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。

量化模型与构建方式 1. **模型名称：情绪结构指标模型** - **模型构建思路**：通过多个细分指标合成市场情绪结构指标，用于判断市场情绪的变化方向[13] - **模型具体构建过程**：模型采用打分的方式，根据每个分项指标所提示的情绪方向和所处布林轨道位置计算各指标分数，指标分数可分为（-1，0，1）三种情况，最终对各个指标分数等权求和。最终的情绪结构指标为求和后分数的20日均线[14] - **模型评价**：该模型能够在不影响拐点提示的同时适当平滑情绪指标波动，适合用于日频和周频择时[16] 2. **模型名称：均线排列模型** - **模型构建思路**：通过对N条均线的高低进行打分，判断指数的长/短期多空信号[38] - **模型具体构建过程**：通过对N条均线(k = 1~N)根据相邻两根均线(短均线k和长均线k+1)的高低进行打分，若短均线在长均线之上，计1分，否则计0分。最后将所有组合得分值按照0~100标准化之后求平均，得到某一时点指数的长趋势得分。进一步，再计算指数长/短趋势得分的100/20日均线。若某一时点长趋势得分线上穿100/20日均线，得到长/短期看多信号，否则为长/短期看空信号[38] 3. **模型名称：RSI风格择时模型** - **模型构建思路**：通过计算两个风格指数自某一固定基日起的净值相除，得到净值比值序列，计算该序列的RSI指标，判断风格观点[41] - **模型具体构建过程**：对于A和B两个指数作标准化调整后，计算A/B相较前一天上涨或下跌的绝对数，将N日内所有上涨日的平均增值记为Gain（计算时下跌日视为0），N日内所有下跌日的平均减值记为Loss（计算时上涨日视为0），则N日内的RSI = 100 - 100 / (1 + Gain / Loss)。根据20日和60日RSI的相对位置判断风格观点，当20日RSI>60日RSI，则比值的分子端风格占优，否则分母端风格占优[41] 模型的回测效果 1. **情绪结构指标模型** - 15日均线日度策略总收益：8.80%，年化收益：2.16%，年化波动率：12.89%，最大回撤：20.41%，夏普比率：0.17[20] - 15日均线周度策略总收益：21.10%，年化收益：4.98%，年化波动率：13.92%，最大回撤：22.70%，夏普比率：0.36[20] - 20日均线日度策略总收益：13.88%，年化收益：3.35%，年化波动率：12.85%，最大回撤：18.14%，夏普比率：0.26[20] - 20日均线周度策略总收益：4.61%，年化收益：1.15%，年化波动率：13.20%，最大回撤：18.85%，夏普比率：0.09[20] 2. **均线排列模型** - 社会服务行业短期得分：69.49，短期得分上涨幅度：41.38%[39] - 公用事业行业短期得分：35.59，短期得分上涨幅度：40.00%[39] - 美容护理行业短期得分：72.88，短期得分上涨幅度：26.47%[39] 3. **RSI风格择时模型** - 国证成长/国证价值短期观点：成长，5D RSI：57.75，20D RSI：56.61，60D RSI：51.54[43] - 300成长/300价值短期观点：成长，5D RSI：58.47，20D RSI：57.00，60D RSI：52.35[43] - 申万小盘/申万大盘短期观点：小盘，5D RSI：40.58，20D RSI：60.50，60D RSI：53.45[43] 量化因子与构建方式 1. **因子名称：行业交易拥挤度** - **因子构建思路**：通过计算每日排名前五的行业换手率均值除以A股市场换手率，判断市场是否过热[25] - **因子具体构建过程**：行业交易拥挤度的计算方法为每日排名前五的行业换手率均值除以A股市场换手率，数值越高代表当前A股市场的成交集中于排名靠前的这几个行业，越低代表当前A股市场的交易在行业层面并不集中。选择±1.5倍标准差作为上下轨道，指标落入上轨以上区域代表当前市场集中交易水平过高，提示负向信号(-1分)[25] 因子的回测效果 1. **行业交易拥挤度** - 2025年3月10日行业交易拥挤度得分：-1[24] - 2025年3月11日行业交易拥挤度得分：0[24] - 2025年3月12日行业交易拥挤度得分：0[24] - 2025年3月13日行业交易拥挤度得分：0[24] - 2025年3月14日行业交易拥挤度得分：0[24]

