- 本次内容未涉及量化模型或量化因子的相关内容[1][2][3][4][5][6][7][8][9][10][11][12][13][14]

量化模型与构建方式 低估动量偏债增强策略 1. **模型名称**：低估动量偏债增强策略 2. **模型构建思路**：在低估值策略中加入正股动量因子，以降低策略的尾部风险并增加策略弹性[3][17] 3. **模型具体构建过程**： - 使用考虑退市风险下的ccb_out定价偏离度构建低估值因子 - 使用正股过去1、3、6个月涨跌幅作为正股动量因子 - 在偏债转债中选择得到最高的30只转债进行配置 - 公式：定价偏离度 = 转债价格 / CCBA模型定价 - 1[3][17][19] 4. **模型评价**：该策略相对于偏债转债基准增强效果稳定，能够实现较高的超额收益和绝对收益[3][17] 低估值策略 1. **模型名称**：低估值策略 2. **模型构建思路**：基于CCB定价模型和退市风险，构建定价偏离度因子，并在不同分域市场中进行择时配置[36] 3. **模型具体构建过程**： - 使用CCB_out模型计算定价偏离度 - 在偏债、平衡、偏股中分别选取偏离度最低的15只转债（共45只）形成低估值转债池 - 公式：定价偏离度 = 转债价格 / CCB_out模型定价 - 1[36][37][38] 4. **模型评价**：策略稳定性强，能够实现较高的绝对收益和超额收益[36][37] 低估值+强动量策略 1. **模型名称**：低估值+强动量策略 2. **模型构建思路**：在低估值策略基础上，结合正股动量因子，形成弹性更强的策略[39] 3. **模型具体构建过程**： - 使用定价偏离度因子和正股动量因子 - 正股动量因子使用正股过去1、3、6个月动量等权打分构建 - 公式：定价偏离度 = 转债价格 / CCB_out模型定价 - 1[39][41][42] 4. **模型评价**：策略弹性强，能够实现较高的绝对收益和超额收益[39][41] 低估值+高换手策略 1. **模型名称**：低估值+高换手策略 2. **模型构建思路**：在低估值转债池中，使用转债高换手因子选择成交热度较高的转债进行配置[44] 3. **模型具体构建过程**： - 选择市场上较低估的50%转债 - 在低估转债池中使用转债高换手因子选择成交热度较高的转债 - 公式：定价偏离度 = 转债价格 / CCB_out模型定价 - 1[44][45][47] 4. **模型评价**：策略稳定性强，能够实现较高的绝对收益和超额收益[44][45] 平衡增强策略 1. **模型名称**：平衡增强策略 2. **模型构建思路**：基于CCBA定价模型，构建定价偏离度因子，在平衡转债中选取偏离度最低的转债进行配置[48] 3. **模型具体构建过程**： - 使用CCBA定价模型计算定价偏离度 - 在平衡转债中选取偏离度最低的不超过30只转债进行配置 - 公式：定价偏离度 = 转债价格 / CCBA模型定价 - 1[48][49][50] 4. **模型评价**：策略稳定性强，能够实现较高的绝对收益和超额收益[48][49] 平衡偏债增强策略 1. **模型名称**：平衡偏债增强策略 2. **模型构建思路**：在低估转债池中，使用转债换手率因子和正股动量因子进行配置[54] 3. **模型具体构建过程**： - 选择市场上较低估的50%转债，去掉偏股转债形成低估池 - 在偏债池中使用转债换手率因子和正股动量因子 - 在平衡转债中使用转债换手率因子 - 公式：定价偏离度 = 转债价格 / CCB_out模型定价 - 1[54][55][56] 4. **模型评价**：策略稳定性强，能够实现较高的绝对收益和超额收益[54][55] 信用债替代策略 1. **模型名称**：信用债替代策略 2. **模型构建思路**：通过转债YTM+1%>3年期AA级信用债YTM筛选转债池，并结合正股动量因子进行配置[57] 3. **模型具体构建过程**： - 筛选转债池，需符合余额3亿以上且评级AA-及以上 - 在转债池中选出正股1个月动量最强的20只进行配置 - 公式：定价偏离度 = 转债价格 / CCB_out模型定价 - 1[57][59][60] 4. **模型评价**：策略稳定性强，能够实现较高的绝对收益和超额收益[57][59] 波动率控制策略 1. **模型名称**：波动率控制策略 2. **模型构建思路**：通过波动率控制的方式将组合波动控制在4%，形成波动率控制策略[61] 3. **模型具体构建过程**： - 在偏债、平衡、偏股中分别选取低估值+强动量的打分最高的15只转债（共45只） - 通过波动率控制的方式将组合波动控制在4% - 公式：定价偏离度 = 转债价格 / CCB_out模型定价 - 1[61][62][63] 4. **模型评价**：策略稳定性强，能够实现较高的绝对收益和超额收益[61][62] 模型的回测效果 1. **低估动量偏债增强策略**： - 区间收益：16.2% - 年化波动：13.8% - 最大回撤：12.9% - 区间超额：10.2% - 信息比率：2.06[23] 2. **低估值策略**： - 区间收益：13.2% - 年化波动：18.2% - 最大回撤：15.6% - 区间超额：10.9% - 信息比率：1.33[39] 3. **低估值+强动量策略**： - 区间收益：16.9% - 年化波动：15.6% - 最大回撤：11.5% - 区间超额：14.6% - 信息比率：2.50[44] 4. **低估值+高换手策略**： - 区间收益：9.8% - 年化波动：18.4% - 最大回撤：15.9% - 区间超额：7.6% - 信息比率：1.10[48] 5. **平衡增强策略**： - 区间收益：3.3% - 年化波动：20.4% - 最大回撤：15.4% - 区间超额：4.1% - 信息比率：0.81[53] 6. **平衡偏债增强策略**： - 区间收益：10.8% - 年化波动：17.3% - 最大回撤：13.4% - 区间超额：4.1% - 信息比率：0.81[57] 7. **信用债替代策略**： - 区间收益：3.2% - 年化波动：2.3% - 最大回撤：1.9% - 区间超额：1.9% - 信息比率：2.8[61] 8. **波动率控制策略**： - 区间收益：5.0% - 年化波动：5.8% - 最大回撤：4.2% - 区间超额：4.2% - 信息比率：4.2[64]

