量化模型与构建方式 1. **模型名称**：港股优选 20 组合 **模型构建思路**：基于港股通样本股，通过多因子模型筛选出表现优异的个股，构建等权组合[31] **模型具体构建过程**：在每月底对分数最高的前 20 只个股按照等权的方式构建组合，基准选取港股综合指数(HKD) (930930.CSI)[34] **模型评价**：该组合在长期表现中显示出较高的超额年化收益率，但近期表现有所波动[34] 模型的回测效果 1. **港股优选 20 组合**，超额年化收益率 14.3%，超额年化波动率 13.4%，超额收益波动比 1.1，超额最大回撤 18.2%[35] 量化因子与构建方式 1. **因子名称**：技术面、资金面、基本面、分析师预期 **因子的构建思路**：通过四大类因子对港股通成分股进行分组，筛选出表现优异的个股[31] **因子具体构建过程**：未详细描述具体构建过程，但四大类因子在港股通成分股中分组表现优异[31] **因子评价**：四大类因子在港股通成分股中表现出较好的分组效果[31] 因子的回测效果 1. **技术面、资金面、基本面、分析师预期因子**，未提供具体指标值[31]

* [10] M. C. ETF 市场回顾 从一级市场资金流动情况来看，上周（2025.2.24-2025.2.28）已上市 ETF 资金净流入合计-37.81 亿元，其中跨境 ETF 资金净流入 145.25 亿元，商品型 ETF 资金净流入 14.72 亿元，债券型 ETF 资金净流出 6.64 亿元，股票型 ETF 资金净 流出 191.13 亿元。 在股票型 ETF 中，宽基 ETF 上周资金净流入-385.18 亿元，多类宽基 ETF 资金净流出，如沪深 300ETF、中证 A500ETF。 主题行业 ETF 上周资金净流入 198.36 亿元。上周科技、金融地产、高端制造、医药生物、周期、消费板块 ETF 资金 净流入额分别为 69.11 亿元、50.13 亿元、50.07 亿元、19.22 亿元、9.53 亿元、3.21 亿元。 本周共有 11 只 ETF 上市，包含 9 只科创板综合 ETF、2 只科创板综合价格 ETF。 上周共有 17 只 ETF 产品申报，包含创业板人工智能 ETF、国证自由现金流 ETF、沪深 300 自由现金流 ETF、中证 A500 增强策略 ETF。8 只中证 A ...

量化模型与构建方式 1. 模型名称：主动权益基金宽基增强组合策略 - **模型构建思路**：通过最大化Alpha暴露和Beta端敞口控制，构建基于主动权益基金的宽基增强组合策略，目标是获取主动管理的Alpha收益，同时有效跟踪宽基指数[2][11][14] - **模型具体构建过程**： 1. **基金筛选**：筛选与目标指数（如沪深300、中证500）具有高相关性的主动偏股型基金，构建样本池[16][18][19] 2. **收益预测**：基于多因子选基体系，构建复合因子（包括基金经理实力稳定性因子、选股Alpha因子、基金规模因子、管理人员工持有比例因子），最大化目标基金组合的Alpha暴露[24][34][35] 3. **敞口控制**： - **行业暴露控制**：通过高频行业仓位测算，计算基金行业配置，并引入行业ETF补充暴露[39][42][46] - **风格暴露控制**：基于Barra风格体系，控制基金在成长、价值、市值等风格上的暴露[50][51][53] - **仓位暴露控制**：通过高频仓位测算，约束基金组合的整体权益仓位[53][56][65] 4. **组合优化**：最大化复合因子暴露，控制组合的行业、风格、权益仓位敞口，最终构建增强组合[66] - **模型评价**：策略在Alpha收益、跟踪误差和稳定性上表现优异，尤其在沪深300域中主动管理的Alpha更为显著[67][73] 2. 