量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **模型构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9][11][16][18] - **模型具体构建过程**： 1. 收集标的指数成分股的历史分红数据及公告信息 2. 按合约存续期划分未来一年内的分红实施时间段 3. 汇总各时间段内成分股的预期分红金额，折算为指数点位影响 公式： $$分红点位 = \sum_{i=1}^{n} (成分股i分红金额 \times 权重_i) / 指数除数$$ 其中权重_i为成分股在指数中的权重[9][11][16][18] 2. **模型名称：基差修正模型** - **模型构建思路**：剔除分红对期货合约基差的影响，计算真实反映市场情绪的调整后基差[21] - **模型具体构建过程**： 1. 计算实际基差：期货价格 - 指数价格 2. 叠加存续期内未实现的预期分红点位 3. 年化处理以统一比较标准 公式： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[21] 3. **模型名称：期现对冲策略（连续对冲/最低贴水）** - **模型构建思路**：通过动态调整期货合约对冲现货风险，利用基差收敛特性优化收益[47][49] - **模型具体构建过程**： - **连续对冲**：持有季月/当月合约至到期前2日平仓并切换下一合约[48] - **最低贴水策略**：每8个交易日选择年化基差贴水最小的合约开仓，排除剩余期限不足8日的合约[49] - 资金分配：70%配置现货全收益指数，30%用于期货保证金[48][49] 4. **模型名称：Cinda-VIX/SKEW指数模型** - **模型构建思路**：通过期权隐含波动率捕捉市场波动预期与尾部风险[66][71] - **模型具体构建过程**： 1. 计算不同行权价期权的隐含波动率（IV） 2. VIX反映波动率期限结构，SKEW衡量IV偏斜程度 3. 当SKEW>100时提示市场对极端下跌风险的担忧[71][72] --- 量化因子与构建方式 1. **因子名称：分红调整年化基差因子** - **因子构建思路**：反映期货合约相对现货的溢价/折价水平，剔除分红干扰[21] - **因子具体构建过程**： 1. 按基差修正模型计算年化基差 2. 跟踪IC/IF/IH/IM四大期指品种的季月合约基差[22][28][32][38][46] 2. **因子名称：VIX期限结构因子** - **因子构建思路**：通过不同期限VIX比值反映市场短期与长期波动预期差异[66] - **因子具体构建过程**： 1. 计算30/60/90/120日VIX值 2. 构建期限结构斜率（如VIX_30/VIX_120）[70][73][74][75] 3. **因子名称：SKEW警戒因子** - **因子构建思路**：识别市场对尾部风险的定价异常[71][72] - **因子具体构建过程**： 1. 监测SKEW指数是否持续高于历史80%分位 2. 结合VIX上升形成"风险高地"信号[72][78] --- 模型的回测效果 | 模型名称 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | |------------------------|------------|--------|----------|----------|------------| | IC连续对冲(当月) | -2.86% | 3.86% | -8.40% | 0.9173 | 12 |[51]| | IC连续对冲(季月) | -2.06% | 4.75% | -8.34% | 0.9400 | 4 |[51]| | IC最低贴水策略 | -1.08% | 4.65% | -7.97% | 0.9683 | 17.5 |[51]| | IF连续对冲(当月) | 0.50% | 3.00% | -3.95% | 1.0149 | 12 |[56]| | IF连续对冲(季月) | 0.75% | 3.35% | -4.03% | 1.0225 | 4 |[56]| | IF最低贴水策略 | 1.32% | 3.13% | -4.06% | 1.0397 | 15.48 |[56]| | IH连续对冲(当月) | 1.04% | 3.11% | -4.22% | 1.0314 | 12 |[60]| | IH连续对冲(季月) | 1.99% | 3.53% | -3.76% | 1.0603 | 4 |[60]| | IH最低贴水策略 | 1.72% | 3.13% | -3.91% | 1.0521 | 16.15 |[60]| | IM连续对冲(当月) | -6.06% | 4.73% | -14.01% | 0.8411 | 12 |[64]| | IM连续对冲(季月) | -4.43% | 