量化模型与因子总结 量化模型与构建方式 1. 模型名称：动态油价预测模型[1][11] * 模型构建思路：通过分析原油的供需关系来预测未来油价的走势，核心是测算供需缺口[1][11]。 * 模型具体构建过程：模型基于对原油市场供需状况的分析。具体构建过程未详细说明，但报告指出，该模型用于测算在海峡持续封锁或放开等不同情景下，原油市场的供需缺口[1][11]。例如，在海峡持续封锁的情景下，模型测算出供需缺口的中枢约为3%-5%[11]。 2. 模型名称：行业成本冲击量化测算模型[3][27] * 模型构建思路：基于投入产出表，量化测算上游原材料（如原油）价格上涨对下游各行业生产成本的冲击程度[27]。 * 模型具体构建过程：报告未给出具体的计算公式和详细构建步骤，但说明了其核心方法：利用投入产出表，分析各行业对原油的直接和间接消耗关系，从而模拟当油价上涨（例如上涨50%）时，对各行业成本造成的冲击幅度[27]。测算结果显示，化工行业（如化学原料及化学制品制造业、化学纤维制造业）由于直接以原油为原料，成本受冲击幅度较大[27][29]。 3. 模型/因子名称：库存缓冲与价格滞后关系模型[3][26] * 模型构建思路：通过统计方法，发现并量化行业库存水平（以库存周转月数衡量）与行业产品价格滞后于成本上涨时间（价格变动滞后月数）之间的正相关关系[26]。 * 模型具体构建过程：报告通过历史数据统计归纳出这一规律。具体过程未详细描述，但给出了统计结果表格，列示了多个行业的“平均库存周转月数”和对应的“价格变动滞后月数”[26]。例如，皮革、毛皮、羽毛及其制品和制鞋业的库存周转月数为1.24个月，其价格变动滞后月数长达10个月；而化学原料及化学制品制造业库存周转月数为1.20个月，价格变动滞后月数为0个月[26]。这揭示了库存作为需求“缓冲垫”的作用机制。 模型的回测效果 （注：报告中未提供上述量化模型的具体回测绩效指标，如年化收益率、夏普比率、最大回撤等数值。报告主要展示了模型的分析结论和部分中间测算结果。） 量化因子与构建方式 1. 因子名称：市场集中度因子[16] * 因子构建思路：衡量市场资金或行情在少数板块或个股上的集中程度，用于解释和预测量化指增产品的超额收益表现[16]。 * 因子具体构建过程：报告未明确给出该因子的具体计算公式。但通过分析指出，市场行情集中度与指数增强策略的超额收益呈现显著的负相关关系[16]。当市场主线明确、资金集中于少数热点时（集中度高），量化超额收益往往承压；当主线扩散、集中度下降时，量化超额收益则容易修复[16]。报告中的图4展示了“集中度_分位数”与“500指增_超额回撤”之间的正相关关系，作为该因子有效性的图示证明[19]。 2. 因子名称：微盘股敞口因子[2][20] * 因子构建思路：追踪量化产品（特别是私募指增产品）在小微盘股上的配置偏好或暴露程度，用于判断微盘股市场的流动性状况[2][20]。 * 因子具体构建过程：报告通过观察量化私募产品的市值风格敞口变化来构建该因子的逻辑。具体通过计算私募指增产品净值与微盘股指数（如中证2000）之间的滚动相关系数来观察敞口变化[23][24]。例如，“滚动60日相关系数：500指增-2000 vs 微盘-2000”这一指标，反映了500指增产品相对于中证2000指数，在微盘股上的暴露程度[24]。当该相关系数上升时，表明量化产品放开了对微盘股的敞口。 因子的回测效果 （注：报告中未提供上述量化因子在选股或预测方面的具体回测绩效指标，如IC、IR、多空收益等数值。报告主要基于因子逻辑进行市场分析和推断。）