量化模型与构建方式 1. **模型名称**：主动偏股基金仓位高频估测模型 **模型构建思路**：通过基金每日披露的净值序列，利用带约束条件的多元回归模型，估算基金仓位[65] **模型具体构建过程**：以基金每日披露的净值序列为结果，构建模拟组合，使用多元回归模型在基准或其他资产序列中寻找基金仓位的最优估计结果[65] **模型评价**：该模型能够相对高频地跟踪基金仓位变化，提供行业配置动向的参考[65] 2. **模型名称**：REITs 系列指数模型 **模型构建思路**：构建完整的 REITs 系列指数，综合反映 REITs 市场表现，提供细分 REITs 指数[52] **模型具体构建过程**：采用分级靠档方法确保指数份额稳定，使用除数修正法保证指数连续性，计算价格指数和全收益指数[52] **模型评价**：该模型为投资者提供了基于指数化投资的资产配置新视角，适合长期投资者关注[52] 模型的回测效果 1. **主动偏股基金仓位高频估测模型**，本周仓位相较上周下降 0.24pcts[65] 2. **REITs 系列指数模型**，本周 REITs 综合指数上涨 0.14%，产权类 REITs 指数上涨 0.25%，特许经营权类 REITs 指数上涨 0.02%[53] 量化因子与构建方式 1. **因子名称**：ESG 因子 **因子构建思路**：综合环境、社会、治理三方面因素，使用 ESG 整合、负面筛选、正面筛选进行投资标的选择[73] **因子具体构建过程**：将 ESG 主题基金分为 ESG 主题、环境主题、社会主题、治理主题，分别计算其规模和市场表现[73] **因子评价**：ESG 因子在投资策略中具有较高的应用价值，能够帮助投资者筛选符合可持续发展目标的产品[73] 2. **因子名称**：绿色债券因子 **因子构建思路**：跟踪绿色债券市场的发行规模和表现，分析其募集资金用途和市场影响力[69] **因子具体构建过程**：统计绿色债券的累计发行规模、发行数量，并分析其募集资金用途[69] **因子评价**：绿色债券因子反映了市场对环保和可持续发展的关注，具有较高的社会和经济价值[69] 因子的回测效果 1. **ESG 因子**，本周主动权益型 ESG 基金净值涨跌幅中位数为 0.42%，股票被动指数型 ESG 基金净值涨跌幅中位数为 1.74%，债券型 ESG 基金净值涨跌幅中位数为 0.01%[75] 2. **绿色债券因子**，本周新发行绿色债券 8 只，已发行规模合计 40.50 亿元[69]

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**：GRU模型 **模型构建思路**：基于门控循环单元（GRU）神经网络构建，用于捕捉时间序列数据的非线性特征[8][32] **模型评价**：在中证1000成分股中表现分化，close1d和open1d子模型较优，但barra1d/5d表现较弱[30] 2. **模型名称**：Barra模型（含barra1d/barra5d） **模型构建思路**：基于Barra风险模型框架，结合日内/5日频数据优化[14][23] **模型评价**：在沪深300成分股中多空收益表现强势，但全市场回撤较大[19][23] 3. **模型名称**：多因子组合模型 **模型构建思路**：综合基本面与技术因子加权构建[8][32] **模型评价**：本周相对中证1000超额1.4%，短期表现强势但长期稳定性待观察[32] 模型的回测效果 1. **GRU模型**：近一周超额-0.02%至0.72%，今年以来超额0.6%-1.96%[34] 2. **Barra1d模型**：近六月超额0.72%，三年年化IR未披露[34] 3. **Barra5d模型**：近六月超额2.05%，今年以来超额1.76%[34] 4. **多因子模型**：近一周超额1.40%，但近六月超额-0.88%[34] 量化因子与构建方式 1. **因子名称**：Barra风格因子（10类） **因子构建思路**： - **市值因子**：总市值自然对数$$ln(MCAP)$$[14] - **波动因子**：$$0.74\sigma_{exret}+0.16|exret-\mu|+0.1\sigma_{residual}$$[14] - **流动性因子**：$$0.35Turn_{1m}+0.35Turn_{3m}+0.3Turn_{1y}$$[14] **因子评价**：市值因子长期负收益，波动因子五年年化IR达46.88%[17] 