- 央行创设了证券、基金、保险公司互换便利（SFISF）工具，并联合证监会下发通知启动操作，目前有20家证券、基金公司获批参与，合计申请额度已超2000亿元[1][7] - 华夏中证科创创业50ETF及其联接基金公告降低管理费，从0.5%的年费率降为0.15%，成为全市场管理费最低的跟踪双创50指数的股票ETF产品[1][7] - 上周，普通股票型基金平均收益2.10%，混合型基金为1.87%，债券型基金为0.36%，量化产品中主动量化产品平均收益为2.20%，量化对冲产品为-1.32%[18][19] - 年初至今，普通股票型基金平均收益为4.65%，混合型基金为4.11%，债券型基金为3.00%，量化产品中主动量化产品平均收益为2.88%，量化对冲产品为-2.34%[23][24] - 截止2024年10月18日，规模最大的ETF跟踪标的为沪深300，总规模10393亿元，其次为科创50规模2221亿元、上证50规模1659亿元[2][29] - 上周，中证A500资金净流入最多117亿元，SGE黄金9999、科创芯片其次，沪深300净流出最多128亿元；年初至今，沪深300净流入最多5924亿，中证1000、中证500其次，证券公司净流出最多126亿元[2][29] - 规模前5的宽基类ETF产品申购赎回数据：上证50ETF规模最大1589.07亿，上周资金净流出30.22亿；沪深300ETF规模最大3951.29亿，上周资金净流出98.70亿；中证500ETF规模最大1164.40亿，上周资金净流出33.64亿；中证1000ETF规模最大654.89亿，上周资金净流出26.80亿；创业板ETF规模最大1122.11亿，上周资金净流出60.88亿[31][32][33]

- 本报告提到市场处于从分歧到再确认的状态，建议关注家用电器、国防军工、传媒、医药生物、非银金融、电子、汽车等板块[2][5] - 四轮驱动行业轮动模型建议关注特定行业，认为这些行业在当前市场环境中具有优势[5][7] - 报告中提到市场的做多情绪和风险偏好仍然较高，短期内可能出现结构性行情，但整体指数难以创新高[5]

量化模型与构建方式 1. 模型名称：量能择时模型 - 模型构建思路：通过量能信号判断市场趋势 - 模型具体构建过程：根据各指数的量能信号进行择时判断，量能信号为看多时，表示市场趋势向好 - 模型评价：该模型能够较好地捕捉市场的上涨机会[17][18] 2. 模型名称：沪深300上涨家数占比情绪指标 - 模型构建思路：通过计算沪深300指数成分股的上涨家数占比来判断市场情绪 - 模型具体构建过程： 1. 计算沪深300指数N日上涨家数占比 2. 进行两次不同窗口期的平滑，分别称之为慢线和快线 3. 当快线大于慢线时，看多市场；当快线小于慢线时，对市场持中性态度 公式：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比[19][20][24] - 模型评价：该指标可以较快捕捉上涨机会，但在对下跌市场的判断存在缺陷[22] 3. 模型名称：均线情绪指标 - 模型构建思路：通过八均线体系判断市场趋势 - 模型具体构建过程： 1. 计算沪深300收盘价的八均线数值，均线参数为8，13，21，34，55，89，144，233 2. 计算当日沪深300指数收盘价大于八均线指标值的数量 3. 当前价格大于八均线指标值的数量超过5时，看多沪深300指数[25] - 模型评价：该指标能够较好地反映市场的情绪景气区间[25] 模型的回测效果 1. 量能择时模型 - 上证指数：看多 - 上证50：看多 - 沪深300：看多 - 中证500：看多 - 中证1000：看多 - 创业板指：看多 - 北证50：看多[18] 2. 沪深300上涨家数占比情绪指标 - 最近一周高位震荡，上涨家数占比高于50%，预计未来对沪深300指数保持看多观点[22] 3. 均线情绪指标 - 短期内沪深300指数处于情绪景气区间[25] 量化因子与构建方式 1. 因子名称：横截面波动率 - 因子的构建思路：通过横截面波动率判断Alpha环境 - 因子具体构建过程：计算沪深300、中证500和中证1000指数成分股的横截面波动率[25] - 因子评价：短期Alpha环境恶化，但近一个季度Alpha环境较好[25] 2. 