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**：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，选择热度变化率最高的宽基进行投资[7][8][12] - **模型具体构建过程**： 1. 计算个股总热度指标：$$ \text{总热度} = (\text{浏览+自选+点击次数})/\text{全市场占比} \times 10000 $$[7] 2. 按宽基分组汇总成分股总热度 3. 计算周度热度变化率并取MA2平滑 4. 每周买入热度变化率MA2最大的宽基，若为"其他"组则空仓[12][14] - **模型评价**：通过捕捉市场情绪异常变化获取超额收益 2. **模型名称**：概念热度组合策略 - **模型构建思路**：利用概念板块的热度变化筛选高关注度中的低热度个股[22][24] - **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 2. 排除概念成分股中流通市值最小的20%股票 3. 构建两个组合： - TOP组合：各概念中总热度排名前10的个股 - BOTTOM组合：各概念中总热度排名后10的个股[22] - **模型评价**：低热度个股组合长期表现优于高热度组合 模型的回测效果 1. **宽基轮动策略** - 年化收益率：8.74% - 最大回撤：23.5% - 2025年收益：10.8%[14] 2. **概念热度BOTTOM组合** - 年化收益率：15.71% - 最大回撤：28.89% - 2025年收益：24%[24] 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**：通过归一化处理市场关注度指标，反映个股/板块的情绪热度[7] - **因子具体构建过程**： $$ \text{总热度}_i = \frac{\sum(\text{浏览}_i+\text{自选}_i+\text{点击}_i)}{\sum_{mkt}(\text{浏览}+\text{自选}+\text{点击})} \times 10000 $$ 其中i代表个股或成分股[7] 2. **因子名称**：热度变化率因子 - **因子构建思路**：捕捉市场关注度的边际变化[9][17] - **因子具体构建过程**： 1. 计算周度热度变化率：$$\Delta H_t = (H_t - H_{t-1})/H_{t-1}$$ 2. 取MA2平滑：$$\Delta H^{MA2}_t = (\Delta H_t + \Delta H_{t-1})/2$$[9] 因子的回测效果 1. **宽基热度变化率因子** - 本周最大值："其他"组 +8.85% - 本周最小值：中证500 -6.15%[14][21] 2. **行业热度变化率因子** - 申万一级行业本周TOP5：煤炭(+54.2%)、社会服务、美容护理、有色金属、纺织服饰 - 申万一级行业本周BOTTOM5：电子、建筑材料、家用电器、钢铁、房地产(-14.7%)[21] 3. **概念热度变化率因子** - 本周TOP5概念：培育钻石(+139.5%)、NMN概念(+128.2%)、共享单车(+118.3%)、CRO概念(+96.3%)、啤酒概念(+93.8%)[22][26]

金融工程| 证券研究报告 —周报 2025 年 3 月 16 日 中银量化大类资产周报 AH 股市场情绪乐观，主动股基发行仍然较弱 股票市场概览 本周 A 股上涨，港股下跌，美股下跌，其他海外权益市场走势分化。 A 股风格与拥挤度 成长 vs 红利：成长风格拥挤度及超额净值持续处于历史低位；红利风 格拥挤度当前仍处于历史较低位置，近期快速下降。 小盘 vs 大盘：小盘风格超额净值及拥挤度持续处于历史低位；大盘风 格近期拥挤度下降至历史较低位置。 微盘股 vs 基金重仓：微盘股拥挤度持续处于历史极高分位，超额净值 近期下跌；基金重仓拥挤度近一年波动剧烈，当前处于历史高位，超额 累计净值处于历史低位。 资金面与动量/反转风格：当前资金总量处于长期下降阶段，反转较动量 长期占优，与经验一致。 A 股行情及成交热度 本周领涨的行业为食品饮料、煤炭、有色金属；领跌的行业为计算 机、电子。本周沪深 300、中证 500、创业板指数成交热度较上周下 降。 A 股估值与股债性价比 机构调研活跃度 当前机构调研活跃度历史分位居前的行业为商贸零售、汽车、非银行金 融，居后的行业为医药、食品饮料、电力设备及新能源。 利率市场 本周 ...

