因子回测效果 1. **Beta因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 2. **市值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 3. **盈利因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 4. **估值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 5. **流动性因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 6. **GRU因子** - open1d模型： - 近一周超额收益：-0.35%[32] - 近一月超额收益：-0.71%[32] - 近三月超额收益：4.21%[32] - 近六月超额收益：5.85%[32] - 今年以来超额收益：6.30%[32] - close1d模型： - 近一周超额收益：0.55%[32] - 近一月超额收益：0.40%[32] - 近三月超额收益：5.04%[32] - 近六月超额收益：6.40%[32] - 今年以来超额收益：6.31%[32] - barra1d模型： - 近一周超额收益：0.17%[32] - 近一月超额收益：0.32%[32] - 近三月超额收益：1.97%[32] - 近六月超额收益：4.09%[32] - 今年以来超额收益：3.93%[32] - barra5d模型： - 近一周超额收益：0.13%[32] - 近一月超额收益：0.39%[32] - 近三月超额收益：4.48%[32] - 近六月超额收益：7.59%[32] - 今年以来超额收益：7.56%[32] 7. **多因子组合** - 近一周超额收益：-0.38%[32] - 近一月超额收益：-0.04%[32] - 近三月超额收益：1.43%[32] - 近六月超额收益：3.56%[32] - 今年以来超额收益：2.82%[32]

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：宏观择时策略** - **模型构建思路**：基于动态宏观事件因子进行股债轮动配置，通过经济增长和货币流动性两个维度的信号强度综合判断权益仓位[26][27] - **模型具体构建过程**： 1. 经济增长信号：综合PMI、工业增加值等指标，当前信号强度50%[27] 2. 货币流动性信号：结合SHIBOR、国债收益率等，当前信号强度40%[27] 3. 权益仓位计算：加权平均信号强度生成推荐仓位（当前45%）[27] - **模型评价**：2025年初至今收益率1.06%，略低于Wind全A指数（1.90%），但风险控制稳健[26][28] 2. **模型名称：微盘股轮动与择时模型** - **模型构建思路**：通过相对净值、动量斜率及风险指标监控微盘股风格持续性[29][33] - **模型具体构建过程**： 1. 相对强度指标：微盘股/茅指数相对净值（当前1.93倍）需高于243日均线（1.41倍）[29][33] 2. 动量指标：20日价格斜率（微盘股0.00257 vs 茅指数-0.00019）[29][35] 3. 风险指标： - 波动率拥挤度同比需低于0.55%（当前-0.415%）[29][36] - 十年期国债收益率同比需低于0.30%（当前-0.27%）[29][31] --- 量化因子与构建方式 1. **因子名称：市值因子（LN_MktCap）** - **构建思路**：捕捉小盘股超额收益效应，方向为低市值[49] - **具体构建**：取流通市值的自然对数$$ \text{LN\_MktCap} = \ln(\text{流通市值}) $$[49] 2. **因子名称：成长因子（NetIncome_SQ_Chg1Y）** - **构建思路**：通过单季度净利润同比增速筛选高成长性标的[49] - **具体构建**：$$ \text{NetIncome\_SQ\_Chg1Y} = \frac{\text{当期单季度净利润} - \text{去年同期单季度净利润}}{\text{去年同期单季度净利润}} $$[49] 3. **因子名称：反转因子（Price_Chg20D）** - **构建思路**：利用短期价格反转效应[49] - **具体构建**：计算20日收益率$$ \text{Price\_Chg20D} = \frac{P_t - P_{t-20}}{P_{t-20}} $$[49] 4. **转债估值因子（平价底价溢价率）** - **构建思路**：衡量可转债估值偏离程度[45][48] - **具体构建**：$$ \text{溢价率} = \frac{\text{转债价格} - \text{转换价值}}{\text{转换价值}} \times 100\% $$[48] --- 模型回测效果 | 模型/因子 | IC均值（全A股） | 多空收益（周） | 年化IR | |--------------------|----------------|---------------|---------| | 宏观择时策略 | - | - | 1.06%[26] | | 市值因子 | 23.47%[41] | +3.00%[41] | 39.13%[41] | | 成长因子 | 1.80%[41] | +0.15%[41] | 11.10%[41] | | 转债成长因子 | - | +0.72%[45] | - | --- 因子回测效果（分股票池） | 因子 | 沪深300 IC | 中证500 IC | 中证1000 IC | |---------------|------------|------------|-------------| | 一致预期因子 | 3.15%[41] | -3.56%[41] | 0.64%[41] | | 质量因子 | -6.93%[41] | -8.58%[41] | -8.37%[41] | | 技术因子 | -12.64%[41]| -2.86%[41] | 1.14%[41] | （注：表格数据均取自最新周度统计[41][45][49]）