- 本报告未涉及具体量化模型或因子的构建、测试及评价内容[5][7][8] - 报告主要聚焦于基金市场动态、基金发行与业绩表现等内容，未包含量化模型或因子相关的技术分析[5][7][8] - 量化产品的收益表现提及主动量化产品平均收益为5.11%，量化对冲产品为-0.16%，但未涉及具体模型或因子的构建与测试[17][18][19]

根据提供的内容，未发现与量化模型或量化因子相关的具体内容，因此无法进行相关总结

- 本周市场复盘：本周，三大重要事项靴子落地，特朗普赢得美国总统大选，同时共和党夺回参议院控制权，美联储宣布降息25个基点，全国人大常委会审议通过近年来力度最大的化债措施[2][4] - 公募基金仓位测算：截至2024/11/8，主动权益型基金的平均仓位约为85.67%，其中普通股票型基金的平均仓位约为87.89%，偏股混合型基金的平均仓位约为86.47%，配置型基金的平均仓位约为83.41%[14] - 主动权益产品风格动向：截至2024/11/8，主动偏股型基金大盘成长仓位16.41%，大盘价值仓位11.53%，中盘成长仓位13.3%，中盘价值仓位15.42%，小盘成长仓位38.73%，小盘价值仓位4.6%[23] - ETF市场跟踪：本周各类型ETF基金资金合计净流入47.61亿元，其中境内股票ETF净流入17.30亿元，跨境ETF净流入50.81亿元，债券ETF净流出27.60亿元，商品ETF净流入7.09亿元[35] - 主力/主动资金流向：本周主买净额约-1713亿元，主力、主动资金流入国防军工，流出非银行金融[50]

