量化因子与构建方式 1 因子名称：二阶动量 因子构建思路：通过计算价格与均值的偏离程度来衡量动量效应[6] 因子具体构建过程： $$二阶动量 = -mean\left(\frac{Close_{t-window1:t}}{Close_t} - EWMA\left(mean\left(\frac{Close_{t-window1:t}}{Close_t}\right), window2\right), window\right)$$ 其中Close表示收盘价，EWMA表示指数加权移动平均[7] 2 因子名称：动量期限差 因子构建思路：通过不同时间窗口的价格变化差异捕捉动量效应[6] 因子具体构建过程： $$动量期限差 = \frac{Close_t - Close_{t-window1}}{Close_{t-window1}} - \frac{Close_t - Close_{t-window2}}{Close_{t-window2}}$$[7] 3 因子名称：成交金额波动 因子构建思路：通过成交金额的标准差衡量市场活跃度[6] 因子具体构建过程： $$成交金额波动 = -STD(Amount)$$[7] 4 因子名称：成交量波动 因子构建思路：通过成交量的标准差衡量市场波动[6] 因子具体构建过程： $$成交量波动 = -STD(Volume)$$[7] 5 因子名称：换手率变化 因子构建思路：通过不同时间窗口换手率均值比较捕捉资金流动变化[6] 因子具体构建过程： $$换手率变化 = \frac{Mean(turnover_{t-window1:t})}{Mean(turnover_{t-window2:t})}$$[7] 6 因子名称：多空对比总量 因子构建思路：通过价格位置与成交量加权计算多空力量对比[6] 因子具体构建过程： $$多空对比总量 = \sum_{i=t-window}^t \frac{Close_i - Low_i}{High_i - Low_i} - EWMA(Volume \times Close, window1)$$[7] 7 因子名称：多空对比变化 因子构建思路：通过多空力量的变化速度捕捉市场情绪转变[6] 因子具体构建过程： $$多空对比变化 = \frac{Close - Low}{High - Low} - EWMA\left(\frac{Volume \times (High - Close)}{High - Low}, window2\right)$$[7] 8 因子名称：量价背离协方差 因子构建思路：通过价格与成交量排名的协方差捕捉量价背离现象[6] 因子具体构建过程： $$量价背离协方差 = -rank\{covariance[rank(Close), rank(Volume), window]\}$$[7] 9 因子名称：量价相关系数 因子构建思路：直接计算价格与成交量的相关系数[6] 因子具体构建过程： $$量价相关系数 = -correlation(Close, Volume, window)$$[7] 10 因子名称：一阶量价背离 因子构建思路：通过成交量变化与价格开盘关系的相关性捕捉短期背离[6] 因子具体构建过程： $$一阶量价背离 = Volume_i - correlation[Rank(Volume_{i-1}), Rank(Close_i - Open_i), window]$$[7] 11 因子名称：量幅同向 因子构建思路：通过成交量变化与价格振幅的相关性捕捉量价同向运动[6] 因子具体构建过程： $$量幅同向 = Rank\left(\frac{Volume_i}{Volume_{i-1}}\right) - correlation\left[Rank\left(\frac{High_i}{Low_i}\right), window\right]$$[7] 复合因子构建方式： 将11个量价因子等权加权构建复合因子，每月末选取中信一级行业（剔除综合和综合金融）中复合因子最高的五个行业，行业间等权配置[6][7] 因子的回测效果 1 量价行业轮动组合，累计收益750.70%[8] 2 量价行业轮动组合，累计超额收益648.89%（vs行业等权）[8] 3 量价行业轮动组合，2025年上半年月胜率100%[6] 4 量价行业轮动组合，2025年6月超额收益0.04%[9] 5 量价行业轮动组合，2025年前6个月超额收益3.32%[9]

证券研究报告·金融工程·金工定期报告 [Table_Tag] [Table_Summary] 报告要点 证券分析师 高子剑 执业证书：S0600518010001 021-60199793 gaozj@dwzq.com.cn 证券分析师 凌志杰 执业证书：S0600525040007 lingzhj@dwzq.com.cn 相关研究 金工定期报告 20250701 从微观出发的五维行业轮动月度跟踪 202507 2025 年 07 月 01 日 《从微观出发的五维行业轮动 月度跟踪 202506》 2025-06-03 东吴证券研究所 1 / 9 请务必阅读正文之后的免责声明部分 ◼ 模型多空对冲绩效：以 2015/01/01-2025/06/30 为回测区间，五维行业轮 动模型在申万一级行业中，六分组多空对冲的年化收益率为 21.59%，年 化波动率为 10.77%，信息比率为 2.00，月度胜率为 73.33%，历史最大 回撤为 13.30%；多头对冲全市场行业等权组合的年化收益率为 10.52%， 年化波动率为 6.59%，信息比率为 1.60，月度胜率 70.83%，历史最大回 撤为 9.36%。 ◼ ...

