量化模型与构建方式 模型名称：卖出宽跨式期权组合策略模型 - **模型构建思路**：通过对标的期货进行基本面分析，评估其趋势性或波动性，然后匹配对应的期权组合策略，最终预测策略的收益及风险[1][4] - **模型具体构建过程**： 1. **基本面分析**：对甲醇期货的供需、库存、价格波动等进行分析，判断其价格区间震荡的可能性[5] 2. **期权组合策略**：选择卖出宽跨式期权组合，由一个低执行价看跌期权和一个高执行价看涨期权组成，适用于标的资产价格预期波动较低的情形[4] 3. **统计学模型**：假设在风险中性条件下，期货价格的运动过程为： $$ \frac{dS_t}{S_t} = \mu dt + \sigma dB_t $$ 其中，$S_t$是t时刻的期货价格，$\mu$是无风险利率，$\sigma$为标的的波动率，$dB_t = \mathcal{E}\sqrt{dt}$（$\mathcal{E}$服从标准正态分布）[7][8] 4. **伊藤定理处理**：使用伊藤定理处理$d(\ln S)$： $$ d(\ln S) = (\mu - \frac{\sigma^2}{2}) dt + \sigma dB $$ 对上述方程积分后取指数，得： $$ S_T = S_t \exp \left( (\mu - \frac{\sigma^2}{2})(T - t) + \sigma \mathcal{E} \sqrt{T - t} \right) $$ 这样就得到了任意两个时间节点下期货价格间的关系[9][10] 5. **蒙特卡洛模拟**：利用编程技术的蒙特卡洛模拟法，设定时间单位为一个交易日、模拟路径个数为1000，生成未来一段时间内N个时间节点，M条路径的模拟价格数值[11][12] 6. **输出结果**：计算每条路径在卖出宽跨式组合的损益结构下的损益情况并进行统计，生成收益率、胜率以及收益率*胜率三个矩阵[13][14][16][18] - **模型评价**：该模型通过基本面分析和统计学模型相结合，能够较为准确地预测期权组合策略的收益及风险，具有较高的实用性和可复制性[1][4][19] 模型的回测效果 - **MA501卖出宽跨年化收益率矩阵（预测值）**： - C2600-P2550组合的年化收益率为23.00%[15] - **MA501卖出宽跨胜率矩阵（预测值）**： - C2600-P2550组合的胜率为66.70%[17] - **MA501卖出宽跨胜率*收益率矩阵（预测值）**： - C2600-P2550组合的胜率*收益率为16.30%[18]

量化模型与构建方式 1. 模型名称：基于统计学模型的期货价格模拟 - **模型构建思路**：假设期货价格的运动过程符合风险中性条件下的随机游走模型，通过伊藤定理推导出期货价格在任意两个时间节点间的关系，并利用蒙特卡洛模拟法生成未来价格路径[7][8][9] - **模型具体构建过程**： 1. 假设期货价格的运动过程为： $$ \frac{dS_t}{S_t} = \mu dt + \sigma dB_t $$ 其中，$S_t$为$t$时刻的期货价格，$\mu$为无风险利率，$\sigma$为标的波动率，$dB_t = \epsilon \sqrt{dt}$，$\epsilon$服从标准正态分布[7] 2. 使用伊藤定理处理$ln(S)$，得到： $$ d(lnS) = (\mu - \frac{\sigma^2}{2})dt + \sigma dB $$ 进一步推导出期货价格在任意两个时间节点间的关系： $$ S_T = S_t \cdot exp\left((\mu - \frac{\sigma^2}{2})(T-t) + \sigma \epsilon \sqrt{T-t}\right) $$[8][9] 3. 利用蒙特卡洛模拟法： - 将当前时间点到期权到期日之间的时间分割为多个时间段 - 随机生成$\epsilon$，重复模拟价格路径 - 设定时间单位为一个交易日，模拟路径个数为1000，最终生成未来价格路径矩阵[10] - **模型评价**：通过蒙特卡洛模拟法，能够较为全面地捕捉期货价格的波动特征，适用于复杂的期权组合策略分析[9][10] 2. 模型名称：卖出宽跨式期权组合策略模型 - **模型构建思路**：通过对标的资产的基本面分析，判断其波动性水平，选择适配的期权组合策略，并利用统计学模型评估策略的收益与风险[1][3][11] - **模型具体构建过程**： 1. 选择卖出宽跨式期权组合策略，该策略由一个低执行价看跌期权和一个高执行价看涨期权组成，方向均为卖出[3] 2. 适用场景：标的资产价格预期波动较低的情形[3] 3. 结合基本面分析，选择甲醇作为研究对象，因其波动率处于历史低位，且基本面中性[3][5][6] 4. 利用统计学模型模拟期货价格路径，计算每条路径下的损益情况，生成收益率、胜率及收益率*胜率矩阵[11] - **模型评价**：该模型通过结合基本面分析与统计学方法，能够较为精准地评估期权组合策略的收益与风险，具有较强的实用性和可复制性[11] --- 模型的回测效果 1. 