量化模型与构建方式 1. **模型名称**：沪深300趋势跟踪模型 **模型构建思路**：模型假定标的价格走势具有很好的局部延续性，标的价格永远处于某一趋势中，出现反转行情的持续时间明显小于趋势延续的时间，若出现窄幅盘整的情况，亦假设其延续之前的趋势[5] **模型具体构建过程**： - 计算T日利率值与T-20日沪深300收盘价的差del[3] - 计算T-20日至T日（不含）时间段的波动率Vol[5] - 若del的绝对值大于N倍的Vol，则认为当前价格已经脱离原有的振荡区间，形成趋势，趋势多空方向与del的正负情况对应；若小于等于N倍的Vol，则认为当前走势延续，趋势方向同T-1日[5] - 综合考虑多空两个方向的回报，将合并结果作为最终评估依据[5] **模型评价**：由于股票指数的波动较债券市场更为剧烈，该模型的效果也不如作用于利率标的时理想，但综合而言依旧可以取得超额回报[6] 模型的回测效果 1. **沪深300趋势跟踪模型** - 区间年化收益：3.97%[5] - 波动率（年化）：17.85%[5] - 夏普率：0.22[5] - 最大回撤：19.32%[5] - 指数期间总回报率：-1.02%[5]

量化因子与构建方式 1. 因子名称：跨期跟随效应因子 IFF；因子的构建思路：通过分析基金的持股行为，识别出那些跟随市场热点的基金，即跟随者[1] 2. 因子名称：跨期领先效应因子 IFL；因子的构建思路：通过分析基金的持股行为，识别出那些提前布局市场热点的基金，即领先者[1] 3. 因子名称：历史业绩因子；因子的构建思路：在持股行为分类的基础上，结合基金的历史业绩，进一步筛选出各类型基金中的成功者[1] 因子的回测效果 1. IFL因子，2024/09/30时点与2024/10/01-2024/12/31区间的基金回报之间截面相关系数为0.1106[2] 2. IFL因子，2024/12/31时点与2025/01/01-2025/02/28区间的基金回报之间截面相关系数为0.0739[2] 3. 成功领先者50组合，近1年绝对收益率为20.86%，超额收益率为6.73%，今年以来收益率为8.92%[2] 成功领先者基金名单 1. 睿远成长价值A，IFL因子值99.8%，近1年Sharpe比率0.0458[17] 2. 银河创新成长A，IFL因子值92.2%，近1年Sharpe比率0.0878[17] 3. 兴全合宜A，IFL因子值83.5%，近1年Sharpe比率0.0672[17] 4. 大成高鑫A，IFL因子值100.0%，近1年Sharpe比率0.1017[17] 5. 泉果旭源三年持有A，IFL因子值99.3%，近1年Sharpe比率0.0486[17] 6. 兴全商业模式优选，IFL因子值95.0%，近1年Sharpe比率0.0517[17] 7. 华夏行业景气，IFL因子值80.0%，近1年Sharpe比率0.0527[17] 8. 中泰星元价值优选A，IFL因子值83.9%，近1年Sharpe比率0.0432[17] 9. 长信金利趋势A，IFL因子值92.1%，近1年Sharpe比率0.0465[17] 10. 南方兴润价值一年持有A，IFL因子值93.7%，近1年Sharpe比率0.0625[17]

量化模型与构建方式 1. **模型名称**：RSI相对强弱指标 **模型构建思路**：通过计算一定周期内的平均涨幅和平均跌幅的比值，判断市场是否处于超买或超卖状态[3] **模型具体构建过程**： - 计算一定周期（12天）内的平均涨幅和平均跌幅 - 计算RS值，即平均涨幅与平均跌幅的比值 - 计算RSI值，公式为： $$RSI = 100 – \frac{100}{1 + RS}$$ - RSI>70表示市场处于超买状态，RSI<30表示市场处于超卖状态[3] **模型评价**：RSI指标简单直观，适用于短期市场情绪的判断[3] 2. **模型名称**：净申购金额计算模型 **模型构建思路**：通过计算ETF净值的变动和收益率，得出净申购金额[3] **模型具体构建过程**： - 计算净申购金额，公式为： $$NETBUY(T) = NAV(T) – NAV(T-1) \times (1 + R(T))$$ 其中，NETBUY(T)为净申购金额，NAV(T-1)为前一交易日的ETF净值，R(T)为收益率[3] 