以下是华创证券金工周报（20250825-20250829）中涉及的量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：成交量模型[12] **模型构建思路**：基于价量关系进行市场择时判断[10] **模型具体构建过程**：通过分析宽基指数的成交量变化，判断市场短期走势。当成交量放大时看多，缩量时看空或中性[12] 2. **模型名称**：低波动率模型[12] **模型构建思路**：利用市场波动率特征进行择时[10] **模型具体构建过程**：计算指数的波动率指标，当波动率处于低位时模型信号为中性或看空，波动率升高时可能转为看多[12] 3. **模型名称**：特征龙虎榜机构模型[12] **模型构建思路**：基于龙虎榜机构资金流向进行择时判断[10] **模型具体构建过程**：跟踪龙虎榜上机构资金的买卖情况，机构净买入时看多，净卖出时看空[12] 4. **模型名称**：特征成交量模型[12] **模型构建思路**：结合特殊成交量特征进行择时[10] **模型具体构建过程**：分析异常成交量 patterns，如放量突破等，作为看多信号[12] 5. **模型名称**：智能算法沪深300模型[12] **模型构建思路**：应用智能算法对沪深300指数进行择时[10] **模型具体构建过程**：使用机器学习等智能算法分析多因子数据，生成择时信号[12] 6. **模型名称**：智能算法中证500模型[12] **模型构建思路**：应用智能算法对中证500指数进行择时[10] **模型具体构建过程**：使用机器学习等智能算法分析多因子数据，生成择时信号[12] 7. **模型名称**：涨跌停模型[13] **模型构建思路**：通过涨跌停板数量变化进行中期择时[10] **模型具体构建过程**：监控市场涨跌停个股数量比例，涨停增多时看多，跌停增多时看空[13] 8. **模型名称**：月历效应模型[13] **模型构建思路**：利用月份效应进行择时[10] **模型具体构建过程**：基于历史月份收益率规律，在不同月份给出看多或看空信号[13] 9. **模型名称**：长期动量模型[14] **模型构建思路**：基于长期动量效应进行择时[10] **模型具体构建过程**：计算指数的长期动量指标，动量向上时看多，向下时看空[14] 10. **模型名称**：A股综合兵器V3模型[15] **模型构建思路**：综合多周期多策略的耦合模型[10] **模型具体构建过程**：将短期、中期、长期不同模型的信号进行加权耦合，形成综合择时观点[15] 11. **模型名称**：A股综合国证2000模型[15] **模型构建思路**：针对国证2000指数的综合择时模型[10] **模型具体构建过程**：专门针对国证2000指数特点，综合多种择时信号[15] 12. **模型名称**：成交额倒波幅模型[16] **模型构建思路**：基于成交额与波动率关系进行港股择时[10] **模型具体构建过程**：分析港股成交额与波动率的倒置关系，作为择时信号[16] 13. **模型名称**：形态学监控模型[41] **模型构建思路**：基于技术形态识别进行择时和选股[41] **模型具体构建过程**：识别杯柄形态、双底形态等技术形态，在形态突破时产生交易信号[41][44][48] 模型的回测效果 1. 双底形态组合，累计收益率49.44%，相对上证综指超额收益38.36%[41] 2. 杯柄形态组合，累计收益率63.34%，相对上证综指超额收益52.26%[41] 3. 上周杯柄形态突破个股，平均超额收益-0.8%[42] 4. 上周双底形态突破个股，平均超额收益-5.28%[46] 量化因子与构建方式 1. **因子名称**：龙虎榜机构资金流向因子[12] **因子构建思路**：基于龙虎榜机构买卖净额构建[12] **因子具体构建过程**：计算龙虎榜上机构买入金额与卖出金额的差值，作为资金流向指标[12] 2. **因子名称**：成交量异常因子[12] **因子构建思路**：识别异常成交量 patterns[12] **因子具体构建过程**：计算当前成交量与历史平均成交量的偏离度，识别异常放量或缩量[12] 3. **因子名称**：波动率因子[12] **因子构建思路**：衡量市场波动程度[12] **因子具体构建过程**：计算指数收益率的标准差，作为波动率指标$$ \sigma = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(r_i - \bar{r})^2} $$[12] 4. **因子名称**：动量因子[14] **因子构建思路**：捕捉价格趋势效应[14] **因子具体构建过程**：计算过去一段时间内的累计收益率，作为动量指标$$ Momentum = \frac{P_t}{P_{t-n}} - 1 $$[14] 5. **因子名称**：涨跌停因子[13] **因子构建思路**：反映市场极端情绪[13] **因子具体构建过程**：计算涨停个股数量与跌停个股数量的比例或差值[13] 6. **因子名称**：月历效应因子[13] **因子构建思路**：捕捉月份周期性 patterns[13] **因子具体构建过程**：基于历史数据计算各月份的平均收益率，构建月份虚拟变量[13] 7. **因子名称**：成交额波幅关系因子[16] **因子构建思路**：分析成交额与波动率的相关性[16] **因子具体构建过程**：计算成交额与波动率的比值或相关性指标[16] 8. **因子名称**：形态识别因子[41] **因子构建思路**：识别特定技术形态[41] **因子具体构建过程**：通过价格走势 pattern 识别杯柄形态、双底形态等，在形态确认时产生信号[41] 因子的回测效果 （报告中未提供具体因子的单独回测结果）