5.78% | -12.63% | 0.8718 | 4 |[64]| | IM最低贴水策略 | -3.85% | 5.58% | -11.11% | 0.8839 | 16.02 |[64]| --- 因子的回测效果 | 因子名称 | 当前值 | 历史分位 | |------------------------|---------------------|--------------------| | IC年化基差 | -8.25% | 低于2022年中位数 |[22]| | IF年化基差 | -0.64% | 低于2022年中位数 |[28]| | IH年化基差 | 1.46%（升水） | 低于2022年中位数 |[32]| | IM年化基差 | -11.48% | 低于2022年中位数 |[46]| | 中证500SKEW | 102.11 | 超80%分位警戒线 |[72][78]| | 30日VIX（中证500） | 27.44 | 短期快速上涨 |[66][72]|

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**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三块流程实现稳定超额收益[11][12] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等维度）构建因子库[16][17] 2. **风险控制**：控制组合相对于基准的行业暴露、风格暴露、成分股权重偏离等约束[41][42] 3. **组合优化**：采用最大化单因子暴露组合（MFE）优化模型，目标函数为最大化因子暴露$$f^{T}w$$，约束条件包括风格中性（$$s_l \leq X(w-w_b) \leq s_h$$）、行业中性（$$h_l \leq H(w-w_b) \leq h_h$$）等[41][42] 2. **模型名称**：单因子MFE组合 - **模型构建思路**：通过组合优化检验因子在控制实际约束（如行业、风格中性）后的有效性[41] - **模型具体构建过程**： 1. 设定约束条件（如个股偏离权重0.5%-1%、成分股权重占比100%）[45] 2. 每月末优化构建组合，目标函数为最大化因子暴露$$f^{T}w$$[41] 3. 回测时扣除0.3%交易费用，计算超额收益指标[45] --- 量化因子与构建方式 1. **因子名称**：估值类因子（BP、单季EP、EPTTM等） - **因子构建思路**：衡量股票相对价值，如BP=净资产/总市值[17] - **因子评价**：长期稳定但短期易受市场风格影响 2. **因子名称**：成长类因子（单季营收同比增速、DELTAROA等） - **因子构建思路**：捕捉企业盈利增长，如单季营收同比增速=单季度营业收入同比增长率[17] - **因子评价**：在沪深300样本中近期表现突出（最近一周超额收益0.93%）[19] 3. **因子名称**：动量/反转类因子（一年动量、三个月反转） - **因子构建思路**：反映市场趋势，如一年动量=近一年除近一月后涨跌幅[17] - **因子评价**：中证500样本中一年动量近期表现最佳（最近一周超额收益0.93%）[21] 4. **因子名称**：分析师预期类因子（标准化预期外收入、预期PEG） - **因子构建思路**：量化市场预期偏差，如标准化预期外收入=（实际营收-预期营收）/预期营收标准差[17] - **因子评价**：在中证1000样本中信息比率较高（历史年化IR 5.98%）[23] --- 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.42%，本年8.31%[14] - 中证500增强：本周超额0.63%，本年10.17%[14] - 中证1000增强：本周超额0.48%，本年15.24%[14] 2. **单因子MFE组合（沪深300样本）**： - 单季营收同比增速：最近一周超额0.93%，年化IR 3.02%[19] - 三个月波动：最近一周超额-0.42%，年化IR 4.14%[19] --- 因子的回测效果 1. **中证500样本因子**： - 一年动量：最近一周超额0.93%，年化IR 2.23%[21] - SPTTM：最近一周超额-0.88%，年化IR 2.82%[21] 2. **中证1000样本因子**： - 三个月反转：最近一周超额1.09%，年化IR -0.78%[23] - 股息率：最近一周超额-1.22%，年化IR 5.80%[23] 注：所有公式引用自原文优化模型[41][42]，因子计算方式详见因子库表[17]

