根据研报内容，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**：主动偏股基金仓位高频估测模型 **模型构建思路**：通过基金每日披露的净值序列，利用带约束条件的多元回归模型，估算基金仓位变动趋势[62] **模型具体构建过程**： - 以净值序列为因变量，基准或构建的资产序列为自变量 - 采用约束条件优化回归模型（如最小二乘法） - 通过模拟组合提升估算准确性 - 行业配置动向分析采用相对变化幅度计算 **模型评价**：解决了公募基金仓位披露频率低的问题，但存在与实际仓位的测算偏差 2. **模型名称**：REITs指数构建模型 **模型构建思路**：基于指数化投资思想，构建综合及细分REITs指数反映市场表现[47] **模型具体构建过程**： - 采用分级靠档法稳定指数份额 - 对非交易因素变动（如新发、扩募）使用除数修正法保证连续性 - 区分价格指数与全收益指数 - 底层资产分类：产权类/特许经营权类指数 - 细分项目分类：能源/交通/园区等9类指数 3. **模型名称**：行业主题基金标签模型 **模型构建思路**：通过持仓信息分析基金的长期行业主题特征[36] **模型具体构建过程**： - 基于近四期财报持仓数据 - 分类逻辑： - 行业主题基金（持续聚焦单一赛道） - 行业轮动基金（频繁切换行业） - 行业均衡基金（分散配置） - 构建国防军工/TMT/消费等9类主题指数 量化因子与构建方式 1. **因子名称**：ETF资金流向因子 **因子构建思路**：监测不同类型ETF的资金净流入/流出情况[53] **因子具体构建过程**： - 按投资范围分类：股票型/港股/跨境/商品型ETF - 按主题分类：宽基（综合/科创板等6类）+行业（医药/TMT等8类） - 计算指标： $$净流入=当日份额变动\times单位净值$$ **因子评价**：有效反映市场短期交易情绪 2. **因子名称**：ESG主题分类因子 **因子构建思路**：根据投资策略覆盖范围划分ESG基金类型[78] **因子具体构建过程**： - ESG主题基金：整合E/S/G三要素 - 泛ESG基金： - 环境主题（低碳/碳中和等关键词） - 社会主题（乡村振兴/一带一路等） - 治理主题（公司治理等） 模型的回测效果 1. **主动偏股基金仓位模型**： - 本周仓位变动：-0.35pcts[62] - 行业增配Top3：非银金融/汽车/通信 - 行业减持Top3：电子/有色金属/石油石化 2. **REITs指数模型**： - 综合指数周收益：-1.89% - 细分指数表现： - 能源基础设施：-0.21% - 消费基础设施：-2.03%[47] 因子的回测效果 1. **ETF资金流向因子**： - 股票型ETF：净流出143.49亿元 - 港股ETF：净流入69.55亿元[53] - 科创主题ETF：净流出40.09亿元 2. **行业主题基金因子**： - 国防军工主题周收益：6.30% - 消费主题周收益：0.81%[36] 3. **ESG分类因子**： - 环境主题规模占比：76.8%（1026.08亿元） - 主动权益型ESG基金周收益中位数：3.28%[79]

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. **因子名称：股票风格因子** - **构建思路**：通过市场行为分析捕捉不同风格股票的表现差异，包括防御性因子和质量因子等[29] - **具体构建过程**： - 防御性因子（Beta、流动性）：基于股票对市场波动的敏感性和交易活跃度构建 - 质量因子（盈利质量）：通过财务指标（如ROE、现金流稳定性）筛选优质公司 - 市值因子：按市值分组，计算不同组别的超额收益 - 残差波动因子：通过回归模型提取个股特异性波动率 - **因子评价**：防御性因子和质量因子在当前市场环境下占优，反映投资者对稳健性和交易弹性的偏好[30] 2. **因子名称：商品风格因子** - **构建思路**：捕捉期货市场的趋势、流动性和资金流向特征[33] - **具体构建过程**： - 偏度因子：计算价格分布的偏态，反映尾部风险 $$ \text{偏度} = \frac{E[(X-\mu)^3]}{\sigma^3} $$ - 持仓变化因子：跟踪主力合约持仓量变化，识别资金动向 - 