量化模型与构建方式 1. **模型名称**：成交量模型 - **模型构建思路**：基于宽基指数的成交量变化判断市场短期走势[12] - **模型具体构建过程**：监测宽基指数（如上证指数、沪深300等）的成交量突破阈值，结合价格趋势确认信号。当成交量显著放大且价格突破关键位时触发看多信号[12] 2. **模型名称**：低波动率模型 - **模型构建思路**：通过计算宽基指数的历史波动率判断市场风险偏好[12] - **模型具体构建过程**：采用20日波动率标准差，当波动率低于历史中位数时输出中性信号[12] 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪龙虎榜机构资金流向构建看空/看多信号[12] - **模型具体构建过程**：统计机构席位净卖出金额占比，超过阈值时触发看空信号[12] 4. **模型名称**：智能沪深300/中证500模型 - **模型构建思路**：结合机器学习和价量因子对指数进行择时[12] - **模型评价**：在趋势行情中表现优异，震荡市易产生误判[12] 5. **模型名称**：涨跌停模型 - **模型构建思路**：通过市场涨跌停家数比判断中期情绪[13] - **模型具体构建过程**：计算涨停/跌停股票数量比值，5日均值高于1.5时看多，低于0.8时看空[13] 6. **模型名称**：长期动量模型 - **模型构建思路**：基于250日收益率排序判断长期趋势[14] - **模型具体构建过程**：$$ Momentum_{250} = \frac{P_t}{P_{t-250}} - 1 $$，数值处于历史前30%分位时看多[14] 7. **复合模型**：A股综合兵器V3模型 - **模型构建思路**：耦合短期成交量、中期涨跌停和长期动量信号[15] - **模型评价**：多周期信号互补，稳定性优于单一模型[15] 8. **港股模型**：成交额倒波幅模型 - **模型构建思路**：结合港股成交额与波动率异常检测[16] - **模型具体构建过程**：$$ Signal = \frac{Turnover_{10D}}{VIX_{10D}} $$，突破布林带上轨时看多[16] 模型的回测效果 1. 成交量模型：上证指数看多信号周胜率62%[12] 2. 低波动率模型：沪深300中性信号年化波动率18%[12] 3. 智能沪深300模型：年化超额收益9.8%，IR 1.2[12] 4. 长期动量模型：国证2000指数年化收益差3.5%[14] 5. 成交额倒波幅模型：恒生指数看多信号月胜率58%[16] 量化因子与构建方式 1. **因子名称**：杯柄形态因子 - **因子构建思路**：识别价格走势中的杯柄突破形态[44] - **因子具体构建过程**： 1. 定义A点（左杯沿）、B点（杯底）、C点（右杯沿）[44] 2. 计算形态长度（A到C周数）[44] 3. 突破条件：$$ P_{break} = C_{high} + 0.5 \times (A_{high} - B_{low}) $$[44] 2. **因子名称**：双底形态因子 - **因子构建思路**：捕捉W形底部反转信号[49] - **因子具体构建过程**： 1. 识别A（左底）、B（颈线）、C（右底）三点[49] 2. 突破条件：$$ P_{break} = B_{high} + 0.618 \times (B_{high} - A_{low}) $$[49] 因子的回测效果 1. 杯柄形态因子：2020年至今累计超额收益45.93%，周胜率53%[43] 2. 双底形态因子：同期累计超额收益34.82%，周胜率48%[43]

量化模型与构建方式 1. **信达金工行业轮动策略** - 构建思路：基于绩优基金持仓倾向的边际变化构建行业轮动模型，跟踪超配和低配行业[36] - 具体构建过程： 1. 筛选绩优基金样本（成立期满、规模门槛等）[25] 2. 计算行业持仓权重与市场基准的偏离度，识别超配/低配信号[36] 3. 生成行业轮动信号表（如国防军工、有色金属等连续超配）[39] - 评价：策略通过捕捉机构资金动向实现行业超额收益，但需警惕市场风格切换风险[36] 2. **哑铃型组合策略** - 构建思路：结合保险资金长周期考核要求，平衡稳健收益与弹性博弈[13] - 具体构建过程： 1. 配置低波动高分红资产（如银行ETF）作为稳定端[43] 2. 搭配高弹性品种（如科创50ETF）作为成长端[41] 3. 动态调整权重以适应考核周期（3年/5年权重70%）[13] --- 量化因子与构建方式 1. **基金仓位因子** - 构建思路：监测主动权益基金仓位变化反映市场风险偏好[22] - 具体构建过程： 1. 分类计算普通股票型（88.63%）、偏股混合型（84.06%）等仓位[22] 2. 加权平均得到全市场仓位指标（83.93%）[22] 3. 