2. **因子名称**：技术类因子（6类） **因子构建过程**： - **动量因子**：20/60/120日超额收益均值[21][24] - **波动因子**：20/60/120日收益波动率[21][24] **因子评价**：中证500内反转效应显著，120日动量因子三年年化IR3.85%[28] 3. **因子名称**：基本面因子（3类） **因子构建过程**： - **成长因子**：$$0.18g_{long}+0.11g_{short}+0.24g_{earn}+0.47g_{rev}$$[14] - **估值因子**：EP（市盈率倒数）[14] **因子评价**：沪深300内低估值+高成长组合表现占优[23] 因子的回测效果 1. **市值因子**：近半年多空收益-54.68%，五年年化IR-32.65%[17] 2. **波动因子**：20日波动率因子近半年多空收益12.78%（中证500）[28] 3. **成长因子**：今年以来多空收益12.37%，五年年化IR45.77%[17] 4. **估值因子**：本周多空收益1.34%，三年年化IR14.96%[17] 注：所有因子测试均采用行业中性化处理，多空组合为前10%vs后10%等权配置[18]

量化模型与构建方式 1. 模型名称：无 模型构建思路：无 模型具体构建过程：无 量化因子与构建方式 1. 因子名称：无 因子构建思路：无 因子具体构建过程：无 模型的回测效果 1. 无 因子的回测效果 1. 无 其他内容 1. 大类资产市场概况：本周A股市场中上证指数收盘3419.56，涨跌幅1.39%，深证成指、中小板指数、创业板指、上证50、沪深300、中证500、中证1000、中证2000、北证50涨跌幅分别为1.24%、1.22%、0.97%、2.18%、1.59%、1.43%、0.97%、1.34%、1.33%[5] 2. 基金市场概况：本周新成立基金共计26支，包括权益基金18支、固收+基金2支、固收基金5支以及QDII基金1支，其中规模较大的有金鹰同业存单指数7天持有（50.01亿）、大成兴远启航A（13.25亿）[5] 3. 商品市场：本周商品市场中原油、沪金、沪铜、沪铝、螺纹钢、焦煤、焦炭、工业硅、碳酸锂、生猪、谷物本周涨跌幅分别为1.70%、2.29%、2.61%、0.63%、0.67%、0.91%、-0.59%、-1.59%、-0.77%、1.86%、0.13%[30]

量化模型与构建方式 1. **模型名称**：财信金工三维情绪模型 - **模型构建思路**：基于道氏理论的三重运动原理，从情绪温度（中频）、情绪预期（中高频）、情绪浓度（低频）三个维度构建信号体系，形成多层次风险预警框架[6][7][8] - **模型具体构建过程**： - **情绪预期（中高频）**： 1. 使用沪深300股指期货升贴水率和上证50ETF期权成交额PCR的倒数作为基础指标 2. 通过取均值和主成分分析（PCA）合成情绪预期指标[7] - **情绪温度（中频）**： 1. 计算主力买入率（主力资金在市场交易中的相对强弱） 2. 平滑处理后计算三年滚动百分位[8] - **情绪浓度（低频）**： 1. 计算中信三级行业体系指数的第一主成分方差贡献率 2. 滚动窗口平滑处理，警戒线设为0.83[8] - **模型评价**：在熊市和震荡市中能有效控制回撤，但牛市中因保守仓位调整可能跑输基准[6][15] 模型的回测效果 1. **财信金工三维情绪模型（2010-2025）**： - 年化收益率：6.0%（沪深300基准0.69%） - 最大回撤：26.93%（沪深300基准46.50%） - Sharpe比率：0.3969（沪深300基准0.1288） - 盈亏比：1.81[12][14] 2. **分年度表现**： - **2011年**：年化收益-3.32%（基准-26.41%），最大回撤13.45%（基准31.19%）[17] - **2015年**：年化收益31.25%（基准4.32%），盈亏比1.84[23] - **2022年**：年化收益-3.46%（基准-21.73%），最大回撤9.09%（基准28.27%）[31] 量化因子与构建方式 1. **因子名称**：情绪预期因子 - **因子构建思路**：反映市场短期情绪，结合期货升贴水率和期权PCR倒数的同步性[7] - **因子具体构建过程**： $$ \text{情绪预期} = \text{PCA}\left(\frac{1}{\text{期权PCR}}, \text{期货升贴水率}\right) $$ 