根据提供的港股投资周报内容，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. **港股精选组合模型** - **构建思路**：基于分析师推荐事件（盈利预测上调、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出优质股票[15][17] - **具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖或标题含“超预期”的研报事件 2. 基本面筛选：从事件股票池中选取财务指标（如ROE、营收增速）优于行业的个股 3. 技术面筛选：结合股价动量（如250日涨跌幅前20%）和趋势稳定性指标[17] - **模型评价**：长期超额收益显著，年化超额达18.48%，但需警惕市场风格切换风险[17] 2. **平稳创新高股票筛选模型** - **构建思路**：从创250日新高的股票中，筛选具备持续动量且路径平稳的个股[21][23] - **具体构建过程**： 1. 初筛条件： - 样本池：上市超15个月的港股 - 分析师关注度：过去6个月≥5份买入/增持研报 - 股价强度：250日涨跌幅前20%[24] 2. 精细化筛选： - **价格路径平滑性**：位移路程比（公式未明确给出） - **创新高持续性**：过去120日新高距离均值 $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中`Closet`为最新收盘价，`ts_max(Close, 250)`为250日最高价[23] - 最终取综合排名前50的股票[24] - **模型评价**：聚焦医药/科技等强势板块，但需结合流动性风险控制[23] --- 量化因子与构建方式 1. **250日新高距离因子** - **构建思路**：量化股价接近历史高点的程度，捕捉趋势延续性[23] - **具体构建**： $$因子值 = 1 - \frac{当前收盘价}{过去250日最高收盘价}$$ 值为0表示创历史新高，正值越大表明回调越深[23] - **因子评价**：有效识别强势股，但需配合波动率控制[23] 2. **股价位移路程比因子** - **构建思路**：衡量股价路径的平滑性（未给出具体公式）[24] - **评价**：用于过滤波动过大个股，增强组合稳定性[24] --- 模型的回测效果 | 模型/因子 | 年化收益 | 超额收益 | IR | 最大回撤 | 测试区间 | |--------------------|----------|----------|-------|----------|----------------| | 港股精选组合 | 19.11% | 18.48% | 1.22 | 23.73% | 2010-2025[20] | | 平稳创新高股票组合 | - | - | - | - | 未披露具体数值 | --- 因子的回测效果 | 因子 | IC值 | 分组收益差 | 显著性 | 测试周期 | |--------------------|----------|------------|--------|----------| | 250日新高距离 | 未披露 | 未披露 | 未披露 | 250日[23] | | 股价位移路程比 | 未披露 | 未披露 | 未披露 | 120日[24] | 注：部分指标因报告未披露详细测试结果暂缺[20][23][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： --- 量化因子与构建方式 1. **因子名称**：250日新高距离 - **构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票接近历史高点的程度[11] - **具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close,250)\)为过去250日收盘价最大值 若收盘价创250日新高，则值为0；若回落，则为正数表示回落幅度[11] - **因子评价**：有效捕捉动量效应，符合经典趋势跟踪理论[11] 2. **因子名称**：平稳创新高筛选因子（复合因子） - **构建思路**：结合分析师关注度、股价路径平滑性等多维度筛选具备持续动量的股票[25][27] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份[27] - **股价相对强弱**：过去250日涨跌幅全市场前20%[27] - **股价路径平滑性**： $$\text{位移路程比} = \frac{\text{过去120日涨跌幅绝对值}}{\text{过去120日日涨跌幅绝对值加总}}$$ - **创新高持续性**：过去120日的250日新高距离时间序列均值[27] - **趋势延续性**：过去5日的250日新高距离时间序列均值[27] 最终筛选排名前50的股票[27] - **因子评价**：综合反映动量质量和市场关注度，避免短期波动干扰[25] --- 因子的回测效果 1. **250日新高距离因子**： - 