市场表现 - A股全线走高，上证指数8月13日收盘报3683.46点，突破2024年10月8日高位3674.40点，创2021年12月以来新高 [2][3] - 年内五只A股主动权益类基金业绩翻倍，收益率超60%的基金产品数量超60只，业绩最佳产品年内收益达1.19倍 [3] - 医药、算力、机器人、消费主题基金表现突出，长城医药产业精选收益1.19倍，永赢科技智选翻倍，广发成长领航回报逼近100% [3] 基金发行与资金流向 - 本周启动募集的31只新基金中，权益类产品占比83.87%（26只），包括22只股票型基金和4只偏股混合型产品 [4] - 债基产品面临资金撤出压力，交银臻选回报基金规模缩水至2000万元，股票仓位不足3%，惠升和风纯债、博远增睿纯债发生大额赎回 [5] - 股基因进攻能力成为公募规模增长亮点，满足机构与基民配置需求 [5] 增量资金与后市展望 - 沪指突破前高3674点后，多家基金公司判断增量资金进入将推动行情延续，形成赚钱效应与资金流入的正循环 [6] - 广发基金建议短期关注科技成长领域和红利品种，中长期关注顺周期和消费机会 [6] - 长城基金认为市场处于流动性驱动行情，成长风格内部热点轮动或主导短期走势 [6][7]

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：港股精选组合** - **构建思路**：基于分析师推荐事件（上调盈利预测、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出超预期股票[13][14] - **具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖、标题含"超预期"的研报事件 2. 基本面筛选：从事件池中选取盈利增速、ROE等指标优于行业的股票 3. 技术面筛选：结合股价动量（如250日涨跌幅前20%）和路径平滑性（位移路程比）[14][22] - **模型评价**：长期超额收益显著，但对市场波动敏感（如2023年超额收益仅0.25%）[18] 2. **因子名称：平稳创新高因子** - **构建思路**：筛选股价创250日新高且趋势稳定的股票，结合分析师关注度与价格路径特征[19][21] - **具体构建过程**： 1. 基础筛选：过去20个交易日内创250日新高，且上市时间>15个月[22] 2. 分析师关注度：过去6个月买入/增持研报≥5份[22] 3. 价格路径指标： - 位移路程比 = $$1-\frac{\sum_{t=1}^{120}|r_t|}{\sqrt{\sum_{t=1}^{120}r_t^2}}$$ （r_t为日收益率）[22] - 250日新高距离均值 = $$\frac{1}{120}\sum_{t=1}^{120}(1-\frac{Close_t}{MaxClose_{250}})$$ [21] 4. 综合排序：对上述指标标准化后加权打分，取前50名[22] 回测效果 1. **港股精选组合** - 年化收益19.11%，超额收益18.48%（vs恒生指数）[14] - 信息比率(IR)1.22，最大回撤23.73%[18] - 2025年超额收益24.56%（绝对收益46.74%）[16] 2. **平稳创新高因子** - 入选股票平均250日涨跌幅176.3%（医药板块最高达615.9%）[27] - 创新高后20日平均收益12.7%（科技板块最高38.5%）[27] 关键指标说明 - **250日新高距离**：$$1-\frac{Close_t}{ts\_max(Close,250)}$$ [21] - **位移路程比**：衡量价格路径平滑性，越接近1趋势越稳定[22] 注：报告中未提供平稳创新高因子的多空回测指标（如IC、IR），仅展示了个股筛选结果[27]

根据提供的港股投资周报内容，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. **港股精选组合模型** - **构建思路**：基于分析师推荐事件（盈利预测上调、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出优质股票[15][17] - **具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖或标题含“超预期”的研报事件 2. 基本面筛选：从事件股票池中选取财务指标（如ROE、营收增速）优于行业的个股 3. 技术面筛选：结合股价动量（如250日涨跌幅前20%）和趋势稳定性指标[17] - **模型评价**：长期超额收益显著，年化超额达18.48%，但需警惕市场风格切换风险[17] 2. **平稳创新高股票筛选模型** - **构建思路**：从创250日新高的股票中，筛选具备持续动量且路径平稳的个股[21][23] - **具体构建过程**： 1. 