模型名称：基于指增基金的宽基增强策略 - **模型构建思路**：通过筛选信息比率最高的指增基金，构建分散化的指数增强基金组合，降低跟踪误差并提升策略稳定性[98][99] - **模型具体构建过程**： 1. **基金筛选**：每期筛选过去一年信息比率最高的五只指增基金[99] 2. **组合构建**：等权配置筛选出的指增基金，构建指数增强基金组合[99] - **模型评价**：指增基金组合在跟踪误差控制上表现优异，但Alpha收益低于主动权益基金增强组合[99][105] 3. 模型名称：复合增强策略 - **模型构建思路**：将主动权益基金增强组合与指增基金增强组合按策略信息比进行权重分配，构建复合增强策略，提升稳定性和容量[110][115] - **模型具体构建过程**： 1. **权重分配**：根据过去一年策略信息比，动态调整主动权益基金组合和指增基金组合的权重[110][113] 2. **组合优化**：在复合策略中平衡两种子策略的Alpha和跟踪误差[115] - **模型评价**：复合策略在超额收益、跟踪误差和稳定性上均优于单一子策略，Alpha来源的低相关性进一步增强了策略的稳定性[115][121] --- 模型的回测效果 主动权益基金宽基增强组合 - 沪深300增强组合：年化超额收益8.19%，年化跟踪误差3.91%，最大超额回撤率5.20%，信息比2.10[67][68] - 中证500增强组合：年化超额收益10.67%，年化跟踪误差4.80%，最大超额回撤率7.77%，信息比2.22[67][68] - 中证800增强组合（复合沪深300与中证500）：年化超额收益8.92%，年化跟踪误差3.61%，最大超额回撤率5.59%，信息比2.47[91][93] 基于指增基金的宽基增强策略 - 沪深300指增组合：年化超额收益4.99%，年化跟踪误差2.34%，最大超额回撤率4.12%，信息比2.13[99][100] - 中证500指增组合：年化超额收益7.98%，年化跟踪误差3.45%，最大超额回撤率6.19%，信息比2.31[99][100] 复合增强策略 - 中证500复合增强组合：年化超额收益8.81%，年化跟踪误差3.53%，最大超额回撤率6.63%，信息比2.50[115][117] --- 量化因子与构建方式 1. 因子名称：基金经理实力稳定性因子 - **因子构建思路**：衡量基金经理调仓换股能力的稳定性[24][34] - **因子具体构建过程**：基于过去120日、240日、480日的调仓换股能力等权合成，计算超额收益与超额标准差的比值[34][35] - **因子评价**：在沪深300和中证500域中均表现出较高的Alpha预测能力[27][29][32] 2. 因子名称：选股Alpha因子 - **因子构建思路**：剔除风格后，衡量基金的选股能力[24][34] - **因子具体构建过程**：基于日度收益率回归，计算选股能力的截距值[24][34] - **因子评价**：在多头组回测中表现出显著的Alpha收益[27][29][32] 3. 因子名称：基金规模因子 - **因子构建思路**：小规模基金可能具有更高的收益潜力[24][34] - **因子具体构建过程**：取基金最新一期规模值，按负向排序[34][35] - **因子评价**：在回测中表现出一定的Alpha预测能力[27][29][32] 4. 