量化模型与构建方式 1 GAN_GRU 模型 - **模型名称**：GAN_GRU 模型[4][13] - **模型构建思路**：利用生成式对抗神经网络（GAN）进行量价时序特征处理，再通过 GRU 模型进行时序特征编码，最终输出选股因子[4][13] - **模型具体构建过程**： （1）**输入特征**：包括收盘价、开盘价、成交量、换手率等 18 个量价特征，频次包括日频和月频特征[14][17][19] （2）**训练数据设定**：使用所有个股过去 400 天内的 18 个量价特征，每 5 个交易日做一次特征采样，采样形状为 40×18（过去 40 天的量价特征），预测未来 20 个交易日的累计收益[18] （3）**数据处理**：每个特征在时序上去极值+标准化，每个特征在个股层面上截面标准化[18] （4）**训练方式**：半年滚动训练（每年 6 月 30 日和 12 月 31 日），训练集与验证集比例 80%:20%，batch_size 为截面股票数量，优化器为 Adam，学习速率 1e-4，损失函数为 IC，早停轮数 10，最大训练轮数 50[18] （5）**GAN 部分构建**： - 生成器（G）：使用 LSTM 模型，输入原始量价时序特征（形状 40×18），输出处理后的量价时序特征（形状 40×18）[33][37] 生成器损失函数： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$ 其中 z 为随机噪声（高斯分布），G(z) 为生成数据，D(G(z)) 为判别器对生成数据的输出概率[24][25] - 判别器（D）：使用 CNN 模型，输入真实数据或生成数据，输出为真实数据的概率[33] 判别器损失函数： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 其中 x 为真实数据，D(x) 为判别器对真实数据的输出概率[27] - 训练过程：生成器和判别器交替训练，首先生成噪声数据并生成假数据，计算损失并更新生成器参数；然后采样真实数据，计算判别器损失并更新判别器参数[28][29][34] （6）**GRU 部分构建**：使用两层 GRU 层（GRU(128,128)）和 MLP(256,64,64)，输出预测收益 pRet 作为选股因子[22] （7）**因子处理**：对因子做行业市值中性化+标准化处理[22] - **模型评价**：该模型通过 GAN 增强量价时序特征生成能力，结合 GRU 捕捉时序依赖关系，提升选股因子的预测效果[4][13][30] --- 量化因子与构建方式 1 GAN_GRU 因子 - **因子名称**：GAN_GRU 因子[4][13] - **因子构建思路**：基于 GAN_GRU 模型输出的预测收益 pRet 作为选股因子[4][13][22] - **因子具体构建过程**： （1）使用 GAN_GRU 模型对全 A 股进行预测，输出每只股票的预测收益 pRet[22] （2）对 pRet 进行行业市值中性化+标准化处理，得到最终因子值[22] （3）每月末调仓，选取因子值排名前 10% 的股票作为多头组合[4][48] --- 模型与因子的回测效果 1 GAN_GRU 因子全市场表现（2019 年 1 月至 2025 年 8 月，月频调仓）[41][42] - IC：11.36% - ICIR（未年化）：0.88 - 换手率：0.83 - 年化收益率：38.09% - 年化波动率：23.68% - 信息比率（IR）：1.61 - 最大回撤率：27.29% - 年化超额收益率：23.52% 2 GAN_GRU 因子近期表现（截至 2025 年 8 月 28 日）[41][42] - 最新一期 IC：-2.56% - 近一年 IC 均值：8.94% 3 GAN_GRU 因子行业表现（截至 2025 年 8 月）[42][44] - **当期 IC 排名前五行业**： - 食品饮料：22.17% - 煤炭：18.28% - 建筑材料：13.48% - 公用事业：13.20% - 社会服务：12.23% - **近一年 IC 均值排名前五行业**： - 公用事业：15.87% - 钢铁：13.95% - 商贸零售：13.51% - 非银金融：12.78% - 建筑材料：12.44% 4 GAN_GRU 因子多头组合行业超额收益（截至 2025 年 8 月）[2][44][45] - **当期超额收益排名前五行业**： - 纺织服饰：5.19% - 公用事业：3.62% - 汽车：3.29% - 非银金融：2.56% - 医药生物：1.47% - **近一年月平均超额收益排名前五行业**： - 家用电器：4.97% - 建筑材料：4.11% - 公用事业：3.94% - 食品饮料：3.86% - 纺织服饰：3.35% 5 最新多头组合（2025 年 8 月末因子值排名前十个股）[5][49] 1. 神火股份（有色金属） 2. 广州港（交通运输） 3. 中谷物流（交通运输） 4. 中国外运（交通运输） 5. 汉缆股份（电力设备） 6. 民生银行（银行） 7. 兴发集团（基础化工） 8. 驰宏锌锗（有色金属） 9. 中信特钢（钢铁） 10. 中直股份（国防军工）

量化模型与构建方式 1 模型名称：港股多因子模型[33]；模型构建思路：在港股通样本股中，综合运用技术面、资金面、基本面和分析师预期四大类因子，以构建一个综合评分体系，从而优选个股[32]；模型具体构建过程：首先，在港股通成分股中分别计算技术面、资金面、基本面和分析师预期四大类因子下的各个具体因子值[32]；然后，对每个因子进行标准化和去极值等预处理；接着，将属于同一大类的因子进行等权或根据历史ICIR加权合成，得到大类因子分数；最后，将四大类因子分数再次等权或根据历史ICIR加权合成，得到每个股票的综合得分[32]；模型评价：四大类因子在港股通成分股中分组表现优异，模型历史回测表现突出[32][34] 量化因子的构建方式 1 因子类别：技术面因子[32][33]；因子构建思路：通过量价数据捕捉股票的短期市场行为和技术特征 2 因子类别：资金面因子[32][33]；因子构建思路：通过资金流向数据捕捉市场各类投资者的动向和偏好 3 因子类别：基本面因子[32][33]；因子构建思路：通过公司财务数据评估其内在价值和盈利能力 4 因子类别：分析师预期因子[32][33]；因子构建思路：通过分析师预测数据捕捉市场对公司未来业绩的共识预期 模型的回测效果 1 港股优选20组合，2025年8月收益率3.4%[4] 2 港股优选20组合，2025年8月基准收益率2.7%[4] 3 港股优选20组合，2025年8月超额收益率0.7%[4] 4 港股优选20组合，全区间（2015.1~2025.8）超额年化收益率13.8%[4][35] 5 港股优选20组合，全区间（2015.1~2025.8）超额收益波动比1.0[4][35] 6 港股优选20组合，全区间（2015.1~2025.8）超额最大回撤18.2%[35]

