根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率** - 构建思路：衡量涨停股票中能够维持涨停至收盘的比例，反映市场情绪强度[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘仍涨停的股票占比[17] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率** - 构建思路：捕捉连续涨停股票的比例，反映市场投机热度[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 筛选昨日涨停股票中今日继续涨停的比例[17] - 因子评价：极端市场环境下有效性显著 3. **因子名称：大宗交易折价率** - 构建思路：通过大宗交易价格与市价的偏离度反映机构交易意愿[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算当日所有大宗交易成交价相对于市价的加权平均折价幅度[26] - 因子评价：对大盘股未来走势有一定预测能力 4. **因子名称：股指期货年化贴水率** - 构建思路：量化期货市场对现货指数的预期偏差[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 对上证50/沪深300/中证500/中证1000主力合约分别计算[28] - 因子评价：反映市场风险偏好与对冲成本 因子回测效果 1. **封板率因子** - 当日值：74%（较前日提升5%）[17] - 近一月波动范围：未披露具体区间 2. **连板率因子** - 当日值：24%（较前日提升6%）[17] - 近一月波动范围：未披露具体区间 3. **大宗交易折价率因子** - 当日值：9.32%[26] - 近半年均值：5.78%[26] 4. **股指期货年化贴水率因子** - 上证50：3.73%（41%分位）[28] - 沪深300：5.63%（35%分位）[28] - 中证500：18.67%（13%分位）[28] - 中证1000：14.56%（40%分位）[28] 注：报告中未涉及量化模型的具体构建，仅包含市场监测类因子[17][26][28]

量化模型与构建方式 1. **模型名称**："时钟+拐点改善法"大类资产轮动模型 **模型构建思路**：结合宏观风险因子状态（经济增长、通胀、利率、信用、汇率、期限利差）与投资时钟规律，通过相位判断法优化拐点识别，动态调整资产配置[8][9][12][16][24] **模型具体构建过程**： - **宏观因子构建**： - 经济增长因子：工业增加值同比、PMI、社会消费品零售总额同比，经HP滤波处理后波动率倒数加权合成[8] - 通胀因子：PPI同比、CPI同比，HP滤波后波动率倒数加权[8] - 利率因子：中债-国债总财富指数与中证货币基金指数等权组合，计算净值同比收益率[8] - 汇率因子：上海金与伦敦金现多空组合净值同比收益率[8] - 信用因子：中债-企业债AAA指数与中债-国债总指数久期中性组合净值同比收益率[8] - 期限利差因子：中短期债券与长期债券久期中性组合净值同比收益率[8] - **状态判断规则**： - 因子动量法：$$Momentum_{t}=X_{t}-\frac{1}{3}(X_{t-1}+X_{t-2}+X_{t-3})$$，连续两期同向判定状态[16] - 相位判断法：38个月周期正弦波拟合，划分上行/下行/顶部/底部区域，结合动量法优化拐点识别[21][22] - **资产配置规则**： - 初始风险配比1:1:1:0.5:0.5（大盘股:小盘股:债券:商品:黄金），根据宏观因子得分调整（正分翻倍，负分减半）[24] **模型评价**：融合多维度宏观因子与周期规律，在控制风险前提下实现稳定收益[26][27] 2. **因子名称**：宏观风险因子体系（经济增长、通胀、利率、信用、汇率、期限利差） **因子构建思路**：通过宏观经济指标与资产组合构建多维度风险因子[8] **因子具体构建过程**： - **合成方法**： - 经济增长/通胀因子：HP滤波后波动率倒数加权[8] - 利率/信用/汇率/期限利差因子：构造多空或中性组合计算净值同比收益率[8] **因子评价**：全面刻画宏观经济状态，为资产配置提供量化依据[8][12] --- 