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：短期量化择时模型** - **构建思路**：基于基本面、估值面、情绪面、流动性四个维度的指标信号进行综合判断[13][14][15] - **具体构建过程**： 1. **基本面指标**： - 制造业PMI分位数（35.59%分位数时触发谨慎信号） - 中长期贷款余额同比增速（0%分位数时触发谨慎信号） - M1同比增速（HP滤波后77.97%分位数时触发乐观信号） 2. **估值面指标**： - A股整体PE分位数（85.11%分位数时触发中性信号） - A股整体PB分位数（35.40%分位数时触发乐观信号） 3. **情绪面指标**： - Beta离散度（52.54%分位数时触发中性信号） - 量能情绪得分（40.45%分位数时触发谨慎信号） - 波动率（4.55%分位数时触发中性信号） 4. **流动性指标**： - 货币利率指标（33.90%分位数时触发乐观信号） - 汇率预期指标（20.34%分位数时触发乐观信号） - 融资额分位数（54.01%分位数时触发中性信号） - **模型评价**：多维度综合判断，历史表现稳健，年化超额收益显著[15][20] 2. **模型名称：成长价值轮动模型** - **构建思路**：结合盈利周期、利率周期、信贷周期、估值差、换手差等指标判断风格偏好[27][28] - **具体构建过程**： 1. **基本面信号**： - 盈利周期斜率（12.5分位数时利好成长） - 利率周期水平（0分位数时利好价值） - 信贷周期变化（-4.17分位数时利好价值） 2. **估值面信号**： - 成长价值PE差分位数（14.54%分位数时利好成长） - PB差分位数（30.19%分位数时利好成长） 3. **情绪面信号**： - 换手差分位数（4.71%分位数时利好价值） - 波动差分位数（35.20%分位数时均衡配置） - **模型评价**：长期超额收益稳定，但近期受市场环境影响信号分化[28][29] 3. **模型名称：小盘大盘轮动模型** - **构建思路**：类似成长价值模型，但指标调整为小盘大盘差异[32][33] - **具体构建过程**： 1. **基本面信号**：盈利斜率（12.5分位数利好小盘）、利率周期（0分位数利好大盘）、信贷周期（-4.17分位数利好大盘） 2. **估值面信号**：小盘大盘PE差分位数（71.08%分位数利好大盘）、PB差分位数（98.53%分位数利好大盘） 3. **情绪面信号**：换手差分位数（39.06%分位数利好大盘）、波动差分位数（87.23%分位数利好大盘） - **模型评价**：历史年化超额收益5.43%，但近期表现波动较大[33][34] 4. **模型名称：四风格轮动模型** - **构建思路**：整合成长价值和小盘大盘模型的输出，生成四风格配置比例[37][38] - **具体构建过程**： - 当前推荐配置：小盘成长12.5%、小盘价值37.5%、大盘成长12.5%、大盘价值37.5% - **模型评价**：长期年化超额收益5.94%，配置分散化效果显著[38] --- 模型的回测效果 1. **短期量化择时模型** - 年化收益率：16.10%（基准4.07%）[20] - 最大回撤：27.70%（基准31.41%）[20] - 夏普比率：0.9529（基准0.2288）[20] 2. **成长价值轮动模型** - 年化收益率：11.39%（基准6.47%）[29] - 最大回撤：43.07%（基准44.13%）[29] 3. **小盘大盘轮动模型** - 年化收益率：11.92%（基准6.49%）[34] - 最大回撤：50.65%（基准53.70%）[34] 4. **四风格轮动模型** - 年化收益率：12.89%（基准6.95%）[38] - 最大回撤：47.91%（基准49.07%）[38] --- 量化因子与构建方式 （注：研报中未明确提及独立因子构建，仅模型内嵌指标，故跳过此部分） --- 因子的回测效果 （注：无相关内容）