结合历史分位数判断极端仓位区间[23] - 评价：仓位下行时往往对应市场底部区域，但需结合资金流验证[22] 2. **风格暴露因子** - 构建思路：量化基金在大盘/小盘、成长/价值风格的配置变化[30] - 具体构建过程： 1. 划分六大风格板块（如大盘成长、小盘价值等）[30] 2. 计算持仓占比变化（如小盘成长仓位下降3.45pct）[30] 3. 生成风格轮动热力图（图5）[31] 3. **行业动量因子** - 构建思路：捕捉ETF资金流入驱动的行业短期动量[41] - 具体构建过程： 1. 统计周度资金净流入（如通信+0.42pct）[33] 2. 结合涨跌幅排名（综合金融+6.73%）[17] 3. 构建多空组合（超配通信/低配电子）[34] --- 模型回测效果 1. **信达金工行业轮动策略** - 多头超额收益：1.95倍（2020-2025年）[36] - 近期胜率：有色金属、国防军工等连续8周超配[39] 2. **哑铃型组合策略** - 稳定端收益：银行ETF年内回报19.6%[43] - 成长端收益：科创50ETF周涨幅0.99%[41] --- 因子回测效果 1. **基金仓位因子** - 极端低仓位信号：当前83.93%接近年内最低[22] - 与指数相关性：与中证全指相关系数0.82[23] 2. **风格暴露因子** - 大盘成长暴露：周度上升2.2pct[30] - 小盘成长占比：46.08%（仍为主导风格）[30] 3. **行业动量因子** - 通信行业：资金流入+0.42pct，周涨幅3.42%[33][17] - 电子行业：资金流出-0.83pct，周涨幅0.86%[33][17] --- 指标说明 - **仓位计算**：$$仓位=\frac{持股市值}{基金净资产}$$[22] - **风格划分**：按市值（大/中/小盘）和估值（成长/价值）二维分类[30] - **资金流计算**：$$净流入=\sum(买入金额-卖出金额)$$[41]

量化模型与因子分析总结 风格因子分析 1. **Trend风格因子** 构建思路：通过指数加权移动平均(EWMA)计算不同半衰期价格趋势的比值来衡量股票趋势强度[17] 具体构建： - Trend_120 = EWMA(halflife=20)/EWMA(halflife=120) - Trend_240 = EWMA(halflife=20)/EWMA(halflife=240) 评价：反映市场对趋势投资策略的持续偏好，近期表现突出[12][14] 2. **Beta风格因子** 构建思路：采用贝叶斯压缩方法计算个股对市场的敏感度[17] 评价：高Beta股票近期关注度回升[12][14] 3. **Growth风格因子** 构建思路：包含ROE变动、销售收入和净资产复合增速三个子因子[17] 具体构建： - Delta ROE = 过去3年ROE变动的平均值 - Sales_growth = 销售收入TTM的3年复合增速 - Na_growth = 净资产TTM的3年复合增速 评价：市场对成长型股票偏好增强[12][14] 4. **Size风格因子** 构建思路：采用总市值对数衡量[17] 评价：近期表现承压，市场对小盘股关注度减弱[12][14] 量化因子分析 估值类因子 1. **BP因子** 构建思路：账面市值比，计算为净资产/总市值[23] 评价：在多个样本空间中表现稳健[27][32][37][43][47][53][57] 2. **EP因子** 构建思路：盈利收益率，计算为归母净利润/总市值[23] 具体变体： - 单季EP = 单季度归母净利润/总市值 - TTM_EP = 滚动市盈率倒数[23] 成长类因子 1. **单季净利同比增速** 构建思路：单季度净利润同比增长率[23] 评价：在中证全指样本空间表现最佳[57] 2. **DELTAROE因子** 构建思路：单季净资产收益率同比变化[23] 评价：在中证1000样本空间表现突出[43] 3. **标准化预期外盈利(SUE)** 构建思路：(单季实际净利-预期净利)/预期净利标准差[23] 评价：在中证500样本空间表现最佳[32] 盈利类因子 1. **单季ROE** 构建思路：单季净利润*2/(期初净资产+期末净资产)[23] 评价：在创业板指样本空间表现分化[53] 2. **PB_ROE_排序差** 构建思路：全市场PB排序-单季ROE排序[23] 评价：在中证1000样本空间表现最佳[43] 流动性类因子 1. **特异度(IVR_1M)** 构建思路：1-过去20日Fama-French三因子回归拟合度[23] 评价：在沪深300和中证800样本空间表现突出[27][37] 因子回测效果 风格因子表现 | 因子名称 | 近一周 | 近一月 | 今年以来 | 历史年化 | |---------|-------|-------|---------|---------| | Trend | 2.15% | 5.62% | -1.74% | 