量化模型与构建方式 1. 高频宏观因子 - **因子名称**：高频宏观因子 - **因子的构建思路**：通过资产组合模拟构建一套高频宏观因子体系，用以观察市场交易的宏观预期变化[13] - **因子具体构建过程**： 1. 真实宏观指标合成低频宏观因子 2. 筛选领先于低频宏观因子的资产 3. 以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元领先回归确定资产权重，构建投资组合模拟宏观因子走势[13] - **因子评价**：高频经济增长、高频通货膨胀（消费端、生产端）相比于对应低频宏观因子有一定领先性[14][18] 2. 债券久期择时模型 - **模型名称**：债券久期择时模型 - **模型构建思路**：利用改进的Diebold2006模型预测即期收益率曲线，并映射出不同久期债券的预期收益[21] - **模型具体构建过程**： 1. 模型分别预测水平、斜率、曲率因子 2. 水平因子的预测基于宏观变量预判和政策利率跟随 3. 斜率和曲率因子的预测基于AR(1)模型[21] - **模型评价**：模型预测未来三个月水平因子下降，斜率因子陡峭化，曲率因子增凸，推荐持有1年期短久期债券[21] 3. 转债配置模型 - **模型名称**：转债配置模型 - **模型构建思路**：比较转债和正股的相对估值，比较偏债型转债与同等级期限的信用债配置价值，并在转债内部进行风格轮动[24] - **模型具体构建过程**： 1. 构建"百元转股溢价率"指标，计算滚动历史分位数衡量转债和正股当前的相对配置价值 2. 取"修正YTM–信用债YTM"中位数衡量偏债型转债和信用债之间的相对配置价值 3. 选择转债20日动量与转债波动率偏离度作为市场情绪捕捉指标，双周频调仓构建转债风格轮动组合[24][26][28] - **模型评价**：高估值转债会系统性地带来负收益，转债风格轮动年化收益为20.27%，信息比率1.35[26][28] 4. 黄金预期收益模型 - **模型名称**：黄金预期收益模型 - **模型构建思路**：将黄金和美国抗通胀债券(TIPS)的远期实际回报关联，构建黄金的预期收益模型[29] - **模型具体构建过程**： 1. 公式：$E[Real\_Return^{gold}]=k\times E[Real\_Return^{Tips}]$ 2. 公式：$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{Tips}]$ 3. 扩展窗口OLS估计参数k，以美联储长期通胀目标2%作为$\pi^{e}$的代理[29] - **模型评价**：模型测算未来一年黄金的预期收益率为18.5%[29] 5. 主动风险预算模型 - **模型名称**：主动风险预算模型 - **模型构建思路**：将风险平价模型与主动信号结合构建主动风险预算模型，从股债横向比价、股票纵向估值水平、市场流动性三个维度构建主动风险预算指标[3] - **模型具体构建过程**： 1. 股权风险溢价ERP：$E R P={\frac{1}{P E_{t t m}}}-Y T M_{T B}^{10Y}$[37] 2. 股票纵向估值水平：滚动窗口计算股票估值在近5年历史中的分位数[39] 3. 市场流动性：M2-M1剪刀差反映可随时兑换成货币的资金边际变化[42] 4. 将权益资产的信号得分代入softmax函数，使信号转化为权益资产风险预算权重：$s o f t m a x(x)={\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)}}$[45] - **模型评价**：在全样本区间内，主动风险预算组合年化收益率6.18%，最大回撤4.89%，收益波动比1.59[49][51] 模型的回测效果 1. **债券久期择时模型**： - 8月回报4.6bp，等权基准收益率为-3.7bp，策略超额收益8.3bp[22] - 最近一年，零息国债久期调整策略回报4.09%，等权基准收益率为5.67%，策略超额收益-1.58%[22] 