因子名称：管理人员工持有比例因子 - **因子构建思路**：基金公司内部持有比例较高的基金可能更受认可[24][34] - **因子具体构建过程**：取基金最新一期管理人员工持有比例值，按正向排序[34][35] - **因子评价**：在回测中表现出一定的Alpha预测能力[27][29][32] --- 因子的回测效果 沪深300域 - 基金经理实力稳定性因子：年化超额收益9.07%，信息比1.70[27][29] - 选股Alpha因子：年化超额收益9.03%，信息比1.56[27][29] - 基金规模因子：年化超额收益7.54%，信息比1.45[27][29] - 管理人员工持有比例因子：年化超额收益7.20%，信息比1.31[27][29] 中证500域 - 基金经理实力稳定性因子：年化超额收益12.48%，信息比1.87[32][34] - 选股Alpha因子：年化超额收益12.60%，信息比1.82[32][34] - 基金规模因子：年化超额收益10.42%，信息比1.52[32][34] - 管理人员工持有比例因子：年化超额收益11.84%，信息比1.74[32][34]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **利率债收益预测模型** - 模型构建思路：通过分解利率债收益为票息收益、骑乘收益、久期收益和凸性收益四个分项，结合利率建模和蒙特卡洛模拟预测未来收益[6] - 具体构建过程： 1. 收益分解公式： $$R~\approx~r_{N}+\,r o l l\,y i e l d\,+\,D u r\cdot(-\Delta r)\,+\,\frac{1}{2}C x\cdot\Delta r^{2}$$ 2. 利率建模公式（均值回复+短期/长期动量）： $$\Delta r_{t+1}\,=\,\beta_{1}(\mu-r_{t})+\beta_{2}(r_{t}-r_{t-1})+\,\beta_{3}(r_{t}-r_{t-12})+\sigma\sqrt{r_{t}}\cdot\varepsilon$$ 3. 蒙特卡洛模拟预测利率变化并计算预期收益[6] - 模型评价：能够有效捕捉利率变化的三个基本特征（均值回复、短期动量和长期动量）[6][9] 2. **久期轮动策略** - 模型构建思路：基于利率债收益预测模型，设计短期（1个月）和长期（12个月）久期择时策略[10] - 具体构建过程： 1. 备选资产：短融ETF、国开债ETF、政金债ETF[15] 2. 短期择时：每月选择未来1个月预期收益最高的期限[15] 3. 长期配置：每月选择未来12个月预期收益最高的期限[15] - 模型评价：短期策略年化收益6.8%，长期策略年化收益6.3%，均显著优于基准[11][14] 3. **A股收益预测模型（GK模型）** - 模型构建思路：通过股息率、盈利增速、估值变化等维度预测宽基指数未来收益[18] - 具体构建过程： 1. 分解预期收益为股息率、股本稀释率、盈利增速和估值变化[22] 2. 结合自上而下（宏观）和自下而上（微观）盈利预测[24] - 模型评价：对沪深300和中证500的预期收益差异显著（16.9% vs -29.1%），具备长周期预测能力[18][22] 4. **赔率+胜率策略** - 模型构建思路：结合资产赔率指标（如股债风险溢价）和宏观胜率评分（货币、信用等五因子）构建配置策略[63] - 具体构建过程： 1. 赔率增强型：超配高赔率资产（如权益），年化收益6.9%[63][65] 2. 胜率增强型：基于宏观因子评分调整配置，年化收益7.0%[66][69] 3. 综合策略：加权赔率与胜率风险预算，年化收益6.9%[70][72] - 模型评价：2011年以来夏普比率均超过3.0，回撤控制在3%以内[65][69][72] --- 量化因子与构建方式 1. **质量因子** - 构建思路：综合ROE、盈利稳定性等指标筛选高质量股票[44] - 因子评价：当前高赔率（1.2倍标准差）、低拥挤度（-1.6倍标准差），综合评分最高[44][48] 2. **成长因子** - 构建思路：基于净利润同比、营收同比等指标衡量成长性[45] - 因子评价：中低赔率（-0.4倍标准差）、强趋势（0.8倍标准差），建议标配[45][47] 3. **价值因子（红利）** - 