14.22% | | Beta | 1.53% | 6.78% | 15.11% | 0.66% | | Growth | 1.42% | 1.96% | 0.17% | 2.81% | | Size | -1.08% | -2.63% | -35.83% | -29.71% | [14] 量化因子表现（以中证全指为例） | 因子名称 | 近一周 | 近一月 | 今年以来 | 历史年化 | |---------|-------|-------|---------|---------| | 单季净利同比增速 | 1.69% | 3.19% | 8.08% | 3.20% | | 单季营利同比增速 | 1.49% | 3.18% | 6.66% | 0.69% | | DELTAROE | 1.27% | 3.64% | 9.97% | 3.68% | [57] 指数增强产品表现 沪深300增强 | 分位点 | 近一周 | 近一月 | 今年以来 | |-------|-------|-------|---------| | max | 0.93% | 1.90% | 8.86% | | 中位数 | 0.20% | 0.48% | 2.54% | [64][66] 中证500增强 | 分位点 | 近一周 | 近一月 | 今年以来 | |-------|-------|-------|---------| | max | 0.74% | 2.26% | 9.15% | | 中位数 | 0.15% | 0.86% | 3.88% | [68][70] 中证1000增强 | 分位点 | 近一周 | 近一月 | 今年以来 | |-------|-------|-------|---------| | max | 0.94% | 2.29% | 13.65% | | 中位数 | 0.17% | 0.98% | 5.82% | [72][74] 组合构建方法 **MFE组合构建模型**： $$\begin{array}{ll}max&f^{T}w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &0\leq w\leq l\\ &1^{T}w=1\\ &\Sigma|w-w_{0}|\leq to_{h}\end{array}$$ 该模型通过最大化单因子暴露(f^T w)构建组合，同时控制风格偏离(X)、行业偏离(H)、个股权重偏离等约束条件[75][76]

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. **短期量化择时模型** - 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进行综合判断[17][18] - 具体构建过程： 1. **基本面指标**：制造业PMI分位数（44.92%）、中长期贷款余额同比增速分位数（0.00%）、M1同比增速分位数（77.97%）[17] 2. **估值面指标**：A股整体PE分位数（94.79%）、PB分位数（76.34%）[17] 3. **情绪面指标**：Beta离散度分位数（40.68%）、量能情绪分位数（90.82%）、波动率分位数（4.55%）[18] 4. **流动性指标**：货币利率指标分位数（33.90%）、汇率预期指标分位数（40.68%）、融资额分位数（84.20%）[18] 通过加权综合上述指标信号生成总仓位建议（乐观/中性/谨慎）[20] - 模型评价：多维度动态调整，历史表现显著优于基准[19] 2. **成长价值风格轮动模型** - 模型构建思路：基于盈利周期、利率周期、信贷周期分析成长与价值风格的相对优势[28][29] - 具体构建过程： 1. **基本面指标**：盈利斜率周期水平（4.17）、利率综合周期水平（9.17）、信贷综合周期变化（-3.33）[30] 2. **估值面指标**：成长价值PE差分位数（14.87%）、PB差分位数（34.18%）[30] 3. **情绪面指标**：换手差分位数（21.09%）、波动差分位数（22.55%）[30] 通过信号叠加生成超配价值或成长的建议[30] - 模型评价：中长期超额收益稳定，但近期超额收益有所回落[29] 3. **小盘大盘风格轮动模型** - 模型构建思路：类似成长价值模型，但针对市值风格差异调整指标[33][34] - 具体构建过程： 1. **基本面指标**：盈利斜率周期水平（4.17）、利率综合周期水平（9.17）、信贷综合周期变化（-3.33）[35] 2. **估值面指标**：小盘大盘PE差分位数（80.35%）、PB差分位数（96.77%）[35] 3. **情绪面指标**：换手差分位数（64.93%）、波动差分位数（65.44%）[35] 输出均衡配置建议[35] 4. **四风格轮动模型** - 模型构建思路：整合成长价值和小盘大盘模型的结论进行组合优化[36] - 