2. **转债配置模型**： - 转债风格轮动年化收益为20.27%，最大回撤14.97%，信息比率1.35，月度胜率64.10% - 今年以来收益为8.73%，最大回撤为14.97%[28] 3. **黄金预期收益模型**： - 未来一年黄金的预期收益率为18.5%[29] - 基于TIPS收益率的择时模型过去一年绝对回报为29.04%[33] 4. **主动风险预算模型**： - 8月组合收益-0.88%，股票仓位为22.97%，债券仓位为77.03%[48] - 9月组合收益-0.88%，股票仓位为31.96%，债券仓位为68.04%[48] - 全样本区间内，主动风险预算组合年化收益率6.18%，最大回撤4.89%，收益波动比1.59，收益回撤比1.26[49][51]

量化模型与构建方式 1. 模型名称：全天候择时模型 - **模型构建思路**：通过技术面信号捕捉市场的多头或空头趋势，适用于短期交易者，帮助判断市场的右侧信号[2][11] - **模型具体构建过程**： 1. 该模型基于技术面指标，结合国证2000指数的走势，分析市场的多头或空头信号 2. 在上周四盘后，该模型发出了国证2000指数的多头信号，表明短期市场可能进入反弹阶段[11] - **模型评价**：该模型在短期交易中具有较高的敏感性，能够及时捕捉市场的反弹信号，适合短期投资者使用[11] 2. 模型名称：四轮驱动行业轮动模型 - **模型构建思路**：通过行业信号的动态变化，捕捉低位成长和红利板块的投资机会，指导行业轮动策略[3][12] - **模型具体构建过程**： 1. 该模型对各行业的信号进行监测，识别潜在的低位机会 2. 上周下半周，该模型信号偏向低位成长板块，同时前期发出的低位红利信号仍然有效 3. 第一梯队建议关注煤炭、通信、电子、有色金属、医药生物等板块，第二梯队建议关注环保、建筑装饰、美容护理、传媒、石油石化、计算机等板块[12][19] - **模型评价**：该模型能够较好地捕捉行业轮动中的低位机会，适合中短期行业配置策略[12] --- 模型的回测效果 1. 全天候择时模型 - **信号效果**：在上周四盘后发出国证2000指数的多头信号，表明短期市场可能进入反弹阶段[11] 2. 四轮驱动行业轮动模型 - **信号效果**： - 第一梯队行业信号：煤炭、通信、电子、有色金属、医药生物等板块均处于潜在机会期 - 第二梯队行业信号：环保、建筑装饰、美容护理、传媒、石油石化、计算机等板块也显示出潜在机会[12][19] --- 量化因子与构建方式 本报告未涉及具体量化因子内容 --- 因子的回测效果 本报告未涉及具体量化因子内容

量化模型与构建方式 1. 模型名称：结合注意力机制的GRU - 模型构建思路：将注意力机制改为特征层面的权重分配，与GRU结合[1][10] - 模型具体构建过程： - 在编码器部分，定义一个注意力机制捕捉不同时期的主要贡献特征[12] - 在解码器中，定义一个时序注意力机制针对不同的时间步上的编码信息进行权重再分配[12] - 公式： $$ e_{t}^{k}=v_{e}^{T}\mathrm{tanh}(W_{e}[h_{t-1};s_{t-1}]+U_{e}x^{k}) $$ $$ \alpha_{t}^{k}=\frac{\exp(e_{t}^{k})}{\sum_{i=1}^{n}\exp(e_{t}^{i})} $$ $$ {\tilde{x}}_{t}=(\alpha_{t}^{1}x_{t}^{1},\alpha_{t}^{2}x_{t}^{2},\dots,\alpha_{t}^{n}x_{t}^{n})^{T} $$ $$ h_{t}=f_{1}(h_{t-1},\tilde{x}_{t}) $$ $$ c_{t}=\sum_{i=1}^{T}\beta_{t}^{i}h_{i} $$ $$ \tilde{y}_{t-1}=w^{T}[y_{t-1};c_{t-1}]+\tilde{b} $$ $$ d_{t}=f_{2}(d_{t-1},\tilde{y}_{t-1}) $$ - 模型评价：在绝大部分指标上超越原本GRU模型[1][10] 2. 