模型的回测效果 1. **"时钟+拐点改善法"模型**： - 总收益率242.45%，年化收益率9.93%，年化波动率6.83%[27] - 夏普比率1.45，最大回撤6.31%，胜率73.08%[27] - 2025年6月收益率0.72%（基准2.76%），配置比例债券88.54%、黄金5.81%[31][32] --- 量化因子与构建方式 1. **因子名称**：投资时钟状态得分因子 **因子构建思路**：根据增长-通胀时钟、利率-信用时钟等宏观状态对资产打分（-2至2分）[14][15] **因子具体构建过程**： - 复苏期：大盘股+2、小盘股+2、债券-2、商品+2、黄金+1[15] - 紧利率宽信用：大盘股+2、小盘股+2、债券-2、商品+2、黄金+2[15] **因子评价**：量化历史规律，指导资产配置方向[12][15] --- 因子的回测效果 1. **宏观风险因子状态（2025年6月）**： - 经济增长↑、通胀↓、利率↓、信用↓、汇率↓、期限利差↓[36] - 对应配置观点：看多债券/黄金，谨慎权益/商品[33]

根据提供的研报内容，以下是量化模型与因子的总结： 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**：通过精细化处理指数成分股的分红数据，准确预测股指期货合约的升贴水情况[12] - **模型具体构建过程**： 1. 获取指数成分股及其权重数据[43] 2. 对每只成分股的分红金额进行测算： - 若已公布分红金额，直接采用公布值[46] - 若未公布，则通过预测净利润和股息支付率计算： $$分红金额 = 净利润 \times 股息支付率$$[46] 3. 预测除息日： - 基于历史间隔天数的稳定性进行线性外推[50] - 若无法外推，采用默认日期（如7月31日、8月31日等）[55] 4. 计算分红点数： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$[40] - **模型评价**：对上证50和沪深300指数的预测准确度较高，误差在5个点左右；中证500指数误差稍大，约10个点[60] 2. **模型名称**：成分股权重动态修正模型 - **模型构建思路**：通过日度收盘权重数据精确跟踪成分股权重变化[45] - **模型具体构建过程**： - 若指数成分股未调整，采用历史权重和涨跌幅修正： $$W_{n,t} = \frac{w_{i0} \times (1 + r_n)}{\sum_{i=1}^{N} w_{i0} \times (1 + r_n)}$$[44] - 若发生成分股调整或特殊事件（如解禁），直接采用中证指数公司披露的日度权重[45] 3. **模型名称**：净利润动态预测模型 - **模型构建思路**：根据公司盈利分布稳定性分类预测年度净利润[49] - **模型具体构建过程**： - 对盈利分布稳定的公司，按历史分布规律预测[49] - 对盈利分布不稳定的公司，采用上年同期盈利作为预测值[49] 4. **模型名称**：股息支付率预测模型 - **模型构建思路**：基于历史股息支付率稳定性进行预测[50] - **模型具体构建过程**： - 若去年分红，直接采用去年股息支付率[52] - 若去年不分红，采用最近3年平均股息支付率[52] - 若从未分红，默认不分红[52] 量化因子与构建方式 1. **因子名称**：已实现股息率因子 - **因子构建思路**：统计指数成分股中已现金分红公司的股息率[17] - **因子具体构建过程**： $$已实现股息率 = \sum_{i=1}^{N_1} \left( \frac{已分红金额_i}{总市值_i} \times 权重_i \right)$$[17] 2. **因子名称**：剩余股息率因子 - **因子构建思路**：统计尚未分红公司的预期股息率[17] - **因子具体构建过程**： $$剩余股息率 = \sum_{i=1}^{N_2} \left( \frac{预期分红金额_i}{总市值_i} \times 权重_i \right)$$[17] 3. **因子名称**：行业股息率因子 - **因子构建思路**：按行业分类统计已公布分红预案的个股股息率中位数[15] - **因子评价**：煤炭、银行、钢铁行业股息率排名前三[15] 