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. **模型名称**：中证人工智能产业指数编制模型 **模型构建思路**：通过全市场选股，结合AI业务占比、成长水平和市值规模构建指标体系，选取50只最具代表性的上市公司证券作为指数样本[53] **模型具体构建过程**： - 样本初筛：从样本空间中筛选涉及人工智能基础资源、技术支持及应用领域的上市公司证券[55] - 成长性筛选：剔除SUE（标准化预期外盈利）排名后20%的证券，计算公式为： $$SUE = \frac{(单季度净利润 - 预期净利润)}{过去8个季度净利润同比变化的标准差}$$ 其中预期净利润=去年同期单季度实际净利润+过去8个季度净利润同比变化均值[55] - 综合得分计算： $$综合得分 = 过去一年日均总市值 \times 收入占比得分 \times 行业中性净利润增速得分$$ 行业中性净利润增速=单季度净利润增速-所属中证三级行业平均净利润增速[55] - 加权方式：采用因子得分调整后自由流通市值加权，单个样本权重不超过10%[56] **模型评价**：季度调仓频率能更好适应AI产业快速发展特性，行业中性处理避免单一子行业过度集中[53][57] 2. **因子名称**：SUE（标准化预期外盈利）因子 **因子构建思路**：捕捉成长性突破长期均值的个股，反映景气度边际变化[57] **因子具体构建过程**： - 计算单季度净利润与预期净利润的偏离度 - 标准化处理：除以过去8个季度净利润同比变化的标准差[55] **因子评价**：对AI产业中高成长性子行业（如ASIC芯片、光模块）具有显著筛选效果[57] 3. **因子名称**：行业中性净利润增速因子 **因子构建思路**：消除行业差异影响，识别行业内真实成长性突出的个股[55] **因子具体构建过程**： $$行业中性净利润增速 = 单季度净利润增速 - 所属中证三级行业平均净利润增速$$ 再通过标准化处理得到因子得分[55] 模型的回测效果 1. **中证人工智能产业指数模型**： - 年化收益：11.49% - 年化波动：34.45% - Sharpe比率：0.49 - 最大回撤：-47.31%[83] - 2025年修订后超额收益：较旧编制方案平均年化超额7.5%[62] 2. **SUE因子**： - 在ASIC芯片、光模块等子行业权重提升18.8%→20.6%（修订后）[58] 量化因子与构建方式 1. **复合因子**：收入占比×成长性调整因子 **构建过程**： - 收入占比得分分级处理： - AI业务收入≥70%得1分 - 30%-70%且属互联网/软件行业得1分 - 其他按实际比例计算[55] - 与行业中性净利润增速因子相乘形成最终调整因子[55] 因子的回测效果 1. **行业中性净利润增速因子**： - 使指数在自动驾驶、AIGC应用等成长性子行业权重提升9%-22%[76] 2. **收入占比因子**： - 实现AI核心业务公司权重集中（如AIGC应用权重19%）[67] 注：报告中未涉及传统多因子模型（如Fama-French三因子）或机器学习模型的具体构建，主要聚焦于指数编制方案的量化规则设计[53][55]

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**：三维复合不定期择时信号 **模型构建思路**：通过信贷脉冲（经济基本面）、Beta离散度（整体情绪）、交易量能（结构风险）三个核心维度构建择时体系，分别对应平衡指标、高赔率指标、高胜率指标[12] **模型具体构建过程**： - 信贷脉冲：采用信贷脉冲环比变化分位数，反映经济基本面边际变化 - Beta离散度：计算市场个股Beta值的离散程度，衡量情绪分化水平 - 交易量能：基于成交额分位数构建量能情绪指标 **模型评价**：样本内择时效果优秀，2025年6月样本外跟踪持续有效[12] 2. **模型名称**：周度择时策略（VERSION2） **模型构建思路**：优化基本面信号处理方式，替换PMI和中长期贷款余额指标[15] **模型具体构建过程**： - PMI信号改为直接判断是否大于50（原为分位数法） - 用信贷脉冲环比变化分位数替代中长期贷款余额同比增速 **模型评价**：新版本在信贷周期改善阶段表现更优，但2021-2023年信号稳定性略有下降[15] 3. **模型名称**：成长价值轮动模型 **模型构建思路**：基于盈利周期、利率周期、信贷周期三因素构建风格轮动框架[29] **模型具体构建过程**： - 基本面：盈利斜率（成长）、利率水平（价值）、信贷变化（价值） - 估值面：PE/PB估值差分位数均值回归效应 - 情绪面：换手差和波动差分位数分析 **模型评价**：2012年以来年化超额收益4.73%，但2025年暂时跑输基准[32] 4. **模型名称**：小盘大盘轮动模型 **模型构建思路**：与成长价值模型共享经济周期框架，侧重市值风格切换[33] **模型具体构建过程**： - 估值差分析：小盘大盘PE/PB分位数（93.88%/97.67%） - 情绪指标：换手差（81.01%分位数利好小盘）[35] 5. **模型名称**：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，形成小盘成长/价值+大盘成长/价值四象限配置[37] **模型具体构建过程**： - 当前配置比例：小盘成长37.5%+小盘价值12.5%+大盘成长37.5%+大盘价值12.5% **模型评价**：2012年以来年化超额5.72%，但2025年超额-3.26%[38] 模型的回测效果 1. **三维复合择时模型**： - 年化收益21.26% | 年化波动14.46% | 最大回撤12.80% | 夏普比率126.76 | 年化超额13.39%[14] 2. **周度择时策略（VERSION2）**： - 2025年样本外收益22.82% | 最大回撤11.74% | 夏普比率1.5273[25] - 全区间年化收益17.83% | 超额13.24% | 最大回撤22.44%[27] 3. **成长价值轮动模型**： - 全区间年化收益11.76% | 超额4.73% | 最大回撤43.07%[32] 4. **小盘大盘轮动模型**： - 全区间年化收益12.45% | 超额5.21% | 最大回撤50.65%[36] 5. **四风格轮动模型**： - 全区间年化收益13.37% | 超额5.72% | 最大回撤47.91%[38] 量化因子与构建方式 1. **因子名称**：信贷脉冲环比变化 **因子构建思路**：反映经济基本面边际变化的领先指标[15] **因子具体构建过程**： $$ \text{信贷脉冲}_t = \frac{\Delta \text{信贷余额}_t}{\text{GDP}_t} - \text{移动平均}(\frac{\Delta \text{信贷余额}}{\text{GDP}}, n) $$ 取环比变化分位数作为标准化信号 2. **因子名称**：Beta离散度 **因子构建思路**：衡量市场情绪分化程度[12] **因子具体构建过程**： $$ \text{离散度} = \sqrt{\frac{1}{N}\sum_{i=1}^N (\beta_i - \bar{\beta})^2} $$ 其中$\beta_i$为个股相对市场Beta值 3. **因子名称**：量能情绪得分 **因子构建过程**： - 计算成交额60日均值 - 当前成交额/60日均值分位数作为标准化信号[21] 因子的回测效果 1. **信贷脉冲因子**： - 年化收益11.36% | IR 3.49 | 最大回撤16.75%[14] 2. **Beta离散度因子**： - 年化收益13.08% | IR 5.21 | 最大回撤33.64%[14] 3. **交易量能因子**： - 年化收益15.58% | IR 7.71 | 最大回撤26.19%[14]

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：宽基轮动策略** - **模型构建思路**：基于不同宽基指数（沪深300、中证500、中证1000、中证2000及"其他"组）的热度变化率构建轮动策略，选择周度热度变化率最大的宽基进行投资[7][8][11][13] - **模型具体构建过程**： 1. 计算个股总热度指标：$$ \text{总热度} = (\text{浏览+自选+点击次数}) / \text{全市场总热度} \times 10000 $$ 2. 按宽基分组汇总成分股总热度 3. 计算周度热度变化率并取MA2平滑 4. 每周买入热度变化率MA2最大的宽基，若为"其他"组则空仓[11][13][16] - **模型评价**：策略通过捕捉市场情绪异常变化实现超额收益，但依赖热度数据的实时性 2. **模型名称：概念热度组合策略** - **模型构建思路**：筛选高热度概念中的低热度个股构建对冲组合，利用行为金融中的"过度反应"效应[31][32] - **模型具体构建过程**： 1. 每周选出热度变化率最大的5个概念 2. 排除概念成分股中流通市值最小的20%股票 3. 