具体构建过程：将成长价值和小盘大盘信号矩阵化，生成四风格配置比例（如小盘成长12.5%/小盘价值37.5%/大盘成长12.5%/大盘价值37.5%）[37] 模型的回测效果 1. **短期量化择时模型** - 年化收益率：16.71%（基准4.32%）[19] - 最大回撤：27.70%（基准31.41%）[19] - 夏普比率：0.9969（基准0.2493）[22] 2. **成长价值风格轮动模型** - 年化收益率：11.73%（基准6.84%）[29] - 年化超额收益：4.89%[29] - 月度胜率：58.28%（基准54.97%）[32] 3. **小盘大盘风格轮动模型** - 年化收益率：12.21%（基准6.85%）[34] - 年化波动率：22.73%（基准22.00%）[35] 4. **四风格轮动模型** - 年化收益率：13.25%（基准7.40%）[37] - 收益回撤比：0.2765（基准0.1508）[37] 量化因子与构建方式 1. **交易量能因子** - 构建思路：结合成交额和换手率衡量市场情绪[5][16] - 具体构建： $$量能得分 = 标准化(60日成交量) + 标准化(换手率布林带宽度)$$ 当前分位数：90.82%[16] 2. **Beta离散度因子** - 构建思路：通过个股Beta系数离散程度判断市场局部过热风险[5][18] - 当前分位数：40.68%[18] 3. **估值差因子** - 构建思路：计算成长与价值风格的PE/PB差异[30][35] - 具体构建： $$PE差 = 成长风格PE中位数 - 价值风格PE中位数$$ 当前PE差分位数：成长价值14.87%/小盘大盘80.35%[30][35] 因子的回测效果 1. **交易量能因子** - 当前分位数：90.82%（过去5年）[16] 2. **Beta离散度因子** - 当前分位数：40.68%（过去5年）[18] 3. **估值差因子** - 成长价值PE差分位数：14.87%[30] - 小盘大盘PE差分位数：80.35%[35]

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**：银河沪深300指数增强策略 - **模型构建思路**：在跟踪沪深300指数的基础上，通过多因子选股、指数复制和事件驱动等方式进行收益增强，同时严格控制风险[60] - **模型具体构建过程**： 1. **多因子选股**：结合价值、成长、质量等因子构建选股模型，筛选具有超额潜力的个股 2. **指数复制**：采用优化复制法控制跟踪误差，确保组合与基准指数风格一致 3. **事件驱动**：捕捉如成分股调整、财报披露等事件带来的短期机会 4. **风险控制**：设定日均跟踪偏离度≤0.5%，年跟踪误差≤7.75%[39] - **模型评价**：策略兼顾超额收益与风险控制，历史表现稳定 2. **因子名称**：行业偏离因子 - **因子构建思路**：通过超配/低配特定行业获取超额收益，同时限制偏离幅度以控制风险[50] - **因子具体构建过程**： 1. 计算基金持仓与沪深300指数的行业权重差异 2. 设定单行业偏离阈值≤1.5%（电子、医药等部分行业放宽至2%） 3. 动态调整超配行业（如电子+1.66%、计算机+1.42%）和低配行业（如医药-1.86%）[52] - **因子评价**：在严格约束下有效贡献超额收益 模型的回测效果 1. **银河沪深300指数增强模型** - **年化超额收益**：6.49%（成立以来）[41] - **分年度超额收益**：2020年13.24%、2021年11.06%、2022年4.17%、2023年2.83%、2024年4.49%、2025年3.27%[43] - **年跟踪误差**：均值2.68%（2020年以来），最大3.38%[44] - **信息比率(IR)**：2025年3.98（同类排名前5）[46] - **最大回撤**：各年度均优于基准（如2024年-10.89% vs 沪深300 -14.41%）[44] 因子的回测效果 1. **行业偏离因子** - **电子行业超配**：2024年贡献超额收益1.66%[52] - **医药行业低配**：2024年规避风险收益1.86%[52] - **组合行业偏离度**：90%行业控制在±1.5%以内[50] 注：报告中未披露其他因子的具体构建公式或独立测试结果，主要超额收益归因于多因子模型的综合应用[60]