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的趋势变化进行市场择时判断[7] - **模型具体构建过程**： 1. **流动性指数**：监测市场资金面变化，上行趋势代表资金宽松[22] 2. **分歧度指数**：衡量市场观点分化程度，下行趋势代表共识增强[20] 3. **景气度指数**：跟踪工业与金融等板块基本面，上行趋势反映经济向好[26][28] 4. 综合三维指标状态（当前均为正向）得出满仓结论[7] - **模型评价**：历史表现稳定，能有效捕捉市场趋势转折点[16] 2. **模型名称**：资金流共振策略 - **模型构建思路**：结合融资融券与大单资金流的多维度信号筛选行业[34][40] - **模型具体构建过程**： 1. **两融资金因子**： $$ \text{Factor}_{\text{两融}} = \text{市值中性化}(\text{融资净买入} - \text{融券净买入})_{50\text{日均}} \text{的两周环比} $$ 剔除Barra市值因子影响后标准化[40] 2. **大单资金因子**： $$ \text{Factor}_{\text{大单}} = \text{成交量时序中性化}(\text{净流入分位数})_{10\text{日均}} $$ 剔除极端多头行业[40] 3. 策略组合：在大单因子头部行业中剔除两融因子负向信号行业[40] - **模型评价**：2018年以来年化超额收益13.5%，IR达1.7，回撤控制优于北向资金版本[40][45] 模型的回测效果 1. **三维择时框架**： - 历史年化超额收益16.8%（2018-2025）[36] - 当前状态：流动性↑/分歧度↓/景气度↑/ERP极值[7] 2. **资金流共振策略**： - 年化超额收益13.5%，IR=1.7[40] - 上周绝对收益-1.6%，超额-0.1%（行业等权基准）[40] 量化因子与构建方式 1. **因子名称**：估值类因子群 - **构建思路**：捕捉低估值股票的定价偏差[47] - **具体构建**： - 市盈率倒数（FY1-FY3）：$$ \text{ep\_fy} = 1/\text{预测市盈率} $$[48] - BP因子：$$ \text{bp} = \text{股东权益}/\text{总市值} $$[48] 2. **因子名称**：成长类因子群 - **构建思路**：识别盈利增长持续性[47] - **具体构建**： - 净利润增速：$$ \text{yoy\_np} = (\text{净利润}_t - \text{净利润}_{t-1})/|\text{净利润}_{t-1}| $$[50] - ROE变化：$$ \text{roe\_q\_delta} = \text{ROE}_q - \text{ROE}_{q-4} $$[50] 3. **因子名称**：资金流因子 - **构建思路**：反映主力资金动向[34] - **具体构建**： - 大单净流入分位数：$$ \text{rank}(\text{主动买单量}/\text{总成交量}) $$[43] 因子的回测效果 1. **估值因子**： - 近一周多头超额：ep_fy3（2.18%）、bp（1.88%）[48] - 近一月超额：ep_fy3（3.85%）[48] 2. **成长因子**： - 跨市值表现：peg因子在沪深300超额3.89%，中证1000超额3.07%[50] - 单季度ROE变化因子全市场超额2.4%[50] 3. **资金流因子**： - 交通运输行业大单净流入分位69%，两融分位83%[43] 量化组合表现 1. **沪深300增强组合**： - 本年超额收益4.42%，年化IR=7.77%[52] - 持仓龙头：晶科能源、浪潮信息、药明康德[62] 2. **中证500增强组合**： - 本年超额3.38%，上周超额0.40%[52] - 持仓成长股：新易盛、桐昆股份[62] 3. **中证1000增强组合**： - 本年超额4.99%，年化IR=9.26%[52] - 持仓中小盘：利安隆、万孚生物[62]