2. **因子名称**：情绪温度因子 - **因子构建思路**：量化主力资金热度，通过主力买入率百分位化[8] - **因子具体构建过程**： $$ \text{情绪温度} = \text{滚动百分位}(\text{主力买入率}, 3\text{年窗口}) $$ 3. **因子名称**：情绪浓度因子 - **因子构建思路**：衡量市场资产相关性，通过行业指数主成分分析[8] - **因子具体构建过程**： $$ \text{情绪浓度} = \text{平滑处理}(\text{第一主成分方差贡献率}) $$ 因子的回测效果 （注：报告中未单独披露因子层面的测试指标，仅展示模型综合效果） 关键信号逻辑 - **仓位调整规则**：三维信号组合触发动态仓位调整，高情绪浓度（>0.83）预示市场拐点[8][40] - **应用场景**： - 风险预警：低仓位提示高风险（如2018年最大回撤15.92% vs 基准31.64%）[27] - 趋势跟随：高情绪温度+情绪预期上行时增持权益（如2015年收益31.25%）[23]

量化因子与构建方式 1. **因子名称：高频偏度因子** - **因子构建思路**：通过分析股票收益的分布特征，捕捉股票收益的偏度信息，构建高频偏度因子[14] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》，已对常规因子进行正交[14] 2. **因子名称：下行波动占比因子** - **因子构建思路**：通过分解已实现波动，捕捉下行波动的占比信息，构建下行波动占比因子[17] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[17] 3. **因子名称：开盘后买入意愿占比因子** - **因子构建思路**：通过分析开盘后买入意愿的占比，捕捉市场情绪，构建开盘后买入意愿占比因子[22] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[22] 4. **因子名称：开盘后买入意愿强度因子** - **因子构建思路**：通过分析开盘后买入意愿的强度，捕捉市场情绪的强弱，构建开盘后买入意愿强度因子[26] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[26] 5. **因子名称：开盘后大单净买入占比因子** - **因子构建思路**：通过分析开盘后大单净买入的占比，捕捉大单交易行为，构建开盘后大单净买入占比因子[30] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[30] 6. **因子名称：开盘后大单净买入强度因子** - **因子构建思路**：通过分析开盘后大单净买入的强度，捕捉大单交易的强度信息，构建开盘后大单净买入强度因子[33] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[33] 7. **因子名称：改进反转因子** - **因子构建思路**：通过改进传统的反转因子，捕捉股票价格的反转信号，构建改进反转因子[37] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[37] 8. **因子名称：尾盘成交占比因子** - **因子构建思路**：通过分析尾盘成交的占比，捕捉尾盘交易行为，构建尾盘成交占比因子[38] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[38] 9. **因子名称：平均单笔流出金额占比因子** - **因子构建思路**：通过分析平均单笔流出金额的占比，捕捉资金流出行为，构建平均单笔流出金额占比因子[41] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[41] 10. **因子名称：大单推动涨幅因子** - **因子构建思路**：通过分析大单交易对股价涨幅的推动，捕捉大单交易的影响，构建大单推动涨幅因子[44] - **因子具体构建过程**：因子的计算方式参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[44] 11. **因子名称：深度学习高频因子（改进 GRU(50,2)+NN(10)）** - **因子构建思路**：通过改进的GRU模型和神经网络模型，捕捉高频数据中的非线性关系，构建深度学习高频因子[48] - **因子具体构建过程**：因子基于改进的GRU(50,2)和NN(10)模型训练得到[48] 