证券研究报告 麦高证券 2025 年 4 月 11 日 麦高金工团队 (2025-04-10) 数据说明： 1、本表针对ETF各类日频数据进行每日跟踪，不构成投资建议。 2、本表根据ETF追踪指数类别进一步分为"宽基"/"主题"两个子表。其中"宽基" ETF跟踪指数为沪深300、中证500、中证A500等主流宽基指数； "主题" ETF 跟踪指数为非银、红利、中概互联等某行业/风格指数。 3、基金池构建：在每个类型中选取规模较大的一只或几只ETF基金进行分析。 9、空值代表刚刚上市基金行情数据不满足计算指标或还未进行年报半年报披露，部分QDII的净值披露较晚，对于未披露的数据处理为空值。 | 日内行情趋势 管理费率 跟踪指数 ETF基金名称 涨跌幅（ %） T+0 | | 证券代码 | 流通市值 | | RSI相对 | 净申购 | 成交额 | | 机构持仓 | | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | （亿元） | | | （亿元） | | 强弱指标 | | （亿元） | （ %） | 占比（ %） | | ...

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. **因子名称：自由现金流率** - **构建思路**：通过计算公司自由现金流与企业价值的比率，反映公司创造自由现金流的能力[13] - **具体构建过程**： - 自由现金流(FCFF) = 经营现金流 - 资本开支[10] - 企业价值 = 总市值 + 总负债 - 货币资金[13] - 自由现金流率 = 自由现金流 / 企业价值[13] - **因子评价**：相比股息率因子更关注公司经营质量，对基本面变化更敏感[26] 2. **因子名称：股息率因子** - **构建思路**：作为对比因子，考察分红回报能力[21] - **具体构建过程**：未明确说明计算方式，但提及与BP估值、规模等因子强相关[21] - **因子评价**：对行业周期变化的反应滞后于自由现金流率因子[26] 因子回测效果 1. **自由现金流率因子** - 2013-2016年及2021年后相对中证全指显著超额[13] - 宽货币环境下年化超额收益达15%[17] - 与盈利能力因子相关性0.62，与杠杆率因子相关性-0.58[21] 2. **股息率因子** - 与波动率因子相关性-0.51，流动性因子相关性-0.49[21] - 2024年煤炭行业配置权重误判导致损失[26] 量化模型与构建方式 1. **模型名称：中证现金流指数编制模型** - **构建思路**：筛选自由现金流率高的上市公司构建投资组合[30] - **具体构建过程**： - 样本空间：中证全指成分股，剔除金融地产行业[35] - 筛选条件：连续5年经营现金流为正，自由现金流率前100名[35] - 加权方式：自由现金流加权，季度调仓[35] 2. **模型名称：美国现金牛100指数模型** - **构建思路**：在罗素1000成分股中筛选高自由现金流率股票[49] - **具体构建过程**： - 剔除金融地产及预期现金流为负的企业[49] - 按过去12个月自由现金流率排序取前100名[49] - 自由现金流加权，个股上限2%，季度调整[49] 模型回测效果 1. **中证现金流指数** - 年化收益19.45%，夏普比率0.88[47] - 最大回撤44.06%，显著低于中证全指(55.78%)[47] - 持有1年盈利概率75.97%，10%以上收益概率62.02%[46] 2. **美国现金牛100指数** - 5年年化收益跑赢罗素1000价值指数3.2%[55] - 3年持有期胜率100%[57] - 前10大权重股集中度21.43%[51]