量化模型与构建方式 1. **模型名称**：基于微观的风格轮动模型 **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层微观指标构造640个微观特征，并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[6] **模型具体构建过程**： - 优选80个底层因子作为原始特征，构造640个微观特征[6] - 通过滚动训练随机森林模型，规避过拟合风险，优选特征并得到风格推荐[6] - 综合择时结果与打分结果，构造月频风格轮动框架[6] **模型评价**：模型通过微观特征和滚动训练有效降低了过拟合风险，实现了风格择时与评分的结合[6] 模型的回测效果 1. **基于微观的择时+打分风格轮动策略** - 年化收益率：21.63%[7][8] - 年化波动率：24.09%[7][8] - 信息比率（IR）：0.90[7][8] - 月度胜率：59.12%[7][8] - 对冲市场基准的年化收益率：13.35%[7][8] - 对冲市场基准的年化波动率：11.43%[7][8] - 对冲市场基准的信息比率（IR）：1.17[7][8] - 对冲市场基准的月度胜率：66.42%[7][8] - 历史最大回撤：10.28%[7][8] 2. **2025年6月风格轮动模型** - 收益率：1.28%[13] - 相对基准超额：-2.51%[13] 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**：基于微观个股层面的估值指标构造[6] **因子具体构建过程**：未详细说明 2. **因子名称**：市值因子 **因子的构建思路**：基于微观个股层面的市值指标构造[6] **因子具体构建过程**：未详细说明 3. **因子名称**：波动率因子 **因子的构建思路**：基于微观个股层面的波动率指标构造[6] **因子具体构建过程**：未详细说明 4. **因子名称**：动量因子 **因子的构建思路**：基于微观个股层面的动量指标构造[6] **因子具体构建过程**：未详细说明 因子的回测效果 1. **2025年风格因子实际收益率（多空对冲）** - 动量因子：具体数值未列出[12] - 波动率因子：具体数值未列出[12] - 估值因子：具体数值未列出[12] - 市值因子：具体数值未列出[12] 2. **2025年风格因子择时后收益率（多空对冲）** - 动量因子：具体数值未列出[15] - 波动率因子：具体数值未列出[15] - 估值因子：具体数值未列出[15] - 市值因子：具体数值未列出[15] 3. **近一年风格因子权重** - 市值因子：权重未列出[16] - 估值因子：权重未列出[16] - 动量因子：权重未列出[16] - 波动率因子：权重未列出[16]

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. **因子名称：封板率因子** - 构建思路：通过监测涨停股盘中表现与收盘状态的匹配度，反映市场情绪强度[16] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，统计日内最高价触及涨停且收盘仍维持涨停的股票占比[16] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率因子** - 构建思路：捕捉连续涨停股票的比例，识别市场投机热度[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需排除新股上市初期波动干扰[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机构资金动向[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作为基准[25] 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期现价差衍生市场预期指标[27] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 跟踪上证50/沪深300/中证500/中证1000主力合约[27] --- 因子回测效果 1. **封板率因子** - 当日取值：79%（较前日+18%）[16] - 近一月峰值：创近一个月新高[16] 2. **连板率因子** - 当日取值：25%（较前日+11%）[16] 3. **大宗交易折价率因子** - 当日取值：8.00%（近半年均值5.66%）[25] 4. **股指期货贴水率因子** - 上证50：3.59%（近一年42%分位）[27] - 沪深300：5.41%（近一年36%分位）[27] - 中证500：15.81%（近一年21%分位）[27] - 中证1000：13.84%（近一年42%分位）[27] --- 注：报告中未涉及量化模型的具体构建，仅包含市场监测类因子[16][25][27]