时间序列动量：计算过去N日收益率，捕捉趋势持续性 - 基差动量：通过期货与现货价差变化预测未来收益 - **因子评价**：防御因子（偏度、持仓变化）表现强势，动量类因子因市场反转频繁而承压[33] 3. **因子名称：宏观高频因子（增长、通胀、流动性）** - **构建思路**：基于高频经济指标量化宏观周期变化[38][44][48] - **具体构建过程**： - 增长因子：整合BCI指数、工业企业利润等数据，标准化后加权 - 通胀因子：结合PPI预期、CPI同比等指标，动态调整权重 - 流动性指数：分项构建政策信号（央行操作）、市场信号（利率波动）、效率信号（信贷传导）[44] - **因子评价**：增长因子连续下行反映经济压力，流动性改善但传导效率仍弱[38][44] --- 因子回测效果 1. **股票风格因子** - 防御性因子（Beta、流动性）：周收益显著跑赢基准[30] - 质量因子（盈利质量）：净值年内累计增长1.04倍[32] - 市值因子：持续弱势，年内净值0.94[32] 2. **商品风格因子** - 偏度因子：周收益+0.88%[33] - 持仓变化因子：周收益+1.91%[33] - 时间序列动量：周收益-3.38%[33] 3. **宏观高频因子** - 增长因子：6月值-0.065（前值-0.055），下行趋势[42] - 通胀因子：6月值-0.125，PPI预期创新低[50] - 流动性指数：政策信号分项贡献最大，效率信号仍弱[46] --- 其他量化指标 1. **动量与拥挤度** - 商品时序动量指数：0.35（低位震荡）[80] - 截面强弱指数：有色板块alpha显著高于黑色板块[80] 2. **波动率指标** - 上证50隐含波动率：周反弹5.97%，但仍处历史低位[85] 3. **基差与情绪** - IH年化基差率：接近0%（贴水收敛）[90] - 中证1000 PCR：跳升至1.2，反映避险需求激增[90] --- 注：以上内容严格基于研报中提及的量化模型和因子，未包含风险提示等非核心信息[6][95]。

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过每日平均单笔成交金额的大小切割出反转属性最强的交易日，认为A股反转之力的微观来源是大单成交[5][15] - **具体构建过程**： 1. 回溯股票过去20日数据 2. 计算每日平均单笔成交金额（成交金额/成交笔数） 3. 单笔成交金额高的10个交易日涨跌幅加总为M_high 4. 单笔成交金额低的10个交易日涨跌幅加总为M_low 5. 因子值M = M_high - M_low[43] - **因子评价**：逻辑清晰，聚焦大单交易的反转效应 2. **因子名称：聪明钱因子** - **构建思路**：从分钟行情价量信息中识别机构交易参与度，构造跟踪聪明钱的指标[5][15] - **具体构建过程**： 1. 回溯股票过去10日分钟行情数据 2. 计算每分钟指标 $$S_t = |R_t|/(V_t)^{0.25}$$，其中$R_t$为分钟涨跌幅，$V_t$为分钟成交量 3. 按$S_t$排序取成交量累积占比前20%的分钟作为聪明钱交易 4. 计算聪明钱交易VWAP（VWAPsmart）和全部交易VWAP（VWAPall） 5. 因子值Q = VWAPsmart/VWAPall[42][44] - **因子评价**：有效捕捉机构交易行为特征 3. **因子名称：APM因子** - **构建思路**：利用日内不同时段交易行为模式差异，衡量隔夜与下午残差差异[5][15] - **具体构建过程**： 1. 回溯20日数据，提取隔夜股票收益率$r_{night}$、指数收益率$R_{night}$，下午股票收益率$r_{afternoon}$、指数收益率$R_{afternoon}$ 2. 回归$r = \alpha + \beta R + \epsilon$得到40个残差（隔夜/下午各20个） 3. 计算每日隔夜与下午残差差值$\delta_t = \epsilon_{night} - \epsilon_{afternoon}$ 4. 构造统计量 $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$ 5. 