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，计算股指期货合约到期前的分红点数，以准确评估期货合约的升贴水情况[39][44] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度权重数据，若不可得则通过历史权重和涨跌幅动态调整： $$W_{n,t}={\frac{w_{i0}\times(1+r_{n})}{\sum_{i=1}^{N}w_{i0}\times(1+r_{n})}}$$ 其中，\(w_{i0}\)为最近一次公布权重，\(r_{n}\)为个股涨跌幅[46][47] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用；否则通过净利润×股息支付率估算： - **净利润预测**：根据历史季度盈利分布稳定性分类预测（稳定公司按历史规律，不稳定公司按上年同期值）[51] - **股息支付率预测**：优先采用去年值，若无则取3年平均，从未分红则默认不分红[54] 3. **除息日预测**： - 已公布日期则直接采用；否则根据预案/决案阶段的历史间隔天数线性外推，或默认7-9月末为分红日[56][57] 4. **分红点数汇总**： $$分红点数=\sum_{n=1}^{N}\left(\frac{成分股分红金额}{成分股总市值}\times成分股权重\times指数收盘价\right)$$ 要求除息日在当前日期至期货到期日之间[39] - **模型评价**：对上证50和沪深300预测误差较小（约5点），中证500误差稍大（约10点），整体准确性较高[62][63] 2. **模型名称**：股息率动态预测模型 - **模型构建思路**：基于已披露分红预案的个股数据，计算行业及指数的已实现与剩余股息率[17] - **模型具体构建过程**： - **已实现股息率**： $$\sum_{i=1}^{N1}\left(\frac{个股已分红金额}{个股总市值}\times个股权重\right)$$ - **剩余股息率**： $$\sum_{j=1}^{N2}\left(\frac{个股待分红金额}{个股总市值}\times个股权重\right)$$ 其中\(N1\)为已分红公司数，\(N2\)为待分红公司数[17] --- 量化因子与构建方式 1. **因子名称**：行业股息率因子 - **因子构建思路**：统计各行业已披露分红预案个股的股息率中位数，筛选高股息行业[15][16] - **因子具体构建过程**： - 计算个股预案股息率（预案分红金额/当前总市值） - 按行业分组计算中位数，排名前三为煤炭、银行、钢铁[15] 2. **因子名称**：股指期货贴水因子 - **因子构建思路**：跟踪主力合约年化贴水幅度，反映市场情绪[4][13] - **因子具体构建过程**： - 计算含分红价差：\(含分红价差=合约收盘价-指数收盘价+分红点数\) - 年化贴水公式： $$年化升贴水=\left(\frac{含分红价差}{指数收盘价}\right)\times\frac{365}{到期天数}\times100\%$$ 例如IH2504年化贴水-24.83%[13] --- 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[62] - 沪深300预测误差：±5点[62] - 中证500预测误差：±10点[62] 2. **股息率动态预测模型**： - 上证50剩余股息率：2.51%[17] - 沪深300剩余股息率：2.23%[17] - 中证500剩余股息率：1.46%[17] --- 因子的回测效果 1. **行业股息率因子**： - 煤炭行业股息率中位数：排名第一[15] - 银行行业股息率中位数：排名第二[15] 2. **股指期货贴水因子**： - IH主力合约年化贴水：-24.83%[13] - IF主力合约年化贴水：-26.90%[13] - IC主力合约年化贴水：-28.64%[13]

证券研究报告 | 2025年04月10日 金融工程日报 A 股高开震荡，大消费、大科技持续反弹 市场表现：今日(20250410) 市场全线上涨，规模指数中中证 2000 指数表现 较好，板块指数中北证 50 指数表现较好，风格指数中中证 500 成长指数表 现较好。行业指数全线上涨，综合金融、商贸零售、纺织服装、有色金属、 消费者服务行业表现较好，煤炭、电力公用事业、农林牧渔、食品饮料、银 行行业表现较差。乳业、离岸退税、代糖、长三角自贸区、黄金精选等概念 表现较好，港口精选、铁路运营精选、鸡产业、稀土、高速公路精选等概念 表现较差。 市场情绪：今日市场情绪较为高涨，收盘时有 173 只股票涨停，有 2 只股票 跌停。昨日涨停股票今日高开高走，收盘收益为 4.61%，昨日跌停股票今日 收盘收益为-0.89%。今日封板率 71%，较前日下降 3%，连板率 21%，较前日 提升 2%。 市场资金流向：截至 20250409 两融余额为 18102 亿元，其中融资余额 17996 亿元，融券余额 106 亿元。两融余额占流通市值比重为 2.4%，两融交易占市 场成交额比重为 8.3%。 折溢价：20250409 ...

对等关税引发贸易战 2.0 2025 年 4 月 2 日，美国以对等关税为由，对其全球贸易伙伴国加征关税。4 月 6 日，中国的反制措施正式出台，宣布 4 月 10 日之后对所有美国进口商品加征 34%关税。这可能掀起新一轮贸易争端（或可称为"贸易战 2.0"）。 复盘 2018 年中美贸易战与目前贸易冲突对比 2018 年的贸易摩擦对中国 A 股市场造成了显著冲击，上证指数在贸易战升级的关键时期，整体呈现回落趋势。 与 2018 年贸易战相比，2025 年贸易战对中国市场的负面冲击明显减弱，主要原因在于宏观经济形式的相对改善，以 及不同的货币政策周期。总体而言，2025 年中国在宏观经济韧性、产业链抗风险能力和政策工具箱等方面都已显著提 升，使得贸易战的负面影响得到有效控制。 与 2018 年贸易战相比，我们预估 2025 年贸易战对中国市场的负面冲击明显减弱，主要原因在于国内目前所处宏观经 济阶段的相对改善，以及货币政策周期窗口相对 2018 年有所打开。在外生负面冲击较强的行情中，也有消费者服务、 银行等回调较少的板块，从而展现了抗跌的韧性。无论是 2018 年的针对性冲击，还是 2025 年更具普遍性 ...