量化模型与因子总结 量化因子与构建方式 1. **因子名称：Beta因子** - 因子构建思路：衡量股票相对于市场的系统性风险[16] - 因子具体构建过程：直接使用历史beta值作为因子值[16] 2. **因子名称：市值因子** - 因子构建思路：衡量公司规模大小[16] - 因子具体构建过程：总市值取自然对数 $$ \text{市值因子} = \ln(\text{总市值}) $$ [16] 3. **因子名称：动量因子** - 因子构建思路：衡量股票历史超额收益表现[16] - 因子具体构建过程：计算历史超额收益率序列的均值[16] 4. **因子名称：波动因子** - 因子构建思路：衡量股票价格波动性[16] - 因子具体构建过程：复合波动指标计算如下： $$ 0.74 \times \text{历史超额收益率序列波动率} + 0.16 \times \text{累积超额收益率离差} + 0.1 \times \text{历史残差收益率序列波动率} $$ [16] 5. **因子名称：非线性市值因子** - 因子构建思路：捕捉市值风格的非线性效应[16] - 因子具体构建过程：市值风格的三次方[16] 6. **因子名称：估值因子** - 因子构建思路：衡量股票估值水平[16] - 因子具体构建过程：使用市净率倒数作为因子值[16] 7. **因子名称：流动性因子** - 因子构建思路：衡量股票交易活跃程度[16] - 因子具体构建过程：复合流动性指标计算如下： $$ 0.35 \times \text{月换手率} + 0.35 \times \text{季换手率} + 0.3 \times \text{年换手率} $$ [16] 8. **因子名称：盈利因子** - 因子构建思路：衡量公司盈利能力[16] - 因子具体构建过程：复合盈利指标计算如下： $$ 0.68 \times \text{分析师预测盈利价格比} + 0.21 \times \text{市现率倒数} + 0.11 \times \text{市盈率ttm倒数} $$ [16] 9. **因子名称：成长因子** - 因子构建思路：衡量公司成长性[16] - 因子具体构建过程：复合成长指标计算如下： $$ 0.18 \times \text{分析师预测长期盈利增长率} + 0.11 \times \text{分析师预测短期利率增长率} + 0.24 \times \text{盈利增长率} + 0.47 \times \text{营业收入增长率} $$ [16] 10. **因子名称：杠杆因子** - 因子构建思路：衡量公司财务杠杆水平[16] - 因子具体构建过程：复合杠杆指标计算如下： $$ 0.38 \times \text{市场杠杆率} + 0.35 \times \text{账面杠杆} + 0.27 \times \text{资产负债率} $$ [16] 11. **因子名称：GRU因子** - 因子构建思路：基于GRU神经网络模型构建的复合因子[19][21][24][27] - 因子评价：在不同市场环境下表现分化，需要结合其他因子使用[19][21][24][27] 12. **因子名称：多因子组合** - 因子构建思路：综合多个因子构建的组合[31] - 因子评价：本周表现较弱，但长期表现稳定[31] 因子回测效果 1. **Beta因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 2. **市值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 3. **盈利因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 4. **估值因子** - 最近一周多空收益：空头表现强势[17] - 最近一月多空收益：空头表现强势[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 5. **流动性因子** - 最近一周多空收益：多头表现较好[17] - 最近一月多空收益：多头表现较好[17] - 三年年化多空收益：未提供具体数值[17] - 五年年化多空收益：未提供具体数值[17] 6. **GRU因子** - open1d模型： - 近一周超额收益：-0.35%[32] - 近一月超额收益：-0.71%[32] - 近三月超额收益：4.21%[32] - 近六月超额收益：5.85%[32] - 今年以来超额收益：6.30%[32] - close1d模型： - 近一周超额收益：0.55%[32] - 近一月超额收益：0.40%[32] - 近三月超额收益：5.04%[32] - 近六月超额收益：6.40%[32] - 今年以来超额收益：6.31%[32] - barra1d模型： - 近一周超额收益：0.17%[32] - 近一月超额收益：0.32%[32] - 近三月超额收益：1.97%[32] - 近六月超额收益：4.09%[32] - 今年以来超额收益：3.93%[32] - barra5d模型： - 近一周超额收益：0.13%[32] - 近一月超额收益：0.39%[32] - 近三月超额收益：4.48%[32] - 近六月超额收益：7.59%[32] - 今年以来超额收益：7.56%[32] 7. **多因子组合** - 近一周超额收益：-0.38%[32] - 近一月超额收益：-0.04%[32] - 近三月超额收益：1.43%[32] - 近六月超额收益：3.56%[32] - 今年以来超额收益：2.82%[32]

