根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **封板率因子** - 构建思路：通过监测涨停股在盘中维持涨停状态的比例，反映市场追涨情绪的持续性[17] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月的股票，剔除新股干扰[17] - 评价：高频情绪指标，对短期动量策略有参考价值 2. **连板率因子** - 构建思路：衡量涨停股连续涨停的概率，捕捉市场极端动量效应[17] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除ST股和上市不足3个月的股票[17] 3. **股指期货贴水率因子** - 构建思路：利用期货主力合约与现货指数的基差，反映市场预期[29] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 跟踪上证50/沪深300/中证500/中证1000四大合约[29] - 评价：对冲成本指标，极端贴水预示市场恐慌 4. **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度监测大资金动向[26] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单笔成交超500万元的交易[26] 因子回测效果 1. **封板率因子** - 当日值：64%（较前日下降10%）[17] - 月波动区间：50%-75%[19] 2. **连板率因子** - 当日值：26%（较前日下降14%）[17] - 月波动区间：20%-40%[19] 3. **股指期货贴水率因子** - 上证50：年化贴水率10.29%（近一年15%分位）[29] - 沪深300：年化贴水率12.72%（近一年10%分位）[29] - 中证500：年化贴水率19.19%（近一年10%分位）[29] - 中证1000：年化贴水率22.31%（近一年12%分位）[29] 4. **大宗交易折价率因子** - 当日值：6.65%（近半年均值5.48%）[26] - 半年波动区间：4%-8%[28] 注：报告中未涉及完整量化模型构建，主要为市场监测类因子[17][26][29]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. 股票市场因子 1. **因子名称**：大小盘风格因子 - **构建思路**：通过比较大盘股与小盘股的表现差异来捕捉市场风格变化[10] - **具体构建过程**：计算大盘指数（如上证50）与微盘股指数的收益率差值，标准化后作为因子值 - **因子评价**：反映市场风险偏好，但易受极端行情影响[12] 2. **因子名称**：价值成长风格因子 - **构建思路**：基于估值指标（如PE/PB）与成长指标（如营收增速）划分价值/成长风格[10] - **具体构建过程**： - 价值得分：$$ \text{Value}_i = \frac{1}{3}(\text{PE}_i + \text{PB}_i + \text{DY}_i) $$ - 成长得分：$$ \text{Growth}_i = \frac{1}{2}(\text{RevenueGrowth}_i + \text{EPSGrowth}_i) $$ - 因子值 = 价值组合收益率 - 成长组合收益率[12] 3. **因子名称**：行业超额收益离散度因子 - **构建思路**：衡量行业间超额收益分化程度[12] - **具体构建过程**：计算各行业指数超额收益的标准差，滚动20日标准化[12] 4. **因子名称**：成分股上涨比例因子 - **构建思路**：反映市场广度与赚钱效应[25] - **具体构建过程**：每日统计指数成分股中上涨家数占比，5日移动平均[25] 2. 商品市场因子 1. **因子名称**：趋势强度因子 - **构建思路**：捕捉商品期货价格的动量效应[25] - **具体构建过程**： $$ \text{TrendStrength} = \frac{\text{MA}_{20}(\text{Close}) - \text{MA}_{60}(\text{Close})}{\text{MA}_{60}(\text{Close})} $$ 按能化、黑色等板块分别计算[26] 2. **因子名称**：基差动量因子 - **构建思路**：利用期货基差变化预测未来价格[26] - **具体构建过程**：计算近月合约与主力合约价差的5日变化率[29] 3. **因子名称**：波动率因子 - **构建思路**：衡量商品价格波动水平[32] - **具体构建过程**：滚动20日收益率标准差，按板块归一化[29] 3. 