量化模型与构建方式 1. 模型名称：Black-Litterman模型（BL模型） - **模型构建思路**：BL模型是对传统均值-方差模型（MVO）的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[12][13] - **模型具体构建过程**： 1. 选择投资标的：国内资产BL模型基于沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金等资产；全球资产BL模型基于沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数和南华商品指数[13][14] 2. 通过贝叶斯方法结合主观观点与市场均衡收益率，计算资产的预期收益 3. 优化资产配置权重，解决均值-方差模型对预期收益敏感的问题[12][13] - **模型评价**：BL模型有效解决了均值-方差模型对预期收益敏感的问题，同时相较于纯主观投资具有更高的容错性，为投资者提供高效的资产配置方案[12] 2. 模型名称：风险平价模型 - **模型构建思路**：风险平价模型的核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对组合整体风险的贡献相等[17] - **模型具体构建过程**： 1. 选择底层资产：国内资产风险平价模型基于沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金；全球资产风险平价模型基于沪深300、标普500、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金[18] 2. 计算资产对组合的风险贡献：基于资产的预期波动率及相关性，计算初始权重下各资产对组合风险的贡献 3. 优化权重：调整资产权重，使得各资产的实际风险贡献与预期风险贡献相等[17][18] - **模型评价**：风险平价模型通过均衡风险分布，构建了在经济周期不同阶段都能获得稳定收益的策略[16][17] 3. 模型名称：基于宏观因子的资产配置模型 - **模型构建思路**：基于宏观因子模型通过构造增长、通胀、利率、信用、汇率和流动性六大宏观因子，结合主观观点优化资产配置[21][22] - **模型具体构建过程**： 1. 构造因子：通过Factor Mimicking Portfolio方法构造增长、通胀等六大宏观因子[22] 2. 计算因子暴露：每月末计算资产的因子暴露水平，并以风险平价组合为基准，计算基准因子暴露[22] 3. 主观调整：根据对未来一个月的宏观判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标[22][23] 4. 优化权重：反解得到下个月的资产配置权重，最终资产组合反映了对六大宏观风险的主观判断[22] - **模型评价**：该模型建立了宏观研究与资产配置研究的桥梁，能够将宏观观点有效落地到资产配置层面[21] --- 模型的回测效果 1. Black-Litterman模型 - 国内资产BL模型1：本周收益0.47%，9月份收益1.10%，2024年收益6.48%，年化波动1.70%，最大回撤0.78%[14][16] - 国内资产BL模型2：本周收益0.28%，9月份收益0.79%，2024年收益5.70%，年化波动1.47%，最大回撤0.65%[14][16] - 全球资产BL模型1：本周收益0.29%，9月份收益1.05%，2024年收益6.93%，年化波动1.96%，最大回撤0.95%[14][16] - 全球资产BL模型2：本周收益0.32%，9月份收益0.84%，2024年收益5.82%，年化波动1.49%，最大回撤0.64%[14][16] 2. 风险平价模型 - 国内资产风险平价模型：本周收益0.24%，9月份收益0.32%，2024年收益4.71%，年化波动1.15%，最大回撤0.37%[20][26] - 全球资产风险平价模型：本周收益0.20%，9月份收益0.13%，2024年收益5.11%，年化波动1.03%，最大回撤0.31%[20][21] 3. 基于宏观因子的资产配置模型 - 基于宏观因子的资产配置模型：本周收益0.25%，9月份收益0.32%，2024年收益4.14%，年化波动1.24%，最大回撤0.45%[25][26]

