量化模型与构建方式 1. **模型名称：利率价量多周期择时策略** - **模型构建思路**：通过核回归算法捕捉利率趋势形态，识别支撑线和阻力线，根据不同周期（长、中、短）下的突破信号生成综合择时观点[10] - **模型具体构建过程**： 1. **周期划分**：长周期（月度切换）、中周期（双周度切换）、短周期（周度切换）[10] 2. **信号生成规则**： - 若至少2个周期出现向下突破支撑线且趋势非向上，满配长久期债券 - 若至少2个周期出现向下突破但趋势向上，配置50%中久期+50%长久期 - 若至少2个周期出现向上突破阻力线且趋势非向下，满配短久期债券 - 若至少2个周期出现向上突破但趋势向下，配置50%中久期+50%短久期 - 其他情况等权配置短、中、长久期债券[22] 3. **止损机制**：单日超额收益<-0.5%时切换为等权配置[22] - **模型评价**：通过多周期共振增强信号稳定性，结合趋势过滤降低误判风险[10] 2. **模型名称：公募债基久期测算模型** - **模型构建思路**：基于改进的回归模型动态跟踪公募基金久期及分歧水平[13] - **模型具体构建过程**： 1. **数据输入**：全市场中长期纯债基金持仓数据 2. **计算指标**： - 久期中位数：3.39年（计入杠杆） - 4周移动平均久期：3.4年 - 久期分歧：截面标准差1.55年[14] 3. **分位数映射**：久期水平处于5年96.14%分位数，分歧处于59.46%分位数[14] 量化因子与构建方式 1. **因子名称：利率水平结构因子** - **因子构建思路**：将1-10年期国债YTM转化为水平结构指标，衡量利率绝对水平偏离度[7] - **因子具体构建过程**： - 当前读数1.51%，处于历史3/5/10年分位数6%/4%/2%[9] 2. **因子名称：利率期限结构因子** - **因子构建思路**：通过期限利差反映利率曲线陡峭程度[7] - **因子具体构建过程**： - 当前读数0.3%，处于历史3/5/10年分位数13%/8%/10%[9] 3. **因子名称：利率凸性结构因子** - **因子构建思路**：捕捉利率曲线凸性特征变化[7] - **因子具体构建过程**： - 当前读数0.02%，处于历史3/5/10年分位数18%/11%/11%[9] 模型的回测效果 1. **利率价量多周期择时策略** - 长期年化收益率：6.17%（2007年起） - 最大回撤：1.52% - 收益回撤比：2.26 - 超额收益率（vs久期等权基准）：1.66%[23] - 短期年化收益率（2023年底起）：7.27% - 短期最大回撤：1.56% - 短期收益回撤比：6.23 - 短期超额收益率：2.2%[4] - 逐年胜率：绝对收益100%，超额收益100%（18年）[23] 因子的回测效果 1. **利率水平结构因子** - 当前分位数：3年6%/5年4%/10年2%[9] 2. **利率期限结构因子** - 当前分位数：3年13%/5年8%/10年10%[9] 3. **利率凸性结构因子** - 当前分位数：3年18%/5年11%/10年11%[9]

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：基于基本面、估值面、情绪面、流动性四个维度的指标进行综合判断，生成仓位信号[14][15][16] - 具体构建过程： - **基本面指标**：制造业PMI分位数（35.59%）、中长期贷款余额同比增速分位数（0%）、M1同比增速分位数（77.97%），加权后输出谨慎信号[14] - **估值面指标**：A股整体PE分位数（91.32%中性）、PB分位数（53.10%乐观），综合输出乐观信号[14] - **情绪面指标**：Beta离散度分位数（52.54%中性）、量能情绪分位数（83.13%乐观）、波动率分位数（14.14%中性），综合输出乐观信号[15] - **流动性指标**：货币利率分位数（33.90%乐观）、汇率预期分位数（20.34%乐观）、融资额分位数（68.07%中性），综合输出乐观信号[16] - 模型评价：通过多维度动态加权有效降低回撤，但对情绪面指标敏感度高导致信号切换频繁[9] 2. **成长价值轮动模型** - 模型构建思路：结合盈利周期、利率周期、信贷周期判断成长/价值风格偏好[25][26] - 