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：知情交易者活跃度指标** - **构建思路**：通过监测市场微观结构中的知情交易行为，判断市场情绪和未来走势[16] - **具体构建过程**： 1. 基于高频订单流数据识别知情交易者的异常交易行为 2. 计算标准化后的净主动买入量作为活跃度代理变量 3. 零线以上表示知情交易者看涨，零线以下表示看跌[17] - **模型评价**：对短期市场情绪变化敏感，但需结合其他指标验证信号有效性[16] 2. **模型名称：价格分段体系** - **构建思路**：通过多时间维度价格趋势分解，识别不同周期下的市场状态[15] - **具体构建过程**： 1. 对上证综指日线和周线价格序列分别进行平滑处理 2. 计算差异指数（dea）衡量趋势偏离程度 3. 日线与周线重合时确认趋势共振信号[19] 量化因子与构建方式 1. **因子名称：分析师景气预期因子** - **构建思路**：利用分析师一致预测变化捕捉行业景气度边际改善[20] - **具体构建过程**： 1. 计算申万一级行业未来12个月ROE环比变化 2. 同步计算净利润增速FTTM环比变化 3. 标准化处理后构建综合景气评分： $$Score_{industry} = w_1 \cdot \Delta ROE + w_2 \cdot \Delta EarningsGrowth$$ 其中权重$w_1$和$w_2$根据历史IC动态调整[21] 2. **因子名称：融资融券资金流向因子** - **构建思路**：监测杠杆资金行业配置变化捕捉资金驱动行情[22] - **具体构建过程**： 1. 计算行业维度融资净买入与融券净卖出的差额 2. 按流通市值标准化净流入金额 3. 构建20日移动平均线过滤噪声[24] 3. **因子名称：BARRA风格因子** - **构建思路**：基于经典风险模型拆解市场风格收益来源[25] - **具体构建过程**： 1. 估值因子（EP）：每股收益/价格 2. 动量因子：过去20日收益率 3. 市值因子：ln(总市值) 4. 波动率因子：过去60日收益标准差[26] 模型回测效果 1. **知情交易者活跃度模型** - 2025年6月周频信号准确率：68%[17] - 最大回撤：-0.0030（2025/1/30）[17] 2. **价格分段体系** - 日线级别趋势捕捉成功率：72%[19] - 周线级别趋势延迟：平均2.3个交易日[19] 因子回测效果 1. **分析师景气预期因子** - 行业轮动组合年化超额：15.6%[21] - IC均值：0.32（2025年H1）[21] 2. **融资融券资金流向因子** - 多空组合夏普比率：1.8[24] - 月度胜率：63%[24] 3. **BARRA风格因子** - 估值因子IR：0.85[26] - 动量因子20日衰减率：-0.12[26]

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：基于流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，划分为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[1][6] - **模型具体构建过程**： 1. **流动性维度**：包含货币方向、货币强度、信用方向、信用强度4个指标，通过政策利率与市场利率偏离度（货币强度因子=DR007/7天逆回购利率-1）、中长期贷款同比（信用方向因子）等计算[12][15][17][20] 2. **经济面维度**：基于PMI同比（增长方向因子）、CPI/PPI预期差（通胀强度因子）等构建[23][26][30][31] 3. **估值面维度**：席勒ERP=1/席勒PE-10年期国债收益率（6年通胀调整盈利均值），PB和AIAE（权益配置比例=流通市值/(流通市值+实体总债务)）的3年zscore标准化[35][37][41] 4. **资金面维度**：两融增量（120日vs240日均值）、成交额趋势（对数成交额ma120/ma240-1）、外资CDS利差20日差分[45][48][51][54] 5. **技术面维度**：价格趋势（ma120/ma240-1）、新高新低数（成分股年新高-新低的20日均）[58][61] 6. **拥挤度维度**：期权隐含升贴水分位数、VIX分位数、SKEW分位数、可转债定价偏离度（模型定价偏差的3年zscore）[64][65][70][72] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **构建思路**：反映货币政策宽松/收紧方向[12] - **具体构建**：央行政策利率与短端市场利率的90天平均变化方向，>0为宽松信号[12] 2. **因子名称**：货币强度因子 - **构建思路**：量化短端利率偏离政策利率的程度[15] - **具体构建**：偏离度=DR007/7天逆回购利率-1，平滑后zscore，阈值±1.5倍标准差触发120日信号[15] 