对动量因子横截面回归取残差作为APM因子[45][46] 4. **因子名称：理想振幅因子** - **构建思路**：基于股价维度切割振幅，挖掘不同价态下振幅信息差异[5][15] - **具体构建过程**： 1. 回溯20日数据计算每日振幅（最高价/最低价-1） 2. 选取收盘价较高的25%交易日计算高价振幅均值V_high 3. 选取收盘价较低的25%交易日计算低价振幅均值V_low 4. 因子值V = V_high - V_low[48] 5. **因子名称：交易行为合成因子** - **构建思路**：加权合成上述四类交易行为因子[32] - **具体构建过程**： 1. 对单因子进行行业内去极值与标准化 2. 滚动12期ICIR作为权重加权合成 因子回测效果 1. **理想反转因子** - 全历史IC均值：-0.050 - 全历史rankIC均值：-0.061 - 全历史IR：2.53 - 全历史多空对冲胜率：78.1% - 2025年6月收益：1.09% - 近12月胜率：66.7%[16][7] 2. **聪明钱因子** - 全历史IC均值：-0.037 - 全历史rankIC均值：-0.061 - 全历史IR：2.74 - 全历史多空对冲胜率：82.1% - 2025年6月收益：0.91% - 近12月胜率：91.7%[19][7] 3. **APM因子** - 全历史IC均值：0.029 - 全历史rankIC均值：0.034 - 全历史IR：2.27 - 全历史多空对冲胜率：76.6% - 2025年6月收益：-0.11% - 近12月胜率：58.3%[23][7] 4. **理想振幅因子** - 全历史IC均值：-0.054 - 全历史rankIC均值：-0.073 - 全历史IR：3.01 - 全历史多空对冲胜率：83.5% - 2025年6月收益：2.43% - 近12月胜率：75.0%[27][7] 5. **交易行为合成因子** - 全历史IC均值：0.067 - 全历史rankIC均值：0.092 - 全历史IR：3.30 - 全历史多空对冲胜率：82.4% - 2025年6月收益：1.12% - 近12月胜率：83.3% - 多头对冲年化收益：8.64% - 收益波动比：2.75 - 国证2000/中证1000/中证800的IR：2.93/2.85/1.26[32][36][37] Barra风格因子表现（2025年6月） - 市值因子收益：-0.42% - 账面市值比因子收益：0.09% - 成长因子收益：-0.05% - 盈利预期因子收益：-0.11%[4][14]

量化模型与构建方式 1. **模型名称：GAN_GRU模型** - **模型构建思路**：结合生成式对抗网络（GAN）和门控循环单元（GRU）的深度学习模型，通过GAN处理量价时序特征后，利用GRU进行时序编码生成选股因子[9][10] - **模型具体构建过程**： 1. **数据输入**：18个量价特征（如收盘价、成交量等），采样形状为40*18（过去40天的特征）[13][14] 2. **GAN部分**： - 生成器（LSTM）：输入原始量价特征（40,18），输出生成的特征（40,18）[29][32] - 判别器（CNN）：处理二维时序特征，损失函数为： $$L_{D}=-\mathbb{E}_{x\sim P_{d a t a}(x)}[\log\!D(x)]-\mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))]$$ 生成器损失函数为： $$L_{G}\,=\,-\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))]$$[20][23] 3. **GRU部分**：两层GRU(128,128) + MLP(256,64,64)，输出预测收益pRet作为因子[18] 4. **训练细节**：半年度滚动训练，Adam优化器，学习率1e-4，损失函数为IC[14] - **模型评价**：通过对抗训练提升特征生成能力，保留时序性质的同时增强特征逼真度[26][29] --- 模型的回测效果 1. **GAN_GRU模型** - **IC均值**：11.54%（全A股，2019-2025）[36] - **ICIR**：0.89[37] - **年化超额收益率**：24.95%[37] - **信息比率（IR）**：1.56[37] - **最大回撤**：27.29%[37] - **最新一期IC**：8.34%（2025年6月）[36] - **行业表现**：建筑装饰、公用事业等行业IC均值最高（19.68%、17.15%）[37][39] --- 量化因子与构建方式 1. **因子名称：GAN_GRU因子** - **因子构建思路**：基于GAN_GRU模型输出的预测收益pRet，经行业市值中性化+标准化处理后作为选股因子[18][36] - **因子具体构建过程**： 1. 