根据提供的证券研究报告内容，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**：通过基本面、估值面、情绪面、流动性四个维度的指标综合判断市场短期走势[17][20][22] - **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（92.80%）、PB分位数（71.05%）[18] 3. **情绪面指标**：Beta离散度分位数（40.68%）、量能情绪分位数（72.70%）、波动率分位数（12.99%）[20] 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（80.81%）[20] 5. 采用加权打分机制，各维度信号权重均衡，最终输出乐观/中性/谨慎信号[22] 2. 成长价值轮动模型 - **模型构建思路**：基于盈利周期、利率周期、信贷周期构建基本面信号，结合估值差和情绪指标进行风格判断[32][34] - **具体构建过程**： 1. **基本面信号**： - 盈利周期斜率=4.17（利好成长） - 利率综合周期水平=9.17（利好价值） - 信贷综合周期变化=-3.33（利好价值）[32] 2. **估值信号**： - 成长价值PE差分位数=15.19% - PB差分位数=34.08%（均利好成长）[32] 3. **情绪信号**： - 换手差分位数=21.01%（利好价值） - 波动差分位数=20.58%（均衡）[32] 4. 采用三级信号加权体系，最终输出成长/价值配置比例[34] 3. 小盘大盘轮动模型 - **模型构建思路**：与成长价值模型类似，但指标调整为小盘大盘特异性指标[36][38] - **具体构建过程**： 1. **基本面信号**： - 盈利周期斜率=4.17（利好小盘） - 利率综合周期水平=9.17（利好大盘） - 信贷综合周期变化=-3.33（利好大盘）[36] 2. **估值信号**： - 小盘大盘PE差分位数=80.60% - PB差分位数=99.59%（均利好大盘）[36] 3. **情绪信号**： - 换手差分位数=54.26%（均衡） - 波动差分位数=83.71%（利好大盘）[36] 4. 采用相同加权机制输出配置建议[38] 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输出，形成四象限配置建议[31][43] - **具体构建过程**： 1. 接收成长价值模型输出（当前成长0%/价值100%）[32] 2. 接收小盘大盘模型输出（当前小盘50%/大盘50%）[36] 3. 按交叉组合计算配置比例： $$配置比例 = 成长价值权重 \times 小盘大盘权重$$[43] 4. 当前输出：小盘成长12.5%、小盘价值37.5%、大盘成长12.5%、大盘价值37.5%[31] --- 模型的回测效果 1. 短期择时模型 - 年化收益率：16.58%（基准4.26%）[21] - 年化超额收益率：12.32%[21] - 最大回撤：27.70%（基准31.41%）[21] - 夏普比率：0.9889（基准0.2440）[26] - 2024年以来年化收益率：27.68%（基准5.99%）[28] 2. 成长价值轮动模型 - 年化收益率：11.67%（基准6.77%）[33] - 年化超额收益率：4.90%[33] - 最大回撤：43.07%（基准44.13%）[35] - 夏普比率：0.5387（基准0.3231）[35] 3. 小盘大盘轮动模型 - 年化收益率：12.21%（基准6.85%）[37] - 年化超额收益率：5.36%[37] - 最大回撤：50.65%（基准53.70%）[40] - 夏普比率：0.5336（基准0.3210）[40] 4. 四风格轮动模型 - 年化收益率：13.17%（基准7.27%）[43] - 年化超额收益率：5.90%[43] - 最大回撤：47.91%（基准49.07%）[43] - 夏普比率：0.5895（基准0.3432）[43] --- 量化因子与构建方式 1. Beta离散度因子 - **构建思路**：衡量市场局部过热风险[2][20] - **计算方法**： $$Beta离散度 = \frac{1}{n}\sum_{i=1}^n (\beta_i - \bar{\beta})^2$$ 其中$\beta_i$为个股Beta值，$\bar{\beta}$为市场平均Beta[20] - **当前值**：-0.59%（过去5年40.68%分位数）[20] 2. 量能情绪因子 - **构建思路**：结合60日成交量与换手率布林带指标[20] - **计算方法**： $$量能情绪 = \frac{成交量 - 下轨}{上轨 - 下轨} \times 换手率Z值$$[20] - **当前值**：0.30（过去5年72.70%分位数）[20] 3. 估值差分位数因子 - **构建思路**：计算风格间PE/PB估值差的历史分位数[32][36] - **计算方法**： $$估值差分位数 = Percentile(\frac{PE_{风格A}}{PE_{风格B}})[32]$$ - **当前值**： - 成长价值PE差分位数=15.19%[32] - 小盘大盘PE差分位数=80.60%[36] --- 因子的回测效果 （注：报告中未单独披露因子级回测结果） --- 模型评价 1. **短期择时模型**：在多周期测试中表现稳健，尤其在波动控制方面显著优于基准[21][26] 2. **风格轮动模型**：基本面驱动逻辑明确，但2025年出现小幅超额收益回撤[33][37][43] 3. **因子设计**：Beta离散度因子能有效捕捉市场过热风险，量能情绪因子对短期趋势敏感[2][20]