模型的回测效果 1. **股指分红点位测算模型**： - 上证50指数预测误差：约5个点[60] - 沪深300指数预测误差：约5个点[60] - 中证500指数预测误差：约10个点[60] 2. **股指期货升贴水模型**（截至2025年7月2日）： - IH主力合约年化贴水：-0.28%[13] - IF主力合约年化贴水：-2.35%[13] - IC主力合约年化贴水：-10.65%[13] - IM主力合约年化贴水：-14.77%[13] 因子的回测效果 1. **已实现股息率因子**（截至2025年7月2日）： - 上证50指数：1.28%[17] - 沪深300指数：1.07%[17] - 中证500指数：0.95%[17] - 中证1000指数：0.73%[17] 2. **剩余股息率因子**（截至2025年7月2日）： - 上证50指数：0.99%[17] - 沪深300指数：0.87%[17] - 中证500指数：0.35%[17] - 中证1000指数：0.23%[17]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **封板率因子** - 构建思路：衡量涨停股票的稳定性[17] - 具体构建： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价与收盘价均涨停的比例[17] 2. **连板率因子** - 构建思路：反映涨停股票的连续性[17] - 具体构建： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中次日仍涨停的比例[17] 3. **大宗交易折价率因子** - 构建思路：捕捉大资金交易行为的市场情绪[26] - 具体构建： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 计算大宗交易成交价相对于市价的偏离程度[26] 4. **股指期货年化贴水率因子** - 构建思路：量化期货市场对现货指数的预期[28] - 具体构建： $$年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 涵盖上证50、沪深300、中证500、中证1000主力合约[28] 因子回测效果 1. **封板率因子** - 当日取值：69%（较前日提升5%）[17] - 近一月趋势：封板率与连板率联动波动[17] 2. **连板率因子** - 当日取值：17%（较前日提升1%）[17] 3. **大宗交易折价率因子** - 当日取值：6.23%（近半年均值5.73%）[26] - 成交金额：20亿元（近半年日均12亿元）[26] 4. **股指期货年化贴水率因子** - 上证50：4.15%（近一年中位数1.53%，38%分位）[28] - 沪深300：5.50%（近一年中位数3.20%，36%分位）[28] - 中证500：12.85%（近一年中位数9.21%，31%分位）[28] - 中证1000：13.38%（近一年中位数12.49%，45%分位）[28] 因子评价 - **封板率/连板率**：高频交易中有效反映短期市场情绪，但需结合个股流动性分析[17] - **大宗交易折价率**：对机构资金动向敏感，但需注意单日异常成交干扰[26] - **股指期货贴水率**：长期对冲成本指标，极端分位值可能预示市场反转[28] 注：报告中未提及具体量化模型，仅包含市场监测类因子构建。

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**：Gemini Robotics On-Device - **模型构建思路**：基于Gemini 2.0架构开发，实现多模态大模型在机器人设备上的完全本地化运行，无需依赖云端计算[12] - **模型具体构建过程**： - 深度融合视觉感知、自然语言理解和动作规划三大模块 - 通过端到端的多模态神经网络训练，将文本、图像输入映射为机械控制信号 - 采用三级安全机制（实时碰撞检测、伦理约束层和硬件级动作限制）保障人机协作安全[13] - 提供Gemini Robotics SDK和MuJoCo物理模拟器工具链，支持开发者通过少量样本微调适配新任务[16] 