量化因子与构建方式 1. **因子名称**：日内行情趋势因子 **因子构建思路**：通过5分钟级别的日内成交价构成的趋势图，分析当日最高价和最低价的变化[3] **因子具体构建过程**： - 使用5分钟级别的日内成交价绘制趋势图 - 标记当日最高价和最低价，形成红点[3] **因子评价**：日内行情趋势因子能够捕捉短期价格波动，适用于日内交易策略[3] 模型的回测效果 1. **RSI相对强弱指标**，RSI值范围：51.41 - 96.03[3] 2. **净申购金额计算模型**，净申购金额范围：-2.78 - 7.37亿元[3] 因子的回测效果 1. **日内行情趋势因子**，日内最高价与最低价变化范围：-1.98 - 3.32[3]

量化模型与构建方式 1. **模型名称**：豆粕择时框架 **模型构建思路**：基于豆粕的供给、需求、期货持仓和产业链量价四个维度构建择时信号，综合这些信号进行豆粕期货的择时操作[4] **模型具体构建过程**： - **供给信号**：使用全球、美国和巴西的豆粕库存量数据，计算月度差分，由于供给信号与豆粕价格负相关，信号取负，等权加总作为供给信号[69] - **需求信号**：使用全球、中国和巴西的豆粕消费量数据，计算月度差分，由于需求信号与豆粕价格正相关，信号等权加总作为需求信号[86] - **期货持仓信号**：使用CBOT报告头寸中的多头总持仓和空头总持仓数据，反映市场主要参与者的力量对比[89] - **产业链量价信号**：结合其他农产品价格和利润的影响，挖掘有效量价信号进行周度高频择时[53] **模型评价**：该模型通过多维度信号的综合，能够有效捕捉豆粕价格的波动，择时效果显著[4] 模型的回测效果 1. **豆粕择时框架**，总胜率52.36%，看多胜率52.69%，看空胜率51.83%，赔率1.12，超额年化收益8.74%[4] 2. **供给信号**，总胜率51.73%，看多胜率51.97%，看空胜率51.22%，赔率1.11，超额年化收益6.61%[75] 3. **需求信号**，总胜率51.03%，看多胜率51.32%，看空胜率50.40%，赔率1.07，超额年化收益1.96%[87] 量化因子与构建方式 1. **因子名称**：供给因子 **因子构建思路**：基于全球、美国和巴西的豆粕库存量数据，反映豆粕供给的变化[69] **因子具体构建过程**：计算全球、美国和巴西的豆粕库存量的月度差分，由于供给信号与豆粕价格负相关，信号取负，等权加总作为供给因子[69] **因子评价**：供给因子能够有效反映豆粕供给的变化，对豆粕价格有显著的择时效果[69] 2. **因子名称**：需求因子 **因子构建思路**：基于全球、中国和巴西的豆粕消费量数据，反映豆粕需求的变化[86] **因子具体构建过程**：计算全球、中国和巴西的豆粕消费量的月度差分，由于需求信号与豆粕价格正相关，信号等权加总作为需求因子[86] **因子评价**：需求因子能够有效反映豆粕需求的变化，对豆粕价格有显著的择时效果[86] 3. **因子名称**：期货持仓因子 **因子构建思路**：基于CBOT报告头寸中的多头总持仓和空头总持仓数据，反映市场主要参与者的力量对比[89] **因子具体构建过程**：使用CBOT报告头寸中的多头总持仓和空头总持仓数据，计算其变化，反映市场多空力量的对比[89] **因子评价**：期货持仓因子能够有效反映市场情绪，对豆粕价格有显著的择时效果[89] 因子的回测效果 1. **供给因子**，总胜率50.29%，看多胜率51.23%，看空胜率49.24%，超额年化收益4.60%[70] 2. **需求因子**，总胜率51.03%，看多胜率51.32%，看空胜率50.40%，赔率1.07，超额年化收益1.96%[87] 3. **期货持仓因子**，总胜率51.27%，超额年化收益2.47%[4]