3. **因子名称**：信用方向因子 - **构建思路**：捕捉中长期贷款趋势[17] - **具体构建**：中长期贷款过去12个月增量的同比，与3个月前比较判断方向[17] 4. **因子名称**：增长方向因子 - **构建思路**：跟踪PMI趋势[23] - **具体构建**：中采与财新PMI的12月均值同比，与3个月前比较[23] 5. **因子名称**：席勒ERP - **构建思路**：剔除盈利周期干扰的估值指标[35] - **具体构建**：$$席勒ERP=\frac{1}{席勒PE}-10年期国债收益率$$，席勒PE为6年通胀调整盈利均值[35] 6. **因子名称**：可转债定价偏离度 - **构建思路**：衡量转债市场情绪[72] - **具体构建**：偏离度=转债价格/模型定价-1，反向zscore标准化[72] 模型回测效果 1. **择时雷达六面图**： - 综合打分0.07（中性）[6] - 细分维度得分：流动性0.00、经济面0.00、估值面0.09、资金面0.00、技术面-0.50、拥挤度0.48[8][10] 因子回测效果 1. **货币方向因子**：当前分数1.00（看多）[10][12] 2. **货币强度因子**：当前分数-1.00（看空）[10][15] 3. **席勒ERP**：当前分数0.30（较上周下降0.08）[10][39] 4. **期权SKEW**：当前分数1.00（看多）[10][70] （注：其他因子当前分数详见文档[10]表格）

根据提供的量化研报内容，以下是总结的量化模型、因子及相关内容： 量化模型与构建方式 1. **中证500增强组合** - 模型构建思路：通过多因子选股模型构建指数增强组合，旨在跑赢中证500指数[64] - 模型具体构建过程： 1. 基于BARRA风格因子框架，筛选市值、Beta、盈利等十大类风格因子暴露显著的个股[75] 2. 结合行业因子（如银行、电子）的超额收益动态调整权重[76] 3. 组合持仓分散化，单只个股权重不超过5%（如长江证券4.64%）[68] - 模型评价：兼顾风格因子稳定性和行业轮动捕捉能力 2. **沪深300增强组合** - 模型构建思路：类似中证500增强模型，但针对沪深300成分股优化因子暴露[70] - 模型具体构建过程： 1. 采用相同的十大类风格因子（市值/Beta/盈利等）[75] 2. 侧重高Beta、高盈利因子暴露（如中远海控6.85%权重）[74] 3. 控制组合回撤（最大回撤-5.86%）[70] 模型的回测效果 1. **中证500增强组合** - 本周超额收益：0.06%[64] - 2020年至今累计超额：43.59%[64] - 最大回撤：-4.99%[64] 2. **沪深300增强组合** - 本周超额收益：0.48%[70] - 2020年至今累计超额：29.27%[70] - 最大回撤：-5.86%[70] 量化因子与构建方式 1. **BARRA风格因子体系** - 因子名称：市值(SIZE)/Beta/动量(MOM)/残差波动率(RESVOL)/盈利(EARNINGS_YIELD)等十大类[75] - 因子构建思路：通过横截面回归剥离行业影响，提取纯因子收益[75] - 因子具体构建过程： 1. 市值因子：$$ \text{SIZE} = \ln(\text{总市值}) $$[75] 2. Beta因子：通过过去252交易日个股对市场指数的回归系数计算[75] 3. 盈利因子：$$ \text{EARNINGS\_YIELD} = \frac{\text{归母净利润}}{\text{总市值}} $$[75] 2. **行业因子** - 因子构建思路：捕捉行业轮动效应（如银行/电子行业超额）[76] - 因子具体构建过程： 1. 按申万一级行业分类 2. 计算行业组合相对市值加权市场的超额收益[76] 因子的回测效果 1. **近期因子表现** - Beta因子：本周超额收益最高[76] - 动量因子：显著负超额[76] - 盈利因子：持续正向收益[76] 2. **因子相关性** - 流动性与残差波动率相关性：0.641[77] - 价值与Beta负相关性：-0.371[77] 注：报告中未提供因子IR等具体指标值，仅展示定性分析结论[75][76][77]