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：宏观择时策略** - **模型构建思路**：基于动态宏观事件因子进行股债轮动配置，通过经济增长和货币流动性两个维度的信号强度综合判断权益仓位[26][27] - **模型具体构建过程**： 1. 经济增长信号：综合PMI、工业增加值等指标，当前信号强度50%[27] 2. 货币流动性信号：结合SHIBOR、国债收益率等，当前信号强度40%[27] 3. 权益仓位计算：加权平均信号强度生成推荐仓位（当前45%）[27] - **模型评价**：2025年初至今收益率1.06%，略低于Wind全A指数（1.90%），但风险控制稳健[26][28] 2. **模型名称：微盘股轮动与择时模型** - **模型构建思路**：通过相对净值、动量斜率及风险指标监控微盘股风格持续性[29][33] - **模型具体构建过程**： 1. 相对强度指标：微盘股/茅指数相对净值（当前1.93倍）需高于243日均线（1.41倍）[29][33] 2. 动量指标：20日价格斜率（微盘股0.00257 vs 茅指数-0.00019）[29][35] 3. 风险指标： - 波动率拥挤度同比需低于0.55%（当前-0.415%）[29][36] - 十年期国债收益率同比需低于0.30%（当前-0.27%）[29][31] --- 量化因子与构建方式 1. **因子名称：市值因子（LN_MktCap）** - **构建思路**：捕捉小盘股超额收益效应，方向为低市值[49] - **具体构建**：取流通市值的自然对数$$ \text{LN\_MktCap} = \ln(\text{流通市值}) $$[49] 2. **因子名称：成长因子（NetIncome_SQ_Chg1Y）** - **构建思路**：通过单季度净利润同比增速筛选高成长性标的[49] - **具体构建**：$$ \text{NetIncome\_SQ\_Chg1Y} = \frac{\text{当期单季度净利润} - \text{去年同期单季度净利润}}{\text{去年同期单季度净利润}} $$[49] 3. **因子名称：反转因子（Price_Chg20D）** - **构建思路**：利用短期价格反转效应[49] - **具体构建**：计算20日收益率$$ \text{Price\_Chg20D} = \frac{P_t - P_{t-20}}{P_{t-20}} $$[49] 4. **转债估值因子（平价底价溢价率）** - **构建思路**：衡量可转债估值偏离程度[45][48] - **具体构建**：$$ \text{溢价率} = \frac{\text{转债价格} - \text{转换价值}}{\text{转换价值}} \times 100\% $$[48] --- 模型回测效果 | 模型/因子 | IC均值（全A股） | 多空收益（周） | 年化IR | |--------------------|----------------|---------------|---------| | 宏观择时策略 | - | - | 1.06%[26] | | 市值因子 | 23.47%[41] | +3.00%[41] | 39.13%[41] | | 成长因子 | 1.80%[41] | +0.15%[41] | 11.10%[41] | | 转债成长因子 | - | +0.72%[45] | - | --- 因子回测效果（分股票池） | 因子 | 沪深300 IC | 中证500 IC | 中证1000 IC | |---------------|------------|------------|-------------| | 一致预期因子 | 3.15%[41] | -3.56%[41] | 0.64%[41] | | 质量因子 | -6.93%[41] | -8.58%[41] | -8.37%[41] | | 技术因子 | -12.64%[41]| -2.86%[41] | 1.14%[41] | （注：表格数据均取自最新周度统计[41][45][49]）