因子名称：时间序列波动率 - 因子的构建思路：通过时间序列波动率判断Alpha环境 - 因子具体构建过程：计算沪深300、中证500和中证1000指数成分股的时间序列波动率[27] - 因子评价：短期Alpha环境恶化，但近一个季度Alpha环境较好[27] 因子的回测效果 1. 横截面波动率 - 近两年平均值：沪深300为1.90%，中证500为2.01%，中证1000为2.16% - 近一年平均值：沪深300为1.86%，中证500为1.96%，中证1000为2.14% - 近半年平均值：沪深300为1.92%，中证500为2.01%，中证1000为2.21% - 近一季度平均值：沪深300为2.02%，中证500为2.08%，中证1000为2.28%[26] 2. 时间序列波动率 - 近两年平均值：沪深300为0.60%，中证500为0.42%，中证1000为0.24% - 近一年平均值：沪深300为0.60%，中证500为0.45%，中证1000为0.26% - 近半年平均值：沪深300为0.65%，中证500为0.47%，中证1000为0.27% - 近一季度平均值：沪深300为0.75%，中证500为0.51%，中证1000为0.29%[28]

- 公募沪深300增强基金的整体超额收益率在2024年9月20日以来为-3.58%，2024年以来为0.47%[1][7] - 公募中证500增强基金的整体超额收益率在2024年9月20日以来为-4.47%，2024年以来为0.43%[9][10] - 公募中证1000增强基金的整体超额收益率在2024年9月20日以来为-4.95%，2024年以来为2.19%[11][12] - 私募量化中性精选指数在2024年（20231231-20241011）收益率为1.31%[2][13] - 2024年10月，头部量化私募中性策略的平均收益率为-0.89%，月度收益率最高为1.12%，最低为-4.49%[2][14][15]

量化模型与构建方式 模型名称：港股资金流变化模型 - **模型构建思路**：通过计算港股市场中不同类型资金（南下资金、外资、中资、港资）的每日净流入变化，分析其对港股市场的影响[10][11][12] - **模型具体构建过程**： 1. **数据收集**：收集港股市场中南下资金、外资、中资、港资的每日净流入数据[10] 2. **加权计算**：根据各类资金在不同指数中的权重，计算各指数的资金流变化[10] 3. **时间窗口分析**：对特定时间窗口（如国庆前后）的资金流变化进行分析，识别资金流入和流出的关键节点[11][12] - **模型评价**：该模型能够较好地反映不同类型资金对港股市场的影响，尤其是在特定事件（如国庆假期）前后的资金流变化[10][11][12] 模型的回测效果 - **港股资金流变化模型**： - **恒生科技指数**：南下资金和外资总体以净流入为主，中资和港资则整体呈现净流出状态[10][11] - **恒生医疗保健指数**：南下资金整体呈现净流入态势，外资持续净流出[11][12] - **国新港股通央企红利指数**：南下资金持续对港股红利保持流入态势，外资主要呈现净流出状态[12][13] 量化因子与构建方式 因子名称：南下资金净流入因子 - **因子的构建思路**：通过计算南下资金在港股市场中的净流入量，分析其对市场的影响[10][11][12] - **因子具体构建过程**： 1. **数据收集**：收集南下资金的每日净流入数据[10] 2. **净流入计算**：计算南下资金在不同时间窗口的净流入量[10] 3. **加权计算**：根据南下资金在不同指数中的权重，计算其对各指数的影响[10] - **因子评价**：该因子能够较好地反映南下资金对港股市场的影响，尤其是在特定事件（如国庆假期）前后的资金流变化[10][11][12] 因子名称：外资净流入因子 - **因子的构建思路**：通过计算外资在港股市场中的净流入量，分析其对市场的影响[10][11][12] - **因子具体构建过程**： 1. **数据收集**：收集外资的每日净流入数据[10] 2. **净流入计算**：计算外资在不同时间窗口的净流入量[10] 3. **加权计算**：根据外资在不同指数中的权重，计算其对各指数的影响[10] - **因子评价**：该因子能够较好地反映外资对港股市场的影响，尤其是在特定事件（如国庆假期）前后的资金流变化[10][11][12] 因子的回测效果 - **南下资金净流入因子**： - **恒生科技指数**：南下资金的净流入趋势显著加强[10][11] - **恒生医疗保健指数**：南下资金整体呈现净流入态势[11][12] - **国新港股通央企红利指数**：南下资金持续对港股红利保持流入态势[12][13] - **外资净流入因子**： - **恒生科技指数**：外资的净流入加速节点主要始于9月23日，10月7日之后转为净流出[11] - **恒生医疗保健指数**：外资在恒生医疗保健指数上的净加仓态度较为模糊，10月3日国庆期间开始转为净流出[12] - **国新港股通央企红利指数**：外资在港股红利上转为净流入，但从10月8日起又转为净流出[12][13]

