量化模型与构建方式 1. 模型名称：港股多因子模型 - 模型构建思路：基于技术面、资金面、基本面和分析师预期四大类因子，构建多因子模型以筛选港股通成分股[31][32] - 模型具体构建过程： 1. 从港股通成分股中提取四大类因子： - 技术面因子：如动量、波动率等指标 - 资金面因子：如资金流入流出、持仓变化等 - 基本面因子：如市盈率（PE）、市净率（PB）、ROE等 - 分析师预期因子：如盈利预测调整、目标价变化等 2. 对因子进行标准化处理，消除量纲差异 3. 根据因子得分对股票进行排序，选取得分最高的前20只个股构建组合 4. 组合采用等权配置，基准为港股综合指数（930930.CSI）[31][34] - 模型评价：模型在全区间内表现优异，能够有效捕捉超额收益[31][34] --- 模型的回测效果 港股多因子模型 - 超额年化收益率：14.7% - 超额收益波动比：1.1 - 超额最大回撤：18.2% - 分年度表现： - 2015年：超额年化收益率5.0%，超额收益波动比0.4 - 2016年：超额年化收益率15.3%，超额收益波动比2.0 - 2017年：超额年化收益率25.8%，超额收益波动比3.1 - 2018年：超额年化收益率-7.2%，超额收益波动比-0.8 - 2019年：超额年化收益率35.3%，超额收益波动比2.8 - 2020年：超额年化收益率58.5%，超额收益波动比3.4 - 2021年：超额年化收益率8.6%，超额收益波动比0.8 - 2022年：超额年化收益率-1.2%，超额收益波动比-0.1 - 2023年：超额年化收益率7.7%，超额收益波动比0.8 - 2024年：超额年化收益率11.3%，超额收益波动比0.9 - 2025年：超额年化收益率37.1%[34][35][36] --- 量化因子与构建方式 1. 因子名称：技术面因子 - 因子构建思路：通过动量、波动率等指标捕捉股票的技术性趋势[31][32] - 因子具体构建过程： 1. 计算股票的历史收益率和波动率 2. 根据动量指标（如过去3个月或6个月的收益率）对股票进行排序 3. 结合波动率指标，筛选出技术面表现优异的股票[31][32] 2. 因子名称：资金面因子 - 因子构建思路：通过资金流入流出、持仓变化等指标反映市场资金偏好[31][32] - 因子具体构建过程： 1. 统计港股通资金流入流出数据 2. 计算资金流入占比和持仓市值变化 3. 对资金流入占比高的股票赋予更高权重[31][32] 3. 因子名称：基本面因子 - 因子构建思路：通过市盈率（PE）、市净率（PB）、ROE等指标评估股票的基本面价值[31][32] - 因子具体构建过程： 1. 提取股票的PE、PB、ROE等财务指标 2. 对指标进行标准化处理 3. 根据基本面得分对股票进行排序[31][32] 4. 因子名称：分析师预期因子 - 因子构建思路：通过盈利预测调整、目标价变化等指标反映市场预期[31][32] - 因子具体构建过程： 1. 收集分析师对股票的盈利预测和目标价数据 2. 计算盈利预测调整幅度和目标价变化率 3. 对预期改善幅度大的股票赋予更高权重[31][32] --- 因子的回测效果 技术面因子 - 超额年化收益率：未单独披露 - 超额收益波动比：未单独披露 资金面因子 - 超额年化收益率：未单独披露 - 超额收益波动比：未单独披露 基本面因子 - 超额年化收益率：未单独披露 - 超额收益波动比：未单独披露 分析师预期因子 - 超额年化收益率：未单独披露 - 超额收益波动比：未单独披露 [31][32][34]