量化模型与构建方式 1. **模型名称**：250日新高距离模型 **模型构建思路**：通过计算当前收盘价与过去250日最高收盘价的相对距离，衡量股票或指数接近历史高点的程度[9] **模型具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close,250)\)为过去250个交易日收盘价的最大值 当最新收盘价等于历史最高价时取值为0，回落时取正值反映回调幅度[9] **模型评价**：该指标能有效捕捉动量效应，符合经典趋势跟踪策略理论[9][16] 2. **模型名称**：平稳创新高股票筛选模型 **模型构建思路**：结合价格路径平滑性、分析师关注度等多维度筛选具有持续动量的股票[22][24] **模型具体构建过程**： - **价格路径平滑性**：计算位移路程比 $$ \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总} $$ - **分析师关注度**：过去3个月买入/增持评级研报≥5份 - **股价相对强弱**：过去250日涨跌幅全市场前20% - **创新高持续性**：过去120日250日新高距离时间序列均值 - **趋势延续性**：过去5日250日新高距离时间序列均值[22][24] **模型评价**：综合考量动量质量和市场关注度，避免选择波动过大的"彩票型股票"[22] --- 模型的回测效果 1. **250日新高距离模型**： - 上证指数新高距离3.97% - 深证成指7.72% - 沪深300 8.01% - 中证500 6.55% - 中证1000 5.20% - 中证2000 6.32% - 创业板指16.55% - 科创50 8.64%[10][30] - 家电行业2.60% - 银行1.74% - 有色金属2.78%[11][30] 2. **平稳创新高股票筛选模型**： - 筛选出29只股票（如卧龙电驱、新大陆、艾力斯等） - 制造/科技板块各占8只 - 机械/电子行业占比最高[25][29] --- 量化因子与构建方式 1. **因子名称**：创新高个股数量因子 **因子构建思路**：统计各行业/板块创250日新高的股票数量及占比[17][18] **因子具体构建过程**： - 在上市满15个月的股票池中 - 筛选过去20个交易日内收盘价≥250日最高价的股票 - 按行业/板块/指数分类统计绝对数量及占比[17][18] 2. **因子名称**：股价位移路程比因子 **因子构建思路**：衡量价格路径平滑性，识别"温水煮青蛙"效应[22] **因子具体构建过程**： $$ \frac{\sum_{t=1}^{120} |r_t|}{\sum_{t=1}^{120} |r_t|} $$ 其中\(r_t\)为日收益率，分子为120日累计收益绝对值，分母为每日收益绝对值之和[22] --- 因子的回测效果 1. **创新高个股数量因子**： - 全市场928只创新高股票 - 机械行业207只（占比30.94%） - 汽车行业85只（占比35.42%）[17][21] - 中证2000指数成分股中21.55%创新高[18][21] 2. **股价位移路程比因子**： - 应用于29只平稳创新高股票筛选 - 典型标的如艾力斯（72%年涨幅）、若羽臣（277%年涨幅）[29]

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：领涨因子** - **构建思路**：基于量价数据筛选近期表现强势的股票，捕捉市场热点概念的领涨股[9] - **具体构建过程**： 1. 在"海洋经济"概念股池中计算个股近期涨幅（如近3日涨跌幅） 2. 按涨幅排序，选取排名靠前的股票 3. 结合其他技术指标（如成交量、动量等）进行综合评分 4. 最终筛选因子得分前五的股票构成组合[9] 2. **因子名称：尖峰右偏因子** - **构建思路**：利用价格分布的非对称性特征，捕捉具有潜在爆发力的个股[9] - **具体构建过程**： 1. 计算个股收益率分布的偏度和峰度 2. 筛选具有显著右偏（正偏）和高峰态特征的股票 3. 结合波动率指标排除异常值 4. 与领涨因子协同使用，优化组合选择[9] 因子回测效果 1. **领涨因子** - 近3日涨幅范围：-19.15%至14.02%（极端值剔除后集中在-10%~+10%）[12] - 组合平均涨幅：筛选出的前五名个股近3日平均涨幅显著高于概念股池中位数[9] 2. **尖峰右偏因子** - 筛选出的个股具有显著右偏特征（偏度>0.5） - 组合波动率较基准低约15%[9] 模型应用结果 1. **"海洋经济"增强组合**（2025年3月26日数据）： - 汉缆股份（002498.SZ）：近3日涨4.38%[12] - 振华重工（600320.SH）：近3日涨14.02%[12] - 安通控股（600179.SH）：近3日涨4.44%[12] - 海油工程（600583.SH）：近3日跌2.58%[12] - 海兰信（300065.SZ）：近3日跌6.07%[12] 注：所有因子构建方法参考自《Beta猎手系列之十二：RAG-ChatGPT提前布局热点概念领涨股》[9]，具体参数未在报告中完整披露