基于统计学模型的期货价格模拟 - **年化收益率矩阵（预测值）**：C2600-P2550组合的年化收益率为23.00%，在所有组合中表现最佳[13] - **胜率矩阵（预测值）**：C2600-P2550组合的胜率为66.70%，在高收益组合中表现较优[14] - **胜率*收益率矩阵（预测值）**：C2600-P2550组合的胜率*收益率为16.30%，为综合盈利能力最强的组合[16] 2. 卖出宽跨式期权组合策略模型 - **年化收益率矩阵（预测值）**：收益率随行权价格的上下边界变化而变化，C2600-P2550组合的年化收益率最高为23.00%[13] - **胜率矩阵（预测值）**：胜率随行权价格的上下边界变化而变化，C2600-P2550组合的胜率为66.70%[14] - **胜率*收益率矩阵（预测值）**：C2600-P2550组合的胜率*收益率为16.30%，为综合盈利能力最强的组合[16] --- 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**：通过分析标的资产的历史波动率水平，判断其在当前市场中的相对位置，作为期权组合策略选择的依据[5][6] - **因子具体构建过程**： 1. 计算甲醇主连合约的历史波动率 2. 横向比较甲醇近一年波动率在全部品种中的排名，发现其处于历史分位低点，排名约70%[5] - **因子评价**：波动率因子能够有效反映标的资产的波动特征，为期权组合策略的选择提供了重要依据[5][6] 2. 因子名称：持仓量因子 - **因子构建思路**：通过分析标的资产的持仓量变化，判断市场参与者的活跃程度及其对价格波动的影响[6] - **因子具体构建过程**： 1. 统计甲醇全部合约的综合持仓量 2. 发现其在今年下半年始终处于历史性低位[6] - **因子评价**：持仓量因子能够从市场参与者的角度反映标的资产的活跃程度，为期权策略的适配性分析提供了支持[6] --- 因子的回测效果 1. 波动率因子 - **年化收益率矩阵（预测值）**：波动率因子支持的C2600-P2550组合年化收益率为23.00%[13] - **胜率矩阵（预测值）**：波动率因子支持的C2600-P2550组合胜率为66.70%[14] - **胜率*收益率矩阵（预测值）**：波动率因子支持的C2600-P2550组合胜率*收益率为16.30%[16] 2. 持仓量因子 - **年化收益率矩阵（预测值）**：持仓量因子支持的C2600-P2550组合年化收益率为23.00%[13] - **胜率矩阵（预测值）**：持仓量因子支持的C2600-P2550组合胜率为66.70%[14] - **胜率*收益率矩阵（预测值）**：持仓量因子支持的C2600-P2550组合胜率*收益率为16.30%[16]

量化模型与构建方式 1. 模型名称：宏观周期模型 - **模型构建思路**：通过对宏观经济分项指标的量化分析，定义经济周期的不同阶段，并据此判断经济所处的状态[10] - **模型具体构建过程**： 1. 选取经济景气、信用、通胀等宏观分项指标[10] 2. 计算各分项指标的历史分位值，例如经济景气分位值为6.7%、信用分位值为17%、通胀分位值为5.4%[10] 3. 根据分位值的组合，定义经济周期阶段，如筑底后期[10] - **模型评价**：模型能够较好地反映宏观经济的阶段性特征，为经济走势的判断提供了量化依据[10] 2. 模型名称：高频策略流动性模型 - **模型构建思路**：研究市场流动性对高频策略收益的影响，构建流动性与策略收益的关系曲线[79] - **模型具体构建过程**： 1. 定义市场流动性指标，如全市场日成交额[79] 2. 通过回归分析，量化流动性对高频策略年化超额收益的影响[84] - 回归方程： $$\text{超额收益} = \beta_1 \cdot \text{指数涨幅} + \beta_2 \cdot \text{成交量} + \epsilon$$ 其中，$\beta_1 = -0.9920$，$\beta_2 = 0.0058$[84] 3. 绘制流动性影响曲线，发现流动性对高频策略收益的影响呈S型[79] - **模型评价**：模型揭示了高频策略收益对流动性的依赖性，为高频策略的优化提供了理论支持[79][84] 3. 模型名称：成交量预测模型 - **模型构建思路**：基于时间序列分析，预测未来市场成交量中枢的变化[94] - **模型具体构建过程**： 1. 对中证500月成交量进行ADF检验，确认其为平稳时间序列[93] 2. 构建AR(1)模型： $$\mathrm{Y_{t}=\ 132\ +\ 0.85*Y_{t-1}+\ e_{t}}$$ 其中，$\mathrm{Y_t}$为当前月成交量，$\mathrm{Y_{t-1}}$为上月成交量，$\mathrm{e_t}$为误差项[94] 3. 使用模型预测未来1年中证500月成交量，得出成交量中枢将由130亿股提升至300亿股[95] - **模型评价**：模型能够较准确地预测市场流动性变化，为高频策略收益的提升提供了量化依据[94][95] --- 模型的回测效果 1. 宏观周期模型 - **经济景气分位值**：6.7%[10] - **信用分位值**：17%[10] - **通胀分位值**：5.4%[10] 2. 