量化模型与构建方式 1. 模型名称：国证通用航空产业指数模型 - **模型构建思路**：该指数旨在反映沪深北交易所通用航空产业相关上市公司的证券价格变化情况[2][30] - **模型具体构建过程**： 1. 按照公司业务涉及航材及基础设施、飞行器制造、运营服务及场景应用等通用航空产业相关领域为标准确定样本空间[2][30] 2. 剔除最近半年日均成交金额排名后10%的证券[2][30] 3. 对剩余证券按照最近半年的日均总市值从高到低排序，选取前50只证券作为指数样本[2][30] 4. 指数采用自由流通市值加权方式，样本股每半年调整一次[32][30] - **模型评价**：该指数与低空经济概念高度相关，能够较好地代表低空经济的发展态势，是辅助投资者捕捉热点的有效工具[26][31] --- 模型的回测效果 1. 国证通用航空产业指数模型 - 年化收益率：66.98%[60][64] - 年化波动率：43.63%[64] - Sharpe比率：1.535[60][64] - 最大回撤：-25.02%[64] --- 量化因子与构建方式 1. 因子名称："产业链 Agent"因子 - **因子的构建思路**：基于大语言模型，自动化梳理低空经济与航空航天产业的产业链关系，挖掘相关概念股[14][16] - **因子具体构建过程**： 1. 利用大语言模型分析海量新闻、研报与定期报告等语料文本[14][16] 2. 通过模型的理解与推理能力，生成详细的产业链结构[14][16] 3. 对低空经济产业链的上游（通信系统、导航设备等）和下游（无人机应用、直升机等）进行拆分，提供更详细的上下游信息[18][14] - **因子评价**：相比传统人工梳理方式，该因子在效率和全面性上具有显著优势，结果更客观且不易受到主观判断的影响[16][18] --- 因子的回测效果 1. "产业链 Agent"因子 - 相关概念股数量：73只[21] - 其中航空航天行业个股数量：17只[21] - 与国证通用航空指数重合个股数量：19只，占指数权重45.03%[26][28]

量化模型与构建方式 1. 模型名称：流通股本分布模型 - **模型构建思路**：通过流通股本分布定量刻画持股者行为变化，结合股价抛压的视角，构建行业轮动策略[6] - **模型具体构建过程**： 1. 假设增量资金对各板块均匀加仓 2. 选择抛压最小的行业作为超额收益的目标行业 3. 通过流通股本分布模型定量刻画持股者行为变化，最终生成行业筛选指标 4. 行业筛选指标由两个因子等权复合生成[6] - **模型评价**：该模型在行业轮动策略中展现出较强的风格特征，但稳定性较差。通过因子复合后，模型效果显著提升，超额收益回撤下降[6] --- 量化因子与构建方式 1. 因子名称：因子1 - **因子的构建思路**：基于持股者行为变化，选择抛压较小的行业[6] - **因子具体构建过程**： 1. 通过流通股本分布模型定量刻画持股者行为变化 2. 选择抛压最小的行业作为多头组合目标[6] - **因子评价**：多头组合年化收益率为2.2%，但多空走势展现出较强的风格特征，稳定性较差[6] 2. 因子名称：因子2 - **因子的构建思路**：基于持股者行为变化，选择抛压较小的行业[6] - **因子具体构建过程**： 1. 通过流通股本分布模型定量刻画持股者行为变化 2. 选择抛压最小的行业作为多头组合目标[6] - **因子评价**：多头组合年化收益率为11%，相比同期沪深300指数获得约13%的超额收益，多空组合收益率达到18%，但超额收益回撤较大[6] 3. 因子名称：复合因子 - **因子的构建思路**：将因子1和因子2等权复合，提升因子效果[6] - **因子具体构建过程**： 1. 将因子1和因子2等权复合 2. 生成最终的行业筛选指标[6] - **因子评价**：复合因子效果显著提升，多头组合年化收益率提升至13%，相对基准超额收益16%，空头组合收益率为-10%，超额收益回撤下降至10%附近[6] --- 模型的回测效果 1. 流通股本分布模型，多头组合年化收益率13%，相对基准超额收益16%，空头组合收益率-10%，超额收益回撤10%[6] --- 因子的回测效果 1. 因子1，多头组合年化收益率2.2%[6] 2. 因子2，多头组合年化收益率11%，多空组合收益率18%，相对基准超额收益13%，超额收益回撤较大[6] 3. 复合因子，多头组合年化收益率13%，相对基准超额收益16%，空头组合收益率-10%，超额收益回撤10%[6]