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**：基于上市公司分红预案、历史分红率及盈利预测，预测指数成分股分红对股指期货合约的影响[9][18][21] - **模型具体构建过程**： 1. **预估净利润**：优先采用年报、快报、预警或分析师预测数据[21][26] 2. **计算税前分红总额**： - 已公布预案的直接采用 - 未公布的按历史分红率推算（若净利润为正）[26] 3. **计算指数影响**： - 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： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\left(\mathrm{\scriptsize{\normalsize1+R\mathrm{\scriptsize{\normalsize1}}}\right)}}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\left(\mathrm{\scriptsize{\normalsize1+R\mathrm{\scriptsize{\normalsize1}}}\right)}}}}}}$$ [23] 4. **预测合约影响值**： - 除权除息日参考历史时间差中位数[27][28] - 累加交割日前所有分红点数[28] - **模型评价**：依赖历史分红率假设，市场突变时预测可能偏差[17][29] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和利率影响[30][31] - **模型具体构建过程**： 1. **离散红利定价公式**： $$\mathbf{D}=\sum_{\mathrm{i=1}}^{\mathrm{m}}\mathbf{D}_{\mathrm{i}}\,/(1+\phi)$$ $$\mathrm{F_t=(S_t-D)(1+r)}$$ [30] 2. **连续红利定价公式**： $$\mathrm{F_t=S_t e^{(r-d)(T-t)}}$$ [31] --- 量化因子与构建方式 1. **因子名称：含分红价差因子** - **因子构建思路**：衡量实际价差与分红调整后价差的差异[10][11][12][13] - **因子具体构建过程**： - 实际价差 = 期货收盘价 - 现货价格 - 含分红价差 = 实际价差 + 分红点数[10] 2. **因子名称：年化对冲成本因子** - **因子构建思路**：反映持有期货至到期的成本/收益[10][14] - **因子具体构建过程**： - 年化对冲成本 = (含分红价差 / 现货价格) × (365 / 剩余天数)[10] --- 模型的回测效果 1. **分红预测模型**： - 上证50 7月合约分红点数预测：40.84点[10] - 沪深300 7月合约分红点数预测：38.26点[10] - 中证500 7月合约分红点数预测：19.23点[10] - 中证1000 7月合约分红点数预测：17.88点[10] 2. **股指期货定价模型**： - 理论定价与实际价差对比（见各合约实际价差列）[10][11][12][13] --- 因子的回测效果 1. **含分红价差因子**： - IH2507：3.92点[10] - IF2507：-3.99点[10] - IC2507：-31.88点[10] - IM2507：-46.91点[10] 2. **年化对冲成本因子**： - IH2507：-1.91%（365天）[10] - IF2507：1.35%（365天）[10] - IC2507：7.37%（365天）[10] - IM2507：10.19%（365天）[10]

量化模型与构建方式 1. **模型名称**：DFQ-2020风险因子模型 - **模型构建思路**：基于多因子风险模型框架，通过控制行业暴露、风格暴露等约束条件构建最大化单因子暴露组合（MFE组合）[16][56] - **模型具体构建过程**： - 目标函数：最大化单因子暴露 $$max\ f^{T}w$$ - 约束条件： 1. 风格因子偏离约束 $$s_{l}\leq X(w-w_{b})\leq s_{h}$$ 2. 行业偏离约束 $$h_{l}\leq H(w-w_{b})\leq h_{h}$$ 3. 个股权重偏离约束 $$w_{l}\leq w-w_{b}\leq w_{h}$$ 4. 