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，判断市场短期走势[12][67] - **模型具体构建过程**：通过分析宽基指数的成交量变化，结合历史数据，构建看多或看空信号[12][67] - **模型评价**：该模型在短期内对市场情绪的捕捉较为敏感，适合短期择时[9][12] 2. 模型名称：低波动率模型 - **模型构建思路**：通过分析市场波动率的变化，判断市场的稳定性和风险偏好[12][67] - **模型具体构建过程**：利用宽基指数的波动率数据，结合历史波动率分布，生成中性信号[12][67] - **模型评价**：该模型适合在市场波动较大时提供稳定的参考信号[9][12] 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资金流向，判断市场短期趋势[12][67] - **模型具体构建过程**：通过提取龙虎榜中机构席位的买卖数据，结合市场资金流向，生成中性信号[12][67] 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，捕捉市场短期趋势[12][68] - **模型具体构建过程**：通过分析成交量的变化特征，结合历史成交量分布，生成看多信号[12][68] 5. 模型名称：智能沪深300模型 - **模型构建思路**：基于智能算法，结合沪深300指数的历史数据，判断市场短期趋势[12][68] - **模型具体构建过程**：通过智能算法对沪深300指数的历史数据进行回归分析，生成看多信号[12][68] 6. 模型名称：智能中证500模型 - **模型构建思路**：基于智能算法，结合中证500指数的历史数据，判断市场短期趋势[12][68] - **模型具体构建过程**：通过智能算法对中证500指数的历史数据进行回归分析，生成看空信号[12][68] 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，判断市场中期趋势[13][69] - **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，结合历史数据生成中性信号[13][69] 8. 模型名称：月历效应模型 - **模型构建思路**：基于月历效应的统计规律，判断市场中期趋势[13][69] - **模型具体构建过程**：通过分析不同月份的市场表现，结合历史数据生成中性信号[13][69] 9. 模型名称：动量模型 - **模型构建思路**：基于动量因子的变化，判断市场长期趋势[14][70] - **模型具体构建过程**：通过计算市场主要指数的动量因子，结合历史数据生成中性信号[14][70] 10. 模型名称：A股综合兵器V3模型 - **模型构建思路**：综合多个短期、中期、长期模型信号，生成综合择时信号[15][71] - **模型具体构建过程**：将多个模型的信号进行加权平均，结合市场数据生成看多信号[15][71] 11. 模型名称：A股综合国证2000模型 - **模型构建思路**：综合多个短期、中期、长期模型信号，生成综合择时信号[15][71] - **模型具体构建过程**：将多个模型的信号进行加权平均，结合市场数据生成看多信号[15][71] 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，判断港股中期趋势[16][72] - **模型具体构建过程**：计算港股市场的成交额与波幅比值，结合历史数据生成看空信号[16][72] --- 模型的回测效果 短期模型 - **成交量模型**：大多数宽基指数看多[12][67] - **低波动率模型**：中性[12][67] - **特征龙虎榜机构模型**：中性[12][67] - **特征成交量模型**：看多[12][68] - **智能沪深300模型**：看多[12][68] - **智能中证500模型**：看空[12][68] 中期模型 - **涨跌停模型**：中性[13][69] - **月历效应模型**：中性[13][69] 长期模型 - **动量模型**：所有指数中性[14][70] 综合模型 - **A股综合兵器V3模型**：看多[15][71] - **A股综合国证2000模型**：看多[15][71] 港股模型 - **成交额倒波幅模型**：看空[16][72]

