根据研报内容，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**：宽基轮动策略 - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率构建轮动策略，捕捉市场情绪驱动的短期收益机会[7][8][11][13] - **模型具体构建过程**： 1. 计算各宽基组成分股的总热度指标（浏览、自选、点击次数之和的归一化值×10000）[7] 2. 计算周度热度变化率并取MA2平滑处理[11] 3. 每周最后一个交易日买入MA2变化率最大的宽基组，若为"其他"组则空仓[13] - **模型评价**：策略通过捕捉市场注意力转移实现超额收益，但需警惕非主流股票热度的异常波动风险[11][13] 2. **模型名称**：概念热度组合策略 - **模型构建思路**：利用热门概念中个股热度分化现象，构建高/低热度股票对冲组合[29][31][32] - **模型具体构建过程**： 1. 筛选本周热度变化率最大的5个概念[30] 2. 排除概念成分股中流通市值最小的20%股票[31] 3. 每个概念内： - TOP组合：选取总热度排名前10的个股 - BOTTOM组合：选取总热度排名后10的个股 4. 等权构建组合并每周调仓[32] - **模型评价**：BOTTOM组合长期表现优异，反映市场对热门概念内低关注度个股存在定价延迟[33] 模型的回测效果 1. **宽基轮动策略**： - 年化收益率：8.74%[16] - 最大回撤：23.5%[16] - 2025年收益：20.9%[16] 2. **概念热度组合策略**： - BOTTOM组合年化收益：15.71%[33] - BOTTOM组合最大回撤：28.89%[33] - 2025年收益：29.2%[33] 量化因子与构建方式 1. **因子名称**：总热度因子 - **因子构建思路**：通过个股浏览、自选、点击行为的综合指标反映市场关注度[7] - **因子具体构建过程**： $$ \text{总热度} = \left(\frac{\text{浏览+自选+点击次数}}{\text{全市场总和}}\right) \times 10000 $$ 取值区间[0,10000]，数值越高代表关注度越集中[7] 2. **因子名称**：热度变化率MA2因子 - **因子构建思路**：平滑处理的热度短期变化指标，捕捉注意力转移趋势[11][22] - **因子具体构建过程**： 1. 计算周度热度变化率：$$\frac{H_t - H_{t-1}}{H_{t-1}}$$ 2. 取2周移动平均：$$\text{MA2} = \frac{\Delta H_t + \Delta H_{t-1}}{2}$$[11] 因子的回测效果 1. **总热度因子**： - 沪深300本周热度变化率：+15.25%[16][18] - 中证2000本周热度变化率：-8.72%[16][18] 2. **行业热度变化率MA2因子**： - 建筑装饰行业本周变化率：+88.8%[27] - 公用事业行业本周变化率：-38.6%[27] （注：估值监控部分未涉及量化因子构建，故未纳入总结[38][41][43][46]）

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：网下打新收益测算模型 **模型构建思路**：通过假设所有主板、科创板、创业板的股票都打中，并在上市首日以市场均价卖出，忽略锁定期限制，测算不同规模账户的打新收益率[10] **模型具体构建过程**： - 计算满中数量：$$类满中数量 = 可申购上限额度 \times 网下类平均中签率$$ - 计算满中收益：$$满中收益 = (首次开板价 - 首发价格) \times 满中数量$$ - 假设资金使用效率为90%，账户参与所有新股打新，科创板和创业板报价全部入围，资金配置一半沪市一半深市且股票满仓[39][40] 2. **模型名称**：逐月打新收益模型 **模型构建思路**：将每个月网下打新可获得的收益相加，测算理想情况下逐月打新收益和打新收益率[43] **模型具体构建过程**： - 在不同规模账户下，假设所有股票报价均入围，计算每月打新收益和收益率 - 以新股卖出日为统计时间，计算累计打新收益率[43][47] 模型的回测效果 1. **网下打新收益测算模型** - A类2亿规模账户打新收益率：1.89%（2025年至今）[10] - B类2亿规模账户打新收益率：1.69%（2025年至今）[10] - A类10亿规模账户打新收益率：0.60%（2025年至今）[10] - B类10亿规模账户打新收益率：0.55%（2025年至今）[10] 