量化模型与构建方式 1. 择时雷达六面图综合模型 - **模型名称**：择时雷达六面图综合模型 - **模型构建思路**：基于多维视角的择时框架，从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标对市场进行刻画，并概括为“估值性价比”、“宏观基本面”、“资金&趋势”、“拥挤度&反转”四大类，生成[-1,1]之间的综合择时分数[1][6] - **模型具体构建过程**： 1. 从六个维度选取21个指标（具体指标见下方因子部分） 2. 每个指标根据其计算规则生成[-1,1]之间的分数 3. 将指标分数按四大类进行汇总 4. 最终综合打分位于[-1,1]之间，用于判断市场整体观点[1][6] 2. 流动性维度模型 - **模型名称**：流动性综合模型 - **模型构建思路**：从货币和信用两个子维度综合判断流动性状况[1][9] - **模型具体构建过程**： 1. 包含货币方向、货币强度、信用方向、信用强度四个因子 2. 综合得分为四个因子分数的组合[9][10] 3. 经济面维度模型 - **模型名称**：经济面综合模型 - **模型构建思路**：从增长和通胀两个子维度综合判断经济基本面状况[1][9] - **模型具体构建过程**： 1. 包含增长方向、增长强度、通胀方向、通胀强度四个因子 2. 综合得分为四个因子分数的组合[9][10] 4. 估值面维度模型 - **模型名称**：估值面综合模型 - **模型构建思路**：从多个估值指标综合判断市场估值性价比[1][9] - **模型具体构建过程**： 1. 包含席勒ERP、PB、AIAE三个因子 2. 综合得分为三个因子分数的组合[9][10] 5. 资金面维度模型 - **模型名称**：资金面综合模型 - **模型构建思路**：从内资和外资两个子维度综合判断资金流向[1][9] - **模型具体构建过程**： 1. 包含两融增量、成交额趋势、中国主权CDS利差、海外风险厌恶指数四个因子 2. 综合得分为四个因子分数的组合[9][10] 6. 技术面维度模型 - **模型名称**：技术面综合模型 - **模型构建思路**：从趋势和反转两个角度捕捉技术信号[1][9] - **模型具体构建过程**： 1. 包含价格趋势、新高新低两个因子 2. 综合得分为两个因子分数的组合[9][10] 7. 拥挤度维度模型 - **模型名称**：拥挤度综合模型 - **模型构建思路**：从衍生品和可转债两个子维度捕捉情绪过度反应信号[1][9] - **模型具体构建过程**： 1. 包含期权隐含升贴水、期权VIX、期权SKEW、可转债定价偏离度四个因子 2. 综合得分为四个因子分数的组合[9][10] 量化因子与构建方式 1. 货币方向因子 - **因子名称**：货币方向因子 - **因子构建思路**：判断当前货币政策的方向[12] - **因子具体构建过程**：选取央行使用的货币政策工具利率与短端市场利率，计算其相较于90天前的平均变化方向。若货币方向因子>0，则判断货币政策宽松；若<0，则判断货币政策收紧[12] 2. 货币强度因子 - **因子名称**：货币强度因子 - **因子构建思路**：表征短端市场利率相对于政策利率的偏离幅度[15] - **因子具体构建过程**：基于"利率走廊"概念，计算偏离度=DR007/7年逆回购利率-1，并进行平滑与zscore形成货币强度因子。若<-1.5倍标准差，则预期未来120个交易日为宽松环境，分数为1；若>1.5倍标准差，则分数为-1[15] 3. 信用方向因子 - **因子名称**：信用方向因子 - **因子构建思路**：表征商业银行对实体经济传导时的松紧[18] - **因子具体构建过程**：使用中长期贷款指标，计算信用方向因子为：中长期贷款当月值→计算过去十二个月增量→计算同比。若信用方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[18] 4. 信用强度因子 - **因子名称**：信用强度因子 - **因子构建思路**：捕捉信用指标是否大幅超预期或者不及预期[21] - **因子具体构建过程**：信用强度因子=（新增人民币贷款当月值–预期中位数）/预期标准差。若>1.5倍标准差，则定义未来60个交易日为信用显著超预期环境，分数为1；若<-1.5倍标准差，则分数为-1[21] 5. 增长方向因子 - **因子名称**：增长方向因子 - **因子构建思路**：基于PMI数据判断经济增长方向[24] - **因子具体构建过程**：基于中采制造业PMI、中采非制造业PMI、财新制造业PMI构建增长方向因子=PMI→计算过去十二月均值→计算同比。若增长方向因子相比于三个月之前上升则看多，分数为1；反之则看空，分数为-1[24] 6. 增长强度因子 - **因子名称**：增长强度因子 - **因子构建思路**：捕捉经济增长指标是否大幅超预期或者不及预期[27] - **因子具体构建过程**：计算PMI预期差=（PMI–预期中位数）/预期标准差。若增长强度因子>1.5倍标准差，则定义未来60个交易日为增长显著超预期环境，分数为1；若<-1.5倍标准差，则分数为-1[27] 7. 通胀方向因子 - **因子名称**：通胀方向因子 - **因子构建思路**：判断通胀水平对货币政策的制约[31] - **因子具体构建过程**：计算通胀方向因子=0.5×CPI同比平滑值+0.5×PPI同比原始值。若通胀方向因子相较于三个月之前降低，则说明是通胀下行环境，此时看多，分数为1；反之看空，分数为-1[31] 8. 通胀强度因子 - **因子名称**：通胀强度因子 - **因子构建思路**：捕捉通胀指标是否大幅超预期或者不及预期[32] - **因子具体构建过程**：分别计算CPI与PPI预期差=（披露值–预期中位数）/预期标准差，并计算通胀强度因子=CPI与PPI预期差均值。若<-1.5，则定义未来60个交易日为通胀显著不及预期环境，分数为1；若>1.5倍标准差，则分数为-1[32] 9. 席勒ERP因子 - **因子名称**：席勒ERP因子 - **因子构建思路**：计算经周期调整的股权风险溢价[37] - **因子具体构建过程**：计算过去6年通胀调整后的平均盈利得到席勒PE，然后计算席勒ERP=1/席勒PE-10年期国债到期收益率，并计算过去6年zscore作为分数[37] 10. PB因子 - **因子名称**：PB因子 - **因子构建思路**：基于市净率指标判断估值水平[39] - **因子具体构建过程**：对PB指标处理：PB×（-1）并计算过去6年zscore，1.5倍标准差截尾后标准化到±1之间得到分数[39] 11. AIAE因子 - **因子名称**：AIAE因子 - **因子构建思路**：计算全市场权益配置比例，反映市场整体风险偏好[42] - **因子具体构建过程**：构建A股的AIAE指标=中证全指总流通市值/（中证全指总流通市值+实体总债务），将AIAE×（-1）并计算过去6年zscore得到分数[42] 12. 