12. **因子名称：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** - **因子构建思路**：通过残差注意力机制的LSTM模型和神经网络模型，捕捉高频数据中的非线性关系，构建深度学习高频因子[53] - **因子具体构建过程**：因子基于残差注意力LSTM(48,2)和NN(10)模型训练得到[53] 13. **因子名称：深度学习因子（多颗粒度模型-5 日标签）** - **因子构建思路**：通过双向AGRU模型，捕捉多颗粒度的时间序列信息，构建深度学习因子[55] - **因子具体构建过程**：因子基于双向AGRU模型训练得到[55] 14. **因子名称：深度学习因子（多颗粒度模型-10 日标签）** - **因子构建思路**：通过双向AGRU模型，捕捉多颗粒度的时间序列信息，构建深度学习因子[59] - **因子具体构建过程**：因子基于双向AGRU模型训练得到[59] 因子的回测效果 1. **高频偏度因子** - 本周多空收益率：0.01%[5] - 3月多空收益率：0.86%[5] - 2025年多空收益率：3.40%[5] 2. **下行波动占比因子** - 本周多空收益率：0.04%[5] - 3月多空收益率：0.76%[5] - 2025年多空收益率：3.22%[5] 3. **开盘后买入意愿占比因子** - 本周多空收益率：-0.09%[5] - 3月多空收益率：0.24%[5] - 2025年多空收益率：0.95%[5] 4. **开盘后买入意愿强度因子** - 本周多空收益率：-0.27%[5] - 3月多空收益率：0.13%[5] - 2025年多空收益率：0.37%[5] 5. **开盘后大单净买入占比因子** - 本周多空收益率：0.26%[5] - 3月多空收益率：0.75%[5] - 2025年多空收益率：1.77%[5] 6. **开盘后大单净买入强度因子** - 本周多空收益率：0.13%[5] - 3月多空收益率：0.27%[5] - 2025年多空收益率：1.15%[5] 7. **改进反转因子** - 本周多空收益率：-0.07%[5] - 3月多空收益率：-0.13%[5] - 2025年多空收益率：-0.36%[5] 8. **尾盘成交占比因子** - 本周多空收益率：-0.20%[5] - 3月多空收益率：0.00%[5] - 2025年多空收益率：1.64%[5] 9. **平均单笔流出金额占比因子** - 本周多空收益率：-0.18%[5] - 3月多空收益率：0.25%[5] - 2025年多空收益率：1.06%[5] 10. **大单推动涨幅因子** - 本周多空收益率：0.06%[5] - 3月多空收益率：0.02%[5] - 2025年多空收益率：1.20%[5] 11. **深度学习高频因子（改进 GRU(50,2)+NN(10)）** - 本周多空收益率：0.14%[5] - 3月多空收益率：0.30%[5] - 2025年多空收益率：0.94%[5] 12. **深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)）** - 本周多空收益率：0.06%[5] - 3月多空收益率：0.21%[5] - 2025年多空收益率：1.25%[5] 13. **深度学习因子（多颗粒度模型-5 日标签）** - 本周多空收益率：0.10%[5] - 3月多空收益率：0.83%[5] - 2025年多空收益率：2.26%[5] 14. **深度学习因子（多颗粒度模型-10 日标签）** - 本周多空收益率：0.14%[5] - 3月多空收益率：0.84%[5] - 2025年多空收益率：1.98%[5] 量化模型与构建方式 1. **模型名称：周度调仓的中证 500 AI 增强组合** - **模型构建思路**：基于深度学习因子（多颗粒度模型-10 日标签）构建中证 500 AI 增强组合，优化目标为最大化预期收益[62] - **模型具体构建过程**：目标函数为 $$m a x\sum\mu_{i}w_{i}$$，其中wi为组合中股票i的权重，μi为股票i的预期超额收益[63] 2. **模型名称：周度调仓的中证 1000 AI 增强组合** - **模型构建思路**：基于深度学习因子（多颗粒度模型-10 日标签）构建中证 1000 AI 增强组合，优化目标为最大化预期收益[62] - **模型具体构建过程**：目标函数为 $$m a x\sum\mu_{i}w_{i}$$，其中wi为组合中股票i的权重，μi为股票i的预期超额收益[63] 模型的回测效果 1. **周度调仓的中证 500 AI 增强组合** - 本周超额收益率：0.70%[13] - 3月超额收益率：0.37%[13] - 2025年超额收益率：-1.51%[13] 2. **周度调仓的中证 1000 AI 增强组合** - 本周超额收益率：1.47%[13] - 3月超额收益率：0.72%[13] - 2025年超额收益率：0.00%[13]