模型输出预测收益pRet 2. 截面标准化+行业市值中性化处理[18] - **因子评价**：在全A股范围内表现稳定，行业适应性较强[36][40] --- 因子的回测效果 1. **GAN_GRU因子** - **多头组合超额收益**： - 家用电器行业最高（7.27%单月，5.90%近一年）[40][41] - 全行业近一年均跑赢基准[40] - **行业IC排名**：建筑装饰（26.10%单月）、基础化工（25.43%）[37][39] - **换手率**：0.83[37] --- 多头组合示例（2025年6月） - **前十个股**：凤凰传媒、川投能源、海尔智家等[42][44] - **行业排名第一个股**：中国电建（建筑装饰）、宝信软件（计算机）等[42]

量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：从流动性、经济面、估值面、资金面、技术面、拥挤度六个维度选取21个指标，综合生成[-1,1]区间的择时分数，划分为"估值性价比"、"宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类[1][6] - **模型具体构建过程**： 1. **流动性维度**：货币方向因子（货币政策工具利率变化方向）、货币强度因子（DR007与逆回购利率偏离度）、信用方向因子（中长期贷款同比变化）、信用强度因子（新增人民币贷款预期差）[12][15][18][21] 2. **经济面维度**：增长方向因子（PMI同比变化）、增长强度因子（PMI预期差）、通胀方向因子（CPI与PPI加权变化）、通胀强度因子（CPI/PPI预期差均值）[22][26][27][31] 3. **估值面维度**：席勒ERP（6年通胀调整PE倒数减国债收益率）、PB（市净率Z值）、AIAE（全市场权益配置比例Z值）[32][36][39] 4. **资金面维度**：内资（两融增量、成交额趋势）、外资（中国主权CDS利差、海外风险厌恶指数）[41][44][47][49] 5. **技术面维度**：价格趋势（均线距离）、新高新低数（成分股反转信号）[51][54] 6. **拥挤度维度**：衍生品（期权隐含升贴水、VIX、SKEW）、可转债定价偏离度[57][58][62][65] 模型的回测效果 1. **择时雷达六面图模型**： - 当前综合打分：-0.10（中性）[1][8] - 细分维度得分： - 流动性：0.00（中性）[8] - 经济面：0.00（中性）[8] - 估值面：-0.11（中性偏空）[8] - 资金面：0.00（中性）[8] - 技术面：-0.50（看空）[8] - 拥挤度：-0.13（中性偏空）[8] 量化因子与构建方式 1. **因子名称**：货币方向因子 - **因子构建思路**：判断货币政策宽松/收紧方向[12] - **因子具体构建过程**：计算央行货币政策工具利率与短端市场利率90天平均变化方向，>0为宽松（分数=1），<0为收紧（分数=-1）[12] 2. **因子名称**：货币强度因子 - **因子构建过程**： $$偏离度 = \frac{DR007}{7天逆回购利率} - 1$$ 平滑后Z值<-1.5倍标准差为宽松（分数=1），>1.5倍标准差为收紧（分数=-1）[15] 3. **因子名称**：席勒ERP - **因子构建过程**： $$席勒PE = \frac{股价}{6年通胀调整平均盈利}$$ $$席勒ERP = \frac{1}{席勒PE} - 10年期国债收益率$$ 计算3年Z值并截尾至±1区间[32] 4. **因子名称**：可转债定价偏离度 - **因子构建过程**： $$偏离度 = \frac{转债价格}{模型定价} - 1$$ 取负值后计算3年Z值[65] 因子的回测效果 1. **货币方向因子**：当前分数=1（看多）[12] 2. **货币强度因子**：当前分数=-1（看空）[15] 3. **席勒ERP**：当前分数=0.16（较上周下降0.14）[10][32] 4. **可转债定价偏离度**：当前分数=-0.51（看空）[10][65]