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**：动态两步GMM模型 **模型构建思路**：用于评估叙述性信息披露对公司价值的影响，解决潜在的内生性问题[30] **模型具体构建过程**： - 模型公式： $$TobinQ_{it} = \beta_0 + \beta_1 TobinQ_{i,t-1} + \beta_2 Tone_{it} + \beta_3 FLS_{it} + \beta_4 CS_{it} + \beta_5 CEO_{it} + \beta_6 Firm_{it} + \beta_7 BE_{jt} + \epsilon_{it}$$ 其中： - \(Tone_{it}\)为年报语调变量 - \(FLS_{it}\)为前瞻性声明变量 - \(CS_{it}\)为复杂性变量 - 控制变量包括CEO特征、企业年龄/规模/杠杆率等[30] - 采用Blundell-Bond系统GMM估计方法，通过滞后项作为工具变量解决内生性[47] **模型评价**：有效解决静态面板模型的内生性偏差，Hansen-J检验显示工具变量有效性（P值0.913-0.982）[48] 2. **因子名称**：年报语调因子（Tone） **因子构建思路**：通过文本分析量化管理层披露的乐观程度[31] **因子具体构建过程**： - 使用Python提取年报文本并翻译为英文[32] - 基于Loughran-McDonald词典分类积极/消极词汇，结合否定词修正（如"not good"视为消极）[34] - 采用朴素贝叶斯算法训练句子级情感分类模型（1=积极，-1=消极，0=中性）[35] - 汇总公式： $$TONE_{it} = \frac{1}{K}\sum_{k=1}^{K}tone_{kit}$$ 其中\(K\)为年报总句子数，\(tone_{kit}\)为第k句情感得分[37] - 将Tone按四分位划分，最高分位定义为"乐观度"虚拟变量[38] **因子评价**：能有效捕捉管理层战略意图，但需注意文化差异对语言表达的影响[20] 3. **因子名称**：前瞻性声明因子（FLS） **因子构建思路**：衡量年报中面向未来信息的密度[39] **因子具体构建过程**： - 构建33个未来相关关键词库（如"预计"、"战略"等），通过QSR软件优化词形变化[40] - 计算披露指数： $$FLS_{it} = \frac{1}{S}\sum_{s=1}^{S}fls_{kit}$$ 其中\(fls_{kit}\)为句子k是否含前瞻性声明（1/0）[41] - 随机抽取100份年报进行人工校验，编码一致性达90%以上[40] 4. **因子名称**：复杂性因子（CS） **因子构建思路**：评估年报文本的可读性障碍[43] **因子具体构建过程**： - 改进版雾度指数： $$Fog\ Index = 0.4 \times (平均句长 + 专业术语占比)$$ 专业术语包括"应计"、"摊销"等财务词汇（传统方法仅按音节数判断）[46] - 分级标准：>18为不可读，14-18为较难，10-12为理想[44] 模型的回测效果 1. **动态GMM模型**： - Tone系数0.4108（p<0.01）[50] - FLS系数0.0313（p<0.05）[50] - CS系数-0.0106（不显著）[50] - 滞后项TobinQ系数0.0802[50] 2. **分地区/行业测试**： - 南方地区Tone系数0.3320（p<0.01），北方不显著[57] - 采矿业FLS系数0.0257（p<0.1）[57] 因子的回测效果 1. **Tone因子**： - 对EPS正向影响0.8272（p<0.1）[60] - 与现金持有量正相关[61] 2. **FLS因子**： - 对经营现金流（OCF）正向影响[61] 3. **CS因子**： - 对ROA微弱负影响-0.0046（p<0.1）[60]