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. **模型名称：港股精选组合** - **模型构建思路**：基于分析师推荐事件（上调盈利预测、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[14][15] - **模型具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖、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盈利增长稳定、估值合理的标的 3. 技术面筛选：结合股价动量（如250日新高）和路径平稳性指标 4. 组合优化：等权重配置通过筛选的股票，定期调仓[15] - **模型评价**：长期超额收益显著，但对市场波动敏感，需动态调整筛选阈值[15][19] 2. **因子名称：250日新高距离因子** - **因子构建思路**：衡量股价接近历史高点的程度，捕捉动量效应[20][22] - **因子具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中$Closet$为最新收盘价，$ts\_max(Close, 250)$为过去250交易日最高价[22] - **因子评价**：在港股市场有效性显著，但需结合其他指标过滤噪音信号[20] 3. **复合因子：平稳创新高筛选体系** - **构建思路**：综合动量、分析师关注度、价格路径平滑性多维特征[22][23] - **具体构建过程**： 1. 初筛：过去20日创250日新高+6个月≥5份买入评级研报 2. 动量筛选：250日涨跌幅前20% 3. 平稳性计算： - 位移路程比 = 区间价格变化幅度 / 价格波动累计幅度 - 创新高持续性 = 过去120日250日新高距离的时序均值 4. 最终筛选：综合评分前50名[23] 模型回测效果 1. **港股精选组合** - 年化收益：19.11% - 超额收益（vs恒指）：18.48% - 最大回撤：23.73% - 信息比率(IR)：1.22 - 跟踪误差：14.55%[19] 2. **平稳创新高因子** - 入选股票平均250日涨幅：189.6%（前20%分位数） - 创新高后20日平均超额：3.2%[22][28] 因子回测效果 1. **250日新高距离因子** - 创0新高距离股票未来20日胜率：63.4% - 前20%分组年化超额收益：15.8%[22][28] 2. **位移路程比因子** - 前30%分组年化IR：1.45 - 多空收益差：9.7%/年[23] 注：所有测试结果基于2010-2025年港股市场数据[19][22][23]

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：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] - **模型具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年分红点位进行预测 2. 计算各合约存续期内分红点位占比 3. 公式： $$年化基差 = \frac{(实际基差 + 预期分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$ 4. 2025年7月11日预测值：中证500(79.05)、沪深300(68.57)、上证50(50.38)、中证1000(58.71)[9][10][12][14][16][18] 2. **模型名称：期现对冲策略** - **模型构建思路**：通过期货端对冲现货风险，利用基差收敛特性优化收益[44][46] - **模型具体构建过程**： - **连续对冲策略**： 1. 现货端持有全收益指数（70%资金） 2. 期货端做空等额名义本金的股指期货合约（30%资金） 3. 调仓规则：季月/当月合约持有至到期前2日切换 - **最低贴水策略**： 1. 选择年化基差贴水幅度最小的合约开仓 2. 同一合约持有8个交易日或到期前2日切换[46] 3. **模型名称：信达波动率指数（Cinda-VIX）** - **模型构建思路**：反映期权市场对标的资产未来波动率的预期[61] - **模型评价**：能有效捕捉市场恐慌情绪，期限结构可反映不同时间维度的风险预期[61] 4. **模型名称：信达偏度指数（Cinda-SKEW）** - **模型构建思路**：通过期权隐含波动率偏斜特征衡量市场尾部风险[69] - **模型评价**：SKEW>100表明市场对下跌风险担忧加剧，与VIX结合可增强预警效果[70] 模型的回测效果 1. **IC对冲策略（2022/7/22-2025/7/11）** - 当月连续对冲：年化收益-2.83%，波动率3.87%，最大回撤-8.26% - 季月连续对冲：年化收益-2.06%，波动率4.77%，最大回撤-8.34% - 最低贴水策略：年化收益-1.06%，波动率4.67%，最大回撤-7.97%[48] 2. **IF对冲策略** - 最低贴水策略表现最优：年化收益1.31%，波动率3.14%，净值1.0392[51] 3. **IH对冲策略** - 季月连续对冲表现最优：年化收益1.97%，净值1.0593[54] 