量化模型与构建方式 1. Black-Litterman模型 - **模型名称**：Black-Litterman模型 - **模型构建思路**：结合投资者的主观观点与市场均衡回报率，生成新的资产组合权重 - **模型具体构建过程**： 1. 计算市场均衡回报率 $\Pi$，公式为： $$ \Pi = \delta \Sigma w $$ 其中，$\delta$ 是风险厌恶系数，$\Sigma$ 是协方差矩阵，$w$ 是市场权重 2. 将投资者的观点整合到模型中，生成新的期望回报率 $\mu$，公式为： $$ \mu = \left( (\tau \Sigma)^{-1} + P^T \Omega^{-1} P \right)^{-1} \left( (\tau \Sigma)^{-1} \Pi + P^T \Omega^{-1} Q \right) $$ 其中，$\tau$ 是缩放因子，$P$ 是观点矩阵，$\Omega$ 是观点的不确定性矩阵，$Q$ 是观点的期望回报 3. 计算新的资产组合权重 $w^*$，公式为： $$ w^* = \frac{1}{\delta} \Sigma^{-1} \mu $$ - **模型评价**：Black-Litterman模型能够有效结合市场信息和投资者的主观观点，生成更为合理的资产配置方案[5][6] 2. 风险平价模型 - **模型名称**：风险平价模型 - **模型构建思路**：通过平衡各资产的风险贡献，达到风险分散的目的 - **模型具体构建过程**： 1. 计算每个资产的风险贡献，公式为： $$ RC_i = w_i \sigma_i $$ 其中，$RC_i$ 是资产 $i$ 的风险贡献，$w_i$ 是资产 $i$ 的权重，$\sigma_i$ 是资产 $i$ 的波动率 2. 通过优化算法调整资产权重，使得所有资产的风险贡献相等，公式为： $$ w_i = \frac{1}{\sigma_i} $$ - **模型评价**：风险平价模型能够有效分散风险，适用于多资产配置策略[5][6] 3. 宏观因子模型 - **模型名称**：宏观因子模型 - **模型构建思路**：通过宏观经济因子预测资产回报率，进行资产配置 - **模型具体构建过程**： 1. 选择宏观经济因子，如增长、通胀、利率、信用、汇率和流动性 2. 对每个因子进行打分，形成因子得分矩阵 3. 根据因子得分矩阵调整资产权重，公式为： $$ w_i = f(\text{因子得分}) $$ - **模型评价**：宏观因子模型能够结合宏观经济环境进行资产配置，具有较强的前瞻性[5][6][7] 模型的回测效果 1. **Black-Litterman模型** - 收益：9.97%[6] - 12月收益：1.4%[6] - 最大回撤：1.35%[6] - 年化波动：2.54%[6] 2. **风险平价模型** - 收益：7.93%[6] - 12月收益：1.15%[6] - 最大回撤：0.47%[6] - 年化波动：1.36%[6] 3. **宏观因子模型** - 收益：6.82%[6] - 12月收益：1.08%[6] - 最大回撤：0.63%[6] - 年化波动：1.52%[6]