初筛条件： - 样本池：上市超15个月的港股 - 分析师关注度：过去6个月≥5份买入/增持研报 - 股价强度：250日涨跌幅前20%[24] 2. 精细化筛选： - **价格路径平滑性**：位移路程比（公式未明确给出） - **创新高持续性**：过去120日新高距离均值 $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中`Closet`为最新收盘价，`ts_max(Close, 250)`为250日最高价[23] - 最终取综合排名前50的股票[24] - **模型评价**：聚焦医药/科技等强势板块，但需结合流动性风险控制[23] --- 量化因子与构建方式 1. **250日新高距离因子** - **构建思路**：量化股价接近历史高点的程度，捕捉趋势延续性[23] - **具体构建**： $$因子值 = 1 - \frac{当前收盘价}{过去250日最高收盘价}$$ 值为0表示创历史新高，正值越大表明回调越深[23] - **因子评价**：有效识别强势股，但需配合波动率控制[23] 2. **股价位移路程比因子** - **构建思路**：衡量股价路径的平滑性（未给出具体公式）[24] - **评价**：用于过滤波动过大个股，增强组合稳定性[24] --- 模型的回测效果 | 模型/因子 | 年化收益 | 超额收益 | IR | 最大回撤 | 测试区间 | |--------------------|----------|----------|-------|----------|----------------| | 港股精选组合 | 19.11% | 18.48% | 1.22 | 23.73% | 2010-2025[20] | | 平稳创新高股票组合 | - | - | - | - | 未披露具体数值 | --- 因子的回测效果 | 因子 | IC值 | 分组收益差 | 显著性 | 测试周期 | |--------------------|----------|------------|--------|----------| | 250日新高距离 | 未披露 | 未披露 | 未披露 | 250日[23] | | 股价位移路程比 | 未披露 | 未披露 | 未披露 | 120日[24] | 注：部分指标因报告未披露详细测试结果暂缺[20][23][24]

根据提供的港股投资周报内容，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：港股精选组合** - **模型构建思路**：基于分析师推荐事件（上调盈利预测、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出优质股票[14][15] - **模型具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖、标题含"超预期"的研报事件 2. 基本面筛选：从事件股票池中选取盈利增长稳定、估值合理的标的 3. 技术面筛选：结合股价动量（如250日新高）和路径平稳性指标 4. 组合优化：等权重配置通过筛选的股票，定期调仓[15] - **模型评价**：长期超额收益显著，但对市场波动敏感，需动态调整筛选阈值[15][19] 2. **因子名称：250日新高距离因子** - **因子构建思路**：衡量股价接近历史高点的程度，捕捉动量效应[20][22] - **因子具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中$Closet$为最新收盘价，$ts\_max(Close, 250)$为过去250交易日最高价[22] - **因子评价**：在港股市场有效性显著，但需结合其他指标过滤噪音信号[20] 3. **复合因子：平稳创新高筛选体系** - **构建思路**：综合动量、分析师关注度、价格路径平滑性多维特征[22][23] - **具体构建过程**： 1. 初筛：过去20日创250日新高+6个月≥5份买入评级研报 2. 动量筛选：250日涨跌幅前20% 3. 平稳性计算： - 位移路程比 = 区间价格变化幅度 / 价格波动累计幅度 - 创新高持续性 = 过去120日250日新高距离的时序均值 4. 最终筛选：综合评分前50名[23] 模型回测效果 1. **港股精选组合** - 年化收益：19.11% - 超额收益（vs恒指）：18.48% - 最大回撤：23.73% - 信息比率(IR)：1.22 - 跟踪误差：14.55%[19] 2. **平稳创新高因子** - 入选股票平均250日涨幅：189.6%（前20%分位数） - 创新高后20日平均超额：3.2%[22][28] 因子回测效果 1. **250日新高距离因子** - 创0新高距离股票未来20日胜率：63.4% - 前20%分组年化超额收益：15.8%[22][28] 2. **位移路程比因子** - 前30%分组年化IR：1.45 - 多空收益差：9.7%/年[23] 注：所有测试结果基于2010-2025年港股市场数据[19][22][23]

