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**：基于上市公司分红信息（年报、快报、预警等）和盈利预测数据，预测指数成分股的分红对股指期货合约的影响[9][11][12] - **模型具体构建过程**： 1. **预估净利润**：优先采用年报数据，其次为快报、预警、三季报TTM或分析师预测均值[25][26] 2. **计算税前分红总额**： - 已公布分红预案的直接采用 - 未公布的假设分红率与去年一致（若去年分红率为0则预测为0）[30] - 净利润为负的公司分红率设为0[30] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[27] 4. **预测分红对各合约的影响值**： - 除权除息日预测：已公布的直接采用，未公布的参考历史除息日中位数[31][32] - 合约影响值 = 交割日前所有分红点数的累加[32] - **模型评价**：依赖历史分红率和盈利预测假设，市场环境突变时可能产生偏差[6][35] 2. **模型名称：股指期货定价模型** - **模型构建思路**：基于无套利原理，考虑分红现值和利率因素，计算期货理论价格[35][36] - **模型具体构建过程**： 1. **离散红利分配**： $$F_t = (S_t - D)(1 + r)$$ 其中 \(D = \sum_{i=1}^{m} D_i / (1 + \phi)\)，\(D_i\) 为单次红利，\(\phi\) 为无风险利率[35] 2. **连续红利分配**： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中 \(d\) 为年化红利率，\(r\) 为无风险利率[36] --- 量化因子与构建方式 （报告中未提及独立因子，仅涉及模型内部分红相关计算指标） --- 模型的回测效果 1. **分红预测模型** - **上证50股指期货**： - 6月合约分红点数16.98，年化对冲成本（剔除分红） -3.56%[13] - 剩余分红影响比例0.63%[17] - **沪深300股指期货**： - 6月合约分红点数19.41，年化对冲成本 -0.71%[14] - 剩余影响比例0.51%[17] - **中证500股指期货**： - 6月合约分红点数27.05，年化对冲成本4.97%[15] - 剩余影响比例0.48%[17] - **中证1000股指期货**： - 6月合约分红点数23.76，年化对冲成本10.61%[16] - 剩余影响比例0.39%[17] 2. **股指期货定价模型** - 未提供具体回测数据，仅作为理论框架[35][36] --- 因子的回测效果 （无相关内容）

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：优秀基金业绩增强组合** - 模型构建思路：从对标宽基指数转变为对标主动股基，借鉴优秀基金持仓并采用量化方法增强[3][50] - 模型具体构建过程： 1. 对基金进行优选，对收益类因子分层中性化处理以解决风格集中化问题 2. 基于业绩分层优选基金组合，根据其补全持仓构建优选基金持仓组合 3. 以优选基金持仓为选股空间，采用组合优化控制个股、行业及风格偏离[50][51] - 模型评价：历史表现优异，能稳定战胜主动股基中位数[52] 2. **模型名称：超预期精选组合** - 模型构建思路：筛选超预期事件股票池，结合基本面和技术面双重优选[4][57] - 模型具体构建过程： 1. 以研报标题超预期与分析师全线上调净利润为条件筛选股票池 2. 对股票池进行基本面（如财务指标）和技术面（如价格趋势）打分 3. 精选综合得分高的股票构建等权组合[57] 3. **模型名称：券商金股业绩增强组合** - 模型构建思路：以券商金股股票池为基础，通过组合优化控制偏离[5][62] - 模型具体构建过程： 1. 以券商金股股票池为选股空间和约束基准 2. 采用组合优化控制组合与股票池在个股、风格上的偏离 3. 以公募基金行业分布为行业配置基准[62] 4. **模型名称：成长稳健组合** - 模型构建思路：采用“先时序、后截面”的二维评价体系，捕捉成长股超额收益黄金期[6][67] - 模型具体构建过程： 1. 以研报标题超预期及业绩大增筛选成长股股票池 2. 按距离财报披露日的间隔天数分档，优先选择临近披露日的股票 3. 引入多因子打分（如估值、动量）和风险控制机制（如缓冲机制）[67] 模型的回测效果 1. **优秀基金业绩增强组合** - 全样本年化收益：20.50%（考虑仓位） - 相对偏股混合型基金指数年化超额：12.36% - 2025年超额收益：-2.63%（本年）[15][52][56] 2. **超预期精选组合** - 全样本年化收益：28.53%（考虑仓位） - 相对偏股混合型基金指数年化超额：23.02% - 2025年超额收益：6.00%（本年）[15][58][60] 3. **券商金股业绩增强组合** - 全样本年化收益：19.01%（考虑仓位） - 相对偏股混合型基金指数年化超额：14.87% - 2025年超额收益：1.61%（本年）[15][63][65] 4. **成长稳健组合** - 全样本年化收益：34.74%（考虑仓位） - 相对偏股混合型基金指数年化超额：26.43% - 2025年超额收益：12.09%（本年）[15][68][71] 量化因子与构建方式 （注：报告中未明确分离独立因子，模型构建中隐含多因子逻辑，如估值、动量、超预期事件等，但未单独描述因子构建细节） 因子的回测效果 （注：报告中未提供独立因子的测试结果） --- 以上总结严格基于研报内容，未包含风险提示、免责声明等非核心信息[1][12][72][73][74][75][76][77][78][79]