成分股权重占比约束 $$b_{l}\leq B_{b}w\leq b_{h}$$ 5. 换手率约束 $$\Sigma|w-w_{0}|\leq to_{h}$$[56][59] - **模型评价**：通过线性规划高效求解，适用于沪深300、中证500等指数的增强组合构建[56][60] 量化因子与构建方式 1. **因子名称**：Trend风格因子 - **因子构建思路**：捕捉股票价格趋势延续性，通过指数加权移动平均（EWMA）比率计算[14] - **因子具体构建过程**： - Trend_120：$$EWMA(halflife=20)/EWMA(halflife=120)$$ - Trend_240：$$EWMA(halflife=20)/EWMA(halflife=240)$$[14] - **因子评价**：在震荡市场中表现突出，反映市场对趋势延续性资产的偏好[11][8] 2. **因子名称**：UMR动量因子（风险调整后） - **因子构建思路**：基于不同时间窗口（1/3/6/12个月）的收益风险调整动量[19] - **因子具体构建过程**： - 一个月UMR：过去20个交易日风险调整收益 - 三个月UMR：过去60个交易日风险调整收益 - 六个月UMR：过去120个交易日风险调整收益[19] - **因子评价**：在中证全指和中证500样本中表现优异，但动量类因子近期普遍承压[8][25] 3. **因子名称**：估值类因子（EPTTM、BP） - **因子构建思路**：衡量盈利与市值比率（EPTTM）或账面市值比（BP）[19] - **因子具体构建过程**： - EPTTM：$$归母净利润TTM/总市值$$ - BP：$$净资产/总市值$$[19] - **因子评价**：在沪深300样本中近期表现强劲，反映市场对低估值的关注[21][24] 4. **因子名称**：波动率因子（Stdvol、Ivff） - **因子构建思路**：衡量股票历史波动率[14] - **因子具体构建过程**： - Stdvol：过去243天的标准差波动率 - Ivff：过去243天的Fama-French三因子特质波动率[14] - **因子评价**：近期表现疲软，反映市场对高波动资产的规避[12][13] --- 模型的回测效果 1. **DFQ-2020风险因子模型**： - Trend风格近一周多空收益2.92%，近一年年化14.11%[13] - Volatility风格近一周收益-1.98%，历史年化-13.23%[13] --- 因子的回测效果 1. **六个月UMR因子**： - 中证全指：近一周收益1.23%，近一年年化7.43%[44] - 中证500：近一周收益0.99%，近一年年化-4.07%[26] 2. **单季EP因子**： - 沪深300：近一周收益1.02%，历史年化5.59%[22] - 中证800：近一周收益1.40%，历史年化7.77%[30] 3. **三个月反转因子**： - 国证2000：近一周收益2.78%，近一年年化10.61%[36] - 创业板指：近一周收益2.52%，历史年化1.54%[39] 4. **BP因子**： - 中证全指：近一周收益0.69%，历史年化4.65%[44] - 沪深300：近一周收益0.44%，历史年化2.93%[22] 5. **分析师认可度因子**： - 沪深300：近一周收益0.81%，历史年化3.46%[22] - 中证1000：近一周收益-0.35%，历史年化7.55%[33] 6. **非流动性冲击因子**： - 国证2000：近一周收益1.42%，近一年年化14.67%[36] - 中证全指：近一周收益-0.14%，历史年化0.18%[44] --- 附录：MFE组合构建细节 - **行业约束**：控制中信一级行业暴露为0[60] - **市值约束**：控制市值风格因子暴露为0[60] - **个股权重偏离**：最大偏离基准权重1%[60]