2. **逐月打新收益模型** - A类2亿规模账户打新收益率：5.61%（2024年至今）[43] - B类2亿规模账户打新收益率：4.61%（2024年至今）[47] - A类2亿规模账户打新收益率：1.89%（2025年至今）[43] - B类2亿规模账户打新收益率：1.69%（2025年至今）[47] 量化因子与构建方式 1. **因子名称**：满中收益因子 **因子构建思路**：通过首次开板日均价和发行价格计算每只股票的上市收益[37] **因子具体构建过程**： - 计算满中数量：$$类满中数量 = 可申购上限额度 \times 网下类平均中签率$$ - 计算满中收益：$$满中收益 = (首次开板价 - 首发价格) \times 满中数量$$[37] 2. **因子名称**：有效报价账户数量因子 **因子构建思路**：跟踪近期新股的有效报价账户数量，作为打新市场活跃度的指标[22] **因子具体构建过程**： - 统计科创板、创业板、主板新股的有效报价账户数量中位数[22] 因子的回测效果 1. **满中收益因子** - 华电新能满中收益：141.4万元[37] - 屹唐股份满中收益：44.18万元[37] - C山大满中收益：17.26万元[37] 2. **有效报价账户数量因子** - 科创板A类有效报价账户数量：3062[22] - 科创板B类有效报价账户数量：1602[22] - 创业板A类有效报价账户数量：3591[22] - 创业板B类有效报价账户数量：2079[22] - 主板A类有效报价账户数量：3790[22] - 主板B类有效报价账户数量：2275[22]

根据提供的证券研究报告内容，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. **扩散指数行业轮动模型** - 模型构建思路：基于价格动量原理，通过跟踪行业扩散指数捕捉行业趋势[24] - 具体构建过程： 1. 计算各中信一级行业的扩散指数，数值范围0-1，反映行业趋势强度 2. 每周跟踪指数排名，选择扩散指数最高的6个行业作为配置标的[25] 3. 指数计算公式： $$ DI_{i,t} = \frac{Rank(EMA(P_{i,t}, n))}{N} $$ 其中$P_{i,t}$为行业i在t时刻的价格，n为平滑周期，N为行业总数[26] - 模型评价：在趋势行情中表现优异，但反转行情易失效[24] 2. **GRU因子行业轮动模型** - 模型构建思路：基于GRU神经网络处理分钟频量价数据，生成行业因子[31] - 具体构建过程： 1. 输入层：行业分钟级成交价、成交量、买卖盘数据 2. 隐藏层：3层GRU网络结构，每层128个神经元 3. 输出层：生成30维行业因子向量，数值越大表示看涨概率越高[32] 4. 每周选择因子排名前6的行业配置[34] - 模型评价：短周期预测能力强，但对政策变化敏感[37] 模型的回测效果 1. **扩散指数模型** - 2025年累计超额收益：-0.45%[23] - 周度超额收益：-1.78%（2025/7/25当周）[28] - 月度超额收益：-3.47%（2025/7月）[28] 2. **GRU因子模型** - 2025年累计超额收益：-4.25%[31] - 周度超额收益：1.61%（2025/7/25当周）[35] - 月度超额收益：1.34%（2025/7月）[35] 量化因子与构建方式 1. **行业扩散因子** - 构建思路：反映行业价格趋势强度的标准化指标[25] - 具体构建： - 取行业指数20日EMA - 在全行业范围内进行百分位排名 - 标准化至0-1区间[26] 2. **GRU行业因子** - 构建思路：通过深度学习提取的量价特征[32] - 具体构建： - 输入5日分钟级量价序列 - 经GRU网络提取128维特征 - 全连接层输出单因子值[34] 因子的回测效果 1. **行业扩散因子** - 头部行业取值：综合金融(1.0)、钢铁(1.0)[25] - 尾部行业取值：电力及公用事业(0.534)、石油石化(0.692)[25] - 周度变化最大：煤炭(+0.49)、交通运输(+0.218)[27] 2. **GRU行业因子** - 头部行业取值：银行(3.3)、房地产(0.58)[32] - 尾部行业取值：综合金融(-48.92)、食品饮料(-42.89)[32] - 周度变化最大：医药(+18位)、电力及公用事业(+17位)[32]