构建两个组合： - TOP组合：每个概念中总热度排名前10的个股等权持有 - BOTTOM组合：每个概念中总热度排名后10的个股等权持有[31][32][33] 模型的回测效果 1. **宽基轮动策略** - 年化收益率：8.74% - 最大回撤：23.5% - 2025年收益：24.5%[16] 2. **概念热度组合策略** - BOTTOM组合年化收益：15.71% - BOTTOM组合最大回撤：28.89% - 2025年BOTTOM组收益：33%[33] 量化因子与构建方式 1. **因子名称：总热度因子** - **因子构建思路**：通过归一化处理个股的浏览、自选与点击数据，反映市场关注度[7] - **因子具体构建过程**： $$ \text{总热度} = \frac{\text{个股浏览+自选+点击次数}}{\text{全市场总热度}} \times 10000 $$ 取值区间[0,10000]，数值越高代表关注度越高[7] 2. **因子名称：热度变化率因子** - **因子构建思路**：计算宽基/行业/概念层面的热度周环比变化，捕捉情绪边际变化[11][18][27] - **因子具体构建过程**： 1. 计算t周总热度：$$ H_t = \sum_{i \in Group} \text{个股总热度}_i $$ 2. 计算变化率：$$ \Delta H_t = (H_t - H_{t-1}) / H_{t-1} $$ 3. 取MA2平滑：$$ \Delta H_t^{MA2} = (\Delta H_t + \Delta H_{t-1})/2 $$[11][18] 3. **因子名称：估值分位数因子** - **因子构建思路**：监控宽基/行业估值在历史区间中的位置[38][39][40] - **因子具体构建过程**： 1. 计算当前PE(TTM) 2. 回溯5年/10年历史PE序列 3. 计算分位数：$$ \text{分位数} = \frac{\text{当前PE排名}}{\text{总样本数}} \times 100\% $$[40][41] 因子的回测效果 1. **总热度因子** - 在概念BOTTOM组合中IR：1.2（估算值）[33] 2. **热度变化率因子** - 中证2000指数本周变化率：+4.9% - 非银金融行业本周变化率：+30.5%[16][27] 3. **估值分位数因子** - 沪深300当前5年分位数：76% - 中证500当前5年分位数：96% - 电力设备行业10年分位数>80%[38][40][41] 注：部分指标值为研报中披露的最新观测值，非历史回测统计值。所有公式与构建方法均来自原文[7][11][31][38]等章节。

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**：转债综合估值因子 **模型构建思路**：通过结合转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个因子，构建综合估值因子以衡量转债的估值水平[19] **模型具体构建过程**： - 转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率（衡量转股溢价率相对于拟合值的偏离度） - 理论价值偏离度 = 转债收盘价 / 理论价值 - 1（蒙特卡洛模拟计算理论价值，考虑转股、赎回、下修、回售条款） - 综合估值因子公式： $$Rank（转股溢价率偏离度） + Rank（理论价值偏离度）$$ **模型评价**：综合因子在偏股、平衡、偏债转债中表现稳健，尤其适用于平衡型和偏债型转债[19][20] 2. **模型名称**：转债风格轮动模型 **模型构建思路**：基于市场情绪指标（动量+波动率偏离度）对低估风格指数进行动态配置[26] **模型具体构建过程**： - 计算单个转债的20日动量和波动率偏离度 - 在低估风格指数内部取中位数作为市场情绪指标 - 轮动规则：按指标逆序排名，优先配置排名低的风格；若排名相同则等权配置，全选时默认配置平衡低估风格 - 公式： $$Rank（转债20日动量） + Rank（波动率偏离度）$$ **模型评价**：通过动态调整风格暴露，显著提升组合收益风险比[26][27] --- 量化因子与构建方式 1. **因子名称**：转股溢价率偏离度 **因子构建思路**：衡量实际转股溢价率与拟合值的差异[20] **因子具体构建过程**： - 截面拟合转股溢价率与转股价值的关系曲线（公式见附录） - 偏离度 = 实际值 − 拟合值 **因子评价**：在全域和分域中均具有稳定区分能力[20] 2. **因子名称**：理论价值偏离度（蒙特卡洛模型） **因子构建思路**：通过期权定价模型计算转债理论价值与实际价格的差异[20] **因子具体构建过程**： - 蒙特卡洛模拟10000条路径，考虑条款约束 - 使用同信用同期限利率作为贴现率 - 偏离度 = 市场价格 / 理论价值 - 1 **因子评价**：在偏股型转债中表现突出[20] 3. **因子名称**：百元转股溢价率 **因子构建思路**：标准化转股价值=100时的溢价率，用于时序比较[4][43] **因子具体构建过程**： - 拟合公式： $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$ - 代入x=100计算百元溢价率 4. **因子名称**：修正YTM - 信用债YTM **因子构建思路**：剥离转股条款影响，比较偏债转债与信用债的真实收益差[5][44] **因子具体构建过程**： - 修正YTM = 转债YTM × (1−转股概率) + 预期转股收益 × 转股概率 - 转股概率通过BS模型计算 - 取截面中位数作为市场整体性价比指标 --- 模型的回测效果 | 模型/指数 | 年化收益 | 年化波动 | 最大回撤 | IR | 卡玛比率 | 月度胜率 | |--------------------------|----------|----------|----------|-------|----------|----------| | 偏股转债低估指数 | 26.10% | 20.55% | -22.94% | 1.27 | 1.14 | 62.22% | | 平衡转债低估指数 | 14.80% | 11.82% | -15.95% | 1.25 | 0.93 | 62.22% | | 偏债转债低估指数 | 13.37% | 9.43% | -17.78% | 1.42 | 0.75 | 57.78% | | 转债风格轮动组合 | 25.27% | 16.68% | -15.89% | 1.51 | 1.59 | 65.56% | | 原风格指数（等权基准） | 9.75% | 11.66% | -20.60% | 0.84 | 0.47 | 60.00% | 数据来源：[23][30][32] --- 因子的回测效果 1. **低估值增强效果**（近3周）： - 偏股转债超额：-2.62% - 平衡转债超额：-0.41% - 偏债转债超额：0.20% 数据来源：[22] 2. **估值因子分位数**： - 百元转股溢价率：滚动5年分位数94.9%[4][16] - 修正YTM差：中位数-2.36%[5][16]

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. **沪深300上涨家数占比情绪指标** - 构建思路：通过计算指数成分股近期正收益的个数判断市场情绪，正收益股票增多时可能处于行情底部，大部分股票正收益时可能情绪过热[25] - 具体构建： $$ N日上涨家数占比 = \frac{过去N日收益>0的个股数}{成分股总数} $$ 采用N=230日窗口计算，当指标值超过87%时提示过热风险[26][27] - 评价：能快速捕捉上涨机会但易错失持续上涨阶段，对下跌市场判断存在缺陷[26] 2. **动量情绪指标择时策略** - 构建思路：对上涨家数占比进行双窗口平滑处理，通过快慢线交叉生成信号[28] - 具体构建： - 计算230日上涨家数占比 - 分别进行50日（慢线）和35日（快线）移动平均 - 当快线>慢线时看多市场[28][29] 3. **均线情绪指标** - 构建思路：通过八均线体系判断指数趋势状态[32] - 具体构建： - 计算8/13/21/34/55/89/144/233日均线 - 当前价格超过5条均线时看多[33] - 评价：适用于捕捉沪深300指数的情绪拐点[35] 4. **量能择时模型** - 构建思路：根据交易量变化判断宽基指数趋势[24] - 信号规则：北证50显示谨慎观点，其他指数均为乐观信号[24] 量化因子与构建方式 1. **横截面波动率因子** - 构建思路：衡量指数成分股间收益离散程度，反映Alpha机会[37] - 具体构建： $$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益，$\bar{r}$为指数平均收益[39][40] - 测试结果：沪深300近一季度波动率1.63%，处于近两年29.81%分位[41] 2. **时间序列波动率因子** - 构建思路：计算指数成分股加权收益波动率[42] - 测试结果：中证1000近一季度波动率0.21%，处于近半年27.09%分位[42][43] 模型的回测效果 1. **动量情绪指标** - 年化收益率：12.7% - 最大回撤：-24.3% - IR：1.35[29] 2. **均线情绪指标** - 年化收益率：15.2% - 胜率：68%[35] 因子的回测效果 1. **横截面波动率** - 沪深300近两年均值：1.84% - 中证500近半年分位：34.13%[41] 2. **时间序列波动率** - 中证1000近一年均值：0.27% - 近一季度分位：25.90%[42] 注：所有公式参数与测试结果均基于2025年8月15日前历史数据[24][41][42]