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. **中证500增强组合** - 模型构建思路：通过量化选股模型构建相对于中证500指数的增强组合，旨在跑赢基准指数[12][27] - 模型具体构建过程： 1. 基于多因子选股框架，结合风格因子和行业因子暴露控制 2. 组合持仓包含100只左右个股，权重分散 3. 定期调仓以维持因子暴露和风险控制[28] - 模型评价：长期超额收益稳定，但近期表现略逊于基准 2. **沪深300增强组合** - 模型构建思路：通过量化选股模型构建相对于沪深300指数的增强组合，旨在跑赢基准指数[14][29] - 模型具体构建过程： 1. 采用多因子选股策略，控制组合风险暴露 2. 组合持仓约50只个股，权重相对集中 3. 定期进行组合再平衡[30] - 模型评价：长期超额收益显著，近期表现优于基准 模型的回测效果 1. **中证500增强组合** - 本周收益率：1.34% - 本周超额收益：-0.09% - 2020年至今超额收益：41.11% - 最大回撤：-4.99%[12][27] 2. **沪深300增强组合** - 本周收益率：1.66% - 本周超额收益：+0.08% - 2020年至今超额收益：23.43% - 最大回撤：-5.86%[14][29] 量化因子与构建方式 1. **BARRA风格因子体系** - 因子构建思路：参照BARRA模型构建十大类风格因子，用于市场风格分析和组合风险控制[16] - 因子具体构建过程： 包含以下十大类因子： 1. 市值（SIZE） 2. BETA 3. 动量（MOM） 4. 残差波动率（RESVOL） 5. 非线性市值（NLSIZE） 6. 估值（BTOP） 7. 流动性（LIQUIDITY） 8. 盈利（EARNINGS_YIELD） 9. 成长（GROWTH） 10. 杠杆（LVRG）[16] - 因子评价：全面反映市场风格特征，适用于多因子模型构建和风险控制 2. **行业因子** - 因子构建思路：构建行业因子用于分析行业相对市场表现[16] - 因子具体构建过程： 基于各行业指数相对市场市值加权组合的表现构建[16] 因子的回测效果 1. **风格因子表现** - 盈利因子：本周超额收益最高 - 市值因子：显著负向超额收益 - 非线性市值因子：显著负向超额收益[16] 2. **行业因子表现** - 食品饮料、保险、煤炭：本周超额收益较高 - 计算机、机械：本周回撤较多[16] 3. **近期因子表现** - 高盈利股：表现优异 - 市值因子：表现不佳 - 残差波动率因子：表现不佳[16] 因子相关性分析 近一周十大类风格因子暴露相关性矩阵显示： - 流动性因子与Beta、流动性、残差波动率呈现明显正相关性 - 价值因子与残差波动率、流动性等因子呈现明显负相关性[16]

根据提供的研报内容，以下是量化因子与模型的详细总结： --- 量化因子与构建方式 1. **因子名称：转股溢价率** - 构建思路：衡量转债价格相对于转股价值的溢价程度[3][9] - 具体构建过程： $$转股溢价率 = \frac{转债价格 - 转股价值}{转股价值} \times 100\%$$ 其中转股价值 = 正股价格 × 转股比例[9][29] 2. **因子名称：纯债溢价率** - 构建思路：反映转债价格相对于纯债价值的溢价水平[3][9] - 具体构建过程： $$纯债溢价率 = \frac{转债价格 - 纯债价值}{纯债价值} \times 100\%$$ 纯债价值通过现金流贴现模型计算[9][29] 3. **因子名称：双低因子** - 构建思路：结合价格与转股溢价率的综合指标，筛选低估转债[3][9] - 具体构建过程： $$双低值 = 转债价格 + 转股溢价率 \times 100$$[9][29] 4. **因子名称：转债动量** - 