期权市场因子 1. **因子名称**：隐含波动率偏度因子 - **构建思路**：通过期权偏度反映市场对小盘股调整风险的预期[35] - **具体构建过程**： $$ \text{Skew} = \frac{\text{IV}_{\text{Call}} - \text{IV}_{\text{Put}}}{\text{ATM IV}} $$ 分别计算上证50与中证1000指数期权偏度[37] 因子回测效果 股票市场因子 1. 大小盘风格因子：上周偏向大盘风格（+0.32σ）[12] 2. 价值成长风格因子：上周偏向价值风格（+0.41σ）[12] 3. 行业超额收益离散度：下降至0.18（前值0.23）[12] 4. 成分股上涨比例：下降至48.7%（前值52.1%）[25] 商品市场因子 1. 趋势强度因子：能化板块+1.2σ，贵金属板块+0.8σ[29] 2. 基差动量因子：农产品板块-0.5σ，黑色板块+1.1σ[29] 3. 波动率因子：能化板块波动率1.8σ，有色板块0.6σ[29] 期权市场因子 1. 隐含波动率偏度：中证1000看跌期权偏度维持+1.5σ优势[37] 注：所有因子测试结果基于2025年5月19-23日数据[9][12][29]

量化模型与构建方式 1.模型名称：ANS对抗噪声交易优化器 模型构建思路：将行为金融学中的累积前景理论融入组合优化过程，通过三阶段优化实现基于对抗机制的组合优化决策[1][2] 模型具体构建过程： 1) 原始投资组合权重输出：与传统优化器类似，但去掉换手率约束以避免路径依赖[38] 2) 非理性投资组合权重输出： - 使用累积前景理论构建非理性效用函数： $$U^{c p t}(w)=f_{\pi_{+}}(\phi_{+}(\mathrm{u}_{+}(R w)))-f_{\pi_{-}}(\phi_{-}(\mathrm{u}_{-}(R w)))$$[44] - 采用MM算法求解非凸优化问题[47] 3) 对抗投资组合权重输出：通过构造持仓变动实现反向交易行为修正[50] 4) 理性投资组合权重输出：引入多任务学习，将目标权重与对抗组合的L1范数距离作为目标函数： $$\max \sum_i w_i r_i - \lambda\|w-w^a\|_1$$[51] 模型评价：作为"即插即用"的灵活组件，可适配任意Alpha因子，在保持传统组合优化优势的同时实现权重自适应调整[2][35] 2.模型名称：TK因子模型 模型构建思路：基于累积前景理论构建非理性因子，刻画非理性交易者行为[24] 模型具体构建过程： 1) 使用股票过去60个月的月频收益率作为收益分布替代 2) 计算每支股票的原始TK价值： $$T K\equiv\sum_{i=-m}^{-1}v(r_i)\left[w^{-}\left(\frac{i+m+1}{60}\right)-w^{-}\left(\frac{i+m}{60}\right)\right]+\sum_{i=1}^{n}v(r_i)\left[w^{+}\left(\frac{n-i+1}{60}\right)-w^{+}\left(\frac{n-i}{60}\right)\right]$$[24] 3) 引入衰减系数改进： $$\begin{array}{l}{{\mathrm{TK}\equiv\sum_{i=-m}^{-1}\rho^{t(i)}v(r_i)\left[w^{-}\left(\frac{i+m+1}{60}\right)-w^{-}\left(\frac{i+m}{60}\right)\right]}}\\ {{\qquad+\sum_{i=1}^{n}\rho^{t(i)}v(r_i)\left[w^{+}\left(\frac{n-i+1}{60}\right)-w^{+}\left(\frac{n-i}{60}\right)\right]}}\end{array}$$[25] 因子评价：在头尾两端具有很强的区分度，但整体预测性能不足，分层效果不明显[29][32] 模型的回测效果 1.ANS优化器模型 - 中证500指增：年化超额收益11.00%，超额最大回撤9.84%，IR 1.74[67][68] - 中证1000指增：年化超额收益18.26%，超额最大回撤10.36%，IR 2.43[72][73] 2.TK因子模型 - IC值：-1.18%，RankIC：-1.65%[30] - Top层收益：-7.77%，Bottom层收益：6.46%[30] - 多空收益：-7.12%，Top层IR：-1.81，Bottom层IR：-0.33[30] 量化因子与构建方式 1.因子名称：GRU量价因子 因子的构建思路：作为基础Alpha因子用于对比实验[55] 2.因子名称：负向TK因子 因子的构建思路：将GRU预测因子与负向TK因子按9:1比例加权融合[60] 3.因子名称：TK风格因子 因子的构建思路：将TK值作为一种风格，添加相对基准指数的负向暴露约束[60]