量化模型与构建方式 1. 超跌反弹信号模型 - **模型名称**：超跌反弹信号 - **模型构建思路**：通过识别市场中超跌的股票，捕捉其反弹机会 - **模型具体构建过程**： - 选择样本内的股票数据（2017年至2024年） - 计算股票的超跌幅度，定义超跌反弹信号 - 统计超跌反弹信号出现后的持有表现，包括后5日和后10日的平均收益率、胜率和盈亏比等指标 - **模型评价**：该模型在识别超跌反弹机会方面表现较好，具有较高的胜率和盈亏比[13][14] 2. 平台突破信号模型 - **模型名称**：平台突破信号 - **模型构建思路**：通过识别股票价格突破平台的信号，捕捉其上涨机会 - **模型具体构建过程**： - 选择样本内的股票数据（2017年至2024年） - 识别股票价格突破平台的信号 - 统计平台突破信号出现后的持有表现，包括后5日和后10日的平均收益率、胜率和盈亏比等指标 - **模型评价**：该模型在识别平台突破机会方面表现较好，具有较高的胜率和盈亏比[14] 模型的回测效果 1. 超跌反弹信号模型 - **后5日平均收益率**：4.56% - **持有5日胜率**：71% - **盈亏比**：1.87 - **后10日平均收益率**：7.22% - **持有10日胜率**：62% - **盈亏比**：1.66 - **平均持有交易日**：5.2 - **平均持有收益**：6.30% - **胜率**：76% - **盈亏比**：2.3[13] 2. 平台突破信号模型 - **后5日平均收益率**：3.30% - **持有5日胜率**：62% - **盈亏比**：1.45 - **后10日平均收益率**：5.10% - **持有10日胜率**：61% - **盈亏比**：1.70 - **平均持有交易日**：9 - **平均持有收益**：6.77% - **胜率**：60% - **盈亏比**：2.15[14] 量化因子与构建方式 1. 流通股本收益率因子 - **因子名称**：流通股本收益率 - **因子的构建思路**：通过衡量各行业板块的流通股本收益率，分析投资者的平均赚钱效应 - **因子具体构建过程**： - 计算各行业板块的流通股本收益率 - 统计各行业板块的历史分位水平 - 分析当前各行业板块的赚钱效应 - **因子评价**：该因子能够有效反映各行业板块的投资者赚钱效应，具有较高的参考价值[10][12] 因子的回测效果 1. 流通股本收益率因子 - **银行板块的赚钱效应**：处于历史72%分位水平，获利比率在所有行业中最高[10][12]

量化模型与构建方式 1. 模型名称：量能择时模型 - **模型构建思路**：通过量能信号判断市场趋势，量能持续提升被视为市场反弹的重要变量[15][23] - **模型具体构建过程**： 1. 统计各宽基指数的量能变化情况 2. 根据量能信号发出“看多”或“谨慎”观点 3. 截至2024年9月20日，上证50和沪深300的量能信号为“看多”，其余宽基指数为“谨慎”[23][24] 2. 模型名称：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过统计沪深300成分股中正收益股票的占比，判断市场情绪状态[24][25] - **模型具体构建过程**： 1. 计算公式： $ \text{沪深300指数N日上涨家数占比} = \frac{\text{过去N日收益大于0的个股数}}{\text{沪深300成分股总数}} $ 2. 当正收益股票占比逐步增多时，市场情绪处于底部；当大部分股票处于正收益状态时，情绪可能过热[24][25] 3. 最近一周该指标震荡向上，上涨家数占比约为27%[25] 3. 模型名称：沪深300上涨家数占比择时模型 - **模型构建思路**：通过对上涨家数占比指标进行平滑处理，捕捉市场情绪变化趋势[26] - **模型具体构建过程**： 1. 对上涨家数占比指标进行两次平滑处理，分别计算短期平滑线和长期平滑线（N=230，N1=50，N2=35） 2. 当短期平滑线大于长期平滑线时，看多市场；反之，对市场持中性态度 3. 当前快线和慢线同步向下，快线处于慢线之下，市场情绪维持谨慎[26] 4. 模型名称：均线情绪指标 - **模型构建思路**：基于八均线体系，通过均线区间值判断市场趋势状态[28][29] - **模型具体构建过程**： 1. 计算沪深300收盘价的八均线数值，均线参数为8、13、21、34、55、89、144、233 2. 赋值规则： - 八均线区间值处于1/2/3时，赋值为-1 - 八均线区间值处于4/5/6时，赋值为0 - 八均线区间值处于7/8/9时，赋值为1 3. 当当前价格大于八均线指标值的数量超过5时，看多沪深300指数[28][29] --- 模型的回测效果 1. 量能择时模型 - 上证50量能信号：看多[23][24] - 沪深300量能信号：看多[23][24] - 其余宽基指数量能信号：谨慎[23][24] 2. 