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**：基于上市公司年报、分红预案及历史分红数据，预测指数成分股分红对股指期货合约的影响[9][20][23] - **模型具体构建过程**： 1. **预估成分股净利润**：以年报公布的净利润为准，未公布的公司结合快报、预警及分析师预测综合估算[21][23] 2. **计算税前分红总额**： - 已公布分红预案的公司直接采用税前分红总额[27] - A股分红总额 = 分红总额 × A股股本/总股本[27] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值[24] - 股息点 = 股票权重 × 股息率[24] - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[24] 4. **预测分红对各合约的影响值**： - 除权除息日预测：参考过去三年股东大会与除息日时间差的中位数[26] - 合约影响值 = 交割日前所有分红点数之和[26] - **模型评价**：依赖历史分红率假设，若市场分红率突变则预测偏差可能增大[29] 2. **模型名称**：股指期货定价模型（离散红利） - **模型构建思路**：基于无套利原理，考虑离散红利分配下的期货理论价格[29] - **模型具体构建过程**： - 期货定价公式： $$F_t = (S_t - D)(1 + r)$$ 其中 \(S_t\) 为现货价格，\(D\) 为红利现值，\(r\) 为无风险利率[29] - 红利现值计算： $$\mathbf{D}=\sum_{\mathrm{i=1}}^{\mathrm{m}}\mathbf{D}_{\mathrm{i}}\,/(1+\phi)$$ \(\phi\) 为相邻红利发放期间的无风险利率[29] 3. **模型名称**：股指期货定价模型（连续红利） - **模型构建思路**：将密集分红视为连续红利分配，简化定价计算[30] - **模型具体构建过程**： - 期货定价公式： $$F_t = S_t e^{(r-d)(T-t)}$$ 其中 \(d\) 为年化红利率，\(r\) 为无风险利率[30] --- 模型的回测效果 1. **分红预测模型**： - 上证50（IH2507）：年化对冲成本-4.89%（365天）[11] - 沪深300（IF2507）：年化对冲成本-2.72%（365天）[12] - 中证500（IC2507）：年化对冲成本12.34%（365天）[13] - 中证1000（IM2507）：年化对冲成本16.97%（365天）[14] 2. **股指期货定价模型**： - 理论价差与实际价差对比显示IH/IF升水、IC/IM贴水，与模型预测一致[11][12][13][14] --- 量化因子与构建方式 1. **因子名称**：分红剩余影响因子 - **因子构建思路**：反映分红对期货合约的剩余影响比例[15] - **因子具体构建过程**： - 计算合约剩余期限内未实施的分红点数[15] - 剩余影响比例 = 剩余分红点数 / 期货收盘价[11][12][13][14] 2. **因子名称**：年化对冲成本因子 - **因子构建思路**：衡量持有期货至到期的对冲成本[6] - **因子具体构建过程**： - 年化对冲成本 = (实际价差 - 分红点数) / 期货收盘价 × (365/剩余天数)[11][12][13][14] --- 因子的回测效果 1. **分红剩余影响因子**： - IH2507：0.82%[11] - IF2507：0.57%[12] - IC2507：0.16%[13] - IM2507：0.14%[14] 2. **年化对冲成本因子**： - IH2507：-4.89%（365天）[11] - IF2507：-2.72%（365天）[12] - IC2507：12.34%（365天）[13] - IM2507：16.97%（365天）[14]