根据提供的金融工程日报内容，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：封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪和资金热度[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，计算当日最高价涨停且收盘仍涨停的股票占比[17] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场投机强度[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需满足上市满3个月条件，计算连续涨停股票的比例[17] - 因子评价：对极端市场情绪敏感，需结合其他指标使用 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易折价水平反映机构资金动向[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单日所有大宗交易成交价与市价的偏离程度[26] - 因子评价：反映大资金交易成本，但需注意样本偏差 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期现价差捕捉市场预期变化[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 计算主力合约与现货指数的年化价差率[28] - 因子评价：跨市场套利重要指标，对对冲策略有指导意义 因子回测效果 1. **封板率因子** - 当日取值：62%（较前日下降19%）[17] - 近一月分位点：创阶段新低[17] 2. **连板率因子** - 当日取值：18%（较前日下降18%）[17] - 近一月分位点：最低水平[17] 3. **大宗交易折价率因子** - 当日取值：8.65%[26] - 半年均值：5.52%[26] 4. **股指期货贴水率因子** - 上证50：7.66%（20%分位）[28] - 沪深300：8.29%（31%分位）[28] - 中证500：13.63%（24%分位）[28] - 中证1000：17.94%（25%分位）[28] - 历史中位数：1.44%/3.16%/8.86%/12.10%[28] 注：报告中未涉及具体量化模型的构建与测试，主要聚焦市场监测类因子的计算与分析[17][26][28]

根据研报内容，总结如下： 量化模型与构建方式 1. **行业拥挤度监测模型** - 模型构建思路：通过监测申万一级行业指数的拥挤度，识别行业投资机会与风险[4] - 模型具体构建过程：未明确给出计算公式，但通过每日跟踪行业拥挤度水平（百分比形式），动态展示行业热度分布。图表3显示拥挤度数值范围（如纺织服饰98%、房地产1%等），并标注单日变动较大的行业（如农林牧渔、石油石化、计算机）[4][9] - 模型评价：能够有效捕捉行业短期过热或低估状态，辅助资金流向分析 2. **溢价率Z-score模型** - 模型构建思路：滚动测算ETF溢价率偏离程度，筛选潜在套利标的[5] - 模型具体构建过程：未给出具体公式，但通过标准化处理溢价率历史数据生成信号（如建议关注恒生创新药ETF等产品）[5][11] 量化因子与构建方式 （报告中未明确提及独立因子构建） 模型的回测效果 1. **行业拥挤度监测模型** - 测试结果： - 高拥挤行业：纺织服饰（98%）、轻工制造（91%）、环保（85%）[4][9] - 低拥挤行业：房地产（1%）、电子（4%）、煤炭（21%）[4][9] - 主力资金流向验证：计算机（近3日净流入20.79亿元）与模型低拥挤信号部分吻合[10] 2. **溢价率Z-score模型** - 测试结果： - 输出标的：恒生创新药ETF（规模5.14亿元）、创新药ETF华泰柏瑞（规模2.80亿元）等[11] 因子的回测效果 （报告中未提供因子单独测试数据） 注：主力资金流向数据与行业拥挤度存在联动性（如计算机行业资金流入56.1亿元对应拥挤度59%）[10][9]，但未明确构成因果关系