量化模型与构建方式 模型名称：封板率与连板率模型 - **模型构建思路**：通过统计股票在盘中涨停和收盘涨停的情况，计算封板率和连板率，以反映市场情绪和股票的强势程度[9] - **模型具体构建过程**： - 封板率的计算公式为： $$ \text{封板率} = \frac{\text{最高价涨停且收盘涨停的股票数}}{\text{最高价涨停的股票数}} $$ - 连板率的计算公式为： $$ \text{连板率} = \frac{\text{连续两日收盘涨停的股票数}}{\text{昨日收盘涨停的股票数}} $$ - 统计上市满3个月以上的股票在盘中的实时涨跌停家数，计算封板率和连板率[9] - **模型评价**：该模型能够有效反映市场情绪和股票的强势程度，适用于短期市场情绪分析[9] 模型的回测效果 - **封板率与连板率模型** - 封板率：57%，较前日下降26%[9] - 连板率：24%，较前日下降10%[9] 量化因子与构建方式 因子名称：股指期货年化贴水率因子 - **因子的构建思路**：通过计算股指期货主力合约的年化贴水率，反映市场对于未来预期的表现[17] - **因子具体构建过程**： - 年化贴水率的计算公式为： $$ \text{年化贴水率} = \frac{\text{基差}}{\text{指数价格}} \times \left(\frac{250}{\text{合约剩余交易日数}}\right) $$ - 统计上证50、沪深300、中证500和中证1000指数股指期货主力合约的年化贴水率[17] - **因子评价**：该因子能够反映市场对于未来预期的表现，适用于中长期市场预期分析[17] 因子的回测效果 - **股指期货年化贴水率因子** - 上证50股指期货主力合约年化贴水率：33.20%，处于近一年来3%分位点[17] - 沪深300股指期货主力合约年化贴水率：25.22%，处于近一年来3%分位点[17] - 中证500股指期货主力合约年化贴水率：55.31%，处于近一年来2%分位点[17] - 中证1000股指期货主力合约年化贴水率：70.90%，处于近一年来2%分位点[17]

```markdown 量化模型与构建方式 模型名称：中欧丰泰港股通A - **模型构建思路**：通过精选个股和风险控制，力争为基金份额持有人获得超越业绩比较基准的收益[13] - **模型具体构建过程**： - **投资范围**：包括国内依法发行上市的股票、存托凭证、港股通标的股票、债券、资产支持证券、债券回购、银行存款、同业存单、股指期货、国债期货、股票期权、信用衍生品等[13] - **投资比例**：股票及存托凭证投资占基金资产的60%-95%，其中投资于港股通标的股票的比例不低于非现金基金资产的80%[13] - **业绩基准**：中证港股通综合指数收益率(人民币)*80%+沪深300指数收益率*10%+中债综合全价指数收益率*10%[13] - **模型评价**：该模型通过精选个股和风险控制，力争为基金份额持有人获得超越业绩比较基准的收益[13] 模型的回测效果 - **中欧丰泰港股通A** - **收益率**：任职以来年化收益率8.99%，2024年收益率16.42%，2023年收益率-9.60%，2022年收益率12.77%[16] - **最大回撤**：任职以来-27.88%，2024年-21.45%，2023年-22.26%，2022年-6.60%[16] - **年化波动率**：任职以来23.72%，2024年24.01%，2023年21.64%，2022年30.13%[16] - **夏普比率**：任职以来0.40，2024年0.91，2023年-0.48，2022年1.44[16] - **季度胜率**：57%[16] 量化因子与构建方式 因子名称：选股因子 - **因子的构建思路**：自下而上选股，长期持有优秀公司，分享企业的价值创造[14] - **因子具体构建过程**： - **选股理念**：好公司、好价格、风险控制好[14] - **选股风格**：偏大盘价值风格，价值风格占比平均为53.46%，大盘风格占比平均为70.30%[19][20] - **持股特征**：持股略集中，高质量特征，前十大重仓股集中度均值53.96%，PE整体水平偏高，ROE整体水平偏高[21][22][23][24][25] - **长期重仓**：具备显著alpha收益，长期重仓股超额平均为24.17%[26][27] - **个股交易**：平均换手率约2倍，隐形交易累计贡献7.07%[28][29][30] - **因子评价**：该因子通过自下而上选股，长期持有优秀公司，分享企业的价值创造，具有显著的alpha收益[14][26] 因子的回测效果 - **选股因子** - **长期重仓股超额收益**：腾讯控股17.41%，中海物业-4.31%，中国海洋石油54.56%，紫金矿业29.05%，平均24.17%[26][27] - **隐形交易超额收益**：7.07%[30] ```

量化模型与构建方式 模型名称：转债&国债择时策略 - **模型构建思路**：基于转债市场的YTM差值与定价偏离度进行择时[8][10] - **模型具体构建过程**： 1. 计算3年期AA级信用债YTM与转债YTM的差值，作为价格水平类择时指标[8] 2. 使用CCBA定价模型计算转债的理论定价，并计算定价偏离度=转债价格/CCBA模型定价-1，作为期权估值类择时指标[8] 3. 将上述两个指标计算zscore并形成择时综合打分，月度调整权重构建转债&国债的择时策略[11] - **模型评价**：策略几乎每年都能跑赢基准，波动与回撤明显降低[11] 模型名称：低估+动量的偏债增强策略 - **模型构建思路**：在低估策略中加入正股动量因子，降低策略尾部风险并增加策略弹性[16] - **模型具体构建过程**： 1. 使用ccb_out定价偏离度作为低估值因子[17] 2. 使用正股过去1、3、6个月涨跌幅作为正股动量因子[17] 3. 在偏债转债中找到得到最高的30值转债进行配置[17] - **模型评价**：该策略相对于偏债转债基准增强效果稳定，超额收益显著[17] 模型名称：波动率倒数加权策略 - **模型构建思路**：通过波动率倒数加权的方式构建月度调仓的策略，实现收益稳定且风险更低的绝对收益策略[19] - **模型具体构建过程**： 1. 使用偏债增强策略与7-10年期国债[19] 2. 通过波动率倒数加权的方式构建月度调仓的策略[19] - **模型评价**：策略表现稳定，年化收益与回撤控制在较低水平[19] 模型的回测效果 转债&国债择时策略 - 年化收益：8.99%[13] - 年化波动：6.91%[13] - 最大回撤：11.79%[13] 低估+动量的偏债增强策略 - 区间收益：14.9%[19] - 年化波动：8.8%[19] - 最大回撤：12.9%[19] - 区间超额：7.8%[19] - 信息比率：2.30[19] 波动率倒数加权策略 - 区间收益：7.7%[21] - 年化波动：2.7%[21] - 最大回撤：2.8%[21] 量化因子与构建方式 因子名称：ccb_out定价偏离度 - **因子的构建思路**：基于可转债赎回调整定价模型（CCBA）计算当前市场转债的理论定价，并计算定价偏离度[8] - **因子具体构建过程**： 1. 计算CCBA模型定价[8] 2. 计算定价偏离度=转债价格/CCBA模型定价-1[8] - **因子评价**：该因子能够较好地表征转债的期权估值水平[8] 因子名称：正股动量因子 - **因子的构建思路**：使用正股过去1、3、6个月涨跌幅作为动量因子[17] - **因子具体构建过程**： 1. 计算正股过去1、3、6个月的涨跌幅[17] 2. 将这些涨跌幅作为动量因子进行打分[17] 因子的回测效果 ccb_out定价偏离度 - 区间收益：20.1%[30] - 年化波动：13.7%[30] - 最大回撤：15.6%[30] - 区间超额：12.3%[30] - 信息比率：2.06[30] 正股动量因子 - 区间收益：22.8%[32] - 年化波动：14.3%[32] - 最大回撤：11.9%[32] - 区间超额：14.8%[32] - 信息比率：2.37[32]

