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**：中证香港创新药指数(CNY) **模型构建思路**：选取香港市场中主营业务涉及创新药研发的上市公司证券作为样本，反映香港市场创新药主题证券的整体表现[37] **模型具体构建过程**： - 样本空间为中证香港300指数与中证港股通综合指数样本空间的并集 - 筛选标准： 1) 业务涉及创新药研发或为制药企业提供研发/生产服务 2) 按过去一年日均总市值排序，选取前50只证券（不足50只则全纳入）[38] **模型评价**：历史表现优异，近5年跌幅小于同类指数，近3年涨幅达33.92%[39] 2. **模型名称**：广发中证香港创新药ETF跟踪模型 **模型构建思路**：完全复制中证香港创新药指数成分股及权重[55] **模型具体构建过程**： - 采用实物申赎机制 - 设置人民币/港币双币种交易通道 - 年化跟踪误差控制在6.43%以内[56] 模型的回测效果 1. **中证香港创新药指数(CNY)** - 近1年收益率：74.99% - 近3年收益率：33.92% - 近5年收益率：-7.83% - 市盈率(TTM)：32.47倍（近3年分位数26.12%）[39][42] 2. **广发中证香港创新药ETF** - 规模：118.49亿元 - 日均成交额：28.93亿元 - 年化跟踪误差：6.43% - 跟踪偏离度均值：0.21%[56][57] 量化因子与构建方式 1. **因子名称**：研发投入强度因子 **因子构建思路**：衡量创新药企业研发费用占营业收入比重[32] **因子具体构建过程**： $$研发强度 = \frac{研发费用}{营业总收入} \times 100\%$$ 取中证香港创新药指数成分股中位数21.64%作为基准值[32] 2. **因子名称**：市值分布因子 **因子构建思路**：捕捉小市值创新药企业的超额收益[44] **因子具体构建过程**： - 将成分股按市值分为<100亿/100-300亿/>300亿三组 - 计算各组在指数中的权重占比（68.42%为300亿以下）[44] 因子的回测效果 1. **研发投入强度因子** - 头部成分股研发强度：信达生物(51.82%)、百济神州(54.96%)[50] - 预测EPS增长率：三生制药2025年预测EPS达2.1661元（较2024年+151.87%）[53] 2. **市值分布因子** - 小市值组(<300亿)年化超额收益：较中证创新药产业指数高15.2%[39][44] - 成分股业绩增速：百济神州2025Q1净利润同比+100.51%[50] 注：报告中未涉及复合因子或衍生因子的构建，主要采用指数编制规则中的基础因子进行投资价值分析[38][44]

量化模型与构建方式 1. **模型名称：股指分红点位测算模型** - **模型构建思路**：通过精细化处理指数成分股的分红数据，准确预测股指期货合约的升贴水情况，需考虑成分股权重、分红金额、除息日等核心指标[37][38] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司日度权重数据，若需估算则使用公式： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，$w_{i0}$为最近公布权重，$r_n$为个股涨跌幅[41][42] 2. **分红金额预测**：若未公布分红金额，则通过净利润×股息支付率估算： - **净利润预测**：分盈利稳定型（按历史分布预测）和不稳定型（用上年同期值）[46] - **股息支付率预测**：优先采用去年值，若无则用3年平均，从未分红则默认不分红[47][49] 3. **除息日预测**：基于预案/决案公告日与历史间隔天数的稳定性线性外推，或默认7-9月末[52] 4. **分红点数计算**： $$分红点数=\sum_{n=1}^{N}\left(\frac{成分股分红金额}{成分股总市值}\times 成分股权重 \times 指数收盘价\right)$$ 要求除息日在当前日期至合约到期日之间[37] - **模型评价**：对上证50和沪深300预测误差较小（约5点），中证500误差稍大（约10点），整体准确性较高[57][66] 2. **模型名称：股指期货升贴水监控模型** - **模型构建思路**：跟踪主力合约升贴水幅度，结合分红影响分析市场情绪与期限结构[12][13] - **模型具体构建过程**： 1. **年化升贴水计算**： $$年化升贴水=\left(\frac{含分红价差}{指数收盘价}\right)\times \left(\frac{365}{到期天数}\right)\times 100\%$$ 其中含分红价差=合约收盘价+分红点数-指数收盘价[13] 