两融增量因子 - **因子名称**：两融增量因子 - **因子构建思路**：通过两融余额变化判断市场杠杆资金情绪[44] - **因子具体构建过程**：计算融资余额-融券余额，并计算其过去120日均增量与过去240日均增量。若120日均增量>过去240日均增量时看多，分数为1；反之看空，分数为-1[44] 13. 成交额趋势因子 - **因子名称**：成交额趋势因子 - **因子构建思路**：通过成交额变化判断市场成交热度与资金活跃度[47] - **因子具体构建过程**：对对数成交额计算其均线距离=ma120/ma240-1。当均线距离的max(10)=max(30)=max(60)时看多，分数为1；当均线距离的min(10)=min(30)=min(60)时看空，分数为-1[47] 14. 中国主权CDS利差因子 - **因子名称**：中国主权CDS利差因子 - **因子构建思路**：通过CDS利差变化判断海外投资者对中国经济与主权信用风险的定价[50] - **因子具体构建过程**：当平滑后CDS利差的20日差分<0时，说明CDS利差下降，海外投资者预期中国基本面转好，此时看多，分数为1；反之看空，分数为-1[50] 15. 海外风险厌恶指数因子 - **因子名称**：海外风险厌恶指数因子 - **因子构建思路**：通过花旗风险厌恶指数判断海外市场风险偏好[53] - **因子具体构建过程**：当平滑后风险厌恶指数的20日差分<0时，外资风险偏好上升，此时看多，分数为1；反之看空，分数为-1[53] 16. 价格趋势因子 - **因子名称**：价格趋势因子 - **因子构建思路**：使用均线距离衡量标的价格趋势与强度[57] - **因子具体构建过程**：使用均线距离（ma120/ma240-1）衡量趋势。当均线距离>0时趋势方向分数=1，反之为-1。当均线距离的max(20)=max(60)时，趋势强度分数为1；当min(20)=min(60)时，趋势强度分数为-1。趋势综合分数=（趋势方向分数+趋势强度分数）/2[57] 17. 新高新低因子 - **因子名称**：新高新低因子 - **因子构建思路**：通过指数成分股的新高新低个数捕捉反转信号[60] - **因子具体构建过程**：当中证800成分股占过去一年新低数-新低数的ma20>0时，说明最近新低较多，市场有见底预期，此时看多，分数为1；反之发出看空信号，分数为-1[60] 18. 期权隐含升贴水因子 - **因子名称**：期权隐含升贴水因子 - **因子构建思路**：通过期权隐含升贴水反映期权市场对未来标的收益率的预期与情绪[63] - **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数<30%，则看多持续20日，分数为1；若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日，分数为-1[63] 19. 期权VIX因子 - **因子名称**：期权VIX因子 - **因子构建思路**：通过期权VIX指数反映期权投资者对未来标的波动率的预期与市场情绪[64] - **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数>70%，则看多持续20日，分数为1；若50ETF近5日收益率>0，且指标分位数>70%，则看空持续20日，分数为-1[64] 20. 期权SKEW因子 - **因子名称**：期权SKEW因子 - **因子构建思路**：通过期权SKEW指数反映期权投资者对未来标的偏度的预期与市场情绪[68] - **因子具体构建过程**：若50ETF近5日收益率<0，且指标分位数>70%，则看多持续20日，分数为1；若50ETF近5日收益率>0，且指标分位数<30%，则看空持续20日，分数为-1[68] 21. 可转债定价偏离度因子 - **因子名称**：可转债定价偏离度因子 - **因子构建思路**：通过可转债定价偏离度反映市场情绪[70] - **因子具体构建过程**：计算可转债定价偏离度=转债价格/模型定价-1，并计算分数=定价偏离度×（-1）并计算过去3年zscore得到分数。定价偏离度越高，拥挤度越高，分数越低[70] 模型的回测效果 1. 择时雷达六面图综合模型 - 当前综合打分：-0.48分[1][9] - 观点：中性偏空[1][9] 2. 流动性综合模型 - 当前得分：0.00分[9][10] - 观点：中性[9] 3. 经济面综合模型 - 当前得分：-0.25分[9][10] - 观点：中性偏空[9] 4. 估值面综合模型 - 当前得分：-0.39分[9][10] - 观点：中性偏空[9] 5. 资金面综合模型 - 当前得分：-0.50分[9][10] - 观点：中性偏空[9] 6. 技术面综合模型 - 当前得分：-0.50分[9][10] - 观点：看空[9] 7. 拥挤度综合模型 - 当前得分：-1.00分[9][10] - 观点：看空[9] 因子的回测效果 1. 货币方向因子 - 当前分数：1.00分[10][12] - 信号：看多[12] 2. 货币强度因子 - 当前分数：-1.00分[10][15] - 信号：看空[15] 3. 信用方向因子 - 当前分数：1.00分[10][19] - 信号：看多[19] 4. 信用强度因子 - 当前分数：-1.00分[10][21] - 信号：看空[21] 5. 增长方向因子 - 当前分数：-1.00分[10][25] - 信号：看空[25] 6. 增长强度因子 - 当前分数：-1.00分[10][28] - 信号：看空[28] 7. 通胀方向因子 - 当前分数：1.00分[10][31] - 信号：看多[31] 8. 通胀强度因子 - 当前分数：0.00分[10][33] - 信号：无显著信号[33] 9. 席勒ERP因子 - 当前分数：0.13分[10][41] - 上周分数：0.23分[10] - 变化：-0.11分[10] 10. PB因子 - 当前分数：-0.51分[10][40] - 上周分数：-0.44分[10] - 变化：-0.06分[10] 11. AIAE因子 - 当前分数：-0.78分[10][42] - 上周分数：-0.68分[10] - 变化：-0.10分[10] 12. 两融增量因子 - 当前分数：-1.00分[10][44] - 信号：看空[44] 13. 成交额趋势因子 - 当前分数：-1.00分[10][47] - 信号：看空[47] 14. 中国主权CDS利差因子 - 当前分数：-1.00分[10][51] - 上周分数：1.00分[10] - 变化：-2.00分[10] - 信号：看空[51] 15. 海外风险厌恶指数因子 - 当前分数：1.00分[10][54] - 信号：看多[54] 16. 价格趋势因子 - 当前分数：0.00分[10][59] - 信号：无显著信号[59] 17. 新高新低因子 - 当前分数：-1.00分[10][60] - 信号：看空[60] 18. 期权隐含升贴水因子 - 当前分数：-1.00分[10][63] - 信号：看空[63] 19. 期权VIX因子 - 当前分数：-1.00分[10][65] - 信号：看空[65] 20. 期权SKEW因子 - 当前分数：-1.00分[10][68] - 信号：看空[68] 21. 可转债定价偏离度因子 - 当前分数：-1.00分[10][70] - 信号：看空[70]

