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，结合不同周期（长、中、短）的突破信号生成综合择时观点[9] - **模型具体构建过程**： 1. **周期划分**：长周期（月度切换）、中周期（双周切换）、短周期（周度切换）[9] 2. **信号规则**： - 若至少2个周期出现向下突破支撑线且趋势非向上，则满配长久期债券 - 若至少2个周期出现向下突破但趋势向上，则配置1/2中久期+1/2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，则满配短久期债券 - 若至少2个周期出现向上突破但趋势向下，则配置1/2中久期+1/2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**：策略通过多周期共振增强信号稳定性，历史胜率高 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中长期纯债基金的久期及分歧水平[12] - **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. **杠杆调整**：计入杠杆效应后计算久期中位数、均值及4周移动平均值[12] 3. **分歧指标**：久期截面标准差衡量机构观点分歧[13] --- 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年国债YTM转化为水平结构指标，衡量利率绝对高低[6] - **因子具体构建过程**： - 计算水平结构读数：$$水平结构=10年期国债YTM$$[6] - 分位数标准化：滚动3/5/10年历史分位数[8] 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[6] - **因子具体构建过程**： - 计算期限利差：$$期限结构=10年期YTM-1年期YTM$$[6] - 分位数标准化：滚动3/5/10年历史分位数[8] 3. **因子名称：利率凸性结构因子** - **因子构建思路**：捕捉利率曲线的凸性特征[6] - **因子具体构建过程**： - 计算凸性读数：$$凸性结构=2\times中期YTM-（短期YTM+长期YTM）$$[6] - 分位数标准化：滚动3/5/10年历史分位数[8] --- 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：6.22%[23] - 最大回撤：1.53%[23] - 收益回撤比：2.27[23] - 超额收益率（vs久期等权基准）：1.69%[23] - 短期（2023年底以来）年化收益率：8.14%[5] - 短期最大回撤：1.64%[5] - 短期收益回撤比：6.98[5] 2. **公募债基久期测算模型** - 当前久期中位数：3.13年（历史5年分位数89.19%）[13] - 久期分歧（标准差）：2.02年（历史5年分位数98.07%）[13] --- 因子的回测效果 1. **利率水平结构因子** - 当前读数：1.53%（3/5/10年分位数6%/3%/2%）[8] 2. **利率期限结构因子** - 当前读数：0.26%（3/5/10年分位数2%/1%/6%）[8] 3. **利率凸性结构因子** - 当前读数：-0.08%（3/5/10年分位数3%/2%/2%）[8]

量化模型与构建方式 1. **模型名称：DTW择时模型** - **模型构建思路**：基于相似性原理和DTW（动态时间弯曲）算法，通过比较当前指数行情与历史行情的相似度，筛选相似片段并预测未来涨跌幅，生成交易信号[27][28] - **模型具体构建过程**： 1. 计算当前行情与历史片段的DTW距离（弹性度量），筛选相似度高的片段[29] 2. 对筛选片段未来5日或1日涨跌幅加权平均（权重为距离倒数），公式： $$\text{预测涨跌幅} = \frac{\sum_{i=1}^n w_i \cdot r_i}{\sum_{i=1}^n w_i}$$ 其中$w_i$为距离倒数，$r_i$为历史片段未来涨跌幅[27] 3. 结合预测涨跌幅及其方差生成信号（如超过阈值则触发多空信号）[15] 4. 采用改进的DTW算法（如Itakura Parallelogram边界限制）避免传统DTW的"病态匹配"问题[31][37] - **模型评价**：在非宏观突变市场环境下超额收益稳定，但对政策突发变化敏感[16] 2. **模型名称：外资择时模型** - **模型构建思路**：基于外资关联资产（富时中国A50期货、南方A50ETF）的价格背离和升贴水指标，复合生成A股择时信号[36] - **模型具体构建过程**： 1. 