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：股指分红点位测算模型** - **模型构建思路**：通过精确预测指数成分股的分红金额、除息日等关键指标，计算股指期货合约在到期前的分红影响点数，从而准确衡量期货合约的升贴水幅度[12][36] - **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[43] 2. **分红金额预测**：若未公布分红，则通过净利润×股息支付率估算。净利润预测采用历史分布动态法（分稳定/不稳定两类公司处理），股息支付率采用历史均值或截尾处理[45][49][51] 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月区间[53][54] 4. **分红点数整合**：汇总所有成分股在期货合约到期前的分红影响，公式为： $$\text{分红点数}=\sum_{n=1}^{N}\left(\frac{\text{成分股分红金额}}{\text{成分股总市值}} \times \text{权重} \times \text{指数收盘价}\right)$$[36] - **模型评价**：对上证50和沪深300预测误差约5点，中证500误差约10点，具有较高准确性[59] 2. **模型名称：股息率动态计算模型** - **模型构建思路**：实时跟踪已实现与剩余股息率，反映指数分红进度[17] - **模型具体构建过程**： - **已实现股息率**：累计已分红金额占总市值比例加权求和 - **剩余股息率**：未分红公司的预案/决案金额占总市值比例加权求和[17] --- 量化因子与构建方式 1. **因子名称：年化升贴水因子** - **因子构建思路**：衡量股指期货合约相对指数的溢价/折价水平，扣除分红影响后反映市场情绪[12][13] - **因子具体构建过程**： $$\text{年化升贴水}=\left(\frac{\text{含分红价差}}{\text{指数收盘价}}\right) \times \frac{365}{\text{到期天数}} \times 100\%$$ 其中含分红价差=合约收盘价+分红影响点数-指数收盘价[13] 2. **因子名称：行业股息率因子** - **因子构建思路**：通过行业股息率中位数排序捕捉高分红板块[15] - **因子具体构建过程**：计算各行业已公布预案个股的股息率（预案分红金额/当前总市值）中位数[15] --- 模型的回测效果 1. **股指分红点位测算模型** - 上证50预测误差：±5点[59] - 沪深300预测误差：±5点[59] - 中证500预测误差：±10点[59] 2. **股息率动态计算模型** - 截至2025/5/27： - 上证50已实现股息率0.17%，剩余2.18%[17] - 沪深300已实现0.28%，剩余1.73%[17] - 中证500已实现0.23%，剩余1.14%[17] --- 因子的回测效果 1. **年化升贴水因子**（2025/5/27主力合约）： - IH升水2.14%，IF贴水2.80%，IC贴水10.94%，IM贴水16.65%[13] - 历史分位点：IH(68%)、IF(29%)、IC(17%)、IM(6%)[27] 2. **行业股息率因子**： - 煤炭、银行、钢铁行业股息率排名前三[15]

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：Claude Opus 4** - **模型构建思路**：专为复杂推理与软件开发设计，扩展AI智能体能力边界[12] - **模型具体构建过程**： - 基于Anthropic的底层架构优化，增强跨文件代码理解能力 - 引入记忆文件机制，通过本地存储关键信息提升长期任务连贯性[16] - 采用轻量级思考摘要功能，在5%场景下精简推理链条[19] - **模型评价**：在SWE-bench测试中准确率72.5%，TerminalBench测试43.2%，展现顶尖编码能力[12][16] 2. **模型名称：Claude Sonnet 4** - **模型构建思路**：平衡性能与成本的通用模型，优化指令遵循能力[12] - **模型具体构建过程**： - 基于Sonnet 3.7改进编码和推理模块 - 通过行为控制技术降低系统漏洞利用概率65%[16] - **模型评价**：SWE-bench测试72.7%优于Opus 4，但综合性能稍逊[16] 3. **模型名称：Cosmos-Reason1** - **模型构建思路**：融合物理常识与具身推理，面向自动驾驶/机器人场景[29] - **模型具体构建过程**： - 采用混合Mamba-MLP-Transformer架构，结合ViT视觉编码器[30] - 四阶段训练流程： 1. 130M数据视觉预训练（跨模态对齐） 2. 8M通用监督微调（SFT） 3. 