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**：偏股混合型基金指数增强模型 - **模型构建思路**：通过量化手段对万得偏股混合型基金指数（885001）的底层股票持仓进行拟合，构建穿透底层的股票指数，再在此基础上进行增强[43] - **模型具体构建过程**： 1. 提取885001的行业配置和风格特征作为基准锚定 2. 使用量化方法刻画偏股混合型基金整体风格特征（如行业权重、市值分布） 3. 通过控制跟踪误差（≤7%）和行业偏离度（≤3%）约束增强过程[28] 4. 结合交易能力（换手率）和选股能力（估值、盈利标签）实现超额收益 - **模型评价**：强调"从过程到结果的管理"，在控制偏离度的前提下追求稳定超额收益[28][43] 2. **模型名称**：市场环境适应性模型 - **模型构建思路**：根据指数涨跌和风格轮动划分市场环境，优化不同场景下的配置策略[35] - **模型具体构建过程**： 1. 定义六类市场环境：指数上涨/下跌、成长/价值占优、大盘/小盘占优 2. 计算各环境下产品表现分位数（如博道远航在82.8%大盘占优环境下跑赢）[33] 3. 通过动态调整持股市值分布（如24H2增配大盘股）适应环境变化[51] - **模型评价**：能够识别产品的风格适应性短板（如华泰柏瑞量化智慧在小盘环境表现突出）[35] 量化因子与构建方式 1. **因子名称**：行业偏离度因子 - **构建思路**：衡量基金行业配置与885001基准的差异程度[28] - **具体构建**： $$ \text{行业偏离度} = \sqrt{\sum_{i=1}^{n}(w_{fund,i} - w_{index,i})^2} $$ 其中$w_{fund,i}$为基金第i行业权重，$w_{index,i}$为885001对应行业权重 - **因子评价**：核心风控指标，优秀产品控制在3%以内（如易方达量化策略仅0.58%）[27] 2. **因子名称**：交易能力因子 - **构建思路**：通过换手率与交易收益评估主动管理能力[45][59] - **具体构建**： 1. 计算季度换手率：$$ \text{换手率} = \frac{\min(\text{买入总额}, \text{卖出总额})}{\text{平均资产净值}} $$ 2. 交易年化收益 = 实际收益 - 模拟持仓收益（基于中证800+中债基准）[46] - **因子评价**：区分交易型（博道远航换手率13.35）与配置型策略[42] 3. **因子名称**：估值-盈利复合因子 - **构建思路**：结合PE、ROE和净利润增速筛选优质个股[42][69] - **具体构建**： 1. PE分档：低（<25x）、中（25-35x）、高（>35x） 2. ROE分档：低（<10%）、中（10-15%）、高（>15%） 3. 净利润增速阈值：高增长（>50%） 4. 生成标签组合（如"低PE+中ROE+高增长"）[69] 模型回测效果 | 模型/产品名称 | 年化跟踪误差 | 信息比率(IR) | 月度胜率 | 超额收益(2024-2025) | |------------------------|--------------|--------------|----------|---------------------| | 博道远航A | 5.30% | 1.46 | 63.2% | 12.65% | | 中欧量化动力A | 4.81% | - | 52.6% | - | | 易方达量化策略A | 5.45% | - | 68.4% | - | | 金元顺安元启 | 14.65% | 2.26 | - | - | | 淳厚信睿核心精选A | 7.94% | 1.90 | 74.4% | 54.32% | [19][27][43][57] 因子回测效果 | 因子名称 | 有效产品案例 | 关键指标表现 | |----------------|-------------------------------|----------------------------| | 行业偏离度 | 易方达量化策略(0.58%偏离) | 跟踪误差5.45% | | 交易能力 | 博道远航(换手率13.35) | 交易贡献超额3.22% | | 估值-盈利复合 | 信澳宁隽智选(PE24.37+ROE13.76)| 净利润增速75.56% | [42][46][69]