上证指数、深证成指、沪深300等指数的250日新高距离分别为0.00%、5.06%、4.64%[12] - 有色金属、钢铁等行业250日新高距离为0.00%（创历史新高）[13] - 万得全A等权概念指数250日新高距离接近0[15] 2. **平稳创新高筛选因子**： - 全市场1001只股票创250日新高，医药、基础化工行业数量最多（129/122只）[19] - 中证2000、中证1000指数中创新高个股占比18.05%、14.70%[20] - 筛选出的46只平稳创新高股票中，制造/科技板块占比最高（14/13只）[28] --- 补充说明 - **数据来源**：所有指标计算基于Wind数据，时间截点为2025年7月18日[12][19][27] - **理论依据**：参考George (2004)、马克·米勒维尼等动量效应研究[11][18]

量化模型与因子分析总结 量化因子与构建方式 1. **市值因子** - 构建思路：通过线性关系描述股票市值大小对收益的影响[12] - 具体构建：将全市场股票按市值等分为10组(G01-G10)，计算各组超额收益。市值最小组(G01)超额收益最高达22.4%，随市值增加收益递减，最大值组(G10)为-5.6%[19][22] - 因子评价：2025H1表现最强的风格因子，分组效果显著且收益稳定[19] 2. **中盘因子** - 构建思路：通过三次函数刻画大盘/小盘之外的股票特征[24] - 具体构建：定义为非线性市值因子，中证1000和中证500为中盘集中域。中盘最小/次小组(G01/G02)收益显著高于其他组(21.6%/13.7%)，其余组收益分化较小(-2.7%~1.5%)[19][22] - 因子评价：与市值因子存在部分重叠但提供额外收益维度[24] 3. **规模因子(量价类)** - 构建结果：在中证1000指增测试中累计收益6.09%，自相关性21%，表现优于其他量价因子[63] 4. **分析师预期因子组合** - 包含细分：估值(3.51%)、成长(5.00%)、盈利调整(4.39%)等，其中盈利调整因子自相关性达-77%[63] 5. **基本面因子组合** - 包含细分：成长因子累计收益4.68%，盈利动量反转1.83%，波动率2.35%[63] 模型回测效果 1. **成分占比80%的指增模型** - 沪深300指增：超额7.97%，IR 5.38，最大回撤-1.16%(约束市值/中盘敞口0.4)[35] - 中证500指增：超额9.20%，IR 5.24，最大回撤-1.39%(含10%微盘占比)[35] - 中证1000指增：超额10.12%，IR 5.40，最大回撤-1.50%[35] 2. **放宽成分占比的指增模型** - 中证500指增(40%成分+20%微盘)：超额17.08%，IR 5.07，最大回撤-2.43%[40] - 中证1000指增(40%成分+20%微盘)：超额16.81%，IR 5.38，最大回撤-2.04%[40] 3. **多因子组合模型** - 中证1000指增精选3类因子：累计超额11.28%，规模因子单独贡献6.09%[63] 关键发现 1. 市值分组效应显著，最小市值组超额22.4%且随市值增加收益递减[19][22] 2. 中盘因子最小两组(G01/G02)市场权重仅3.1%但超额显著[19][23] 3. 银行行业是唯一能提供稳定超额的行业(累计收益5.0%，IR 4.0)[16][18] 4. 2025H1相较历史时期：正超额市值分组更多、收益分化更平滑[51][55] 5. 成分占比放宽至40%配合微盘暴露可提升超额收益3-5%[40]

根据提供的研报内容，该报告主要聚焦于稳定币行业研究，并未涉及量化模型或量化因子的构建与分析。报告的核心内容包括： 1. 稳定币类型与应用场景 - 法币储备型（如USDT/USDC）[12] - 加密资产抵押型（如DAI）[12] - 算法稳定币[12] 2. 四大核心应用场景 - DeFi场景中的交易媒介作用[25][34] - 本地支付场景的费率优化（0.3%-0.7% vs 传统2%-3%）[41] - 跨境结算的时效提升（T+3→分钟级）[46][48] - RWA代币化的流动性改善（认购费从$25→$0.5）[55][59] 3. 行业竞争格局 - USDC的合规优势（620亿美元市值）[66][75] - USDT的流动性优势（1606亿美元市值）[66][76] - 银行系与科技系稳定币的差异化定位[77][78] 4. 基础设施成熟度 - DeFi场景已具雏形[71] - 跨境结算1-3年可成熟[71] - 本地支付需3年以上建设[71] - RWA需3-5年法律完善[71] 注：由于报告主题为稳定币行业分析，未包含量化投资领域的模型/因子相关内容，故无法按模板要求输出量化模型/因子相关的详细构建流程与测试结果。报告核心价值在于对稳定币商业逻辑和行业演进路径的深度剖析[15][63][72]。