量化模型与构建方式 1. **模型名称**：中性约束条件下最大化因子暴露组合 - **模型构建思路**：在确保投资组合相对基准指数在行业和风格暴露保持中性的基础上，最大化目标因子在组合中的暴露[20] - **模型具体构建过程**： 1. **股票池筛选**：剔除上市时间不满1年的新股及存在风险警示的股票[44] 2. **因子中性化**：对单因子进行行业、风格（规模、估值、成长）相关性中性化处理[45] 3. **组合优化**：通过线性规划或二次规划方法，在行业和风格中性约束下最大化因子暴露[20] - **模型评价**：有效控制行业和风格风险，聚焦因子纯收益 量化因子与构建方式 1. **因子名称**：估值因子（BP） - **因子构建思路**：衡量公司账面价值与市值的比率，捕捉低估值股票的超额收益[15] - **因子具体构建过程**： $$BP = \frac{\text{归属母公司股东权益}}{\text{总市值}}$$ 数据来源为财报归母股东权益和最新市值[15] - **因子评价**：长期有效但易受市场风格切换影响 2. **因子名称**：成长因子（SGRO+EGRO） - **因子构建思路**：综合营业收入和净利润增长率，反映公司成长性[15] - **因子具体构建过程**： $$SGRO = \text{每股营业收入回归斜率}/\text{均值}$$ $$EGRO = \text{每股归母净利润回归斜率}/\text{均值}$$ 使用过去5个财年年报数据线性回归[15] 3. **因子名称**：波动性因子（DASTD+CMRA+HSIGMA） - **因子构建思路**：通过历史波动率、累计收益范围及残差波动衡量股票风险[15] - **因子具体构建过程**： $$DASTD = \text{半衰加权超额收益标准差（半衰期40天）}$$ $$CMRA = \text{12个月累计最高收益-最低收益}$$ $$HSIGMA = \text{BETA回归残差标准差}$$[15] 4. **因子名称**：标准化预期外盈利 - **因子构建思路**：衡量盈利超预期程度，标准化处理增强可比性[19] - **因子具体构建过程**： $$\text{标准化预期外盈利} = \frac{\text{实际盈利-预期盈利}}{\text{历史盈利波动标准差}}$$ 预期盈利基于去年同期值+过去8季度增长均值[19] 模型的回测效果 1. **中性约束组合（沪深300）**： - 近一周超额收益：单季度EP（1.21%）、BP（1.14%）、EP_TTM（1.09%）[22] - 近一月超额收益：单季度EP（3.85%）、EP_TTM（3.44%）、单季度ROE（2.99%）[22] 2. **中性约束组合（中证500）**： - 近一周超额收益：单季度ROE（1.43%）、单季度ROE同比（1.18%）、EP_TTM（0.92%）[27] - 近一月超额收益：单季度ROE同比（3.41%）、单季度ROE（3.03%）、单季度EP（2.95%）[27] 因子的回测效果 1. **BP因子**： - 全市场Rank IC：近一周16.15%、近十年年化3.72%[45] - 沪深300多空收益：近一周1.14%、近十年年化3.68%[22] 2. **240日三因子模型残差波动率**： - 全市场Rank IC：近一周13.84%、近十年年化3.97%[45] - 中证1000超额收益：近一周-0.24%[37] 3. **60日动量因子**： - 全市场Rank IC：近一周11.67%、近十年年化-0.42%[45] - 沪深300超额收益：近一周0.17%、近一年-5.03%[22] 4. **标准化预期外盈利**： - 中证1000超额收益：近一周0.91%、近十年年化7.84%[37] - 全市场Rank IC：近一周6.15%、近十年年化2.08%[45] 风格因子表现 - **Beta因子**：近一周多空收益-2.89%，反映低Beta股票占优[17] - **波动性因子**：近一周多空收益-2.31%，低波动资产受青睐[17] - **估值因子**：近一周多空收益1.90%，防御特征显著[17]

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：行业拥挤度因子** - **因子构建思路**：通过计算行业指数价格变动与成交金额变动的马氏距离，衡量行业交易的拥挤程度[17] - **因子具体构建过程**： 1. 计算行业指数最近一周的价格变动序列和成交金额变动序列 2. 计算两组序列的协方差矩阵 3. 计算马氏距离公式： $$D_M = \sqrt{(\mathbf{x} - \mathbf{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \mathbf{\mu})}$$ 其中$\mathbf{x}$为观测值向量，$\mathbf{\mu}$为均值向量，$\mathbf{S}^{-1}$为协方差矩阵的逆[17] 4. 将结果划分为四个象限：第1象限（价量齐升）和第3象限（价量齐跌），椭圆外区域表示99%置信水平下的显著偏离[17] - **因子评价**：能够有效捕捉短期交易过热或过冷的异常状态[17] 因子回测效果 1. **行业拥挤度因子**： - 上周检测到建筑材料行业出现显著拥挤信号（第1象限椭圆外）[18] 其他量化指标 1. **宽基指数估值因子**： - 当前沪深300 PE 13.23倍（分位数78%），创业板指PE 32.38倍（分位数27%）[9] 2. **行业估值因子**： - 计算机行业PE最高（81.86倍），银行最低（7.12倍）[14] - 钢铁行业PE分位数达100%，食品饮料仅8%[16] 注：报告中未提及其他量化模型或复合因子构建方法[1][2][3]