量化模型与构建方式 1. 创业板综合指数（399102.SZ）编制模型 - **模型名称**：创业板综合指数编制模型 - **模型构建思路**：采用全样本覆盖方式，全面反映创业板市场整体表现，同时通过剔除机制控制风险，提升指数代表性和投资价值[26][27] - **模型具体构建过程**： 1. **样本空间筛选**：选取深圳证券交易所创业板上市交易且满足以下条件的A股： - 非ST、*ST股票[27] - 国证ESG评级在C级以上[27] 2. **选样方法**：选取样本空间内所有股票作为指数样本股，实现全市场覆盖[27] 3. **指数计算方法**：采用派氏加权法，计算公式为： $$ \text{指数} = \frac{\sum (\text{样本股价格} \times \text{流通股本})}{\text{基期市值}} \times \text{基点点数} $$ 基日为2010年5月31日，基点为1000点，流通股本数据来源于深交所每日发布[27] 4. **调整规则**： - 新股上市后第11个交易日纳入[28] - 风险警示股自公告次月第二个星期五后的第一个交易日起剔除[28] - ESG评级降至C级及以下时按同样规则剔除[28] - 退市整理期首日剔除[28] - **模型评价**：通过全样本覆盖和风险剔除机制，兼具市场代表性和风险控制能力，较好地反映了创业板整体运行状况[18][26] --- 量化因子与构建方式 1. 基本面因子 - **因子名称**：盈利增长因子 - **因子构建思路**：通过财报数据衡量成分股的盈利修复能力和成长性[36][37] - **因子具体构建过程**： - 营业收入同比增速：$$ \text{营业收入增速} = \frac{\text{本期营业收入} - \text{上年同期营业收入}}{\text{上年同期营业收入}} \times 100\% $$ - 净利润同比增速：$$ \text{净利润增速} = \frac{\text{本期净利润} - \text{上年同期净利润}}{\text{上年同期净利润}} \times 100\% $$ 采用季度和半年度财报数据计算[36][38] 2. 估值因子 - **因子名称**：PE_TTM分位数因子 - **因子构建思路**：通过历史分位数衡量估值安全边际[40] - **因子具体构建过程**： 计算当前PE_TTM（滚动市盈率）在过去10年历史数据中的分位数位置[40] 3. 行业权重因子 - **因子名称**：新兴产业集中度因子 - **因子构建思路**：通过行业权重分布体现对战略性新兴产业的覆盖度[30] - **因子具体构建过程**： 计算电力设备及新能源、计算机、医药、电子、机械等五大行业权重合计占比[30] 4. 市值分布因子 - **因子名称**：市值分层因子 - **因子构建思路**：通过市值分布反映指数风格特征[30][33] - **因子具体构建过程**： 按市值区间（<100亿、100-200亿、200-299亿、300-499亿、500-1000亿、>1000亿）统计成分股数量占比和权重占比[33] --- 模型的回测效果 创业板综合指数（2015年至今）[41][42] - 总收益：135.06% - 年化收益：8.24% - 年化波动：30.66% - 最大回撤：67.38% - Sharpe比率：0.27 创业板综合指数（2025年至今）[41][42] - 总收益：36.08% - 年化收益：59.98% - 年化波动：28.90% - 最大回撤：21.98% - Sharpe比率：2.08 --- 因子的回测效果 盈利增长因子（2025年Q1）[36][38] - 营业收入同比增速：5.97% - 净利润同比增速：15.33% 盈利增长因子（2025年H1）[37][38] - 净利润同比增速：13.72% 估值因子（截至2025年8月29日）[40] - PE_TTM十年分位数：61.96% 行业权重因子（截至2025年8月25日）[30] - 前五大行业权重合计：60.11% - 电力设备及新能源：16.44% - 计算机：12.49% - 医药：12.48% - 电子：11.64% - 机械：8.06% 市值分布因子（截至2025年8月25日）[33] - <200亿市值公司数量占比：~80% - <200亿市值公司权重占比：~30% - >1000亿市值公司权重占比：~20% 权重集中度因子[34][35] - 前十大权重股合计占比：24.55%

量化因子与构建方式 1. **因子名称**：250日新高距离[11] **因子构建思路**：通过计算当前收盘价与过去250日最高收盘价的相对距离，来衡量股票价格接近历史高点的程度，以此捕捉动量效应和趋势跟踪信号[11] **因子具体构建过程**： 对于股票在时间点t的收盘价Closet，计算过去250个交易日（约一年）内的最高收盘价，记为ts_max(Close, 250)[11] 250日新高距离的计算公式为： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 若Closet等于ts_max(Close, 250)，则因子值为0，表示股价创出新高；若Closet较低，则因子值为正，表示股价从高点回落的幅度[11] **因子评价**：该因子基于行为金融学中的动量效应理论，能够有效识别处于强势趋势中的股票，常用于追踪市场热点和领先股票[11][19] 