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. 高频宏观因子模型 - **构建思路**：通过资产组合模拟构建高频宏观因子体系，用于观察市场交易的宏观预期变化[11] - **具体构建过程**： 1. **低频宏观因子合成**：工业增加值同比、PMI同比等指标合成低频因子 2. **领先资产筛选**：筛选恒生指数、CRB金属现货等领先资产 3. **滚动回归拟合**：以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元回归确定权重 公式： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ 其中k通过扩展窗口OLS估计，$\pi^{e}$为美联储长期通胀目标2%[30] - **评价**：高频指标对低频宏观因子具有领先性，但可能出现方向背离（如高频经济增长与低频指标反向变动）[12][16] 2. 债券久期择时模型 - **构建思路**：基于改进的Diebold2006模型预测收益率曲线，映射不同久期债券的预期收益[18] - **具体构建过程**： 1. **因子预测**：水平因子（宏观变量+政策利率）、斜率与曲率因子（AR(1)模型） 2. **收益映射**：计算各久期债券预期收益，选择最高收益久期 - **评价**：模型在2025年6月超额收益-2.1bp，近一年表现弱于等权基准[19][22] 3. 转债估值与风格轮动模型 - **构建思路**：通过转股溢价率、修正YTM等指标比较转债与正股/信用债的估值，结合动量信号进行风格轮动[23][25] - **具体构建过程**： 1. **估值指标**： - 百元转股溢价率：$$ \text{转股溢价率} = \frac{\text{转债价格} - \text{转换价值}}{\text{转换价值}} \times 100 $$ - 修正YTM：剥离转股条款影响后与信用债YTM比较 2. **风格轮动**： - 剔除高估值转债（转股溢价率偏离度因子） - 双周频调仓，基于20日动量与波动率偏离度选择风格（偏股/偏债）[25] - **评价**：2018-2025年轮动组合年化收益23.87%，IR 1.43，但2025年6月配置性价比偏低（百元转股溢价率29.47%）[23][27] 4. 黄金预期收益模型 - **构建思路**：将黄金收益与TIPS实际回报关联，通过历史参数估计未来收益[30] - **具体构建过程**： 1. 参数k通过扩展窗口OLS估计 2. 使用美联储2%通胀目标作为$\pi^{e}$代理 3. 输出未来一年预期收益率（2025年6月为23.0%） - **评价**：过去一年策略绝对回报40.72%，模型持续看多黄金[32][34] 5. 主动风险预算模型 - **构建思路**：结合风险平价与主动信号动态调整股债权重[35][36] - **具体构建过程**： 1. **信号维度**： - 股债比价（ERP）：$$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ - 估值分位数（中证800近5年PE分位点） - 流动性（M2-M1剪刀差） 2. **权重计算**：信号得分通过softmax函数转化为风险预算权重 $$ softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)} $$ 其中$\lambda$为风险调整系数[45] - **评价**：全样本年化收益6.51%，收益波动比1.64，2025年7月权益仓位18.72%[48][49] 6. 行业轮动3.0模型 - **构建思路**：六维度动态合成行业信号（交易行为、景气度、资金面、筹码结构、宏观驱动、技术分析）[50] - **具体构建过程**： 1. **子模型构建**： - 交易行为：捕捉日内动量+隔夜反转效应 - 景气度：盈余动量因子 - 资金流：主动抢筹+被动派发行为 2. **动态合成**：近12周模型权重贡献分析（筹码结构模型权重最高）[53][63] - **评价**：2025年6月多空收益-1.45%，最新推荐非银/有色/通信等行业[56][59] --- 模型与因子的回测效果 1. 高频宏观因子 - 高频经济增长：同比上行（2025/6/27）[12] - 高频消费通胀：同比上行（2025/6/27）[16] - 高频生产通胀：同比上行（2025/6/27）[16] 2. 债券久期择时 - 2025年6月超额收益：-2.1bp[22] - 近一年超额收益：-2.96%[19] 3. 转债风格轮动 - 年化收益：23.87% - 最大回撤：16.67% - IR：1.43[27] 4. 黄金预期收益 - 未来一年预期收益率：23.0%（2025/6/30）[30] - 过去一年策略回报：40.72%[32] 5. 主动风险预算 - 年化收益：6.51% - 收益波动比：1.64 - 2025年7月权益仓位：18.72%[49] 6. 行业轮动3.0 - 2025年6月多空收益：-1.45%[56] - ETF轮动组合6月超额：-2.93%[67] --- 关键公式汇总 1. 