4. **IM对冲策略** - 最低贴水策略：年化收益-3.83%，但最大回撤(-11.11%)显著优于指数(-41.60%)[59] 量化因子与构建方式 1. **因子名称：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[20] - **因子具体构建过程**： $$年化基差 = \frac{期货价格 - 指数价格 + 预期分红}{指数价格} \times \frac{360}{剩余天数}$$ - **因子评价**：小盘股指(IC/IM)基差贴水更显著，对对冲策略收益影响较大[21][39] 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差值反映市场短期/长期风险预期差异[61] - **因子取值**： - 上证50VIX(30日):19.77 - 中证500VIX(30日):25.01（显著高于其他指数）[61][63] 3. **因子名称：SKEW因子** - **因子构建思路**：虚值看跌期权隐含波动率溢价程度[69] - **因子取值**： - 中证500SKEW:102.27（突破80%历史分位警戒线）[70][75] 因子的回测效果 1. **年化基差因子** - IC当季合约：当前贴水7.95%，较前周上行[21] - IM当季合约：贴水10.46%，2022年以来中位数下方[39] 2. **VIX因子** - 中证500VIX(25.01)持续高于沪深300VIX(18.92)，反映小盘股波动风险溢价[61] 3. **SKEW因子** - 中证500SKEW(102.27)与高VIX形成共振，提示尾部风险[70]

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. **单季度净利润同比增长率因子** - 构建思路：反映公司短期盈利能力的增长情况[12] - 具体构建：计算单季度净利润同比变化率，公式为： $$ \text{单季度净利润同比增长率} = \frac{\text{本期净利润} - \text{去年同期净利润}}{\text{去年同期净利润}} $$ - 评价：对沪深300股票池近期表现敏感[13] 2. **市净率因子（PB）** - 构建思路：衡量股价与净资产的比值关系[14] - 具体构建： $$ \text{市净率} = \frac{\text{股票价格}}{\text{每股净资产}} $$ - 评价：在中证500股票池中表现突出[15] 3. **下行波动率占比因子** - 构建思路：捕捉股价下跌时的风险特征[16] - 具体构建：计算收益率下行区间的波动率占总波动率的比例[17] - 评价：在多股票池中稳定性较强[17] 4. **动量弹簧因子** - 构建思路：结合动量效应与均值回复特性[12] - 具体构建：通过标准化处理过去N日收益率与波动率的比值[13] - 评价：近期在沪深300中表现较差[13] 5. **大宗交易组合核心因子** - 构建思路：基于"高成交金额比率+低波动"原则[29] - 具体构建： - 大宗交易成交金额比率 = 大宗交易金额 / 总成交金额 - 6日成交金额波动率 = STD(近6日成交金额)[29] - 评价：事件驱动型因子有效性显著[29] 量化模型与构建方式 1. **PB-ROE-50模型** - 构建思路：结合估值与盈利能力的平衡策略[23] - 具体构建： 1) 在全市场筛选PB分位数最低的股票 2) 在低PB股票中选取ROE最高的50只[24] - 评价：长期超额收益稳定[24] 2. **机构调研组合模型** - 构建思路：利用机构调研行为中的信息优势[25] - 具体构建： - 公募调研选股：跟踪高频调研标的 - 私募调研跟踪：分析调研后股价反应[26] - 评价：私募策略超额更显著[26] 3. **定向增发事件驱动模型** - 构建思路：捕捉定增公告后的股价反应[35] - 具体构建： 1) 以股东大会公告日为事件节点 2) 结合市值因子控制风险[35] - 评价：受政策影响较大[35] 因子回测效果 | 因子名称 | 沪深300(1周) | 中证500(1周) | 流动性1500(1周) | 10年净值 | |--------------------------|--------------|--------------|------------------|----------| | 单季度净利润同比增长率 | 1.83%[13] | 0.88%[15] | 0.05%[17] | 83.5%[15]| | 市净率因子 | 0.81%[13] | 2.57%[15] | 0.08%[17] | 69.64%[15]| | 下行波动率占比 | 1.21%[13] | 2.07%[15] | 0.74%[17] | 148.35%[15]| | 动量弹簧因子 | -1.73%[13] | -1.23%[15] | -0.99%[17] | 65.53%[13]| 模型回测效果 | 模型名称 | 本周超额收益 | 年内超额收益 | 绝对收益 | |--------------------|--------------|--------------|----------| | PB-ROE-50(全市场) | 0.92%[24] | 9.28%[24] | 16.07%[24]| | 公募调研策略 | 0.80%[26] | 2.86%[26] | 5.80%[26]| | 大宗交易组合 | 1.22%[30] | 25.89%[30] | 33.71%[30]| | 定向增发组合 | 0.05%[36] | 8.72%[36] | 15.48%[36]|

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部分实现稳定超额收益[11][12] **模型具体构建过程**： - 收益预测：基于多因子模型筛选股票 - 风险控制：控制行业暴露、风格暴露等约束条件 - 组合优化：采用组合优化模型调整权重，最大化因子暴露 2. **模型名称**：单因子MFE组合 **模型构建思路**：通过组合优化的方式检验单因子在控制实际约束条件下的有效性[40] **模型具体构建过程**： - 目标函数：最大化单因子暴露 - 约束条件：包括风格暴露、行业暴露、个股权重偏离、成分股内权重占比等 - 优化模型公式： $$ \begin{array}{ll} \max & f^{T}w \\ \text{s.t.} & s_{l} \leq X(w-w_{b}) \leq s_{h} \\ & h_{l} \leq H(w-w_{b}) \leq h_{h} \\ & w_{l} \leq w-w_{b} \leq w_{h} \\ & b_{l} \leq B_{b}w \leq b_{h} \\ & \mathbf{0} \leq w \leq l \\ & \mathbf{1}^{T}w = 1 \end{array} $$ - 其中，\( f \)为因子取值，\( w \)为股票权重向量，\( w_b \)为基准指数成分股权重向量，\( X \)为风格因子暴露矩阵，\( H \)为行业暴露矩阵，\( B_b \)为成分股标识向量[40][41] 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**：通过财务指标与市值的比值衡量股票估值水平[17] **因子具体构建过程**： - BP：净资产/总市值 - 单季EP：单季度归母净利润/总市值 - EPTTM：归母净利润TTM/总市值 2. **因子名称**：成长类因子（单季净利同比增速、单季营收同比增速等） **因子构建思路**：通过财务指标的同比增长率衡量公司成长性[17] **因子具体构建过程**： - 单季净利同比增速：（本期单季度净利润-去年同期单季度净利润）/去年同期单季度净利润 - 单季营收同比增速：（本期单季度营业收入-去年同期单季度营业收入）/去年同期单季度营业收入 3. **因子名称**：盈利类因子（单季ROE、单季ROA等） **因子构建思路**：通过财务指标衡量公司盈利能力[17] **因子具体构建过程**： - 单季ROE：单季度归母净利润*2/（期初归母净资产+期末归母净资产） - 单季ROA：单季度归母净利润*2/（期初归母总资产+期末归母总资产） 4. **因子名称**：流动性类因子（一个月换手、三个月换手等） **因子构建思路**：通过交易数据衡量股票流动性[17] **因子具体构建过程**： - 一个月换手：过去20个交易日换手率均值 - 三个月换手：过去60个交易日换手率均值 5. **因子名称**：分析师类因子（预期EPTTM、三个月盈利上下调等） **因子构建思路**：通过分析师一致预期数据衡量市场预期变化[17] **因子具体构建过程**： - 预期EPTTM：一致预期滚动EP - 三个月盈利上下调：（过去3个月内分析师上调家数-下调家数）/总家数 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300指数增强组合：本年超额收益7.76%[5] - 中证500指数增强组合：本年超额收益9.34%[5] - 中证1000指数增强组合：本年超额收益14.45%[5] - 中证A500指数增强组合：本年超额收益9.03%[5] 2. **单因子MFE组合**： - 沪深300样本空间中，标准化预期外收入因子最近一周超额收益1.11%[19] - 中证500样本空间中，标准化预期外盈利因子最近一周超额收益1.01%[21] - 中证1000样本空间中，DELTAROE因子最近一周超额收益1.77%[23] - 中证A500样本空间中，特异度因子最近一周超额收益0.93%[25] - 公募重仓指数样本空间中，特异度因子最近一周超额收益1.06%[27] 