高频策略流动性模型 - **回归系数**： - 指数涨幅：$\beta_1 = -0.9920$[84] - 成交量：$\beta_2 = 0.0058$[84] - **年化超额收益提升**：日成交额中枢由8000亿提升至1.3万亿时，高频策略年化超额收益提升约12.5%[95] 3. 成交量预测模型 - **成交量中枢预测**：中证500月成交量由130亿股提升至300亿股[95] - **全A日成交额中枢预测**：由8000亿提升至1.3万亿[95] --- 量化因子与构建方式 1. 因子名称：高频因子 - **因子构建思路**：通过高频交易数据提取因子，捕捉短期市场波动中的超额收益机会[89] - **因子具体构建过程**： 1. 提取高频交易数据，计算高频因子收益[89] 2. 对比日间因子收益，验证高频因子的超额收益能力[89] 3. 贴近现实，考虑交易成本对高频因子收益的影响[90] - 不同交易成本下的年化超额收益： | 双边税费+滑点% | 年化超额% | | --- | --- | | 0.05 | 2.25 | | 0.1 | -0.5 | | 0.14 | -2.7 |[91] - **因子评价**：高频因子在理想条件下具有显著的超额收益，但对交易成本敏感，需优化执行策略[89][90] --- 因子的回测效果 1. 高频因子 - **年化收益**：21%[89] - **累计收益**：149%[89] - **交易成本敏感性**： - 双边税费+滑点0.05%时，年化超额收益为2.25%[91] - 双边税费+滑点0.1%时，年化超额收益为-0.5%[91]

- 模型名称：红利低波策略模型 - 模型构建思路：通过选择低波动率的红利资产，构建一个风险较低且收益稳定的投资组合[3] - 模型具体构建过程：首先筛选出红利资产，然后根据波动率指标进行排序，选择波动率较低的资产构建组合[3] - 模型评价：该模型在震荡行情下表现出较强的收益韧性和风险控制能力[3] - 模型名称：红利价值策略模型 - 模型构建思路：通过选择具有价值属性的红利资产，构建一个兼具红利和价值特征的投资组合[3] - 模型具体构建过程：首先筛选出红利资产，然后根据价值指标（如市盈率、市净率等）进行排序，选择价值属性较强的资产构建组合[3] - 模型评价：该模型在震荡行情下表现出较强的收益韧性和风险控制能力[3] - 模型名称：攻守备红利30组合 - 模型构建思路：通过选择30只红利资产，构建一个攻守兼备的投资组合[3] - 模型具体构建过程：首先筛选出红利资产，然后根据一定的指标（如收益率、波动率等）进行排序，选择前30只资产构建组合[3] - 模型评价：该组合在震荡行情下表现出较好的韧性，超额收益显著[3] - 模型名称：医疗保健增强1.0组合 - 模型构建思路：通过选择医疗保健板块的优质资产，构建一个增强型投资组合[3] - 模型具体构建过程：首先筛选出医疗保健板块的资产，然后根据一定的指标（如收益率、波动率等）进行排序，选择优质资产构建组合[3] - 模型评价：该组合在震荡行情下表现出较好的韧性，超额收益显著[3] - 红利低波策略模型，超额收益约0.26%[3] - 红利价值策略模型，超额收益约0.26%[3] - 攻守备红利30组合，超额收益约0.26%[3] - 医疗保健增强1.0组合，超额收益约0.43%[3]

量化模型与构建方式 1. DFQ工业类行业轮动模型 - **模型构建思路**：基于38个证监会二级行业构建行业因子，转化为中信一级行业后进行行业轮动[16][19] - **模型具体构建过程**： - 使用中观行业数据、分析师预期、业绩超预期、资金流向四个维度的14个单因子合成行业因子[16][17] - 将证监会二级行业因子得分转化为中信一级行业因子得分，采用市值加权方式[19] - 因子值进行截面标准化，缺失值用0填充[19] - **模型评价**：转化为中信一级行业后损失较多信息，近年来策略有效性降低[20] 2. DFQ行业动量轮动模型 - **模型构建思路**：基于行业动量的改进算法，构建月频行业轮动策略[25] - **模型具体构建过程**： - 提出三种行业动量的改进算法，将三个单因子合成行业因子[25] - 使用过去12个月的行业动量、行业换手率等特征[24] - **模型评价**：动量类策略整体表现不如基本面策略，近年来策略有效性降低[26] 3. DFQ遗传规划行业因子挖掘系统 - **模型构建思路**：通过遗传规划算法挖掘行业因子，优化进化效率，生成高质量因子[51][52] - **模型具体构建过程**： - 使用gplearn库的SymbolicTransformer模块，加入145个特征和140个算子[74][76] - 采用滚动挖掘方式，每隔一年重新挖掘，训练集长度固定为10年[69][72] - 适应度指标为20个路径下多头（top5）行业组合的月均超额收益的最小值，阈值为0.5%[78][80] - 通过7点改进提升进化效率，包括提升初始种群质量、动态调整进化参数、降低因子相关性等[52][54][61] - **模型评价**：挖掘出的单因子数量多且相关性低，但样本外易失效，需通过加权提升表现[194] 4. DFQ机器学习行业轮动模型 - **模型构建思路**：将vae、xgb、gp三个行业因子等权合成，构建行业轮动模型[165] - **模型具体构建过程**： - vae和xgb因子通过选股因子加权得到，gp因子通过遗传规划挖掘得到[163][164] - 合成因子前对单因子进行Boxplot去异常值、zscore标准化、以0填充缺失值[124] - 等权合成后进行回测[165] - **模型评价**：模型表现突出，能实现1+1>2的效果[165] --- 模型的回测效果 1. DFQ工业类行业轮动模型 - **年化超额收益**：2020-2024年为3.33%[20] - **超额收益最大回撤**：19.39%[20] 2. DFQ行业动量轮动模型 - **年化超额收益**：2020-2024年为3.68%[26] - **超额收益最大回撤**：24.78%[26] 3. DFQ遗传规划行业因子挖掘系统 - **年化超额收益**：2020-2024年为11.10%（动态xgb加权）[128] - **超额收益最大回撤**：10.28%[128] - **月度胜率**：61.40%[128] - **超额收益夏普比**：1.16[128] 4. DFQ机器学习行业轮动模型 - **年化超额收益**：2020-2024年为18.42%[165] - **超额收益最大回撤**：7.76%[165] - **月度胜率**：66.67%[165] - **超额收益夏普比**：1.77[165] --- 量化因子与构建方式 1. vae因子 - **因子构建思路**：通过选股因子加权得到行业因子[43] - **因子具体构建过程**： - 选股因子匹配到中证全指股票池，进行Boxplot去异常值、zscore标准化[43] - 按个股市值加权得到行业因子[43] - **因子评价**：多头端top5行业组合表现较好[43] 2. xgb因子 - **因子构建思路**：通过选股因子加权得到行业因子[43] - **因子具体构建过程**： - 同vae因子[43] - **因子评价**：多头端top5行业组合表现较好[43] 3. gp因子 - **因子构建思路**：通过遗传规划算法挖掘行业因子[51] - **因子具体构建过程**： - 使用滚动挖掘方式，每隔一年重新挖掘[69] - 适应度指标为多头月均超额收益的最小值[78] - **因子评价**：相关性低，适合与其他因子结合使用[164] --- 因子的回测效果 1. vae因子 - **年化超额收益**：10.01%[166] - **超额收益最大回撤**：10.09%[166] - **月度胜率**：57.89%[166] - **超额收益夏普比**：1.03[166] 2. xgb因子 - **年化超额收益**：10.82%[166] - **超额收益最大回撤**：10.61%[166] - **月度胜率**：59.65%[166] - **超额收益夏普比**：1.02[166] 3. gp因子 - **年化超额收益**：11.10%[166] - **超额收益最大回撤**：10.28%[166] - **月度胜率**：61.40%[166] - **超额收益夏普比**：1.16[166]

量化模型与构建方式 1. 模型名称：多模态多尺度股价预测模型 - **模型构建思路**：基于AI看图初始版本模型，结合多模态（图表数据与时序数据）和多尺度（不同频率的价量数据）特征，采用深度学习方法进行改进，提升股价预测能力[14][17][18] - **模型具体构建过程**： 1. **多模态特征提取**：结合卷积模型和时序模型，分别处理价量数据图表和时序数据，融合两种模态的特征[17] 2. **多尺度特征提取**：引入1分钟频、日频、周频三种频率的价量数据，构建55组高频因子特征，并通过时序模型提取多日特征[18] 3. **轻量化设计**：对每个子模型的参数量进行大幅度压缩，卷积模块的特征维度仅为初始模型的1/4，降低过拟合风险并提升计算效率[18] 4. **多头输出**：模型输出包括未来股价的绝对收益和涨跌分类，分别采用均方误差和交叉熵作为损失函数，进行端到端训练[19] 5. **训练与验证**：训练样本为2008-2016年数据，验证样本为2017-2019年数据，回测样本为2020-2024年数据[23][117] - **模型评价**：通过多模态、多尺度特征提取和轻量化设计，显著提升了模型的预测能力和计算效率[14][18][19] --- 模型的回测效果 1. 多模态多尺度股价预测模型 - **RankIC均值**： - 全市场：8.7% - 沪深300：7.9% - 中证500：6.6% - 中证800：6.9% - 中证1000：8.2% - 国证2000：8.7% - 创业板：10.4%[21][116] - **RankIC胜率**： - 全市场：86.7% - 沪深300：69.0% - 中证500：73.5% - 中证800：75.2% - 中证1000：84.8% - 国证2000：86.1% - 创业板：89.2%[21][116] - **超额年化收益率**： - 全市场：12.97% - 沪深300：9.17% - 中证500：5.30% - 中证800：8.38% - 中证1000：7.47% - 国证2000：7.47% - 创业板：11.52%[21][117] --- 量化因子与构建方式 1. 