量化模型与构建方式 1. 模型名称：首次阈值法（左侧交易） - **模型构建思路**：通过扩散指数的阈值设定，判断市场情绪并进行仓位调整[67] - **模型具体构建过程**： 1. 定义扩散指数为万得微盘股指数成分股过去20个交易日处于上涨状态的比例[66] 2. 当扩散指数高于0.9时，触发空仓信号；当低于0.1时，触发满仓信号；其余时间根据上一期信号填充[67] 3. 必须在满仓后才能空仓，空仓后才能满仓[67] - **模型评价**： - 样本内表现未能跑赢微盘股指数，但回撤相对可控 - 样本外表现较差，未能识别2024年大熊市，且在2024年9月大牛市中过早退出，错失后续收益[67] 2. 模型名称：延迟阈值法（右侧交易） - **模型构建思路**：通过延迟触发阈值信号，优化首次阈值法的不足[69] - **模型具体构建过程**： 1. 当扩散指数上一日高于0.9且今日跌破0.9时，触发空仓信号；当上一日低于0.1且今日突破0.1时，触发满仓信号[69] 2. 其余时间根据上一期信号填充[69] - **模型评价**： - 样本内表现未能跑赢微盘股指数，但回撤相对可控 - 样本外表现较好，避免了过早退出2024年9月大牛市，保留了上涨收益，策略净值近期创下新高[69] 3. 模型名称：双均线法（自适应交易） - **模型构建思路**：通过短期和长期均线的交叉信号，解决阈值法对固定阈值的依赖，并从反转策略转为趋势动量策略[72] - **模型具体构建过程**： 1. 定义短期均线为扩散指数的10日移动平均（MA），长期均线为20日移动平均[72] 2. 当短期均线站上长期均线时，触发满仓信号；反之触发空仓信号[72] - **模型评价**： - 样本内表现未能跑赢微盘股指数，但回撤控制较好 - 样本外表现令人满意，在2024年大熊市中有效规避了大幅下跌，同时在2024年9月大牛市中保留了上涨收益[72] --- 模型的回测效果 1. 首次阈值法 - 样本内表现：未跑赢微盘股指数，回撤可控[67] - 样本外表现：未识别2024年大熊市，错失2024年9月大牛市后续收益[67] 2. 延迟阈值法 - 样本内表现：未跑赢微盘股指数，回撤可控[69] - 样本外表现：避免过早退出2024年9月大牛市，策略净值近期创下新高[69] 3. 双均线法 - 样本内表现：未跑赢微盘股指数，回撤控制较好[72] - 样本外表现：规避2024年大熊市大幅下跌，保留2024年9月大牛市收益[72]

量化模型与构建方式 1. 模型名称：戴维斯双击策略 - **模型构建思路**：以较低的市盈率（PE）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，从而获得EPS和PE的“双击”收益[1][7] - **模型具体构建过程**： 1. 选取盈利持续增长的股票 2. 使用PEG指标评估股票定价的合理性，PEG公式为： $ PEG = \frac{PE}{盈利增速} $ 其中，PE为市盈率，盈利增速为公司盈利的增长率 3. 寻找业绩增速加速增长的标的，理论上这些标的的PE向下空间能得到有效控制[7] - **模型评价**：该策略在回测期内表现出较高的稳定性，7个完整年度的超额收益均超过11%，具有良好的收益稳定性[9] 2. 模型名称：净利润断层策略 - **模型构建思路**：结合基本面和技术面，通过“净利润惊喜”和“断层跳空”选股，捕捉业绩超预期的股票[2][12] - **模型具体构建过程**： 1. 筛选过去两个月内业绩预告和正式财报中满足超预期事件的股票 2. 按照盈余公告日的跳空幅度排序，选取跳空幅度排名前50的股票 3. 构建等权组合[12] - **模型评价**：策略通过基本面与技术面的共振，能够有效捕捉市场对盈余报告的认可程度，具有较强的选股能力[14] 3. 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（GARP型、成长型、价值型）构建组合，寻找估值低、盈利能力强或成长潜力稳定的股票[3][16] - **模型具体构建过程**： 1. **GARP型因子**：以PB与ROE的分位数之差构建PBROE因子，公式为： $ PBROE = PB分位数 - ROE分位数 $ 其中，PB为市净率，ROE为净资产收益率 2. **成长型因子**：通过营业收入、毛利润、净利润增速筛选高速成长的股票 3. **价值型因子**：以PE与增速的分位数之差构建PEG因子，公式为： $ PEG = PE分位数 - 增速分位数 $ 其中，PE为市盈率，增速为盈利增长率 4. 综合上述因子，构建增强沪深300组合[16] - **模型评价**：该策略历史回测超额收益稳定，能够较好地捕捉不同投资者偏好的股票[18] --- 模型的回测效果 1. 戴维斯双击策略 - 年化收益：26.45%[9] - 年化超额收益：21.08%[9] - 全样本超额收益：21.26%[9] - 最大相对回撤：-16.69%[9] - 收益回撤比：1.27[9] 2. 净利润断层策略 - 年化收益：27.46%[14] - 年化超额收益：25.67%[14] - 全样本超额收益：25.67%[14] - 最大相对回撤：-19.09%[14] - 收益回撤比：1.34[14] 3. 沪深300增强组合 - 年化收益：9.12%[18] - 年化超额收益：8.54%[18] - 全样本超额收益：8.54%[18] - 最大相对回撤：-9.18%[18] - 收益回撤比：0.93[18]