量化模型与构建方式 1. 模型名称：华鑫市场情绪温度指标；模型构建思路：通过多个市场维度构建综合情绪指标，用于判断市场情绪状态[21]；模型具体构建过程：从指数涨跌幅、成交量、涨跌家数、KDJ、北向资金及融资融券数据6大维度搭建华鑫市场情绪指标，通过对过去5年的历史数据进行统计及回测，形成综合评分[21]；模型评价：该指标属于摆荡指标，适用于区间震荡行情，但在趋势行情中可能出现钝化现象[21] 量化因子与构建方式 1. 因子名称：融资净买入；因子构建思路：通过融资买入与融资偿还的差额反映投资者对市场的乐观程度[21]；因子具体构建过程：融资净买入 = 融资买入额 - 融资偿还额 2. 因子名称：融券净卖出；因子构建思路：通过融券卖出与融券偿还的差额反映投资者对市场的悲观程度[21]；因子具体构建过程：融券净卖出 = 融券卖出额 - 融券偿还额 3. 因子名称：期间净买入额；因子构建思路：综合融资和融券数据，反映整体市场情绪[21]；因子具体构建过程：期间净买入额 = 融资净买入 - 融券净卖出 模型的回测效果 1. 华鑫市场情绪温度指标，综合评分77分[10] 因子的回测效果 1. 融资净买入，SW电子行业净买入187932万元[19] 2. 融资净买入，SW通信行业净买入152549万元[19] 3. 融资净买入，SW计算机行业净买入88678万元[19] 4. 融券净卖出，SW医药生物行业净卖出98585万元[17] 5. 融券净卖出，SW传媒行业净卖出110070万元[17] 6. 融券净卖出，SW通信行业净卖出122067万元[17] 7. 期间净买入额，SW电子行业净买入187932万元[19] 8. 期间净买入额，SW通信行业净买入152549万元[19] 9. 期间净买入额，SW计算机行业净买入88678万元[19]

量化模型与构建方式 1. **模型名称**：转债综合估值因子 **模型构建思路**：通过转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个因子构建综合估值因子，用于评估转债的估值水平[18] **模型具体构建过程**：首先计算转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型），然后将两个因子的排名相加，得到转债综合估值因子。公式如下： $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））$$ **模型评价**：该因子在全域、平衡型和偏债型转债上表现较优，理论价值偏离度（蒙特卡洛模型）在偏股型转债上表现较优[18] 2. **模型名称**：转债风格轮动模型 **模型构建思路**：通过转债动量和波动率偏离度捕捉市场情绪，对转债风格进行轮动配置[25] **模型具体构建过程**：首先在单个转债层面计算转债20日动量和波动率偏离度，然后在低估风格指数内部取中位数作为市场情绪捕捉指标。根据指标逆序排序，将各指数在指标上的排名相加，选择排名相对较低的转债低估风格指数进行配置。公式如下： $$转债风格市场情绪捕捉指标 = Rank（转债 20 日动量） + Rank（波动率偏离度）$$ **模型评价**：该模型能够有效捕捉市场情绪，实现风格轮动，提升组合收益[25] 模型的回测效果 1. **转债综合估值因子** - 偏股转债低估指数年化收益率：25.03%[22] - 平衡转债低估指数年化收益率：14.42%[22] - 偏债转债低估指数年化收益率：12.48%[22] - 偏股转债低估指数信息比率（IR）：1.24[22] - 平衡转债低估指数信息比率（IR）：1.22[22] - 偏债转债低估指数信息比率（IR）：1.32[22] 2. **转债风格轮动模型** - 年化收益率：25.00%[30] - 年化波动率：16.46%[30] - 最大回撤：-15.54%[30] - 信息比率（IR）：1.52[30] - 卡玛比率：1.61[30] - 月度胜率：65.88%[30] 量化因子与构建方式 1. **因子名称**：转股溢价率偏离度 **因子构建思路**：衡量转股溢价率相对于拟合值的偏离度，用于评估转债的估值水平[19] **因子具体构建过程**：计算转股溢价率与拟合转股溢价率的差值，公式如下： $$转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率$$ **因子评价**：该因子在不同平价可比转债中表现稳定，拟合质量取决于转债数量[19] 2. **因子名称**：理论价值偏离度（蒙特卡洛模型） **因子构建思路**：通过蒙特卡洛模拟计算转债的理论价值，衡量价格预期差[19] **因子具体构建过程**：使用蒙特卡洛模拟充分考虑转债的转股、赎回、下修、回售条款，每个时点模拟10000条路径，以同信用同期限利率作为贴现率计算转债理论价值。