因子名称：多模态多尺度因子 - **因子构建思路**：基于多模态（图表数据与时序数据）和多尺度（不同频率价量数据）特征提取，结合深度学习模型的预测结果生成因子[14][17][18] - **因子具体构建过程**： 1. **高频因子**：从1分钟频价量数据中提取55组特征，构建日度因子[18] 2. **时序因子**：基于日频和周频数据，利用时序模型提取历史走势特征[18] 3. **卷积因子**：基于标准化价量数据图表，利用卷积模型提取形态走势特征[17] 4. **因子融合**：将时序因子和卷积因子进行特征融合，生成最终因子[17][18] - **因子评价**：与Barra风格因子的相关性较低，具有较强的独立性，相关性最高的三个因子为流动性因子（-18%）、波动率因子（-16%）和市值因子（-8%）[22][23] --- 因子的回测效果 1. 多模态多尺度因子 - **RankIC均值**： - 全市场：8.7% - 沪深300：7.9% - 中证500：6.6% - 中证800：6.9% - 中证1000：8.2% - 国证2000：8.7% - 创业板：10.4%[21][116] - **RankIC胜率**： - 全市场：86.7% - 沪深300：69.0% - 中证500：73.5% - 中证800：75.2% - 中证1000：84.8% - 国证2000：86.1% - 创业板：89.2%[21][116] - **超额年化收益率**： - 全市场：12.97% - 沪深300：9.17% - 中证500：5.30% - 中证800：8.38% - 中证1000：7.47% - 国证2000：7.47% - 创业板：11.52%[21][117]

量化模型与构建方式 1. 模型名称：成交量模型 - **模型构建思路**：基于市场成交量的变化趋势，判断市场情绪和短期走势[11][61] - **模型具体构建过程**：通过分析市场成交量的变化，结合历史成交量数据，构建量化指标，判断市场的多空信号[11][61] - **模型评价**：模型信号中性，未表现出明显的多空倾向[11][61] 2. 模型名称：低波动率模型 - **模型构建思路**：利用市场波动率的变化，捕捉市场的稳定性和风险偏好[11][61] - **模型具体构建过程**：通过计算市场的波动率指标，结合历史波动率数据，判断市场的风险水平和投资者情绪[11][61] - **模型评价**：模型信号中性，未表现出明显的多空倾向[11][61] 3. 模型名称：特征龙虎榜机构模型 - **模型构建思路**：基于龙虎榜数据和机构交易特征，分析市场的资金流向和机构行为[11][61] - **模型具体构建过程**：提取龙虎榜数据中的机构交易信息，结合市场成交量和价格变化，构建量化指标，判断市场的多空信号[11][61] - **模型评价**：模型信号中性，未表现出明显的多空倾向[11][61] 4. 模型名称：特征成交量模型 - **模型构建思路**：结合成交量特征，分析市场的资金流动性和短期趋势[11][61] - **模型具体构建过程**：通过分析成交量的变化特征，结合市场价格走势，构建量化指标，判断市场的多空信号[11][61] - **模型评价**：模型信号看空，表现出一定的市场下行风险[11][61] 5. 模型名称：智能沪深300模型 - **模型构建思路**：基于沪深300指数的智能算法模型，分析市场趋势[11][61] - **模型具体构建过程**：利用智能算法对沪深300指数的历史数据进行分析，结合成交量、价格等多维度数据，构建量化指标[11][61] - **模型评价**：模型信号中性，未表现出明显的多空倾向[11][61] 6. 模型名称：智能中证500模型 - **模型构建思路**：基于中证500指数的智能算法模型，分析市场趋势[11][61] - **模型具体构建过程**：利用智能算法对中证500指数的历史数据进行分析，结合成交量、价格等多维度数据，构建量化指标[11][61] - **模型评价**：模型信号看空，表现出一定的市场下行风险[11][61] 7. 模型名称：涨跌停模型 - **模型构建思路**：通过分析市场涨跌停板的分布情况，判断市场情绪和中期趋势[12][62] - **模型具体构建过程**：统计市场中涨停和跌停个股的数量及比例，结合历史数据，构建量化指标，判断市场的多空信号[12][62] - **模型评价**：模型信号中性，未表现出明显的多空倾向[12][62] 8. 模型名称：月历效应模型 - **模型构建思路**：基于月历效应的市场规律，分析市场的中期趋势[12][62] - **模型具体构建过程**：通过分析不同月份的市场表现，结合历史数据，构建量化指标，判断市场的多空信号[12][62] - **模型评价**：模型信号中性，未表现出明显的多空倾向[12][62] 9. 模型名称：动量模型 - **模型构建思路**：利用市场动量效应，捕捉长期趋势[13][63] - **模型具体构建过程**：通过分析市场价格的动量变化，结合历史数据，构建量化指标，判断市场的多空信号[13][63] - **模型评价**：部分宽基模型看多，表现出一定的市场上行潜力[13][63] 10. 