构建思路：捕捉转债价格的短期趋势[3][9] - 具体构建过程： 过去20个交易日收益率标准化[9][29] 5. **因子名称：正股动量** - 构建思路：利用正股价格趋势预测转债表现[3][9] - 具体构建过程： 正股过去60日收益率[9][29] 6. **因子名称：波动率因子** - 构建思路：衡量转债价格波动风险[3][9] - 具体构建过程： 过去30日收益率年化标准差[9][29] 7. **因子名称：YTM（到期收益率）** - 构建思路：评估转债的债券属性收益[3][9] - 具体构建过程： 假设持有到期且不行权的内部收益率[9][29] 8. **因子名称：隐含波动率** - 构建思路：反映市场对转债波动率的预期[3][9] - 具体构建过程： 通过期权定价模型反推[9][29] 9. **因子名称：相关性因子** - 构建思路：衡量转债与正股的价格联动性[3][9] - 具体构建过程： 过去60日转债与正股收益率的相关系数[9][29] 10. **因子名称：PE_TTM** - 构建思路：正股的估值水平影响转债表现[3][9] - 具体构建过程： 正股滚动市盈率[9][29] --- 因子回测效果 全部可转债中因子表现[29] | 因子名称 | IC均值(近1月) | IR(近1月) | 多头超额收益(近1月) | IC均值(近1年) | IR(近1年) | 多头超额收益(近1年) | |----------------|---------------|-----------|---------------------|---------------|-----------|---------------------| | 转股溢价率 | -0.02 | -0.08 | 4.75% | 0.02 | 0.08 | -5.31% | | 纯债溢价率 | 0.00 | -0.01 | -1.12% | -0.07 | -0.32 | 4.90% | | 双低 | 0.03 | 0.43 | 0.99% | -0.02 | -0.11 | 8.50% | | 动量 | 0.05 | 0.20 | 4.52% | -0.04 | -0.23 | 2.46% | | 正股动量 | 0.03 | 0.12 | 4.13% | -0.03 | -0.19 | 1.27% | | PE_TTM | 0.09 | 0.40 | 1.98% | 0.00 | 0.01 | 3.64% | 偏债型可转债中因子表现[30] | 因子名称 | IC均值(近1月) | IR(近1月) | 多头超额收益(近1月) | |----------------|---------------|-----------|---------------------| | 双低 | 0.07 | 0.89 | 0.72% | | 到期收益率 | 0.07 | 0.50 | 0.22% | | 转股溢价率 | 0.08 | 0.89 | 0.66% | 偏股型可转债中因子表现[31][33] | 因子名称 | IC均值(近1月) | IR(近1月) | 多头超额收益(近1月) | |----------------|---------------|-----------|---------------------| | 纯债溢价率 | 0.14 | 0.60 | 8.65% | | 波动率 | 0.16 | 0.50 | 7.81% | | 动量 | 0.12 | 0.44 | 9.40% | 混合型可转债中因子表现[34] | 因子名称 | IC均值(近1月) | IR(近1月) | 多头超额收益(近1月) | |----------------|---------------|-----------|---------------------| | 相关性 | 0.14 | 0.69 | 1.89% | | 到期收益率 | 0.10 | 1.16 | 1.59% | | 双低 | -0.14 | -1.03 | 0.83% | --- 评价 1. **转股溢价率**：在偏债型转债中表现稳定，但全市场范围内方向性不稳定[29][30] 2. **双低因子**：长期有效性显著，但近期在混合型转债中出现负向IC[29][34] 3. **动量类因子**：短期（1个月）表现优于长期，尤其在偏股型转债中[29][31] 4. **相关性因子**：混合型转债中近期IC最高，显示股性增强时联动性更重要[34] 注：所有因子测试均采用余额加权计算，分组回测覆盖偏债/偏股/混合三类转债[9][29][30][31][33][34]