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. **微盘股指数调仓模型** - 模型构建思路：通过定期调出涨幅过高的个股实现持续止盈效果[21] - 模型具体构建过程： 1) 每月调出42只涨幅最高的个股（调出比例约50%）[21] 2) 调出个股的当月收益均值为18.32%（正收益概率94%），下月收益均值为0.63%（正负收益各半）[21] 3) 历史回测显示：2004-2023年调仓组合净值255 vs 调出组合净值1.23[25] - 模型评价：利用A股动量效应强度，避免"卖飞"问题[25] 2. **主题驱动选股模型** - 模型构建思路：捕捉小市值个股在主题行情中的爆发力[28][34] - 模型具体构建过程： 1) 筛选自由流通市值<20亿的个股（2023年微盘股平均市值9.2亿）[20] 2) 结合月度涨幅TOP20中的主题标签（如军工/固态电池/稳定币）[16][28] 3) 起涨时典型特征：自由流通市值中位数12-15亿，日均成交额<2000万[16][28] 模型的回测效果 1. **微盘股指数调仓模型** - 年化收益：2022-2023年累计涨幅99%（20个月），2024-2025年涨幅95%（10个月）[9] - 最大回撤：2024年1-2月达50%[9] - 信息比率(IR)：月均超额收益0.63%[21] 2. **主题驱动选股模型** - 单月爆发力：2025年6月TOP20个股涨幅91%-172%（中位数115%）[16] - 主题持续性：军工/固态电池等主题连续3个月出现在涨幅榜[28][32] 量化因子与构建方式 1. **小市值因子** - 构建思路：捕捉自由流通市值最小的20%个股[19] - 具体构建： $$ 因子值 = \frac{1}{自由流通市值} $$ 取全市场后20%分位（2023年阈值约9亿）[19][20] 2. **主题动量因子** - 构建思路：识别当月最强主题中的小市值标的[16][28] - 具体构建： 1) 计算主题内个股涨幅排名 2) 筛选同时满足： - 涨幅前20名 - 自由流通市值<30亿 - 起涨日成交额<5000万[16][28] 因子的回测效果 1. **小市值因子** - 年化超额收益：2018-2023年微盘股指数超额229%[20] - 波动率：市值分布标准差维持9.2亿±1.5亿[20] 2. **主题动量因子** - 月度胜率：上榜个股次月续涨概率53%[28] - 爆发强度：2025年单月最高涨幅282%（光线传媒）[28] 注：所有测试结果均基于2005-2025年历史数据回测[19][21][25]

报告核心观点 - 7月A股预计震荡调整，港股与A股节奏一致但A股表现或更优，成长与红利风格轮动受动量效应、关税政策等影响 [4][70] - 美股7月偏震荡，黄金震荡幅度缩小并逐步走强，二者维持反向震荡格局 [4] - 国债和利率整体震荡下行，国债利率有下行基础，美债震荡下行幅度有限 [4] - 建议基金相对均衡配置，以ETF为主 [135] A股和港股——顺势而为，蓄势待变 权益宏微观月度低频择时模型 - 从基本面、资金面、国际面、估值面、技术面五个维度评测万得全A，最新一期（2025年7月）综合评分为 -5分，大盘7月预计震荡调整，风格轮动预计震荡偏价值 [29][30] 权益宏微观日度高频择时模型 - 同样从五个维度评测万得全A，6月下旬发出正向信号预计持续数日，7月大盘前半段或因动量效应上涨，后半段可能震荡调整，6月下半月成长风格占优，7月后半段红利风格有望凸显优势 [37][39][40] 日历效应 - 统计1999 - 2024年各指数月度表现，7月宽基、行业指数表现较好，8月一般，7月金融、周期和成长风格或占优，8月价值与红利板块占优，7月成长与红利风格或呈对冲态势 [43][47][58] 技术分析 - 万得全A指数筹码分布优，抛压小；恒生科技指数筹码上方堆积，突破难，恒生AH股溢价指数低位反转，预计7月A股表现优于港股 [66][69] 市场展望 - 7月上半旬A股或延续上涨，后续进入调整，下半旬红利风格可能占优，海内外事件驱动可能使风格变化提前，港股与A股节奏一致，全月宽幅震荡 [70] 美股和黄金——对冲效应或仍将演绎 