沪深300上涨家数占比情绪指标 - 最近一周上涨家数占比：27%[25] 3. 沪深300上涨家数占比择时模型 - 当前快线和慢线同步向下，快线处于慢线之下，市场情绪维持谨慎[26] 4. 均线情绪指标 - 短期内沪深300指数处于情绪非景气区间[34] --- 量化因子与构建方式 1. 因子名称：横截面波动率因子 - **因子构建思路**：通过横截面波动率衡量市场的Alpha环境，波动率上升表明短期Alpha环境变好[32][35] - **因子具体构建过程**： 1. 计算沪深300、中证500和中证1000指数成分股的横截面波动率 2. 统计近两年、近一年、近半年和近一季度的平均值及分位点[35] 2. 因子名称：时间序列波动率因子 - **因子构建思路**：通过时间序列波动率衡量市场的Alpha环境，波动率上升表明短期Alpha环境变好[35][36] - **因子具体构建过程**： 1. 计算沪深300、中证500和中证1000指数成分股的时间序列波动率 2. 统计近两年、近一年、近半年和近一季度的平均值及分位点[36] --- 因子的回测效果 1. 横截面波动率因子 - 沪深300：近一季度平均值1.73%，占近两年分位点38.30%[35] - 中证500：近一季度平均值1.85%，占近两年分位点42.86%[35] - 中证1000：近一季度平均值2.00%，占近两年分位点51.00%[35] 2. 时间序列波动率因子 - 沪深300：近一季度平均值0.53%，占近两年分位点42.24%[36] - 中证500：近一季度平均值0.40%，占近两年分位点56.35%[36] - 中证1000：近一季度平均值0.23%，占近两年分位点57.37%[36]

量化因子与构建方式 1. 因子名称：持仓占比变动因子 - **因子的构建思路**：通过ETF持仓市值占股票流通市值的变化，衡量ETF资金流对个股的影响[22] - **因子具体构建过程**： 公式为： $ \Delta(ETF持仓市值/股票流通市值) $ 其中，ETF持仓市值为ETF对某股票的持仓金额，股票流通市值为该股票的流通市值[22] - **因子评价**：该因子在不同回看参数下对股票收益的预测能力较为稳定，且中性化前后选股能力差距较小[24][27] 2. 因子名称：资金流入因子 - **因子的构建思路**：通过累计的ETF日度资金流入，衡量资金流对个股的影响[22] - **因子具体构建过程**： 公式为： $ \sum(日度ETF资金流入) $ 其中，日度ETF资金流入为ETF每日的资金流入量[22] - **因子评价**：该因子在不同回看参数下的表现较为一致，但中性化后选股能力有所减弱[24][27] 3. 因子名称：资金流入/市值因子 - **因子的构建思路**：通过资金流入与股票流通市值的比值，衡量资金流对个股的相对影响[22] - **因子具体构建过程**： 公式为： $ 资金流入/股票流通市值 $ 其中，资金流入为累计的ETF日度资金流入，股票流通市值为该股票的流通市值[22] - **因子评价**：该因子对回看参数的敏感度较低，且中性化前后选股能力差距较小[24][27] 4. 因子名称：20日资金流入/市值因子（行业轮动因子） - **因子的构建思路**：通过20天内资金流入与市值的比值，衡量资金流对行业轮动的影响[40] - **因子具体构建过程**： 公式为： $ 20天资金流入/市值 $ 其中，20天资金流入为过去20天内ETF资金流入的累计值，市值为行业的总市值[40] - **因子评价**：该因子在一级和二级行业轮动中表现优异，尤其在空头端收益更为显著[40][46][47] --- 因子的回测效果 1. 持仓占比变动因子 - **RankICIR**：在20日回看参数下，原始值为-1.32，中性化后为-1.36[25][27] - **十分组多空年化收益**：15.2%[30] - **空头端收益**：显著高于多头端，更适合作为风险预警指标[30] 2. 资金流入因子 - **RankICIR**：在20日回看参数下，原始值为-1.12，中性化后为-0.25[25][27] 3. 资金流入/市值因子 - **RankICIR**：在20日回看参数下，原始值为-1.18，中性化后为-1.09[25][27] 4. 20日资金流入/市值因子（行业轮动因子） - **一级行业轮动**：三分组年化多空收益为17.32%，收益波动比为1.40[46] - **二级行业轮动**：三分组年化多空收益为11.68%，收益波动比为0.94[47] --- 不同类型ETF因子的表现 1. 