量化模型与构建方式 1. 模型名称：DeepSeek-V3 模型；模型构建思路：利用大模型的总结能力对分析师行业报告进行智能总结和整合，提炼出核心观点和关键信息[2][7]；模型具体构建过程：从 Wind 数据库获取行业研报，将同一个一级行业内的所有摘要合并，并与提示词拼接后调用 DeepSeek-V3 大模型进行总结[7]；模型评价：该模型能够有效提炼行业研报的核心观点，减少阅读时间和成本[2] 模型的回测效果 1. DeepSeek-V3 模型，总结结果如表 1 至表 4 所示[8][10][12][14] 量化因子与构建方式 1. 因子名称：行业景气度；因子的构建思路：通过大模型对行业研报进行打分，衡量行业的盈利水平和增长潜力[15]；因子具体构建过程：构造提示词，明确景气度和超预期程度的定义，使用 DeepSeek-V3 模型对研报摘要进行分析，返回行业景气度和超预期程度的评分[15][17]；因子评价：该因子能够更细致地反映行业的变化，弥补了传统行业评级缺乏区分度的不足[15] 2. 因子名称：超预期程度；因子的构建思路：衡量行业实际表现与市场预期的差异[15]；因子具体构建过程：与行业景气度因子类似，通过提示词和 DeepSeek-V3 模型返回超预期程度的评分[15][17]；因子评价：该因子能够捕捉行业表现超出预期的部分，提供额外的投资参考[15] 因子的回测效果 1. 行业景气度因子，航空航天行业景气度 9.13，新能源动力系统行业景气度 8.92，通信设备行业景气度 8.88[20] 2. 超预期程度因子，航空航天行业超预期程度 8.13，新能源动力系统行业超预期程度 7.92，通信设备行业超预期程度 7.88[20]

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. **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构建择时策略，通过统计成分股的看多/看空信号数量形成多空剪刀差比率，判断市场趋势[13][15] - **具体构建过程**： 1. 统计指数成分股中每日出现看多形态和看空形态的股票数量 2. 计算多空剪刀差比率： $$多空比率 = \frac{看多股票数量 - 看空股票数量}{成分股总数}$$ 3. 当比率超过阈值时生成看多信号，低于阈值时生成看空信号[15] - **评价**：策略在宽基指数上表现优于基准指数，年化收益最高达45.39%（万德微盘股）[13] 2. **行业形态择时策略模型** - **构建思路**：在中信一级行业层面应用多空剪刀差逻辑，结合行业指数特性优化信号阈值[15] - **具体构建过程**： 1. 对每个行业指数成分股单独统计形态信号 2. 设定特殊处理规则：若无看多/看空信号时数量记为0，两者均为0时比率为0[15] 3. 动态调整行业特异性阈值，历史回测跑赢行业指数比率达100%[15] - **评价**：对周期性行业（如煤炭、基础化工）择时效果显著，最高年化收益34.33%（国防军工）[15] 3. **Heston隐含波动率模型** - **构建思路**：采用Heston随机波动率模型计算近月平值期权隐含波动率，作为市场恐慌指数[7][9] - **具体构建过程**： 1. 基于期权市场价格反推波动率参数 2. 使用以下偏微分方程求解： $$ \frac{\partial V}{\partial t} + \frac{1}{2}vS^2\frac{\partial^2 V}{\partial S^2} + \rho\sigma vS\frac{\partial^2 V}{\partial S \partial v} + \frac{1}{2}\sigma^2v\frac{\partial^2 V}{\partial v^2} + rS\frac{\partial V}{\partial S} - rV = 0 $$ 其中$v$为波动率，$\sigma$为波动率的波动率，$\rho$为相关系数[7] - **评价**：有效反映市场情绪变化，本周上证50波动率上涨3.94%至17.66%[9] 量化因子与构建方式 1. **连续看多信号因子** - **构建思路**：捕捉连续出现4-5个交易日看多形态的股票[19][21] - **具体构建过程**： 1. 定义单日看多形态需满足：收盘价>开盘价、振幅>5%、成交量放大20% 2. 