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 模型评价：无 模型的回测效果 1. 无模型回测效果数据 量化因子与构建方式 1. 因子名称：估值因子 因子构建思路：通过市盈率（EP）、市净率（BP）、市销率（SP）等指标构建[10] 因子具体构建过程： - 市盈率（EP）：$$ EP = \frac{股价}{每股收益} $$ - 市净率（BP）：$$ BP = \frac{股价}{每股净资产} $$ - 市销率（SP）：$$ SP = \frac{股价}{每股销售收入} $$ 因子评价：估值因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 2. 因子名称：成长因子 因子构建思路：通过营业收入增长率、净利润增长率、ROE增长率等指标构建[10] 因子具体构建过程： - 营业收入增长率：$$ 营业收入增长率 = \frac{本期营业收入 - 上期营业收入}{上期营业收入} $$ - 净利润增长率：$$ 净利润增长率 = \frac{本期净利润 - 上期净利润}{上期净利润} $$ - ROE增长率：$$ ROE增长率 = \frac{本期ROE - 上期ROE}{上期ROE} $$ 因子评价：成长因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 3. 因子名称：盈利因子 因子构建思路：通过ROE、ROA、毛利率、净利率等指标构建[10] 因子具体构建过程： - ROE：$$ ROE = \frac{净利润}{净资产} $$ - ROA：$$ ROA = \frac{净利润}{总资产} $$ - 毛利率：$$ 毛利率 = \frac{营业收入 - 营业成本}{营业收入} $$ - 净利率：$$ 净利率 = \frac{净利润}{营业收入} $$ 因子评价：盈利因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 4. 因子名称：小市值因子 因子构建思路：通过市值大小构建[10] 因子具体构建过程： - 小市值因子：$$ 小市值因子 = \frac{市值}{总市值中位数} $$ 因子评价：小市值因子在全A股股票池中表现较好[1][2] 5. 因子名称：反转因子 因子构建思路：通过1个月反转、3个月反转、衰减换手率加权3个月反转等指标构建[10] 因子具体构建过程： - 1个月反转：$$ 1个月反转 = \frac{本期收益率 - 上期收益率}{上期收益率} $$ - 3个月反转：$$ 3个月反转 = \frac{本期收益率 - 上期收益率}{上期收益率} $$ - 衰减换手率加权3个月反转：$$ 衰减换手率加权3个月反转 = \frac{本期收益率 - 上期收益率}{上期收益率} \times 换手率衰减系数 $$ 因子评价：反转因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 6. 因子名称：波动率因子 因子构建思路：通过1个月波动率、3个月波动率、FF三因子残差1个月波动率等指标构建[10] 因子具体构建过程： - 1个月波动率：$$ 1个月波动率 = \sqrt{\frac{\sum_{i=1}^{n}(r_i - \bar{r})^2}{n-1}} $$ - 3个月波动率：$$ 3个月波动率 = \sqrt{\frac{\sum_{i=1}^{n}(r_i - \bar{r})^2}{n-1}} $$ - FF三因子残差1个月波动率：$$ FF三因子残差1个月波动率 = \sqrt{\frac{\sum_{i=1}^{n}(r_i - \bar{r})^2}{n-1}} $$ 因子评价：波动率因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 7. 因子名称：换手率因子 因子构建思路：通过1个月日均换手率、3个月日均换手率、近1个月/近2年的日均换手率等指标构建[10] 因子具体构建过程： - 1个月日均换手率：$$ 1个月日均换手率 = \frac{总成交量}{总股本} $$ - 3个月日均换手率：$$ 3个月日均换手率 = \frac{总成交量}{总股本} $$ - 近1个月/近2年的日均换手率：$$ 近1个月/近2年的日均换手率 = \frac{近1个月日均换手率}{近2年日均换手率} $$ 因子评价：换手率因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 8. 因子名称：超预期因子 因子构建思路：通过SUR、SUE等指标构建[10] 因子具体构建过程： - SUR：$$ SUR = \frac{实际收益 - 预期收益}{预期收益} $$ - SUE：$$ SUE = \frac{实际收益 - 预期收益}{预期收益} $$ 因子评价：超预期因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 9. 