量化因子与构建方式 1. **因子名称：基本面负向剔除因子** - **构建思路**：通过复合SUE、SUE_Rev、营收同比增长率3个基本面因子的空头效应，筛选出表现最差的个股[22][23] - **具体构建过程**： 1. 对SUE、SUE_Rev、营收同比增长率分别在全A范围内排序，取因子值最低的20%作为空头组合 2. 将3个因子的空头组合等权复合，形成复合因子 3. 计算空头组合相对于科创板全样本等权组合的年化超额收益 - **因子评价**：空头效应显著，年化超额收益-6.75%，统计显著[23] 2. **因子名称：市场关联度因子** - **构建思路**：利用个股与科创综指的收益关联性衡量风险溢价，高关联度个股预期收益更高[24][26] - **具体构建过程**： 1. 对个股过去12个月月收益率与科创综指收益率进行线性回归 2. 提取回归系数作为因子值 3. 按因子值将股票等分5组，计算各组超额收益 $$ \text{市场关联度因子} = \beta_{i} \quad \text{（回归系数）} $$ - **因子评价**：月均IC 2.5%，分组单调性显著[26][27] 3. **因子名称：改进动量因子** - **构建思路**：结合板块涨跌筛选有效动量信号，并引入下行风险调整[29][32] - **具体构建过程**： 1. 筛选过去3个月同板块平均收益为正的交易日 2. 计算这些交易日个股日超额收益的20%分位点作为因子值 $$ \text{改进动量因子} = \text{分位数}(R_{i,t}, 20\%) $$ 3. 正交化处理（剔除市值、估值、行业影响）[33] - **因子评价**：原始月均IC 3.91%，正交后IC 2.64%，统计显著[30][33] 4. **因子名称：改进反转因子** - **构建思路**：剔除开盘后半小时噪音，捕捉更纯净的反转效应[12][14] - **具体构建过程**： 1. 计算剔除开盘半小时涨幅后的个股日收益率 2. 统计历史反转效应IC及分组收益 - **因子评价**：月均IC -0.03，年化多空收益超10%[12] --- 量化模型与构建方式 1. **模型名称：多因子Top100组合** - **构建思路**：综合IC显著且单调性优的因子构建复合因子，选取得分最高个股[36][39] - **具体构建过程**： 1. 剔除市值<20亿元的股票 2. 复合因子得分前100只股票，市值加权（单股权重上限10%） 3. 扣除交易成本后回测 - **模型评价**：年化超额22.8%，信息比2.27，月胜率74%[39][40] 2. **模型名称：线性优化组合** - **构建思路**：在风控约束下优化组合权重[41][42] - **具体构建过程**： 1. 约束条件：个股偏离1%、行业偏离5%、Beta/动量偏离0.5 2. 线性规划求解最优权重 - **模型评价**：年化超额10.2%，信息比2.0，波动率更低[42] 3. **模型名称：复合组合（核心-卫星策略）** - **构建思路**：平衡Top100组合与优化组合的风险收益[43][44] - **具体构建过程**：月度再平衡，20%权重分配Top100组合，80%分配优化组合 - **模型评价**：年化超额12.7%，信息比2.25，稳定性高[44] --- 因子回测效果 1. **基本面负向剔除因子**：年化超额收益-6.75%，月胜率32%[23] 2. **市场关联度因子**：月均IC 2.5%，月胜率58%[26][27] 3. **改进动量因子**：原始月均IC 3.91%，正交后IC 2.64%[30][33] 4. **改进反转因子**：月均IC -0.03，年化多空收益10%+[12] 模型回测效果 1. **Top100组合**：年化超额22.8%，IR 2.27，最大回撤6.3%[39][40] 2. **线性优化组合**：年化超额10.2%，IR 2.0，年化跟踪误差6.0%[42] 3. **复合组合**：年化超额12.7%，IR 2.25，月胜率70%[44]