模型名称：排序学习 - 模型构建思路：参考推荐系统和搜索引擎中的排序学习思想，使用ListWise和PairWise两大类排序学习损失函数[2][21] - 模型具体构建过程： - 使用Hinge Loss、Logistic Loss、NDCG等损失函数进行训练[23][24][25][28][30] - 公式： $$ \operatorname{l}(s,y)=\sum_{y_{i}>y_{j}}\operatorname*{max}(0,1-\left(s_{i}-s_{j}\right)) $$ $$ \mathrm{l}(s,y)=\sum_{y_{i}>y_{j}}\log_{2}(1+e^{-\sigma(s_{i}-s_{j})}) $$ $$ \mathrm{DCG}(\bar{\omega}\mathrm{k}(\pi,1)=\sum_{j=1}G(l_{\pi^{-1}(j)})\eta(j) $$ $$ \mathrm{NDCG}@{\mathrm{k(\pi,l)}}=\frac{1}{I D C G}\sum_{j=1}G(l_{\pi^{-1}(j)})\eta(j) $$ $$ \lambda_{i j}=-\frac{1}{1+\exp\!\left(s_{i}-s_{j}\right)}*\left|\Delta Z_{i j}\right| $$ $$ 1(s,y)=-\sum_{i}^{n}\sum_{j}^{n}l o g_{2}\,(\frac{1}{1+e^{-\sigma(s_{\pi i}-s_{\pi j})}})^{\frac{G_{\pi i}}{D_{i}}} $$ $$ \operatorname{L}(f;x,\Omega_{y})=\operatorname{D}(P_{y}(\Pi)||P(\Pi|(f(w,x))) $$ - 模型评价：部分损失函数能提升多头组合表现，且部分因子相较于传统MSE回归模型有一定提升效果[2][21] 3. 模型名称：多轮参数对抗过拟合 - 模型构建思路：使用早停后验证集表现最优的5轮结果进行预测并取均值[3][46] - 模型具体构建过程： - 提取表现最好的N个epoch所得模型参数，并通过取均值的方式避免过拟合[51] - 公式： $$ \tilde{y}_{t-1}=w^{T}[y_{t-1};c_{t-1}]+\tilde{b} $$ $$ d_{t}=f_{2}(d_{t-1},\tilde{y}_{t-1}) $$ - 模型评价：在样本外地稳健性更好[3][46] 模型的回测效果 - 结合注意力机制的GRU模型： - IC均值：14.53%[20] - 多头信息比率：2.75[20] - 多空夏普比率：4.29[20] - 多头年化超额收益率：17.24%[20] - 多空年化收益率：44.48%[20] - 多空最大回撤：16.48%[20] - 排序学习模型： - IC均值：13.82%[2] - 多头信息比率：2.98[2] - 多头年化超额收益率：19.69%[2] - 多空年化收益率：58.51%[2] - 多空最大回撤：15.15%[2] - 多轮参数对抗过拟合模型： - IC均值：14.34%[52] - 多头信息比率：2.77[52] - 多头年化超额收益率：18.53%[52] - 多空年化收益率：60.13%[52] - 多空最大回撤：14.93%[52] 量化因子与构建方式 1. 