2. **模型名称**：Kwai Keye-VL - **模型构建思路**：基于Qwen3-8B语言模型架构，融合SigLIP初始化的视觉编码器，实现文本、图像和视频信息的统一处理[17] - **模型具体构建过程**： - 采用3D RoPE（旋转位置编码）技术捕捉视频时序变化与动态分辨率输入 - 预训练阶段使用600B规模的多模态数据集，通过四阶段优化策略构建基座能力[18] - 后训练阶段通过两阶段微调实现推理能力跃升，采用GRPO算法进行混合强化学习[18] 3. **模型名称**：Gemini CLI - **模型构建思路**：将Gemini 2.5 Pro模型的百亿级参数能力嵌入终端环境，通过自然语言交互重构开发者工作流[25] - **模型具体构建过程**： - 基于ReAct（Reason and Act）工作循环设计，实现多模态推理与工具调用的动态协同 - 支持MCP（Model Context Protocol）扩展层，允许接入第三方服务如Imagen图像生成或Veo视频合成[27] - 采用沙盒执行与影子提交双重安全机制，所有文件修改前自动创建Git检查点[29] 4. **模型名称**：Mu - **模型构建思路**：专为Windows 11系统设计的小型语言模型，实现与参数量十倍的Phi-3.5-mini相当的性能表现[44] - **模型具体构建过程**： - 采用编码器-解码器架构与NPU深度协同设计 - 通过双重层归一化（Pre- and Post-LN）、旋转位置嵌入（RoPE）和分组查询注意力（GQA）优化性能[47] - 训练阶段先在数千亿高质量教育token上预训练，再通过知识蒸馏从Phi模型中提取核心能力[47] 5. **模型名称**：子曰3（Confucius3-Math） - **模型构建思路**：专注于K12数学教育的开源推理模型，通过轻量化架构与增强学习优化实现低成本高性能[53] - **模型具体构建过程**： - 采用符号运算加速器设计，解几何题时辅助线生成速度提升3倍 - 通过Policy-Specific Hardness Weighting技术动态调整训练样本权重[54] - 训练数据整合100万+师生互动记录，使解题逻辑更贴合教学大纲[54] 模型的回测效果 1. **Gemini Robotics On-Device** - 在未训练情境下的任务完成率达81%[13] - 器械识别准确率超过95%[16] 2. **Kwai Keye-VL** - 在VideoMME等权威基准上以67.4分超越Qwen2.5-VL-7B[21] - 内部短视频场景测试中综合得分领先业界10%以上[21] 3. **Gemini CLI** - GitHub上线48小时内斩获3万星标[28] - 每分钟60次请求、每日1000次调用的免费额度[28] 4. **Mu** - 在Windows设置代理任务中达到500毫秒内的响应延迟，准确率接近Phi-3.5-mini的81%[47] - 解码速度提升4.7倍，首token延迟降低47%[47] 5. **子曰3** - 在GAOKAO-Bench（Math）成绩达到98.5分[53] - 推理成本压缩至每百万token仅0.15美元[53] 量化因子与构建方式 （注：研报中未明确提及量化因子的构建，此部分暂缺） 因子的回测效果 （注：研报中未明确提及量化因子的测试结果，此部分暂缺）

量化模型与构建方式 1. **模型名称：赔率+胜率策略** - **模型构建思路**：结合资产的赔率与胜率指标，通过风险预算模型构建配置策略[40] - **模型具体构建过程**： 1. **赔率指标**：基于ERP（股权风险溢价）和DRP（债务风险溢价）的标准化数值等权计算，例如A股赔率为1.2倍标准差[11] 2. **胜率指标**：通过宏观胜率评分卡（货币、信用、增长、通胀、海外五因子）合成综合胜率，例如A股胜率回升至0轴附近[11] 3. **风险预算分配**：将赔率策略和胜率策略的风险预算简单相加，生成综合得分并调整资产权重[40] - **模型评价**：通过动态调整高赔率与高胜率资产权重，实现稳健收益 2. **模型名称：行业轮动策略（三维评价体系）** - **模型构建思路**：基于行业景气度、趋势、拥挤度三维框架筛选行业[35] - **模型具体构建过程**： 