根据提供的金融工程日报内容，以下是总结的量化模型与因子相关内容： 量化因子与构建方式 1. **因子名称：封板率因子** - **构建思路**：通过统计涨停股票在盘中最高价涨停且收盘仍涨停的比例，反映市场情绪和资金封板意愿[16] - **具体构建过程**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计范围限定为上市满3个月以上的股票[16] 2. **因子名称：连板率因子** - **构建思路**：衡量连续两日涨停的股票比例，用于捕捉市场短期动量效应[16] - **具体构建过程**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 同样限定上市满3个月的股票样本[16] 3. **因子名称：大宗交易折价率因子** - **构建思路**：通过大宗交易成交价与市价的偏离程度，反映大资金对标的的偏好[25] - **具体构建过程**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均折价率为5.80%[25] 4. **因子名称：股指期货年化贴水率因子** - **构建思路**：通过计算股指期货主力合约与现货指数的基差年化值，反映市场预期和套利成本[27] - **具体构建过程**： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 覆盖上证50、沪深300、中证500和中证1000主力合约[27] 因子回测效果 1. **封板率因子** - 当日取值66%（较前日下降4%）[16] - 近一个月趋势显示波动范围60%-70%[16] 2. **连板率因子** - 当日取值30%（较前日下降2%）[16] - 近一个月均值约35%[16] 3. **大宗交易折价率因子** - 当日折价率6.90%（高于半年均值5.80%）[25] - 半年日均成交金额12亿元[25] 4. **股指期货年化贴水率因子** - 当日取值： - 上证50：0.57%（55%分位）[27] - 沪深300：3.06%（52%分位）[27] - 中证500：9.33%（49%分位）[27] - 中证1000：12.08%（51%分位）[27] - 近一年中位数分别为1.44%、3.11%、9.20%、12.42%[27] 模型评价 （注：原文未提供对模型或因子的定性评价，故跳过此部分）

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： --- 量化因子与构建方式 1. **封板率因子** - 构建思路：衡量涨停股的封板稳定性，反映市场短期情绪强度[16] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月的股票，计算当日同时满足盘中最高价涨停和收盘涨停的股票占比[16] - 因子评价：高频情绪指标，对短线交易策略有较强参考性 2. **连板率因子** - 构建思路：捕捉连续涨停股的比例，识别市场热点持续性[16] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股名单计算次日仍涨停的比例[16] - 因子评价：反映市场资金抱团效应，需结合成交量验证 3. **股指期货年化贴水率因子** - 构建思路：通过基差水平衡量市场对冲成本与预期[28] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的贴水率并年化[28] - 因子评价：有效反映机构投资者对远期市场的风险溢价要求 4. **大宗交易折价率因子** - 构建思路：监测大资金交易价格偏离度，捕捉机构行为信号[26] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单日所有大宗交易成交价相对于市价的加权平均折价[26] - 因子评价：高频机构资金流向指标，需警惕流动性偏差 --- 因子回测效果 1. **封板率因子** - 当日值：70%（较前日+5%）[16] - 近一月趋势：持续提升（未提供具体数值）[16] 2. **连板率因子** - 当日值：33%（较前日+10%）[16] - 近一月趋势：波动上行（未提供具体数值）[16] 3. **股指期货年化贴水率因子** - 上证50：2.04%（46%分位）[28] - 沪深300：4.81%（35%分位）[28] - 中证500：22.01%（8%分位）[28] - 中证1000：13.50%（43%分位）[28] 4. **大宗交易折价率因子** - 当日值：6.26%（近半年均值5.78%）[26] - 近半年日均成交额：12亿元[26] --- 注：报告中未提及具体量化模型，仅包含市场监测类因子。所有因子数据均基于2025年7月15-16日最新计算结果[16][26][28]