量化因子与构建方式 1 因子名称：RSI相对强弱指标 因子构建思路：通过计算一定周期内平均涨幅和平均跌幅的比值，衡量市场超买或超卖状态[2] 因子具体构建过程： - 计算周期为12天的平均涨幅（AvgGain）和平均跌幅（AvgLoss） - 计算相对强弱比RS = AvgGain / AvgLoss - RSI公式为：$$RSI = 100 - \frac{100}{1 + RS}$$ - RSI>70为超买状态，RSI<30为超卖状态[2] 因子评价：经典动量类指标，适用于短期趋势判断 2 因子名称：净申购金额 因子构建思路：通过ETF净值变化计算资金流动情况[2] 因子具体构建过程： - 计算公式：$$NETBUY(T) = NAV(T) - NAV(T-1) \times (1 + R(T))$$ - 其中NAV(T)为当日净值，R(T)为标的指数收益率[2] 3 因子名称：日内行情趋势 因子构建思路：基于5分钟级别成交价捕捉日内价格波动特征[2] 因子具体构建过程： - 提取当日最高价/最低价作为关键节点 - 绘制价格趋势线并标记极值点[2] 因子的回测效果 1 RSI相对强弱指标，典型阈值区间30-70[2] 2 净申购因子，单位亿元（具体值见各ETF数据）[4] 3 日内趋势因子，通过红点标记极值[2] 注：报告中未涉及完整量化模型构建，主要展示三类基础因子的计算逻辑和应用场景[2][4]

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. **收益能力评估模型** - 构建思路：通过基金分年度区间收益率衡量收益能力[5] - 具体构建：计算2022年以来各年度收益率，筛选收益显著的产品（如翟相栋、王贵重管理的基金）[5] - 评价：能有效识别长期收益能力突出的基金 2. **回撤控制能力模型** - 构建思路：结合最大回撤和波动率指标评估风险控制能力[5] - 具体构建：统计2022年以来分年度最大回撤及波动率，筛选低回撤产品（如张帆、谢治宇管理的基金）[5] 3. **持有体验评估模型** - 构建思路：通过滚动胜率、创新高次数等指标衡量持有舒适度[5] - 具体构建：计算近2年任意持有1年/半年/3月的胜率及回撤修复天数（如刘元海管理的产品）[5] 4. **市值风格分类模型** - 构建思路：基于持仓股市值划分大/中/小市值风格[10] - 具体构建：统计近6期持仓个股市值分布（如广发港股通成长精选为大市值风格）[10] 量化因子与构建方式 1. **港股超额收益因子** - 构建思路：捕捉港股科技指数相对A股的稳定超额收益[4] - 具体构建：计算恒生科技指数与中证TMT指数的年度收益差，均值达15.07%[4] - 评价：港股市场超额收益持续性更强 2. **估值分位因子** - 构建思路：利用PE(TTM)分位值判断估值水平[4] - 具体构建： $$ PE(TTM)分位值 = \frac{当前PE - 近1年PE最小值}{近1年PE最大值 - 近1年PE最小值} $$ 如SHS云计算分位值为41.67%[4] 3. **市场环境适应性因子** - 构建思路：区分基金在上涨/震荡/下跌市的表现差异[13] - 具体构建：以中证TMT指数划分市场阶段，统计被动基金在上涨市平均收益61.36%，主动基金在震荡市更优[13] 模型回测效果 1. **收益能力模型** - 年化收益率：头部基金2022年以来年均收益超20%[5] 2. **回撤控制模型** - 最大回撤：优质基金回撤控制在-15%以内[5] - 波动率：低于同类平均10%[5] 3. **港股超额收益因子** - 年化超额收益：15.07%（2015-2025年）[4] 因子回测效果 1. **估值分位因子** - 港股科技指数PE分位值：41.67%-96.67%[4] 2. **市值风格因子** - 大市值基金规模占比：超60%（如广发港股通成长精选21.51亿元）[10] （注：部分模型如进攻/防守能力模型因文档未提供具体构建公式，仅保留描述性内容）

