量化模型与构建方式 1.模型名称：封板率模型；模型构建思路：通过计算最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，来衡量市场的封板情况；模型具体构建过程：封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数[15] 2.模型名称：连板率模型；模型构建思路：通过计算连续两日收盘涨停的股票数与昨日收盘涨停的股票数的比值，来衡量市场的连板情况；模型具体构建过程：连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数[15] 模型的回测效果 1.封板率模型，封板率76%[15] 2.连板率模型，连板率24%[15] 量化因子与构建方式 1.因子名称：大宗交易折价率因子；因子的构建思路：通过计算大宗交易总成交金额与当日成交份额的总市值的比值，来衡量大宗交易的折价情况；因子具体构建过程：折价率=大宗交易总成交金额/当日成交份额的总市值-1[24] 2.因子名称：股指期货年化贴水率因子；因子的构建思路：通过计算股指期货基差与指数价格的比值，并年化处理，来衡量股指期货的贴水情况；因子具体构建过程：年化贴水率=基差/指数价格*(250/合约剩余交易日数)[26] 因子的回测效果 1.大宗交易折价率因子，折价率8.38%[24] 2.股指期货年化贴水率因子，上证50年化贴水率0.21%，沪深300年化贴水率3.08%，中证500年化贴水率13.84%，中证1000年化贴水率14.23%[26]

金 金融工程点评 [Table_Title] 金工 ETF 点评：跨境 ETF 单日净流入 25.53 亿元；煤炭、公用事业拥挤扩大 [Table_Author] 证券分析师：刘晓锋 电话：13401163428 E-MAIL：liuxf@tpyzq.com 执业资格证书编码：S1190522090001 研究助理：孙弋轩 电话：18910596766 ◼ 通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测， 前一交易日机械设备、钢铁、社会服务拥挤度靠前，相比较而言，房地产、 非银金融、传媒的拥挤度水平较低，建议关注。此外，煤炭、公用事业单日 拥挤度变动较大。从主力资金流动来看，前一交易日主力资金流入基础化工、 煤炭，大幅流出计算机、电子。近三个交易日主力资金幅增配煤炭、公用事 业，大幅减配计算机、电子。 三、ETF 产品关注信号 ◼ 根据溢价率 Z-score 模型搭建相关 ETF 产品筛选信号模型，通过滚动测算提 供存在潜在套利机会的标的，此外需警惕标的回调风险。 风险提示：本报告结论完全基于公开历史数据，建议关注的行业指数与 ETF 产品基于 构建的量化模型，仅供大家参考阅读，不构成任何 ...

量化模型与构建方式 1. **模型名称**：科技股票池筛选模型 **模型构建思路**：通过筛选科技指数成分股与TMT板块个股，构建科技股票池，并基于持仓占比筛选主动科技主题基金[2] **模型具体构建过程**： - 取科技指数的所有成分股，与中信一级行业属于TMT板块的个股取并集，记为科技股票池 - 计算主动权益基金近4期所有持股在科技股票池中持仓占比的均值及最小值 - 将持仓占比均值大于60%且最小值大于40%的主动权益基金定义为主动科技主题基金[2] **模型评价**：该模型能够有效筛选出专注于科技主题的主动基金，但依赖于持仓数据的准确性[2] 模型的回测效果 1. **科技股票池筛选模型**，主动科技主题基金区间收益最小值为-32.68%，最大值为69.23%，中位数为9.36%[2] 2. **科技股票池筛选模型**，被动科技主题基金区间收益最小值为-4.20%，最大值为41.88%，中位数为21.11%[5] 量化因子与构建方式 1. **因子名称**：科技指数市值风格因子 **因子构建思路**：通过计算科技指数成分股的市值分布，将科技指数划分为大市值、中大市值、小市值及均衡市值风格[39] **因子具体构建过程**： - 大市值风格：成分股中总市值在1000亿以上的权重占比在50%以上 - 中大市值风格：成分股中总市值在300亿-1000亿的权重占比在50%以上 - 小市值风格：成分股中总市值在300亿以下的权重占比在50%以上 - 均衡市值风格：不属于上述三种风格的科技指数[39] **因子评价**：该因子能够有效刻画科技指数的市值风格，但需定期更新成分股市值数据[39] 2. **因子名称**：科技指数收益因子 **因子构建思路**：通过计算科技指数在不同科技周期中的区间收益及最大回撤，分析其业绩表现[23] **因子具体构建过程**： - 计算科技指数在每轮科技周期中的区间收益及最大回撤 - 分析区间收益排名前60%的科技指数[36] **因子评价**：该因子能够识别出在不同科技周期中表现优异的科技指数，但需结合具体市场环境解读[23] 因子的回测效果 1. **科技指数市值风格因子**，大市值风格科技指数成分股中总市值在1000亿以上的权重占比为82.71%[40] 2. **科技指数收益因子**，软件指数在4轮科技周期中的区间收益排名均在前60%[36]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：日经225指数模型 **模型构建思路**：基于东京证券交易所Prime市场板块中成交量、流通性排名靠前的225只股票构建，反映日本市场代表性企业的整体表现[63] **模型具体构建过程**： - 选股范围：东证Prime市场板块 - 筛选指标：成交量与市场流通性排名前225的股票 - 加权方式：价格加权法，公式为： $$ w_i = \frac{P_i}{\sum_{j=1}^{225} P_j} $$ 其中$P_i$为第$i$只股票的价格 **模型评价**：权重集中度高，前十大成分股权重合计达42.3%，科技板块占比突出[64][66] 2. **模型名称**：东证指数模型 **模型构建思路**：全面覆盖东证Prime板块上市企业，采用自由流通市值加权，反映市场整体表现[63] **模型具体构建过程**： - 选股范围：东证Prime板块全部股票（截至2025年1月共1696只） - 加权方式：自由流通市值加权，公式为： $$ w_i = \frac{M_i \times F_i}{\sum_{j=1}^{1696} M_j \times F_j} $$ 其中$M_i$为总市值，$F_i$为自由流通比例 **模型评价**：行业分布均衡，传统行业（如工业、可选消费）占比高，前十大成分股权重合计21.3%[64][67] --- 量化因子与构建方式 1. **因子名称**：ROE因子 **因子构建思路**：反映企业盈利能力，用于筛选高ROE成分股[66][67] **因子具体构建过程**： - 计算单只股票ROE： $$ ROE = \frac{\text{净利润}}{\text{净资产}} $$ - 因子取值：直接采用Wind计算的2024年ROE数据 **因子评价**：日经225指数中ROE最高成分股达21.96%（中外制药），显著影响指数表现[66] 2. **因子名称**：行业动量因子 **因子构建思路**：捕捉行业轮动效应，基于行业涨跌幅筛选强势板块[61] **因子具体构建过程**： - 按Wind一级行业分类计算行业平均涨跌幅 - 因子取值： $$ Momentum_{k} = \frac{1}{n_k}\sum_{i \in S_k} R_i $$ 其中$S_k$为第$k$行业股票集合，$n_k$为股票数量，$R_i$为个股收益率 **因子评价**：2024年医疗保健、金融等行业动量效应显著（平均涨幅超20%）[61] --- 模型的回测效果 1. **日经225指数模型** - 年化收益率：8.11%（2012-2025）[72] - 年化波动率：20.68%[77] - 最大回撤：-27.43%[77] - 夏普比率：0.81[77] 2. **东证指数模型** - 年化收益率：7.28%（2012-2025）[72] - 年化波动率：18.41%[77] - 最大回撤：-24.36%[77] - 夏普比率：0.77[77] --- 因子的回测效果 1. **ROE因子** - 高ROE组年化收益：19.5%（TOPX500价值指数）[78] - 低ROE组年化收益：8.5%（TOPX成长指数）[78] - 多空收益差：11.0%[78] 2. **行业动量因子** - 强势行业年化收益：35.7%（东证高股息40指数）[79] - 弱势行业年化收益：-6.2%（成长市场指数）[78] （注：部分测试结果引用自衍生指数表现，因原报告未直接给出因子分层回测结果）

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： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计最高价涨停且收盘涨停的股票数与最高价涨停的股票数的比值，反映市场情绪[17] - 模型具体构建过程： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 其中分子为当日同时满足最高价涨停和收盘涨停的股票数量，分母为盘中最高价涨停的股票总数[17] 2. **连板率模型** - 模型构建思路：衡量连续两日涨停的股票占比，反映市场追涨情绪的持续性[17] - 