2. **历史分位点分析**：对比当前升贴水幅度与历史分布（如IH主力合约处于97%分位）[26][30] --- 量化因子与构建方式 1. **因子名称：股息率因子** - **因子构建思路**：统计行业股息率中位数，反映分红收益潜力[2][15] - **因子具体构建过程**： $$股息率=\frac{预案分红金额}{当前总市值}\times 100\%$$ 按行业分类计算中位数，煤炭、银行、钢铁行业排名前三[15][16] 2. **因子名称：剩余股息率因子** - **因子构建思路**：衡量指数未来潜在分红收益[3][17] - **因子具体构建过程**： $$剩余股息率=\frac{\sum_{未分红公司}预期分红金额}{\sum_{未分红公司}总市值}\times 100\%$$ 结合已实现股息率（已分红公司统计）分析指数分红进度[17] --- 模型的回测效果 1. **股指分红点位测算模型** - **预测误差**：上证50/沪深300误差约5点，中证500误差约10点[57] - **历史检验**：2023-2024年主力合约预测股息点与实际值偏离度低（见图21-26）[61][62][66] 2. **股指期货升贴水监控模型** - **年化升贴水值（2025/6/25）**： - IH主力合约：7.56%（升水）[13] - IF主力合约：2.64%（升水）[13] - IC主力合约：-3.62%（贴水）[13] - IM主力合约：-6.77%（贴水）[13] - **历史分位点**：IH主力97%、IF主力83%、IC主力53%、IM主力34%[26][30][35] --- 因子的回测效果 1. **股息率因子** - **行业排名**：煤炭（最高）、银行、钢铁[15][16] 2. **剩余股息率因子（2025/6/25）** - 上证50：1.45%[3] - 沪深300：1.14%[3] - 中证500：0.47%[3] - 中证1000：0.32%[3]

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**：恒指港股通指数模型 **模型构建思路**：该模型旨在反映通过港股通买卖的恒生指数成份股的整体表现，采用行业中立策略，使行业分布与恒生指数相同[26] **模型具体构建过程**： - 样本空间为恒生指数成份股 - 选样方法为所有符合港股通资格的证券 - 指数每季度调整一次，并根据港股通资格进行临时替换[26] **模型评价**：该指数具有高弹性特点，在行情上涨时能带来显著的Beta收益[27] 2. **因子名称**：技术因子 **因子构建思路**：通过分析恒指港股通指数相对于恒生指数的因子暴露，发现该指数主要暴露在技术因子上[38] **因子具体构建过程**： - 技术因子暴露值为-0.066 - 其他显著暴露的因子包括盈利（-0.029）、分红（0.026）和波动率（0.022）[38] 模型的回测效果 1. **恒指港股通指数模型** - 累计收益率：49.92% - 年化收益率：39.22% - 年化波动率：24.48% - 夏普比率：1.60 - 最大回撤：20.08%[29] 量化因子与构建方式 1. **因子名称**：估值因子 **因子构建思路**：通过市盈率和市净率衡量港股通指数的估值水平[40] **因子具体构建过程**： - 市盈率（PE）：$$ PE = \frac{股票价格}{每股收益} $$ - 市净率（PB）：$$ PB = \frac{股票价格}{每股净资产} $$ **因子评价**：恒指港股通指数的市盈率和市净率均低于中证全指，具有较高投资性价比[40] 2. **因子名称**：盈利因子（ROE） **因子构建思路**：通过净资产收益率衡量港股通指数的盈利能力[42] **因子具体构建过程**： - ROE_TTM：$$ ROE = \frac{净利润}{股东权益} $$ **因子评价**：恒指港股通指数的ROE显著高于恒生综合指数和沪深300指数，体现较高盈利能力[42] 3. **因子名称**：股息率因子 **因子构建思路**：通过股息率衡量港股通指数的分红回报[49] **因子具体构建过程**： - 股息率：$$ 股息率 = \frac{年度股息}{股票价格} $$ **因子评价**：恒指港股通指数的股息率始终优于中证全指和沪深300指数[49] 因子的回测效果 1. **估值因子** - 市盈率：10.08倍 - 市净率：1.08倍[40] 2. **盈利因子（ROE）** - ROE_TTM：10.63%[42] 3. **股息率因子** - 股息率：4.76%[49] 其他相关指标 1. **拥挤度指标** - 恒指港股通指数成交额占恒生综合指数成交额比重：52% - 分位数：9%[45] 2. **行业分布** - 非必需性消费：18只（26.24%权重） - 金融业：11只（33.21%权重） - 资讯科技业：18.13%权重[33] 3. **市值分布** - 1000亿以上市值成分股占比：92.90% - 500-1000亿市值成分股占比：6.36%[34] 以上内容全面总结了研报中涉及的量化模型和因子，包括构建思路、具体过程、评价及测试结果。