深度学习因子月报 DL_EM_Dynamic 因子三月实现超额收益 6.6% 2025 年 04 月 10 日 ➢ 3 月深度学习选股组合总体录得正向超额收益。DL_EM_Dynamic 因子在中 证 1000 中 RankIC 均值 25%, 超额收益 5%，Meta_RiskControl 因子在全 A 中 均值 RankIC20.8%，全 A 多头组合相对中证 800 超额收益 1.1%，Meta_Master 因子周度 RankIC 均值 17.7%，全 A 多头组合相对中证 800 超额收益-0.0%。 ➢ DL_EM_Dynamic 因子表现跟踪：3 月 RankIC25%，指数增强组合相对 于中证 1000 超额收益 6.6%，今年超额收益 7.9%。因子介绍：采用矩阵分解算 法从基金选股网络中提取股票的内在属性，分解出基金和股票的内在属性矩阵。 将这些内在属性与 LSTM 生成的因子表示进行拼接，进一步股票静态的内在属性 转为动态内在属性，构建股票的动态市场状态因子，共同输入到 MLP 中，可增 强模型表现。 ➢ Meta_RiskControl 因子表现跟踪：3 月 RankIC20.8%， ...

敬请阅读末页的重要说明 证券研究报告 | 金融工程 2025 年 4 月 10 日 把握新质生产力机遇，掘金深市核心资产 ——大成深证 100ETF 投资价值分析 2023 年以来，政府持续加大对新质生产力的重视程度，相关政策制度不断完 善。深圳证券市场汇聚了众多高科技创新企业，研发投入连年增长，高质量发 展态势显著。从市值和成长价值风格来看，深证 100 指数（399330.SZ）具有 明显的大盘成长属性，契合当前市场风格投资需求。大成深证 100ETF （159216.OF）紧密跟踪该指数，费率低廉，值得投资者关注。 风险提示：本报告仅作为投资参考，基金产品过往业绩并不预示其未来表现， 亦不构成投资收益的保证或投资建议，新发基金无历史业绩可参考。 任瞳 S1090519080004 rentong@cmschina.com.cn 刘凯 S1090524120001 liukai11@ cmschina.com.cn 杨航 S1090523010004 yanghang4@cmschina.com.cn 专题报告 ❑ 中国经济转型正处于关键时期，亟需从要素驱动转向创新驱动，实现内涵 式增长。"新质生产力"应 ...

请务必阅读正文之后的免责条款部分 金 金融工程/[Table_Date] 2025.04.10 [Table_Summary] 上周高频因子表现普遍反弹，大单因子表现尤为明显：日内高频偏 度因子上周、4 月 2025 年多空收益为-0.12%，-0.12%，11.2%。日内 下行波动占比因子上周、4 月 2025 年多空收益为-0.36%，-0.36%， 8.82%。开盘后买入意愿占比因子上周、4 月 2025 年多空收益为 0.41%，0.41%，6.53%。开盘后买入意愿强度因子上周、4 月 2025 年多空收益为 0.76%，0.76%，7%。开盘后大单净买入占比因子上 周、4 月 2025 年多空收益为 1.46%，1.46%，9.17%。开盘后大单净 买入强度因子上周、4 月 2025 年多空收益为 0.85%，0.85%，4.82%。 日内收益因子上周、4 月 2025 年多空收益为 0.61%，0.61%，7.38%。 尾盘成交占比因子上周、4 月 2025 年多空收益为-0.24%，-0.24%， 5.48%。平均单笔流出金额占比因子上周、4 月 2025 年多空收益为 0.02%，0.02% ...