量化因子与构建方式 1. **因子名称：理想反转因子** - **构建思路**：通过每日平均单笔成交金额的大小切割出反转属性最强的交易日，认为A股反转之力的微观来源是大单成交[4] - **具体构建过程**： 1. 回溯股票过去20日数据 2. 计算每日平均单笔成交金额（成交金额/成交笔数） 3. 单笔成交金额高的10个交易日涨跌幅加总为M_high 4. 单笔成交金额低的10个交易日涨跌幅加总为M_low 5. 因子值M = M_high - M_low[42] - **因子评价**：逻辑清晰，聚焦大单交易的反转效应 2. **因子名称：聪明钱因子** - **构建思路**：从分钟行情价量信息识别机构交易参与度，构造跟踪聪明钱的指标[4] - **具体构建过程**： 1. 取股票过去10日分钟数据 2. 计算每分钟指标 $$S_t = |R_t| / V_t^{0.25}$$（$$R_t$$为分钟涨跌幅，$$V_t$$为分钟成交量） 3. 按$$S_t$$排序，取成交量累积前20%的分钟作为聪明钱交易 4. 计算聪明钱VWAP（成交量加权均价）与整体VWAP的比值Q = VWAPsmart/VWAPall[41][43] - **因子评价**：有效捕捉机构交易行为特征 3. **因子名称：APM因子** - **构建思路**：衡量股价在日内不同时段（上午/下午）的行为差异[4] - **具体构建过程**： 1. 取股票过去20日隔夜与下午收益率数据 2. 回归计算残差：$$r = \alpha + \beta R + \epsilon$$ 3. 计算隔夜与下午残差差异统计量： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$ 4. 对动量因子回归取残差作为APM因子[44][45] - **因子评价**：揭示日内交易模式的结构性差异 4. **因子名称：理想振幅因子** - **构建思路**：基于股价维度切割振幅，分析高价态与低价态的信息差异[4] - **具体构建过程**： 1. 计算股票过去20日振幅（最高价/最低价-1） 2. 高价振幅V_high = 收盘价最高25%交易日的振幅均值 3. 低价振幅V_low = 收盘价最低25%交易日的振幅均值 4. 因子值V = V_high - V_low[47] - **因子评价**：有效区分不同价格区间的振幅信息 5. **因子名称：交易行为合成因子** - **构建思路**：加权整合四个交易行为因子，提升稳定性[31] - **具体构建过程**： 1. 对单因子进行行业去极值与标准化 2. 滚动12期ICIR加权计算合成因子值[31] 因子回测效果 1. **理想反转因子** - 全历史IC均值：-0.050 - 全历史rankIC均值：-0.061 - 全历史IR：2.52 - 全历史多空胜率：78.0% - 2025年5月收益：-0.63% - 近12月胜率：66.7%[5][14] 2. **聪明钱因子** - 全历史IC均值：-0.037 - 全历史rankIC均值：-0.061 - 全历史IR：2.73 - 全历史多空胜率：81.9% - 2025年5月收益：-0.86% - 近12月胜率：91.7%[5][18] 3. **APM因子** - 全历史IC均值：0.029 - 全历史rankIC均值：0.034 - 全历史IR：2.28 - 全历史多空胜率：77.1% - 2025年5月收益：-1.03% - 近12月胜率：66.7%[5][22] 4. **理想振幅因子** - 全历史IC均值：-0.054 - 全历史rankIC均值：-0.073 - 全历史IR：2.99 - 全历史多空胜率：83.4% - 2025年5月收益：-1.50% - 近12月胜率：75.0%[5][26] 5. **交易行为合成因子** - 全历史IC均值：0.067 - 全历史rankIC均值：0.092 - 全历史IR：3.28 - 全历史多空胜率：82.3% - 2025年5月收益：-1.58% - 近12月胜率：83.3%[5][31] - 中小盘表现：国证2000 IR=2.95，中证1000 IR=2.92[31]