宽基ETF与非宽基ETF - **选股能力**：非宽基ETF的RankICIR为-0.76，宽基ETF为-0.74，全体ETF为-1.32[53] - **行业轮动能力**：非宽基ETF的RankICIR为-1.51，宽基ETF为-0.20，全体ETF为-1.07[53] 2. 高集中度与低集中度ETF - **选股能力**：低集中度ETF的RankICIR为-1.09，高集中度ETF为-0.63[58] - **行业轮动能力**：高集中度ETF的RankICIR为-1.23，低集中度ETF为-0.40[58] 3. 高换手率与低换手率ETF - **选股能力**：高换手ETF的RankICIR为-0.94，低换手ETF为0.09[60] - **行业轮动能力**：高换手ETF的RankICIR为-1.56，低换手ETF为-0.39[60]

量化模型与构建方式 1. 全天候择时模型 - **模型名称**：全天候择时模型 - **模型构建思路**：基于多个宽基指数的技术面信号，特别是底背离迹象，来判断市场的看多信号[2][9] - **模型具体构建过程**： - 通过监测多个宽基指数的技术指标，特别是底背离现象 - 底背离现象指的是近期下跌力度减缓，反映出市场可能存在超跌反弹的机会 - 当多个指数同时出现底背离信号时，模型发出市场看多信号[2][9] - **模型评价**：该模型主要依赖技术面信号，适用于短期市场反弹的判断，但在缺乏基本面支撑的情况下，反弹力度可能有限[2][9] 2. 四轮驱动行业轮动模型 - **模型名称**：四轮驱动行业轮动模型 - **模型构建思路**：通过监测行业的技术指标和市场信号，识别潜在的投资机会，特别关注大盘价值或低位红利板块[2][9] - **模型具体构建过程**： - 监测各行业的技术指标，如金叉、死叉等信号 - 结合市场信号，识别出潜在的投资机会 - 重点关注银行、煤炭、交通运输、石油石化、建筑装饰等大盘价值或低位红利板块[2][9][15] - **模型评价**：该模型通过多维度的技术指标和市场信号，提供了较为全面的行业轮动策略，适合在市场风格转换时使用[2][9][15] 模型的回测效果 全天候择时模型 - **指标值**：未提供具体的回测指标值 四轮驱动行业轮动模型 - **指标值**： - 银行：低位金叉（潜在机会）[15] - 煤炭：低位含叉（潜在机会）[15] - 交通运输：低位金叉（潜在机会）[15] - 石油石化：恒约会又（潜在机会）[15] - 建筑装饰：弱势行业反转（潜在机会）[15] 量化因子与构建方式 本报告未涉及具体的量化因子构建内容 因子的回测效果 本报告未涉及具体的量化因子回测效果 - 全天候择时模型基于多个宽基指数的技术面信号，特别是底背离迹象，来判断市场的看多信号[2][9] - 四轮驱动行业轮动模型通过监测行业的技术指标和市场信号，识别潜在的投资机会，特别关注大盘价值或低位红利板块[2][9][15] - 四轮驱动行业轮动模型的回测效果显示，银行、煤炭、交通运输、石油石化、建筑装饰等行业在近期均出现了潜在的投资机会信号[15]

量化模型与构建方式 1. 模型名称：因果推断模型 - **模型构建思路**：通过因果推断方法对10年期国债收益率进行归因分析，识别影响收益率的关键因素[81] - **模型具体构建过程**： 1. 数据准备：收集122个自变量，包括基本面、货币政策、资金面、供求面和情绪估值面相关数据[80][81] 2. 建立因果模型：采用基于后门准则（Backdoor Criterion）和线性回归方法的因果推断框架[81][88] 3. 识别因果效应：分析不同时间维度下的因果关系，发现隐含税率、存款准备金率、核心CPI等对收益率的显著影响[84][85] 4. 验证和诊断：对因果推断结果进行验证，确保模型的科学性和稳定性[81] - **模型评价**：模型能够从量化角度揭示10年期国债收益率的驱动因素，但分析仍较为基础，需进一步完善[87] 2. 模型名称：LSTM（长短期记忆网络） - **模型构建思路**：利用LSTM神经网络预测10年期国债收益率走势，适用于时序数据的非线性建模[56][89] - **模型具体构建过程**： 1. 数据标准化：对124个自变量进行Min-Max-Scale标准化，构建神经网络输入矩阵[89] 2. 网络设计： - 每层包含124个特征值，512个隐藏层，共4层网络[91] - 输入序列为连续的60天，总数据量为1000个，训练集、测试集、验证集分别占70%、20%、10%[92] - 训练2000轮，损失在第1500轮左右收敛至0.20%[92][93] 3. 结果验证：对比模型预测与实际收益率走势，发现预测值与实际值差距约20BP[93][94] - **模型评价**：模型初步预测效果较好，但20BP的误差偏大，实战意义有限，需进一步优化模型和数据[95] 3. 