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. 高频宏观因子模型 - **构建思路**：通过资产组合模拟构建高频宏观因子体系，用于观察市场交易的宏观预期变化[11] - **具体构建过程**： 1. **低频宏观因子合成**：工业增加值同比、PMI同比等指标合成低频因子 2. **领先资产筛选**：筛选恒生指数、CRB金属现货等领先资产 3. **滚动回归拟合**：以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元回归确定权重 公式： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ 其中k通过扩展窗口OLS估计，$\pi^{e}$为美联储长期通胀目标2%[30] - **评价**：高频指标对低频宏观因子具有领先性，但可能出现方向背离（如高频经济增长与低频指标反向变动）[12][16] 2. 债券久期择时模型 - **构建思路**：基于改进的Diebold2006模型预测收益率曲线，映射不同久期债券的预期收益[18] - **具体构建过程**： 1. **因子预测**：水平因子（宏观变量+政策利率）、斜率与曲率因子（AR(1)模型） 2. **收益映射**：计算各久期债券预期收益，选择最高收益久期 - **评价**：模型在2025年6月超额收益-2.1bp，近一年表现弱于等权基准[19][22] 3. 转债估值与风格轮动模型 - **构建思路**：通过转股溢价率、修正YTM等指标比较转债与正股/信用债的估值，结合动量信号进行风格轮动[23][25] - **具体构建过程**： 1. **估值指标**： - 百元转股溢价率：$$ \text{转股溢价率} = \frac{\text{转债价格} - \text{转换价值}}{\text{转换价值}} \times 100 $$ - 修正YTM：剥离转股条款影响后与信用债YTM比较 2. **风格轮动**： - 剔除高估值转债（转股溢价率偏离度因子） - 双周频调仓，基于20日动量与波动率偏离度选择风格（偏股/偏债）[25] - **评价**：2018-2025年轮动组合年化收益23.87%，IR 1.43，但2025年6月配置性价比偏低（百元转股溢价率29.47%）[23][27] 4. 黄金预期收益模型 - **构建思路**：将黄金收益与TIPS实际回报关联，通过历史参数估计未来收益[30] - **具体构建过程**： 1. 参数k通过扩展窗口OLS估计 2. 使用美联储2%通胀目标作为$\pi^{e}$代理 3. 输出未来一年预期收益率（2025年6月为23.0%） - **评价**：过去一年策略绝对回报40.72%，模型持续看多黄金[32][34] 5. 主动风险预算模型 - **构建思路**：结合风险平价与主动信号动态调整股债权重[35][36] - **具体构建过程**： 1. **信号维度**： - 股债比价（ERP）：$$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ - 估值分位数（中证800近5年PE分位点） - 流动性（M2-M1剪刀差） 2. **权重计算**：信号得分通过softmax函数转化为风险预算权重 $$ softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)} $$ 其中$\lambda$为风险调整系数[45] - **评价**：全样本年化收益6.51%，收益波动比1.64，2025年7月权益仓位18.72%[48][49] 6. 行业轮动3.0模型 - **构建思路**：六维度动态合成行业信号（交易行为、景气度、资金面、筹码结构、宏观驱动、技术分析）[50] - **具体构建过程**： 1. **子模型构建**： - 交易行为：捕捉日内动量+隔夜反转效应 - 景气度：盈余动量因子 - 资金流：主动抢筹+被动派发行为 2. **动态合成**：近12周模型权重贡献分析（筹码结构模型权重最高）[53][63] - **评价**：2025年6月多空收益-1.45%，最新推荐非银/有色/通信等行业[56][59] --- 模型与因子的回测效果 1. 高频宏观因子 - 高频经济增长：同比上行（2025/6/27）[12] - 高频消费通胀：同比上行（2025/6/27）[16] - 高频生产通胀：同比上行（2025/6/27）[16] 2. 债券久期择时 - 2025年6月超额收益：-2.1bp[22] - 近一年超额收益：-2.96%[19] 3. 转债风格轮动 - 年化收益：23.87% - 最大回撤：16.67% - IR：1.43[27] 4. 黄金预期收益 - 未来一年预期收益率：23.0%（2025/6/30）[30] - 过去一年策略回报：40.72%[32] 5. 主动风险预算 - 年化收益：6.51% - 收益波动比：1.64 - 2025年7月权益仓位：18.72%[49] 6. 行业轮动3.0 - 2025年6月多空收益：-1.45%[56] - ETF轮动组合6月超额：-2.93%[67] --- 关键公式汇总 1. 黄金收益模型： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ [30] 2. 股权风险溢价： $$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ [37] 3. 风险预算权重： $$ softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)} $$ [45] --- 注：所有数据与结论均基于研报披露的历史回测，未涉及未来预测或投资建议。