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. **特异度因子模型** - 构建思路：通过捕捉个股与市场整体表现的偏离程度来识别特异度高的股票[4] - 具体构建过程： 1. 计算个股日收益率与基准指数（如沪深300）的残差： $$特异度 = \sqrt{\frac{\sum_{t=1}^n (r_{i,t} - r_{m,t})^2}{n}}$$ 其中$r_{i,t}$为个股收益率，$r_{m,t}$为市场收益率，n为时间窗口 2. 标准化处理后进行行业中性化调整 - 模型评价：在震荡市中表现优异，但对风格切换敏感[4] 2. **科创板块量化选股模型** - 构建思路：结合财务质量与动量效应筛选科创企业[4] - 具体构建过程： 1. 财务因子：研发费用占比、专利数量、营收增速 2. 动量因子：20日超额收益率 3. 通过主成分分析合成综合得分 模型的回测效果 1. 特异度因子模型： - 年化超额收益9.2%[4] - 信息比率(IR)1.85[4] - 最大回撤4.3%[4] 2. 科创板块选股模型： - 相对科创50指数周超额0.48%[4] - 本年累计超额15.6%[4] 量化因子与构建方式 1. **自由现金流因子** - 构建思路：筛选企业自由现金流(FCF)持续改善的标的[48] - 具体构建过程： $$FCF因子 = \frac{经营性现金流净额 - 资本支出}{总资产}$$ 采用3年移动平均标准化 2. **港股通高股息因子** - 构建思路：结合股息率与盈利稳定性[52] - 具体构建过程： 1. 计算动态股息率：近12月分红/市值 2. 叠加ROE波动率调整 因子的回测效果 1. 自由现金流因子： - 中证800内年化alpha 7.3%[48] - 月胜率68%[48] 2. 港股通高股息因子： - 相对恒生指数年化超额6.9%[52] - 下行捕获率82%[52] 注：部分模型细节引用自关联研究报告《多因子选股周报》和《主动量化策略周报》[4]

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司已公布的分红预案、年报数据及历史分红规律，预测指数成分股的分红对股指期货合约的影响[19][21] - **模型具体构建过程**： 1. **预估净利润**：以年报公布的净利润为准[23] 2. **计算税前分红总额**： - 已公布预案的公司直接采用其税前分红总额[26] - 未公布的公司按分红率（分红金额/净利润）不变假设计算，并调整A股股本占比[26] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \( w_{i0} \) 为初始权重，\( R \) 为涨跌幅[24] 4. **预测分红对各合约的影响值**： - 除权除息日预测：已公布日期的直接采用；未公布的参考历史分红时间中位数[27][28] - 合约影响值 = 交割日前所有分红点数之和[28] - **模型评价**：依赖历史分红规律和假设，若市场分红率突变可能导致预测偏差[29] 2. **模型名称：股指期货理论定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和无风险利率，推导期货理论价格[30][31] - **模型具体构建过程**： - **离散红利分配**： $$F_t = (S_t - D)(1 + r)$$ 其中 \( D = \sum_{i=1}^m D_i / (1 + \phi) \)，\( \phi \) 为无风险利率，\( r = (1 + R)^{(T-t)/360} - 1 \) [30] - **连续红利分配**： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中 \( d \) 为年化红利率，\( r \) 为无风险利率[31] --- 量化因子与构建方式 1. **因子名称：年化对冲成本因子** - **因子构建思路**：反映持有股指期货合约至到期的对冲成本，剔除分红影响[7][12] - **因子具体构建过程**： - 年化对冲成本 = （实际价差 - 分红点数） / 现货价格 × 年化系数（365或243天）[12][13][14][15] --- 模型的回测效果 1. **分红预测模型**： - 上证50（IH）8月合约分红点数2.43，年化对冲成本-1.56%[12] - 