量化因子与构建方式 1. **因子名称**：单季EP - **因子构建思路**：衡量单季度归母净利润与总市值的比值，反映公司短期盈利能力[18] - **因子具体构建过程**： $$单季EP = \frac{单季度归母净利润}{总市值}$$ 数据来源为财报披露的单季度净利润和实时市值[18] 2. **因子名称**：EPTTM - **因子构建思路**：采用滚动12个月净利润与市值的比值，反映持续盈利能力[18] - **因子具体构建过程**： $$EPTTM = \frac{归母净利润TTM}{总市值}$$ 通过连续四个季度的净利润加总计算TTM值[18] 3. **因子名称**：DELTAROE - **因子构建思路**：计算净资产收益率的同比变化，捕捉盈利能力的边际改善[18] - **因子具体构建过程**： $$DELTAROE = ROE_{当期} - ROE_{去年同期}$$ 其中ROE计算采用： $$ROE = \frac{单季度归母净利润×2}{期初净资产+期末净资产}$$[18] 4. **因子名称**：标准化预期外盈利 - **因子构建思路**：衡量实际盈利与市场预期的偏离程度[18] - **因子具体构建过程**： $$SUE = \frac{实际净利润 - 预期净利润}{预期净利润标准差}$$ 使用分析师一致预期数据计算标准化差异[18] 5. **因子名称**：三个月反转 - **因子构建思路**：捕捉短期价格反转效应[18] - **因子具体构建过程**： $$三个月反转 = -1 × 过去60交易日收益率$$ 取负值使得因子方向与收益正相关[18] 6. **因子名称**：非流动性冲击 - **因子构建思路**：通过价格波动与成交额关系衡量流动性风险[18] - **因子具体构建过程**： $$非流动性冲击 = \frac{过去20交易日|日收益率|}{成交额均值}$$ 值越大表明流动性越差[18] 因子回测效果 1. **单季EP因子** - 沪深300空间：最近一周超额0.97%，近一月2.75%，年化5.28%[20] - 中证500空间：最近一周1.06%，近一月1.81%，年化7.79%[22] - 中证1000空间：最近一周1.21%，近一月2.37%，年化10.48%[24] 2. **DELTAROE因子** - 沪深300空间：最近一周0.21%，近一月2.00%，年化3.83%[20] - 中证500空间：最近一周1.18%，近一月2.60%，年化7.80%[22] - 中证1000空间：最近一周0.69%，近一月0.16%，年化9.10%[24] 3. **标准化预期外盈利因子** - 沪深300空间：最近一周0.35%，近一月1.65%，年化3.90%[20] - 中证1000空间：最近一周1.32%，近一月2.83%，年化9.00%[24] - 中证A500空间：最近一周0.38%，近一月2.09%，年化5.34%[26] 4. **三个月反转因子** - 沪深300空间：最近一周0.27%，近一月0.42%，年化1.24%[20] - 中证500空间：最近一周-0.68%，近一月0.19%，年化0.22%[22] 量化模型与构建方式 1. **模型名称**：MFE组合优化模型 - **模型构建思路**：在控制行业/风格暴露约束下最大化单因子暴露[40] - **模型具体构建过程**： 目标函数： $$\max f^Tw$$ 约束条件包括： $$s_l \leq X(w-w_b) \leq s_h$$ （风格暴露约束） $$h_l \leq H(w-w_b) \leq h_h$$ （行业偏离约束） $$w_l \leq w-w_b \leq w_h$$ （个股权重偏离约束） 其他约束包括成分股权重占比、禁止卖空等[40][41] 模型回测效果 1. **沪深300增强组合** - 本周超额1.17%，年内累计超额8.03%[15] - 公募产品中位数：本周0.08%，近一月0.70%，年内2.39%[33] 2. **中证500增强组合** - 本周超额0.73%，年内累计超额8.82%[15] - 公募产品中位数：本周0.38%，近一月1.24%，年内3.90%[35] 3. **中证1000增强组合** - 本周超额1.10%，年内累计超额13.66%[15] - 公募产品中位数：本周0.38%，近一月1.46%，年内5.97%[37] 特殊指数构建 1. **公募重仓指数** - **构建思路**：反映机构投资者持仓偏好[42] - **具体构建过程**： - 选取普通股票型及偏股混合型基金（规模>5000万） - 合并半年报/年报全部持仓或季报前十大重仓股 - 按持仓权重排序取累计90%市值的股票作为成分股[43]