物理AI专项微调（16类知识注入） 4. GRPO算法强化学习优化决策[30] - 公式：奖励机制采用时空谜题自监督生成$$R=\sum_{t=1}^{T}\gamma^{t-1}r_t(s_t,a_t)$$ - **模型评价**：物理常识测试60.2%准确率，具身推理任务性能提升10%[34] 4. **模型名称：Gemini 2.5 Pro** - **模型构建思路**：旗舰级多模态推理模型，扩展上下文窗口至200万token[43] - **模型具体构建过程**： - 引入"Deep Think"并行推理架构，动态调整5%-100%思考强度 - 集成Model Context Protocol SDK降低开源工具链对接门槛[44] - **模型评价**：MMMU测试84.0%，长期记忆准确率83.1%显著优于竞品[44] 5. **模型名称：Devstral** - **模型构建思路**：开源编程专用模型，强化安全对齐与工程级任务处理[38] - **模型具体构建过程**： - 基于Mistral Small 3.1架构，采用Tekken Tokenizer（131,000词汇量） - 零样本训练策略避免SWE-bench过拟合[41] - **模型评价**：SWE-bench Verified得分46.8%，超越前代开源模型6%[39] --- 模型的回测效果 1. **Claude Opus 4** - SWE-bench准确率72.5%[12] - TerminalBench准确率43.2%[12] - 长期记忆准确率83.1%（MRCR 128K测试）[44] 2. **Cosmos-Reason1-7B** - 物理常识基准60.2%准确率[34] - 具身推理基准平均60.7%[34] - 8K视频流推理速度较GPT-4快11倍[34] 3. **Gemini 2.5 Pro** - MMMU得分84.0%[44] - WebDev Arena测试1499.95分（较前代+147）[44] 4. **Devstral** - SWE-bench Verified得分46.8%[39] - 单RTX 4090显卡可部署[39] --- 技术前沿发现 1. **思维链(CoT)对指令遵循的影响** - **构建思路**：通过IFEval/ComplexBench基准测试15种模型的CoT干扰效应[52] - **关键发现**： - CoT导致IFEval准确率平均下降12.3%[54] - 注意力机制显示约束token关注度下降18.7%[60] - **缓解方案**： - 分类器选择性推理提升IFEval准确率7.2%[65] - 自适应推理选择优化ComplexBench表现[64] （注：原文未涉及量化因子相关内容，故未总结该部分）

根据提供的金融工程日报内容，该报告主要聚焦市场表现和情绪指标，未涉及具体的量化模型或因子构建。以下是可提取的核心量化指标： 1. 市场情绪指标 - 封板率计算方式：最高价涨停且收盘涨停的股票数/最高价涨停的股票数[16] - 连板率计算方式：连续两日收盘涨停的股票数/昨日收盘涨停的股票数[16] - 当日封板率74%（较前日+2%），连板率41%（较前日+9%）[16] 2. 资金流向指标 - 两融余额占比：两融余额/流通市值=2.3%[21] - 两融交易占比：(融资买入额+融券卖出额)/市场成交额=8.2%[21] 3. 折溢价指标 - ETF折溢价：创50ETF富国溢价2.01%，沪港深300ETF折价0.48%[22] - 大宗交易折价率公式：大宗交易总成交金额/当日成交份额总市值-1[25] - 近半年平均折价率5.48%，当日折价率4.03%[25] 4. 股指期货指标 - 年化贴水率公式：基差/指数价格*(250/合约剩余交易日数)[28] - 当日贴水率分位数： • 上证50：9.14%（16%分位）[28] • 沪深300：11.57%（13%分位）[28] • 中证500：19.29%（10%分位）[28] • 中证1000：22.87%（11%分位）[28] 注：报告未包含量化模型或因子构建的具体方法论，主要为市场监测类指标的实时数据展示。所有计算公式和数据取值均来自原文标注的章节。

量化模型与构建方式 1. **模型名称**：RNN+Neural ODE+MLP融合模型 **模型构建思路**：通过RNN进行时序数据压缩和降维，利用Neural ODE学习时序演化规律重构数据，最后通过MLP捕捉alpha信息以提升选股鲁棒性[3][6]。 **模型具体构建过程**： - **Encoder层（RNN）**：对时序数据降维和特征提取。 - **Decoder层（Neural Jump SDE）**：拟合时序数据的微分动力系统，重构数据。公式： $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t),t\in[0,T]\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$ 其中$v$和$\sigma$为全连接层加激活函数构成[22][26]。 - **MLP层**：对重构数据提取特征预测收益率。