2. **因子名称**：平稳创新高因子[27][29] **因子构建思路**：综合多个维度（分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性、创新高持续性），从创250日新高的股票中筛选出具有持续、平稳动量特征的股票，以捕捉更强且更稳定的动量效应[27][29] **因子具体构建过程**： - **筛选股票池**：首先筛选出过去20个交易日内曾创出250日新高的股票[20][27] - **分析师关注度**：要求股票在过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[29] - **股价相对强弱**：要求股票过去250日的涨跌幅排名位于全市场股票的前20%[29] - **多指标综合打分**：在满足上述条件的股票池内，对以下两个指标进行综合打分，并选取排名在前50%的股票： - **价格路径平滑性（股价位移路程比）**：计算公式为 `过去120日涨跌幅的绝对值 / 过去120日日涨跌幅绝对值之和`，该比值越小，表明股价路径越平滑，趋势越稳定[27][29] - **创新高持续性**：计算股票`过去120日的250日新高距离在时间序列上的均值`，该值越小，表明股票在近期持续接近或创出新高[29] - **趋势延续性**：最后，计算股票`过去5日的250日新高距离在时间序列上的均值`，并选取该值排序最靠前的50只股票作为最终的“平稳创新高股票”[29] 因子回测效果 1. **250日新高距离因子** 截至2025年8月29日，主要指数的250日新高距离因子取值如下： - 上证指数：0.66%[12][35] - 深证成指：0.00%[12][35] - 沪深300：0.00%[12][35] - 中证500：0.00%[12][35] - 中证1000：0.52%[12][35] - 中证2000：1.95%[12][35] - 创业板指：0.00%[12][35] - 科创50：1.71%[12][35] 截至同一时间，中信一级行业指数中250日新高距离因子取值较近（动量较强）的行业有： - 有色金属：0.00%[13][35] - 电力设备及新能源：0.00%[13][35] - 通信：0.54%[13][35] - 基础化工：0.68%[13][35] - 计算机：1.00%[13][35] 2. **平稳创新高因子** 该因子的直接回测指标取值在研报中未明确列出，但其应用结果显示，截至2025年8月29日，全市场共有1738只股票在过去20日内创250日新高[20][36]。 通过该因子筛选出的50只平稳创新高股票，在板块分布上的效果为： - 科技板块：21只[30][36] - 制造板块：14只[30][36] - 周期板块：7只（根据表1统计）[34] - 医药板块：2只（根据表1统计）[34] - 消费板块：1只（根据表1统计）[34] - 大金融板块：1只（根据表1统计）[34]

量化因子与构建方式 1. 因子名称：理想反转因子[5]；因子构建思路：A股反转之力的微观来源是大单成交，通过每日平均单笔成交金额的大小，可以切割出反转属性最强的交易日[5]；因子具体构建过程： (1) 对选定股票，回溯取其过去20日的数据[41]； (2) 计算该股票每日的平均单笔成交金额（成交金额/成交笔数）[41]； (3) 单笔成交金额高的10个交易日，涨跌幅加总，记作 M_high[41]； (4) 单笔成交金额低的10个交易日，涨跌幅加总，记作 M_low[41]； (5) 理想反转因子 M = M_high–M_low[41]； (6) 对所有股票，都进行以上操作，计算各自的理想反转因子 M[41] 2. 因子名称：聪明钱因子[5]；因子构建思路：从分钟行情数据的价量信息中，可以识别出机构参与交易的多寡，进而构造出跟踪聪明钱的因子[5]；因子具体构建过程： (1) 对选定股票，回溯取其过去10日的分钟行情数据[40]； (2) 构造指标 $$S_t = |R_t| / (V_t)^{0.25}$$，其中 $$R_t$$ 为第t分钟涨跌幅，$$V_t$$ 为第t分钟成交量[40]； (3) 将分钟数据按照指标 $$S_t$$ 从大到小进行排序，取成交量累积占比前20%的分钟，视为聪明钱交易[40]； (4) 计算聪明钱交易的成交量加权平均价VWAPsmart[42]； (5) 计算所有交易的成交量加权平均价VWAPall[42]； (6) 聪明钱因子 $$Q = VWAP_{smart} / VWAP_{all}$$[40] 3. 因子名称：APM因子[5]；因子构建思路：在日内的不同时段，交易者的行为模式不同，反转强度也相应有所不同[5]；因子具体构建过程： (1) 对选定股票，回溯取其过去20日数据，记逐日隔夜的股票收益率为 $$r_{night}^i$$，隔夜的指数收益率为 $$R_{night}^i$$；逐日下午的股票收益率为 $$r_{afternoon}^i$$，下午的指数收益率为 $$R_{afternoon}^i$$[41]； (2) 将得到的40组隔夜与下午(r,R)的收益率数据进行回归：$$r = \alpha + \beta R + \epsilon$$，得到残差项 $$\epsilon$$[41]； (3) 以上得到的40个残差中，隔夜残差记为 $$\epsilon_{night}^i$$，下午残差记为 $$\epsilon_{afternoon}^i$$，进一步计算每日隔夜与下午残差的差值 $$\delta_t = \epsilon_{night}^i - \epsilon_{afternoon}^i$$[41]； (4) 构造统计量 stat 来衡量隔夜与下午残差的差异程度，计算公式如下（$$\mu$$ 为均值，$$\sigma$$ 为标准差）： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$[43] (5) 为了消除动量因子影响，将统计量 stat 对动量因子进行横截面回归：$$stat = \alpha + \beta \cdot Ret20 + \epsilon$$，其中 Ret20 为股票过去20日的收益率，代表动量因子[44]； (6) 将回归得到的残差值 $$\epsilon$$ 作为 APM 因子[44] 4. 因子名称：理想振幅因子[5]；因子构建思路：基于股价维度可以对振幅进行切割，不同价态下振幅因子所蕴含的信息存在结构性差异[5]；因子具体构建过程： (1) 对选定股票，回溯取其最近20个交易日数据，计算股票每日振幅（最高价/最低价-1）[46]； (2) 选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子 V_high[46]； (3) 选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子 V_low[46]； (4) 将高价振幅因子 V_high 与低价振幅因子 V_low 作差，得到理想振幅因子 V = V_high - V_low[46] 5. 