因子名称：AGRU - 因子的构建思路：结合注意力机制与GRU[1][10] - 因子具体构建过程： - 使用注意力机制进行特征重要性的采样，结合多步GRU后得到最终预测结果[19] - 公式： $$ e_{t}^{k}=v_{e}^{T}\mathrm{tanh}(W_{e}[h_{t-1};s_{t-1}]+U_{e}x^{k}) $$ $$ \alpha_{t}^{k}=\frac{\exp(e_{t}^{k})}{\sum_{i=1}^{n}\exp(e_{t}^{i})} $$ $$ {\tilde{x}}_{t}=(\alpha_{t}^{1}x_{t}^{1},\alpha_{t}^{2}x_{t}^{2},\dots,\alpha_{t}^{n}x_{t}^{n})^{T} $$ $$ h_{t}=f_{1}(h_{t-1},\tilde{x}_{t}) $$ $$ c_{t}=\sum_{i=1}^{T}\beta_{t}^{i}h_{i} $$ $$ \tilde{y}_{t-1}=w^{T}[y_{t-1};c_{t-1}]+\tilde{b} $$ $$ d_{t}=f_{2}(d_{t-1},\tilde{y}_{t-1}) $$ - 因子评价：在绝大部分指标上超越原本GRU模型[1][10] 因子的回测效果 - AGRU因子： - IC均值：14.53%[20] - 多头信息比率：2.75[20] - 多空夏普比率：4.29[20] - 多头年化超额收益率：17.24%[20] - 多空年化收益率：44.48%[20] - 多空最大回撤：16.48%[20]

- 本文是"海量 Level 2 数据因子挖掘"系列研究报告的第三篇，尝试同时结合订单的"大小"和"长短"维度对其进行深入剖析，构建出了240个同时从"大小"和"长短"角度进行解构的订单因子[2][6][16] - 订单因子的构建思路是通过订单的"大小"和"长短"维度进行解构，并结合多维度解耦的分析方法，构建出相应的16种订单因子[21][22] - 订单的"大小"和"长短"界定采用成交量（成交完成时长）大于均值+N倍标准差的订单界定为大单（长单），剩余的则相应地界定为小单（短单），并分别采用3个不同的标准差阈值来对大小单（长短单）进行界定[22][23] - 通过时间维度的解耦分析方法，结合不同交易时段的统计信息对上述48个因子进行解耦，最终构建了16*3*5=240个同时从"大小"和"长短"进行解构的订单因子[23] - 在2021年1月1日~2023年12月31日期间A股全市场的RankIC表现中，有超过50个因子的RankIC均值大于8%，其中有18个因子的RankIC大于10%[24] 精选订单因子组合的回测效果 - 全市场板块：在2021~2023年间，精选订单因子组合的RankIC均值达13.3%、胜率达78.3%，Top-30组合的平均年化收益率为31.33%、最大回撤率为15.39%、夏普比率为1.86，而同期中证全指年化收益率为-8.50%[6][56][60] - 创业板板块：在2021~2023年间，精选订单因子组合的RankIC均值达13.7%、胜率达83.4%，Top-30组合的平均年化收益率为27.66%、最大回撤率为25.45%、夏普比率为1.30，而同期创业板综指年化收益率为-7.46%[6][61][65] - 国证2000板块：在2021~2023年间，精选订单因子组合的RankIC均值为12.7%、胜率为76.5%，Top-30组合的平均年化收益率为25.00%、最大回撤率为17.50%、夏普比率为1.44，而同期国证2000指数平均年化收益率为1.22%[6][90][95]

量化模型与构建方式 1. 模型名称：KD-Ensemble模型 - **模型构建思路**：基于知识蒸馏的思想，将树模型和神经网络进行集成，利用教师模型过滤信息后传递给学生模型，从而捕捉alpha因子与未来收益率之间的线性和非线性函数依赖关系[6][16][76] - **模型具体构建过程**： 1. 教师模型（树模型）先进行训练，学习并过滤信息，识别“有用”成分和噪声成分 2. 将教师模型学习到的有效信息传递给学生模型（神经网络） 3. 学生模型通过结合教师模型的知识和原始数据进行训练，最终生成综合得分 4. 