模型具体构建过程： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 分子为昨日和今日均收盘涨停的股票数，分母为昨日收盘涨停的总股票数[17] 3. **股指期货年化贴水率模型** - 模型构建思路：计算股指期货主力合约与现货指数的基差年化值，用于评估市场预期和套利成本[28] - 模型具体构建过程： $$年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 基差=期货价格-现货价格，250为年化交易日数[28] 量化因子与构建方式 1. **大宗交易折价率因子** - 因子构建思路：通过大宗交易成交价与市价的偏离程度反映大资金动向[26] - 因子具体构建过程： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 总市值为大宗交易股票当日收盘价×成交股数[26] 2. **ETF折溢价因子** - 因子构建思路：监测ETF场内交易价格与净值的偏离，捕捉套利机会[23] - 因子具体构建过程：直接取Wind计算的场内溢价率，公式为： $$溢价率 = \frac{ETF收盘价 - 基金净值}{基金净值}$$ 对日成交额>100万的股票型ETF进行筛选[23] 模型的回测效果 1. **封板率模型** - 当日封板率61%，较前日下降3%[17] 2. **连板率模型** - 当日连板率28%，较前日提升3%[17] 因子的回测效果 1. **大宗交易折价率因子** - 近半年平均折价率5.26%，当日折价率5.71%[26] 2. **ETF折溢价因子** - 2000ETF增强当日溢价1.53%，物联网ETF招商折价0.71%[23] 3. **股指期货年化贴水率因子** - 中证1000股指期货当日贴水率13.33%，处于近一年34%分位点[28] - 中证500股指期货当日贴水率12.80%，处于近一年13%分位点[28] 模型评价 1. 封板率与连板率模型能有效捕捉短线资金情绪，但对极端市场环境敏感[17] 2. 股指期货贴水率模型在跨期套利和风险管理中具有实用价值[28] 因子评价 1. 大宗交易折价率因子对机构资金流向有较强指示意义[26] 2. ETF折溢价因子需结合流动性筛选以避免小规模ETF的噪音干扰[23]

金融工程报告 · 跟踪研究 電化基金周报 2025年3月 24 日 核心观点（20250321） : 分析师 吴俊鹏 ☎：010-8092-7631 网: wujunpeng@chinastock.com.cn 分析师登记编码：S0130517090001 相关研究 www.chinastock.com.cn 证券研究报告 请务必阅读正文最后的中国银河证券股份有限公司免责声明 ● 中证 1000 指数增强基金表现较好。本周沪深 300 指数增强基金超额收益中 位数为 0.05%，中证 500 指数增强基金超额收益中位数为 0.20%，中证 1000 指数增强基金超额收益中位数为 0.31%。其它指数增强基金本周收益中位数 为 0.02%;绝对收益(对冲)类型基金本周收益中位数为 0.03%;其它主动量 化类型基金本周收益中位数为 1.49%。 ● 其它策略基金表现。本周定增主题基金收益中位数为 0.18%;提取业绩报酬 的 基 金 本 周 收 益 中 位 数 为 0.32% ; 行 业 主 题 轮 动 基 金 本 周 收 益 中 位 数 为 1.13%;多因子类型的基金本周收益中位数为 1.73%;大数据驱动 ...

[Table_MainInfo] 金融工程研究 证券研究报告 金融工程周报 2025 年 03 月 25 日 [Table_Title] 相关研究 [Table_ReportInfo] 《A股下周恐难打破震荡格局——量化择 时和拥挤度预警周报（20250323）》 2025.03.23 《本周多数高频因子回撤，AI 增强组合维 持强势表现——高频选股因子周报 （202500317-20250321）》2025.03.22 《本周三大指增组合超额收益均为正— —量化选股周报（2025.03.14- 2025.03.21）》2025.03.22 小盘 50 组合维持强势表现——风格 Smart beta 组合 跟踪周报（2025.03.17-2025.03.21） [Table_Summary] 投资要点： 风险提示：市场环境变动风险，有效因子变动风险。 分析师:郑雅斌 Tel:(021)23219395 Email:zhengyb@haitong.com 证书:S0850511040004 联系人:卓洢萱 Tel:(021)23183938 Email:zyx15314@haitong.com 请务必阅读正文之 ...