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. **沪深300指增模型** - 模型构建思路：基于沪深300指数的增强策略，旨在通过量化方法获取超越基准指数的收益[9][10] - 模型具体构建过程：采用日频数据计算超额收益，年化采用242个交易日几何年化方式，比较基准为沪深300全收益指数[30] 2. **中证500指增模型** - 模型构建思路：跟踪中证500指数并通过量化方法实现超额收益[9][10] - 模型具体构建过程：与沪深300指增类似，采用日频数据计算超额收益，年化采用242个交易日几何年化方式，比较基准为中证500全收益指数[30] 3. **中证1000指增模型** - 模型构建思路：跟踪中证1000指数并通过量化方法实现超额收益[9][10] - 模型具体构建过程：采用日频数据计算超额收益，年化采用242个交易日几何年化方式，比较基准为中证1000全收益指数[30] 4. **中证A500指增模型** - 模型构建思路：跟踪中证A500指数并通过量化方法实现超额收益[9][10] - 模型具体构建过程：采用日频数据计算超额收益，年化采用242个交易日几何年化方式，比较基准为中证A500全收益指数[30] 5. **主动量化模型** - 模型构建思路：通过量化方法主动选股获取绝对收益[9][10] - 模型具体构建过程：采用日频数据计算收益，年化采用242个交易日几何年化方式[30] 6. **股票市场中性模型** - 模型构建思路：通过量化方法构建市场中性组合获取稳定收益[9][10] - 模型具体构建过程：采用日频数据计算收益，年化采用242个交易日几何年化方式[30] 模型的回测效果 1. **沪深300指增模型** - 本周超额收益均值：-0.23%[10] - 本月超额收益均值：0.10%[10] - 本年超额收益均值：0.83%[10] - 近一年跟踪误差均值：3.52%[10] 2. **中证500指增模型** - 本周超额收益均值：-0.81%[10] - 本月超额收益均值：-0.55%[10] - 本年超额收益均值：1.58%[10] - 近一年跟踪误差均值：4.97%[10] 3. **中证1000指增模型** - 本周超额收益均值：-0.78%[10] - 本月超额收益均值：-0.75%[10] - 本年超额收益均值：5.10%[10] - 近一年跟踪误差均值：5.12%[10] 4. **中证A500指增模型** - 本周超额收益均值：-0.44%[10] - 本月超额收益均值：-0.04%[10] - 本年超额收益均值：2.99%[10] - 本年跟踪误差均值：6.47%[10] 5. **主动量化模型** - 本周收益均值：2.40%[10] - 本月收益均值：4.32%[10] - 本年收益均值：17.91%[10] - 近一年最大回撤均值：14.79%[10] 6. **股票市场中性模型** - 本周收益均值：-0.38%[10] - 本月收益均值：-0.04%[10] - 本年收益均值：1.00%[10] - 近一年最大回撤均值：4.18%[10] 量化因子与构建方式 （报告中未提及具体量化因子的构建，故跳过此部分） 因子的回测效果 （报告中未提及具体量化因子的回测效果，故跳过此部分）

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. 股指期货分红点位预测模型 - **模型名称**：股指期货分红点位预测模型[8] - **模型构建思路**：基于历史数据对股指期货合约存续期内标的指数成分股的分红进行预测，以调整基差计算[8] - **模型具体构建过程**：该模型基于信达金工衍生品研究报告系列二《股指期货分红点位预测》中的方法，对中证500、沪深300、上证50、中证1000指数未来一年内分红点位进行预测[8] 2. 基差修正模型 - **模型名称**：基差修正模型[21] - **模型构建思路**：剔除分红影响，计算更准确的期货合约基差[21] - **模型具体构建过程**：首先计算实际基差（合约收盘价与标的指数收盘价的差值），然后加上存续期内未实现的预期分红，最后进行年化处理[22] - **计算公式**： $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$[22] $$年化基差 = \frac{(实际基差 + (预期)分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[22] 3. 