构建思路：通过股息率、低市盈率等指标筛选低估股票[49] - 因子评价：低赔率（-0.5倍标准差）、弱趋势（-1.1倍标准差），配置价值较低[49][51] 4. **小盘因子** - 构建思路：按市值分组，捕捉小盘股超额收益[52] - 因子评价：中等赔率（0.1倍标准差）、高拥挤度（0.3倍标准差），不建议参与[52][53] --- 模型回测效果 1. **久期轮动策略** - 短期择时：年化收益6.8%，最大回撤2.3%，卡玛比率2.94[11] - 长期配置：年化收益6.3%，最大回撤1.2%，卡玛比率5.05[14] 2. **行业轮动策略** - 2011年以来：年化超额12.4%，IR 1.14[60] - 2025年2月：单月超额2.4%[62] 3. **赔率+胜率策略** - 2011年以来：年化收益6.9%，最大回撤2.8%，夏普比率3.05[72] - 当前配置：权益14.2%、黄金5.0%、债券80.8%[70] --- 因子回测效果 1. **质量因子** - 当前状态：赔率1.2倍标准差，拥挤度-1.6倍标准差[44][48] 2. **成长因子** - 当前状态：趋势0.8倍标准差，拥挤度-0.2倍标准差[45][47] 3. **小盘因子** - 当前状态：拥挤度0.3倍标准差（横截面最高）[52][53] （注：部分因子未提供具体回测数值，仅展示定性分析结论）

证券研究报告 | 金融工程 gszqdatemark 2025 03 02 年 月 日 量化周报 市场正常回调，反弹大概率没结束 市场正常回调，反弹大概率没结束。本周（2.24-2.28），大盘震荡下行， 上证指数全周收跌 1.72%。在此背景下，绝大部分指数和板块迎来了一波 30 分钟级别回调。当下我们认为市场的日线级别上涨没有结束，具体原因 如下：1、很多指数和板块刚确认日线级别上涨，而且只走了 1 浪结构， 比如沪深 300、中证 500、中证 1000、中小 100、计算机、传媒、医药等 板块，上涨不够充分；2、非银、地产、建筑、建材、食品饮料等板块还没 有确认日线级别上涨，市场还有进一步上涨空间。所以，我们建议投资者 逆市布局。中期来看，上证指数、上证 50、沪深 300、中证 500、深证成 指、创业板指、科创 50 纷纷确认周线级别上涨，而且在日线上只走出了 1 浪结构，中期牛市刚刚开始；此外，已有 20 个行业处于周线级别上涨 中，且 8 个行业周线上涨只走了 1 浪结构，因此我们认为本轮牛市刚刚开 始，而且还是个普涨格局。综合短期及中期走势，我们不难发现当下的日 线级别上涨大概率属于牛市上涨 ...

证券研究报告：金融工程报告 2025 年 3 月 2 日 研究所 分析师:肖承志 SAC 登记编号:S1340524090001 Email:xiaochengzhi@cnpsec.com 研究助理:李子凯 SAC 登记编号:S1340124100014 Email:lizikai@cnpsec.com 《Deepseek 背景综述及在金融领域应 用场景初探》 - 2025.02.26 《扩散指数有高位回调风险 ——微盘 股指数周报 20250216》 - 2025.02.17 《基本面回撤，高波风格持续——中邮 因子周报 20250209》 - 2025.02.10 《各资金持续流入机器人，短期注意回 调风险，行业轮动开始超配成长——行 业轮动周报 20250209》 - 2025.02.10 《全面牛市正在到来，微盘有望修复前 高 ——微盘股指数周报 20250209》 - 2025.02.10 《基本面表现强势，风格切换加速—— 中邮因子周报 20250126》 - 2025.01.27 《节前融资资金大幅净流出，ETF 资金 聚焦机器人以及红利——行业轮动周 报 20250126》 - 2025.01 ...