量化模型与构建方式 1. **模型名称：ADWM（自适应动态因子加权模型）** - **模型构建思路**：设计端到端的两阶段模型，首先生成alpha因子和风险因子，然后通过状态门控机制动态加权alpha因子，以适应市场风格突变[2][13] - **模型具体构建过程**： 1. **因子生成阶段**：使用ABCM模型（基于神经网络的alpha和beta因子协同挖掘模型）生成风险因子和alpha因子。输入包括基本面因子和长周期Barra量价风险因子，通过RNN+图模型结构提取特征[17][19] 2. **因子加权阶段**：通过状态门控机制（SGM）学习alpha因子的时变权重函数。权重函数输入为风险因子（含市场状态和个股属性信息），输出为动态权重。引入噪声TopK门控机制提升泛化能力[29][33] 3. **损失函数设计**：包含预测MSE损失和Router z-loss正则项，后者约束权重分布接近均匀分布以防止数值不稳定[34][35] - **关键公式**： - 门控权重计算：$$\lambda_k(s)=Softmax(FFN(s))$$[30] - 噪声TopK门控：$$\lambda_k(s)=\text{TopK}(\text{Noisy}(FFN(s)))$$[33] - 总损失函数：$$\mathcal{L}_{\text{loss}}=MSE(\hat{r},y)+\lambda_1\mathcal{L}_{RZ}(s)$$[35] - **模型评价**：通过长周期学习稳定alpha信息，同时利用动态加权适应市场变化，相比短周期加权模型（如Model2）在风格突变时回撤更小[13][47] 2. **模型名称：ABCM（alpha和beta因子协同挖掘模型）** - **模型构建思路**：通过非对称图结构（ASTGNN）同步生成alpha因子（预测收益率方向）和风险因子（解释收益率绝对值）[17][19] - **模型具体构建过程**： 1. **网络结构**：alpha因子部分使用全连接层，风险因子部分使用ASTGNN结构，通过滚动平滑保证风险因子自相关性[19] 2. **损失函数**：结合MSE损失（alpha因子）、Rsquare损失（风险因子）和因子自相关惩罚项： $$Loss=MSE(F_{:K},y_1)+Rsquare(F,y_2)+\lambda\|corr(F,F)\|$$[19] $$Rsquare(F,y_2)=1-\frac{\||y_2-F(F^TF)^{-1}F^Ty_2\||^2}{\||y_2\||^2}$$[19] 3. **排序学习**：引入RankNet损失函数优化股票相对排序： $$C_{i,j}=-\bar{P}_{i,j}\log P_{i,j}-(1-\bar{P}_{i,j})\log(1-P_{i,j})$$[23] - **模型评价**：能同时捕捉特质收益和系统性风险信息，生成因子在行业轮动中表现突出（如Model2行业RankIC达9%）[5][63] 3. **衍生模型（Model1-Model5）** - **Model1**：基准模型，基于ASTGNN因子挖掘框架的调整版[39] - **Model2**：ABCM生成的风险因子短周期加权合成，侧重风格轮动[39][47] - **Model3**：ABCM生成的alpha因子通过ADWM长周期加权，风格暴露稳定（如小市值、低波）[39][55] - **Model4**：ABCM所有因子参与短周期加权，选股能力提升（中证全指RankIC 16.34%）[40][43] - **Model5**：Model3与Model4因子加权融合，平衡稳定性和轮动能力[41][89] --- 模型的回测效果 1. **中证全指表现（20171229-20241231）** - **Model4**：RankIC 16.34%，ICIR 1.65，Top组年化超额54.03%，最大回撤-5.70%[43] - **Model5**：RankIC 16.56%，ICIR 1.65，Top组年化超额52.69%，最大回撤-5.67%[43] - **Model2**：年化多头超额46.40%，但2024年回撤达-16.44%（风格切换敏感）[43][47] 2. **宽基指数表现** - **沪深300**：Model5表现最佳，RankIC 11.58%，Top组超额32.07%[49] - **中证500**：Model4 RankIC 12.07%，年化超额27.09%[49] - **中证1000**：Model5 RankIC 15.26%，年化超额41.23%[49] 3. **行业轮动表现** - **Model5**：行业RankIC 12.45%，ICIR 0.42，年化超额28.44%[63] - **Model2**：行业RankIC 9.00%，但选股RankIC仅12.89%，显示alpha信息主要来自行业轮动[63][47] 4. **指数增强组合** - **沪深300增强**：Model5年化超额9.42%（2024年）[69] - **中证1000增强**：Model4年化超额32.13%（2018-2024）[82] --- 量化因子与构建方式 1. **因子名称：ABCM生成的风险因子与alpha因子** - **构建思路**：通过非对称图结构ASTGNN提取风险因子，全连接网络提取alpha因子[17][19] - **具体构建**： - 风险因子平滑：$$F_{K_i}=W_3(H+H[-1]+H[-2])$$，H为历史风险因子滚动矩阵[19] - 因子正交化：通过Rsquare损失函数最小化风险因子与收益率的残差[19] 2. **因子名称：动态加权合成因子** - **构建思路**：结合长周期alpha因子（Model3）与短周期轮动因子（Model2）[41] - **具体构建**：按固定比例加权Model3和Model4因子得分[89] --- 因子的回测效果 1. **风格暴露分析** - **Model3**：小市值（-10.12%）、低波（-25.35%）、低估值（18.66%）暴露显著[55] - **Model2**：与Barra风格相关性最低（如Size -3.45%），轮动特性突出[55][61] 2. **因子相关性** - Model2与Model3因子相关性仅60.44%，显示长周期alpha与轮动alpha互补[62] - Model4与Model5相关性达99.62%，融合后信息重叠度高[62] （注：部分测试结果因文档截断未完整列出，如分钟线数据集处理细节[10]）