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的分红点位[9] - **模型具体构建过程**： 1. 对标的指数（中证500、沪深300、上证50、中证1000）未来一年内成分股分红进行预估 2. 按合约存续期分段计算分红点位（如IC2507存续期内分红预估为9.0点）[9] 3. 计算公式： $$ \text{分红调整基差} = \text{实际基差} + \text{存续期内未实现预期分红} $$ $$ \text{年化基差} = \frac{\text{实际基差} + \text{预期分红点位}}{\text{指数价格}} \times \frac{360}{\text{合约剩余天数}} $$[20] - **模型评价**：有效分离分红对基差的影响，提升对冲策略精度 2. **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[44][46] - **模型具体构建过程**： - **连续对冲策略**： 1. 持有季月/当月合约至到期前2日平仓 2. 滚动卖空下一合约，占用30%资金[45] - **最低贴水策略**： 1. 每日计算所有可交易合约的年化基差 2. 选择贴水幅度最小的合约开仓，持有8个交易日或到期前2日调仓[46] 模型的回测效果 | 模型类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | 2025年收益 | |------------------------|----------|--------|----------|--------|------------|------------| | **IC当月连续对冲** | -2.73% | 3.88% | -8.15% | 0.9221 | 12 | -3.24% | | **IC季月连续对冲** | -1.93% | 4.77% | -8.34% | 0.9446 | 4 | -0.94% | | **IC最低贴水策略** | -0.95% | 4.68% | -7.97% | 0.9725 | 17.40 | -0.63% | | **IF最低贴水策略** | 1.37% | 3.15% | -4.06% | 1.0406 | 15.36 | 0.70% | | **IH季月连续对冲** | 2.04% | 3.56% | -3.75% | 1.0609 | 4 | 1.15% | | **IM最低贴水策略** | -3.76% | 5.60% | -11.11% | 0.9009 | 15.96 | -3.47% |[48][53][57][59] 量化因子与构建方式 1. **因子名称：Cinda-VIX波动率指数** - **因子构建思路**：反映期权市场对标的资产未来波动率的预期[62] - **因子具体构建过程**： 1. 基于不同期限期权合约隐含波动率计算 2. 编制30日/60日/90日/120日期限结构[62] - **因子评价**：专业投资者情绪的高效指标，预警市场风险 2. **因子名称：Cinda-SKEW偏斜指数** - **因子构建思路**：捕捉期权隐含波动率的偏斜特征，衡量尾部风险预期[70] - **因子具体构建过程**： 1. 分析虚值看涨/看跌期权波动率差异 2. 当SKEW>100时提示极端下跌风险[71] 因子的回测效果 | 因子类型 | 2025年7月4日取值 | 历史分位阈值 | |-------------------|------------------|--------------------| | **上证50VIX_30** | 17.29 | 30%分位低位区间 | | **沪深300SKEW** | 101.40 | 突破70%分位警戒线 | | **中证1000SKEW** | 102.73 | 反映尾部风险增强 |[62][71][76]

根据提供的金融工程日报内容，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：封板率因子** - **构建思路**：通过统计涨停股票的封板情况来反映市场情绪[14] - **具体构建过程**： 计算方式为： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 其中分子为同时满足盘中最高价涨停和收盘涨停的股票数量，分母为盘中最高价涨停的股票总数[14] 2. **因子名称：连板率因子** - **构建思路**：衡量涨停股票的连续性，反映市场追涨情绪强度[14] - **具体构建过程**： 计算方式为： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 分子为连续两日收盘涨停的股票数，分母为前一交易日所有收盘涨停的股票数[14] 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机构资金动向[23] - **具体构建过程**： 计算方式为： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 其中总市值为大宗交易股份按当日收盘价计算的市值[23] 