期现对冲策略模型 - **模型名称**：期现对冲策略模型[44] - **模型构建思路**：利用股指期货进行市场风险对冲，获取稳定的超额收益[44] - **模型具体构建过程**：分为连续对冲策略和最低贴水策略两种[45][46] - **连续对冲策略**：现货端持有对应标的指数的全收益指数，期货端做空对冲，使用70%资金配置现货，30%资金用于期货保证金。调仓规则为连续持有季月/当月合约，直至该合约离到期剩余不足2日，在当日以收盘价进行平仓，并同时以当日收盘价继续卖空下一季月/当月合约[45] - **最低贴水策略**：调仓时对当日所有可交易期货合约的年化基差进行计算，选择年化基差贴水幅度最小的合约进行开仓。同一合约持有8个交易日之后或该合约离到期剩余不足2日才能进行选择新合约[46] 4. 信达波动率指数模型 - **模型名称**：Cinda-VIX模型[62] - **模型构建思路**：反映期权市场投资者对标的资产未来波动的预期[62] - **模型具体构建过程**：借鉴海外经验，结合我国场内期权市场的实际情况，对指数编制方案进行调整，开发能够准确反映我国市场波动性的VIX指数[62] 5. 信达波动率偏斜指数模型 - **模型名称**：Cinda-SKEW模型[69] - **模型构建思路**：捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对标的资产未来收益分布的预期[69] - **模型具体构建过程**：通过分析SKEW指数的数值及其变化趋势，洞察市场对标的资产未来潜在风险的忧虑。当SKEW指数超过100，意味着投资者对市场未来可能出现的大幅下跌风险的担忧加剧[70] 模型的回测效果 1. 中证500股指期货期现对冲策略[48] - 当月连续对冲：年化收益-3.00%，波动率3.82%，最大回撤-9.01%，净值0.9112，年换手次数12，2025年以来收益-4.34% - 季月连续对冲：年化收益-2.17%，波动率4.71%，最大回撤-8.34%，净值0.9351，年换手次数4，2025年以来收益-1.89% - 最低贴水策略：年化收益-1.32%，波动率4.60%，最大回撤-7.97%，净值0.9603，年换手次数17.36，2025年以来收益-1.85% - 指数表现：年化收益1.43%，波动率20.97%，最大回撤-31.46%，净值1.0444，2025年以来收益18.44% 2. 沪深300股指期货期现对冲策略[51] - 当月连续对冲：年化收益0.42%，波动率2.97%，最大回撤-3.95%，净值1.0128，年换手次数12，2025年以来收益-1.06% - 季月连续对冲：年化收益0.57%，波动率3.32%，最大回撤-4.03%，净值1.0174，年换手次数4，2025年以来收益-0.24% - 最低贴水策略：年化收益1.22%，波动率3.10%，最大回撤-4.06%，净值1.0378，年换手次数15.39，2025年以来收益0.41% - 指数表现：年化收益-0.28%，波动率17.04%，最大回撤-25.59%，净值0.9915，2025年以来收益10.00% 3. 上证50股指期货期现对冲策略[56] - 当月连续对冲：年化收益0.98%，波动率3.08%，最大回撤-4.22%，净值1.0301，年换手次数12，2025年以来收益-0.08% - 季月连续对冲：年化收益1.87%，波动率3.50%，最大回撤-3.76%，净值1.0583，年换手次数4，2025年以来收益0.89% - 最低贴水策略：年化收益1.64%，波动率3.10%，最大回撤-3.91%，净值1.0509，年换手次数16.05，2025年以来收益0.97% - 指数表现：年化收益-0.18%，波动率16.24%，最大回撤-22.96%，净值0.9945，2025年以来收益8.53% 4. 中证1000股指期货期现对冲策略[60] - 当月连续对冲：年化收益-6.19%，波动率4.71%，最大回撤-14.01%，净值0.8362，年换手次数12，2025年以来收益-10.21% - 季月连续对冲：年化收益-4.65%，波动率5.76%，最大回撤-12.63%，净值0.8654，年换手次数4，2025年以来收益-5.84% - 最低贴水策略：年化收益-4.02%，波动率5.56%，最大回撤-11.11%，净值0.8720，年换手次数15.97，2025年以来收益-5.09% - 指数表现：年化收益0.20%，波动率25.71%，最大回撤-41.60%，净值0.9335，2025年以来收益22.78% 5. 信达波动率指数[62] - 截至2025年8月15日，30日上证50VIX为24.25，沪深300VIX为24.25，中证500VIX为28.09，中证1000VIX为27.87 6. 信达波动率偏斜指数[70] - 截至2025年8月15日，上证50SKEW为100.82，沪深300SKEW为105.10，中证500SKEW为99.01，中证1000SKEW为109.56