从A50期货提取升贴水指标和价格背离指标，复合生成期货择时信号[36] 2. 从南方A50ETF提取价格背离指标，生成ETF择时信号[36] 3. 将期货与ETF信号加权复合，形成最终外资择时信号[36] - **模型评价**：样本外表现优异，2024年多头策略回撤控制较好[23] --- 模型的回测效果 1. **DTW择时模型** - 样本外（2022年11月以来）：绝对收益17.39%，超额沪深300收益17.83%，最大回撤21.32%，周胜率超60%[16] - 2024年以来：绝对收益15.68%（沪深300基准），超额4.93%，最大回撤21.36%，交易胜率63.64%，盈亏比2.64[18] 2. **外资择时模型** - 全样本（2014-2024）：多空年化收益18.96%，多头年化14.19%，最大回撤25.69%（多空）/17.27%（多头），日胜率55%[20] - 2024年样本外：多头绝对收益28.83%，最大回撤8.32%[23] --- 量化因子与构建方式 1. **因子名称：DTW距离因子** - **因子构建思路**：通过动态时间弯曲算法度量时间序列相似性，替代传统欧氏距离[29] - **因子具体构建过程**： 1. 对两条时间序列$Q$和$C$，计算累积距离矩阵$D(i,j)$： $$D(i,j) = \text{dist}(q_i,c_j) + \min(D(i-1,j), D(i,j-1), D(i-1,j-1))$$ 其中$\text{dist}$为局部距离（如欧氏距离）[29][31] 2. 引入Itakura Parallelogram边界限制，约束路径搜索范围以减少错误匹配[37] 2. **因子名称：外资背离因子** - **因子构建思路**：基于境外A股关联资产价格与境内指数的偏离程度构建[36] - **因子具体构建过程**： 1. 计算富时中国A50期货价格与沪深300指数的日内偏离率[36] 2. 计算南方A50ETF溢价率与A股指数的相关性[36] --- 因子的回测效果 （报告中未提供因子独立测试结果，仅作为模型输入组件） --- 关键指标说明 - **DTW距离**：弹性度量时间序列相似性，解决欧氏距离的"锁步"匹配问题[29] - **Itakura边界限制**：通过平行四边形约束路径搜索，提升匹配合理性[37]

量化模型与构建方式 1. **模型名称**：自由现金流率因子增强策略 **模型构建思路**：基于自由现金流/企业价值因子构建指数增强策略，通过筛选高自由现金流率的股票实现超额收益[63] **模型具体构建过程**： - 因子定义：自由现金流率 = 自由现金流 / 企业价值，其中企业价值 = 总市值 + 总负债 - 货币资金[62] - 选股方法：每月末调仓，选取因子得分前10%的股票等权配置，基准为对应宽基指数（沪深300/中证500/中证1000/中证全指）[69] - 交易设置：单边手续费0.3%[69] **模型评价**：策略在多个宽基指数上表现稳定，超额收益显著，尤其在中证全指上信息比率达0.84[73] 2. **模型名称**：自由现金流率因子多空组合 **模型构建过程**： - 分组测试：按因子值将股票分为10组，做多Top组、做空Bottom组，计算多空净值[62] - 回测参数：月频调仓，沪深300/中证500/中证全指回测区间为2013-2025年，中证1000为2014-2025年[63] - 因子有效性指标：计算IC值（因子与下期收益的秩相关性）$$RankIC_t = corr(Rank(X_{t,m}), Rank(r_{t+1,m}))$$[62] --- 量化因子与构建方式 1. **因子名称**：自由现金流率因子 **因子构建思路**：衡量企业自由现金流相对于企业价值的比率，筛选现金流质量高且估值合理的股票[62] **因子具体构建过程**： - 数据来源：剔除金融地产行业，要求企业连续5年经营现金流为正[39] - 计算步骤： 1. 自由现金流 = 经营活动现金流净额 - 资本开支[25] 2. 企业价值 = 总市值 + 总负债 - 货币资金[62] 3. 