证券研究报告 | 2025年06月29日 基金周报 年内多家公司对旗下 ETF 更名，科创板 ETF 纳入基金投顾配置范围 核心观点 金融工程周报 上周市场回顾。上周A股市场主要宽基指数全线上涨，创业板指、中证 1000、中证 500 指数收益靠前，收益分别为 5.69%、4.62%、3.98%， 上证综指、沪深 300、中小板指指数收益靠后，收益分别为 1.91%、 1.95%、2.55%。 从成交额来看，上周主要宽基指数成交额均有所上升。行业方面，上周 综合金融、计算机、综合收益靠前，收益分别为 14.48%、8.09%、7.55%， 石油石化、食品饮料、交通运输收益靠后，收益分别为-1.45%、0.02%、 0.25%。 截至上周五，央行逆回购净投放资金 10672 亿元，逆回购到期 9603 亿 元，净公开市场投放 20275 亿元。除 1 年期和 3 年期外，不同期限的国 债利率均有所上行，利差扩大 1.66BP。 上周共上报 28 只基金，较上上周申报数量有所减少。申报的产品包括 3 只FOF，2 只REITs，天弘国证港股通消费主题ETF、嘉实上证科创板人 工智能ETF、华宝港股通恒生消费ETF ...

根据提供的量化研报内容，以下是结构化总结： --- 量化模型与构建方式 1. **A股景气度高频指数模型** - 构建思路：基于上证指数归母净利润同比的Nowcasting目标构建，用于监测景气周期[49] - 构建过程：通过历史下行周期的时间与幅度对比，定位景气底部区间（如2023年四季度为底部）[49] - 评价：有效捕捉景气拐点，当前指数呈震荡上行趋势[52] 2. **A股情绪指数模型** - 构建思路：通过波动率和成交额变化方向划分四个象限，构造见底/见顶预警信号[53] - 构建过程： - 波动率下行+成交额下行：显著负收益 - 其他组合：显著正收益 当前信号为波动率下行（见底看多）+成交额上行（见顶看多），综合信号为“多”[56][61] - 评价：直接反映市场量价情绪，近期信号指向普涨格局[61] --- 量化因子与构建方式 1. **BARRA风格因子** - 包含十大类因子：市值（SIZE）、Beta、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS_YIELD）、成长（GROWTH）、杠杆（LVRG）[77] - 构建过程： - 通过个股风险暴露相关性分析（如流动性与Beta、动量正相关）[78] - 纯因子收益计算（如Beta因子超额收益显著，市值因子负收益）[80] 2. **行业因子** - 构建过程：相对市场市值加权组合计算超额收益（如国防军工、计算机行业因子表现优异）[80] --- 模型回测效果 1. **中证500增强组合** - 本周收益率3.39%，跑输基准0.58%[67] - 2020年至今超额收益44.44%，最大回撤-4.99%[67] 2. **沪深300增强组合** - 本周收益率1.74%，跑输基准0.21%[73] - 2020年至今超额收益29.58%，最大回撤-5.86%[73] --- 因子回测效果 1. **风格因子表现（近一周）** - Beta因子：超额收益显著[80] - 市值因子：负向超额收益[80] - 盈利因子：高盈利股表现优异[80] 2. **行业因子表现（近一周）** - 国防军工、计算机：超额收益较高[80] - 石油石化、食品饮料：回撤较多[80] --- 注：未提及的模型/因子细节（如具体公式）在原文中无明确描述[1][2][3][4]。