量化模型与构建方式 1. 模型名称：股东回报组合 - **模型构建思路**：通过净回购率、债务偿还等指标筛选股票，并最终根据股息率构建组合[5] - **模型具体构建过程**： 1. 在全体A股中筛选满足以下条件的股票，构成股票域： - 过去1年日均总市值排名前80% - 过去1年日均成交金额排名前80% - 过去三年连续现金分红 - 过去三年平均股利支付率和过去一年股利支付率大于0且小于1[5] 2. 在股票域中，根据以下条件筛选股票，构成待选池： - 净回购率因子值小于0 - 或过去1年带息负债净偿还[5] 3. 将待选池中所有股票按照股息率大小由高到低排序，选择股息率最高的30只股票，按照股息率加权构建股东回报组合[5] - **模型评价**：该模型通过引入净回购率和债务偿还指标，能够有效剔除可能落入价值陷阱的个股[19] 2. 模型名称：加入银行股的股东回报组合 - **模型构建思路**：在股东回报组合的基础上，主动调整银行股的权重以贴合中证红利指数的行业暴露[8] - **模型具体构建过程**： 1. 每季度末调仓时，根据中证红利银行股的权重，选择银行股中股息率最高的5只股票，按照股息率加权配置[8] 2. 剩余权重按照原方案选择股息率最高的25只股票构建组合[8] - **模型评价**：加入银行股后，组合表现更为稳健，跟踪误差更小，且全年绝大多数时间贡献正向超额收益，持有体验更佳[13] --- 模型的回测效果 1. 股东回报组合 - 年化收益：19.4%[6] - 夏普比率：0.91[6] - 2024年绝对收益：21.1%[6] - 2024年年化超额收益：2.4%[7] - 2024年超额信息比率（IR）：0.32[7] 2. 加入银行股的股东回报组合 - 年化收益：20.4%[9] - 夏普比率：1.05[9] - 2024年绝对收益：24.3%[9] - 2024年年化超额收益：5.5%[12] - 2024年超额信息比率（IR）：1.18[12] --- 量化因子与构建方式 1. 因子名称：净回购率因子 - **因子的构建思路**：通过净回购率筛选出具有较高资本回报能力的股票[5] - **因子具体构建过程**：筛选净回购率因子值小于0的股票进入待选池[5] 2. 因子名称：带息负债变动因子 - **因子的构建思路**：通过带息负债的净偿还情况筛选出财务健康的股票[5] - **因子具体构建过程**：筛选过去1年带息负债净偿还的股票进入待选池[5] 3. 因子名称：股息率因子 - **因子的构建思路**：通过股息率筛选出高分红的股票[5] - **因子具体构建过程**：将待选池中股票按照股息率由高到低排序，选择股息率最高的股票[5] --- 因子的回测效果 1. 净回购率因子 - 无具体指标值 2. 带息负债变动因子 - 无具体指标值 3. 股息率因子 - 股东回报组合成份股平均股息率：6.02%[22] - 加入银行股的股东回报组合成份股平均股息率：6.36%[22] - 中证红利指数成份股平均股息率：5.93%[22]

量化模型与构建方式 增强策略ETF模型 - **模型名称**：增强策略ETF模型 - **模型构建思路**：通过增强策略优化指数基金的表现，力求在跟踪指数的基础上实现超额收益[21][22] - **模型具体构建过程**： 1. 选取目标指数作为基准，例如沪深300、中证500、中证1000等[21] 2. 通过量化模型对成分股进行优化配置，结合因子选股、权重调整等策略，提升收益率[21][22] 3. 采用增强策略，如多因子模型、行业轮动策略等，动态调整持仓[21][22] - **模型评价**：增强策略ETF在跟踪指数的基础上，通过优化策略实现了较为稳定的超额收益，部分产品表现优异[22][23] --- 模型的回测效果 增强策略ETF模型 - **沪深300增强策略ETF** - 上周超额收益率：0.34%（国泰沪深300增强策略ETF）[23] - 近一年超额收益率：8.77%（易方达沪深300精选增强A）[36] - **中证500增强策略ETF** - 上周超额收益率：2.57%（南方中证500增强A）[35] - 近一年超额收益率：8.50%（长信中证500指数增强A）[36] - **中证1000增强策略ETF** - 上周超额收益率：1.71%（申万菱信中证1000指数增强A）[35] - 近一年超额收益率：16.78%（中银中证1000指数增强A）[36] - **国证2000增强策略ETF** - 上周超额收益率：1.79%（招商国证2000指数增强A）[35] - 近一年超额收益率：10.51%（汇添富国证2000指数增强A）[36]