量化模型与构建方式 1. **模型名称：LSTMtech** - **模型构建思路**：直接使用LSTM模型对股价数据（开、高、低、收、成交量）及技术指标进行因子挖掘[15] - **模型具体构建过程**：输入层为原始量价数据及talib生成的技术指标，采用6年训练集+2年验证集的滚动训练方式，每年更新模型参数[15] - **模型评价**：多头分组效果不够单调，但整体选股能力稳定[15] 2. **模型名称：LSTMdeap_tech** - **模型构建思路**：先通过遗传算法挖掘有效技术因子，再与原始数据共同输入LSTM模型[24][26] - **模型具体构建过程**： 1. 使用遗传算法在2010-2016年数据中挖掘有效因子（框架见图4）[20][22] 2. 将遗传算法因子与原始技术指标合并作为LSTM输入[26] 3. 保持相同的滚动训练机制（6年训练+2年验证）[26] - **模型评价**：绩效显著优于纯LSTM模型，且能覆盖原始LSTM因子的alpha信息[26] 3. **模型名称：LSTMgraph** - **模型构建思路**：将技术指标转化为人为定义的状态变量后输入LSTM[33][41] - **模型具体构建过程**： 1. 对K线形态（实体/影线）和技术指标（如均线相对位置）进行状态编码[33] 2. 合成1-20日K线状态变量作为输入[41] 3. 采用相同LSTM框架训练[41] - **模型评价**：解决了CNN图形识别耗时耗资源的问题，同时保留形态特征[32][41] 4. **复合模型名称：LSTMdeap_tech_graph** - **模型构建思路**：等权合成LSTMdeap_tech与LSTMgraph因子[47][49] - **模型具体构建过程**： 1. 验证两因子相关性（51.48%）及残差选股效果（见图16）[47][49] 2. 直接等权加权合成[49] - **模型评价**：多维度技术信号互补，绩效进一步提升[49] 5. **复合模型名称：LSTMdeap_tech_graph_pro** - **模型构建思路**：将LSTMdeap_tech_graph与交易行为因子LSTMpro等权合成[54] - **模型具体构建过程**：基于38.61%的低相关性直接合成[54] - **模型评价**：多头超额收益显著提升，收益波动比优化[54] --- 量化因子与构建方式 1. **因子名称：Tech_similarity** - **构建思路**：基于技术指标状态匹配历史相似形态[35] - **具体构建过程**： 1. 按月回看5个交易日，匹配股价/MACD/涨跌停/成交量状态[35] 2. 计算匹配日后续20天超额收益均值[35] $$因子值=\frac{1}{5}\sum_{i=1}^{5} (匹配日_i未来20天超额收益)$$ 2. **因子名称：K_similarity** - **构建思路**：基于K线形态匹配历史相似模式[39] - **具体构建过程**： 1. 对日/周/月K线及成交量状态编码[39] 2. 采用与Tech_similarity相同的计算逻辑[39] 3. **复合因子名称：Tech_K_similarity** - **构建思路**：等权合成Tech_similarity与K_similarity[40] - **具体构建过程**：验证两因子25.49%相关性后直接合成[40] --- 模型的回测效果 | 模型名称 | RankIC(2019-) | RankICIR | 多空年化收益 | 多头超额年化 | |------------------------|---------------|----------|--------------|--------------| | LSTMtech | 7.42% | 4.25 | 24.02% | - | [15] | LSTMdeap_tech | 9.27% | 4.54 | 32.44% | - | [26] | LSTMgraph | 9.01% | 4.70 | 32.25% | - | [41][44] | LSTMdeap_tech_graph | 10.89% | 4.99 | 37.28% | 9.40% | [49] | LSTMdeap_tech_graph_pro | 11.93% | - | 39.85% | 11.34% | [54] --- 因子的回测效果 | 因子名称 | RankIC(2013-) | RankICIR | 多空年化收益 | |-------------------|---------------|----------|--------------| | Tech_similarity | 4.97% | 3.05 | 20.22% | [35][37] | K_similarity | 5.10% | 3.09 | 19.25% | [39][42] | Tech_K_similarity | 5.89% | 3.25 | 25.97% | [40][43]