量化模型与构建方式 1. **模型名称**：申万一级电子指数趋势跟踪模型 **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] **模型具体构建过程**： - 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ - 计算T-20日至T日（不含）的波动率Vol（未明确计算方法，默认标准差） - 趋势判断规则： - 若$$|del| > N \times Vol$$，则趋势方向与del符号一致（N=1） - 否则延续T-1日趋势方向[3] **模型评价**：在特定时间段（如2023年10月至2024年2月）能捕捉趋势，但整体年化收益为负（-5.48%），不适用于申万电子指数[3][4] 模型的回测效果 1. **申万一级电子指数趋势跟踪模型**： - 年化收益：-5.48% - 波动率（年化）：32.72% - 夏普率：-0.17 - 最大回撤：38.97% - 指数期间总回报率：31.87%（基准对比）[3] 其他说明 - **数据预处理**：直接使用原始收盘价数据，未做调整[3] - **测试区间**：2023年3月7日至2025年3月18日[3] - **净值表现**：图表显示模型净值在2024年2月达峰值后持续下行（图表1-2）[5][9] - **回撤分析**：最大回撤绝对值达38.97%（图表3-4）[7][9] （注：报告中未涉及量化因子内容，故略去相关部分）

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场过热或过冷的行业，为投资决策提供参考[4] - **模型具体构建过程**： 1. 计算行业指数的滚动时间窗口（如30个交易日）内价格、成交量、波动率等指标的标准化值 2. 综合多个指标（如主力资金净流入、换手率、波动率）构建拥挤度评分 3. 根据评分排名划分高/低拥挤度行业 - **模型评价**：能够有效捕捉短期市场情绪极端化的行业，但需结合基本面验证 2. **模型名称：溢价率Z-score模型** - **模型构建思路**：通过ETF溢价率的标准化分数（Z-score）筛选存在套利机会的标的[5] - **模型具体构建过程**： 1. 计算ETF的IOPV溢价率：$$溢价率 = (市价 - IOPV)/IOPV \times 100\%$$ 2. 滚动计算溢价率的均值（μ）和标准差（σ） 3. 计算Z-score：$$Z = (当前溢价率 - μ)/σ$$ 4. 设定阈值（如|Z|>2）生成交易信号 - **模型评价**：对短期套利策略有效，但需警惕市场流动性风险 --- 量化因子与构建方式 1. **因子名称：主力资金净流入因子** - **因子构建思路**：跟踪主力资金流向，反映大资金对行业的偏好[14] - **因子具体构建过程**： 1. 按申万一级行业分类统计主力资金净流入额（单位：亿元） 2. 计算滚动窗口（如3日）累计净流入 3. 标准化处理得到行业间可比分值 - **因子评价**：对短期行业轮动有较强解释力 2. **因子名称：ETF资金流因子** - **因子构建思路**：通过ETF净申购数据捕捉资金动向[6] - **因子具体构建过程**： 1. 分类统计宽基/行业/跨境ETF的单日净流入金额 2. 计算资金流占比：$$资金流占比 = 单类ETF净流入 / 全市场ETF总规模$$ 3. 结合历史分位数判断资金偏好 --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤度行业（机械设备、电力设备）后续3日平均超额收益：-1.2%[4] - 低拥挤度行业（传媒、电子）后续3日平均超额收益：+0.8%[4] 2. **溢价率Z-score模型**： - 触发信号ETF的3日套利成功率：68%[5] - 年化IR：1.5[5] --- 因子的回测效果 1. **主力资金净流入因子**： - 3日净流入TOP3行业（汽车、电力设备）后续5日胜率：62%[14] - 20日Rank IC：0.15[14] 2. **ETF资金流因子**： - 宽基ETF净流入与沪深300指数次日相关性：0.43[6] - 跨境ETF净流入与恒生指数3日滞后beta：0.57[6] --- 其他关键指标 - **行业拥挤度最新数据**：机械设备拥挤度评分87（前30%分位数），传媒拥挤度评分32（后10%分位数）[4] - **ETF溢价率Z-score极值**：港股创新药ETF Z=2.3（溢价0.67%），恒生医疗ETF Z=-2.1（折价0.53%）[7]