4. **因子名称：股指期货年化贴水率因子** - **构建思路**：利用期货与现货的基差水平反映市场预期[25] - **具体构建过程**： 计算方式为： $$年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 基差=期货价格-现货指数价格，贴水率为负值时表示期货折价[25] 因子回测效果 1. **封板率因子** - 20250704当日取值56%，近一个月新低[14] - 较前日下降18%[14] 2. **连板率因子** - 20250704当日取值15%[14] - 较前日下降9%[14] 3. **大宗交易折价率因子** - 20250703当日折价率5.25%[23] - 近半年平均折价率5.75%[23] 4. **股指期货年化贴水率因子** - 上证50：20250704贴水率3.86%（近一年40%分位）[25] - 沪深300：20250704贴水率5.27%（近一年36%分位）[25] - 中证500：20250704贴水率15.75%（近一年23%分位）[25] - 中证1000：20250704贴水率14.40%（近一年41%分位）[25] 因子评价 - **封板率/连板率因子**：高频情绪指标，对短期市场过热或冷却有预警作用[14] - **大宗交易折价率因子**：反映机构大额交易的流动性溢价，折价扩大往往预示资金撤离[23] - **股指期货贴水率因子**：贴水率分位数可判断市场悲观预期的极端位置[25]

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：PB-ROE-50组合** - **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）的双因子筛选，选取估值合理且盈利能力强的股票[25] - **模型具体构建过程**： 1. 在全市场股票池中计算每只股票的PB和ROE 2. 按PB升序和ROE降序进行综合排序 3. 选取排名前50的股票等权重配置 4. 按月频调仓[26] 2. **模型名称：大宗交易组合** - **模型构建思路**：通过"高成交金额比率+低波动率"原则捕捉大宗交易的超额信息[31] - **模型具体构建过程**： 1. 计算"大宗交易成交金额比率"：$$ \frac{大宗交易金额}{总成交金额} $$ 2. 计算"6日成交金额波动率" 3. 对上述两指标分别排序并加权 4. 选取综合得分最高的股票月频调仓[31] 3. **模型名称：定向增发组合** - **模型构建思路**：利用定向增发股东大会公告日的事件效应选股[37] - **模型具体构建过程**： 1. 以股东大会公告日为事件触发点 2. 结合市值因子控制风险暴露 3. 采用动态仓位管理机制[38] 模型的回测效果 | 模型名称 | 本周超额收益 | 年内超额收益 | 本周绝对收益 | 年内绝对收益 | |-------------------|--------------|--------------|--------------|--------------| | PB-ROE-50(中证500)| 1.17%[26] | 3.57%[26] | 1.99%[26] | 6.93%[26] | | PB-ROE-50(全市场) | 1.36%[26] | 8.29%[26] | 2.51%[26] | 13.27%[26] | | 大宗交易组合 | -0.24%[32] | 24.37%[32] | 0.88%[32] | 30.09%[32] | | 定向增发组合 | -0.69%[38] | 8.42%[38] | 0.43%[38] | 13.41%[38] | 量化因子与构建方式 1. **大类因子表现** - BP因子：0.30%（账面市值比）[20] - 盈利因子：0.27%（综合盈利能力）[20] - 非线性市值因子：-0.31%[20] - 规模因子：-0.29%[20] 2. **单因子表现（沪深300）** - 最佳因子： - 市盈率TTM倒数：0.70%[12] - 市销率TTM倒数：0.59%[12] - 5分钟收益率偏度：0.57%[12] - 最差因子： - 毛利率TTM：-1.62%[12] - 5日平均换手率：-1.44%[12] 3. **行业内特色因子** - 综合行业： - 净资产增长率因子：6.53%[24] - 净利润增长率因子：2.27%[24] - 钢铁行业： - BP因子：1.99%[24] - 1月动量因子：3.61%[24] 因子评价 1. **PB-ROE模型**：在震荡市中表现稳健，但高ROE股票可能隐含成长性透支风险[26] 2. **大宗交易因子**：事件驱动特征明显，需注意流动性冲击带来的波动[31] 3. **小市值因子**：近期持续强势，但需警惕风格切换风险[20]