1. **趋势指标**：过去12个月信息比率（IR）衡量行业动量 2. **拥挤度指标**：换手率比率、波动率比率、beta比率合成[35] 3. **景气度分类**：实心气泡代表高景气行业，空心代表低景气[38] - **模型评价**：通过多维度交叉验证，有效捕捉行业轮动机会 3. **模型名称：美联储流动性指数模型** - **模型构建思路**：从数量维度和价格维度解构美联储流动性[17] - **模型具体构建过程**： 1. **数量维度**：净流动性、联储信用支持 2. **价格维度**：预期引导、市场隐含利率、公告意外[15] 3. **指数合成**：加权计算当前流动性状态（如20%中高水平）[15] --- 量化因子与构建方式 1. **因子名称：价值因子** - **因子构建思路**：通过赔率、趋势、拥挤度三标尺综合打分[18] - **因子具体构建过程**： 1. **赔率**：国证价值/国证1000比值标准化（当前0.2倍标准差）[19] 2. **趋势**：滚动窗口计算因子收益率方向（-0.1倍标准差中等水平）[19] 3. **拥挤度**：换手率与波动率分位数合成（-1倍标准差低拥挤）[19] - **因子评价**：综合得分1分，呈现“强趋势-低拥挤”特征[29] 2. **因子名称：质量因子** - **因子构建思路**：侧重盈利稳定性与ROE持续性[20] - **因子具体构建过程**： 1. **赔率**：高质量因子超额走势分位数（1.4倍标准差高赔率）[22] 2. **趋势**：滚动12个月收益方向（-0.3倍标准差弱趋势）[22] 3. **拥挤度**：持仓集中度与交易量合成（-0.8倍标准差低拥挤）[22] 3. **因子名称：小盘因子** - **因子构建思路**：衡量市值风格与交易拥挤度[26] - **因子具体构建过程**： 1. **赔率**：中证2000/沪深300比值标准化（-0.5倍标准差低赔率）[28] 2. **趋势**：短期动量强度（0.9倍标准差强趋势）[28] 3. **拥挤度**：换手率分位数（0.6倍标准差高拥挤）[28] --- 模型的回测效果 1. **赔率+胜率策略** - 年化收益：7.0%（2011年以来）、7.6%（2014年以来）、7.2%（2019年以来）[47] - 最大回撤：2.8%（2011年以来）、2.7%（2014年以来）、2.8%（2019年以来）[47] - 夏普比率：2.86（2011年以来）、3.26（2014年以来）、2.85（2019年以来）[47] 2. **行业轮动策略** - 年化超额收益：13.1%（2011年以来）、13.0%（2014年以来）、10.8%（2019年以来）[36] - 信息比率（IR）：1.18（2011年以来）、1.08（2014年以来）、1.02（2019年以来）[36] --- 因子的回测效果 1. **价值因子** - 综合打分：1分（当前排名最高）[18] - 赔率分位数：0.2倍标准差[19] - 趋势分位数：-0.1倍标准差[19] 2. **质量因子** - 综合打分：0.6分[20] - 赔率分位数：1.4倍标准差[22] - 趋势分位数：-0.3倍标准差[22] 3. **小盘因子** - 综合打分：0分[26] - 趋势分位数：0.9倍标准差[28] - 拥挤度分位数：0.6倍标准差[28]

量化模型与构建方式 1. **模型名称**：核心卫星化模型 **模型构建思路**：通过增加基准成份股或基准指数的仓位，降低主动管理部分权重以达到降低组合跟踪误差的目标[2] **模型具体构建过程**：使用网格搜索法进行参数遍历，在满足跟踪误差<M%的情况下找到最优仓位参数。具体步骤包括： - 输入投资组合X（股票代码及权重）和基准指数Y - 设定跟踪误差阈值M% - 通过网格搜索遍历不同基准指数配置比例（如10%-90%，步长5%） - 计算各比例下组合的跟踪误差和收益率 - 选择满足跟踪误差<M%条件下收益率最大的配置比例 **模型评价**：实现简单直接，但可能牺牲部分主动管理收益[16] 2. **模型名称**：行业中性化模型 **模型构建思路**：通过调整组合中各行业权重使其与基准指数一致，降低行业配置带来的跟踪误差[3] **模型具体构建过程**： - 保持组合持仓股票不变 - 计算基准指数Y的中信一级行业权重分布 - 