因子名称：预期估值因子 因子构建思路：通过预期EP_FY1、预期PEG倒数_FY1、预期BP_FY1等指标构建[10] 因子具体构建过程： - 预期EP_FY1：$$ 预期EP_FY1 = \frac{预期股价}{预期每股收益} $$ - 预期PEG倒数_FY1：$$ 预期PEG倒数_FY1 = \frac{预期每股收益增长率}{预期市盈率} $$ - 预期BP_FY1：$$ 预期BP_FY1 = \frac{预期股价}{预期每股净资产} $$ 因子评价：预期估值因子在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 10. 因子名称：预期净利润复合增速FY1 因子构建思路：通过预期净利润复合增速FY1构建[10] 因子具体构建过程： - 预期净利润复合增速FY1：$$ 预期净利润复合增速FY1 = \frac{预期净利润增长率}{预期净利润} $$ 因子评价：预期净利润复合增速FY1在沪深300成分股中表现较好，但在中证500成分股中表现有所回撤[1][2] 因子的回测效果 1. 估值因子，本月以来Rank IC均值3.87%，近一季度Rank IC均值-1.09%，今年以来Rank IC均值-1.09%，2015年以来Rank IC均值4.67%[11] 2. 成长因子，本月以来Rank IC均值10.04%，近一季度Rank IC均值5.08%，今年以来Rank IC均值5.08%，2015年以来Rank IC均值1.04%[11] 3. 盈利因子，本月以来Rank IC均值18.66%，近一季度Rank IC均值10.08%，今年以来Rank IC均值10.08%，2015年以来Rank IC均值1.66%[11] 4. 小市值因子，本月以来Rank IC均值2.31%，近一季度Rank IC均值6.12%，今年以来Rank IC均值6.12%，2015年以来Rank IC均值-1.89%[11] 5. 反转因子，本月以来Rank IC均值12.91%，近一季度Rank IC均值14.03%，今年以来Rank IC均值14.03%，2015年以来Rank IC均值4.26%[11] 6. 波动率因子，本月以来Rank IC均值0.50%，近一季度Rank IC均值3.75%，今年以来Rank IC均值3.75%，2015年以来Rank IC均值5.02%[11] 7. 换手率因子，本月以来Rank IC均值-5.15%，近一季度Rank IC均值2.49%，今年以来Rank IC均值2.49%，2015年以来Rank IC均值4.14%[11] 8. 超预期因子，本月以来Rank IC均值3.62%，近一季度Rank IC均值4.00%，今年以来Rank IC均值4.00%，2015年以来Rank IC均值2.46%[11] 9. 预期估值因子，本月以来Rank IC均值-3.84%，近一季度Rank IC均值-6.96%，今年以来Rank IC均值-6.96%，2015年以来Rank IC均值-0.82%[11] 10. 预期净利润复合增速FY1，本月以来Rank IC均值10.41%，近一季度Rank IC均值6.36%，今年以来Rank IC均值6.36%，2015年以来Rank IC均值-0.21%[11]

量化模型与构建方式 1. **模型名称**：DeepSeek-V3行业研报总结模型 **模型构建思路**：利用大模型的自然语言处理能力，对行业研报摘要进行智能总结，提炼核心观点和关键信息[7] **模型具体构建过程**： - 从Wind数据库获取行业研报，筛选入库时间范围内的报告（如2025年3月10日至16日）[7] - 将同一一级行业的所有摘要合并，与标准化提示词拼接后输入模型[7] - 提示词要求总结不超过200字，需准确反映研报事实、观点和结论，避免风险提示和个人意见[8] - 模型输出结果按行业分类展示（如表1至表4）[9][10][11][12] 2. **模型名称**：DeepSeek-V3行业景气度评分模型 **模型构建思路**：通过大模型量化分析行业研报中的景气度和超预期程度，解决传统行业评级离散化问题[15] **模型具体构建过程**： - 构造标准化提示词，明确要求输出两个JSON格式结果： - 第一个JSON包含研报涉及的一级/二级行业名称[17] - 第二个JSON包含对应行业的景气度（1-10分）和超预期程度评分（1-10分）[17] - 定义评分标准： - **景气度**：行业盈利水平及增长潜力[17] - **超预期程度**：实际表现与市场预期的差异[17] - 模型输入为研报摘要与提示词拼接文本，输出结构化评分数据（如图2示例）[17] --- 量化因子与构建方式 1. **因子名称**：行业景气度因子 **因子构建思路**：基于大模型对研报文本的解读，生成连续型行业景气度评分[15][17] **因子具体构建过程**： - 