量化模型与构建方式 1. 模型名称：五维行业轮动模型 - **模型构建思路**：基于行业内部普遍存在的风格差异，利用风格指标对行业内部股票进行划分，通过构建行业内部离散指标与行业内部牵引指标，最终合成行业因子[8] - **模型具体构建过程**： 1. 以东吴金工特色多因子体系为基础，将微观因子划分为五大类：波动率、基本面、成交量、情绪、动量[8] 2. 以大类选股因子的风格偏好为参照，构建行业内部离散指标与行业内部牵引指标[8] 3. 最终合成五类行业因子，构建包含波动率、基本面、成交量、情绪、动量的五维行业轮动模型[8] - **模型评价**：情绪因子近期表现最为优秀[11] 2. 模型名称：五维行业轮动模型的指数增强策略 - **模型构建思路**：通过对沪深300指数的行业权重进行调整，增强指数表现[25] - **模型具体构建过程**： 1. 每个月月末取五维行业轮动模型评分最高的五个行业为增强行业，评分最低的五个行业为剔除行业，其余行业保持不变[25] 2. 根据月末各个股票在沪深300的权重，将属于剔除行业的股票剔除[25] 3. 将被剔除行业的股票权重等比例赋予增强行业的股票，构成新的沪深300增强组合[25] 4. 按月频调仓[25] --- 模型的回测效果 1. 五维行业轮动模型 - **年化收益率**：21.78%[13][14] - **年化波动率**：11.00%[13][14] - **信息比率（IR）**：1.98[13][14] - **月度胜率**：73.28%[13][14] - **历史最大回撤**：13.30%[13][14] 2. 五维行业轮动模型多头对冲全市场行业等权组合 - **年化收益率**：10.60%[17][18] - **年化波动率**：6.73%[17][18] - **信息比率（IR）**：1.57[17][18] - **月度胜率**：70.69%[17][18] - **历史最大回撤**：9.36%[17][18] 3. 五维行业轮动模型的指数增强策略 - **年化收益率**：8.80%[27] - **年化波动率**：7.72%[27] - **信息比率（IR）**：1.14[27] - **月度胜率**：70.09%[27] - **历史最大回撤**：13.63%[27] --- 量化因子与构建方式 1. 因子名称：波动率因子 - **因子构建思路**：基于股票价格波动的特性，衡量行业内部的波动分布[8] - **因子具体构建过程**：通过行业内部股票的波动率计算，提取行业内的离散性特征[8] 2. 因子名称：基本面因子 - **因子构建思路**：基于企业财务数据，衡量行业内部的基本面差异[8] - **因子具体构建过程**：通过行业内部股票的财务指标（如盈利能力、资产负债率等）计算，提取行业内的基本面特征[8] 3. 因子名称：成交量因子 - **因子构建思路**：基于股票交易活跃度，衡量行业内部的成交量分布[8] - **因子具体构建过程**：通过行业内部股票的成交量数据计算，提取行业内的交易活跃性特征[8] 4. 因子名称：情绪因子 - **因子构建思路**：基于市场情绪指标，衡量行业内部的情绪波动[8] - **因子具体构建过程**：通过行业内部股票的市场情绪数据（如资金流向、投资者情绪指数等）计算，提取行业内的情绪特征[8] 5. 因子名称：动量因子 - **因子构建思路**：基于股票价格的趋势性，衡量行业内部的动量效应[8] - **因子具体构建过程**：通过行业内部股票的价格动量数据计算，提取行业内的趋势性特征[8] --- 因子的回测效果 1. 波动率因子 - **年化收益率**：11.33%[14] - **年化波动率**：10.35%[14] - **信息比率（IR）**：1.09[14] - **胜率**：59.50%[14] - **历史最大回撤**：14.27%[14] 2. 基本面因子 - **年化收益率**：5.87%[14] - **年化波动率**：10.02%[14] - **信息比率（IR）**：0.59[14] - **胜率**：55.37%[14] - **历史最大回撤**：21.50%[14] 3. 成交量因子 - **年化收益率**：6.93%[14] - **年化波动率**：12.37%[14] - **信息比率（IR）**：0.56[14] - **胜率**：57.85%[14] - **历史最大回撤**：21.00%[14] 4. 情绪因子 - **年化收益率**：8.16%[14] - **年化波动率**：12.97%[14] - **信息比率（IR）**：0.63[14] - **胜率**：65.29%[14] - **历史最大回撤**：13.56%[14] 5. 动量因子 - **年化收益率**：12.07%[14] - **年化波动率**：10.84%[14] - **信息比率（IR）**：1.11[14] - **胜率**：61.67%[14] - **历史最大回撤**：13.52%[14]