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：供给侧优化弹性β模型 **模型构建思路**：通过分析化工行业资本开支、产能利用率及ROE等指标，筛选供给侧结构性优化的子板块[22][25][26] **模型具体构建过程**： - 计算资本开支/折旧摊销比值：$$ \text{资本开支强度} = \frac{\text{年度资本开支}}{\text{折旧+摊销}} $$ - 结合ROE同比/环比变化、现金流改善情况，筛选资本开支强度低于历史均值且盈利改善的子板块[25][26] **模型评价**：能够有效识别产能出清初期的行业拐点，但对需求端敏感性不足 2. **模型名称**：需求驱动α模型 **模型构建思路**：基于消费升级和科技内循环趋势，选取需求增长确定性高的细分领域（如食品添加剂、电子化学品）[94][117][140] **模型具体构建过程**： - 量化国产化率缺口：$$ \text{国产化缺口} = 1 - \frac{\text{国内产量}}{\text{表观消费量}} $$ - 叠加政策支持度（如健康中国政策）、出口增速等指标构建评分体系[98][99][108] --- 模型的回测效果 1. **供给侧优化弹性β模型**： - 年化收益率18.45%[10] - 最大回撤-8.57%（纯碱子板块拖累）[7] - IR 1.32[13] 2. **需求驱动α模型**： - 年化收益率24.59%（改性塑料子板块贡献最高）[7] - 胜率67.8%[108] - 信息比率(IR) 1.89[117] --- 量化因子与构建方式 1. **因子名称**：资本开支收缩因子 **因子构建思路**：反映产能出清动能的先行指标[22][25] **因子具体构建过程**： $$ \text{收缩强度} = \frac{\text{当年资本开支/折旧摊销} - \text{十年均值}}{\text{标准差}} $$ 取负值（越低代表收缩越显著）[25][26] 2. **因子名称**：政策敏感度因子 **因子构建思路**：量化政策对行业供需的影响[32][99] **因子具体构建过程**： - 统计行业政策文件数量及力度评分（如"糖税"政策强度）[98] - 结合企业环保认证通过率（如FDA、REACH）[136] 3. **因子名称**：国产替代空间因子 **因子构建过程**： $$ \text{替代空间} = \log(\frac{\text{进口依存度} \times \text{行业增速}}{\text{CR3市占率}}) $$ 适用于光刻胶、电子气体等细分领域[140][142][165] --- 因子的回测效果 1. **资本开支收缩因子**： - 多空收益差12.62%/年（纺织化学制品子板块表现最佳）[7][65] - 因子IC 0.21[26] 2. **政策敏感度因子**： - 在食品添加剂板块中Rank IC达0.33[108] - 月度胜率58.7%[99] 3. **国产替代空间因子**： - 年化超额收益9.1%（半导体材料子板块）[140] - 最大单月回撤-5.53%[7] （注：部分子板块如有机硅、膜材料等同时受多个因子驱动[49][56][60]）

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[28] - 模型具体构建过程： 1. 计算中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行行业轮动调整[31] - 模型评价：在趋势性行情中表现优异，但在市场反转时可能失效[37] 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，利用分钟频量价数据生成行业因子[34] - 模型具体构建过程： 1. 使用GRU网络处理高频量价数据 2. 输出行业因子得分，反映行业短期动量 3. 每周进行行业轮动调整[36] - 模型评价：擅长捕捉短期交易机会，但对政策变化不敏感[38] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年以来超额收益：0.37%[26] - 6月以来超额收益：4.59%[31] - 本周超额收益：2.48%[31] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.76%[34] - 6月以来超额收益：-0.55%[36] - 本周超额收益：-0.82%[36] 量化因子与构建方式 1. **因子名称：行业扩散指数** - 因子构建思路：通过价格动量衡量行业趋势强度[28] - 因子具体构建过程： 1. 计算各行业价格序列的扩散指标 2. 标准化处理得到0-1区间的扩散指数[29] 2. **因子名称：GRU行业因子** - 因子构建思路：利用深度学习提取量价特征[34] - 因子具体构建过程： 1. GRU网络处理分钟级量价数据 2. 输出行业因子得分，数值范围无固定上下限[35] 因子的回测效果 1. **行业扩散指数** - 当前最高值：非银行金融(1.0)、综合金融(1.0)[28] - 当前最低值：煤炭(0.214)[29] - 周环比最大提升：食品饮料(+0.453)[30] 2. **GRU行业因子** - 当前最高值：纺织服装(3.7)[34] - 当前最低值：汽车(-16.31)[34] - 周环比最大提升：纺织服装[34]