具体构建过程： - **基本面信号**：盈利斜率（12.50利好成长）、利率周期（0.00利好价值）、信贷周期（-4.17利好价值），加权输出超配价值[25] - **估值信号**：PE差分位数（13.91%利好成长）、PB差分位数（31.86%利好成长），但被基本面信号覆盖[26] - **情绪信号**：换手差分位数（10.17%利好价值）、波动差分位数（32.22%均衡）[26] 3. **小盘大盘轮动模型** - 模型构建思路：与成长价值模型类似，但调整参数适用于市值风格判断[31] - 具体构建过程： - **PE/PB差分位数**分别取71.08%和98.53%，均利好大盘风格[31] - **情绪指标**中波动差分位数达87.23%，强化大盘偏好[31] 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结果，生成四象限配置比例[33] - 具体构建过程： - 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%[24] 量化因子与构建方式 1. **1Y动量因子** - 构建思路：捕捉行业"强者恒强"效应[10] - 具体构建：计算行业过去1年收益率标准化值 - 因子评价：短期有效性显著但可能加剧追涨风险[10] 2. **1Y夏普动量因子** - 构建思路：在简单动量基础上加入波动率调整[10] - 具体公式： $$夏普动量 = \frac{行业1年收益率}{行业1年波动率}$$ - 因子评价：相比纯动量因子风险调整更优[10] 3. **景气度因子组** - 包含子因子：净利润增速、现金流增速、净利润增速边际改善[10] - 因子评价：当前市场环境下失效，与行业表现Rank IC为负值[10] 模型的回测效果 1. **短期择时模型** - 年化收益率16.24% vs 基准4.21%[16] - 最大回撤27.70% vs 基准31.41%[16] - 夏普比率0.9613[19] 2. **成长价值轮动模型** - 年化收益率11.51% vs 基准6.63%[26] - 年化超额收益4.88%[26] 3. **小盘大盘轮动模型** - 年化收益率11.92% vs 基准6.49%[31] - 收益回撤比0.2386[32] 4. **四风格轮动模型** - 年化收益率13.03% vs 基准7.15%[33] 因子的回测效果 1. **1Y动量因子** - Rank IC：38.33%[10] 2. **1Y夏普动量因子** - Rank IC：32.90%[10] 3. **景气度因子组** - 净利润增速Rank IC：-11.19%[10] - 现金流增速Rank IC：-2.74%[10]

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. **量能择时模型** - 模型构建思路：通过市场成交量变化判断市场趋势，捕捉交易情绪变化[22] - 具体构建过程：监测宽基指数（如上证50、沪深300等）的成交量突破阈值，当量能指标进入积极区间时生成看多信号[22] - 模型评价：对短期趋势敏感，但北证50等小盘指数存在信号滞后性[22] 2. **沪深300上涨家数占比情绪指标** - 模型构建思路：利用成分股上涨比例反映市场情绪过热或触底[23] - 具体构建过程： $$ N日上涨家数占比 = \frac{沪深300成分股中过去N日收益>0的股票数}{成分股总数} $$ 设置N=230日窗口，占比高于60%为情绪乐观区间[23][27] - 模型评价：能快速捕捉上涨机会，但对下跌风险预警能力较弱[23] 3. **动量情绪指标择时模型** - 模型构建思路：通过双均线交叉判断情绪拐点[27] - 具体构建过程： - 计算230日上涨家数占比的慢线（50日MA）和快线（35日MA） - 当快线>慢线时看多市场[27] - 模型评价：需配合其他指标规避震荡市误判[27] 4. **均线情绪指标模型** - 模型构建思路：八均线体系判断趋势强度[29] - 具体构建过程： - 计算8/13/21/34/55/89/144/233日均线 - 当收盘价同时超过5条以上均线时生成看多信号[29] - 模型评价：对中长期趋势判断效果更优[29] 5. **抱团基金分离度模型** - 模型构建思路：监测基金持仓趋同度判断市场风险[80] - 具体构建过程：计算抱团基金组合截面收益标准差，标准差越小表明抱团程度越高[80] - 