量化模型与构建方式 1. 模型名称：宏观择时策略模型 - **模型构建思路**：通过动态宏观事件因子，结合经济增长和货币流动性信号，进行股债轮动策略的择时配置[28][29] - **模型具体构建过程**： - 观察维度包括经济增长和货币流动性 - 经济增长信号强度和货币流动性信号强度分别赋予权重，综合得出推荐股票仓位 - 例如，2月份经济增长信号强度为0%，货币流动性信号强度为60%，推荐权益仓位为30%[28][30] - **模型评价**：模型在2025年年初至今的收益率为-1.16%，同期Wind全A收益率为-2.32%，表现出一定的抗跌性[29] 2. 模型名称：微盘股择时模型 - **模型构建思路**：通过波动率拥挤度和十年国债利率同比指标，监控市场交易情绪和基本面风险，进行微盘股风格的择时配置[34] - **模型具体构建过程**： - 使用两个中期风险预警指标： 1. 波动率拥挤度同比指标：用于反映市场交易情绪 2. 十年国债利率同比指标：用于反映基本面风险 - 当波动率拥挤度指标回落至阈值以下，风险预警信号解除 - 十年国债利率同比指标未触发风控阈值（如0.3），则模型未触发风控信号[34][36] - **模型评价**：当前模型未触发风控信号，适合长期持有微盘股风格的投资者[34] --- 模型的回测效果 1. 宏观择时策略模型 - **收益率**：2025年年初至今收益率为-1.16%，同期Wind全A收益率为-2.32%[29] - **信号强度**： - 经济增长信号强度：2月为0%，上月为100% - 货币流动性信号强度：2月为60%，上月为0%[30] 2. 微盘股择时模型 - **波动率拥挤度同比**：-50.09%，低于风险阈值[36] - **十年国债利率同比**：-28.69%，未触发风控阈值0.3[36] --- 量化因子与构建方式 1. 因子名称：市值因子 - **因子的构建思路**：通过流通市值的对数衡量股票规模，捕捉市值对股票收益的影响[50] - **因子具体构建过程**： - 计算公式：$LN\_MktCap = \ln(\text{流通市值})$[50] 2. 因子名称：价值因子 - **因子的构建思路**：通过账面价值、市盈率等指标衡量股票的估值水平[50] - **因子具体构建过程**： - 计算公式： - $BP\_LR = \frac{\text{最新年报账面净资产}}{\text{最新市值}}$ - $EP\_FTTM = \frac{\text{未来12个月一致预期净利润}}{\text{最新市值}}$[50] 3. 因子名称：成长因子 - **因子的构建思路**：通过营业收入、净利润等同比增速衡量公司成长性[50] - **因子具体构建过程**： - 计算公式： - $Revenues\_SQ\_Chg1Y = \frac{\text{单季度营业收入同比增速}}{\text{上一年同期营业收入}}$ - $OperatingIncome\_SQ\_Chg1Y = \frac{\text{单季度营业利润同比增速}}{\text{上一年同期营业利润}}$[50] 4. 因子名称：波动率因子 - **因子的构建思路**：通过收益率标准差、残差波动率等衡量股票的波动性[50] - **因子具体构建过程**： - 计算公式： - $Volatility\_60D = \text{60日收益率标准差}$ - $IV\_CAPM = \text{CAPM模型残差波动率}$[50] --- 因子的回测效果 1. 市值因子 - **IC均值**： - 全部A股：7.58% - 沪深300：12.68% - 中证500：19.07% - 中证1000：16.95%[42] - **多空收益**： - 全部A股：7.59% - 沪深300：0.84% - 中证500：2.98% - 中证1000：1.89%[42] 2. 