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：大小盘风格因子** - 因子构建思路：通过市场风格分析，区分大盘与小盘股票的表现差异[11][13] - 因子具体构建过程：基于市值加权计算大盘与小盘股票的超额收益差异，反映市场风格偏好 - 因子评价：能够有效捕捉市场风格切换，但需结合其他因子增强稳定性 2. **因子名称：价值成长风格因子** - 因子构建思路：区分价值型与成长型股票的表现差异[11][13] - 因子具体构建过程：通过PB、PE等估值指标划分股票类型，计算两类股票收益差 - 因子评价：在风格分化明显的市场环境中表现突出 3. **因子名称：行业轮动因子** - 因子构建思路：跟踪行业超额收益离散度变化[11][13] - 因子具体构建过程：计算各行业指数相对基准的超额收益标准差 $$ \sigma_{行业} = \sqrt{\frac{1}{N}\sum_{i=1}^N (R_i - \bar{R})^2} $$ 其中$R_i$为行业i超额收益，$\bar{R}$为行业平均超额收益 4. **因子名称：商品趋势强度因子** - 因子构建思路：衡量商品期货板块的趋势延续性[28][29][31] - 因子具体构建过程：通过EMA计算各商品板块的价格动量 $$ EMA_t = \alpha \cdot P_t + (1-\alpha) \cdot EMA_{t-1} $$ 其中$\alpha$为平滑系数，$P_t$为当期价格 5. **因子名称：期权隐含波动率因子** - 因子构建思路：捕捉期权市场对波动率的预期变化[36][37] - 因子具体构建过程：计算ATM期权隐含波动率与历史波动率的差值 因子回测效果 1. **大小盘风格因子** - IC均值：0.32[13] - IR：1.25[13] - 年化超额收益：8.7%[13] 2. **价值成长风格因子** - IC均值：0.28[13] - IR：1.08[13] - 年化超额收益：6.5%[13] 3. **行业轮动因子** - IC均值：0.41[13] - IR：1.63[13] - 年化超额收益：12.3%[13] 4. **商品趋势强度因子** - 胜率：58%[31] - 盈亏比：1.8[31] - 年化收益：15.2%[31] 5. **期权隐含波动率因子** - 波动率预测误差：±2.3%[36] - 方向准确率：67%[36] 注：所有因子测试结果均基于2025年6月16-20日数据[3][11][28]

量化模型与构建方式 1. **模型名称：高景气行业轮动策略** - **模型构建思路**：基于分析师对各行业盈利预期的原值、斜率和曲率等多因子，优选景气度持续向上的行业，剔除估值极高行业后等权配置最优行业[1][2]。 - **模型具体构建过程**： 1. 通过分析师一致预期数据构建三大类因子： - 一类因子（长期赛道因子）：如ROE_FY2、ROE_FY3，代表3-5年赛道概念[13]。 - 二类因子（中期景气度因子）：如EPS_F2_qoq、EPS_F3_mom，反映中短期景气度变化[13]。 - 三类因子（短期情绪因子）：如EPS_F3_qoq_d1m，反映景气度变化的斜率[13]。 2. 因子复合：通过分层聚类方法筛选年化超额>3%的因子，等权Rank复合（最优复合数量为8）[17][18]。 3. 极端估值保护：剔除PB分位数（5日平滑）高于95%的行业[23][26]。 - **模型评价**：聚焦盈利预期边际变化，规避估值泡沫，适合中短期景气周期跟踪[13][16]。 2. **模型名称：隐含情绪动量策略** - **模型构建思路**：通过剥离换手率变化率与收益率关系得到“未证伪情绪”，捕捉未被主流预期反映的市场动向[32][33]。 - **模型具体构建过程**： 1. 日度收益率对换手率变化率截面回归（无截距），残差为未证伪情绪收益率[34]。 2. 计算累计未证伪情绪净值，构建半个月/12个月动量因子[35]。 3. 增强措施：剥离基本面影响（如EPS_yoy）、波动率调整、多因子复合（半个月+12个月动量最优）[36]。 4. 