量化模型与构建方式 1. 微盘股轮动模型 - 模型构建思路：基于微盘股与茅指数的相对净值和价格动量进行大小盘风格轮动，以捕捉风格切换机会[20][22] - 模型具体构建过程： 1. 计算微盘股/茅指数相对净值，并计算其243日移动平均线(MA243)[22] 2. 计算微盘股和茅指数的20日收盘价斜率[22] 3. 轮动规则：当相对净值高于年均线且微盘股20日斜率为正时，配置微盘股；当相对净值低于年均线且茅指数20日斜率为正时，配置茅指数；当二者方向相反且一方为正时，选择投资斜率为正的指数[22] 2. 微盘股择时风控模型 - 模型构建思路：通过国债收益率和波动率拥挤度监控微盘股的系统性风险，发出平仓信号[22] - 模型具体构建过程： 1. 计算十年期国债到期收益率同比变化率[22] 2. 计算波动率拥挤度同比变化率[22] 3. 风控规则：当十年期国债收益率同比触及30%阈值或波动率拥挤度同比触及55%阈值时，发出平仓信号[22] 3. 宏观择时策略 - 模型构建思路：基于经济增长和货币流动性两个维度构建宏观事件因子，进行权益资产配置[41] - 模型具体构建过程： 1. 经济增长层面信号强度计算[41] 2. 货币流动性层面信号强度计算[41] 3. 综合两个维度信号确定最终股票仓位[41] 4. 短期背离监控指标 - 模型构建思路：通过日度和小时间级别的背离信号监控微盘股短期上涨动能[20] - 模型具体构建过程： 1. 构建高胜率日度背离指标[20] 2. 构建小时级别预警信号[20] 3. 当背离信号触发时，表明短期上涨势能减弱[20] 量化因子与构建方式 1. 市值因子 - 因子构建思路：使用流通市值的对数作为市值因子的代理变量[53] - 因子具体构建过程：$LN\_MktCap = \ln(流通市值)$[53] 2. 价值因子 - 因子构建思路：通过多个估值指标衡量股票的价值特征[53] - 因子具体构建过程： - $BP\_LR = \frac{最新年报账面净资产}{最新市值}$[53] - $EP\_FTTM = \frac{未来12个月一致预期净利润}{最新市值}$[53] - $SP\_TTM = \frac{过去12个月营业收入}{最新市值}$[53] - $EP\_FY0 = \frac{当期年报一致预期净利润}{最新市值}$[53] - $Sales2EV = \frac{过去12个月营业收入}{企业价值}$[53] 3. 成长因子 - 因子构建思路：通过财务指标同比增速衡量公司成长性[53] - 因子具体构建过程： - $NetIncome\_SQ\_Chg1Y = 单季度净利润同比增速$[53] - $OperatingIncome\_SQ\_Chg1Y = 单季度营业利润同比增速$[53] - $Revenues\_SQ\_Chg1Y = 单季度营业收入同比增速$[53] 4. 质量因子 - 因子构建思路：通过盈利能力、现金流质量和运营效率指标衡量公司质量[53][55] - 因子具体构建过程： - $ROE\_FTTM = \frac{未来12个月一致预期净利润}{股东权益均值}$[53] - $OCF2CurrentDebt = \frac{过去12个月经营现金流净额}{流动负债均值}$[55] - $GrossMargin\_TTM = 过去12个月毛利率$[55] - $Revenues2Asset\_TTM = \frac{过去12个月营业收入}{总资产均值}$[55] 5. 一致预期因子 - 因子构建思路：基于分析师一致预期变化和目标收益率构建预期类因子[55] - 因子具体构建过程： - $EPS\_FTTM\_Chg3M = 未来12个月一致预期EPS过去3个月的变化率$[55] - $ROE\_FTTM\_Chg3M = 未来12个月一致预期ROE过去3个月的变化率$[55] - $TargetReturn\_180D = 一致预期目标价相对于目前股价的收益率$[55] 6. 技术因子 - 因子构建思路：通过成交量、换手率和价格形态指标构建技术类因子[55] - 因子具体构建过程： - $Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$[55] - $Skewness\_240D = 240日收益率偏度$[55] - $Volume\_CV\_20D = \frac{20日成交量标准差}{20日成交量均值}$[55] - $Turnover\_Mean\_20D = 20日换手率均值$[55] 7. 波动率因子 - 因子构建思路：通过不同模型的残差波动率和历史波动率衡量风险特征[55] - 因子具体构建过程： - $Volatility\_60D = 60日收益率标准差$[55] - $IV\_CAPM = CAPM模型残差波动率$[55] - $IV\_FF = Fama-French三因子模型残差波动率$[55] - $IV\_Carhart = Carhart四因子模型残差波动率$[55] 8. 反转因子 - 因子构建思路：通过不同时间窗口的收益率构建反转效应因子[55] - 因子具体构建过程： - $Price\_Chg20D = 20日收益率$[55] - $Price\_Chg40D = 40日收益率$[55] - $Price\_Chg60D = 60日收益率$[55] - $Price\_Chg120D = 120日收益率$[55] 9. 可转债择券因子 - 因子构建思路：从正股因子和转债估值两个维度构建可转债择券因子[50] - 因子具体构建过程： - 正股一致预期因子：基于正股的一致预期指标[50] - 正股成长因子：基于正股的成长性指标[50] - 正股财务质量因子：基于正股的财务质量指标[50] - 正股价值因子：基于正股的估值指标[50] - 转债估值因子：使用平价底价溢价率衡量转债估值[50] 模型的回测效果 1. 宏观择时模型 - 2025年年初至今收益率：11.75%[41] - 同期Wind全A收益率：22.98%[41] - 9月份权益推荐仓位：75%[41] - 经济增长层面信号强度：100%[41] - 货币流动性层面信号强度：50%[41] 因子的回测效果 1. 大类因子IC均值与多空收益 - 质量因子：表现良好[45] - 量价类因子(低波和技术因子)：有所回暖[45] - 一致预期因子：有所承压[45] 2. 可转债择券因子 - 正股一致预期因子：取得正IC均值[50] - 正股财务质量因子：取得正IC均值[50] - 正股价值因子：取得正IC均值[50] - 转债估值因子：取得正IC均值[50]