成长因子 - **IC均值**： - 全部A股：-2.98% - 沪深300：-11.75% - 中证500：-6.68% - 中证1000：-6.93%[42] - **多空收益**： - 全部A股：2.35% - 沪深300：2.33% - 中证500：0.67% - 中证1000：1.91%[42] 3. 波动率因子 - **IC均值**： - 全部A股：17.60% - 沪深300：6.55% - 中证500：20.35% - 中证1000：24.01%[42] - **多空收益**： - 全部A股：5.32% - 沪深300：1.03% - 中证500：1.75% - 中证1000：3.36%[42]

量化模型与构建方式 1. 模型名称：量化大势研判框架 - **模型构建思路**：通过自下而上的量化分析方法，基于资产的内在属性和产业生命周期的变化，识别未来市场的主流风格[5][6] - **模型具体构建过程**： 1. 将股票资产划分为五种风格阶段：外延成长、质量成长、质量红利、价值红利、破产价值[5] 2. 采用资产比较框架，优先级为主流资产（实际增速资产、预期增速资产、盈利资产）优于次级资产（质量红利、价值红利、破产价值）[7] 3. 通过g>ROE>D的优先级，分析资产的“有没有（好资产）”和“（好资产）贵不贵”，最终聚焦优势资产[5][6] 4. 结合因子择时中的Spread方法，计算资产优势差（如净利润增速、预期增速、ROE等），以刻画头部资产的趋势变化[18][21][22] 5. 策略行业选择基于等权重配置[14] - **模型评价**：框架自2009年以来年化收益率达26.85%，对A股风格轮动具有较好的解释能力，但在部分年份（如2011、2012、2014、2016）效果有限[14] --- 量化因子与构建方式 1. 因子名称：预期成长因子 - **因子的构建思路**：基于分析师预期增速，选择预期增速最高的行业进行配置[6][27] - **因子具体构建过程**： 1. 计算分析师预期净利润增速（g_fttm）[6] 2. 对行业进行排名并筛选出预期增速最高的行业[27] - **因子评价**：策略在2019年以来超额显著，2014-2015年期间同样表现较好[27] 2. 因子名称：实际成长因子 - **因子的构建思路**：基于超预期/△g，选择业绩动量最高的行业进行配置[6][28] - **因子具体构建过程**： 1. 计算行业的超预期因子（sue、sur、jor）[28] 2. 对行业进行排名并筛选出业绩动量最高的行业[28] - **因子评价**：策略长期超额显著，尤其在成长风格占优的环境下表现突出[28] 3. 因子名称：盈利能力因子 - **因子的构建思路**：基于PB-ROE框架，选择高ROE且估值较低的行业进行配置[6][30] - **因子具体构建过程**： 1. 计算PB-ROE回归残差[30] 2. 对行业进行排名并筛选出高ROE且估值较低的行业[30] - **因子评价**：策略在2016-2020年超额显著，但2021年以来表现较弱[30] 4. 因子名称：质量红利因子 - **因子的构建思路**：基于DP+ROE打分，选择得分最高的行业进行配置[6][33] - **因子具体构建过程**： 1. 计算行业的股息率（dp）和ROE[33] 2. 综合打分后筛选出得分最高的行业[33] - **因子评价**：策略在2016年、2017年、2023年超额显著[33] 5. 因子名称：价值红利因子 - **因子的构建思路**：基于DP+BP打分，选择得分最高的行业进行配置[6][36] - **因子具体构建过程**： 1. 计算行业的股息率（dp）和账面市值比（bp）[36] 2. 综合打分后筛选出得分最高的行业[36] - **因子评价**：策略在2009年、2017年、2021-2023年超额显著[36] 6. 因子名称：破产价值因子 - **因子的构建思路**：基于PB+SIZE打分，选择得分最低的行业进行配置[6][38] - **因子具体构建过程**： 1. 计算行业的市净率（pb）和市值（size）[38] 2. 