因子名称：交易行为合成因子[30]；因子构建思路：将多个交易行为因子进行加权合成[30]；因子具体构建过程： (1) 因子值方面，将上述交易行为因子（理想反转、聪明钱、APM、理想振幅）在行业内进行因子去极值与因子标准化[30]； (2) 因子权重方面，滚动选取过去12期因子ICIR值作为权重，加权形成交易行为合成因子[30] 因子的回测效果 1. 理想反转因子[15]： * 全历史IC均值：-0.050[6][15] * 全历史rankIC均值：-0.060[6][15] * 全历史信息比率(IR)：2.48[6][15] * 全历史多空对冲月度胜率：77.8%[6] * 2025年8月多空对冲收益：-1.28%[7][15] * 近12个月多空对冲月度胜率：58.3%[7][15] 2. 聪明钱因子[18]： * 全历史IC均值：-0.037[6][18] * 全历史rankIC均值：-0.061[6][18] * 全历史信息比率(IR)：2.71[6][18] * 全历史多空对冲月度胜率：81.6%[6] * 2025年8月多空对冲收益：-1.17%[7][18] * 近12个月多空对冲月度胜率：83.3%[7][18] 3. APM因子[22]： * 全历史IC均值：0.029[6][22] * 全历史rankIC均值：0.034[6][22] * 全历史信息比率(IR)：2.26[6][22] * 全历史多空对冲月度胜率：77.4%[6] * 2025年8月多空对冲收益：-0.22%[7][22] * 近12个月多空对冲月度胜率：50.0%[7][22] 4. 理想振幅因子[26]： * 全历史IC均值：-0.053[6][26] * 全历史rankIC均值：-0.073[6][26] * 全历史信息比率(IR)：2.99[6][26] * 全历史多空对冲月度胜率：83.2%[6] * 2025年8月多空对冲收益：-0.15%[7][26] * 近12个月多空对冲月度胜率：66.7%[7][26] 5. 交易行为合成因子[30]： * 全历史IC均值：0.066[6][30] * 全历史rankIC均值：0.092[6][30] * 全历史信息比率(IR)：3.25[6][30] * 全历史多空对冲月度胜率：82.0%[6] * 多头对冲组均值年化收益率：8.50%[30] * 多头对冲组均值收益波动比：2.71[30] * 多头对冲组均值月度胜率：79.7%[30] * 2025年8月多空对冲收益：-0.90%[7][30] * 近12个月多空对冲月度胜率：75.0%[7][30] * 国证2000池内信息比率(IR)：2.80[30] * 中证1000池内信息比率(IR)：2.70[30] * 中证800池内信息比率(IR)：1.12[30]

量化模型与构建方式 1. 模型名称：中证A500红利低波动指数编制模型 **模型构建思路**：从中证A500指数样本中选取连续分红、股息率较高且波动率较低的证券，采用股息率加权，以反映股息率较高且波动率较低上市公司证券的整体表现[7][34] **模型具体构建过程**： 1) 样本空间：中证A500指数样本[37] 2) 筛选要求： - 过去三年连续现金分红[37] - 过去三年平均股利支付率大于0且小于1[37] - 过去12个季度ROE标准差在样本空间内由低到高排名前80%[37] 3) 选样方法： - 按过去三年平均现金股息率由高到低排名，选取排名前50%的证券作为待选样本[37] - 对待选样本按过去一年波动率（日收益率的标准差）升序排名，选取排名靠前的50只证券作为指数样本[37] 4) 加权方式：采用股息率加权，单个样本权重不超过10%，单个一级行业权重不超过30%[37] $$权重因子 = f(股息率) \quad \text{其中} \quad 0 \leq 权重因子 \leq 1$$ **模型评价**：该模型通过多重要求确保成分股兼具高股息和低波动特性，行业分布相对分散，风险控制能力较强[7][48] 量化因子与构建方式 1. 因子名称：股息率因子 **因子构建思路**：反映上市公司现金分红水平的指标，体现企业盈利能力和股东回报[13] **因子具体构建过程**： $$股息率 = \frac{\text{近12个月现金股利(税前)}}{\text{总市值}} \times 100\%$$ 计算方式为成分股近12个月现金股利总和除以成分股总市值总和[27] 2. 因子名称：波动率因子 **因子构建思路**：衡量证券价格波动程度的指标，反映投资风险水平[13] **因子具体构建过程**： $$波动率 = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(r_i - \bar{r})^2}$$ 其中$r_i$为日收益率，$\bar{r}$为平均日收益率，N为计算期间交易日数量[37] 3. 因子名称：ROE稳定性因子 **因子构建思路**：衡量企业盈利能力稳定性的指标[37] **因子具体构建过程**：计算过去12个季度ROE的标准差，并在样本空间内进行排名，选取排名前80%的证券[37] 4. 因子名称：股利支付率因子 **因子构建思路**：反映企业分红政策稳定性的指标[37] **因子具体构建过程**：要求过去三年平均股利支付率大于0且小于1，避免支付率过高或为负的情况[37] 模型的回测效果 1. 中证A500红利低波动指数 年化收益率：15.49%[2][7][41] 波动率：1.21%（全区间）[45] 最大回撤：40.52%（全区间）[47] 2025年波动率：0.77%[45] 2024年波动率：1.06%[45] 2023年波动率：0.76%[45] 2022年波动率：1.09%[45] 2021年波动率：0.97%[45] 2020年波动率：1.20%[45] 2019年波动率：0.97%[45] 2018年波动率：1.02%[45] 因子的回测效果 1. 股息率因子 指数股息率：4.15%[70] 前十大成分股加权近12月股息率：4.82%[58] 2. 波动率因子 指数波动率控制表现优于多数宽基指数和同类纯红利指数[7][44] 3. ROE稳定性因子 指数加权平均ROE：9.37%[70] 前十大成分股加权平均ROE：10.09%[58] 4. 估值因子 指数PE(TTM)：10.39[70] 指数PB(LF)：1.07[70]