量化模型与构建方式 1. **模型名称**：三维择时框架 **模型构建思路**：通过流动性、分歧度和景气度三个维度来判断市场走势，结合ERP（股权风险溢价）的极值状态，给出市场震荡下跌的判断[7] **模型具体构建过程**：流动性、分歧度和景气度分别作为三个独立的维度，ERP作为辅助指标，当流动性下行、分歧度上行、景气度下行且ERP处于极值状态时，模型判断市场进入震荡下跌阶段[7] **模型评价**：该模型能够较好地捕捉市场趋势，尤其是在市场波动较大的情况下，提供了较为稳健的择时建议[7] 2. **模型名称**：资金流共振策略 **模型构建思路**：通过监控两融资金流和大单资金流的共振情绪，选择两类资金都看好的行业进行投资[21] **模型具体构建过程**：定义行业融资融券资金因子为Barra市值因子中性化后的融资净买入-融券净买入，取最近50日均值后的两周环比变化率；定义行业主动大单资金因子为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值。在主动大单因子的头部打分内做融资融券因子的剔除，以提高策略稳定性[26] **模型评价**：该策略在2018年以来表现稳定，年化超额收益13.5%，信息比率1.7，回撤较小[26] 模型的回测效果 1. **三维择时框架**，绝对收益-2.04%，超额收益0.25%[38] 2. **资金流共振策略**，绝对收益-0.2%，超额收益1.3%[26] 量化因子与构建方式 1. **因子名称**：波动率因子 **因子构建思路**：通过计算不同时间窗口内的收益率标准差来衡量股票的波动性[34] **因子具体构建过程**：计算1周、1月、3月、6月和12月的收益率标准差，公式为： $$return\_std\_1w = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (r_i - \bar{r})^2}$$ 其中，$r_i$为每日收益率，$\bar{r}$为平均收益率[34] **因子评价**：波动率因子在不同时间窗口内表现较好，尤其是在中小市值股票中超额收益更高[34] 2. **因子名称**：估值因子 **因子构建思路**：通过市盈率、市净率等指标来衡量股票的估值水平[34] **因子具体构建过程**：计算市盈率倒数（EP）、市净率（PB）等指标，公式为： $$EP = \frac{1}{PE}$$ 其中，$PE$为市盈率[34] **因子评价**：估值因子在不同市值股票中表现较好，尤其是在大市值股票中超额收益显著[34] 因子的回测效果 1. **波动率因子**，近一周多头超额2.67%，近一个月多头超额4.97%，近一年多头超额14.37%[35] 2. **估值因子**，近一周多头超额2.38%，近一个月多头超额6.83%，近一年多头超额28.11%[35]

量化模型与构建方式 1. **模型名称：50ETF期权隐含升贴水择时模型** - **模型构建思路**：基于看涨看跌平价关系式推导出期权的隐含标的升贴水，反映期权市场对未来标的收益率均值的预期与情绪，作为反转指标衡量市场拥挤度[1] - **模型具体构建过程**： 1. 计算50ETF近5日收益率 2. 若50ETF近5日收益率<0且指标分位数<30%，则看多，持续20日，分数为1 3. 若50ETF近5日收益率>0且指标分位数>70%，则看空，持续20日，分数为-1[6] - **模型评价**：该指标对转债正股加权指数能够实现8.66%的超额收益，在中证转债上效果尽管有一定的衰减，但仍能实现2.77%的超额收益[1] 2. **模型名称：50ETF期权VIX择时模型** - **模型构建思路**：期权VIX代表期权投资者对未来一个月标的波动率的预期，当权益市场暴涨或暴跌时，VIX指数易较高，此时市场反转概率较大，可作为反转指标衡量市场拥挤度[2] - **模型具体构建过程**： 1. 计算50ETF近5日收益率 2. 若50ETF近5日收益率<0且指标分位数>70%，则看多，分数为1，持续20日 3. 