综合打分后筛选出得分最低的行业[38] - **因子评价**：策略在2015-2016年、2021-2023年超额显著[38] --- 模型的回测效果 - **量化大势研判框架**： - 年化收益率：26.85%[14] - 各年超额收益：如2009年51%、2013年36%、2020年44%、2022年62%等[15] --- 因子的回测效果 - **预期成长因子**： - 近3月表现：如产业互联网-4.90%、玻璃纤维1.92%、有机硅-4.91%等[27] - **实际成长因子**： - 近3月表现：如车用电机电控21.21%、工业机器人及工控系统23.42%、锂电设备0.25%等[29] - **盈利能力因子**： - 近3月表现：如非乳饮料1.17%、白酒-3.26%、畜牧养殖-8.41%等[30] - **质量红利因子**： - 近3月表现：如服务机器人13.34%、黑色家电Ⅲ8.53%、公交-8.31%等[33] - **价值红利因子**： - 近3月表现：如宠物食品20.52%、客车12.65%、安防6.09%等[36] - **破产价值因子**： - 近3月表现：如其他电子零组件Ⅲ11.12%、资产管理Ⅱ-19.38%、动物疫苗及兽药-10.93%等[38]

量化模型与构建方式 1. 模型名称：风格轮动模型 - **模型构建思路**： 本模型从基础风格因子（估值、市值、波动率、动量）出发，逐步构造风格择时和打分体系。通过滚动训练随机森林模型，优选特征并规避过拟合风险，最终形成从风格择时到风格评分，再到实际投资的风格轮动框架[1][8] - **模型具体构建过程**： 1. 基于东吴金工特色多因子体系，优选80个底层因子作为原始特征[8] 2. 构造640个微观特征[8] 3. 使用常用指数作为风格股票池，取代风格因子的绝对比例划分，构造新的风格收益作为标签[1][8] 4. 通过随机森林模型对单个风格进行择时，得到每种风格的当期得分[1][8] 5. 综合择时结果与打分结果，构造月频风格轮动模型[1][8] --- 模型的回测效果 1. 风格轮动模型 - **年化收益率**：22.31%[9][10] - **年化波动率**：24.33%[9][10] - **信息比率（IR）**：0.92[9][10] - **月度胜率**：59.70%[9][10] - **历史最大回撤**：28.33%[10] - **策略对冲市场基准的年化收益率**：13.40%[9][10] - **策略对冲市场基准的年化波动率**：11.55%[9][10] - **策略对冲市场基准的IR**：1.16[9][10] - **策略对冲市场基准的月度胜率**：66.42%[9][10] - **策略对冲市场基准的历史最大回撤**：10.31%[10] --- 量化因子与构建方式 1. 因子名称：估值因子 - **因子的构建思路**：基于个股的估值水平，衡量其相对吸引力[8] - **因子具体构建过程**：通过东吴金工多因子体系中的估值相关指标，提取估值因子并纳入风格轮动模型[8] 2. 因子名称：市值因子 - **因子的构建思路**：基于个股市值大小，捕捉小市值股票的潜在超额收益[8] - **因子具体构建过程**：通过东吴金工多因子体系中的市值相关指标，提取市值因子并纳入风格轮动模型[8] 3. 因子名称：波动率因子 - **因子的构建思路**：基于个股的历史波动率，衡量其风险水平[8] - **因子具体构建过程**：通过东吴金工多因子体系中的波动率相关指标，提取波动率因子并纳入风格轮动模型[8] 4. 因子名称：动量因子 - **因子的构建思路**：基于个股的历史收益率，捕捉趋势性收益[8] - **因子具体构建过程**：通过东吴金工多因子体系中的动量相关指标，提取动量因子并纳入风格轮动模型[8] --- 因子的回测效果 1. 估值因子 - **2025年1月收益率（多空对冲）**：约-5%[13][14] - **2025年2月收益率（多空对冲）**：约-10%[13][14] 2. 市值因子 - **2025年1月收益率（多空对冲）**：约5%[13][14] - **2025年2月收益率（多空对冲）**：约10%[13][14] 3. 波动率因子 - **2025年1月收益率（多空对冲）**：约10%[13][14] - **2025年2月收益率（多空对冲）**：约15%[13][14] 4. 动量因子 - **2025年1月收益率（多空对冲）**：约0%[13][14] - **2025年2月收益率（多空对冲）**：约5%[13][14]