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：均线距离择时模型** - **模型构建思路**：通过计算短期均线（20日）与长期均线（120日）的距离，判断市场整体环境（震荡或趋势）[1][9][12] - **模型具体构建过程**： 1. 计算Wind全A指数的20日均线（短期）和120日均线（长期） 2. 计算两线距离百分比： $$距离 = \frac{短期均线 - 长期均线}{长期均线} \times 100\%$$ 3. 设定3%为阈值：距离绝对值<3%为震荡格局，≥3%为趋势格局[9][12] - **模型评价**：简单直观，但需结合宏观和技术指标综合判断[12] 2. **模型名称：TWO BETA行业配置模型** - **模型构建思路**：通过双贝塔因子筛选科技板块中的优势行业（如军工、通信）[2][3][10] - **模型具体构建过程**：未披露具体公式，但提及结合行业趋势和贝塔特性进行配置[3][10] 3. **模型名称：仓位管理模型** - **模型构建思路**：基于估值分位数（PE/PB）和市场趋势动态调整仓位[10][12] - **模型具体构建过程**： 1. 计算Wind全A的PE（65分位）、PB（20分位） 2. 结合震荡格局信号（均线距离1.76%），输出绝对收益产品仓位建议[10][12] 模型的回测效果 1. **均线距离择时模型**： - 当前均线距离1.76%（震荡格局信号）[9][12] 2. **仓位管理模型**： - 建议仓位50%（PE中等+PB较低+震荡格局）[10][12] 量化因子与构建方式 1. **因子名称：估值分位数因子** - **因子构建思路**：通过历史分位数判断市场估值水平[10][12] - **因子具体构建过程**： 1. 计算Wind全A的PE/PB在2014-2025年历史数据中的分位数 2. PE分位数=65%（中等），PB分位数=20%（较低）[10][12] 因子的回测效果 1. **估值分位数因子**： - 当前PE分位数65%，PB分位数20%[10][12] 注：行业配置模型中的"困境反转"和"趋势延续"因子未披露具体构建细节[3][10]

量化因子与构建方式 1. **因子名称：日内高频偏度因子** - 构建思路：衡量股票日内收益分布的偏度特征[4] - 具体构建过程：参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》，对常规因子进行正交化处理[10] 2. **因子名称：日内下行波动占比因子** - 构建思路：分解已实现波动中的下行波动部分占比[4] - 具体构建过程：参考《选股因子系列研究（二十五）——高频因子之已实现波动分解》[14] 3. **因子名称：开盘后买入意愿占比因子** - 构建思路：捕捉开盘后市场买入意愿的占比特征[4] - 具体构建过程：基于高频数据低频化方法，参考《选股因子系列研究（六十四）》[17] 4. **因子名称：开盘后买入意愿强度因子** - 构建思路：量化开盘后买入意愿的强度[4] - 具体构建过程：同开盘后买入意愿占比因子，但侧重强度计算[21] 5. **因子名称：开盘后大单净买入占比因子** - 构建思路：分析开盘后大单净买入的占比[4] - 具体构建过程：未披露详细公式，但需正交化处理[25] 6. **因子名称：改进反转因子** - 构建思路：优化传统反转因子的计算逻辑[4] - 具体构建过程：未披露具体公式[36] 7. **因子名称：尾盘成交占比因子** - 构建思路：衡量尾盘成交量在总成交中的占比[4] - 具体构建过程：未披露详细公式[37] 8. **因子名称：深度学习因子（改进GRU(50,2)+NN(10)）** - 构建思路：结合GRU神经网络与全连接层预测收益[4] - 具体构建过程：使用GRU(50,2)提取时序特征，NN(10)输出预测值[52] 9. **因子名称：多颗粒度模型（5日标签）** - 构建思路：基于双向AGRU训练多时间颗粒度标签[57] - 具体构建过程：采用5日收益标签训练模型[60] 10. **因子名称：多颗粒度模型（10日标签）** - 构建思路：同5日标签模型，但标签周期延长至10日[60] 因子回测效果 1. **日内高频偏度因子** - 上周多空收益：-0.51% - 6月多空收益：1.48% - 2025年多空收益：14.73%[4] 2. **日内下行波动占比因子** - 上周多空收益：-0.04% - 6月多空收益：1.86% - 2025年多空收益：12.84%[4] 3. **开盘后买入意愿占比因子** - 上周多空收益：0.77% - 6月多空收益：1.85% - 2025年多空收益：11.44%[4] 4. **改进GRU(50,2)+NN(10)因子** - 上周多空收益：0.70% - 6月多空收益：3.58% - 