沪深300（IF）8月合约分红点数4.81，年化对冲成本-0.19%[13] - 中证500（IC）8月合约分红点数7.39，年化对冲成本8.55%[14] - 中证1000（IM）8月合约分红点数4.54，年化对冲成本8.78%[15] 2. **股指期货理论定价模型**： - 实际价差与理论价差对比显示IH升水、IC/IM贴水，与模型预期一致[10][11] --- 因子的回测效果 1. **年化对冲成本因子**： - IH2508：-1.56%（365天）、-1.46%（243天）[12] - IF2508：-0.19%（365天）、-0.18%（243天）[13] - IC2508：8.55%（365天）、7.97%（243天）[14] - IM2508：8.78%（365天）、8.18%（243天）[15]

量化模型与因子分析总结 量化因子与构建方式 风格类因子 1. **Trend因子** 构建思路：衡量股票价格趋势强度[16] 具体构建： - Trend_120 = EWMA(halflife=20)/EWMA(halflife=120) - Trend_240 = EWMA(halflife=20)/EWMA(halflife=240) 评价：本周表现最佳，市场对趋势策略偏好增强[11][13] 2. **Volatility因子** 构建思路：衡量股票价格波动性[16] 具体构建： - Stdvol：过去243天的标准波动率 - Ivff：过去243天的FF3特质波动率 - Range：过去243天的最高价/最低价-1 - MaxRet_6/MinRet_6：过去243天收益最高/最低六天的收益率平均值 评价：本周表现最差，市场对高波动资产需求减弱[11][13] 3. **Size因子** 构建思路：基于总市值对数的规模因子[16] 评价：小盘股关注度持续减弱[11][13] 基础因子库 1. **特异度(IVR_1M)** 构建思路：衡量个股收益与市场收益的偏离程度[20] 具体构建：1-过去20日Fama-French三因子回归拟合度 评价：在沪深300和中证800样本中表现最佳[23][31] 2. **三个月机构覆盖(ORGAN_NUM_3M)** 构建思路：过去3个月撰写研报的机构数量[20] 评价：在中证1000、国证2000和中证全指样本中表现最佳[35][39][47] 3. **BP因子** 构建思路：账面市值比(净资产/总市值)[20] 评价：在创业板指样本中表现最佳[43] 4. **三个月波动(ATR_3M)** 构建思路：过去60个交易日日内真实波幅均值[20] 评价：在中证500样本中表现最佳[27] 因子回测效果 风格因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | 近一年年化 | 历史年化 | |---------|-------|-------|---------|-----------|---------| | Trend | 2.39% | 5.57% | -0.70% | 24.36% | 14.25% | | Value | 1.24% | 0.81% | -10.75% | -26.98% | 7.12% | | Volatility | -1.75% | -3.95% | 4.10% | 24.26% | -13.16% | [13] 沪深300样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 特异度 | 1.30% | 2.11% | 4.32% | | EPTTM一年分位点 | 0.62% | 1.45% | 5.81% | | 一个月UMR | -0.86% | -1.46% | 2.36% | [23] 中证500样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 三个月波动 | 1.39% | 0.69% | -1.29% | | 预期BP | 0.99% | 1.53% | -0.17% | | 3个月盈利上下调 | -1.39% | -1.26% | 1.52% | [27] 中证800样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 特异度 | 1.03% | 2.27% | 3.24% | | 三个月波动 | 0.96% | 0.11% | 0.86% | | 标准化预期外收入 | -0.94% | 1.64% | 2.99% | [31] 