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]

量化模型与构建方式 1. 境内主动资产配置组合模型 - **模型名称**：境内主动资产配置组合模型 - **模型构建思路**：基于战术性主动观点，设置境内主动资产配置组合，并对其表现进行追踪[5][20] - **模型具体构建过程**： 1. **调仓方式**：每月最后一个交易日进行调仓，或在主动观点发生显著变化时进行不定时调整[21] 2. **换手率限制**：月双边换手率不得超过60%[21] 3. **比较基准**：Wind混合型基金总指数[21] 4. **货币币种**：人民币，默认汇率风险完全对冲[21] - **模型评价**：该模型通过定期调仓和换手率限制，确保组合的灵活性和稳定性[21] 2. 全球主动资产配置组合模型 - **模型名称**：全球主动资产配置组合模型 - **模型构建思路**：基于战术性主动观点，设置全球主动资产配置组合，并对其表现进行追踪[5][20] - **模型具体构建过程**： 1. **调仓方式**：每月最后一个交易日进行调仓，或在主动观点发生显著变化时进行不定时调整[21] 2. **换手率限制**：月双边换手率不得超过60%[21] 3. **比较基准**：20%×MSCI全球权益指数+60%×美债+20%×CRB指数[21] 4. **货币币种**：美元，默认汇率风险完全对冲[21] - **模型评价**：该模型通过多元化的资产配置和严格的换手率限制，确保组合的稳定性和收益性[21] 模型的回测效果 境内主动资产配置组合模型 - **收益率**： - 上周收益率：-0.61%[22] - 基准指数收益率：-1.09%[22] - 超额收益率：0.48%[22] - 累计超额收益率：4.57%（年化47.51%）[22] - 累计绝对收益率：0.45%（年化3.98%）[22] 全球主动资产配置组合模型 - **收益率**： - 上周收益率：-0.44%[37] - 基准指数收益率：0.08%[37] - 超额收益率：-0.52%[37] - 累计超额收益率：1.73%（年化16.06%）[37] - 累计绝对收益率：1.10%（年化9.96%）[37]

- 本报告未涉及量化模型或量化因子的相关内容[1][2][3]

- 本报告未涉及量化模型或量化因子的构建、测试及相关分析内容[1][2][3]

量化模型与构建方式 模型名称：周期滤波模型 - **模型构建思路**：通过周期滤波方法分析全球主要市场的周期性变化，识别市场的周期顶部和底部[3][4][5] - **模型具体构建过程**： 1. 收集全球主要市场的历史数据，包括股票指数、国债收益率、商品指数和汇率等[3][4][5] 2. 对这些数据进行同比序列计算，得到各市场的同比变化率[3][4][5] 3. 使用主成分分析（PCA）提取各市场的主要成分，得到PCA第一主成分（PCA1）[6][10][13] 4. 对PCA1进行周期滤波，识别出周期性变化的趋势和拐点[6][10][13] - **模型评价**：该模型能够较好地捕捉市场的周期性变化，提供市场拐点的预警信号[3][4][5] 模型的回测效果 - **周期滤波模型** - 标普500指数同比变化率：1.1%[3] - 德国DAX指数同比变化率：1.5%[3] - 日经225指数同比变化率：-1.2%[3] - 中国10年期国债收益率同比变化率：-5.6BP[4] - 美国10年期国债收益率同比变化率：-27BP[4] - 德国10年期国债收益率同比变化率：-13BP[4] - 彭博农业指数同比变化率：-5.3%[5] - 彭博工业金属指数同比变化率：-7.2%[5] - 彭博能源业指数同比变化率：-8.1%[5] - 彭博贵金属指数同比变化率：2.2%[5] - 美元兑欧元同比变化率：-1%[6] - 美元兑英镑同比变化率：-1.6%[6] - 美元兑日元同比变化率：-6.8%[6] - 美元兑澳元同比变化率：2%[6] - 美元兑加元同比变化率：0.9%[6] - 美元兑挪威克朗同比变化率：3.3%[6] 量化因子与构建方式 因子名称：PCA第一主成分（PCA1） - **因子的构建思路**：通过主成分分析（PCA）提取各市场的主要成分，得到PCA第一主成分（PCA1），用于分析市场的主要驱动因素[6][10][13] - **因子具体构建过程**： 1. 收集全球主要市场的历史数据，包括股票指数、国债收益率、商品指数和汇率等[3][4][5] 2. 对这些数据进行同比序列计算，得到各市场的同比变化率[3][4][5] 3. 使用主成分分析（PCA）提取各市场的主要成分，得到PCA第一主成分（PCA1）[6][10][13] 4. 对PCA1进行周期滤波，识别出周期性变化的趋势和拐点[6][10][13] - **因子评价**：PCA1因子能够有效提取市场的主要驱动因素，简化数据分析过程，提高分析效率[6][10][13] 因子的回测效果 - **PCA1因子** - 全球主要股指同比PCA1：-1.1%[10] - 全球主要利率同比PCA1+2：-2.3%[27] - 全球主要商品同比PCA1：-3.5%[37] - 全球主要汇率同比PCA1：1.2%[45]