量化模型与因子构建方式 1. 再平衡需求模型 - **模型名称**：再平衡需求（Rebalancing Demand）[82] - **模型构建思路**：通过量化主动型共同基金为满足内部风险管理和监管要求（如5%的持仓集中度阈值）而进行的分散化再平衡操作，捕捉其对大盘股产生的可预测交易需求[3][18][50] - **模型具体构建过程**： 1. 首先计算基金j中股票i在季度t的预测权重： $$\widehat{w}_{i,j,t}=\frac{\left(1+r_{i,t}\right)\,w_{i,j,t-1}}{\sum\left(1+r_{i,t}\right)\,w_{i,j,t-1}}$$[40] 其中，$w_{i,j,t-1}$是上一季度观测权重，$r_{i,t}$是股票i的季度回报率 2. 计算被动变化（Passive）： $$Passive_{i,j,t} = \widehat{w}_{i,j,t} - w_{i,j,t-1}$$[40] 3. 计算主动变化（Active）： $$Active_{i,j,t} = w_{i,j,t} - \widehat{w}_{i,j,t}$$[40] 4. 汇总所有主动型共同基金的再平衡需求： $$Rebalancing\,Demand_{i,t}=\frac{\sum_{j}\left(\widehat{w}_{i,j,t}-w_{i,j,t-1}\right)\cdot Shares_{i,j,t-1}}{\sum_{j}Shares_{i,j,t-1}}$$[82] 该指标反映了股票i因回报驱动而在共同基金投资组合中权重增加的平均程度 2. 阈值需求模型 - **模型名称**：阈值需求（Threshold Demand）[82] - **模型构建思路**：聚焦于那些超过基金总AUM 2%的头寸，这些头寸更可能受到集中度风险管理的影响[82] - **模型具体构建过程**： $$Threshold\,Demand_{i,t}=\frac{\sum_{j}\left(\widehat{w}_{i,j,t}-w_{i,j,t-1}\right)\cdot I(w_{i,j,t-1}>2\%)\cdot Shares_{i,j,t-1}}{\sum_{j}Shares_{i,j,t-1}}$$[82] 其中$I(w_{i,j,t-1}>2\%)$是指示函数，当权重超过2%时取值为1 3. 拟合需求模型 - **模型名称**：拟合需求（Fitted Demand）[83] - **模型构建思路**：使用不同持有规模下基金对被动变化表现出的再平衡程度无条件系数，来构建需求指标[83] - **模型具体构建过程**： $$Fitted\,Demand_{i,t}=\frac{\sum_{j}\left(\widehat{w}_{i,j,t}-w_{i,j,t-1}\right)\cdot\beta_{weight}\cdot Shares_{i,j,t-1}}{\sum_{j}Shares_{i,j,t-1}}$$[83] 其中$\beta_{weight}$是图表6中每个权重区间对应的回归系数[54] 4. 分散化驱动需求因子 - **因子名称**：分散化驱动需求因子[5][20] - **因子构建思路**：基于再平衡需求等指标，捕捉机构投资者为控制头寸集中度而产生的协调一致的逆向交易需求[3][16] - **因子具体构建过程**： 1. 使用再平衡需求、阈值需求或拟合需求作为基础指标[82][83] 2. 计算这些指标的百分位排名，即每只股票在每季度全体股票中的百分位数[83] 3. 这些排名值作为因子值，值越高表示基金的分散化再平衡需求越强 模型与因子的回测效果 1. 再平衡需求模型 - 再平衡需求一个标准差（0.22%）预测前35个交易日内-0.44%的回报（t=-3.21）[20] - 再平衡需求一个标准差预测该季度剩余时间内0.27%的正回报（t=2.60）[20] - 在控制过去动量和极端负收益后，一个标准差变化预测一个季度内-0.56%的回报（t=-3.71）[20] - 一个标准差变化预测随后一年内0.67%的反转（t=2.16）[20] 2. 分散化驱动需求因子 - 再平衡需求一个标准差（0.22%）使共同基金卖出概率增加3.15%[85] - 阈值需求一个标准差（0.15%）使共同基金卖出概率增加1.28%-2.20%[85] - 拟合需求一个标准差（0.03%）使共同基金卖出概率增加1.28%-2.20%[85] 3. 定价效应测试结果 - 分散化驱动的交易需求转化为真实的净卖出压力，导致再平衡需求高的股票经历显著的短期价格下跌[5] - 这种可预测的收益反转模式集中体现在大盘股中（市值超过NYSE公司80%分位数的股票）[5][20] - 在控制了过去一个季度的回报后，预测变量一个标准差的变化预测了一个季度内-0.56%的回报（t=-3.71）[20] - 随后一年内0.67%的反转（t=2.16）[20]

量化模型与构建方式 无相关内容 模型的回测效果 无相关内容 量化因子与构建方式 1 因子名称：已披露净利润同比增速[5][17]；因子构建思路：依据已披露中报业绩的个股净利润同比增速，汇总统计各行业的整体净利润增长情况[5][17]；因子具体构建过程：首先筛选截至指定日期（2025年8月27日）已披露中报的A股上市公司[1][3]，然后按长江行业分类标准（一级或二级行业）对个股进行分组[5][17]，接着计算每个行业内已披露个股的净利润同比增速，最后通过汇总（例如简单平均或加权平均）得到各行业的整体已披露净利润同比增速[5][17]；因子评价：该因子能及时反映行业中报业绩修复情况，但受披露进度影响存在偏差，需随披露推进更新[6][23] 2 因子名称：已披露营业收入同比增速[5][17]；因子构建思路：依据已披露中报业绩的个股营业收入同比增速，汇总统计各行业的整体营业收入增长情况[5][17]；因子具体构建过程：首先筛选截至指定日期（2025年8月27日）已披露中报的A股上市公司[1][3]，然后按长江行业分类标准（一级或二级行业）对个股进行分组[5][17]，接着计算每个行业内已披露个股的营业收入同比增速，最后通过汇总（例如简单平均或加权平均）得到各行业的整体已披露营业收入同比增速[5][17]；因子评价：该因子能及时反映行业中报收入端表现，但受披露进度影响存在偏差，需随披露推进更新[6][23] 因子的回测效果 1 已披露净利润同比增速因子，在长江一级行业中的应用取值：农产品行业较高、传媒互联网行业较高、金属材料及矿业行业较高、综合金融行业较高、电子行业较高[5][17]；在长江二级行业中的应用取值：畜禽养殖行业较高、玻纤及制品行业较高、多元消费品贸易行业较高、娱乐行业较高、稀土磁材行业较高[5][17] 2 已披露营业收入同比增速因子，在长江一级行业中的应用取值：参见图3[18]；在长江二级行业中的应用取值：参见图3[18]