中证1000样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 三个月机构覆盖 | 1.25% | 0.91% | 3.03% | | 三个月反转 | 1.10% | 2.13% | 2.53% | | 一年动量 | -1.54% | -0.85% | -0.37% | [35] 国证2000样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 三个月机构覆盖 | 1.21% | 1.37% | 3.10% | | 预期BP | 1.01% | 0.45% | -3.64% | | 一年动量 | -1.65% | -2.31% | 1.33% | [39] 创业板指样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | BP | 0.68% | 0.06% | -4.33% | | 预期BP | 0.59% | -0.36% | -3.75% | | 单季ROA | -0.61% | -0.29% | 12.94% | [43] 中证全指样本因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | |---------|-------|-------|---------| | 三个月机构覆盖 | 1.70% | 1.29% | 4.96% | | 三个月反转 | 1.46% | 1.97% | 4.94% | | 一年动量 | -1.17% | -1.59% | -6.99% | [47] MFE组合构建方法 构建思路：在控制行业和风格暴露约束下最大化单因子暴露[64] 优化模型： $$ \begin{array}{ll} max & f^{T}w \\ s.t. & s_{l}\leq X(w-w_{b})\leq s_{h} \\ & h_{l}\leq H(w-w_{b})\leq h_{h} \\ & w_{l}\leq w-w_{b}\leq w_{h} \\ & b_{l}\leq B_{b}w\leq b_{h} \\ & 0\leq w\leq l \\ & 1^{T}w=1 \\ & \Sigma|w-w_{0}|\leq to_{h} \end{array} $$ 约束条件包括风格偏离、行业偏离、个股权重限制和换手率控制[64][67]

量化模型与构建方式 1 模型名称：利率价量多周期择时策略 模型构建思路：通过核回归算法捕捉利率趋势形态，识别不同周期下的支撑线和阻力线突破信号，结合多周期共振原理生成交易信号[10] 模型具体构建过程： - 划分长周期（月度切换）、中周期（双周切换）、短周期（周度切换）三个时间维度 - 采用核回归算法拟合利率曲线的支撑线和阻力线 - 信号生成规则： a) 当至少2个周期出现向下突破支撑线且趋势非向上时，满配长久期债券 b) 当至少2个周期出现向下突破支撑线但趋势向上时，配置50%中久期+50%长久期 c) 当至少2个周期出现向上突破阻力线且趋势非向下时，满配短久期债券 d) 当至少2个周期出现向上突破阻力线但趋势向下时，配置50%中久期+50%短久期 e) 其他情况等权配置短/中/长久期债券[22] - 设置止损机制：单日超额收益<-0.5%时自动切换为等权配置[22] 模型评价：通过多周期信号过滤有效降低噪声干扰，结合趋势判断可规避假突破风险[10] 2 模型名称：公募债基久期测算模型 模型构建思路：采用改进的回归模型估计基金组合久期，通过截面数据分析机构行为[13] 模型具体构建过程： - 输入变量：全市场中长期纯债基金持仓数据 - 计算杠杆调整后的组合久期： $$久期_{调整}=久期_{原始}×(1+杠杆率)$$ - 输出中位数久期（4.06年）、4周移动平均久期（3.73年）、截面标准差（1.71年）[13][14] 模型评价：能有效捕捉机构久期调整行为，分歧指标可反映市场预期分化程度[14] 量化因子与构建方式 1 因子名称：利率水平结构因子 因子构建思路：将1-10年期国债YTM转化为水平结构指标，衡量绝对利率位置[7] 因子具体构建过程： - 取1年期国债YTM作为水平结构代理变量 - 计算当前值（1.6%）相对3/5/10年历史分位数（17%/10%/5%）[9] 2 因子名称：利率期限结构因子 因子构建思路：通过期限利差反映收益率曲线斜率[7] 因子具体构建过程： - 计算10年期与1年期YTM差值（0.35%） - 