调整组合中各行业内股票权重，使组合行业权重与基准一致 - 对于组合中未配置的行业，使用行业指数ETF进行填充 - 输出中性化后的持仓权重[31] **模型评价**：有效降低行业配置偏离，但可能限制基金经理的行业选择能力[32] 3. **模型名称**：风格中性化模型 **模型构建思路**：通过组合优化调整个股权重，使组合相对基准的风格偏离最小[4] **模型具体构建过程**： - 基于Barra风格因子体系（Size、Beta、Momentum等10个因子） - 构建多目标优化方程： $$ \min \sum_{i=1}^{n} w_i \cdot StyleExposure_i + \lambda \cdot \sum_{i=1}^{n} |w_i - w_{i,original}| $$ 其中$StyleExposure_i$为股票i的风格暴露，$\lambda$为调整幅度权重参数 - 求解得到最优个股权重分配[36] **模型评价**：操作复杂度较高，需依赖完整的风格因子体系[37] 4. **模型名称**：组合哑铃化模型 **模型构建思路**：通过配置相关性低的互补策略（如成长+价值），降低组合整体波动[5] **模型具体构建过程**： - 识别原组合主导风格（如成长型） - 选择相关性低的对冲策略（如价值型指数） - 按等权重或其他优化比例配置互补策略 - 定期（如季度）进行再平衡[41] **模型评价**：适合风格极致的基金，但需考虑策略间的实际对冲效果[42] 模型的回测效果 1. **核心卫星化模型** - 日偏离度：从2.27%降至1.12% - 跟踪误差：显著降低[18] 2. **行业中性化模型** - 最大日偏离度：从6.39%降至0.96% - 行业配置偏差：完全消除[33] 3. **风格中性化模型** - 平均日偏离度：从1.49%降至1.06% - 超额收益：从-9.55%提升至+3.55%[38] 4. **组合哑铃化模型** - 年化收益率：7.57%（基准4.81%） - 年化波动率：19.23%（基准21.42%） - 最大回撤：45.60%（基准46.70%） - 超额最大回撤：从33.36%降至19.88%[46] 量化因子与构建方式 1. **因子名称**：基准指数替代因子 **因子构建思路**：用少量股票构建能稳定跟踪基准指数的替代组合[20] **因子具体构建过程**： - **核心龙头股+行业代表法**： 1) 筛选基准指数中市值前30%的股票 2) 对每个中信一级行业，确保至少有1只代表股票 3) 等比例放大各行业权重至基准水平 4) 控制总股票数量在50只左右[23] - **优化抽样法**： $$ \min \sum_{t=1}^{T} (R_{portfolio,t} - R_{benchmark,t})^2 $$ 约束条件：股票数量≤50，行业权重偏差≤1%[21] **因子评价**：平衡了跟踪效果与组合简洁性[28] 因子的回测效果 1. **基准指数替代因子** - 跟踪误差：2.91% - 行业覆盖：100%中信一级行业[28]

量化因子与构建方式 1 **因子名称**：盈利预期期限结构因子 **因子构建思路**：通过分析分析师对上市公司未来多年盈利预测的趋势（期限结构），将盈利预测数据与年度变量拟合斜率，量化分析师的乐观、中性或悲观预期[7] **因子具体构建过程**： - 将未来年度（如第1年、第2年等）作为X轴，对应盈利预测值作为Y轴 - 对数据点进行线性回归，计算斜率： $$ \text{斜率} = \frac{n\sum xy - (\sum x)(\sum y)}{n\sum x^2 - (\sum x)^2} $$ 其中，\( x \)为年度变量，\( y \)为盈利预测值，\( n \)为预测年度数 - 根据斜率正负和大小划分期限结构形态（向上倾斜/水平/向下倾斜）[7] **因子评价**：历史表现稳定，能有效捕捉分析师预期差异[9] 2 **因子名称**：合成动量ff因子 **因子构建思路**：将盈利预期期限结构因子（动量ff）与传统分析师预期调升因子（如一致预期净利润3个月变化率）结合，提升稳定性和收益能力[11] **因子具体构建过程**： - 标准化处理两个因子的数值 - 按一定权重线性合成（具体权重未披露）： $$ \text{合成动量ff} = w_1 \times \text{动量ff} + w_2 \times \text{预期调升因子} $$ **因子评价**：兼具高收益与稳定性，2021年后回撤显著改善[11] --- 因子的回测效果 1 **盈利预期期限结构因子**：累计IC表现稳定（图示趋势，无具体数值）[8][9] 2 **合成动量ff因子**：累计IC曲线优于传统预期调升因子（图示对比）[12] --- 量化模型与构建方式 1 **模型名称**：多指数选股组合模型 **模型构建思路**：基于合成动量ff因子在不同指数成分股中筛选排名靠前的股票构建组合[15] **模型具体构建过程**： - 在沪深300、中证500、中证800、中证1000成分股中分别选取因子排名前50、50、100、100的股票 - 等权重配置，定期调仓（频率未明确）[15] --- 模型的回测效果 1 **沪深300选股组合**： - 2025年6月超额收益4.29% - 2025上半年累计超额收益5.36%[15] 2 **中证500选股组合**： - 2025年6月超额收益2.36% - 2025上半年累计超额收益3.76%[15] 3 **中证800选股组合**： - 2025年6月超额收益3.72% - 2025上半年累计超额收益5.55%[15] 4 **中证1000选股组合**： - 2025年6月超额收益1.69% - 2025上半年累计超额收益4.17%[15]

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：港股优选20组合** - **模型构建思路**：基于港股通样本股，结合技术面、资金面、基本面和分析师预期四大类因子，筛选得分最高的前20只个股构建等权组合[37][38] - **模型具体构建过程**： 1. 因子分类：技术面（如动量、波动率）、资金面（如南下资金净流入占比）、基本面（如PE、ROE）、分析师预期（如盈利预测调整）[38] 2. 因子标准化：对每类因子内的指标进行Z-score标准化处理 3. 综合评分：加权汇总四大类因子得分（未披露具体权重） 4. 组合构建：每月末选取总分前20的个股等权配置，基准为港股综合指数(HKD)[39] - **模型评价**：长期表现优异，但存在年度波动（如2025年超额收益为负）[40] 2. **因子名称：资金流因子** - **因子构建思路**：通过港股通标的在四类经纪商（南下/外资/中资/港资及其他）的持仓变化捕捉资金流向[19] - **因子具体构建过程**： 1. 数据来源：香港联交所持股明细 2. 计算单月净流入占比： $$净流入占比=\frac{本月持仓市值-上月持仓市值}{上月总持仓市值}$$ 3. 分类统计：按行业/个股维度计算四类资金流均值[23][24][25][26] - **因子评价**：南下资金流因子对个股收益预测效果显著（前10个股平均收益25.7%）[32][36] 模型的回测效果 1. **港股优选20组合** - 全区间（2015.1-2025.6）： - 超额年化收益率：13.3% - 超额收益波动比：1.0 - 最大回撤：18.2%[40] - 2025年6月单月： - 组合收益率：4.6% - 基准收益率：3.9% - 超额收益率：0.8%[39] 2. **资金流因子** - 2025年6月四类资金流前10个股平均收益： - 南下资金系：25.7% - 外资系：13.5% - 中资系：14.0% - 港资及其他：10.2%[36] 量化因子与构建方式 1. **因子名称：基本面因子（PE/ROE）** - **因子构建思路**：采用港股通成分股的估值与盈利能力指标[46] - **因子具体构建过程**： 1. PEttm = 总市值 / 最近12个月净利润 2. ROEttm = 最近12个月净利润 / 期末净资产 3. 行业中性化处理：计算个股与行业均值的偏离度[46] 2. **因子名称：技术面因子** - **构建思路**：包含动量、波动率等传统技术指标（未披露具体公式）[38] 因子的回测效果 1. **基本面因子** - 2025年7月组合PEttm范围：1.4（金斯瑞生物科技）至75.4（中芯国际）[46] - ROEttm范围：-9.5%（哔哩哔哩）至103.7%（金斯瑞生物科技）[46] （注：部分因子如技术面、分析师预期因子的具体测试结果未在研报中披露）