2025年多空收益：19.78%[4] 5. **多颗粒度模型（5日标签）** - 上周多空收益：1.56% - 6月多空收益：5.97% - 2025年多空收益：35.45%[4] 量化模型与构建方式 1. **模型名称：中证500 AI增强宽约束组合** - 构建思路：基于多颗粒度模型因子，最大化预期收益[61] - 具体构建过程：目标函数为$$ \max \sum w_i \mu_i $$，其中$w_i$为权重，$\mu_i$为预期超额收益[67] - 约束条件：个股权重≤1%，行业偏离≤1%，市值暴露≤0.3[62] 2. **模型名称：中证1000 AI增强严约束组合** - 构建思路：同中证500模型，但约束更严格[61] - 具体构建过程：增加ROE、SUE等基本面约束[62] 模型回测效果 1. **中证500 AI增强宽约束组合** - 上周超额收益：-0.25% - 6月超额收益：-0.36% - 2025年超额收益：7.95%[10] 2. **中证1000 AI增强严约束组合** - 上周超额收益：-0.21% - 6月超额收益：0.60% - 2025年超额收益：12.99%[10]

量化模型与构建方式 1. **模型名称：利率价量多周期择时策略** - **模型构建思路**：通过核回归算法捕捉利率趋势形态，识别支撑线和阻力线，根据不同周期（长、中、短）下的突破信号生成综合择时观点[10] - **模型具体构建过程**： 1. **周期划分**：长周期（月度切换）、中周期（双周度切换）、短周期（周度切换）[10] 2. **信号生成规则**： - 若至少2个周期出现向下突破支撑线且趋势非向上，满配长久期债券 - 若至少2个周期出现向下突破但趋势向上，配置50%中久期+50%长久期 - 若至少2个周期出现向上突破阻力线且趋势非向下，满配短久期债券 - 若至少2个周期出现向上突破但趋势向下，配置50%中久期+50%短久期 - 其他情况等权配置短、中、长久期债券[22] 3. **止损机制**：单日超额收益<-0.5%时切换为等权配置[22] - **模型评价**：通过多周期共振增强信号稳定性，结合趋势过滤降低误判风险[10] 2. **模型名称：公募债基久期测算模型** - **模型构建思路**：基于改进的回归模型动态跟踪公募基金久期及分歧水平[13] - **模型具体构建过程**： 1. **数据输入**：全市场中长期纯债基金持仓数据 2. **计算指标**： - 久期中位数：3.39年（计入杠杆） - 4周移动平均久期：3.4年 - 久期分歧：截面标准差1.55年[14] 3. **分位数映射**：久期水平处于5年96.14%分位数，分歧处于59.46%分位数[14] 量化因子与构建方式 1. **因子名称：利率水平结构因子** - **因子构建思路**：将1-10年期国债YTM转化为水平结构指标，衡量利率绝对水平偏离度[7] - **因子具体构建过程**： - 当前读数1.51%，处于历史3/5/10年分位数6%/4%/2%[9] 2. **因子名称：利率期限结构因子** - **因子构建思路**：通过期限利差反映利率曲线陡峭程度[7] - **因子具体构建过程**： - 当前读数0.3%，处于历史3/5/10年分位数13%/8%/10%[9] 3. **因子名称：利率凸性结构因子** - **因子构建思路**：捕捉利率曲线凸性特征变化[7] - **因子具体构建过程**： - 当前读数0.02%，处于历史3/5/10年分位数18%/11%/11%[9] 模型的回测效果 1. **利率价量多周期择时策略** - 长期年化收益率：6.17%（2007年起） - 最大回撤：1.52% - 收益回撤比：2.26 - 超额收益率（vs久期等权基准）：1.66%[23] - 短期年化收益率（2023年底起）：7.27% - 短期最大回撤：1.56% - 短期收益回撤比：6.23 - 短期超额收益率：2.2%[4] - 逐年胜率：绝对收益100%，超额收益100%（18年）[23] 因子的回测效果 1. **利率水平结构因子** - 当前分位数：3年6%/5年4%/10年2%[9] 2. **利率期限结构因子** - 当前分位数：3年13%/5年8%/10年10%[9] 3. **利率凸性结构因子** - 当前分位数：3年18%/5年11%/10年11%[9]