量化模型与构建方式 1. **模型名称**：申万一级有色金属趋势跟踪模型 - **模型构建思路**：基于价格趋势延续性假设，通过观察窗口内的价格变动与波动率关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若$|del| > N \times Vol$（N=1），则认定趋势方向与del符号一致（正为多头，负为空头） - 若$|del| \leq N \times Vol$，则延续T-1日趋势方向[3] - **模型评价**：在指数回报率趋近0时表现不佳，对剧烈波动行情适应性较弱[4] 模型的回测效果 1. **申万一级有色金属趋势跟踪模型**： - 年化收益：-4.71% - 年化波动率：24.98% - 夏普率：-0.19 - 最大回撤：25.42% - 指数期间总回报率：-0.03%[3] 图表说明 - 净值曲线显示模型在2023年11月后短暂回归正收益，但整体呈震荡下行（图表1）[5] - 最大回撤绝对值达25.42%，主要发生在2024年2月至4月期间（图表4）[8] （注：报告中未涉及量化因子相关内容，故不输出该部分）

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：衡量涨停股票在盘中维持涨停至收盘的能力[16] - 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[16] - 因子评价：反映市场短期投机情绪的稳定性 2. **因子名称：连板率** - 构建思路：评估涨停股票的持续性强弱[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 筛选上市满3个月的股票，计算连续两日涨停的股票占前一日涨停股票的比例[16] - 因子评价：可捕捉市场热点延续性 3. **因子名称：大宗交易折价率** - 构建思路：通过大宗交易价格偏离度反映机构交易情绪[25] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单笔成交金额达标的大宗交易，计算加权平均成交价相对市值的偏离度[25] 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[27] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 计算主力合约基差（期货-现货）并年化处理，覆盖上证50/沪深300/中证500/中证1000指数[27] 因子回测效果 1. **封板率因子** - 当日取值：61%（较前日下降15%）[16] - 近一月趋势：创阶段新低[16] 2. **连板率因子** - 当日取值：13%（较前日下降11%）[16] - 近一月趋势：创近一个月新低[16] 3. **大宗交易折价率因子** - 当日取值：10.33%（近半年平均5.37%）[25] - 近期特征：创近半年折价率新高[25] 4. **股指期货年化贴水率因子** - 上证50：0.04%（近一年中位数0.24%）[27] - 沪深300：3.16%（近一年中位数1.29%）[27] - 中证500：9.90%（近一年中位数6.47%）[27] - 中证1000：13.08%（近一年中位数10.64%）[27] 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。所有因子数据均基于20250326-20250327交易日的实时计算结果[16][25][27]

根据提供的研报内容，未发现涉及量化模型或量化因子的具体构建方法、公式或测试结果。文档主要包含以下信息： 1. 北交所与A股市场对比数据： - 北证50与沪深300指数涨跌幅对比图表[2] - 北证与A股各行业当日涨跌幅对比（算数平均）[5] - 北证成交额与换手率变化趋势图表[7] 2. 个股市场数据： - 涨幅前十股票财务数据（含市盈率、市值等指标）[8] - 跌幅前十股票财务数据[9] 3. 估值分析： - 北证与双创板块估值变化对比图表[10][11] - 北交所公司分行业市盈率与市净率分布[12][13] 4. 其他内容： - 风险提示[14] - 分析师信息[15] - 免责声明与评级标准[16][17][18] 注：文档中未发现具体的量化模型构建方法、因子计算公式或回测结果等量化分析相关内容。