量化模型与构建方式 1. **模型名称**：均线距离择时模型 - **模型构建思路**：通过比较Wind全A指数的短期均线（20日）与长期均线（120日）的距离，判断市场处于趋势或震荡格局[1][9] - **模型具体构建过程**： 1. 计算Wind全A指数的20日均线（短期）和120日均线（长期） 2. 计算两均线的距离差值百分比： $$ \text{均线距离} = \frac{\text{20日均线值} - \text{120日均线值}}{\text{120日均线值}} \times 100\% $$ 3. 根据距离绝对值划分市场状态： - 若距离绝对值≥3%，判定为趋势行情 - 若距离绝对值<3%，判定为震荡行情[9] - **模型评价**：简单直观，但依赖均线参数的设定，对突发事件的适应性较弱 2. **模型名称**：TWO BETA行业配置模型 - **模型构建思路**：通过双因子（市场Beta和行业Beta）筛选具有超额收益潜力的行业板块[2][10] - **模型具体构建过程**： 1. 计算各行业相对于市场整体的Beta值（市场Beta） 2. 计算行业内部个股的Beta离散度（行业Beta） 3. 综合两类Beta筛选高弹性行业（如科技、军工、港股汽车）[10] 3. **模型名称**：仓位管理模型 - **模型构建思路**：结合估值分位数（PE/PB）和市场趋势动态调整绝对收益产品的股票仓位[2][8] - **模型具体构建过程**： 1. 计算Wind全A的PE/PB历史分位数（PE位于60分位，PB位于20分位） 2. 根据分位数区间和趋势信号（如均线距离）输出仓位建议（当前建议50%）[8] --- 量化因子与构建方式 1. **因子名称**：估值分位数因子 - **因子构建思路**：通过PE/PB的历史分位数判断市场估值水平[7][11] - **因子具体构建过程**： 1. 计算Wind全A的PE/PB在过去10年（2014-2025）的历史分位数 2. 标准化分位数至0-100%区间（PE当前60分位，PB当前20分位）[11] - **因子评价**：长期有效，但需结合趋势信号避免估值陷阱 2. **因子名称**：成交量极端状态因子 - **因子构建思路**：通过成交金额的极端值捕捉市场止跌信号[8][10] - **因子具体构建过程**： 1. 监测Wind全A的日成交金额（当前阈值设为9000亿） 2. 当成交金额回落至阈值附近时触发止跌信号[10] --- 模型的回测效果 1. **均线距离择时模型** - 当前均线距离：1.09%（20日均线5130，120日均线5075）[9] - 市场状态判定：震荡格局（距离绝对值<3%）[9] 2. **TWO BETA模型** - 推荐行业：科技、军工、港股汽车[10] 3. **仓位管理模型** - 当前仓位建议：50%（基于PE60分位/PB20分位）[8] --- 因子的回测效果 1. **估值分位数因子** - Wind全A PE分位数：60% - Wind全A PB分位数：20%[11] 2. **成交量极端状态因子** - 当前成交金额阈值：9000亿（未触发）[10]

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **主动权益基金仓位测算模型** - 模型构建思路：通过持股市值加权计算主动权益型基金的平均仓位，反映市场整体风险偏好[23] - 具体构建过程： - 筛选标准：成立期满两个季度、规模>5000万元、过去四期平均仓位>60%（权益类）或10%-30%（固收+）[26] - 分类计算：普通股票型（88.89%）、偏股混合型（85.55%）、配置型（83.15%）[23] - 模型评价：连续四周下行显示市场观望情绪浓厚，对短期趋势有预警作用[23] 2. **风格仓位暴露模型** - 模型构建思路：按市值-成长性矩阵划分六类风格，跟踪基金配置动态[31] - 具体构建过程： - 风格分类：大盘成长/价值、中盘成长/价值、小盘成长/价值[31] - 权重计算：持股市值加权暴露度（如中盘价值仓位16.79%，周升2.18pct）[31] 量化因子与构建方式 1. **行业配置因子** - 构建思路：监测主动权益基金在中信一级行业的超配/低配变化[35] - 具体构建： - 计算行业配置比例变动（如电新+0.29pct、计算机-0.25pct）[35] - 趋势标记：连续上涨（农林牧渔）、连续下跌（非银金融）[36] 2. **资金流向因子** - 构建思路：划分主力/中小单资金流，捕捉市场博弈信号[50] - 具体构建： - 分层标准：特大单（成交额>100万）、大单（30-100万）、中单（5-30万）、小单（<5万）[50] - 净流入计算：行业层面银行主力净流入41.97亿元，医药净流出74.95亿元[59] 模型回测效果 1. **仓位测算模型** - 当前仓位值：主动权益型85.36%（年内最低）、固收+24.35%[23] - 