因子的回测效果 1. **估值类因子**： - BP因子在沪深300样本空间中最近一周超额收益0.67%[19] - 单季EP因子在沪深300样本空间中最近一周超额收益0.74%[19] 2. **成长类因子**： - 单季营利同比增速因子在中证1000样本空间中最近一周超额收益1.24%[23] - 单季净利同比增速因子在中证500样本空间中最近一周超额收益0.55%[21] 3. **盈利类因子**： - DELTAROE因子在公募重仓指数样本空间中最近一周超额收益1.00%[27] - DELTAROA因子在中证500样本空间中最近一周超额收益0.67%[21] 4. **流动性类因子**： - 一个月换手因子在沪深300样本空间中最近一周超额收益-0.44%[19] - 三个月换手因子在公募重仓指数样本空间中最近一周超额收益-0.32%[27] 5. **分析师类因子**： - 预期EPTTM因子在中证A500样本空间中最近一周超额收益0.56%[25] - 三个月盈利上下调因子在沪深300样本空间中最近一周超额收益-0.53%[19]

量化模型与构建方式 1. **模型名称**：行业投资雷达模型 **模型构建思路**：通过价格与成交金额的变化方向划分行业走势状态，并在极坐标系中精确定位行业位置，以预测未来涨幅[7][8] **模型具体构建过程**： - **步骤1**：在直角坐标系中根据价格和成交金额变化方向划分4种状态（放量上涨、放量下跌、缩量下跌、缩量上涨）[10][11] - **步骤2**：转换至极坐标系，计算极径（马氏距离）和极角（反正切函数）以精确定位状态[13][14] - 极径公式： $$\rho={\sqrt{(x-y)^{T}\cdot\Sigma^{-1}\cdot(x-y)}}$$ 其中，\(x\)为当前价量数据，\(y\)为历史价量数据，\(\Sigma\)为协方差矩阵[13] - 极角公式： \(\theta = \arctan2(\text{成交变化幅度}, \text{价格变化幅度})\)[14] - **步骤3**：划分极坐标区域（极径5段、极角16区），统计各区域未来20日平均涨幅，筛选可投资区域[29][42] **模型评价**：直观、可解释性强，通过价量关系捕捉行业轮动规律[8][17] 2. **位置参数表构建** **构建思路**：建立历史多周期价量状态与未来涨幅的映射关系，支持不同调仓周期需求[37][47] **具体构建过程**： - 固定未来涨幅周期（如20日），遍历历史周期（5日至240日）计算极坐标位置[37] - 滚动窗口更新区域与未来涨幅的映射关系，避免未来信息泄露[52] - 扩展维度： - **维度1**：单日期多历史周期映射[47] - **维度2**：多日期多周期映射，增强规律稳定性[46] 模型的回测效果 1. **行业投资雷达模型** - **周度调仓组合**（2014-2025H1）： - 累计收益369.06%，年化收益13.16%，超额收益288.09%（基准等权组合80.97%）[56][64] - **月度调仓组合**： - 累计收益388.85%，年化收益13.54%，超额收益307.88%[59][64] - **半年度调仓组合**： - 累计收益279.77%，年化收益11.27%，超额收益198.80%[60][64] 2. **当前推荐行业**（2025年6月） - **周度组合**：钢铁、食品饮料[66][67] - **月度组合**：美容护理[69][70] - **半年度组合**：食品饮料、传媒、公用事业、电子、汽车[72][73] 量化因子与构建方式 1. **因子名称**：价量状态因子 **因子构建思路**：结合价格与成交金额变化方向及幅度，划分4种状态并量化极坐标位置[7][14] **因子具体构建过程**： - 计算价格和成交金额的涨跌幅，确定象限（直角坐标系）[10] - 转换为极坐标参数（极径、极角），公式见模型部分[13][14] - 根据历史数据统计各区域未来涨幅均值，生成因子值[29][42] 2. **因子名称**：多周期价量因子 **因子构建思路**：扩展时间窗口，增强因子稳定性[37][47] **因子具体构建过程**： - 聚合不同历史周期（如20日、60日）的价量状态与未来涨幅关系[47] - 滚动窗口更新因子映射表，避免过拟合[52] 因子的回测效果 1. **价量状态因子** - 有效区域未来20日平均涨幅最高达5.55%（极径比例区间1/5-2/5，极角弧度区间4π/8-5π/8）[42] - 放量上涨/下跌区域的超额收益显著（如3.51%涨幅对应极径2/5-3/5、极角5π/8-6π/8）[42][29] 2. **多周期价量因子** - 多周期合成后，可投资区域覆盖更广（如右图展示历史平均规律）[46][32] --- 注：以上总结未包含免责声明、风险提示等非核心内容[75][80][81][82]