评估当前值相对3/5/10年历史分位数（18%/11%/14%）[9] 3 因子名称：利率凸性结构因子 因子构建思路：捕捉收益率曲线弯曲度变化[7] 因子具体构建过程： - 采用二次项拟合1-10年期YTM曲线的凸性程度（0.09%） - 计算当前值相对3/5/10年历史分位数（32%/21%/21%）[9] 模型的回测效果 1 利率价量多周期择时策略： - 长期年化收益率6.15%[23] - 最大回撤1.52%[23] - 收益回撤比2.25（长期）/5.94（短期）[23] - 超额收益率1.66%（长期）/2.2%（短期）[23] - 逐年胜率100%（绝对收益&超额收益）[23] 2 公募债基久期测算模型： - 久期中位数处于5年100%分位[13] - 久期分歧处于5年82.63%分位[14] 因子的回测效果 1 利率水平结构因子： - 当前值1.6%[9] - 3/5/10年分位数17%/10%/5%[9] 2 利率期限结构因子： - 当前值0.35%[9] - 3/5/10年分位数18%/11%/14%[9] 3 利率凸性结构因子： - 当前值0.09%[9] - 3/5/10年分位数32%/21%/21%[9]

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**：通过分歧度、流动性、景气度三个维度综合判断市场趋势，动态调整仓位[7][11][12] - **模型具体构建过程**： 1. **分歧度指标**：计算市场观点分歧指数（如卖方分析师预测离散度）[16] 2. **流动性指标**：跟踪市场成交额、资金净流入等数据构建指数[19] 3. **景气度指标**：结合行业盈利增速、宏观经济数据合成A股景气度指数2.0[23] 4. 综合三项指标方向（上行/下行）决定仓位，三项均上行时满仓[7] - **模型评价**：历史回测显示对市场拐点捕捉能力较强，但需警惕极端市场环境下的失效风险[14] 2. **模型名称：资金流共振策略** - **模型构建思路**：结合融资融券资金与主动大单资金流向，筛选两类资金共同看好的行业[31] - **模型具体构建过程**： 1. **融资融券因子**： $$ \text{融资因子} = \text{Barra市值中性化后的（融资净买入-融券净卖出）} $$ 取50日均值后计算两周环比变化率[31] 2. **主动大单因子**： 对行业年成交量时序中性化后的净流入排序，取10日均值[31] 3. 策略组合：在主动大单因子头部行业中剔除融资因子多头极端行业[31] - **模型评价**：相比单一资金流策略回撤更小，2018年以来年化超额收益13.5%，IR 1.7[31] --- 量化因子与构建方式 1. **因子名称：风格因子（Barra体系）** - **因子构建思路**：通过市值、波动率、流动性等风格维度解释股票收益差异[35][36] - **因子具体构建过程**： - **Size因子**：$$ \ln(\text{市值}) $$ 行业中性化处理[37] - **Volatility因子**：过去252日收益波动率[36] - **Liquidity因子**：换手率标准差[36] 2. **因子名称：Alpha因子** - **因子构建思路**：通过多维度因子挖掘超额收益来源[38][40] - **代表性因子构建过程**： - **mom_1y**：$$ \text{1年收益率} = \frac{P_t}{P_{t-252}} - 1 $$ [40] - **turnover_stdrate_3m**：3个月换手率标准差变化率[40] - **pe_g**：市盈率排名与预期净利润增长排名的差值[42] --- 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益：未披露具体数值（图表显示显著跑赢基准）[14] - 当前信号：满仓（分歧度↓、流动性↑、景气度↑）[7] 2. **资金流共振策略**： - 年化超额收益：13.5% - 信息比率（IR）：1.7 - 上周超额收益：0.2%（相对行业等权）[31] --- 因子的回测效果 1. **风格因子（近一周）**： - Size因子收益：-0.21% - Volatility因子收益：-2.38% - Liquidity因子收益：-2.23% - Value因子收益：+0.92% [36] 2. **Alpha因子（近一周多头超额）**： - mom_1y：+1.58% - turnover_stdrate_3m：+1.56% - pe_g（沪深300内）：+4.97% - sue1（沪深300内）：+4.09% [40][42] 3. **分指数因子表现**： - **沪深300最佳因子**：turnover_stdrate_1m（+6.99%） - **中证500最佳因子**：pe_g（+5.60%） - **国证2000最佳因子**：gaexp_sales（+2.35%）[42]