损失函数公式： $$ f_{tree}=argmin_{f\in g}MSE(f(x),y_{label}) $$ $$ f_{nn}=argmin_{f\in g}l(f(x)|I_{tree},y_{label},\lambda) $$ $$ y_{pred}=f_{nn}(x|I_{tree},y_{label},\lambda) $$ 其中，$I_{tree}$表示教师模型传递的信息，$\lambda$为超参数[78][79] - **模型评价**：通过集成树模型和神经网络的优点，显著提升了模型的表达能力和样本外预测能力[16][76] 2. 模型名称：风险中性模型 - **模型构建思路**：在alpha因子生成阶段加入风险因子生成部分，并使alpha因子与风险因子相互正交，以抑制可能带来较大回撤的风格轮动成分[6][81][83] - **模型具体构建过程**： 1. 共享输入数据和RNN单元的网络参数 2. 损失函数公式： $$ Loss=MSE(F_{K},y_{neu})+Resquare(F_{K},y)+\lambda\left\|corr(F,F)\right\| $$ 其中，$F_{K}$为alpha因子，$y_{neu}$为中性化收益率标签，$y$为原始收益率标签，$\lambda$为超参数[83] 3. 通过上述方法生成具有更低风险暴露的alpha因子，降低风格轮动成分的影响[83] - **模型评价**：显著降低了模型的最大回撤，提高了模型的稳定性[83][94] --- 模型的回测效果 1. KD-Ensemble模型 - **中证全指**：RankIC均值16.69%，年化ICIR为8.00，Top组年化超额收益率为51.73%，最大回撤为-23.05%[87][94] - **沪深300**：RankIC均值12.22%，年化ICIR为0.75，Top组年化超额收益率为34.16%，最大回撤为-6.92%[95] - **中证500**：RankIC均值12.39%，年化ICIR为0.93，Top组年化超额收益率为31.38%，最大回撤为-12.53%[96] - **中证1000**：RankIC均值15.35%，年化ICIR为1.26，Top组年化超额收益率为41.81%，最大回撤为-10.65%[97] 2. 风险中性模型 - **中证全指**：RankIC均值15.83%，年化ICIR为8.15，Top组年化超额收益率为47.96%，最大回撤为-7.48%[87][94] - **沪深300**：RankIC均值10.98%，年化ICIR为0.73，Top组年化超额收益率为31.35%，最大回撤为-6.30%[95] - **中证500**：RankIC均值11.45%，年化ICIR为0.91，Top组年化超额收益率为25.69%，最大回撤为-10.81%[96] - **中证1000**：RankIC均值14.60%，年化ICIR为1.29，Top组年化超额收益率为36.07%，最大回撤为-8.99%[97] --- 量化因子与构建方式 1. 因子名称：小单早盘占比因子 - **因子构建思路**：通过小单成交额占比捕捉市场短期风险信息[6][20] - **因子具体构建过程**： 1. 定义公式： $$ \text{小单早盘占比因子} = \frac{\text{9:30至10:00小单成交额}}{\text{全天小单成交额}} $$ 2. 数据处理：剔除撤单数据、盘前和尾盘集合竞价数据[18][20] - **因子评价**：对未来收益有较好的解释能力，但预测方向波动较大，可视作短期风险因子[50][127] 2. 因子名称：小单收益率因子 - **因子构建思路**：通过小单收益率捕捉市场短期收益信息[6][42] - **因子具体构建过程**： 1. 定义公式： $$ \int_{0}^{T}I_{\{\text{order为小单}\}}\frac{dP(t)}{P(t)} $$ 其中，$I$为示性函数，$[0,T]$为交易时间区间[42][43] 2. 数据处理：剔除无效数据，统一调成正向[53] - **因子评价**：在中证全指上表现较好，具有较强的选股能力[50][127] 3. 