黄金收益模型： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$$ $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$$ [30] 2. 股权风险溢价： $$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ [37] 3. 风险预算权重： $$ softmax(x)=\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)} $$ [45] --- 注：所有数据与结论均基于研报披露的历史回测，未涉及未来预测或投资建议。

根据提供的研报内容，以下是量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：供给侧优化弹性β模型 **模型构建思路**：通过分析化工行业资本开支、产能利用率及ROE等指标，筛选供给侧结构性优化的子板块[22][25][26] **模型具体构建过程**： - 计算资本开支/折旧摊销比值：$$ \text{资本开支强度} = \frac{\text{年度资本开支}}{\text{折旧+摊销}} $$ - 结合ROE同比/环比变化、现金流改善情况，筛选资本开支强度低于历史均值且盈利改善的子板块[25][26] **模型评价**：能够有效识别产能出清初期的行业拐点，但对需求端敏感性不足 2. **模型名称**：需求驱动α模型 **模型构建思路**：基于消费升级和科技内循环趋势，选取需求增长确定性高的细分领域（如食品添加剂、电子化学品）[94][117][140] **模型具体构建过程**： - 量化国产化率缺口：$$ \text{国产化缺口} = 1 - \frac{\text{国内产量}}{\text{表观消费量}} $$ - 叠加政策支持度（如健康中国政策）、出口增速等指标构建评分体系[98][99][108] --- 模型的回测效果 1. **供给侧优化弹性β模型**： - 年化收益率18.45%[10] - 最大回撤-8.57%（纯碱子板块拖累）[7] - IR 1.32[13] 2. **需求驱动α模型**： - 年化收益率24.59%（改性塑料子板块贡献最高）[7] - 胜率67.8%[108] - 信息比率(IR) 1.89[117] --- 量化因子与构建方式 1. **因子名称**：资本开支收缩因子 **因子构建思路**：反映产能出清动能的先行指标[22][25] **因子具体构建过程**： $$ \text{收缩强度} = \frac{\text{当年资本开支/折旧摊销} - \text{十年均值}}{\text{标准差}} $$ 取负值（越低代表收缩越显著）[25][26] 2. **因子名称**：政策敏感度因子 **因子构建思路**：量化政策对行业供需的影响[32][99] **因子具体构建过程**： - 统计行业政策文件数量及力度评分（如"糖税"政策强度）[98] - 结合企业环保认证通过率（如FDA、REACH）[136] 3. **因子名称**：国产替代空间因子 **因子构建过程**： $$ \text{替代空间} = \log(\frac{\text{进口依存度} \times \text{行业增速}}{\text{CR3市占率}}) $$ 适用于光刻胶、电子气体等细分领域[140][142][165] --- 因子的回测效果 1. **资本开支收缩因子**： - 多空收益差12.62%/年（纺织化学制品子板块表现最佳）[7][65] - 因子IC 0.21[26] 2. **政策敏感度因子**： - 在食品添加剂板块中Rank IC达0.33[108] - 月度胜率58.7%[99] 3. **国产替代空间因子**： - 年化超额收益9.1%（半导体材料子板块）[140] - 最大单月回撤-5.53%[7] （注：部分子板块如有机硅、膜材料等同时受多个因子驱动[49][56][60]）

量化模型与构建方式 1. **模型名称：扩散指数行业轮动模型** - 模型构建思路：基于价格动量原理，通过行业扩散指数捕捉行业趋势[28] - 模型具体构建过程： 1. 计算中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行行业轮动调整[31] - 模型评价：在趋势性行情中表现优异，但在市场反转时可能失效[37] 2. **模型名称：GRU因子行业轮动模型** - 模型构建思路：基于GRU深度学习网络，利用分钟频量价数据生成行业因子[34] - 模型具体构建过程： 1. 使用GRU网络处理高频量价数据 2. 输出行业因子得分，反映行业短期动量 3. 