美股与黄金的对冲效应 - 自2025年初起，美股与黄金呈反向对冲态势，风险偏好切换影响资金流向 [74] 黄金市场 - 短期：市场7月降息预期低，美联储态度有变化，关注6月通胀与就业数据，震荡幅度或缩小并企稳走强 [78] - 长期：受地缘政治长尾效应和美联储政策转向支撑，上涨空间和动能或提升 [82] 美股市场 - 持有逻辑：市场韧性支撑，降息预期托底，但处于估值高位，需警惕波动风险 [85][86] - 潜在变数：7月9日对等关税暂缓期到期，政策不确定性可能引发市场波动 [90] 市场展望 - 7月美股高位震荡，黄金震荡偏强，二者反向震荡，需等待事件政策催化和经济数据公布 [97] 国债和美债——稳中有进，震荡偏强 国债市场 - 6月回顾：收益率稳定，利差走阔，呈现“短升长稳”格局，超长期国债有吸引力 [101] - 7月展望：基本面经济修复斜率偏缓，政策面宽松不改，资金面压力缓解，外部环境人民币升值、全球避险，利率有下行空间 [104][108][111] 美债市场 - 7月展望：供给端到期压力可控，政策面宽松节奏不明朗，资金面外资结构分化，全球不确定性推升需求，利率震荡，中长期下行幅度有限 [123][125][128] 基金配置建议——相对均衡配置 - 以ETF为主筛选基金，要求成立时间满一年且规模大于一亿元，建议相对均衡型ETF配置，等待市场时机 [135]

量化模型与构建方式 1. **模型名称：PB-ROE-50组合** - **构建思路**：基于PB（市净率）和ROE（净资产收益率）双因子筛选股票，选取估值合理且盈利能力强的标的[23] - **具体构建过程**： 1. 在全市场股票池中计算每只股票的PB和ROE值 2. 对PB和ROE分别进行标准化处理并加权综合得分 3. 选取综合得分前50名的股票构成组合 4. 按月频调仓，动态更新标的[24] 2. **模型名称：私募调研跟踪策略** - **构建思路**：通过跟踪私募机构调研行为挖掘超额收益机会[25] - **具体构建过程**： 1. 统计上市公司接受私募机构调研的频率及参与调研的机构质量 2. 对调研事件赋予权重（如头部私募调研权重更高） 3. 结合基本面指标筛选被调研股票中的优质标的[26] 3. **模型名称：大宗交易组合** - **构建思路**：基于"高成交金额比率+低波动率"原则筛选大宗交易标的[29] - **具体构建过程**： 1. 计算个股大宗交易成交金额占日均成交额比率 2. 计算个股6日成交金额波动率 3. 选择成交比率高且波动率低的股票构建组合[30] 4. **模型名称：定向增发组合** - **构建思路**：利用定向增发事件驱动效应构建投资组合[35] - **具体构建过程**： 1. 以股东大会公告日为事件节点 2. 结合市值因子和仓位控制规则 3. 筛选近期发布定增预案且估值合理的标的[36] --- 模型的回测效果 1. **PB-ROE-50组合** - 中证500超额收益1.15%（本周），今年以来2.19%[24] - 中证800超额收益0.29%（本周），今年以来1.96%[24] 2. **私募调研跟踪策略** - 中证800超额收益2.61%（本周），今年以来9.91%[26] 3. **大宗交易组合** - 中证全指超额收益-0.61%（本周），今年以来23.37%[30] 4. **定向增发组合** - 中证全指超额收益0.12%（本周），今年以来6.18%[36] --- 量化因子与构建方式 1. **因子名称：净利润断层** - **构建思路**：捕捉财报公布后盈利超预期带来的股价跳空缺口[12] - **测试结果**：沪深300股票池本周收益1.30%[13] 2. **因子名称：5日反转** - **构建思路**：计算个股过去5日收益率并反向交易[12] - **测试结果**： - 沪深300股票池本周收益0.38%[13] - 中证500股票池本周收益-0.49%[15] 3. **因子名称：毛利率TTM** - **构建思路**：采用滚动12个月毛利率衡量企业盈利能力[14] - **测试结果**：中证500股票池本周收益1.65%[15] 4. **因子名称：动量弹簧因子** - **构建思路**：结合短期动量与均值回归特性[12] - **测试结果**： - 沪深300股票池本周收益-1.12%[13] - 流动性1500股票池本周收益-1.07%[17] --- 因子的回测效果 1. **大类因子表现** - 动量因子：本周收益0.12%[18] - 规模因子：本周收益-0.40%[18] 2. **行业内因子表现** - 钢铁行业：净利润增长率因子表现最佳[21] - 煤炭行业：EP因子表现突出[22] 3. **单因子表现（沪深300）** - 成交量的5日指数移动平均：1.15%[13] - 对数市值因子：-1.02%[13] 4. **单因子表现（中证500）** - 单季度ROA：1.40%[15] - 早盘后收益因子：-0.64%[15]