因子值 = 自由现金流 / 企业价值[62] **因子评价**：在沪深300和中证1000上IC均值分别为3.69%和1.61%，多空Sharpe比率最高达0.59（中证1000）[64] 2. **因子名称**：盈利质量辅助因子 **因子构建过程**： - 用于预筛选：盈利质量 = (经营活动现金流净额 - 营业利润) / 总资产，剔除排名后20%的股票[39] - 结合ROE稳定性：剔除近12季度ROE波动率后10%的企业[39] --- 模型回测效果 1. **自由现金流率增强策略** - 中证全指增强：年化收益率12.98%，超额收益7.89%，IR 0.84[73] - 沪深300增强：年化超额收益5.46%，最大回撤43.49%[73] - 中证500增强：年化超额收益5.61%，信息比率0.53[73] 2. **自由现金流率因子多空组合** - 沪深300多空：年化收益5.52%，Sharpe比率0.44[64] - 中证1000多空：年化收益4.68%，Sharpe比率0.59[64] --- 因子回测效果 1. **自由现金流率因子IC测试** - 沪深300：IC均值3.69%，t统计量3.68[64] - 中证500：IC均值1.95%，风险调整IC 0.22[64] - 中证全指：IC移动平均稳定性最佳[68] 2. **多空净值表现** - 中证1000多空净值走势最稳定，最大回撤13.31%[68] - 沪深300多空净值累计收益2.3倍（2013-2025年）[67] --- 关键指标对比 1. **指数表现（2013-2025年）** - 国证自由现金流指数：年化收益26.39%，夏普比率1.19[50] - 中证800自由现金流指数：累计超额收益266.22%[44] 2. **因子分组收益** - 沪深300 Top组年化超额5.38%，Bottom组负超额[64] - 中证1000 Top-Bottom多空年化收益4.68%[64]

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：股指期货分红点位预测模型** - **模型构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9][11][16][18] - **模型具体构建过程**： 1. 收集标的指数成分股的历史分红数据 2. 根据上市公司公告和分红政策，预测未来一年内各成分股的分红金额和时间 3. 汇总成分股分红数据，计算指数分红点位 4. 按合约存续期划分，计算各合约期间的分红影响 $$分红点位 = \sum_{i=1}^n (成分股i分红金额 \times 权重_i)$$ 其中n为指数成分股数量[9][11][16][18] 2. **模型名称：基差修正模型** - **模型构建思路**：剔除分红影响后计算真实的期货合约基差[20] - **模型具体构建过程**： 1. 计算实际基差：期货价格 - 指数价格 2. 加上存续期内未实现的预期分红 3. 进行年化处理 $$年化基差 = \frac{(实际基差 + 预期分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[20] 3. **模型名称：期现对冲策略** - **模型构建思路**：利用股指期货进行现货头寸的风险对冲[44][46][47][51][54][58] - **模型具体构建过程**： - **连续对冲策略**： 1. 现货端持有标的指数全收益指数 2. 期货端做空等额名义本金的股指期货合约 3. 定期滚动持有季月/当月合约[44] - **最低贴水策略**： 1. 计算所有可交易合约的年化基差 2. 选择贴水幅度最小的合约开仓 3. 持有8个交易日后重新选择[46] 量化因子与构建方式 1. **因子名称：Cinda-VIX波动率指数** - **因子构建思路**：反映期权市场对标的资产未来波动率的预期[62] - **因子具体构建过程**： 1. 收集不同行权价期权的隐含波动率 2. 采用类似海外VIX指数的计算方法 3. 计算不同期限(30/60/90/120日)的波动率预期[62] - **因子评价**：能有效捕捉市场恐慌情绪和波动预期 2. **因子名称：Cinda-SKEW偏斜指数** - **因子构建思路**：衡量期权市场对标的资产收益分布不对称性的预期[68] - **因子具体构建过程**： 1. 计算不同行权价期权的隐含波动率 2. 分析波动率曲线的偏斜特征 3. 量化市场对尾部风险的定价[68] - **因子评价**：可作为"黑天鹅"风险预警指标 模型的回测效果 1. **IC对冲策略(2022/7/22-2025/4/11)** - 年化收益：-2.08%(当月)、-1.71%(季月)、-0.83%(最低贴水) - 波动率：3.98%、4.89%、4.80% - 最大回撤：-7.51%、-8.34%、-7.97% - 净值：0.9449、0.9544、0.9778[48] 2. **IF对冲策略(2022/7/22-2025/4/11)** - 年化收益：1.01%、1.06%、1.60% - 波动率：3.12%、3.46%、3.24% - 最大回撤：-3.95%、-4.03%、-4.06% - 净值：1.0275、1.0288、1.0439[53] 