- A股市场在利好政策持续加码下，投资者风险偏好显著提升，市场大幅上涨后沪深300、中证500等指数的获利盘比例均已提升至60%以上[11] - 节后四个交易日A股日均成交额达到2.5万亿水平，场内货币基金份额继续大幅萎缩，债券和货币中的资金向权益资产切换的迹象明显[11] - 截至2024年10月11日，股指期货近月合约仍处于升水状态，但较前期的大幅升水已有明显回落，中证500近月合约升水为15点，说明市场热度略有回落，但在短期修整后有望重拾上行趋势[11]

量化市场追踪周报总结 量化模型与构建方式 模型名称：绩优基金行业轮动模型 - **模型构建思路**：基于绩优基金持仓倾向的边际变化，研发相应的行业轮动策略[19] - **模型具体构建过程**： 1. 收集绩优基金的持仓数据 2. 计算各行业的持仓比例变化 3. 根据持仓比例变化，确定超配和低配的行业 4. 构建行业轮动策略，进行多头和空头操作 - **模型评价**：该模型受益于较强的灵活性，其收益风险特征明显好于动量、景气度策略的同期表现[19] 模型的回测效果 - **绩优基金行业轮动模型**： - 多头超额收益：-1.12%[19] 量化因子与构建方式 因子名称：主动权益型基金仓位因子 - **因子的构建思路**：通过持股市值加权平均值计算主动权益型基金的仓位变化[10] - **因子具体构建过程**： 1. 收集主动权益型基金的持仓数据 2. 计算普通股票型基金、偏股混合型基金、配置型基金的平均仓位 3. 计算“固收+”基金的平均仓位 4. 进行仓位变化的统计和分析 - **因子评价**：该因子能够反映主动权益型基金和“固收+”基金的仓位变化情况，有助于了解市场资金流向[10] 因子名称：主动权益产品风格因子 - **因子的构建思路**：通过持股市值加权平均值计算主动权益型基金在不同风格上的仓位变化[14] - **因子具体构建过程**： 1. 收集主动权益型基金的持仓数据 2. 计算大盘成长、大盘价值、中盘成长、中盘价值、小盘成长、小盘价值的仓位比例 3. 进行仓位变化的统计和分析 - **因子评价**：该因子能够反映主动权益型基金在不同风格上的仓位变化，有助于了解基金的投资风格[14] 因子名称：主动权益产品行业因子 - **因子的构建思路**：通过持股市值加权平均值计算主动权益型基金在不同行业上的仓位变化[16] - **因子具体构建过程**： 1. 收集主动权益型基金的持仓数据 2. 计算各行业的持仓比例 3. 进行仓位变化的统计和分析 - **因子评价**：该因子能够反映主动权益型基金在不同行业上的仓位变化，有助于了解基金的行业配置情况[16] 因子的回测效果 - **主动权益型基金仓位因子**： - 平均仓位：85.88%[10] - 普通股票型基金平均仓位：88.74%（较上周上升2.52pct）[10] - 偏股混合型基金平均仓位：86.42%（较上周上升3.14pct）[10] - 配置型基金平均仓位：83.72%（较上周上升4.09pct）[10] - “固收+”基金平均仓位：24.26%（较上周下降0.29pct）[10] - **主动权益产品风格因子**： - 大盘成长仓位：14.37%（较上周下降5.12pct）[14] - 大盘价值仓位：10.25%（较上周上升0.61pct）[14] - 中盘成长仓位：18.12%（较上周下降12.71pct）[14] - 中盘价值仓位：18.35%（较上周上升6.81pct）[14] - 小盘成长仓位：34.61%（较上周上升9.78pct）[14] - 小盘价值仓位：4.3%（较上周上升0.63pct）[14] - **主动权益产品行业因子**： - 通信行业仓位：5.00%（较上周提升0.51pct）[16] - 综合金融行业仓位：0.60%（较上周提升0.42pct）[16] - 电力设备及新能源行业仓位：8.28%（较上周提升0.38pct）[16] - 石油石化行业仓位：2.03%（较上周提升0.36pct）[16] - 传媒行业仓位：1.04%（较上周提升0.30pct）[16] - 有色金属行业仓位：5.02%（较上周下降0.61pct）[16] - 食品饮料行业仓位：5.33%（较上周下降0.45pct）[16] - 家电行业仓位：3.50%（较上周下降0.38pct）[16] - 钢铁行业仓位：0.59%（较上周下降0.34pct）[16] - 电子行业仓位：15.09%（较上周下降0.29pct）[16]