模型名称：改良的转债多因子模型 - **模型构建思路**：基于传统“双低策略”改进，构建股性与债性均衡的多因子模型，优化转债择券效果[96][97] - **模型具体构建过程**： 1. 因子改造：将绝对价格替换为到期收益率（YTM），与平价溢价率匹配为“债性”与“股性”指标[97] 2. 中性化处理： - 对YTM进行中性化，剔除到期赎回价、到期期限、正股股价、信用评级等影响[98] - 对平价溢价率进行中性化，剔除平价、规模、行业、信用评级等影响[98] 3. 标准化处理：对中性化后的YTM和平价溢价率进行Z-Score标准化[97] 4. 因子合成：将中性化后的股性与债性指标相加，构建新因子[97] 5. 回测：以月度为单位，选择股债性因子最低的20支转债进行回测[97] - **模型评价**：改进后的策略表现优于传统“双低策略”，但仍存在最大回撤较大、信用风险暴露等问题[100][102] --- 模型的回测效果 1. 因果推断模型 - **关键因果性因素**： - 全部时期：隐含税率、存款准备金率、核心CPI等对10年期国债收益率有显著因果性[84] - 不同阶段： - 利率震荡期（2019年1月-2020年1月）：短期资金面因素影响增强[84] - 疫情期（2020年2月-2021年12月）：资金面影响进一步加强[84] - 利率持续下行期（2024年1月至今）：逆回购、利差影响显著[85] 2. LSTM模型 - **训练损失**：在第1500轮左右收敛至0.20%[92][93] - **预测误差**：模型预测值与实际值差距约20BP[94] 3. 改良的转债多因子模型 - **策略表现**： - 改良后的策略在2024年转债弱市中实现正回报，表现远超传统“双低策略”[100] - 最大回撤仍较为明显，难以满足稳定资金的配置需求[100][102] --- 量化因子与构建方式 1. 因子名称：中性化平价溢价率因子 - **因子构建思路**：剔除平价、余额、行业、剩余期限等对平价溢价率的影响，得到更为有效的因子[36] - **因子具体构建过程**： 1. 回归方程： $ Convprem_i = β_0 + β_1 Convv + β_2 Outstanding + β_3 Ptm + β_4 Convv^2 + β_5 Outstanding^2 + β_6 Ptm^2 + β_7 Outstanding * Convv + ∑β_n Grade + ε_i $ - 公式中，Convprem为平价溢价率，Convv为平价，Outstanding为转债余额，Ptm为剩余期限，Grade为调整后行业哑变量[37] 2. 剔除自变量影响，得到中性化平价溢价率[36] 2. 因子名称：中性化YTM因子 - **因子构建思路**：剔除到期赎回价、到期期限、正股股价、信用评级等对YTM的影响，得到更为有效的因子[98] - **因子具体构建过程**： 1. 使用到期赎回价、到期期限、正股股价、信用评级对YTM作中性化处理[98] 2. 对中性化后的YTM进行Z-Score标准化[97] --- 因子的回测效果 1. 中性化平价溢价率因子 - **回测指标**： - 年化收益率：低估值平价中性策略为15.16%，高估值平价中性策略为9.38%[42] - 夏普比率：低估值平价中性策略为1.13，高估值平价中性策略为0.75[42] - 因子IC：低估值平价中性策略为0.02，高估值平价中性策略为-0.05[42] 2. 中性化YTM因子 - **回测表现**：改良后的股债性均衡策略在2024年弱市中实现正回报，表现优于传统“双低策略”[100]

量化因子与构建方式 单因子表现 - **因子名称**：下行波动率占比 **因子的构建思路**：衡量股票收益的下行风险占比，反映市场对风险的敏感性 **因子具体构建过程**：通过计算股票收益的下行波动率占总波动率的比例，得出因子值 **因子评价**：本周在多个股票池中表现较好，具有较强的风险识别能力[8][12][15] - **因子名称**：市盈率TTM倒数 **因子的构建思路**：通过市盈率的倒数衡量股票的估值水平，市盈率越低，倒数值越高，表明估值越低 **因子具体构建过程**：计算公式为 $ \text{市盈率TTM倒数} = \frac{1}{\text{市盈率TTM}} $，其中TTM表示过去12个月的滚动市盈率 **因子评价**：估值类因子表现稳定，本周在多个股票池中表现较好[8][12][15] - **因子名称**：换手率相对波动率 **因子的构建思路**：衡量股票换手率的波动性，反映市场交易活跃度的稳定性 **因子具体构建过程**：通过计算换手率的标准差与均值的比值，得出因子值 **因子评价**：本周在沪深300股票池中表现较好[8] - **因子名称**：成交量的5日指数移动平均 **因子的构建思路**：通过短期成交量的指数移动平均值，捕捉市场交易量的短期趋势 **因子具体构建过程**：计算公式为 $ \text{EMA}_5 = \frac{\text{成交量}_t}{5} + \frac{\text{成交量}_{t-1}}{5} + \cdots $，其中t为当前交易日 **因子评价**：本周在中证500股票池中表现较好[12] - **因子名称**：总资产毛利率TTM **因子的构建思路**：衡量企业总资产的盈利能力，反映企业的经营效率 **因子具体构建过程**：计算公式为 $ \text{总资产毛利率TTM} = \frac{\text{毛利润TTM}}{\text{总资产}} $，其中TTM表示过去12个月的滚动数据 **因子评价**：本周在流动性1500股票池中表现较好[15] 大类因子表现 - **因子名称**：流动性因子 **因子的构建思路**：衡量市场流动性水平，反映市场交易的活跃程度 **因子具体构建过程**：通过成交量、换手率等指标综合计算流动性因子值 **因子评价**：本周取得明显正收益，表现优异[18] - **因子名称**：盈利因子 **因子的构建思路**：衡量企业盈利能力，反映企业的基本面质量 **因子具体构建过程**：通过净利润、ROE等指标综合计算盈利因子值 **因子评价**：本周取得明显正收益，表现优异[18] - **因子名称**：成长因子 **因子的构建思路**：衡量企业的成长性，反映企业未来增长潜力 **因子具体构建过程**：通过营业收入增长率、净利润增长率等指标综合计算成长因子值 **因子评价**：本周取得明显负收益，表现较差[18] - **因子名称**：残差波动率因子 **因子的构建思路**：衡量股票收益的残差波动率，反映市场对个股风险的定价 **因子具体构建过程**：通过回归模型计算股票收益的残差波动率，得出因子值 **因子评价**：本周取得明显负收益，表现较差[18] 行业内因子表现 - **因子名称**：净资产增长率因子 **因子的构建思路**：衡量企业净资产的增长情况，反映企业的资本积累能力 **因子具体构建过程**：通过计算净资产的同比增长率，得出因子值 **因子评价**：本周在有色金属行业表现较好[20] - **因子名称**：净利润增长率因子 **因子的构建思路**：衡量企业净利润的增长情况，反映企业的盈利增长能力 **因子具体构建过程**：通过计算净利润的同比增长率，得出因子值 **因子评价**：本周在有色金属、商业贸易行业表现较好[20] - **因子名称**：BP因子（市净率倒数） **因子的构建思路**：衡量企业的估值水平，市净率越低，BP因子值越高，表明估值越低 **因子具体构建过程**：计算公式为 $ \text{BP因子} = \frac{1}{\text{市净率}} $ **因子评价**：本周在房地产、综合行业表现较好[20] - **因子名称**：EP因子（市盈率倒数） **因子的构建思路**：衡量企业的估值水平，市盈率越低，EP因子值越高，表明估值越低 **因子具体构建过程**：计算公式为 $ \text{EP因子} = \frac{1}{\text{市盈率}} $ **因子评价**：本周在有色金属、煤炭行业表现较好[20] --- 因子的回测效果 单因子回测效果 - **下行波动率占比**：沪深300股票池1.45%，中证500股票池0.94%，流动性1500股票池1.13%[8][12][15] - **市盈率TTM倒数**：沪深300股票池1.40%，中证500股票池0.73%，流动性1500股票池1.35%[8][12][15] - **换手率相对波动率**：沪深300股票池1.24%[8] - **成交量的5日指数移动平均**：中证500股票池1.47%[12] - **总资产毛利率TTM**：流动性1500股票池1.06%[15] 大类因子回测效果 - **流动性因子**：全市场股票池0.34%[18] - **盈利因子**：全市场股票池0.33%[18] - **成长因子**：全市场股票池-0.17%[18] - **残差波动率因子**：全市场股票池-0.17%[18]