因子名称：挂单价格分歧度因子 - **因子构建思路**：通过盘口挂单价格分歧度捕捉市场供需关系[6][51] - **因子具体构建过程**： 1. 定义公式： $$ \int_{0}^{T}zscore\left(\sum_{i=1}^{10}\frac{P_{t}^{A}(i)-P_{t}^{B}(i)}{P_{t}^{A}(i)+P_{t}^{B}(i)}w_{i}\right)dt $$ 其中，$P_{t}^{A}(i)$和$P_{t}^{B}(i)$分别为买卖盘挂单价格，$w_{i}$为权重参数[51][52] 2. 数据处理：滚动求平均并调成正向[53] - **因子评价**：在中证全指和中证1000表现较强，但在2019~2020年出现短暂失效[62][127] --- 因子的回测效果 1. 小单早盘占比因子 - **中证全指**：RankIC均值6.36%，年化收益率21.64%，最大回撤-27.15%[21] - **沪深300**：RankIC均值7.11%，年化收益率20.76%，最大回撤-32.50%[21] 2. 小单收益率因子 - **中证全指**：RankIC均值6.55%，年化收益率40.37%，最大回撤-13.98%[44] - **沪深300**：RankIC均值2.61%，年化收益率9.69%，最大回撤-30.77%[44] 3. 挂单价格分歧度因子 - **中证全指**：RankIC均值5.36%，年化收益率19.32%，最大回撤-35.25%[54] - **沪深300**：RankIC均值2.41%，年化收益率13.52%，最大回撤-61.45%[54]

因子表现 - 动量因子本周表现良好，获取正收益0.77%[1] - 市值因子和非线性市值因子本周表现较差，分别获取负收益-0.78%和-0.85%[1] - 沪深300股票池中，早盘后收益因子表现最佳，获取正收益0.39%[1] - 中证500股票池中，标准化预期外收入因子表现最佳，获取正收益1.08%[1] - 流动性1500股票池中，标准化预期外收入因子表现最佳，获取正收益2.29%[2] 组合表现 - PB-ROE-50组合本周在全市场股票池中获得超额收益0.25%，但在中证500和中证800股票池中分别获得负超额收益-0.80%和-0.54%[23] - 公募调研选股策略和私募调研跟踪策略本周超额收益回落，分别获得负超额收益-1.44%和-1.48%[27] - 大宗交易组合本周未获得超额收益，相对中证全指获得负超额收益-0.64%[30] - 定向增发组合本周表现较好，相对中证全指获得超额收益1.25%[35] 风险提示 - 报告结果基于历史数据，历史数据存在不被重复验证的可能[38]

量化模型与构建方式 1. 模型名称：可转债的赎回概率调整定价模型（CCBA模型） - 模型构建思路：通过计算转债的理论定价，评估转债的期权估值水平[7][9] - 模型具体构建过程： - 计算转债价格与CCBA模型定价的偏离度，公式为： $$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{CCBA模型定价}} - 1 $$ - 通过该偏离度来表征转债的期权估值水平[9] - 模型评价：该模型能够较好地反映转债的期权估值水平，并用于择时策略[9] 2. 模型名称：转债&国债择时策略 - 模型构建思路：基于市场YTM差值与定价偏离度，进行转债与国债的择时配置[13] - 模型具体构建过程： - 计算市场YTM差值与定价偏离度的zscore，并形成择时综合打分 - 月度调整权重，构建转债&国债的择时策略[13] - 模型评价：策略几乎每年都能跑赢基准，波动与回撤明显降低[13] 3. 模型名称：胜率择时策略 - 模型构建思路：使用信用指标进行中证转债与国债的择时策略[20] - 模型具体构建过程： - 计算信用方向因子和信用强度因子，并求和得到信用综合分数 - 策略的中证转债权重=50%+信用综合分数×25%[23] - 模型评价：策略能够实现相对于等权基准的稳定超额收益[20] 模型的回测效果 1. 