3. **IH对冲策略(2022/7/22-2025/4/11)** - 年化收益：1.42%、2.20%、1.86% - 波动率：3.23%、3.66%、3.23% - 最大回撤：-4.22%、-3.75%、-3.91% - 净值：1.0389、1.0604、1.0510[57] 4. **IM对冲策略(2022/7/22-2025/4/11)** - 年化收益：-4.95%、-3.96%、-3.44% - 波动率：4.39%、5.48%、5.34% - 最大回撤：-13.84%、-12.63%、-11.11% - 净值：0.8718、0.8965、0.9098[59] 因子的回测效果 1. **Cinda-VIX指数(2025/4/11)** - 上证50VIX_30：22.26 - 沪深300VIX_30：22.97 - 中证500VIX_30：31.73 - 中证1000VIX_30：32.42[62][69] 2. **Cinda-SKEW指数(2025/4/11)** - 上证50SKEW：100.46 - 沪深300SKEW：101.54 - 中证500SKEW：101.32 - 中证1000SKEW：100.09[69]

根据提供的研报内容，以下是量化模型与因子的总结： 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**：通过计算行业指数最近一周价格和成交金额变动的马氏距离，衡量行业的交易拥挤程度[17] - **因子具体构建过程**： 1. 计算行业指数价格变动和成交金额变动的标准化值 2. 计算两者的马氏距离，公式为： $$D = \sqrt{(x - \mu)^T \Sigma^{-1} (x - \mu)}$$ 其中，\(x\)为价格和成交金额的变动向量，\(\mu\)为均值向量，\(\Sigma\)为协方差矩阵 3. 通过置信椭圆（99%置信水平）划分象限，第1象限椭圆外的点表示短期显著拥挤的行业[17] - **因子评价**：该因子能有效捕捉市场短期交易过热或过冷的行业状态 2. **因子名称：行业估值因子（PE分位数）** - **因子构建思路**：基于行业PE历史分位数（2019年起）评估当前估值水平[16][20] - **因子具体构建过程**： 1. 计算各行业当前PE值（如计算机75.65倍、银行5.91倍）[14] 2. 统计各行业PE在2019年以来的历史分位数（如钢铁99%、公用事业4%）[16] - **因子评价**：分位数因子能横向比较不同行业的估值相对位置 --- 因子回测效果 1. **行业拥挤度因子** - 最新监测结果：农林牧渔行业出现短期交易拥挤[18] 2. **行业估值因子** - 极端高估值行业：钢铁（PE分位数99%）、建筑材料（97%）、机械设备（92%）[16] - 极端低估值行业：公用事业（4%）、食品饮料（11%）、纺织服饰（12%）[16] --- 注：报告中未提及量化模型的具体构建，仅包含行业拥挤度和估值两类因子的分析方法[17][16][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： 量化因子与构建方式 1. **因子名称：BP** - 因子构建思路：衡量股票的估值水平，计算净资产与总市值的比率[17] - 因子具体构建过程： $$ BP = \frac{净资产}{总市值} $$ - 因子评价：传统估值因子，反映公司账面价值与市场价值的相对关系 2. **因子名称：单季EP** - 因子构建思路：衡量单季度盈利能力的估值指标[17] - 因子具体构建过程： $$ 单季EP = \frac{单季度归母净利润}{总市值} $$ 3. **因子名称：非流动性冲击** - 因子构建思路：反映股票流动性风险，计算价格波动与成交额的关系[17] - 因子具体构建过程： $$ 非流动性冲击 = \frac{过去20个交易日的日涨跌幅绝对值}{成交额的均值} $$ - 因子评价：流动性因子中表现稳定的指标 4. **因子名称：三个月换手** - 因子构建思路：衡量股票中期流动性水平[17] - 因子具体构建过程： $$ 三个月换手 = 过去60个交易日换手率均值 $$ 5. **因子名称：特异度** - 因子构建思路：反映股票特异性风险，通过Fama-French三因子模型残差计算[17] - 因子具体构建过程： $$ 特异度 = 1 - 过去20个交易日Fama-French三因子回归的拟合度 $$ 6. **因子名称：预期净利润环比** - 因子构建思路：反映分析师预期变化[17] - 因子具体构建过程： $$ 预期净利润环比 = \frac{一致预期净利润}{3个月前一致预期净利润} $$ 因子回测效果 沪深300样本空间 