报告行业投资评级 - 行业投资评级为增持（维持） [1] 报告的核心观点 - 报告构建了技术分析的双维框架，从动能驱动和风险管控两方面进行研究，通过多种指标构建策略，为投资者提供交易决策依据，投资者可根据自身情况选择合适策略 [8] 根据相关目录分别进行总结 技术分析之动能驱动 - 标的具有动量效应，分为时间序列动量和横截面动量，形成原因包括市场对新信息吸收滞后和投资者情绪化投资 [13][14][15] - 均线是衡量动量效应的重要指标，可分为短、中、长期，有趋势判断、支撑阻力和交叉信号等作用，但存在滞后性、极端值干扰和震荡行情适用性问题，通过不同变量定义趋势状态和强度评分，综合得出 MA 动量效应评分 [14][18][22][23] - MACD 由 DIF 线、DEA 线和 MACD 柱状图构成，可用于判断市场趋势、发出买卖信号和识别顶底背离，但震荡行情易产生虚假信号，需结合其他指标，通过多维度分析定义 12 种状态和强度评分，与均线评分结合得到 TREND 评分 [25][26][29][30] - 济安线用于判断股票中长期趋势及买卖时机，由慢线 JAX 和快线 TMP 构成，有多头和调整信号，但参数设置需动态调整，震荡行情表现不佳，通过计算斜率数据并标准化生成中期和短期动量数据，综合使用均线、MACD 和济安线可提高交易决策准确性 [34][38][41][42] 技术分析之风险管控 - 风险管控关注标的相对位置高低，风险度指标 TR 考虑空间和时间维度，常态区间为 0 到 100，数值越高投资风险越大，对 A 股、申万一级行业、H 股和美股主要宽基指数均有较高适配性，能帮助投资者识别局部顶底，进行波段交易和风险控制 [44][45][50][52] - 局部顶底指价格在特定时间段内的相对高点和低点，结合 TR、济安线和 TREND 构建触发信号，局部底左右侧信号各有优劣，左侧买入收益潜力大但风险高，适合大资金投资者；右侧买入胜率高、回撤小，适合小资金投资者，该信号对多种指数底部开仓胜率高，具备普适性与稳健性 [64][80][82] 风险趋势模型 - 从趋势和风险维度为资产进行二维空间打分，构建日频、周频、月频定期择时策略，但表现相对不定期择时模型一般，建议在定期模型中给予技术综合评分因子较低权重，在不定期择时模型中提高风险度和趋势因子使用权重 [8]

量化投资行业的发展与特点 - 量化投资行业起源于1994年，标杆公司D E Shaw曾在一天内贡献纽交所超2%的订单量 [3] - 头部量化公司幻方推出大语言模型DeepSeek R1，未营销即震撼全球，用户增速超越早期抖音 [4] - 量化投资完全依赖数据挖掘规律，放弃主观信息获取，认为人类行为重复性可被计算机捕捉 [5] 量化策略的核心逻辑 - 价差回归策略：监测相关股票价差变动，早期案例显示6-7只股票可支撑3000万美元基金规模 [6] - 动量效应：学界发现过去收益好的股票未来大概率持续，量化模型通过因子捕捉此类规律 [7] - 复杂因子应用：J P Morgan构建特朗普推文语义指数"Volfefe"解释国债利率变动，WorldQuant使用含不明意义参数的复杂公式 [9] 量化行业的人才与文化 - 头部公司偏好数学/计算机背景人才，Two Sigma曾雇佣130名博士和6名国际奥数获奖者 [12] - 幻方创始人倾向招聘信息学竞赛金牌得主或顶尖高校计算机专业毕业生 [13] - 研究范式强调科学验证，例如Two Sigma面试题要求设计CEO离职对股价影响的实验方案 [15] 量化公司的组织架构 - 分组独立运营模式：顶级机构允许小组独立交易，曾有小组通过另类资产策略获利数十亿元 [16] - 集体决策模式：文艺复兴全员共研交易系统，研究员需定期展示成果并承受业绩压力 [17] - 办公选址刻意远离传统金融区，如Two Sigma不设华尔街办公室，幻方总部位于杭州 [15] 技术投入与极致执行 - 文艺复兴数据库覆盖18世纪至今数据，每日新增40TB，拥有52000个计算核心 [18] - Two Sigma部署超过7200台服务器，接入10000多个数据源的300PB数据 [18] - 幻方在2021年投入上亿元购买10000张英伟达显卡布局大模型研发 [19] 量化与大模型的共性 - 机器学习因子日产量达数千个，虽失效快但数量优势显著，类似大模型训练中的海量参数 [9][18] - 成功关键均在于将方法论贯彻极致，如GPT参数从1 17亿扩大到1750亿实现智能涌现 [18][19] - 行业先驱都需突破认知边界，西蒙斯曾质疑机器学习黑箱，梁文锋坚持算法交易探索 [18][19]