公式如下： $$理论价值偏离度 = 转债收盘价 / 理论价值 - 1$$ **因子评价**：该因子在偏股型转债上表现较优，能够有效捕捉转债的价格预期差[19] 因子的回测效果 1. **转股溢价率偏离度** - 近4周偏股转债低估指数超额收益：3.13%[21] - 近4周平衡转债低估指数超额收益：0.25%[21] - 近4周偏债转债低估指数超额收益：0.17%[21] 2. **理论价值偏离度（蒙特卡洛模型）** - 近4周偏股转债低估指数超额收益：3.13%[21] - 近4周平衡转债低估指数超额收益：0.25%[21] - 近4周偏债转债低估指数超额收益：0.17%[21]

量化模型与构建方式 1. **模型名称**：封板率与连板率模型 **模型构建思路**：通过统计上市满3个月以上的股票在当日的封板率和连板率，反映市场情绪和资金活跃度[17] **模型具体构建过程**： - 封板率计算公式： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ - 连板率计算公式： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **模型评价**：该模型能够有效捕捉市场情绪的变化，尤其是短线资金的活跃度[17] 2. **模型名称**：大宗交易折溢价模型 **模型构建思路**：通过统计大宗交易的折价率，反映大资金的投资偏好和市场情绪[27] **模型具体构建过程**： - 折价率计算公式： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ **模型评价**：该模型能够反映大资金的市场情绪，尤其是机构投资者的交易行为[27] 3. **模型名称**：股指期货升贴水模型 **模型构建思路**：通过计算股指期货主力合约的年化贴水率，反映市场对未来预期的表现[29] **模型具体构建过程**： - 年化贴水率计算公式： $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **模型评价**：该模型能够有效反映市场对未来走势的预期，尤其是对冲成本和市场情绪的变化[29] 模型的回测效果 1. **封板率与连板率模型**： - 封板率：75%[17] - 连板率：28%[17] 2. **大宗交易折溢价模型**： - 近半年平均折价率：5.21%[27] - 当日折价率：6.97%[27] 3. **股指期货升贴水模型**： - 上证50股指期货年化升水率：0.77%[29] - 沪深300股指期货年化贴水率：4.41%[29] - 中证500股指期货年化贴水率：28.40%[29] - 中证1000股指期货年化贴水率：44.02%[29] 量化因子与构建方式 1. **因子名称**：ETF折溢价因子 **因子构建思路**：通过统计ETF的折溢价情况，反映投资者情绪和市场流动性[24] **因子具体构建过程**： - 折溢价率计算公式： $$折溢价率 = \frac{ETF场内交易价格 - ETF场外净值}{ETF场外净值} \times 100\%$$ **因子评价**：该因子能够有效反映市场情绪和流动性变化，尤其是短线投资者的交易行为[24] 因子的回测效果 1. **ETF折溢价因子**： - 中证2000ETF溢价率：3.20%[24] - 创50ETF工银折价率：0.65%[24]

量化模型与构建方式 1. **模型名称**：价值 Smart beta 组合 **模型构建思路**：基于历史相关性低的价值风格，构建高 beta 弹性和长期稳健超额收益的组合[9] **模型具体构建过程**：选取价值风格的股票，构建价值 50 组合和价值均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 2. **模型名称**：成长 Smart beta 组合 **模型构建思路**：基于历史相关性低的成长风格，构建高 beta 弹性和长期稳健超额收益的组合[9] **模型具体构建过程**：选取成长风格的股票，构建成长 50 组合和成长均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 