1. **非流动性冲击因子** - 最近一周：1.05% - 最近一月：2.34% - 今年以来：1.49% - 历史年化：0.68%[19] 2. **三个月换手因子** - 最近一周：0.66% - 最近一月：1.55% - 今年以来：0.35% - 历史年化：3.47%[19] 3. **单季EP因子** - 最近一周：-1.37% - 最近一月：-1.12% - 今年以来：-0.25% - 历史年化：5.21%[19] 中证500样本空间 1. **预期净利润环比因子** - 最近一周：1.32% - 最近一月：2.85% - 今年以来：3.25% - 历史年化：2.97%[21] 2. **BP因子** - 最近一周：-2.00% - 最近一月：-1.81% - 今年以来：-3.65% - 历史年化：3.75%[21] 中证1000样本空间 1. **三个月机构覆盖因子** - 最近一周：1.74% - 最近一月：4.08% - 今年以来：4.46% - 历史年化：6.03%[23] 2. **特异度因子** - 最近一周：-1.00% - 最近一月：-0.05% - 今年以来：-0.69% - 历史年化：4.94%[23] 量化模型与构建方式 1. **模型名称：MFE组合构建模型** - 模型构建思路：在控制行业/风格暴露等约束下最大化单因子暴露[35] - 模型具体构建过程： $$ \begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array} $$ 其中： - $f$为因子取值向量 - $w$为组合权重向量 - $w_b$为基准指数权重[35][36] - 模型评价：更贴近实际组合构建的因子检验方法 模型的回测效果 1. **中证1000指增组合** - 本周超额收益：-0.88% - 本年超额收益：3.15%[14] 2. **沪深300指增组合** - 本周超额收益：-1.25% - 本年超额收益：1.61%[14] 3. **中证500指增组合** - 本周超额收益：-1.53% - 本年超额收益：2.17%[14] 注：所有因子和模型数据均来自报告中的单因子MFE组合测试结果，测试区间包含最近一周、最近一月、今年以来及历史年化表现[19][21][23]

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 **封板率因子** - 构建思路：通过涨停股盘中表现与收盘状态的对比反映市场情绪强度[16] - 构建过程： $$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 筛选上市满3个月的股票，统计当日最高价涨停且收盘仍涨停的股票占比[16] - 因子评价：高频指标能有效捕捉短期资金博弈情绪 2 **连板率因子** - 构建思路：衡量涨停股持续性的重要指标[16] - 构建过程： $$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 需满足上市满3个月条件，计算两日涨停的股票占比[16] - 因子评价：对游资主导的题材炒作行情有较强解释力 3 **大宗交易折价率因子** - 构建思路：通过大额交易折价水平反映机构资金动向[25] - 构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 统计单日成交超11亿元的大宗交易，计算加权平均折价率[25] - 因子评价：对中长期资金配置行为有预示作用 4 **股指期货年化贴水率因子** - 构建思路：利用期现价差反映市场预期[27] - 构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000主力合约贴水率[27] - 因子评价：对冲成本指标同时隐含市场情绪 --- 因子回测效果 1 **封板率因子** - 当日取值：71%（较前日下降1%）[16] - 近一月分位数：未披露具体值 2 **连板率因子** - 当日取值：16%（较前日下降5%）[16] - 近一月分位数：未披露具体值 3 **大宗交易折价率因子** - 当日取值：6.22%[25] - 半年均值：5.37%[25] 4 **股指期货年化贴水率因子** - 上证50：4.97%（近一年24%分位）[27] - 沪深300：9.26%（近一年16%分位）[27] - 中证500：22.86%（近一年6%分位）[27] - 中证1000：17.61%（近一年18%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]