损失函数包括重构损失、KL散度和MSE损失： $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[31][32] **模型评价**：通过数据重构降低噪声影响，提升样本外泛化能力[3][34]。 2. **模型名称**：Baseline模型（ABCM模型） **模型构建思路**：基于神经网络的alpha和beta因子协同挖掘，生成选股因子[37]。 **模型评价**：作为对比基准，新模型在多头超额和抗风险能力上显著优于Baseline[39][43]。 3. **衍生模型**： - **Model1**：Neural ODE生成因子与Baseline因子等权组合[42]。 - **Model2**：Neural SDE生成因子与Baseline因子等权组合[42]。 - **Model3**：Model1因子剥离短期风险后的残差因子[42]。 --- 量化因子与构建方式 1. **因子名称**：Model1因子 **因子构建思路**：基于RNN+Neural ODE+MLP模型生成的alpha因子，通过数据重构增强稳定性[6][26]。 **因子评价**：多头超额显著提升，换手率降低，抗极端市场能力更强[39][43]。 2. **因子名称**：行业轮动因子 **因子构建思路**：将选股因子按行业流通市值加权聚合，生成行业得分[50][51]。 **因子评价**：Model1因子行业RankIC达12.55%，Top组年化超额25.27%，优于Baseline[52][53]。 --- 模型的回测效果 1. **RNN+Neural ODE+MLP模型（Model1）**： - **RankIC均值**：16.33%（中证全指）[39] - **Top组年化超额**：54.54%[39] - **最大回撤**：-6.63%（2024年）[43] - **换手率**：59.73%（较Baseline下降）[39] 2. **Baseline模型**： - **RankIC均值**：16.39%[39] - **Top组年化超额**：52.63%[39] - **最大回撤**：-5.25%[43] 3. **行业轮动表现**： - **Model1因子**：RankIC 12.55%，Top组超额25.27%[52] - **Baseline因子**：RankIC 12.20%，Top组超额23.05%[52] --- 因子的回测效果 1. **指数增强策略**： - **沪深300指增**：Model1年化超额16.67%，夏普比率3.14[65]。 - **中证500指增**：Model1年化超额21.37%，夏普比率3.21[72]。 - **中证1000指增**：Model1年化超额32.41%，夏普比率4.37[80]。 2. **Top组合绝对收益**： - **Model1**：年化收益43.80%，最大回撤-40.84%[59]。 - **Baseline**：年化收益40.15%，最大回撤-42.41%[59]。 --- 关键公式总结 1. **Neural SDE前向传播**： $$\left\{\begin{array}{l}dx(t)=v(x(t),t)dt+\sigma(x(t),t)dB(t)\\ \hat{y}=F(x(T))\\ x(0)=\hat{x}\end{array}\right.$$[22] 2. **总损失函数**： $$\alpha\log(p(x|\theta))+\beta\operatorname{KL}(N(\mu,e x p(\sigma/2))||N(0,\delta I))+(\hat{\sigma}-y)^{2}$$[32]

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. **鑫选ETF绝对收益策略** - 模型构建思路：通过"抽屉法"在场内权益ETF池中进行测试，目标是跑出绝对收益和相对A股权益的长周期相对收益[11] - 具体构建过程： 1. 筛选鑫选ETF池中的标的（如黄金ETF、食品饮料ETF等） 2. 采用等权重分配（每只ETF权重10%） 3. 结合技术面量化信号动态调整持仓[11][12] - 模型评价：样本外表现优异，风险收益比突出 2. **全天候多资产多策略ETF风险平价策略** - 模型构建思路：结合行业轮动、风格轮动等权益策略，通过风险平价降低组合波动性[17] - 具体构建过程： 1. 分散配置商品（黄金ETF）、美股（标普500ETF）、国内权益（行业/风格轮动ETF）、债券（国债ETF） 2. 风险平价权重计算： $$ w_i = \frac{1/\sigma_i}{\sum_{j=1}^n 1/\sigma_j} $$ 其中$\sigma_i$为资产i的历史波动率[17][18] - 模型评价：精细化资产分散，实现低波动下的稳定收益 3. **中美核心资产组合** - 模型构建思路：纳入白酒、红利、黄金、纳指等强趋势标的，结合RSRS择时策略与技术面反转策略[21] - 具体构建过程： 1. 