加入极端估值保护机制[36]。 - **模型评价**：有效捕捉情绪驱动的动量效应，但需警惕高波动风险[32][38]。 3. **模型名称：宏观指标风格轮动策略** - **模型构建思路**：以宏观经济、货币、信贷等指标为基础，结合行业风格（价值/动量/波动率）定量择时，映射至行业优选[43][44]。 - **模型具体构建过程**： 1. 宏观指标处理：分历史中枢（6年zscore）、超预期（SUE_3Y）、边际变动（d3m）三个维度[48][49]。 2. 行业风格因子优选：通过截面回归筛选显著性、稳定性、低相关性的风格因子（如Value、Beta_1y、Vol_3m、Mom_12m）[51][53]。 3. 风格研判：宏观指标等权投票打分，映射至行业标准化暴露度[58][61]。 - **模型评价**：突破传统宏观框架局限性，但依赖风格因子稳定性[43][63]。 4. **模型名称：中长期动量反转策略** - **模型构建思路**：结合行业收益率“中短期动量、长期反转”结构，叠加低换手因子捕捉周期轮换机会[71][74]。 - **模型具体构建过程**： 1. 构建12个月动量因子（剔除最近1月）和24-36个月反转因子[76][78]。 2. 复合因子：12月动量 + 24-36月反转Rank等权复合[76]。 3. 低换手增强：剔除旬度换手率截面zscore高的行业[82][83]。 - **模型评价**：兼顾动量与反转效应，但需动态调整参数[71][84]。 5. **模型名称：资金流行业轮动策略** - **模型构建思路**：跟踪主力资金（机构单）和尾盘资金流入强度，挖掘资金驱动动能[91][92]。 - **模型具体构建过程**： 1. 机构单趋势强度因子：净买入金额与绝对值移动平均比值，中性化处理（剔除市值/换手率影响）[94][95]。 2. 尾盘流入强度因子：尾盘资金流入金额占流通市值/成交额比例的月度差分Rank复合[99][103]。 3. 剔除高拥挤行业（换手率zscore分位数>90%）[100][101]。 - **模型评价**：直接反映资金动向，但需规避抱团风险[91][105]。 6. **模型名称：财报失效反转策略** - **模型构建思路**：利用长期有效但阶段性失效的财报因子，依托均值回复机制反转选行业[108][109]。 - **模型具体构建过程**： 1. 财报因子库：48个类ROA因子（利润表/资产负债表指标组合）+16个类净利润YOY/QOQ因子[110][116]。 2. 筛选条件：滚动3年年化超额>5.5%且近4个月连续跑输的因子，按类别等权zscore复合[116][117]。 - **模型评价**：逆向布局财报因子失效，但需严格监控因子恢复周期[108][118]。 7. **模型名称：传统低频多因子打分策略** - **模型构建思路**：从动量、估值、流动性、质量四维度优选单因子，等权Rank复合[122][123]。 - **模型具体构建过程**： 1. 优选因子：如252日动量（正向）、756日动量（反向）、股息率3年分位（反向）、ROE_TTM季度差分（正向）等[124][128]。 2. 仅在中证800权重>2%的行业中筛选[122][123]。 - **模型评价**：经典多因子框架，适合长期配置但换仓频率低[122][129]。 8. **模型名称：波动率控制复合策略** - **模型构建思路**：以各单策略滚动63日负向波动率倒数分配资金，等权配置看多行业[3][139]。 - **模型具体构建过程**： 1. 计算下跌日波动率：$$\sigma_{D}=\sqrt{\frac{1}{n-1}\sum_{r_{i}\in D}\left(r_{i}-\frac{1}{n}\sum_{r_{i}\in D}r_{i}\right)^{2}}$$[139]。 2. 资金分配：负向波动率越低，配置比例越高[139][142]。 3. 调仓频率：兼顾周度/月度/季度策略换仓周期[141][146]。 - **模型评价**：有效控制回撤，但需动态调整窗口参数（M=63最优）[147]。 --- 模型的回测效果 1. **高景气行业轮动策略**：年化超额16.69%，最大回撤-12.95%，卡玛比率1.29[26][28]。 2. **隐含情绪动量策略**：年化超额18.61%，最大回撤-17.83%，卡玛比率1.04[37][38]。 3. **宏观指标风格轮动策略**：年化超额7.01%，最大回撤-23.46%，卡玛比率0.30[63][64]。 4. **中长期动量反转策略**：年化超额11.42%，最大回撤-14.91%，卡玛比率0.77[84][88]。 5. **资金流行业轮动策略**：年化超额11.64%，最大回撤-12.16%，卡玛比率0.96[101][106]。 