量化模型与构建方式 1. **模型名称：模拟现金流组合** - **模型构建思路**：参考中证全指自由现金流指数的编制规则，通过筛选现金流质量高、盈利稳定的股票构建组合[18][19] - **模型具体构建过程**： 1. **样本筛选**：剔除金融地产行业（中信一级分类），要求自由现金流（经营活动现金流净额 - 资本开支）和企业价值（市值 + 总负债 - 货币资金）均为正[19] 2. **盈利质量过滤**：连续5年经营活动现金流为正，且盈利质量排名前80%（盈利质量 = (经营活动现金流净额 - 营业利润) / 总资产）[19] 3. **排序选股**：按自由现金流率（自由现金流/企业价值）从高到低选取前100只股票[19] 4. **加权方式**：自由现金流加权，单股权重上限10%，每年4月、8月、10月调仓[19] - **模型评价**：自由现金流加权能更直接反映企业当期经营质量，相比市值加权在回溯期内表现更优[39] 2. **模型名称：现金流指数加权方式对比模型** - **模型构建思路**：测试自由现金流加权、自由流通市值加权、自由现金流率加权三种方式对组合表现的影响[35][37] - **模型具体构建过程**：基于相同选股池，分别采用三种加权方式构建组合并回测[37] --- 量化因子与构建方式 1. **因子名称：营收现金流差异因子（FCF_GAP）** - **因子构建思路**：通过比较营业收入与自由现金流的差异，识别创收能力与现金流质量不匹配的公司[40] - **因子具体构建过程**： $$FCF\_GAP = \frac{营业收入 - 自由现金流}{营业收入}$$ 其中自由现金流 = 经营活动现金流净额 - 资本开支[40] - **因子评价**：与常见因子相关性低，在沪深300和中证500中RankIC IR达-0.34和-0.32，具有稳定负向选股能力[41][46] 2. **因子名称：现金流-营收四象限因子** - **因子构建思路**：根据营收和自由现金流的边际变化将股票分为四类（双增/双降/营收增现金流降/营收降现金流增）[51] - **因子具体构建过程**： 1. 计算营收和自由现金流的同比变化 2. 划分象限并构建等权组合[54] - **因子评价**："双增"组合年化收益13.20%显著优于"双降"组合7.89%，能捕捉不同市场风格下的超额收益[58] --- 模型的回测效果 1. **模拟现金流组合** - 年化收益率：18.75% - 年化波动率：23.40% - 夏普比率：0.80 - 最大回撤：-43.18%[21][23] 2. **现金流指数加权方式对比** - 自由现金流加权：年化收益18.75%，夏普0.80 - 自由流通市值加权：年化收益16.81%，夏普0.74 - 自由现金流率加权：年化收益16.38%，夏普0.67[37][39] --- 因子的回测效果 1. **FCF_GAP因子** - RankIC均值（中证全指）：-2.28% - RankIC IR（沪深300）：-0.43 - RankIC<0占比（中证500）：69.67%[46] 2. **现金流-营收四象限因子** - "双增"组合年化收益：13.20% - "双降"组合年化收益：7.89%[58]

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**：分红预测模型 - **模型构建思路**：基于上市公司已公布的分红信息（如股东大会通过、董事会预案等），结合历史分红率和盈利预测，预估成分股的分红对股指期货合约的影响[8][10][23] - **模型具体构建过程**： 1. **预估净利润**：优先采用年报、快报、预警或分析师预测数据，未公布数据则使用TTM或历史分红率假设[26][27] 2. **计算税前分红总额**： - 已公布预案的直接采用 - 未公布的按历史分红率推算（若去年分红率为正）或假设不分红（去年未分红或净利润为负）[31] 3. **计算指数影响**： - 股息点公式：$$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\left(\mathrm{\scriptsize{\normalsize1+R\mathrm{\scriptsize{\normalsize1}}}\right)}}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\left(\mathrm{\scriptsize{\normalsize1+R\mathrm{\scriptsize{\normalsize1}}}\right)}}}}}}$$ 其中 \( w_{i0} \) 为初始权重，\( R \) 为涨跌幅[28] 