从研报摘要提取行业名称（中信一级/二级分类）[17] - 通过提示词定义评分规则，要求模型输出1-10分的景气度数值[17] - 计算公式： $$ \text{行业景气度} = \frac{\sum_{i=1}^{n} \text{单篇研报评分}_i}{n} $$ 其中$n$为覆盖该行业的研报数量[19] 2. **因子名称**：行业超预期程度因子 **因子构建思路**：量化行业实际表现与市场预期的偏离程度[15][17] **因子具体构建过程**： - 模型根据文本分析判断行业是否超预期，输出1-10分评分[17] - 计算行业均值： $$ \text{超预期程度} = \frac{\sum_{i=1}^{n} \text{单篇研报超预期评分}_i}{n} $$ 同步计算周环比变化值[19] --- 模型的回测效果 1. **DeepSeek-V3行业研报总结模型**： - 覆盖751篇初始报告，经筛选后处理682篇有效样本[19] - 输出结果按中信二级行业分类展示（如石油石化、煤炭等）[9][10][11][12] 2. **DeepSeek-V3行业景气度评分模型**： - 生成标准化JSON格式输出，包含行业名称与评分[17] - 支持跨证券公司行业分类不一致问题的解决方案[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最高（9.13分），渔业最低（6.00分）[20][21] - 周变化显示通信设备行业景气度提升最显著（+0.72）[20] 2. **行业超预期程度因子**： - 航空航天超预期程度8.13分，通信设备7.88分[20] - 互联网媒体行业超预期周变化最大（+0.61）[20] （注：表5和表6完整数据见文档[20][21]，包含44个中信二级行业的因子取值及周变化）

量化模型与构建方式 1. 模型名称：DCC模型 - 模型构建思路：用于捕捉多资产收益相关性的动态变化，解决传统滚动窗口相关性(RWC)方法滞后性强、易受异常值干扰的问题[3][4] - 模型具体构建过程： 1) 使用AR(1)模型分别拟合资产收益序列： $$r_{i,t}=\gamma_{i}+\varphi_{i}r_{i,t-1}+\varepsilon_{i,t}$$[25] 2) 使用GARCH(1,1)模型估计条件方差： $$\sigma_{i,t}^{2}=\omega_{i}+\alpha_{i}\varepsilon_{i,t-1}^{2}+\beta_{i}\sigma_{i,t-1}^{2}$$[26] 3) 计算动态条件相关性矩阵： $$R_{t}=\bar{R}+a\big(z_{t-1}z_{t-1}^{T}-\bar{R}\big)+b(R_{t-1}-\bar{R})$$[58] 其中$z_{t}$为标准化残差向量，$\bar{R}$为无条件相关性矩阵 - 模型评价：能有效降低估计噪音，提供更平滑的相关性趋势，且具有预测能力[4][27] 2. 模型名称：风险平价策略 - 模型构建思路：通过优化算法使各类资产对组合波动的贡献相同，实现风险分散[72] - 模型具体构建过程： 1) 计算组合波动率： $$\sigma={\sqrt{w^{\prime}\Sigma w}}$$[74] 2) 计算单个资产波动贡献： $$\sigma_{i}={\frac{w_{i}(\Sigma w)_{i}}{\sqrt{w^{\prime}\Sigma w}}}$$[75] 3) 优化目标函数： $$\operatorname*{min}\{\sum_{i=1}^{N}(\sigma_{i}-{\frac{\sigma}{N}})^{2}\}$$[76] 或 $$\begin{array}{l}{{\operatorname*{min}\left\{s t d(\sigma_{i})\right\}}}\\ {{s.t.\ w^{\prime}{\bf1}=1}}\end{array}$$[77] 3. 模型名称：PCA+风险平价策略 - 模型构建思路：通过主成分分析提取宏观因子，在正交空间实施风险平价配置[84] - 模型具体构建过程： 1) 对资产收益序列进行PCA转换，提取前三个主成分(PC1-PC3)[84] 2) 计算主成分收益序列并构建协方差矩阵[89] 3) 在PCA因子空间实施风险平价优化[89] 模型的回测效果 1. DCC模型优化策略 - 风险平价指数组合：年化收益7.11%，年化波动3.34%，夏普比率2.13，最大回撤4.49%[80] - 风险平价ETF组合：年化收益7.40%，年化波动3.80%，夏普比率1.94，最大回撤4.20%[82] - PCA+风险平价指数组合：年化收益8.21%，年化波动7.56%，夏普比率1.09，最大回撤11.88%[90] - PCA+风险平价ETF组合：年化收益9.78%，年化波动9.18%，夏普比率1.07，最大回撤12.01%[93] 2. 