模型评价：可作为市场极端行情的预警指标[80] 量化因子与构建方式 1. **横截面波动率因子** - 因子构建思路：衡量成分股离散程度反映Alpha机会[35] - 具体构建过程： $$ 横截面波动率 = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中N为成分股数量，r_i为个股收益率[35] - 因子评价：沪深300近期波动率1.84%优于中证1000的2.19%[35][38] 2. **时间序列波动率因子** - 因子构建思路：捕捉指数成分股的时序波动特征[39] - 具体构建过程：计算指数成分股20日收益率滚动标准差[39] - 因子评价：近期沪深300时序波动率0.59%显示低波动环境[39][41] 模型回测效果 | 模型/因子 | 近期信号方向 | 关键指标值 | |--------------------------|--------------|--------------------------| | 量能择时模型 | 除北证50外全线看多[22] | 沪深300量能信号强度+1.2σ | | 动量情绪指标 | 看多[27] | 快线-慢线差值+0.15 | | 横截面波动率因子 | - | 沪深300周环比+0.23%[35] | | 时间序列波动率因子 | - | 中证500年化波动率0.46%[41] | 因子回测效果 | 因子名称 | 沪深300取值 | 中证500取值 | 中证1000取值 | |------------------|-------------|-------------|--------------| | 横截面波动率[38] | 1.84% | 2.01% | 2.19% | | 时序波动率[41] | 0.59% | 0.47% | 0.27% | 注：所有数据统计区间为2025年6月23-27日[22][35][41]

根据提供的研报内容，经过全面梳理后，未发现涉及量化模型或量化因子的具体构建、测试及评价内容。该报告主要聚焦于轻工制造行业各细分领域（如造纸、出口、新型烟草、家居等）的景气度分析和投资建议，属于行业基本面研究范畴[1][2][3][4][5]。 报告核心内容为： 1）行业动态跟踪（如浆纸价格波动、出口数据、新产品发布等）[2][3] 2）公司经营亮点（如泡泡玛特IP拓展、涛涛车业机器人研发等）[3][4] 3）投资建议（分赛道推荐标的及逻辑）[2][3][4][5] 注：全文未出现量化模型/因子的名称、构建过程、公式或回测指标等典型量化研究要素[1][2][3][4][5][6][7][8][9][10][11][12]

根据提供的量化市场追踪周报内容，总结如下： 量化模型与构建方式 1. **动量模型** - 构建思路：基于行业价格动量效应捕捉短期趋势[37] - 具体构建：计算行业指数过去N日收益率排序，选取排名前20%的行业作为多头组合。测试窗口期为5-20日不等[37][39] - 模型评价：在季末调仓期表现显著优于其他模型，符合资金追逐趋势的特征[37] 2. **绩优基金模型** - 构建思路：跟踪绩优基金持仓变化挖掘行业配置信号[37] - 具体构建：对TOP20%业绩的主动权益基金进行持仓穿透分析，计算行业超配比例变化值作为因子： $$Score_{i,t} = \frac{Holding_{i,t}}{AUM_t} - \frac{BenchmarkWeight_{i,t}}{TotalBenchmark}$$ 其中$Holding_{i,t}$为t期行业i持仓市值，$AUM_t$为基金总规模[37][39] - 模型评价：近期表现平淡，反映机构调仓行为与市场走势出现背离[37] 3. **景气度模型** - 构建思路：结合财务指标与分析师预期构建行业景气度评分[37] - 具体构建：采用营收增速、ROE变化、盈利预测上调比例等指标加权合成，权重通过历史ICIR优化确定[37] - 模型评价：在业绩披露期有效性较强，当前阶段信号较弱[37] 模型回测效果 1. 动量模型：年化超额收益12.7%，最大回撤8.2%，IR 1.85[39] 2. 绩优基金模型：年化超额收益9.3%，最大回撤12.5%，IR 1.12[39] 3. 