4. **预测合约影响值**：根据除权除息日估计规则（已公布日期优先，未公布则参考历史时间差中位数）[32][33] - **模型评价**：依赖历史数据和假设，市场环境突变可能导致预测偏差[35] 2. **模型名称**：股指期货定价模型（理论部分） - **模型构建思路**：基于无套利原理，考虑分红现值和利率影响[36] - **模型具体构建过程**： - **离散红利定价公式**：$$F_t=(S_t-D)(1+r)$$ 其中 \( D \) 为红利现值，\( r \) 为无风险利率[36] - **连续红利定价公式**：$$F_t=S_t e^{(r-d)(T-t)}$$ 其中 \( d \) 为年化红利率[37] --- 模型的回测效果 1. **分红预测模型**： - **上证50期货（IH）**： - 4月合约年化对冲成本21.05%（剔除分红）[11] - 9月合约含分红价差+6.43点（实际价差-53.98点）[11] - **沪深300期货（IF）**： - 4月合约年化对冲成本24.28%[12] - 9月合约分红影响占比2.08%[12] - **中证500期货（IC）**： - 6月合约分红修正价差-108.76点（实际-157.12点）[13] - **中证1000期货（IM）**： - 9月合约年化对冲成本10.89%（剔除分红）[14] 2. **股指期货定价模型**： - 未提供具体回测指标，仅作为理论参考[36][37] --- 其他关键数据 - **分红剩余影响**： - 中证1000期货4月合约剩余影响0.00%[15] - 沪深300期货6月合约剩余分红影响0.82%[12] - **分红时间分布**：预计2025年分红集中在5-7月，对6月/9月合约影响显著[10] 注：报告中未涉及独立量化因子构建，主要围绕分红预测与期货定价展开[7][23]

量化模型与构建方式 1. **模型名称**：250日新高距离模型 - **模型构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票或指数的趋势强度[10] - **模型具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，$Closet$为最新收盘价，$ts\_max(Close,250)$为过去250个交易日收盘价的最大值。若收盘价等于新高值，则距离为0；若回落，则距离为正[10] - **模型评价**：直观反映价格趋势强度，适用于动量策略筛选 2. **模型名称**：平稳创新高股票筛选模型 - **模型构建思路**：结合分析师关注度、股价路径平稳性等多维度筛选具有持续动量的股票[23][25] - **模型具体构建过程**： 1. **初筛条件**： - 过去3个月买入/增持评级研报≥5份[25] - 过去250日涨跌幅全市场前20%[25] 2. **精细化筛选**： - **价格路径平滑性**：计算股价位移路程比（未公开公式）[23] - **创新高持续性**：过去120日250日新高距离的时间序列均值[25] - **趋势延续性**：过去5日250日新高距离的时间序列均值，取前50名[25] - **模型评价**：综合基本面与技术面，筛选具有稳健动量特征的股票 --- 量化因子与构建方式 1. **因子名称**：250日新高距离因子 - **因子构建思路**：衡量个股或指数相对于历史高点的位置，捕捉趋势延续性[10] - **因子具体构建过程**：同上述模型公式[10] 2. **因子名称**：创新高个股数量占比因子 - **因子构建思路**：统计行业/板块内创新高个股比例，反映热点集中度[18][19] - **因子具体构建过程**： $$创新高占比 = \frac{行业创新高个股数量}{行业总股票数量}$$ 例如：银行行业创新高占比42.86%[18] --- 模型的回测效果 1. **250日新高距离模型**： - 上证指数新高距离7.21%，深证成指14.45%，沪深300 11.88%[11] - 银行行业新高距离3.85%（全行业最低），煤炭行业距离最远[12] 2. **平稳创新高股票筛选模型**： - 筛选出30只股票，如双林股份（过去250日涨幅601%）、万辰集团（275%）[29] - 消费板块占比最高（9只），基础化工行业在周期板块中表现突出[26] --- 因子的回测效果 1. **250日新高距离因子**： - 中证2000指数创新高个股占比18.25%，中证1000指数13.50%[19] - 汽车行业创新高个股占比28.63%，农林牧渔25.47%[18] 2. **创新高个股数量占比因子**： - 制造板块创新高股票307只（占比19.90%），科技板块153只（11.00%）[19] --- 注：所有数据截至2025年4月11日[11][18][29]