量化模型与构建方式 1. 模型名称：行业景气趋势配置模型 - **模型构建思路**：通过高景气、强趋势和低拥挤度的行业筛选，构建右侧行业配置模型，适用于市场趋势明确的环境[4][98] - **模型具体构建过程**： 1. 选取景气度高、趋势强、拥挤度低的行业 2. 景气度为核心指标，结合拥挤度提示风险 3. 历史回测基准为Wind全A指数，模型多头年化收益22.7%，超额年化收益16.3%，信息比率1.74，超额最大回撤-7.4%，月度胜率71%[98][99][102] - **模型评价**：该模型进攻性强，适合右侧市场环境，持有体验感较好[98] 2. 模型名称：行业困境反转配置模型 - **模型构建思路**：基于赔率-胜率框架，挖掘当前困境或过去困境有所反弹的行业，结合库存周期信息，筛选长期景气有望改善的行业[18][100] - **模型具体构建过程**： 1. 剔除库存和资本开支历史分位数>80%、毛利率和自由现金流占比历史分位数<20%的行业 2. 重点关注库存压力较小且具备补库条件的行业 3. 历史回测基准为行业等权，模型多头年化收益13.4%，超额年化收益16.5%，信息比率1.76，超额最大回撤-8.7%[18][100][102] - **模型评价**：该模型在景气和动量因子效果衰退时表现优异，适合捕捉补库周期中的困境反转机会[100] 3. 模型名称：行业景气度选股模型 - **模型构建思路**：结合行业配置模型和PB-ROE选股模型，筛选估值性价比高的股票，按流通市值和PB-ROE打分加权[14][110] - **模型具体构建过程**： 1. 根据行业配置模型确定行业权重 2. 在行业内选取估值性价比高的股票（前40%） 3. 历史回测基准为Wind全A指数，模型多头年化收益29.9%，超额年化收益22.9%，信息比率2.02，超额最大回撤-8.0%，月度胜率74%[14][110][112] - **模型评价**：该模型结合行业配置与个股筛选，策略表现优异，但近期超额回撤较大[110] --- 模型的回测效果 1. 行业景气趋势配置模型 - 年化收益：22.7% - 超额年化收益：16.3% - 信息比率：1.74 - 超额最大回撤：-7.4% - 月度胜率：71%[98][99][102] 2. 行业困境反转配置模型 - 年化收益：13.4% - 超额年化收益：16.5% - 信息比率：1.76 - 超额最大回撤：-8.7%[18][100][102] 3. 行业景气度选股模型 - 年化收益：29.9% - 超额年化收益：22.9% - 信息比率：2.02 - 超额最大回撤：-8.0% - 月度胜率：74%[14][110][112]

根据提供的内容，没有涉及量化主题的研报，因此无法提取相关量化模型或因子的信息

量化模型与构建方式 1. 模型名称：资金流共振策略 - **模型构建思路**：通过结合北向资金与大单资金流的共振效应，筛选出具有稳定超额收益的行业[27][29] - **模型具体构建过程**： 1. 定义行业融资融券资金因子：对融资净买入-融券净买入进行Barra市值因子中性化处理，取最近10日均值后的环比变化率[31] 2. 定义行业主动大单资金因子：对行业最近一年成交量时序中性化后的净流入排序，取最近10日均值[31] 3. 策略优化：在主动大单因子的头部打分中剔除融资融券因子的极端多头行业，同时剔除大金融板块，以提高策略稳定性[31] 4. 