景气度模型：年化超额收益7.8%，最大回撤15.1%，IR 0.93[39] 量化因子与构建方式 1. **资金流因子** - 构建思路：捕捉主力资金与散户资金的博弈行为[59] - 具体构建： $$FlowRatio = \frac{MainBuy - MainSell}{TotalVolume}$$ 其中MainBuy为特大单+大单买入金额，MainSell为对应卖出金额[59][62] - 因子评价：近期在非银金融、计算机等行业区分度显著[59] 2. **仓位偏离因子** - 构建思路：监测公募基金行业配置与基准的偏离度[34] - 具体构建： $$Deviation_{i} = \frac{FundWeight_{i} - BenchmarkWeight_{i}}{BenchmarkWeight_{i}}$$ 通过持仓数据加权计算得出[34][37] - 因子评价：对国防军工、石油石化等欠配行业有领先指示作用[34] 因子回测效果 1. 资金流因子：IC均值0.15，RankIC 0.21，多空年化收益差18.4%[62][65] 2. 仓位偏离因子：IC均值0.12，RankIC 0.18，多空年化收益差14.7%[34][39] 关键指标跟踪 1. 主动权益基金平均仓位85.06%，较上周下降0.22pct[21][26] 2. 小盘成长风格仓位占比44.07%，仍为最主要配置方向[29][31] 3. 行业配置变化：非银金融(+0.34pct)、电子(-0.23pct)调仓幅度最大[34][36]

量化模型与构建方式 1. **模型名称：顶底背离型拐点识别模型** - **模型构建思路**：通过量价背离或技术指标（如MACD）与价格的背离，识别价格创新高或新低过程中走势力度衰竭的迹象，预判潜在拐点[2][9] - **模型具体构建过程**： 1. **量价背离**：当价格创新高但成交量未同步创新高时，视为多头力度不足的信号[9] 2. **MACD背离**：观察价格与MACD指标（如黄白线或柱状图）的趋势方向是否背离，例如价格新高但MACD未新高[9][12] 3. **形态过滤**：结合波浪理论（如五浪结构）和均线系统（多头/空头排列）筛选有效背离信号，提升准确率至65%[14][16] - **模型评价**：单一背离信号胜率较低（<55%），需结合形态分析增强有效性[13][16] 2. **模型名称：V型反转拐点识别模型（温度计指标）** - **模型构建思路**：基于价格围绕趋势均线的均值回复特性，通过乖离率分位点量化超买超卖状态，捕捉急涨/急跌后的反转机会[18][19] - **模型具体构建过程**： 1. **均线处理**：将均线（如60日或年度均线）左移参数的一半长度，线性外推后计算乖离率： $$乖离率 = \frac{价格 - 外推均线值}{外推均线值}$$[18] 2. **分位点计算**：滚动计算乖离率在历史窗口（如过去60日）的分位点，得到温度计值（0-100）[18] 3. **阈值规则**： - 熊市：需高频（60日）和低频（年度）温度计均<10[19][21] - 震荡市：仅高频温度计<10[19][22] - 牛市：高频温度计<15或急跌至50以下且低频温度计>80[26][28] - **模型评价**：对V型反转敏感，但需结合趋势状态调整阈值以避免误判[27][32] --- 模型的回测效果 1. **顶底背离型拐点识别模型** - 胜率：基础信号55%，叠加形态过滤后提升至65%[13][16] - 适用场景：圆弧形拐点识别，需配合右侧确认信号（如MACD金叉/死叉）[10][17] 2. **V型反转拐点识别模型** - **熊市案例**：2022年1月/4月，高频+低频温度计<10后出现月线级别反弹[21] - **震荡市案例**：2025年1月/4月，高频温度计<10触发反弹[22] - **牛市案例**：2023-2025年黄金期货高频温度计<10时均为有效买点[26] - **风险案例**：2023年6月传媒指数因顶背离失效，需等待ABC浪调整[32] --- 量化因子与构建方式 1. **因子名称：高频温度计因子** - **因子构建思路**：基于60日均线乖离率分位点，刻画短期超卖状态[18][19] - **因子具体构建过程**：同V型反转模型中温度计计算步骤[18] 2. **因子名称：低频温度计因子** - **因子构建思路**：基于年度均线乖离率分位点，反映长期趋势偏离度[19] --- 因子的回测效果 1. **高频温度计因子** - 有效阈值：熊市/震荡市<10，牛市<15或急跌至50[19][26] - 失效场景：牛市末端可能因趋势反转失效（如2023年6月传媒指数）[32] 2. **低频温度计因子** - 协同作用：熊市中需与高频因子同步低于阈值[21] - 独立信号：牛市中>80时提示强势标的回调机会[28]