模型名称：A股综合兵器V3模型 - **模型构建思路**：综合多种量化模型信号，形成对市场的整体判断[14][64] - **模型具体构建过程**：将短期、中期、长期模型的信号进行加权整合，形成综合量化指标，判断市场的多空信号[14][64] - **模型评价**：模型信号看空，表现出一定的市场下行风险[14][64] 11. 模型名称：A股综合国证2000模型 - **模型构建思路**：综合多种量化模型信号，形成对国证2000指数的整体判断[14][64] - **模型具体构建过程**：将短期、中期、长期模型的信号进行加权整合，形成综合量化指标，判断市场的多空信号[14][64] - **模型评价**：模型信号看空，表现出一定的市场下行风险[14][64] 12. 模型名称：成交额倒波幅模型（港股） - **模型构建思路**：通过分析成交额与波幅的关系，判断港股市场的中期趋势[15][65] - **模型具体构建过程**：计算市场成交额与波幅的比值，结合历史数据，构建量化指标，判断市场的多空信号[15][65] - **模型评价**：模型信号看空，表现出一定的市场下行风险[15][65] --- 模型的回测效果 短期模型 - 成交量模型：信号中性[11][61] - 低波动率模型：信号中性[11][61] - 特征龙虎榜机构模型：信号中性[11][61] - 特征成交量模型：信号看空[11][61] - 智能沪深300模型：信号中性[11][61] - 智能中证500模型：信号看空[11][61] 中期模型 - 涨跌停模型：信号中性[12][62] - 月历效应模型：信号中性[12][62] 长期模型 - 动量模型：部分宽基模型看多[13][63] 综合模型 - A股综合兵器V3模型：信号看空[14][64] - A股综合国证2000模型：信号看空[14][64] 港股模型 - 成交额倒波幅模型：信号看空[15][65]

量化模型与构建方式 量化因子与构建方式 1. **因子名称**：反转因子 **因子的构建思路**：通过观察短期内价格的反转趋势，捕捉市场中可能的超额收益机会[28][29] **因子具体构建过程**： - 计算1个月的收益率，作为反转因子的核心指标 - 对因子进行市值、行业中性化处理，确保因子表现不受市值和行业分布的影响[28][29] **因子评价**：反转因子在大市值和小市值股票中均表现较好，尤其在大市值下超额收益更高[28][32] 2. **因子名称**：对数成交量因子 **因子的构建思路**：通过对成交量的对数变换，捕捉市场中交易活跃度的变化趋势[28][29] **因子具体构建过程**： - 计算过去1个月、3个月、6个月和12个月的成交量均值和标准差 - 对成交量数据取对数，标准化后作为因子值 - 对因子进行市值、行业中性化处理[28][29] **因子评价**：对数成交量因子在多个时间窗口下均表现较好，尤其在大市值股票中超额收益显著[28][32] 3. **因子名称**：研发投入因子 **因子的构建思路**：通过衡量企业研发投入占比，捕捉具有长期成长潜力的公司[32][33] **因子具体构建过程**： - 计算研发费用占销售收入、总资产和净资产的比例 - 对因子进行市值、行业中性化处理[32][33] **因子评价**：研发投入因子在大市值股票中表现尤为突出，超额收益显著[32][33] 4. **因子名称**：六个月残差动量因子 **因子的构建思路**：通过剔除市场和行业影响后的个股动量，捕捉个股的独立趋势[32][33] **因子具体构建过程**： - 计算过去6个月的个股收益率 - 剔除市场和行业的收益率影响，得到残差收益率 - 对因子进行市值、行业中性化处理[32][33] **因子评价**：六个月残差动量因子在不同市值和宽基指数中均表现较好，尤其在中证1000和国证2000中表现突出[32][33] 因子的回测效果 1. **反转因子** - 近一周多头超额收益：1.88% - 近一个月多头超额收益：3.09% - 近一年多头超额收益：7.26%[30][31] 2. **对数成交量因子** - 近一周多头超额收益：2.22%（1个月窗口） - 近一个月多头超额收益：10.91%（1个月窗口） - 近一年多头超额收益：18.07%（1个月窗口）[30][31] 3. **研发投入因子** - 沪深300中的多头超额收益：5.66% - 中证500中的多头超额收益：3.21% - 中证1000中的多头超额收益：3.74% - 国证2000中的多头超额收益：3.29%[33] 4. **六个月残差动量因子** - 沪深300中的多头超额收益：3.72% - 中证500中的多头超额收益：3.42% - 中证1000中的多头超额收益：4.28% - 国证2000中的多头超额收益：3.97%[33] 量化组合与构建方式 1. **组合名称**：基于研报覆盖度调整的指数增强组合 **模型构建思路**：通过区分研报覆盖度高低的股票域，分别选用适配因子进行增强，提升组合的超额收益[36] **模型具体构建过程**： - 将沪深300、中证500和中证1000的成分股按研报覆盖度划分为高覆盖度域和低覆盖度域 - 在高覆盖度域中，选用盈利因子和质量因子进行增强 - 在低覆盖度域中，选用动量因子和成长因子进行增强 - 每周调仓，动态调整组合权重[36] 组合的回测效果 1. **沪深300增强组合** - 上周超额收益：-0.36% - 本月超额收益：-0.15% - 本年超额收益：6.51% - 超额年化收益率：11.22% - 超额Sharpe比率：1.98[37] 2. **中证500增强组合** - 上周超额收益：0.04% - 本月超额收益：0.08% - 本年超额收益：8.87% - 超额年化收益率：13.54% - 超额Sharpe比率：2.83[37] 3. **中证1000增强组合** - 上周超额收益：0.91% - 本月超额收益：1.12% - 本年超额收益：2.28% - 超额年化收益率：14.47% - 超额Sharpe比率：2.33[37]

量化模型与构建方式 1. 模型名称：超跌反弹信号 - **模型构建思路**：通过捕捉市场中超跌后的反弹机会，利用历史数据验证信号的有效性[14] - **模型具体构建过程**： 1. 定义超跌反弹信号的触发条件（具体条件未在报告中详细列出） 2. 对信号触发后的持有期收益进行回测，统计不同持有期的收益率、胜率和盈亏比等指标[14] - **模型评价**：该模型在样本内回测中表现出较高的胜率和较好的盈亏比，具有一定的择时能力[14] 2. 模型名称：平台突破信号 - **模型构建思路**：通过识别行业板块股价突破平台的信号，捕捉趋势性上涨机会[15] - **模型具体构建过程**： 1. 定义平台突破信号的触发条件（具体条件未在报告中详细列出） 2. 对信号触发后的持有期收益进行回测，统计不同持有期的收益率、胜率和盈亏比等指标[15] - **模型评价**：该模型在样本内回测中表现出一定的胜率和盈亏比，适合用于趋势性行情的捕捉[15] 3. 模型名称：股价抛压模型 - **模型构建思路**：通过测算各行业的股价抛压水平，筛选出抛压较小的行业以获得超额收益[17] - **模型具体构建过程**： 1. 计算各行业的理论抛压水平 2. 对比各行业的实际抛压与理论抛压，进行排序 3. 滚动选择抛压最小的5个行业进行持有，并进行回测[17][18] - **模型评价**：该模型在回测中表现出较好的超额收益能力，适合用于行业轮动策略[17][18] --- 模型的回测效果 1. 超跌反弹信号 - 后5日平均收益率：4.56%[14] - 持有5日胜率：71%[14] - 盈亏比：1.87[14] - 后10日平均收益率：7.22%[14] - 持有10日胜率：62%[14] - 盈亏比：1.66[14] - 平均持有交易日：5.2天[14] - 平均持有收益：6.30%[14] - 胜率：76%[14] - 盈亏比：2.3[14] 2. 平台突破信号 - 后5日平均收益率：3.30%[15] - 持有5日胜率：62%[15] - 盈亏比：1.45[15] - 后10日平均收益率：5.10%[15] - 持有10日胜率：61%[15] - 盈亏比：1.70[15] - 平均持有交易日：9天[15] - 平均持有收益：6.77%[15] - 胜率：60%[15] - 盈亏比：2.15[15] 3. 股价抛压模型 - 回测期内相对于万得全A指数的超额收益：近15%[18]

量化模型与构建方式 戴维斯双击策略 - **模型名称**：戴维斯双击策略 - **模型构建思路**：以较低的市盈率买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得乘数效应的收益，即EPS和PE的"双击"[1][7] - **模型具体构建过程**： - 寻找业绩增速在加速增长的标的 - 通过PEG指标评判股票定价的合理性 - 买入市盈率较低且具有成长潜力的股票，待成长性显现后卖出[7] - **模型评价**：策略在2010-2017年回测期内实现了26.45%的年化收益，超额基准21.08%，且在回测期内的7个完整年度里，每个年度的超额收益均超过了11%，具有非常好的稳定性[9] 净利润断层策略 - **模型名称**：净利润断层策略 - **模型构建思路**：基本面与技术面共振双击下的选股模式，核心在于净利润惊喜和盈余公告后的股价跳空行为[2][12] - **模型具体构建过程**： - 筛选过去两个月业绩预告和正式财报满足超预期事件的股票样本 - 按照盈余公告日跳空幅度排序前50的股票等权构建组合[12] - **模型评价**：策略在2010年至今取得了年化28.06%的收益，年化超额基准26.16%[15] 沪深300增强组合 - **模型名称**：沪深300增强组合 - **模型构建思路**：基于投资者偏好因子构建增强组合，寻找估值低且盈利能力强的股票，以及价值被低估且拥有可靠成长潜力的公司[3][17] - **模型具体构建过程**： - 以PB与ROE的分位数之差构建PBROE因子 - 以PE与增速的分位数之差构建PEG因子 - 通过营业收入、毛利润、净利润增速寻找高速成长的股票 - 偏好具有长期稳定高ROE的公司[17] - **模型评价**：历史回测超额收益稳定[17] 模型的回测效果 戴维斯双击策略 - **绝对收益**：2010年24.69%，2011年-18.72%，2012年18.55%，2013年75.63%，2014年53.95%，2015年58.68%，2016年7.41%，2017年10.26%，2018年-21.28%，2019年70.00%，2020年79.78%，2021年61.15%，2022年-6.56%，2023年-5.13%，2024年11月15日4.62%[9][10] - **基准收益**：2010年9.75%，2011年-33.37%，2012年0.49%，2013年17.93%，2014年36.01%，2015年33.91%，2016年-7.26%，2017年-0.89%，2018年-32.09%，2019年26.57%，2020年20.87%，2021年15.58%，2022年-20.31%，2023年-7.42%，2024年11月15日9.12%[9][10] - **超额收益**：2010年14.95%，2011年14.65%，2012年18.06%，2013年57.71%，2014年17.94%，2015年24.77%，2016年14.67%，2017年11.15%，2018年10.81%，2019年43.43%，2020年58.91%，2021年45.56%，2022年13.76%，2023年2.29%，2024年11月15日-4.50%[9][10] - **最大相对回撤**：2010年-6.71%，2011年-4.38%，2012年-6.15%，2013年-5.64%，2014年-4.15%，2015年-7.59%，2016年-4.06%，2017年-8.06%，2018年-3.26%，2019年-3.36%，2020年-7.21%，2021年-9.64%，2022年-10.50%，2023年-11.26%，2024年11月15日-15.62%[9][10] - **收益回撤比**：2010年2.23，2011年3.34，2012年2.94，2013年10.23，2014年4.33，2015年3.26，2016年3.61，2017年1.38，2018年3.31，2019年12.93，2020年8.18，2021年4.73，2022年1.31，2023年0.20，2024年11月15日0.27[9][10] 净利润断层策略 - **绝对收益**：2010年45.56%，2011年-18.63%，2012年40.11%，2013年54.84%，2014年45.05%，2015年106.94%，2016年5.06%，2017年41.99%，2018年-17.29%，2019年72.73%，2020年67.43%，2021年38.63%，2022年-10.36%，2023年1.95%，2024年11月15日2.73%[14][15] - **基准收益**：2010年9.45%，2011年-33.83%，2012年0.28%，2013年16.89%，2014年39.01%，2015年43.12%，2016年-17.78%，2017年-0.20%，2018年-33.32%，2019年26.38%，2020年20.87%，2021年15.58%，2022年-20.31%，2023年-7.42%，2024年11月15日9.12%[14][15] - **超额收益**：2010年36.11%，2011年15.20%，2012年39.83%，2013年37.95%，2014年6.04%，2015年63.82%，2016年22.84%，2017年42.19%，2018年16.03%，2019年46.35%，2020年46.56%，2021年23.05%，2022年9.95%，2023年9.37%，2024年11月15日-6.39%[14][15] - **最大相对回撤**：2010年-4.26%，2011年-5.48%，2012年-5.13%，2013年-5.92%，2014年-7.82%，2015年-8.03%，2016年-5.39%，2017年-3.35%，2018年-8.27%，2019年-5.78%，2020年-7.20%，2021年-12.15%，2022年-9.63%，2023年-8.39%，2024年11月15日-19.09%[14][15] - **收益回撤比**：2010年8.47，2011年2.77，2012年7.77，2013年6.42，2014年0.77，2015年7.95，2016年4.23，2017年12.60，2018年1.94，2019年8.02，2020年6.46，2021年1.90，2022年1.03，2023年1.12，2024年11月15日0.34[14][15] 沪深300增强组合 - **绝对收益**：2010年-3.89%，2011年-18.78%，2012年22.02%，2013年3.59%，2014年61.35%，2015年20.06%，2016年-3.34%，2017年34.51%，2018年-19.19%，2019年42.54%，2020年38.83%，2021年1.76%，2022年-19.87%，2023年-4.87%，2024年11月15日20.22%[17] - **基准收益**：2010年-12.51%，2011年-25.01%，2012年7.55%，2013年-7.65%，2014年51.66%，2015年5.58%，2016年-11.28%，201