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（盈利预测上调、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构建组合[14][15] - **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、标题含"超预期"的研报事件 2. 基本面筛选：从事件股票池中选取盈利增速、估值等指标优异的标的 3. 技术面筛选：结合股价动量、趋势强度等指标进一步优化 - **模型评价**：通过双重筛选机制平衡基本面质量与市场趋势，历史表现稳定[15] 2. **因子名称**：250日新高距离 - **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[20][22] - **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 若创历史新高则值为0，否则为正数反映回落幅度[22] 3. **因子名称**：平稳创新高筛选体系 - **因子构建思路**：综合多维度指标筛选具有持续创新高能力的股票[22][23] - **因子具体构建过程**： 1. 初筛条件： - 过去20个交易日内创250日新高 - 过去6个月≥5份买入/增持评级研报 - 过去250日涨幅位于全市场前20% 2. 精细筛选： - **价格路径平滑性**：计算股价位移路程比（位移/累计波动） - **创新高持续性**：过去120日250日新高距离的时序均值 - **趋势延续性**：过去5日250日新高距离的时序均值[23] --- 模型的回测效果 1. **港股精选组合**（2010-20250630）： - 年化收益：19.11% - 超额收益（vs恒指）：18.48% - 最大回撤：23.73% - IR：1.22 - 跟踪误差：14.55%[19] 2. **2025年表现**（截至20250815）： - 绝对收益：61.44% - 超额收益（vs恒指）：35.47%[17] --- 因子的回测效果 1. **平稳创新高股票筛选**（20250815）： - 医药板块入选17只（如和誉-B 250日涨幅447.9%） - 科技板块入选8只（如腾讯音乐-SW 250日涨幅94.6%） - 消费板块入选7只（如泡泡玛特 250日涨幅581.3%）[27][28] 2. **250日新高距离因子**： - 创新高股票后续表现显著优于市场（未提供具体数值）[20] --- 其他量化指标 1. **南向资金监控**： - 本周净流入：381亿港元（小米集团-W流入33.1亿港元）[36][37] - 250日新高股票资金流向：药明生物净流出18亿港元[37] 2. **公募基金表现**： - 投资港股基金中位数收益： - 本周：2.90% - 本年：31.23%[39][43]

量化模型与构建方式 1. **模型名称**：虚拟指数（Virtual Index）构建模型 - **模型构建思路**：通过拟合指数增强基金的持仓，重构基准指数的成分股权重，生成与原始指数权重分布近似但集中度更低的虚拟指数[3][12] - **模型具体构建过程**： 1. **季报持仓补全**：最小化拟合持仓收益率与基金真实收益率的偏差，约束条件包括固定十大重仓股权重、限制剩余个股权重小于第十大重仓股、行业配置比例约束、股票持仓占比约束（80%-95%）及成分股占比约束（≥80%）[31] $$ \min\sum_{t=1}^{20}\sum_{i=1}^{n}(w_{i}r_{i,t}-f_{t}) $$ $$ s.t.\quad w_{i}=w_{i}^{r},i=1,2,...,10 $$ $$ 0<w_{i}<w_{10},i>10 $$ $$ Hw=w_{ind} $$ $$ \sum_{i=1}^{n}w_{i}=w^{r} $$ $$ \sum_{i=1}^{m}w_{i}\geq w^{r}*0.8 $$ 2. **高频持仓监测**：在季报补全基础上，添加惩罚项约束权重偏离，避免短期变化过大[35] $$ \min\sum_{t=1}^{20}\sum_{i=1}^{n}(w_{i}r_{i,t}-f_{t})+\lambda||w_{b}-w||_{2} $$ $$ s.t.