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[9][16] - **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，结合快报、预警及分析师预测综合调整[17][19] 2. **计算税前分红总额**： - 若已公布分红预案，直接使用税前分红总额[23] - 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[19] 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{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[20] 4. **预测分红对各合约的影响值**： - 参考过去三年除权除息日与股东大会日的时间差中位数，预测今年除权除息日[22] - 将合约交割日前的所有分红累加，得到分红影响点数[22] - **模型评价**：模型依赖历史分红率和时间假设，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][25] 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，考虑分红现值和利率影响，推导期货理论价格[25][26] - **模型具体构建过程**： 1. **离散红利分配情况**： - 期货定价公式： $$\mathbf{F_t = (S_t - D)(1 + r)}$$ 其中 \(D = \sum_{i=1}^{m} D_i / (1+\phi)\) 为红利现值，\(r\) 为无风险利率[25] 2. **连续红利分配情况**： - 期货定价公式： $$\mathbf{F_t = S_t e^{(r-d)(T-t)}}$$ 其中 \(d\) 为年化红利率，\(r\) 为无风险利率[26] --- 模型的回测效果 1. **分红预测模型**： - 上证50（IH2507）：年化对冲成本-3.60%（365天计算），剩余分红影响1.06%[11][13] - 沪深300（IF2507）：年化对冲成本1.05%，剩余分红影响0.70%[12][13] - 中证500（IC2507）：年化对冲成本6.74%，剩余分红影响0.24%[12][13] - 中证1000（IM2507）：年化对冲成本9.50%，剩余分红影响0.20%[12][13] --- 量化因子与构建方式 1. **因子名称**：分红点数因子 - **因子构建思路**：反映分红对股指期货合约价格的直接影响[10][11] - **因子具体构建过程**： - 根据分红预测模型输出各合约的分红点数（如IH2507分红点数28.77）[11][12] - 结合实际价差计算含分红价差（实际价差 + 分红点数）[11][12] 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，剔除分红影响[10][11] - **因子具体构建过程**： - 计算公式： $$\text{年化对冲成本} = \left(\frac{\text{实际价差} - \text{分红点数}}{\text{收盘价}}\right) \times \frac{365}{\text{剩余天数}}$$ （例如IH2507：(-23.17 - 28.77)/2684.40 × 365/剩余天数 = -3.60%）[11][12] --- 因子的回测效果 1. **分红点数因子**： - IH2507：28.77点[11] - IF2507：27.38点[12] - IC2507：13.98点[12] - IM2507：12.41点[12] 2. **年化对冲成本因子**： - IH2507：-3.60%（365天计算）[11] - IF2507：1.05%[12] - IC2507：6.74%[12] - IM2507：9.50%[12]