量化模型与构建方式 1. **模型名称**：宽基形态择时策略 - **模型构建思路**：基于宽基指数成分股的多空信号比率构建择时策略，通过统计看多/看空信号的数量变化判断市场趋势[13] - **模型具体构建过程**： 1. 计算每日成分股的看多信号数量（正面信号）和看空信号数量（负面信号） 2. 计算多空剪刀差比率： $$ \text{多空比率} = \frac{\text{看多信号数} - \text{看空信号数}}{\text{总成分股数}} $$ 3. 当多空比率超过阈值时生成看多信号，否则为中性[13] - **模型评价**：策略在宽基指数上表现稳定，年化收益显著高于基准指数[11] 2. **模型名称**：行业形态择时策略 - **模型构建思路**：基于中信一级行业成分股的形态信号构建行业多空剪刀差，判断行业趋势[13] - **模型具体构建过程**： 1. 统计行业成分股中每日看多/看空信号数量，若当日无信号则计为0 2. 计算行业多空剪刀差比率： $$ \text{行业多空比率} = \frac{\text{行业看多信号数} - \text{行业看空信号数}}{\text{行业成分股总数}} $$ 3. 比率大于0时生成看多信号[13] - **模型评价**：历史回溯中100%跑赢行业指数，胜率较高[13] 3. **模型名称**：隐含波动率恐慌指数 - **模型构建思路**：采用Heston模型计算近月平值期权的隐含波动率，反映市场恐慌情绪[6] - **模型具体构建过程**： 1. 选取近月平值期权合约 2. 通过Heston模型反推波动率： $$ \sigma_{IV} = \sqrt{\frac{1}{T} \int_0^T \sigma_t^2 dt} $$ 其中$\sigma_{IV}$为隐含波动率，$T$为期权期限[6] - **模型评价**：能有效捕捉市场短期风险预期变化[8] --- 量化因子与构建方式 1. **因子名称**：连续看多信号因子 - **因子构建思路**：统计个股连续出现看多形态信号的次数，反映短期趋势强度[16] - **因子具体构建过程**： 1. 定义单日看多信号为满足特定K线形态（如阳线、放量等） 2. 统计连续4日或5日出现看多信号的股票[17][19] - **因子评价**：连续信号胜率高达68.64%，具有较强预测性[10] 2. **因子名称**：特殊K线形态因子 - **因子构建思路**：识别六种特定K线形态（如金针探底、火箭发射等），捕捉反转或加速信号[20] - **因子具体构建过程**： 1. **金针探底**：长下影线且振幅>5%，收盘价位于20日低位 2. **火箭发射**：大阳线突破近期高点且成交量放大30%[20] - **因子评价**：正向形态（金针探底等）胜率显著高于负面形态[20] 3. **因子名称**：券商金股增强因子 - **因子构建思路**：结合券商月度金股推荐与形态信号，筛选基本面与技术面共振标的[25] - **因子具体构建过程**： 1. 选取券商当月金股名单 2. 叠加形态学买点信号（如长蜡烛、捉腰带线等） 3. 持有至月底计算超额收益[25] - **因子评价**：可提升金股组合收益率并降低回撤[25] --- 模型的回测效果 1. **宽基形态择时策略**： - 年化收益：11.6%（沪深300）至47.13%（万得微盘股） - 最大回撤：-19.1%（中证2000）至-41.52%（Wind全A）[11] 2. **行业形态择时策略**： - 年化收益：15.36%（石油石化）至33.39%（国防军工） - 最大回撤：-13.18%（综合金融）至-53.53%（消费者服务）[14][15] --- 因子的回测效果 1. **连续看多信号因子**： - 5日连续信号胜率：68.64%[10] - 持有1个月胜率：80%以上[25] 2. **特殊K线形态因子**： - 金针探底形态平均收益：正向收益概率73.86%[10] 3. **券商金股增强因子**： - 70%胜率看多信号股票：亚钾国际、紫光国微等[25] - 组合超额收益：显著高于单纯金股持仓[26]