量化模型与构建方式 1. 模型名称：右侧行业景气趋势模型 - **模型构建思路**：通过景气度、趋势和拥挤度三个维度筛选行业，选择景气高、趋势强且拥挤度不高的行业，适用于右侧市场环境[8][10][81] - **模型具体构建过程**： - 景气度：衡量行业基本面和盈利能力 - 趋势：基于市场动量因子，捕捉强势行业 - 拥挤度：通过资金流向和持仓集中度，规避高拥挤风险 - 结合上述指标，构建行业配置权重，并进一步叠加PB-ROE选股策略[12][81][93] - **模型评价**：模型表现稳健，适用于右侧市场环境，进攻性强，样本外表现优异[8][81] 2. 模型名称：左侧行业库存景气反转模型 - **模型构建思路**：基于赔率-胜率框架，结合行业库存周期，挖掘困境反转机会，适用于左侧市场环境[8][16][83] - **模型具体构建过程**： - 剔除库存和资本开支历史分位数>80%、毛利率和自由现金流占比历史分位数<20%的行业 - 重点关注库存压力较小且具备补库条件的行业 - 结合分析师长期看好的行业，捕捉补库周期中的反转机会[16][83][86] - **模型评价**：模型在困境反转行情中表现较好，适合捕捉左侧市场机会[16][83] 3. 模型名称：行业景气度选股模型 - **模型构建思路**：基于行业景气度模型，进一步落实到个股层面，选择估值性价比高的股票[12][93] - **模型具体构建过程**： - 根据行业配置模型确定行业权重 - 在行业内选取PB-ROE估值性价比排名前40%的股票 - 按流通市值和PB-ROE打分加权，构建投资组合[12][93] - **模型评价**：模型样本外表现优异，超额收益显著[12][93] 4. 模型名称：行业ETF配置模型 - **模型构建思路**：将行业景气度模型应用于ETF投资，便于投资者直接落地操作[89][93] - **模型具体构建过程**： - 基于行业景气度模型，筛选景气度高的行业 - 配置对应的行业ETF，形成投资组合[89][93] - **模型评价**：策略年化超额收益显著，信息比率较高[89][93] --- 模型的回测效果 1. 右侧行业景气趋势模型 - 年化超额收益：16.3% - 信息比率：1.74 - 超额最大回撤：-7.4% - 月度胜率：71% - 2023年超额收益：9.3% - 2024年截止7月底超额收益：8.0%[81][82] 2. 左侧行业库存景气反转模型 - 年化超额收益：16.5% - 信息比率：1.76 - 超额最大回撤：-8.7% - 2023年绝对收益：17.8%，相对行业等权超额收益：21.6% - 2024年截止7月底绝对收益：-3.4%，相对行业等权超额收益：9.6%[86][87] 3. 行业景气度选股模型 - 年化超额收益：22.9% - 信息比率：2.02 - 超额最大回撤：-8.0% - 月度胜率：74% - 2022年超额收益：10.2% - 2023年超额收益：10.4% - 2024年截止7月底绝对收益：5.5%，超额收益：13.2%[12][93][95] 4. 行业ETF配置模型 - 年化超额收益：18.2% - 信息比率：1.87 - 2023年超额收益：6.0% - 2024年截止7月底超额收益：2.2%[89][91] --- 量化因子与构建方式 1. 因子名称：PB-ROE因子 - **因子构建思路**：通过PB（市净率）和ROE（净资产收益率）结合，衡量估值性价比，筛选高性价比股票[12][93] - **因子具体构建过程**： - 计算PB和ROE的历史分位数 - 对行业内股票进行PB-ROE综合打分 - 选取前40%的股票构建投资组合[12][93] --- 因子的回测效果 1. PB-ROE因子 - 样本外年化超额收益：10%以上 - 2022年超额收益：10.2% - 2023年超额收益：10.4% - 2024年截止7月底超额收益：13.3%[12][93]