量化模型与构建方式 模型名称：封板率与连板率 - 模型构建思路：通过统计股票在盘中涨停和收盘涨停的情况，计算封板率和连板率，以此反映市场情绪 - 模型具体构建过程： - 封板率的计算方式为： $$ 封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数} $$ - 连板率的计算方式为： $$ 连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数} $$ - 今日封板率为81%，较前日提升10%，连板率为23%，较前日下降11%[16] - 模型评价：封板率和连板率能够较好地反映市场的短期情绪变化，尤其是在市场波动较大的时候[16] 模型名称：股指期货升贴水 - 模型构建思路：通过计算股指期货主力合约的年化贴水率，反映市场对未来预期的表现 - 模型具体构建过程： - 年化贴水率的计算方式为： $$ 年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right) $$ - 近一年以来上证50股指期货主力合约年化升水率中位数为0.59%，沪深300股指期货主力合约年化贴水率中位数为-1.35%，中证500股指期货主力合约年化贴水率中位数为-6.13%，中证1000股指期货主力合约年化贴水率中位数为-11.18%[27] - 模型评价：股指期货升贴水模型能够较好地反映市场对未来的预期，尤其是在市场情绪波动较大的时候[27] 模型的回测效果 封板率与连板率 - 封板率：81%[16] - 连板率：23%[16] 股指期货升贴水 - 上证50股指期货主力合约年化贴水率：3.92%[27] - 沪深300股指期货主力合约年化贴水率：3.88%[27] - 中证500股指期货主力合约年化贴水率：8.74%[27] - 中证1000股指期货主力合约年化贴水率：15.22%[27]

量化因子与构建方式 动量因子 - **因子的构建思路**：动量因子通过衡量资产价格的持续上涨或下跌趋势来预测未来的价格走势[1][12] - **因子具体构建过程**：动量因子通常通过计算一段时间内的价格变化率来构建，例如过去一个月的累计收益率[1][12] - **因子评价**：动量因子在本周表现较好，显示出较强的预测能力[1][12] 期限结构因子 - **因子的构建思路**：期限结构因子通过分析期货合约的不同到期时间的价格差异来预测市场走势[1][15] - **因子具体构建过程**：期限结构因子通常通过计算近月合约和远月合约的价格差异来构建[1][15] - **因子评价**：期限结构因子在本周表现不佳，显示出较弱的预测能力[1][15] 贝塔因子 - **因子的构建思路**：贝塔因子通过衡量资产相对于市场的系统性风险来预测未来的价格走势[1][18] - **因子具体构建过程**：贝塔因子通常通过回归分析计算资产相对于市场指数的贝塔值来构建[1][18] - **因子评价**：贝塔因子在本周表现一般，显示出中等的预测能力[1][18] 波动率因子 - **因子的构建思路**：波动率因子通过衡量资产价格的波动程度来预测未来的价格走势[1][21] - **因子具体构建过程**：波动率因子通常通过计算一段时间内的价格标准差来构建[1][21] - **因子评价**：波动率因子在本周表现较差，显示出较弱的预测能力[1][21] 偏度因子 - **因子的构建思路**：偏度因子通过衡量资产收益分布的偏斜程度来预测未来的价格走势[1][24] - **因子具体构建过程**：偏度因子通常通过计算一段时间内的收益率偏度来构建[1][24] - **因子评价**：偏度因子在本周表现一般，显示出中等的预测能力[1][24] 持仓因子 - **因子的构建思路**：持仓因子通过分析市场参与者的持仓变化来预测未来的价格走势[1][27] - **因子具体构建过程**：持仓因子通常通过计算一段时间内的持仓量变化来构建[1][27] - **因子评价**：持仓因子在本周表现较差，显示出较弱的预测能力[1][27] 因子的回测效果 - **动量因子**：近一月多空对冲收益0.79%，本周多空对冲收益0.76%[1][12][31] - **期限结构因子**：近一月多空对冲收益-0.18%，本周多空对冲收益-0.32%[1][15][31] - **贝塔因子**：近一月多空对冲收益-3.40%，本周多空对冲收益0.23%[1][18][31] - **波动率因子**：近一月多空对冲收益-3.33%，本周多空对冲收益-0.06%[1][21][31] - **偏度因子**：近一月多空对冲收益0.43%，本周多空对冲收益-0.06%[1][24][31] - **持仓因子**：近一月多空对冲收益-2.00%，本周多空对冲收益-0.56%[1][27][31]