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **优化复制模型** - **构建思路**：通过数学优化方法最小化跟踪误差，复制目标指数的收益[31] - **具体构建过程**： 1. 定义资产组合收益率： $${\tilde{R}}_{t}=\Sigma_{i=1}^{M}{\widetilde{W}}_{i,t}\cdot Y_{i,t}=Y_{t}\cdot{\overline{{W}}}_{t}$$ 其中${\widetilde{W}}_{i,t}$为持仓权重，$Y_{i,t}$为资产收益[31] 2. 目标函数为跟踪误差最小化： $$w=a r g\,m i n\;\;\;T E$$ 其中$TE=\sqrt{\frac{1}{T}\Sigma_{t=1}^{T}(\tilde{R}_t-R_t)^2}$[32] 3. 添加约束条件： 权重和为1：$$\Sigma_{i=1}^{N}w_{i}=1$$[33] 非负约束：$$0\leq w_{i}\leq1$$[35] 行业/风格中性约束： $$z_{l o w}\leq\frac{X_{s}^{T}w-X_{s}^{T}\tilde{w}}{s_{b}}\leq z_{u p}$$ $$w_{l o w}^{I}\leq X_{I}^{T}w-X_{I}^{T}\bar{w}\leq w_{u p}^{I}$$[36] - **评价**：灵活平衡成本与精度，但依赖历史数据可能产生模型风险[30] 2. **Barra多因子模型** - **构建思路**：基于CAPM和Fama-French三因子模型扩展，解释个股收益来源[47] - **具体构建过程**： 因子收益方程： $${\begin{bmatrix}r_{1}\\ r_{2}\\ \vdots\\ r_{n}\end{bmatrix}}={\begin{bmatrix}x_{11}\\ x_{21}\\ \vdots\\ x_{n1}\end{bmatrix}}f_{1}+{\begin{bmatrix}x_{12}\\ x_{22}\\ \vdots\\ x_{n2}\end{bmatrix}}f_{2}+\cdots+{\begin{bmatrix}x_{1m}\\ x_{2m}\\ \vdots\\ x_{n m}\end{bmatrix}}f_{m}+{\begin{bmatrix}u_{1}\\ u_{2}\\ \vdots\\ u_{n}\end{bmatrix}}$$ 其中$x_{ij}$为股票i对因子j的暴露，$f_j$为因子收益[46] 3. **TCN神经网络因子挖掘模型** - **构建思路**：通过时序卷积网络挖掘高频量价Alpha因子[52] - **评价**：相比遗传规划算法能发现更复杂的非线性关系[51] 量化因子与构建方式 1. **波动类因子** - 特异率：1减Fama-French三因子模型拟合优度[48] - 残差波动率：Fama-French三因子回归残差的标准差[48] - 换手率变异系数：换手率标准差/均值[48] 2. **空头意愿因子** - 每笔成交额：总成交额/成交笔数[48] - 高量每笔成交：高成交量区间的每笔成交额占比[48] 3. **交易拥挤度因子** - 量价相关性：成交量与价格的秩相关系数[48] - 高量交易成本：最高20%价格区间的成交量占比[48] 4. **质量因子** - 盈利因子：扣非ROE与资产报酬率的均值[48] 5. **成长因子** - 绝对净利润增长：单季度扣非净利润时间序列回归斜率[48] 模型的回测效果 1. **沪深300指数增强基金** - 年化超额收益：3.74%[23] - 信息比率(IR)：1.51[23] - 跟踪误差：2.22%[23] - 超额胜率：72%[23] 因子的回测效果 1. **打新增强** - 2025年打新收益：2.13%（科创板4.34%，创业板2.52%）[67] 2. **股指期货增强** - 2025年基差：沪深300(-6.75%)、中证500(-13.60%)[72] 3. **大宗交易增强** - 历史折价率中位数：5.38%（2025年8.23%）[74] 4. **定向增发增强** - 历史折价率中位数：14.55%（2025年11.87%）[77]