根据提供的研报内容，以下是关于ETF市场分析的总结： ETF市场概况 1. **市场规模与增长** - 截至2025年6月30日，中国ETF市场规模达4.3万亿元，较2024年底增长近5800亿元[1][6] - 股票型ETF规模3.23万亿元，债券型ETF规模3840亿元[6] - 债券ETF上半年规模增长超过2000亿元，港股ETF贡献股票型ETF增长中的1200亿元[2][7] 2. **产品结构变化** - 股票型ETF数量从893只增至1055只，债券型ETF从21只增至29只[7] - 规模增长前20的ETF中，9只为债券型ETF，7只为新发基准做市信用债ETF，总规模超1200亿元[13] 热门ETF品种 1. **规模增长领先的ETF** - 华夏沪深300ETF规模增长327亿元，华安黄金ETF增长311亿元，富国中证港股通互联网ETF增长257亿元[14] - 基准做市信用债ETF表现突出，如南方上证基准做市公司债ETF增长216亿元[14] 2. **港股ETF表现** - 港股科技ETF中，富国中证港股通互联网ETF规模479亿元，工银国证港股通科技ETF增长152亿元[17] - 港股创新药ETF呈现分化，汇添富国证港股通创新药ETF增长71亿元，广发中证香港创新药ETF增长55亿元[17] 基金公司动态 1. **规模增长排名** - 华夏基金非货ETF规模增长928亿元居首，易方达增长647亿元，富国基金增长514亿元[19] - 海富通基金凭借3只债券ETF实现规模增长超400亿元[19] 2. **新发ETF特点** - 富国、华夏新发ETF数量最多（13只和11只），主要布局科创&创业板及港股ETF[20] - 新发ETF集中在科创板（44只）、红利现金流（29只）、港股（18只）板块[23] 费率与份额变化 1. **管理费率** - 超1/4股票型ETF管理费降至0.15%，债券型ETF中27/29只费率为0.15%[24] - 华夏、方正富邦等7家公司的9只ETF实施降费至0.15%[26] 2. **份额变动规律** - 交易型ETF（如机器人、人工智能）份额与行情高度相关，阶段高点可能出现赎回[31] - 配置型ETF（如港股红利）份额持续稳定增长，不受短期行情影响[31] 图表数据补充 - 港股科技ETF份额与恒生科技指数点位呈现同步波动[30] - 国防军工ETF在4月后份额随指数上涨快速扩张，但高点出现赎回[40] （注：原文未涉及量化模型或因子构建的具体内容，故未包含相关部分）

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称**：业绩预告景气度因子 **因子构建思路**：通过业绩预告类型（正向/负向）的披露率差异衡量行业景气度[6][16] **因子具体构建过程**： - 正向预告包括"预增"、"略增"、"续盈"、"扭亏"，负向预告包括"预减"、"略减"、"续亏"、"首亏"[16] - 计算各行业正向披露率（正向预告数量/行业公司总数）和负向披露率（负向预告数量/行业公司总数）[16] - 景气度计算公式： $$景气度 = \frac{正向披露率}{负向披露率}$$ **因子评价**：能有效捕捉行业层面的业绩预期差异，非银金融、有色金属等行业景气度最高[16][17] 2. **因子名称**：净利润增长率中位数因子 **因子构建思路**：基于业绩预告中净利润变动幅度的行业比较[6][18] **因子具体构建过程**： - 取业绩预告中净利润变动幅度上下限绝对值的较大者作为"净利润增长率"[18] - 按行业计算该增长率的中位数 **因子评价**：综合、钢铁等行业增长潜力突出，但需注意预告数据与实际财报的偏差风险[18][19] 因子的回测效果 1. **业绩预告景气度因子** - 非银金融正向披露率39%（全行业最高），有色金属景气度比值达3.5[16][17] - 电子、农林牧渔景气度比值超2.0[17] 2. **净利润增长率中位数因子** - 综合行业中位数增长率200%，钢铁行业150%，非银金融120%[18][19] - 煤炭行业增长率中位数为负（-50%）[19] 事件效应模型 1. **模型名称**：业绩预告事件窗口模型 **模型构建思路**：分析预告公布前后30天的超额收益规律[21][22] **模型具体构建过程**： - 统计2020-2024年个股相对行业指数的每日超额收益 - 正向预告组和负向预告组分别计算事件窗口[-30,30]内的平均超额 - 关键观测窗口： - 预告前30天至前1天（市场提前反应） - 预告后1天至30天（修复效应） **模型评价**：正向预告存在动量效应，负向预告存在修复效应但波动更大[21][22] 模型测试结果 1. **业绩预告事件窗口模型** - 正向预告组： - 预告前30天累计超额1.22%[22] - 预告后30天累计超额1.91%[22] - 负向预告组： - 预告前30天累计超额-1.11%[22] - 预告后30天累计超额0.09%[22] 注：所有数据均基于2020-2024年历史回测结果[21][22]