6. **财报失效反转策略**：年化超额9.13%，最大回撤-10.54%，卡玛比率0.87[118][119]。 7. **传统低频多因子打分策略**：年化超额12.00%，最大回撤-13.25%，卡玛比率0.91[129][133]。 8. **波动率控制复合策略**：年化超额12.2%，最大回撤-6.8%，卡玛比率1.80[147][148]。 --- 量化因子与构建方式 1. **因子名称：景气度复合因子** - **构建思路**：综合盈利预期原值、斜率、曲率三类因子，优选边际变化显著的行业[13][16]。 - **具体构建**：等权Rank复合8个单因子（如ROE_FY2、EPS_F2_qoq等），剔除PB分位数>95%行业[17][21]。 2. **因子名称：未证伪情绪动量因子** - **构建思路**：剥离换手率对收益的影响，捕捉情绪驱动的超额收益[32][34]。 - **具体构建**：$$r_{i,t}=\beta \cdot \Delta \text{turnover}_{i,t}+\epsilon_{i,t}$$（无截距回归残差）[34][35]。 3. **因子名称：宏观风格因子** - **构建思路**：通过宏观指标预测风格多空（如Value/Beta），映射至行业暴露[51][53]。 - **具体构建**：宏观指标等权投票打分，行业得分=标准化风格暴露×方向[58][61]。 4. **因子名称：长期反转-中期动量因子** - **构建思路**：结合12个月动量与24-36个月反转效应[76][78]。 - **具体构建**：Rank等权复合动量与反转因子，叠加低换手筛选[76][82]。 5. **因子名称：资金流复合因子** - **构建思路**：综合机构单趋势强度与尾盘流入强度[91][94]。 - **具体构建**：中性化后等权zscore复合，剔除换手率拥挤度>90%行业[94][100]。 6. **因子名称：财报失效反转因子** - **构建思路**：筛选长期有效但近期失效的财报因子，逆向布局[116][117]。 - **具体构建**：按类别优选单因子（如ROA边际变化、净利润YOY分位）等权复合[116][117]。 7. **因子名称：传统多因子复合因子** - **构建思路**：四维度（动量/估值/流动性/质量）等权Rank复合[124][128]。 - **具体构建**：如252日动量+股息率3年分位+ROE_TTM差分等[124][128]。 --- 因子的回测效果 1. **景气度单因子**：ROE_FY2年化超额6.9%，EPS_F2_qoq年化超额7.0%[17][18]。 2. **未证伪情绪动量因子**：半个月+12个月复合因子年化超额18.61%[37][38]。 3. **宏观风格因子**：Value/Beta_1y等风格因子Rank IC均值>0.05[51][53]。 4. **长期反转-中期动量因子**：复合因子年化超额11.42%[84][88]。 5. **资金流复合因子**：年化超额11.64%，最大回撤-12.16%[101][106]。 6. **财报失效反转因子**：优选因子年化超额9.13%[118][119]。 7. **传统多因子复合因子**：年化超额12.00%[129][133]。

量化模型与构建方式 1. **模型名称**：基于指数内部风格强弱的扩散指数模型 - **模型构建思路**：通过统计指数成分股内不同风格因子（如市值、波动率等）的相对强弱，构建扩散指数进行风格轮动[4][5] - **模型具体构建过程**： 1. 选定指数（成分股数量为N）和风格因子F，将成分股按F值分为两组（各N/2个）[18] 2. 计算过去M天所有股票收益的平均值r，统计两组中跑赢r的比例（p1和p2）[18] 3. 计算相对强弱指标R并归一化： $$ R = \frac{p1 - p2}{2} + 0.5 $$ 其中R∈[0,1]，值越大表示F值大的组相对强势[18] - **模型评价**：能有效捕捉指数内风格分化，但受限于单一指数范围[5] 2. **模型名称**：基于不同指数间相对强弱的扩散指数模型 - **模型构建思路**：推广模型一至跨指数比较，用于指数间轮动[4][27] - **模型具体构建过程**： 1. 选定两个指数（成分股数量分别为N1和N2）[26] 2. 分别计算过去M天两指数成分股收益的平均值r1和r2，加权得r=(r1+r2)/2[30] 3. 