可转债的赎回概率调整定价模型（CCBA模型） - 未来半年中证转债预期收益：6.76%[12] 2. 转债&国债择时策略 - 年化收益：8.98% - 年化波动：6.76% - 最大回撤：11.79%[17] 3. 胜率择时策略 - 年化收益：7.67% - 年化波动：7.89% - 最大回撤：14.63%[22] 量化因子与构建方式 1. 因子名称：信用方向因子 - 因子的构建思路：通过中长期贷款脉冲判断信用环境[23] - 因子具体构建过程： - 计算中长期贷款脉冲=过去一年中长期贷款增量并取同比 - 若中长期贷款脉冲相比于三个月前有所抬升，则因子为1分，反之为-1分[23] 2. 因子名称：信用强度因子 - 因子的构建思路：通过信用指标的超预期情况判断信用强度[23] - 因子具体构建过程： - 查看信用指标是否超预期或不及预期 - 若标准化后的超预期因子>1.5，则因子为1分，若<-1.5，则因子为-1分，其余时间为0分[23] 因子的回测效果 1. 信用方向因子 - 无具体回测效果数据 2. 信用强度因子 - 无具体回测效果数据

- JPMorgan上周发行了基本面数据科学系列ETF，分为大中小盘三只产品，采用较为复杂的量化方法处理基本面数据并进行选股[9][10] - 该系列ETF在处理时，主要结合数据和其基本面传导逻辑，最终对股票的基本面信息形成预测，因此仍然强调基本面逻辑的可解释性[10] - 上周美国共5只新发ETF，数量较此前有明显减少[9]

- 外资配置型资金可以用EPFR口径的"非对冲基金"对中国大陆及其相应板块流入有效替代[5] - 交易型资金跟踪可以用主要投行的主经纪商数据有效替代[5] - 北向席位数据对个股的跟踪在2021年后无效，海外资金自上而下层面的流向对指数有效，对个股无效[6] - 美元流动性划分为政府部门流动性和私人部门流动性，私人部门流动性再划分为资金流动性、市场流动性和跨境流动性[6] - 美国基本面和日本央行加息只是"扣动扳机"，实质是自2024年4月以来美国政府部门流动性恶化的体现[7] - 2024年下半年大类资产最具确定性机会在于美债的每一轮下跌和恒指在15000-16000的双底[8] - EPFR基金流向数据库提供资产类别聚合、基金组别、投资经理、单个基金和份额类别的数据[14] - 核心数据包括单一基金的流入流出金额、单一基金的地区和板块配置、国家、地区、板块层面的资金流向[16] - 外国投资者资金流动可以作为新兴市场国家层面的有用领先指标[18] - 全球基金经理的国家或行业配置提供了额外的数据作为动量信号，在多因素股权配置模型中增加了价值[19] - 国家和行业的资金流动可以是更广泛市场方向的领先指标[20] - 配置者基于月度分配数据交叉检查他们自己的定位与行业同行[21] - 监控进入资产类别的资金流动是衡量投资者风险偏好的有用信号[22] - EPFR数据透明度和投资者类型的详细分类包括股票类、债券类、混合类、货币类和另类基金[23] - 2023年下半年以来，外资对H股的流入力度和弹性超过A股[40] - 美国对中国市场流入在2022年中见顶，之后缓慢流出；英国、日本在中国市场持仓基本已清空[59] - 2024年至今，北向交易盘主要买入消费、工业技术、医药和新能源[42] - 2023年的大幅清仓后2024年回流主要集中在港股[47] - 2021年中国抗疫成功后有大量资金流入大陆和香港，从2023年4月开始资金持续流出[50] - 在几次重点反弹时刻（2023年11-12月、2024年2-3月），外资对H股的流入都超过A股[53][56] - 2022年后主要增量资金来自德国、新加坡、小幅度来自沙特[59]