量化因子与构建方式 1. **因子名称**：250日新高距离 - **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，衡量股票接近历史高点的程度，用于捕捉动量效应[10] - **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$Closet$创250日新高，则值为0；否则为正值，表示回落幅度[10] - **因子评价**：直观反映股价趋势强度，但需结合其他指标避免追高风险 2. **因子名称**：平稳创新高筛选因子（复合因子） - **构建思路**：综合分析师关注度、股价路径平稳性等维度，筛选具有持续动量的股票[22][26] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份[26] - **股价相对强弱**：过去250日涨跌幅全市场前20%[26] - **价格路径平滑性**：计算位移路程比（未给出具体公式）[22] - **创新高持续性**：过去120日250日新高距离的时间序列均值[26] - **趋势延续性**：过去5日250日新高距离的时间序列均值，排序取前50[26] - **因子评价**：多维度验证动量质量，降低噪声干扰 --- 因子的回测效果 1. **250日新高距离因子**： - 银行、电力及公用事业等行业指数距离新高较近（0.89%、1.39%），煤炭、石油石化较远[12] - 中证2000指数创新高个股占比最高（13.95%）[19] 2. **平稳创新高筛选因子**： - 全市场筛选出38只股票，消费板块占比最高（12只），食品饮料行业突出[27] - 典型案例：三生国健（生物医药，250日涨幅151%）、万辰集团（农林牧渔，498%）[30] --- 模型与构建方式 1. **模型名称**：创新高个股监测模型 - **构建思路**：通过统计创新高个股的行业/板块分布，识别市场热点方向[18][19] - **具体构建过程**： - 筛选上市满15个月的股票，过去20日创250日新高的个股[18] - 按中信一级行业、板块、指数分类统计数量及占比[19][21] - **模型评价**：有效捕捉领头羊效应，但需结合基本面分析 --- 模型的回测效果 1. **创新高个股监测模型**： - 基础化工、机械、医药行业创新高数量最多（99/95/65只）[18] - 银行、汽车行业创新高占比最高（64.29%、24.48%）[18] - 制造板块创新高股票数量占比16.43%，周期板块16.47%[19]

量化模型与构建方式 1. **模型名称**：家用电器相对指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动方向判断趋势，并排除随机波动的影响[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（标准差） 3. 趋势判断规则： - 若$|del| > N \times Vol$（取N=1），则认为价格脱离振荡区间，趋势方向与del符号一致（正为多头，负为空头） - 若$|del| \leq N \times Vol$，则延续T-1日的趋势方向[3] - **模型评价**：在窄幅盘整或剧烈反转行情中表现不佳，年化收益低于基准指数，长时间处于回撤状态[4] 模型的回测效果 1. **家用电器相对指数趋势跟踪模型**： - 年化收益：-4.09% - 波动率（年化）：14.89% - 夏普率：-0.27 - 最大回撤：18.49% - 指数期间总回报率：28.86%[3] 量化因子与构建方式 （报告中未提及独立因子构建） 因子的回测效果 （报告中未提及独立因子测试结果） 其他关键信息 - **标的**：申万一级家用电器指数相对沪深300的比值[3] - **数据预处理**：使用相对值（指数比值）作为输入[3] - **跟踪区间**：2023年3月7日至2025年3月18日[3]