策略表现：2018年以来费后年化超额收益14.5%，信息比率1.4，相较北向-大单共振策略回撤更小[31] - **模型评价**：该策略通过多因子结合优化，具有较高的稳定性和超额收益能力[31] 2. 模型名称：基于研报覆盖度调整的指数增强模型 - **模型构建思路**：在不同研报覆盖度的域内分别选用适配因子进行增强，提升选股效果[45] - **模型具体构建过程**： 1. 将沪深300、中证500和中证1000宽基指数内的股票划分为研报覆盖度高和低的两种域[45] 2. 在不同域内分别选用适配因子进行增强，优化选股效果[45] 3. 组合表现：沪深300增强组合、中证500增强组合和中证1000增强组合分别实现超额收益0.16%、0.49%和1.16%[45] - **模型评价**：通过研报覆盖度的分域处理，模型能够更精准地捕捉不同市场环境下的超额收益机会[45] --- 模型的回测效果 1. 资金流共振策略 - **绝对收益**：-7.4%[31] - **超额收益**：-0.7%[31] - **年化超额收益率**：14.5%[31] - **信息比率（IR）**：1.4[31] 2. 基于研报覆盖度调整的指数增强模型 - **沪深300增强组合**： - 绝对收益：-3.90%[45] - 超额收益：0.16%[45] - 超额年化收益率：11.22%[45] - 超额Sharpe：1.99[45] - **中证500增强组合**： - 绝对收益：-4.71%[45] - 超额收益：0.49%[45] - 超额年化收益率：13.35%[45] - 超额Sharpe：2.79[45] - **中证1000增强组合**： - 绝对收益：-4.42%[45] - 超额收益：1.16%[45] - 超额年化收益率：11.93%[45] - 超额Sharpe：2.02[45] --- 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**：通过衡量股票价格的波动性，捕捉市场中高波动性股票的超额收益[37][38] - **因子具体构建过程**： 1. 计算不同时间窗口的收益率标准差（如1周、1月、3月、6月、12月）[38] 2. 对因子进行市值和行业中性化处理[37] 3. 选取因子方向下前1/5组股票作为多头组合[37] - **因子评价**：波动率因子在不同时间窗口和宽基指数中均表现较好，尤其在小市值股票中超额收益更高[38][39] 2. 因子名称：盈利因子 - **因子构建思路**：通过衡量企业盈利能力，筛选出具有较高盈利能力的股票[37][38] - **因子具体构建过程**： 1. 计算市盈率倒数（如FY1、FTTM、FY2、FY3）[38] 2. 计算息税前利润（EBIT）与企业价值（EV）的比值[38] 3. 对因子进行市值和行业中性化处理[37] 4. 选取因子方向下前1/5组股票作为多头组合[37] - **因子评价**：盈利因子在不同时间窗口和宽基指数中均表现较好，尤其在小市值股票中超额收益更高[38][39] 3. 因子名称：行为因子 - **因子构建思路**：通过分析市场行为数据（如评级上调占比、换手率等），捕捉市场情绪变化[41] - **因子具体构建过程**： 1. 计算过去90天上调评级占比[40] 2. 计算近21交易日平均换手率的自然对数[38] 3. 对因子进行市值和行业中性化处理[37] 4. 选取因子方向下前1/5组股票作为多头组合[37] - **因子评价**：行为因子在金融、消费、科技等多个板块中表现较好，胜率较高[41][42] --- 因子的回测效果 1. 波动率因子 - **近一周多头超额**：return_std_3m为2.47%，return_std_6m为2.37%，return_std_12m为2.21%[38] - **近一个月多头超额**：return_std_3m为2.26%，return_std_6m为1.76%，return_std_12m为1.82%[38] - **近一年多头超额**：return_std_3m为5.37%，return_std_6m为1.12%，return_std_12m为-1.62%[38] 2. 