基准策略 - 原始风险平价指数组合：年化收益7.62%，年化波动4.04%，夏普比率1.89，最大回撤6.45%[80] - 原始风险平价ETF组合：年化收益7.61%，年化波动4.57%，夏普比率1.66，最大回撤6.79%[82] - 原始PCA+风险平价指数组合：年化收益7.27%，年化波动7.64%，夏普比率0.95，最大回撤13.21%[90] 量化因子与构建方式 1. 因子名称：股债相关性因子 - 因子构建思路：通过DCC模型动态捕捉股票与债券收益的相关性变化[24] - 因子具体构建过程： 1) 使用中证全指和中债综合财富指数分别代表股债资产[21] 2) 应用DCC(1,1)模型三阶段估计流程[25][26][27] 3) 输出动态条件相关系数DCC_CORR序列[27] 2. 因子名称：宏观驱动因子 - 因子构建思路：基于经济增长和通胀指标解释股债相关性变动[41] - 因子具体构建过程： 1) 使用PMI作为经济增长指标，CPI作为通胀指标[46] 2) 计算宏观指标滚动波动与相关性作为解释变量[46] 3) 建立回归模型： $$r_{t}^{5}-E_{t-1}r_{t}^{5}=b_{g}^{5}e_{t}^{5}+b_{x}^{5}e_{t}^{7}$$[44] $$r_{t}^{b}-E_{t-1}r_{t}^{b}=b_{g}^{b}e_{t}^{g}+b_{n}^{b}e_{t}^{n}$$[44] 因子的回测效果 1. 股债相关性因子 - 全区间拟合参数：股票GARCH参数α=0.0601，β=0.9297；债券GARCH参数α=0.2000，β=0.7000[30] - 相关性持续性参数：a=0.0166，b=0.9834[30] - 预测效果：短期预测值与RWC相关性达0.802(21日窗口)，长期预测均值相关性保持0.7以上[38] 2. 宏观驱动因子 - 经济增长波动系数显著为负(-0.10)，通胀波动系数不显著[50] - 经济增长与通胀相关性系数显著为负(-0.18)[50] - 模型解释力：对126日RWC的解释度达26.8%，对DCC_CORR解释度达30.1%[50]

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进行市场择时，判断市场趋势并给出仓位建议[7] **模型具体构建过程**： - 流动性：监控市场流动性变化，判断其趋势 - 分歧度：衡量市场参与者之间的分歧程度，判断市场情绪 - 景气度：评估市场整体景气状态，判断市场基本面 根据这三个维度的综合表现，给出半仓的建议[7] **模型评价**：该框架能够有效捕捉市场趋势变化，尤其在关键阻力线测试时表现突出[7] 2. **模型名称**：资金流共振策略 **模型构建思路**：通过监控两融资金与大单资金的共振情绪，选择两类资金都看好的行业[19] **模型具体构建过程**： - 两融资金流：计算融资净买入与融券净卖出的差值，取最近50日均值后的两周环比变化率 - 大单资金流：计算行业最近一年成交量时序中性化后的净流入排序，取最近10日均值 通过剔除大金融板块和极端多头行业，提高策略稳定性[23] **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[23] 模型的回测效果 1. **三维择时框架**，半仓建议[7] 2. **资金流共振策略**，年化超额收益13.5%，信息比率1.7[23] 量化因子与构建方式 1. **因子名称**：盈利因子 **因子构建思路**：通过经营现金流、营业利润和净利润等指标衡量企业的盈利能力[29] **因子具体构建过程**： - 经营现金流因子：$$(经营现金流净额_{ttm} - 过去八个季度的经营现金流净额_{ttm}均值) / 过去八个季度的经营现金流净额_{ttm}标准差$$ - 营业利润因子：$$营业利润_{TTM} / 销售费用_{TTM}$$ - 净利润因子：$$(净利润同比 - 过去八个季度的净利润同比均值) / 过去八个季度的净利润同比标准差$$[29] **因子评价**：盈利因子在不同市值下表现较好，尤其在大市值股票中超额收益更高[29] 2. **因子名称**：波动率因子 **因子构建思路**：通过成交量、价格波动等指标衡量股票的波动性[29] **因子具体构建过程**： - 成交量波动因子：$$volume\_std\_1m\_div\_12m$$ - 价格波动因子：$$duvol = 60日上行波动率 / 下行波动率$$[29] **因子评价**：波动率因子在近期表现较好，尤其在成交量波动较大的股票中超额收益显著[29] 因子的回测效果 1. **盈利因子**，沪深300多头超额2.92%，中证500多头超额0.53%，中证1000多头超额-0.14%，国证2000多头超额-0.07%[34] 2. **波动率因子**，沪深300多头超额1.86%，中证500多头超额3.58%，中证1000多头超额25.48%，国证2000多头超额8.98%[34]