量化模型与构建方式 量化组合模型 - **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**：通过区分研报覆盖度高低的域，分别选用适合的因子进行增强，以提升选股效果[46] - **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[46] 2. 针对不同域，选择适用性因子进行增强，优化选股策略[46] 3. 具体因子选择和增强方法参考报告《量化分析报告：寻觅无人之境：基于研报覆盖度调整的指数增强》[46] - **模型评价**：通过因子增强策略，模型在不同宽基指数内均实现了超额收益，表现稳定[46][47] --- 量化因子与构建方式 成交量因子 - **因子名称**：成交量类因子 - **因子的构建思路**：通过分析成交量的变化趋势，捕捉市场情绪和资金流动对股价的影响[39][40] - **因子具体构建过程**： 1. 计算过去1个月成交量与过去12个月成交量的差值，构造因子`volume_1m_minus_12m`[40] 2. 计算过去1个月成交量与过去12个月成交量的比值，构造因子`volume_1m_div_12m`[40] 3. 计算过去1个月成交量的标准差与过去12个月成交量的标准差的比值，构造因子`volume_std_1m_div_12m`[40] - **因子评价**：成交量因子在小市值股票中表现较好，能够有效捕捉市场情绪变化[42] 管理费用率因子 - **因子名称**：管理费用率因子 - **因子的构建思路**：通过衡量管理费用占总销售收入的比例，评估企业的成本控制能力和盈利能力[39][40] - **因子具体构建过程**： 1. 计算管理费用与总销售收入的比值，构造因子`gaexp_sales`[40] 2. 计算管理费用_TTM与营业收入_TTM的比值，构造因子`adm_exp_ratio`[43] - **因子评价**：管理费用率因子在大市值股票中表现较强，能够反映企业的经营效率[42][43] 研发类因子 - **因子名称**：研发类因子 - **因子的构建思路**：通过衡量研发投入占比，评估企业的创新能力和未来增长潜力[43] - **因子具体构建过程**： 1. 计算研发费用_TTM与总销售收入的比值，构造因子`tot_rd_ttm_to_sales`[43] 2. 计算研发费用_TTM与总资产的比值，构造因子`tot_rd_ttm_to_assets`[43] 3. 计算研发费用_TTM与净资产的比值，构造因子`tot_rd_ttm_to_equity`[43] - **因子评价**：研发类因子在大市值股票中表现较好，能够捕捉企业的长期成长性[43] --- 模型的回测效果 - **沪深300增强组合**： - 上周绝对收益：-2.05% - 上周超额收益：0.18% - 本月超额收益：-0.69% - 本年超额收益：5.94% - 超额年化收益率：11.50% - 超额Sharpe：2.03[46][47] - **中证500增强组合**： - 上周绝对收益：-2.20% - 上周超额收益：-0.30% - 本月超额收益：-0.09% - 本年超额收益：6.19% - 超额年化收益率：13.73% - 超额Sharpe：2.89[46][47] - **中证1000增强组合**： - 上周绝对收益：-1.41% - 上周超额收益：0.70% - 本月超额收益：1.08% - 本年超额收益：5.66% - 超额年化收益率：15.37% - 超额Sharpe：2.51[46][47] --- 因子的回测效果 - **成交量因子**： - 近一周多头超额收益：`volume_1m_minus_12m`为1.10%，`volume_1m_div_12m`为1.05%，`volume_std_1m_div_12m`为1.05%[40][41] - 近一年多头超额收益：`volume_1m_minus_12m`为7.62%，`volume_1m_div_12m`为7.33%，`volume_std_1m_div_12m`为7.45%[41] - **管理费用率因子**： - 近一周多头超额收益：`gaexp_sales`为1.21%，`adm_exp_ratio`为0.60%[40][43] - 近一年多头超额收益：`gaexp_sales`为4.38%，`adm_exp_ratio`为1.12%[41][43] - **研发类因子**： - 近一周多头超额收益：`tot_rd_ttm_to_sales`为1.50%，`tot_rd_ttm_to_assets`为1.22%，`tot_rd_ttm_to_equity`为0.85%[43] - 近一年多头超额收益：`tot_rd_ttm_to_sales`为7.62%，`tot_rd_ttm_to_assets`为3.68%，`tot_rd_ttm_to_equity`为2.20%[41][43]