量化模型与构建方式 1. 模型名称：股指期货跨期价差套利策略 - **模型构建思路**：基于股指期货跨期价差的均值回归特性，构造动态布林轨择时策略，通过价差的上下轨信号进行正套或反套操作[28] - **模型具体构建过程**： - **正套策略**：当期限价差低于布林轨下轨时，买入当月合约、卖出次月合约；当期限价差高于布林轨上轨时清仓 - **反套策略**：当期限价差高于布林轨上轨时，买入次月合约、卖出当月合约；当期限价差低于布林轨下轨时清仓[28] - **模型评价**：策略基于均值回归特性，逻辑清晰，适用于跨期价差波动较大的市场环境[28] --- 模型的回测效果 1. 股指期货跨期价差套利策略 - **IH正套**：平均收益0.46%，最大收益4.10%，最小收益-0.70%，开仓胜率80.65%，盈亏比2.27，平均持仓天数33[29] - **IH反套**：平均收益0.52%，最大收益4.00%，最小收益-0.79%，开仓胜率81.25%，盈亏比2.58，平均持仓天数37.2[29] - **IF正套**：平均收益0.40%，最大收益5.13%，最小收益-0.24%，开仓胜率75.56%，盈亏比5.05，平均持仓天数36.5[29] - **IF反套**：平均收益0.41%，最大收益4.36%，最小收益-0.57%，开仓胜率89.13%，盈亏比1.36，平均持仓天数38.7[29] - **IC正套**：平均收益0.36%，最大收益2.27%，最小收益-0.31%，开仓胜率86.21%，盈亏比2.24，平均持仓天数39.2[29] - **IC反套**：平均收益0.46%，最大收益2.81%，最小收益-0.53%，开仓胜率86.67%，盈亏比1.68，平均持仓天数36.8[29] - **IM正套**：平均收益0.34%，最大收益0.57%，最小收益0.09%，开仓胜率100.00%，盈亏比未计算，平均持仓天数38.6[29] - **IM反套**：平均收益0.32%，最大收益0.93%，最小收益-0.31%，开仓胜率80.00%，盈亏比1.56，平均持仓天数50[29] --- 量化因子与构建方式 1. 因子名称：持仓量认沽认购比（PCR） - **因子构建思路**：通过期权持仓量的认沽认购比，反映期权投资者对未来市场的观点[23] - **因子具体构建过程**： - 计算公式： $ PCR = \frac{\text{认沽期权持仓量}}{\text{认购期权持仓量}} $ 其中，认沽期权持仓量和认购期权持仓量分别为期权市场中对应方向的持仓量总和[23] - **因子评价**：该因子能够直观反映市场情绪，适合作为市场情绪监测的辅助指标[23] 2. 因子名称：VIX指数 - **因子构建思路**：基于标的期权的隐含波动率，衡量市场对未来30天波动率的预期[25] - **因子具体构建过程**： - 使用上证50ETF期权数据编制VIX指数，计算每日各期限隐含波动率（IV）的均值后，再计算日均值[25] - **因子评价**：VIX指数是市场风险预期的重要指标，能够反映投资者对未来市场波动的担忧程度[25] --- 因子的回测效果 1. 持仓量认沽认购比（PCR） - 沪深300对应期权持仓PCR为85.49%[23] 2. VIX指数 - 上证50-VIX收于13.89，较上上周边际下降[25] - CBOE-VIX收于20.37，较上上周边际下降[25]

- 模型名称：封板率与连板率模型 - 模型构建思路：通过统计股票在盘中涨停和连板的情况，分析市场情绪 - 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} $ - 模型评价：封板率和连板率可以反映市场的短期情绪和资金活跃度[16][17] - 模型名称：股指期货升贴水模型 - 模型构建思路：通过计算股指期货主力合约的年化升贴水率，分析市场对未来的预期 - 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) $ - 模型评价：股指期货升贴水率可以反映市场对未来的预期和对冲成本[28][30][31] - 因子名称：两融余额因子 - 因子的构建思路：通过计算两融余额占流通市值比重和两融交易占市场成交额比重，分析市场资金流向 - 因子具体构建过程： - 计算两融余额占流通市值比重： $ 两融余额占流通市值比重 = \frac{两融余额}{市场总流通市值} $ - 计算两融交易占市场成交额比重： $ 两融交易占市场成交额比重 = \frac{融资买入额 + 融券卖出额}{市场总成交额} $ - 因子评价：两融余额因子可以反映市场的资金活跃度和投资者的风险偏好[18][21][23] - 因子名称：ETF折溢价因子 - 因子的构建思路：通过统计ETF的折溢价情况，分析投资者情绪 - 因子具体构建过程： - 计算ETF的折溢价率： $ 折溢价率 = \frac{ETF场内交易价格 - ETF场外净值}{ETF场外净值} $ - 因子评价：ETF折溢价因子可以反映市场的投资情绪和资金流向[24][27] - 封板率与连板率模型，封板率57%，连板率17%[16][17] - 股指期货升贴水模型，上证50股指期货主力合约年化升水率1.86%，沪深300股指期货主力合约年化贴水率0.12%，中证500股指期货主力合约年化升水率4.56%，中证1000股指期货主力合约年化升水率5.75%[28][30][31] - 两融余额因子，两融余额14220亿元，占流通市值比重2.2%，两融交易占市场成交额比重7.6%[18][21][23] - ETF折溢价因子，机器人100ETF溢价1.67%，中证1000增强ETF折价0.78%[24][27]