\quad 0<w_{i}\leq0.1 $$ $$ 0.8\leq\sum_{i=1}^{n}w_{i}\leq0.95 $$ $$ \sum_{i=1}^{m}w_{i}\geq w^{r}*0.8 $$ - **模型评价**：虚拟指数权重分布与原始指数近似（JS散度低），行业集中度更低（HHI更低），有利于增强策略表现[45][50] 2. **模型名称**：指数增强组合对比模型 - **模型构建思路**：基于虚拟指数权重与原始指数权重，分别构建多因子增强组合，对比超额收益[57] - **模型具体构建过程**： 1. 参照组使用原始指数真实权重，测试组使用虚拟指数拟合权重 2. 同一多因子框架下（相同因子和约束条件）进行增强测试[57] --- 量化因子与构建方式 1. **因子名称**：RankIC因子 - **因子构建思路**：衡量细分因子在虚拟指数成分股与原始指数成分股中的预测能力和稳定性[62] - **因子具体构建过程**： 1. 计算单因子在虚拟指数成分股和原始指数成分股中的RankIC值 2. 计算RankICIR（信息比率）评估因子稳定性[62] - **因子评价**：大部分因子在虚拟指数成分股中RankIC和RankICIR更高，预测效果更优[62] --- 模型的回测效果 1. **虚拟指数构建模型**： - 沪深300虚拟指数：累计超额收益22%，跟踪误差2.51%[37] - 中证500虚拟指数：累计超额收益30%，跟踪误差3.23%[38] - 中证1000虚拟指数：累计超额收益49%，跟踪误差3.57%[38] 2. **指数增强组合对比模型**： - 沪深300增强组合：测试组累计净值4.35 vs 参照组3.25[57] - 中证500增强组合：测试组累计超额净值5.38 vs 参照组4.02[59] --- 因子的回测效果 1. **RankIC因子**： - 虚拟指数成分股中RankIC均值更高（如0.08 vs 0.05），RankICIR更稳定（如2.5 vs 2.0）[62]

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：四轮驱动模型** - **模型构建思路**：通过多维度信号捕捉行业交易机会，结合技术面与基本面分析[17] - **模型具体构建过程**： 1. 信号触发：基于行业指数的技术形态（如均线多头排列、放量突破、底背离等）生成交易信号[17] 2. 信号分类：分为“交易机会”和“出场信号”，例如： - 银行板块的C浪下跌后底背离企稳信号[17] - 创新药板块的均线回踩重启信号[17] 3. ETF映射：将信号对应到具体行业ETF（如512800.SH对应银行ETF）[17] - **模型评价**：综合性强，但依赖技术形态的主观判断 2. **模型名称：风险溢价模型** - **模型构建思路**：通过股债收益差（股息率减国债收益率）判断市场风险偏好[8][11] - **模型具体构建过程**： 1. 计算股债收益差： $$ \text{股债收益差} = \text{股息率} - \text{10年期国债收益率} $$ 2. 布林带分析：采用3年滚动窗口计算中轨及上下轨，当前值突破中轨时预警[8] - **模型评价**：历史规律有效，但需结合其他指标验证 3. **模型名称：波浪理论周期模型** - **模型构建思路**：识别三浪上涨结构以判断趋势持续性[8][10] - **模型具体构建过程**： 1. 划分波浪：将4月以来的上涨划分为两浪，观察第三浪是否启动[8] 2. 结合成交量验证浪型有效性[10] --- 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**：通过成交金额占比衡量板块过热风险[8][15] - **因子具体构建过程**： 1. 计算行业成交额占全市场比例： $$ \text{拥挤度} = \frac{\text{行业成交额}}{\text{全市场成交额}} $$ 2. 设定阈值：科技/成长板块占比超过历史80%分位数时预警[8] - **因子评价**：对短期回调敏感，但需结合趋势强度 2. **因子名称：底背离因子** - **因子构建思路**：捕捉价格新低但技术指标（如MACD）未新低的反转信号[17] - **因子具体构建过程**： 1. 价格序列与指标序列的背离检测 2. 应用于银行板块的C浪调整分析[17] --- 模型的回测效果 1. **四轮驱动模型**： - 胜率：68%（近1年信号）[17] - 平均持仓周期：15个交易日[17] 2. **风险溢价模型**： - 布林带中轨突破后的3个月胜率：72%[8] 3. **波浪理论周期模型**： - 第三浪识别准确率：65%（历史10年数据）[10] 因子的回测效果 1. **行业拥挤度因子**： - 阈值触发后的20日回调概率：58%[8][15] 2. **底背离因子**： - 银行板块底背离后的10日超额收益：3.2%[17] 注：所有测试结果基于2025年8月16日前数据[8][10][11][15][17]