3. **模型名称**：小盘 Smart beta 组合 **模型构建思路**：基于历史相关性低的小盘风格，构建高 beta 弹性和长期稳健超额收益的组合[9] **模型具体构建过程**：选取小盘风格的股票，构建小盘 50 组合和小盘均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 模型的回测效果 1. **价值 50 组合** **周收益率**：1.35% **月收益率**：2.94% **年收益率**：-0.11% **超额收益（周）**：-0.39% **超额收益（月）**：-0.14% **超额收益（年）**：-0.14% **最大相对回撤**：2.26%[10] 2. **价值均衡 50 组合** **周收益率**：3.00% **月收益率**：5.75% **年收益率**：2.22% **超额收益（周）**：1.26% **超额收益（月）**：2.68% **超额收益（年）**：2.19% **最大相对回撤**：3.99%[10] 3. **成长 50 组合** **周收益率**：0.76% **月收益率**：1.40% **年收益率**：4.75% **超额收益（周）**：-1.33% **超额收益（月）**：-2.45% **超额收益（年）**：-0.10% **最大相对回撤**：3.61%[10] 4. **成长均衡 50 组合** **周收益率**：0.07% **月收益率**：2.47% **年收益率**：10.80% **超额收益（周）**：-2.02% **超额收益（月）**：-1.39% **超额收益（年）**：5.95% **最大相对回撤**：2.74%[10] 5. **小盘 50 组合** **周收益率**：3.52% **月收益率**：5.26% **年收益率**：12.21% **超额收益（周）**：2.51% **超额收益（月）**：0.21% **超额收益（年）**：-0.13% **最大相对回撤**：6.23%[10] 6. **小盘均衡 50 组合** **周收益率**：2.09% **月收益率**：6.86% **年收益率**：15.58% **超额收益（周）**：1.08% **超额收益（月）**：1.81% **超额收益（年）**：3.24% **最大相对回撤**：3.67%[10]

量化模型与构建方式 1 模型名称：多空趋势跟踪模型 模型构建思路：模型假定标的价格走势具有很好的延续性，标的价格永远处于某一趋势中，若出现窄幅盘整的情况，亦假设其延续之前的趋势[5] 模型具体构建过程：计算 T 日利率值与 T-20 日利率值的差 del，计算 T-20 日至 T 日（不含）时间段的波动率 Vol，若 del 的绝对值大于 N 倍的 Vol，则认为当前利率已经脱离原有的振荡区间，形成趋势，趋势多空方向与 del 的正负情况对应；若小于等于 N 倍的 Vol，则认为当前走势延续，趋势方向同 T-1 日，取 N=2 进行跟踪[4] 模型评价：该模型在 2023 年 3 月 10 日至 2023 年 10 月 26 日和 2023 年 12 月 14 至 2024 年 4 月 23 日期间表现出了较好的收益连续性，对于窄幅波动的行情的抗性不如作用于十年国开利率时，无效交易次数增多，跟踪区间内多次出现明显的持续回撤，尤其 2024 年 9 月 27 日至 2024 年 10 月 17 日期间的连续宽幅波动和急涨急跌，表现出明显的不适应性[6] 模型的回测效果 1 多空趋势跟踪模型，区间年化收益 40.58bp[5] 2 多空趋势跟踪模型，波动率（年化） 30.61bp[5] 3 多空趋势跟踪模型，夏普率 1.33[5] 4 多空趋势跟踪模型，最大回撤 43.62bp[5] 5 多空趋势跟踪模型，最大回撤所处周期 163 交易日[5]