盈利因子 - **近一周多头超额**：ep_fy1为2.26%，ep_fttm为2.11%，ebit_to_ev为2.00%[38] - **近一个月多头超额**：ep_fy1为2.76%，ep_fttm为2.27%，ebit_to_ev为1.17%[38] - **近一年多头超额**：ep_fy1为-0.48%，ep_fttm为-0.41%，ebit_to_ev为3.61%[38] 3. 行为因子 - **近一周多头超额**：rate_up_rate_90d为2.86%，rate_up_90d为2.55%，swap_1m为1.75%[40] - **近一个月多头超额**：rate_up_rate_90d为4.60%，rate_up_90d为2.39%，swap_1m为0.70%[40] - **近一年多头超额**：rate_up_rate_90d为5.94%，rate_up_90d为0.38%，swap_1m为3.53%[40]

- 模型名称：GDPNOW模型 - 模型构建思路：用于预测宏观经济指标，特别是GDP增速 - 模型具体构建过程：通过高频经济数据进行实时更新和预测，模型会根据最新的经济数据调整对GDP增速的预测值 - 模型评价：短期内宏观经济预测边际变化趋于平稳[15][17] - 因子名称：BARRA风格因子 - 因子的构建思路：用于分析市场中不同风格因子的表现 - 因子具体构建过程：通过计算不同风格因子的收益表现，如换手率、财务杠杆、盈利波动等 - 因子评价：本周权益市场震荡调整，风格偏好相较于上周出现明显变化，资金对价值和成长的偏好分化更加明显[27][28] - 因子名称：知情交易者活跃度 - 因子的构建思路：用于监测市场中知情交易者的活跃度 - 因子具体构建过程：通过计算知情交易者的交易行为和市场同步性来评估其活跃度 - 因子评价：本周知情交易者活跃度指标快速回落，当下知情交易者对后市持谨慎态度[17][19] - 因子名称：分析师行业景气预期 - 因子的构建思路：用于预测行业未来的景气程度 - 因子具体构建过程：计算申万一级行业对应的分析师一致预测滚动未来12个月ROE及净利润增速变化 - 因子评价：本周通信、有色金属、电力设备等行业的ROE FTTM环比增长靠前，商贸零售、机械设备等行业的一致预期净利润FTTM增速环比增长靠前[20][21] - 因子名称：基金仓位监测 - 因子的构建思路：用于监测公募基金的行业仓位变化 - 因子具体构建过程：通过估计公募主动偏股型基金的行业仓位变化，分析基金的增减持行为 - 因子评价：本周公募主动偏股型基金仓位整体不变，消费板块增持幅度较大，医药板块减持幅度较大[25][26] 模型的回测效果 - GDPNOW模型，2024年四季度GDP增速预测值为4.8%[15][17] 因子的回测效果 - BARRA风格因子，本周换手率-1.2%，财务杠杆0.0%，盈利波动0.2%，盈利质量0.0%，盈利能力0.0%，投资质量-0.3%，长期反转-0.1%，EP价值0.5%，BP价值-0.2%，成长-0.2%，动量0.3%，非线性市值-0.3%，市值-0.1%，波动率0.3%，股息率0.5%[27][28] - 知情交易者活跃度，本周快速回落[17][19] - 分析师行业景气预期，本周通信行业ROE环比增长0.39%，有色金属行业ROE环比增长0.21%，电力设备行业ROE环比增长0.19%，商贸零售行业净利润增速环比增长0.31%，机械设备行业净利润增速环比增长0.25%[20][21] - 基金仓位监测，本周消费板块增持幅度为0.30%，电子行业加仓0.33%，商贸零售行业加仓0.21%，银行行业加仓0.15%，医药板块减持幅度为0.19%，传媒行业减持0.19%，综合金融行业减持0.14%[25][26]

- 本报告未涉及量化模型或量化因子的构建、测试及相关内容[1][3][7]