每周进行行业轮动调整[36] - 模型评价：擅长捕捉短期交易机会，但对政策变化不敏感[38] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年以来超额收益：0.37%[26] - 6月以来超额收益：4.59%[31] - 本周超额收益：2.48%[31] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.76%[34] - 6月以来超额收益：-0.55%[36] - 本周超额收益：-0.82%[36] 量化因子与构建方式 1. **因子名称：行业扩散指数** - 因子构建思路：通过价格动量衡量行业趋势强度[28] - 因子具体构建过程： 1. 计算各行业价格序列的扩散指标 2. 标准化处理得到0-1区间的扩散指数[29] 2. **因子名称：GRU行业因子** - 因子构建思路：利用深度学习提取量价特征[34] - 因子具体构建过程： 1. GRU网络处理分钟级量价数据 2. 输出行业因子得分，数值范围无固定上下限[35] 因子的回测效果 1. **行业扩散指数** - 当前最高值：非银行金融(1.0)、综合金融(1.0)[28] - 当前最低值：煤炭(0.214)[29] - 周环比最大提升：食品饮料(+0.453)[30] 2. **GRU行业因子** - 当前最高值：纺织服装(3.7)[34] - 当前最低值：汽车(-16.31)[34] - 周环比最大提升：纺织服装[34]

量化模型与构建方式 1. **扩散指数模型** - 模型构建思路：通过监测微盘股成分股未来涨跌幅分布预测扩散指数变盘临界点，判断市场趋势[5][40] - 模型具体构建过程： 1. 横轴设定未来N天股价涨跌幅区间（1.10至0.90，对应±10%），纵轴设定回顾窗口期长度T（20至10天） 2. 计算特定横纵坐标下的扩散指数值（如横轴0.95、纵轴15天对应值0.13表示未来5天若成分股均跌5%，扩散指数为0.13） 3. 当前扩散指数值为0.74（横轴20、纵轴1.00），通过阈值法判断买卖信号[40] - 模型评价：对短期市场波动敏感，但易受成分股频繁调整影响[5][40] 2. **小市值低波50策略** - 模型构建思路：在微盘股成分股中筛选小市值且低波动的50只股票构建组合[19][37] - 模型具体构建过程： 1. 每双周调仓一次，选股标准为市值小（中位数约18亿元）且历史波动率低 2. 费用设定为双边千三，基准为万得微盘股指数（8841431.WI）[37] - 模型评价：在牛市环境中超额收益显著，但震荡市易跑输基准[19][37] --- 量化因子与构建方式 1. **非流动性因子** - 因子构建思路：衡量股票交易难度，高非流动性股票通常具有溢价[4][18] - 因子具体构建过程： $$ \text{非流动性} = \frac{\text{日均成交金额}}{\text{自由流通市值}} $$ 本周RankIC为0.174（历史平均0.038）[4][18] 2. **过去一年波动率因子** - 因子构建思路：捕捉高波动股票的异常收益[4][18] - 因子具体构建过程：计算个股过去252个交易日收益率标准差 本周RankIC为0.155（历史平均-0.033）[4][18] 3. **贝塔因子** - 因子构建思路：衡量个股相对市场的系统性风险[4][18] - 因子具体构建过程：通过CAPM回归计算个股贝塔值 本周RankIC为0.146（历史平均0.004）[4][18] 4. **非线性市值因子** - 因子构建思路：捕捉市值与收益的非线性关系[4][18] - 因子具体构建过程： $$ \text{非线性市值} = \text{市值}^3 - \text{线性市值部分} $$ 本周RankIC为-0.285（历史平均-0.033）[4][18] 5. **10天换手率因子** - 因子构建思路：反映短期交易活跃度[4][18] - 因子具体构建过程：计算过去10天自由流通市值换手率均值 本周RankIC为-0.183（历史平均-0.06）[4][18] --- 模型的回测效果 1. **扩散指数模型** - 首次阈值法：2025年5月8日触发空仓信号（阈值0.9850）[5][43] - 延迟阈值法：2025年5月15日触发空仓信号（阈值0.8975）[5][47] - 双均线法：2025年6月11日触发空仓信号[5][48] 2. **小市值低波50策略** - 2024年收益7.07%（超额-2.93%），2025年YTD收益53.93%，本周超额0.38%[19][37] --- 因子的回测效果 1. **非流动性因子** - 本周RankIC：0.174，历史平均：0.038[4][18] 2. **过去一年波动率因子** - 本周RankIC：0.155，历史平均：-0.033[4][18] 3. **贝塔因子** - 本周RankIC：0.146，历史平均：0.004[4][18] 4. **非线性市值因子** - 本周RankIC：-0.285，历史平均：-0.033[4][18] 5. **10天换手率因子** - 本周RankIC：-0.183，历史平均：-0.06[4][18]