量化因子与构建方式 1. **因子名称：存贷双高指标** - **构建思路**：通过货币资金/总资产与有息负债/总资产同时大于40%的特征，识别虚增现金无法使用的企业[5][29] - **具体构建过程**： - 计算货币资金/总资产比率 - 计算有息负债/总资产比率 - 筛选同时满足两个比率>40%且货币资金>有息负债的股票 - 输出0-1型指标（满足条件=1，否则=0）[29] - **因子评价**：有效捕捉虚增现金的财务风险，但覆盖股票数量较少[29][30] 2. **因子名称：利息收入现金比率** - **构建思路**：通过利息收入/货币资金比率识别虚增现金无法产生收益的企业[5][29] - **具体构建过程**： $$利息收入现金比率 = \frac{利息收入}{货币资金}$$ - 对指标进行市值中性化处理 - 在中信一级行业内计算分位数，选取尾部5%且比率<1年期国债收益率的股票[34] - **因子评价**：Rank ICIR达1.40，第一组超额收益显著低于其他分组[32][33] 3. **因子名称：应收账款异常指标组** - **构建思路**：通过应收账款占比、变化及周转率识别虚增收入或坏账风险[51][52] - **具体构建过程**： - **应收账款占比**：应收账款/营业收入 - **应收账款变化**：占比同比变动 - **应收账款周转率**： $$周转率 = \frac{营业收入}{(期初应收账款+期末应收账款)/2}$$ - 对指标市值中性化后，选取行业前5%（占比/变化）或后5%（周转率）[56] - **因子评价**：Rank IC均值-1.78%（占比）和1.55%（周转率），能提前捕捉案例公司风险[53][59] 4. **因子名称：存货异常指标组** - **构建思路**：通过存货占比、变化及周转率识别虚增存货或周转异常[65][66] - **具体构建过程**： - **存货占比**：存货/营业收入 - **存货变化**：占比同比变动 - **存货周转率**： $$周转率 = \frac{营业收入}{(期初存货+期末存货)/2}$$ - 处理方式同应收账款指标[70] - **因子评价**：存货周转率Rank ICIR达1.10，案例公司提前2年被预警[67][74] 5. **因子名称：固定资产异常指标组** - **构建思路**：通过固定资产占比、变化及周转率识别资产虚增或效率低下[82][83] - **具体构建过程**： - **固定资产占比**：固定资产/营业收入 - **固定资产周转率**： $$周转率 = \frac{营业收入}{(期初固定资产+期末固定资产)/2}$$ - 处理方式同前[87] - **因子评价**：固定资产变化因子Rank ICIR达-1.91，多空收益-5.66%[83][89] 6. **因子名称：在建工程占比** - **构建思路**：通过在建工程/总资产阈值识别过度资本化风险[81][82] - **具体构建过程**： - 计算在建工程/总资产比率 - 设定20%为绝对阈值（超过即标记为风险）[82] - **因子评价**：0-1型指标简单有效，但需结合其他指标验证[82] 7. **因子名称：可操纵性应计利润** - **构建思路**：通过应计利润与自由现金流占比识别盈余管理[25][32] - **具体构建过程**： $$可操纵性应计利润 = 净利润 - 经营活动现金流$$ - 对指标进行市值和行业中性化处理[34] - **因子评价**：Rank ICIR达1.40，十档分组中第一组表现最差[32][33] --- 因子回测效果 1. **存贷双高指标** - 年化超额收益：-12.15%[30] - 股票池占比：历史平均<5%[29] 2. **利息收入现金比率** - Rank IC均值：0.93% - Rank ICIR：1.40[32] 3. **应收账款异常指标** - 应收账款占比：Rank IC均值-1.78%，多空收益-7.73%[53] - 应收账款周转率：Rank IC均值1.55%，多空收益5.49%[53] 4. **存货异常指标** - 存货占比：Rank IC均值-1.19%，多空收益-5.44%[67] - 存货周转率：Rank IC均值1.16%，多空收益4.82%[67] 5. **固定资产异常指标** - 固定资产变化：Rank IC均值-2.00%，多空收益-5.66%[83] - 固定资产周转率：Rank IC均值0.89%，多空收益5.41%[83] 6. **七维度财务风险股票池** - 年化超额收益：-9.96% - 信息比率（IR）：-2.11[5] 7. **宽基指数避雷组合** - 沪深300避雷组合IR：0.77 - 中证500避雷组合IR：1.55 - 中证1000避雷组合IR：1.95[5]