连续信号要求：期间无看空形态中断[21] - **评价**：高频信号因子，本周楚江新材等11只股票出现连续5日信号[21] 2. **特殊K线形态因子** - **构建思路**：识别六种特殊K线形态（金针探底/火箭发射/满江红等）[23][26] - **具体构建过程**： - **满江红形态**： 1. 振幅>5%且下影线长度>80% 2. 出现在20日低位区间 3. 收盘价与开盘价差值<0.5%[26] - **火箭发射形态**： 1. 实体阳线长度>3日均线 2. 成交量突增2倍标准差[26] - **评价**：满江红形态本周在派林生物等股票中表现突出[26] 模型回测效果 | 模型/因子 | 年化收益(%) | 最大回撤(%) | 基准年化收益(%) | IR | |--------------------------|-------------|-------------|------------------|------| | 宽基择时(万德微盘股) | 45.39 | -34.85 | 35.74 | 1.82 [13] | | 行业择时(国防军工) | 34.33 | -45.35 | 4.57 | 1.58 [15] | | 连续看多因子(5日信号) | - | - | - | 2.11 [21] | | 满江红形态因子 | - | - | - | 1.93 [26] | 因子回测效果 1. **多空剪刀差比率因子** - 宽基指数中胜率65.94%（正面信号）[12] - 行业指数中胜率70%+（商贸零售/建材等）[15] 2. **九转金K因子** - 平均持有期收益9%（最大47%）[26] - 到达峰值时间4-78个交易日[26] 注：部分测试结果需通过特定网页查询（xingtai.pro）[26][40]

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**：华鑫市场情绪温度指标 **模型构建思路**：通过多维度市场数据构建情绪指标，用于判断市场过热或过冷状态[5][21] **模型具体构建过程**： - 数据维度：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大类[21] - 计算方法：对过去5年历史数据进行统计回测，综合加权生成0-100分的情绪评分 - 阈值划分： - 过冷（0-19分） - 较冷（20-39分） - 中性（40-59分） - 较热（60-79分） - 过热（80-100分）[21] **模型评价**：适用于震荡市的高抛低吸策略，趋势市中可能出现钝化现象[21] 2. **模型名称**：融资融券净买入模型 **模型构建思路**：通过融资净买入与融券净卖出的差额反映市场多空情绪[21] **模型具体构建过程**： - 计算公式： $$期间净买入额 = 融资净买入 - 融券净卖出$$ - 数据来源：每日个股及行业维度的融资融券交易数据[13][19] 模型的回测效果 1. **华鑫市场情绪温度指标**： - 当前评分：86分（过热区间）[5] - 历史触发点： - 支撑位：情绪值≤30分时市场获支撑[10] - 阻力位：情绪值≥90分时市场遇阻[10] 2. **融资融券净买入模型**： - 非银金融行业：融资净买入84,072万元（最高）[19] - 五粮液个股：融券净卖出1,711.83万元（最高）[14] 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**：通过大单资金流向捕捉主力动向[11][16] **因子具体构建过程**： - 计算方式： $$主力净流入额 = 大单买入金额 - 大单卖出金额$$ - 应用范围：个股（如东方财富单日净流入2.96亿元）及行业（如非银金融行业净流入10.9亿元）[11][16] 2. **因子名称**：行业热度因子 **因子构建思路**：统计主题板块的资金集中度与政策关联度[6] **因子具体构建过程**： - 数据来源：政策文件（如广东省机器人产业政策）+ 产业链标的资金流入[6] - 示例：算力主题关联标的众合科技、首都在线[6] 因子的回测效果 1. **主力资金净流入因子**： - 最佳个股：东方财富（净流入2.96亿元）[11] - 最差个股：常山北明（净流出7,991万元）[13] 2. **行业热度因子**： - 算力主题：2024年占数字经济增量比重约33%[6] - 机器人主题：广东省政策推动产业链集聚发展[6] 注：所有公式与数据均严格引用自原文标注位置，未包含风险提示等非核心内容。