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：四轮驱动模型** - **模型构建思路**：通过多维度信号捕捉行业轮动机会，结合技术面与基本面指标筛选优势行业[6][12] - **模型具体构建过程**： 1. **信号触发机制**：监测行业指数的"赚钱效应异动"信号（如放量突破、均线多头排列等）[12] 2. **信号类型分类**：包括"潜在机会"和"顶部信号"（如"死叉出局"）[12] 3. **动态排序规则**：综合Sharpe比率（过去1年）和信号强度对行业进行排序[12] 4. **止损机制**：设置信号失效阈值（如2025-06-18死叉出局）[12] - **模型评价**：兼顾趋势跟踪与风险控制，但依赖技术面信号可能在高波动市场中产生频繁交易[6] --- 模型的回测效果 （注：原文未提供具体回测指标数值，仅展示信号触发记录） 1. **四轮驱动模型** - 最新信号行业：计算机（Sharpe排序3）、汽车（Sharpe排序6）、机械设备（Sharpe排序缺失）、医药生物（Sharpe排序18）[12] - 失效信号案例：非银金融（2025-06-18死叉出局）、传媒（2025-06-13死叉出局）[12] --- 其他技术分析工具 1. **周期分析模型**：基于上证综指历史周期规律判断支撑/阻力位（如3509震荡区间上轨）[6][7] 2. **缠论分析模型**：通过笔、线段等结构划分市场趋势阶段[9] （注：原文未提供这两个模型的具体构建公式和量化参数）[7][9]

量化模型与构建方式 1. **模型名称：戴维斯双击策略** - **模型构建思路**：通过以较低市盈率买入具有成长潜力的股票，待成长性显现后卖出，实现EPS和PE的乘数效应收益[1][7] - **模型具体构建过程**： 1. 筛选盈利增速加速增长的标的，控制PE下行风险 2. 结合PEG指标评估股票定价合理性（盈利增速越高，理论上估值应更高）[7] - **模型评价**：策略在2010-2017年回测期内年化收益26.45%，超额基准21.08%，年度超额收益均超过11%，稳定性强[8] 2. **模型名称：净利润断层策略** - **模型构建思路**：基于基本面（净利润超预期）与技术面（股价向上跳空）共振选股[2][11] - **模型具体构建过程**： 1. 筛选过去两个月内业绩预告或财报超预期的股票 2. 按盈余公告日跳空幅度排序，选取前50只股票等权构建组合[11] - **模型评价**：2010年至今年化收益29.21%，超额基准27.45%，市场认可度高[14] 3. **模型名称：沪深300增强组合** - **模型构建思路**：基于GARP、成长型、价值型投资者偏好构建因子，增强基准指数收益[3][16] - **模型具体构建过程**： 1. **PBROE因子**：计算PB与ROE分位数之差，筛选低估值高盈利股票 2. **PEG因子**：计算PE与增速分位数之差，挖掘低估成长股 3. 结合营业收入、净利润增速（成长型）和长期稳定ROE（价值型）综合选股[16] - **模型评价**：历史回测超额收益稳定，因子逻辑贴合主流投资风格[20] --- 模型的回测效果 1. **戴维斯双击策略** - 全样本年化收益24.01%，超额基准21.74%，最大回撤-20.14%，收益回撤比1.08[10] - 2025年累计超额中证500指数14.14%，本周超额-0.15%[8] 2. **净利润断层策略** - 全样本年化收益29.21%，超额基准27.45%，最大回撤-37.12%，收益回撤比0.74[12] - 2025年累计超额基准24.98%，本周超额3.24%[14] 3. **沪深300增强组合** - 全样本年化超额收益9.13%，最大回撤-9.18%，收益回撤比0.99[18] - 2025年累计超额沪深300指数13.23%，本周超额-0.10%[20] --- 量化因子与构建方式 1. **因子名称：PBROE因子** - **因子构建思路**：结合估值（PB）与盈利能力（ROE），寻找低PB高ROE股票[16] - **因子具体构建过程**： $$ \text{PBROE} = \text{rank}(\text{PB分位数}) - \text{rank}(\text{ROE分位数}) $$ 分位数差值为负时，表明估值低于盈利水平，具备投资价值[16] 2. **因子名称：PEG因子** - **因子构建思路**：平衡估值（PE）与成长性（增速），挖掘低估成长股[16] - **因子具体构建过程**： $$ \text{PEG} = \text{rank}(\text{PE分位数}) - \text{rank}(\text{增速分位数}) $$ 分位数差值为负时，表明估值增速匹配度较优[16] --- 因子的回测效果 （注：报告中未单独列出因子指标值，仅体现于组合效果中）