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：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超预期股票[15][17] - **模型具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖或标题含“超预期”的港股 2. 基本面筛选：过去6个月至少有5份买入/增持评级研报 3. 技术面筛选： - 股价相对强弱：过去250日涨跌幅位于全市场前20% - 价格路径平滑性：计算股价位移路程比（位移/累计涨跌幅） - 创新高持续性：过去120日250日新高距离的均值 4. 综合打分后选取前50只股票等权配置[17][25] - **模型评价**：长期超额收益显著，年化超额恒生指数18.48%，但存在阶段性回撤风险（如2023年超额仅0.25%）[17][21] 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，用于捕捉动量效应[22][24] - **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日收盘价最大值[24] - **因子评价**：有效识别强势股，需结合分析师覆盖度（过去6个月≥5份买入评级）过滤噪声[24][25] 3. **因子名称：股价路径平稳性因子** - **因子构建思路**：通过位移路程比量化股价趋势的平滑程度[25] - **因子具体构建过程**： 1. 计算过去120日累计涨跌幅（路程） 2. 计算期初至期末涨跌幅（位移） 3. 比值公式： $$位移路程比 = \frac{|P_t - P_{t-120}|}{\sum_{i=1}^{120}|P_{t-i+1} - P_{t-i}|}$$ 取值越小表明路径越平滑[25] 模型的回测效果 1. **港股精选组合**： - 年化收益19.11%，超额恒生指数18.48% - 信息比率(IR)1.22，最大回撤23.73% - 2025年超额21.02%（截至20250630）[17][21] 因子的回测效果 1. **250日新高距离因子**： - 在医药板块表现突出（筛选出15只创新高股票）[24][26] - 组合中创新高股票平均本年收益41.30%（vs恒生指数20.00%）[19][21] 2. **股价路径平稳性因子**： - 筛选出的平稳股票（如沛嘉医疗-B）在创新高后20日平均超额3.43%[24][31] 其他量化指标 - **南向资金监控因子**： - 建设银行、信达生物等资金流入前15名个股本周平均收益7.2%[38] - 资金流出前15名（如腾讯控股）平均收益-5.7%[38] （注：部分内容如ETF申赎监控等未涉及核心量化模型/因子，故未纳入总结）

量化模型与构建方式 1. **模型名称：分析师50组合** - **模型构建思路**：基于券商金股中新进金股表现更优和业绩超预期在新进金股中选股效果优异的结论，构建对标中证500的组合[25] - **模型具体构建过程**： 1. 在每个月券商十大金股池中，按照相对上个月是否重复，选出新进金股池[25] 2. 计算新进金股池每只股票的业绩超预期指标（SUE），选出业绩超预期靠前的50只个股，按照券商推荐数量加权得到初始权重[25] 3. 基于最新中证500指数行业权重分布，等比例调整上述组合的行业权重，并对各行业内的个股权重进行等比例调整[25] - **模型评价**：能够追踪市场风格最新动向，动态捕捉高弹性个股[34] 模型的回测效果 1. **分析师50组合** - 年化收益率：14.9%[27] - 年化超额收益（相对中证500）：15.6%[27] - 2025年（截至6月底）超额收益：10.2%[27] - 持仓占比均值：沪深300（28.7%）、中证500（26.8%）、中证1000（29.3%）、其他（15.3%）[34] 量化因子与构建方式 1. **因子名称：业绩超预期指标（SUE）** - **因子构建思路**：衡量个股财报实际值相对分析师预测值的超预期程度[22] - **因子具体构建过程**： $$S U E={\frac{R_{t}-E_{t}}{\sigma(R_{t}-E_{t})}}$$ 其中： - \(R_t\)为财报实际值 - \(E_t\)为分析师预测值 - \(\sigma(R_{t}-E_{t})\)为预测误差的标准差[22] 构建步骤： 1. 将分析师预期数据由累计值转化为单季度值[26] 2. 使用单季度预测值和单季度实际值进行对比[26] 3. 融合业绩预告、业绩快报和定期报告，财报真空期因子值前向填充[23] - **因子评价**：在新进金股中选股效果明显优于重复金股[23] 因子的回测效果 1. **业绩超预期指标（SUE）** - **新进金股**：多头组合年化收益显著高于空头组合（净值曲线分离明显）[24] - **重复金股**：多头组合年化收益略高于空头组合（净值曲线分离较弱）[24] 其他关键数据 1. **券商金股分年度收益**（2017-2025年）[16][20]： - 全部金股年化收益率：11.2% - 新进金股年化收益率：14.1% - 重复金股年化收益率：8.8% 2. **新进金股与重复金股风险指标对比**： - 新进金股最大回撤：38.5% - 重复金股最大回撤：45.0%[20]