对四类标的分别生成买入/卖出信号 2. 动态调整权重，近期持仓为中证红利ETF（60%）+黄金ETF（40%）[21] - 模型评价：长周期超额收益显著 4. **高景气/红利轮动策略** - 模型构建思路：根据宏观信号在高景气成长与红利策略间切换[24] - 具体构建过程： - 高景气信号：配置创业板ETF+科创50ETF（各50%） - 红利信号：配置红利低波ETF+央企红利50ETF（各50%）[24] - 模型评价：适应市场风格切换 5. **双债LOF增强策略** - 模型构建思路：以债券持仓为主，其他资产为辅的增强组合[27] - 具体构建过程： 1. 计算双债LOF与其他资产的收益率波动率 2. 按波动率倒数归一化分配权重（债券权重通常>70%）[27] - 模型评价：显著优于纯债基准 6. **结构化风险平价（QDII）策略** - 模型构建思路：以国内债券ETF为主，QDII权益和商品ETF增强[30] - 具体构建过程： 1. 主配置5年/10年地方债ETF、30年国债ETF（合计权重>50%） 2. 辅以纳指ETF、黄金ETF等[30] - 模型评价：兼顾防御性与收益增强 --- 模型的回测效果 | 模型名称 | 总收益率（2024年初） | 年化收益率 | 最大回撤 | 波动率 | 夏普比率 | |----------------------------------|----------------------|------------|----------|--------|----------| | 鑫选技术面量化策略 | 33.49% | 24.14% | -6.30% | 17.58% | 1.20 | [11][33] | 高景气红利轮动策略 | 48.99% | 34.78% | -22.04% | 34.79% | 0.96 | [24][33] | 中美核心资产组合 | 59.80% | 42.03% | -10.86% | 17.16% | 2.02 | [21][33] | 双债LOF增强策略 | 9.08% | 6.73% | -2.26% | 3.41% | 1.34 | [27][33] | 结构化风险平价(QDII) | 23.59% | 17.18% | -2.38% | 4.92% | 2.84 | [30][33] | 全天候多资产风险平价策略 | 19.69% | 14.40% | -3.62% | 4.48% | 2.58 | [15][33] --- 关键因子应用 1. **红利因子** - 构建方式：筛选高股息率标的（如中证红利指数成分股）[24] - 测试结果：红利低波ETF年内收益2.31%，夏普比率0.88[48][59] 2. **成长因子** - 构建方式：通过创业板ETF、科创50ETF捕捉高景气成长[24] - 测试结果：科创50ETF年内资金净流入9.95亿元[48] 3. **动量因子（RSRS）** - 构建方式：计算标的资产的阻力支撑相对强度[21] - 公式： $$ RSRS = \frac{R_{high}-R_{low}}{P_{close}} $$ 其中$R_{high/low}$为N日最高/最低价，$P_{close}$为收盘价[21] 4. **波动率因子** - 构建方式：用于风险平价模型的权重分配[17] - 测试结果：组合波动率压降至4.48%[15] --- 因子回测效果 | 因子类型 | 代表ETF | 年内收益 | 资金流向（本周） | |----------------|------------------|----------|------------------| | 红利因子 | 红利低波ETF | +2.31% | +3.9亿元 | [48][59] | 成长因子 | 科创50ETF | -0.85% | +9.95亿元 | [48][57] | 商品因子 | 黄金ETF | +25.74% | -11.79亿元 | [59][55] | 防御因子 | 国债ETF | +0.89% | +108.3亿元 | [44][57] （注：部分因子通过ETF持仓间接体现，未单独列出计算公式）