量化模型与构建方式 1. **模型名称**：食品饮料相对指数趋势跟踪模型 **模型构建思路**：基于标的价格走势的局部延续性假设，认为价格大部分时间处于趋势中，反转行情持续时间较短。通过观察窗口内的价格变动方向判断趋势，并排除随机波动的影响[3] **模型具体构建过程**： - 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ - 计算T-20日至T日（不含）的波动率：$$Vol = \sqrt{\frac{1}{19}\sum_{i=T-19}^{T-1}(P_i - \bar{P})^2}$$ - 趋势判断规则： - 若$|del| > N \times Vol$（取N=1），则认为形成新趋势，方向与del符号一致 - 否则延续T-1日趋势方向[3] **模型评价**：年化收益回撤比较低，区间收益表现不佳，不适合直接用于食品饮料指数相对值跟踪[4] 模型的回测效果 1. **食品饮料相对指数趋势跟踪模型**： - 年化收益：0.52% - 年化波动率：14.35% - 夏普比率：0.04 - 最大回撤：14.00% - 指数期间总回报率：-21.90%[3] 图表说明 1. 净值曲线显示模型在2023年10月、2024年3-5月及9月至2025年1月表现较差，其余时段净值稳步提升[5] 2. 最大回撤绝对值达14%，主要出现在上述三个时间段[9] （注：原文未提及量化因子相关内容，故不总结）

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **封板率因子** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪强度[18] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月以上的股票，计算当日满足条件的股票比例[18] 2. **连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场追涨情绪[18] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票样本计算连续涨停比例[18] 3. **大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离度反映大资金动向[27] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 汇总当日所有大宗交易数据计算加权折价率[27] 4. **股指期货年化贴水率因子** - 构建思路：利用期货基差水平反映市场预期[29] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 对主力合约计算上证50/沪深300/中证500/中证1000的年化贴水率[29] 因子回测效果 1. **封板率因子** - 当日取值：81%（较前日提升17%）[18] 2. **连板率因子** - 当日取值：36%（较前日提升10%）[18] 3. **大宗交易折价率因子** - 近半年均值：5.49% - 当日取值：7.91%[27] 4. **股指期货年化贴水率因子** - 上证50：10.71%（近一年14%分位） - 沪深300：11.19%（近一年14%分位） - 中证500：14.95%（近一年21%分位） - 中证1000：16.03%（近一年33%分位）[29] 注：报告中未涉及量化模型的具体构建与测试结果，仅包含市场监测类因子[18][27][29]

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：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别行业当前的市场热度与潜在风险[4] - **模型具体构建过程**： 1. 每日计算各行业指数的拥挤度指标（具体公式未披露，但可能结合成交量、价格波动、资金流向等维度） 2. 对拥挤度进行排名，识别高拥挤度（风险）和低拥挤度（机会）行业 3. 结合主力资金流动数据（近3日净流入/流出）交叉验证[4][11] - **模型评价**：能够动态捕捉行业短期过热或低估状态，但需结合资金流向避免误判[4] 2. **模型名称：ETF溢价率Z-score模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[5] - **模型具体构建过程**： 1. 计算ETF溢价率：$$溢价率 = \frac{ETF市价 - ETF净值}{ETF净值} \times 100\%$$ 2. 滚动计算溢价率的Z-score：$$Z = \frac{当前溢价率 - 滚动窗口均值}{滚动窗口标准差}$$ 3. 设定阈值（如|Z|>2）生成交易信号[5][12] - **模型评价**：适用于捕捉短期套利机会，但需警惕市场回调风险[5] --- 模型的回测效果 （注：报告中未提供具体回测指标，故跳过） --- 量化因子与构建方式 （注：报告中未涉及独立因子构建，故跳过） --- 行业拥挤度监测结果 - **高拥挤度行业**：基础化工（98%）、纺织服饰（95%）、轻工制造（94%）[4][10] - **低拥挤度行业**：房地产（21%）、电子（34%）、非银金融（17%）[4][10] - **主力资金流向**： - 近3日净流入：环保（+8.91亿元）、食品饮料（+4.02亿元）[11] - 近3日净流出：电子（-55.28亿元）、电力设备（-49.13亿元）[11] --- ETF溢价率Z-score信号 - **建议关注标的**： - 石油天然气ETF（159588.SZ）[12] - 军工ETF（512660.SH）[12] - 中证2000ETF华夏（562660.SH）[12] （注：未提供Z-score具体数值，仅列示信号结果）