周变动：偏股混合型-0.16pct，配置型-0.13pct[23] 2. **风格暴露模型** - 最新暴露值：小盘成长45.39%（+0.43pct）、大盘价值9.03%（-0.75pct）[31] 因子回测效果 1. **行业配置因子** - 超配行业：电力设备及新能源（7.02%）、电子（17.07%）[36] - 低配行业：商贸零售（1.50%）、钢铁（0.80%）[36] 2. **资金流向因子** - 主力净流入TOP3：银行（41.97亿）、电子（41.47亿）、综合金融（5.54亿）[59] - 主动卖出TOP3：医药（-74.95亿）、有色金属（-46.83亿）、非银金融（-46.55亿）[59] ETF资金流模型 1. **债券ETF吸引力因子** - 构建思路：跟踪质押回购政策对资金流入的影响[14] - 测试结果：债券ETF周净流入297亿，总规模突破2500亿[39] 2. **宽基ETF择时因子** - 构建思路：根据指数回调幅度与资金流入背离捕捉机会[40] - 测试结果：科创50ETF净流入31.54亿，中证1000ETF净流入23.23亿[40]

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**：中证香港创新药指数模型 **模型构建思路**：通过选取香港市场中主营业务涉及创新药研发的上市公司证券，构建反映香港市场创新药主题上市公司证券整体表现的指数[37] **模型具体构建过程**： - 样本空间：中证香港300指数与中证港股通综合指数的样本空间并集[38] - 选样方法： 1. 流动性筛选：过去一年日均成交金额不低于1000万港元[38] 2. 行业筛选：选取业务涉及创新药研发及为制药企业提供药物研发服务的上市公司证券[38] 3. 市值排序：按过去一年日均总市值由高到低选取前50只证券[38] - 加权方式：自由流通市值加权，个股权重不超过10%[38] - 定期调整：每半年调整一次（6月和12月）[38] **模型评价**：该指数集中反映港股创新药龙头企业表现，具有行业纯度高、成分股集中度高的特点[42][44] 2. **模型名称**：广发中证香港创新药ETF跟踪模型 **模型构建思路**：通过完全复制法紧密跟踪中证香港创新药指数[54] **模型具体构建过程**： - 投资标的：指数成分股及备选成分股[54] - 跟踪误差控制：日均跟踪偏离度≤0.35%，年化跟踪误差≤4%[54] - 运作方式：采用实物申赎机制，最小申赎单位100万份[54] 模型的回测效果 1. **中证香港创新药指数模型** - 年化收益率：8.54%（2019/1/1-2025/5/31）[50] - 年化夏普比：0.41[50] - 年化波动率：35.93%[50] - 最大回撤：-68.18%[50] - 市盈率TTM：27.16倍（历史分位数19.42%）[45] - 市净率LF：2.60倍（历史分位数38.94%）[45] 2. **广发中证香港创新药ETF** - 规模：101亿元（截至2025/5/31）[53] - 日均成交额：27.51亿元（近1个月）[53] - 跟踪误差：未披露具体数值但符合合同约定[54] 量化因子与构建方式 （注：报告中未明确提及单独的量化因子构建，主要采用指数成分股的基本面因子） 1. **隐含因子**：创新药研发能力因子 **构建思路**：通过成分股的License-out交易数量/金额反映研发成果转化能力[26][29] **数据来源**： - 2024年License-out交易100起，总金额518亿美元[26] - 2025Q1交易金额已达去年70%[29] 2. **隐含因子**：商业化潜力因子 **构建思路**：通过FDA获批药品数量衡量国际化能力[36] **具体表现**： - 截至2025年4月共有8个国产创新药获FDA批准[36] - 百济神州泽布替尼2024年全球销售额26亿美元[33] 因子的回测效果 1. **创新药研发能力因子** - 头部成分股2025年平均收益：59.44%[42] - 最佳个股收益：三生制药209.54%[42] 2. **商业化潜力因子** - 创新药指数年化收益显著高于恒生医疗保健指数（8.54% vs -1.49%）[50] - 指数前十大权重股平均市值超1100亿港元[42] 注：本报告为ETF投资价值分析，未涉及传统多因子模型的详细构建，主要采用指数编制规则和成分股基本面数据作为量化依据[37][54]