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. **鑫选ETF绝对收益策略** - 模型构建思路：通过"抽屉法"在场内权益ETF池中进行测试，目标是跑出绝对收益和相对A股权益的长周期相对收益[11] - 具体构建过程： 1. 筛选鑫选ETF池中的标的（如黄金ETF、食品饮料ETF等） 2. 采用技术面量化方法进行组合优化 3. 动态调整持仓权重（各标的权重10%）[12] - 模型评价：样本外表现优异，风险收益比突出 2. **全天候多资产多策略ETF风险平价策略** - 模型构建思路：结合行业轮动、风格轮动等权益策略，使用风险平价方法分散资产和策略风险[17] - 具体构建过程： 1. 配置多资产类别（商品/美股/国内权益/债券） 2. 采用风险贡献均衡的权重分配方法 3. 具体持仓包括国债ETF（21.05%）、黄金ETF（9.12%）等[18] 3. **中美核心资产组合** - 模型构建思路：纳入白酒、红利、黄金、纳指四种强趋势标的，结合RSRS择时策略[21] - 具体构建过程： 1. 对每类资产应用RSRS趋势判断 2. 根据技术面反转信号调整仓位 3. 当前持仓为中证红利ETF和黄金ETF 4. **高景气/红利轮动策略** - 模型构建思路：构建高景气成长与红利策略的轮动模型[24] - 具体构建过程： 1. 信号为高景气时配置创业板ETF和科创50ETF（各50%） 2. 信号为红利时配置红利低波ETF与央企红利50ETF 3. 2024年2月后调整红利组合结构 5. **双债LOF增强策略** - 模型构建思路：通过波动率倒数归一化方法提升债券配置权重[27] - 具体构建过程： 1. 将标的分为双债LOF与其他三类资产 2. 计算各组收益率波动率 3. 按波动率倒数分配权重 6. **结构化风险平价（QDII）** - 模型构建思路：以国内债券ETF为主，QDII产品增强收益[30] - 具体构建过程： 1. 配置QDII权益（纳指ETF等）、黄金、国内红利ETF 2. 采用风险平价方法优化组合 模型的回测效果 | 策略名称 | 总收益率 | 年化收益率 | 最大回撤 | 波动率 | 夏普比率 | |---------|---------|-----------|---------|--------|----------| | 鑫选技术面量化策略 | 33.49% | 24.14% | -6.30% | 17.58% | 1.20 | [33] | 高景气红利轮动策略 | 48.99% | 34.78% | -22.04% | 34.79% | 0.96 | [33] | 中美核心资产组合 | 59.80% | 42.03% | -10.86% | 17.16% | 2.02 | [33] | 双债LOF增强 | 9.08% | 6.73% | -2.26% | 3.41% | 1.34 | [33] | 结构化风险平价(QDII) | 23.59% | 17.18% | -2.38% | 4.92% | 2.84 | [33] | 全天候多资产策略 | 19.69% | 14.40% | -3.62% | 4.48% | 2.58 | [15][33] 量化因子与构建方式 1. **红利因子** - 构建思路：通过股息率和低波动特征筛选标的[24] - 具体构建： 1. 计算标的股息率（$$ Dividend\ Yield = \frac{DPS}{Price} $$） 2. 结合波动率指标筛选 3. 应用于红利低波ETF等产品 2. **质量因子** - 构建思路：筛选自由现金流稳定的标的[24] - 具体构建： 1. 计算企业自由现金流（$$ FCF = CFO - CapEx $$） 2. 标准化处理后加权 3. **趋势因子(RSRS)** - 构建思路：捕捉资产价格趋势[21] - 具体构建： 1. 计算标的RSRS斜率 2. 设定阈值触发交易信号 因子的回测效果 | 因子类型 | 代表ETF | 年化超额收益 | IR | |---------|--------|-------------|----| | 红利因子 | 红利低波ETF | 2.31% | 0.88 | [59] | 质量因子 | 自由现金流ETF | 1.67% | 0.21 | [48] | 趋势因子 | 黄金ETF | 25.74% | 3.86 | [59] 注：所有策略测试结果均为2024年初至今数据[33]，因子表现取自周涨幅TOP35ETF数据[59]

量化模型与构建方式 1. **模型名称**：钢铁相对指数趋势跟踪模型 - **模型构建思路**：基于标的价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未明确计算方法，默认标准差或ATR） 3. 趋势信号生成规则： - 若$$|del| > N \times Vol$$（N=1），则判定为趋势形成，方向与del符号一致 - 若$$|del| \leq N \times Vol$$，则延续T-1日的趋势方向[3] - **模型评价**：在下降趋势中表现不佳，年化收益低于指数总回报，回撤持续较大，不适用于当前标的[4] 模型的回测效果 1. **钢铁相对指数趋势跟踪模型**： - 年化收益：-15.42% - 波动率（年化）：15.00% - 夏普比率：-1.03 - 最大回撤：34.62% - 指数期间总回报率：-9.08%[3] 量化因子与构建方式 （报告中未提及具体量化因子） 因子的回测效果 （报告中未提及因子测试结果） --- 注：模型效果图表（净值、回撤等）未提供具体数值，仅展示趋势[5][7][9]