量化模型与构建方式 模型名称：基于主动交易的对冲成本优化模型 - **模型构建思路**：将股指期货交易策略与对冲持仓相结合，通过主动交易消除贴水带来的损失甚至贡献正收益，增强市场中性策略的表现[3][32] - **模型具体构建过程**： 1. 使用多项式拟合的方法来预测价格的变动趋势，采用1分钟的价格频率进行拟合和监控[3][32] 2. 拟合公式为： $$ p(t)=a_{n}t^{n}+a_{n-1}t^{n-1}+\cdots+a_{1}t^{1}+a_{0} $$ 其中，t为时间，n为拟合阶数，p(t)为t时刻的开盘价，f(t)为拟合的函数，an为拟合系数[47] 3. 对拟合函数求一、二阶导数，通过导数值的正负判断趋势的方向、力度以及变化趋势[47][48] 4. 策略信号定义： - f'(t)>0且f''(t)>0：上涨趋势加速（多仓） - f'(t)<0且f''(t)<0：下跌趋势加速（空仓） - f'(t)>0且f''(t)<0：上涨趋势放缓（平仓） - f'(t)<0且f''(t)>0：下跌趋势放缓[49] 5. 策略参数：拟合阶数为4阶，拟合时间长度为450分钟，止盈线设置在1.10%，止损线设置在-1.30%[50] - **模型评价**：该模型通过主动交易消除贴水带来的损失，能够增强市场中性策略的表现[3][32] 模型的回测效果 - **基于主动交易的对冲成本优化模型** - **IC**：不执行策略累计收益率-27.93%，年化收益率-5.49%，年化波动率3.37%，夏普率-2.52，最大回撤28.35%，上周收益率0.13%，2024年以来收益率-2.85%[35] - **IC**：执行策略累计收益率-16.94%，年化收益率-3.15%，年化波动率7.90%，夏普率-0.78，最大回撤23.87%，上周收益率0.37%，2024年以来收益率-3.86%[35] - **IF**：不执行策略累计收益率-11.77%，年化收益率-2.13%，年化波动率2.70%，夏普率-1.90，最大回撤12.55%，上周收益率0.05%，2024年以来收益率-1.68%[35] - **IF**：执行策略累计收益率0.38%，年化收益率0.07%，年化波动率6.69%，夏普率-0.44，最大回撤22.87%，上周收益率0.46%，2024年以来收益率-6.15%[35] - **IH**：不执行策略累计收益率-10.33%，年化收益率-1.86%，年化波动率2.69%，夏普率-1.81，最大回撤11.57%，上周收益率0.05%，2024年以来收益率-2.18%[35] - **IH**：执行策略累计收益率-9.26%，年化收益率-1.66%，年化波动率7.01%，夏普率-0.66，最大回撤23.59%，上周收益率0.07%，2024年以来收益率-8.51%[35] 量化因子与构建方式 因子名称：股指期货基差率 - **因子的构建思路**：通过计算股指期货合约与现货指数之间的基差率，评估市场情绪和套利机会[2][10] - **因子具体构建过程**： 1. 基差率公式： $$ \text{基差率} = \frac{\text{期货价格} - \text{现货价格}}{\text{现货价格}} $$ 2. 年化基差率公式： $$ \text{年化基差率} = \frac{\text{期货价格} - \text{现货价格}}{\text{现货价格}} \times \frac{252}{\text{剩余交易日天数}} $$ 3. 计算跨期价差率： $$ \text{跨期价差率} = \frac{\text{当月合约价格} - \text{下月合约价格}}{\text{当月合约价格}} $$ 4. 统计跨期价差率的分位数，评估其在历史分布中的位置[2][10][11] 因子的回测效果 - **股指期货基差率** - **IF**：主力合约基差率-1.65%，当季合约年化基差率-1.65%，跨期价差率65.20%分位数[2][10] - **IC**：主力合约基差率-6.15%，当季合约年化基差率-6.15%，跨期价差率60.30%分位数[2][10] - **IM**：主力合约基差率-10.74%，当季合约年化基差率-10.74%，跨期价差率96.90%分位数[2][10] - **IH**：主力合约基差率-0.72%，当季合约年化基差率-0.72%，跨期价差率67.20%分位数[2][10]