量化模型与构建方式 量化模型 1. **模型名称**：三维择时框架 - **模型构建思路**：通过分歧度、流动性和景气度三个维度来判断市场的择时信号[1][8] - **模型具体构建过程**： - **分歧度**：衡量市场参与者之间的意见分歧程度 - **流动性**：衡量市场的资金流动情况 - **景气度**：衡量市场的整体经济状况 - 通过这三个指标的综合分析，判断市场的短期调整概率和长期趋势[1][8] - **模型评价**：该模型能够较好地捕捉市场的短期调整信号，同时对长期趋势保持乐观[1][8] 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**：在研报覆盖度高和低的域内分别选用合适因子进行增强，效果好于统一的原始因子选股[44] - **模型具体构建过程**： - **沪深300增强组合**：基于研报覆盖度调整，选用适用性因子进行增强 - **中证500增强组合**：同样基于研报覆盖度调整，选用适用性因子进行增强 - **中证1000增强组合**：基于研报覆盖度调整，选用适用性因子进行增强[44] - **模型评价**：该模型在不同宽基指数内表现出较好的增强效果，能够实现较高的超额收益[44] 量化因子 1. **因子名称**：动量因子 - **因子的构建思路**：通过股票的历史价格变化趋势来预测未来的价格走势[37] - **因子具体构建过程**： - **动量因子**：如2年的收益率、六个月残差动量、1年的收益率等 - 公式：$ \text{动量因子} = \frac{\text{当前价格} - \text{过去价格}}{\text{过去价格}} $ - 公式中，当前价格代表当前的股票价格，过去价格代表一段时间前的股票价格[38][39] - **因子评价**：动量因子在不同时间维度、宽基指数和行业板块中表现较好，具有较高的胜率[37][38][42] 2. **因子名称**：成交量因子 - **因子的构建思路**：通过股票的成交量变化来预测未来的价格走势[38] - **因子具体构建过程**： - **成交量因子**：如每天一个亿成交量能推动的股价涨幅、每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅等 - 公式：$ \text{成交量因子} = \frac{\text{当前成交量} - \text{过去成交量}}{\text{过去成交量}} $ - 公式中，当前成交量代表当前的股票成交量，过去成交量代表一段时间前的股票成交量[38][39] - **因子评价**：成交量因子在不同时间维度和宽基指数中表现较好，具有较高的超额收益[38][39] 模型的回测效果 1. **三维择时框架**： - **沪深300增强组合**：上周绝对收益0.27%，超额收益-0.53%，10月超额-0.96%，本年超额收益6.87%[44][45] - **中证500增强组合**：上周绝对收益3.39%，超额收益0.38%，10月超额-0.21%，本年超额收益8.66%[44][45] - **中证1000增强组合**：上周绝对收益5.14%，超额收益1.22%，10月超额-0.98%，本年超额收益4.77%[44][45] 因子的回测效果 1. **动量因子**： - **近一周多头超额**：如每天一个亿成交量能推动的股价涨幅6.70%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅5.94%，2年的收益率5.38%等[39] - **近一个月多头超额**：如每天一个亿成交量能推动的股价涨幅16.75%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅17.76%，2年的收益率11.75%等[39] - **近一年多头超额**：如每天一个亿成交量能推动的股价涨幅21.60%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅16.84%，2年的收益率15.42%等[39] 2. **成交量因子**： - **近一周多头超额**：如每天一个亿成交量能推动的股价涨幅6.70%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅5.94%，2年的收益率5.38%等[39] - **近一个月多头超额**：如每天一个亿成交量能推动的股价涨幅16.75%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅17.76%，2年的收益率11.75%等[39] - **近一年多头超额**：如每天一个亿成交量能推动的股价涨幅21.60%，每笔成交前十的交易日累计涨跌幅减去成交后十的交易日累计涨跌幅16.84%，2年的收益率15.42%等[39]

- 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][2][3]