统计两指数成分股跑赢r的比例（p1和p2），计算归一化R值（公式同模型一）[30] - **模型评价**：扩展性强，适用于任意指数对比较，但需注意参数敏感性[27] --- 模型的回测效果 1. **沪深300波动轮动模型**（双均线参数：短期10日MA，长期20日MA） - 高波动组胜率48.48%，平均超额收益1.00%[35] - 低波动组胜率63.64%，平均超额收益1.47%[35] 2. **中证500波动轮动模型** - 高波动组胜率37.14%，平均超额收益0.78%[38] - 低波动组胜率51.43%，平均超额收益0.99%[38] 3. **中证1000与沪深300轮动模型** - 中证1000胜率64.71%，平均超额收益1.57%[44] - 沪深300胜率63.64%，平均超额收益1.16%[44] --- 参数敏感性分析 1. **中证1000成分股内波动率轮动** - 最优回顾期20-25天，年化收益率16.78%，最大回撤32.50%[51][53] 2. **中证1000与沪深300轮动** - 回顾期20天时年化收益率9.18%，最大回撤29.19%[55] - 回顾期180天时年化收益率9.85%，最大回撤33.34%[55] --- 关键因子说明 - **波动率因子**：过去一年收益率年化标准差[17] - **市值因子**：Wind总市值[20] - **价值因子**：PE_TTM倒数[22] - **成长因子**：单季度归母净利润增速[24]

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个因子构建综合打分体系，评估行业轮动机会[18] - **模型具体构建过程**： 1. **资金因子**：行业主力净流入率（过去N日主力资金净流入/行业市值） 2. **估值因子**：行业当前PE/PB位于过去1年的分位数 3. **情绪因子**：行业成分股上涨比例（上涨股票数/总股票数） 4. **动量因子**：行业MACD指标（DIF与DEA差值） 5. **超买超卖因子**：行业RSI指标（14日周期） 6. **盈利因子**：行业一致预测EPS过去1年分位数 各因子标准化后加权求和，权重未公开[18] - **模型评价**：多维度覆盖市场驱动因素，但未披露因子权重分配逻辑 2. **模型名称：共识度选股模型** - **模型构建思路**：结合行业动量、高频资金流与价格走势相似度筛选个股[21] - **模型具体构建过程**： 1. **行业筛选**：选取过去30天涨幅前三的申万二级行业 2. **股票池构建**：在目标行业中计算以下指标： - 月度动量因子（过去30日收益率） - 估值因子（如PE分位数） - 上涨频率（日内上涨分钟数占比） 3. **高频资金匹配**：计算股票分钟级资金流与价格走势的相关系数（如Pearson系数） 4. **最终筛选**：按相关系数排序，每个行业选取前5只股票[21] - **模型评价**：高频数据捕捉短期资金动向，但对交易成本敏感 --- 模型的回测效果 1. **A股行业轮动模型**： - 非银金融（得分6）、食品饮料（5）、电子（4）为当期高分行业[20] - 石油石化（-8）、轻工制造（-6）、银行（-6）为低分行业[20] 2. **共识度选股模型**： - 当期输出标的：元件（满坤科技、沪电股份等）、油服工程（通源石油、中海油服等）、饰品（明牌珠宝、周大生等）[22] --- 量化因子与构建方式 1. **因子名称：主力资金净流入率** - **构建思路**：通过大单交易识别主力资金动向[13] - **具体构建过程**： - 定义主力交易单：单笔成交≥10万股或金额≥20万元 - 计算每日行业净流入额：主力买入额-主力卖出额 - 标准化处理：净流入额/行业流通市值[13] 2. **因子名称：MACD动量因子** - **构建思路**：捕捉行业价格趋势变化[18] - **具体构建过程**： - 计算行业指数12日EMA（快线）与26日EMA（慢线）： $$EMA_{12} = \frac{2}{13} \times (今日收盘价 - 昨日EMA_{12}) + 昨日EMA_{12}$$ $$EMA_{26} = \frac{2}{27} \times (今日收盘价 - 昨日EMA_{26}) + 昨日EMA_{26}$$ - DIF = EMA_{12} - EMA_{26} - DEA = DIF的9日EMA[18] 3. **因子名称：RSI超买超卖因子** - **构建思路**：衡量行业短期超买超卖状态[18] - **具体构建过程**： - 计算14日行业指数涨跌幅： $$RS = \frac{14日平均涨幅}{14日平均跌幅}$$ - $$RSI = 100 - \frac{100}{1+RS}$$[18] --- 因子的回测效果 （注：报告中未披露单一因子的独立测试结果）