- 本次报告未涉及量化模型或量化因子的具体构建、测试及评价内容[1][2][3] - 报告主要内容集中在基金市场表现、资金流向、基金成立与发行等方面[1][2][3] - 涉及的量化策略基金仅提及名称和募资规模，如“汇泉智享量化选股”募资4.87亿元、“东方红红利量化选股”新发行等，但未提供具体的量化模型或因子构建细节[39][40][41]

量化模型与构建方式 1. 模型名称：300ETF基金智能定投策略 - **模型构建思路**：以300ETF指数基金为投资标的，在普通基金定投的基础上，根据沪深300指数的市盈率估值高低，动态调整投资额度。估值越低，定投倍数越高；估值越高，定投倍数越低，甚至暂停定投[18] - **模型具体构建过程**： 1. 根据沪深300指数历史市盈率(PE)的均值和标准差，将市盈率估值划分为多个区间 2. 在估值较低的区间，增加定投倍数；在估值较高的区间，减少定投倍数或暂停定投 3. 当市盈率被严重高估时，尝试对300ETF持仓进行减仓或清仓操作，以规避估值回归带来的价格下跌风险[18] - **模型评价**：策略通过动态调整投资额度，在风险控制和收益提升方面表现较好[20] 2. 模型名称：300ETF基金智能定投及备兑策略 - **模型构建思路**：在基金智能定投策略的基础上，结合300ETF期权备兑策略，通过赚取权利金来增强收益[19] - **模型具体构建过程**： 1. 在基金定投策略持有300ETF现货的基础上，判断市场是否处于长期震荡状态 2. 若市场处于长期震荡状态，则选择300ETF期权备兑开仓，赚取权利金 3. 若市场不处于震荡状态，则不进行备兑操作[19] - **模型评价**：策略在震荡市场中能够有效增强收益，同时保持较好的风险控制能力[25] 3. 模型名称：支持向量机算法的沪深300指数择时策略 - **模型构建思路**：利用支持向量机（SVM）模型对沪深300指数进行择时，通过分析市场特征向量，预测未来市场趋势[29] - **模型具体构建过程**： 1. 选取12个指标作为特征向量，包括换手率、ADTM、ATR、CCI、MACD、MTM、ROC、SOBV、STD26、STD5、两融交易额占A股成交额（%）、上一交易周收益率[30] 2. 使用训练集数据训练支持向量机模型，建立输入与输出的映射关系 3. 根据模型预测结果，采取以下操作： - 若结果为“买入”，则单向做多策略和双向多空策略均买入指数 - 若结果为“卖出”，单向做多策略空仓，双向多空策略卖出指数[30] - **模型评价**：支持向量机模型在股票择时中具有一定的有效性，能够在不同市场环境下提供较好的收益和风险控制[29][30] --- 模型的回测效果 1. 300ETF基金智能定投策略 - **期末净值**：0.96[20] - **年化收益率**：-1.00%[20] - **年化波动率**：16.78%[24] - **最大回撤**：22.39%[24] - **夏普比率**：-0.24[24] 2. 300ETF基金智能定投及备兑策略 - **期末净值**：0.96[24] - **年化收益率**：-1.12%[24] - **年化波动率**：17.22%[27] - **最大回撤**：19.61%[27] - **夏普比率**：-0.25[27] 3. 支持向量机算法的沪深300指数择时策略 - **单向做多策略**： - **期末净值**：1.12[31] - **年化收益率**：2.6%[34] - **年化波动率**：27.36%[34] - **最大回撤**：30.06%[34] - **夏普比率**：-0.02[34] - **双向多空策略**： - **期末净值**：1.50[32] - **年化收益率**：9.2%[34] - **年化波动率**：38.96%[34] - **最大回撤**：27.92%[34] - **夏普比率**：0.16[34] 4. 支持向量机策略2024年表现 - **单向做多策略**： - **期末净值**：1.02[34] - **年化收益率**：3.0%[37] - **年化波动率**：25.07%[37] - **最大回撤**：5%[37] - **夏普比率**：0.00[37] - **双向多空策略**： - **期末净值**：1.05[36] - **年化收益率**：8.6%[37] - **年化波动率**：33.18%[37] - **最大回撤**：10%[37] - **夏普比率**：0.17[37]