若50ETF近5日收益率>0且指标分位数>70%，则看空，分数为-1，持续20日[12] - **模型评价**：该指标对转债正股加权指数与中证转债择时分别可获得5.04%和3.02%的超额收益[2] 3. **模型名称：综合择时策略** - **模型构建思路**：转债受到权益与自身估值的双重影响，因此设定隐含升贴水信号占25%权重、VIX信号占25%权重、转债定价偏离度占50%权重，形成综合打分并构建择时策略[2] - **模型具体构建过程**： 1. 计算隐含升贴水、VIX和转债定价偏离度的分数 2. 综合分数=隐含升贴水分数×25% + VIX分数×25% + 转债定价偏离度分数×50% 3. 权重=50%+综合分数，权重按照[0,1]之外截尾[23] - **模型评价**：该策略对中证转债有着稳定的择时效果，相对于基准能够实现5.48%的超额收益，胜率与盈亏比分别为53.04%与1.53[23] 模型的回测效果 1. **50ETF期权隐含升贴水择时模型** - 转债正股加权指数超额收益：8.66%[1] - 中证转债超额收益：2.77%[1] - 胜率：53.47%[11] - 盈亏比：1.22[11] 2. **50ETF期权VIX择时模型** - 转债正股加权指数超额收益：5.04%[2] - 中证转债超额收益：3.02%[2] - 胜率：53.33%[16] - 盈亏比：1.20[16] 3. **综合择时策略** - 中证转债超额收益：5.48%[23] - 胜率：53.04%[27] - 盈亏比：1.53[27] 量化因子与构建方式 1. **因子名称：转债定价偏离度** - **因子构建思路**：转债估值对转债择时非常重要，将定价偏离度×(-1)并计算过去3年zscore，1.5倍标准差截尾后标准化到±1之间得到分数，定价偏离度越高，分数越低，权重越低[17] - **因子具体构建过程**： 1. 计算转债定价偏离度=转债价格/CCB_out模型定价-1 2. 计算过去3年zscore 3. 1.5倍标准差截尾后标准化到±1之间[17] - **因子评价**：该因子对中证转债择时能够实现3.26%的超额收益，胜率与盈亏比分别为53.26%与1.40[21] 因子的回测效果 1. **转债定价偏离度** - 中证转债超额收益：3.26%[21] - 胜率：53.26%[21] - 盈亏比：1.40[21]

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**：通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测，识别出拥挤度较高或较低的行业[3] - **模型具体构建过程**：模型通过分析行业指数的资金流动、主力资金净流入等数据，计算每个行业的拥挤度水平，具体公式未在报告中给出[3] - **模型评价**：该模型能够有效识别行业拥挤度变化，为投资者提供行业配置建议[3] 2. **模型名称：溢价率 Z-score 模型** - **模型构建思路**：通过滚动测算 ETF 产品的溢价率 Z-score，筛选出存在潜在套利机会的标的[4] - **模型具体构建过程**：模型计算 ETF 产品的溢价率 Z-score，公式为： $$Z = \frac{X - \mu}{\sigma}$$ 其中，\(X\) 为当前溢价率，\(\mu\) 为历史溢价率均值，\(\sigma\) 为历史溢价率标准差[4] - **模型评价**：该模型能够有效识别 ETF 产品的溢价率异常，为套利交易提供信号[4] 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**：通过计算申万一级行业指数的主力资金净流入额，衡量行业资金流向[12] - **因子具体构建过程**：因子通过统计每个行业的主力资金净流入额，具体公式未在报告中给出[12] - **因子评价**：该因子能够反映行业资金流向变化，为行业配置提供参考[12] 模型的回测效果 1. **行业拥挤度监测模型** - 拥挤度较高行业：美容护理、环保、纺织服饰[3] - 拥挤度较低行业：房地产、银行、建筑装饰[3] 2. **溢价率 Z-score 模型** - 建议关注 ETF：科创创业50ETF基金、新材料ETF基金、卫星ETF、电池ETF、游戏ETF[13] 因子的回测效果 1. **主力资金净流入因子** - 主力资金净流入较高行业：电子、非银金融、汽车[12] - 主力资金净流出较高行业：计算机、国防军工、非银金融[12]