根据研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称：行业修正动量策略（PMS组合）** - **模型构建思路**：基于市场环境判断，在不同市场状态下通过个股动量构建行业动量代理指标，选择兼顾龙头股趋势、非龙头股反转及系统性风险分散的行业进行配置[27] - **模型具体构建过程**： 1. 计算行业动量代理指标：结合1年动量（1Y动量）和1年夏普比率（1Y夏普因子） 2. 筛选行业：龙头股趋势（RANK IC 18.67%）、非龙头股反转（RANK IC 15.63%） 3. 月度调仓，配置银行、非银、传媒、电子、农林牧渔等行业[27][28] - **模型评价**：在行业层面趋势类策略占优，尤其适用于内外部宏观扰动较多的环境[27] 2. **模型名称：利率债多周期择时策略** - **模型构建思路**：利用核回归算法捕捉10年期国债收益率曲线的趋势形态，结合长、中、短周期信号生成复合择时观点[41] - **模型具体构建过程**： 1. 长周期（月度频率）：向下突破信号 2. 中周期（双周频率）：无信号 3. 短周期（周度频率）：无信号 4. 综合信号权重：下行突破1票，上行突破0票，输出中性震荡观点[41][42] 3. **模型名称：转债期权估值择时策略** - **模型构建思路**：基于期权二叉树定价法计算转债定价偏离度，动态调整仓位[52] - **模型具体构建过程**： 1. 计算定价偏离度：$$偏离度 = \frac{转债二叉树定价}{转债市价} - 1$$ 2. 仓位调整规则：偏离度>0时增配转债，偏离度<0时减配 3. 周度调仓，偏离度中位数-0.69%时配置44%仓位[52][53] --- 量化因子与构建方式 1. **因子名称：股债性价比因子** - **因子构建思路**：作为估值领先指标，通过权益与债券的收益比判断A股估值空间[12] - **因子具体构建过程**： 1. 计算中证800指数12个月滚动收益与10年期国债收益率差值 2. 标准化处理：5年分位数56.27%（全A）、31.03%（中证800）[12][15] 2. **因子名称：ROIC利率中枢因子** - **因子构建思路**：通过权益与债市ROIC匹配关系推算利率中枢[32] - **因子具体构建过程**： 1. 权益ROIC计算：$$ROIC_{权益} = \frac{净利润}{总资产}$$（A股除金融口径4.07%） 2. 债市隐含ROIC计算：$$ROIC_{债市} = (无风险利率+信用溢价)×债权比例$$（3.57%） 3. 利率中枢推算：上市公司口径1.34%，工业企业口径1.50%[32][40] 3. **因子名称：转债正股PB估值因子** - **因子构建思路**：合成全市场转债正股PB中位数，判断股底BETA机会[57] - **因子具体构建过程**： 1. 自下而上计算正股PB中位数：最新值2.19 2. 分位数处理：5年分位数19.72%[57][58] --- 模型的回测效果 1. **行业修正动量策略（PMS组合）** - 年化收益率：6.84%（超额收益7.59%） - 最大回撤：-11.78%[27] 2. **利率债多周期择时策略** - 年化收益率（不计费）：7.79% - 收益回撤比：13.46[47] 3. **转债期权估值择时策略** - 年化收益率：8.75% - 超额收益（vs等权基准）：2.22%[56] --- 因子的回测效果 1. **股债性价比因子** - 中证800预测收益：6.55%（中性情景）[19] 2. **ROIC利率中枢因子** - 利率走廊上限：1.75%（上市公司口径）[40] 3. **转债正股PB估值因子** - 正股PB中位数：2.19（5年分位数19.72%）[57]

量化因子与构建方式 1 因子名称：RSI相对强弱指标 - 因子构建思路：通过计算一定周期内平均涨幅与平均跌幅的比值，衡量市场超买超卖状态[2] - 因子具体构建过程： $$RSI = 100 - \frac{100}{1 + RS}$$ 其中RS为12天内平均涨幅与平均跌幅的比值。当RSI>70为超买，RSI<30为超卖[2] - 因子评价：经典动量类指标，适用于短期趋势判断 2 因子名称：净申购金额 - 因子构建思路：通过ETF净值变化计算资金流动情况[2] - 因子具体构建过程： $$NETBUY(T) = NAV(T) - NAV(T-1) \times (1+R(T))$$ 其中NAV为ETF净值，R(T)为当日收益率[2] 因子的回测效果 1 RSI因子： - 华泰柏瑞沪深300ETF RSI值47.29[4] - 易方达沪深300ETF RSI值61.93[4] - 华夏沪深300ETF RSI值61.89[4] 2 净申购因子： - 华泰柏瑞沪深300ETF净申购12.50亿元[4] - 易方达沪深300ETF净申购3.32亿元[4] - 华夏沪深300ETF净申购0.54亿元[4] 注：日内行情趋势、机构持仓占比等指标为描述性数据，未涉及量化模型构建过程[2][3][4]