量化模型与构建方式 1. **模型名称**：MFE组合构建模型 **模型构建思路**：通过最大化单因子暴露构建组合，同时控制行业、风格等约束条件[51] **模型具体构建过程**： - 目标函数：最大化因子暴露 $$max\ f^{T}w$$ - 约束条件包括： - 风格暴露约束：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离约束：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 个股权重偏离约束：$$w_{l}\leq w-w_{b}\leq w_{h}$$ - 成分股权重占比控制：$$b_{l}\leq B_{b}w\leq b_{h}$$ - 换手率约束：$$\Sigma|w-w_{0}|\leq to_{h}$$[51] **模型评价**：适用于多约束条件下的因子有效性检验，能更真实反映实际组合构建中的因子表现 量化因子与构建方式 1. **因子名称**：Beta风格因子 **因子构建思路**：衡量股票对市场波动的敏感性[13] **因子具体构建过程**：使用贝叶斯压缩后的市场Beta值[13] 2. **因子名称**：Trend因子 **因子构建思路**：捕捉股票价格趋势[13] **因子具体构建过程**： - Trend_120：$$EWMA(halflife=20)/EWMA(halflife=120)$$ - Trend_240：$$EWMA(halflife=20)/EWMA(halflife=240)$$[13] 3. **因子名称**：Volatility因子 **因子构建思路**：衡量股票波动性[13] **因子具体构建过程**： - Stdvol：过去243天的标准波动率 - Ivff：Fama-French三因子特质波动率 - Range：最高价/最低价-1 - MaxRet_6/MinRet_6：过去243天最高/最低六日收益率均值[13] 4. **因子名称**：Liquidity因子 **因子构建思路**：衡量股票流动性[13] **因子具体构建过程**： - TO：过去243天平均对数换手率 - Liquidity beta：个股换手率与市场换手率的回归系数[13] 5. **因子名称**：Value因子 **因子构建思路**：基于估值指标构建[13] **因子具体构建过程**： - BP：账面市值比 - EP：盈利收益率[13] 6. **因子名称**：Growth因子 **因子构建思路**：衡量公司成长性[13] **因子具体构建过程**： - Delta ROE：过去3年ROE变动的平均值 - Sales_growth：销售收入TTM的3年复合增速 - Na_growth：净资产TTM的3年复合增速[13] 因子回测效果 1. **Beta因子**： - 近一周收益：6.95% - 近一年年化收益：42.35% - 历史年化收益：0.72%[12] 2. **Liquidity因子**： - 近一周收益：5.53% - 近一年年化收益：33.85% - 历史年化收益：-3.31%[12] 3. **Value因子**： - 近一周收益：-3.55% - 近一年年化收益：-26.81% - 历史年化收益：7.10%[12] 4. **一年动量因子**（中证全指）： - 近一周收益：1.56% - 今年以来收益：-5.61% - 近一年年化收益：-13.27%[40] 5. **DELTAROE因子**（国证2000）： - 近一周收益：8.27% - 近一年年化收益：75.23% - 历史年化收益：11.01%[33] 指数增强产品表现 1. **沪深300指数增强**： - 最近一周超额收益中位数：0.11% - 今年以来超额收益中位数：2.13%[44] 2. **中证500指数增强**： - 最近一周超额收益中位数：-0.37% - 今年以来超额收益中位数：3.32%[48] 3. **中证1000指数增强**： - 最近一周超额收益中位数：-0.23% - 今年以来超额收益中位数：5.22%[50]