- 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]

量化模型与构建方式 1. 模型名称：基于交易动机因子及股票价差收益因子的选基策略 - **模型构建思路**：通过构造交易动机因子和股票价差收益因子，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[20][21] - **模型具体构建过程**： - **交易动机因子**：由估值/流动性动机因子和业绩粉饰动机因子等权合成 - 估值/流动性动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20只股票成交额占比数据计算[42] - **股票价差收益因子**：由基金利润表中股票价差收入（股票投资收益科目）计算得出[42] - 策略采用半年频调仓方式，每年3月末和8月末调仓，从主动权益型基金中进行筛选，并扣除交易成本[21] - **模型评价**：策略长期跑赢万得偏股混合型基金指数，具有较好的超额收益能力，但在市场环境变化时可能存在失效风险[21][24] 2. 模型名称：基于基金特征和基金能力的综合选基策略 - **模型构建思路**：从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建选基因子，并进行等权重合成[2][28] - **模型具体构建过程**： - **基金规模类因子**：基于基金规模和份额（合并口径）[42] - **持有人结构类因子**：基于员工持有份额占比[42] - **基金业绩动量类因子**：由4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数等权合成，使用过去1年的基金净值数据计算[42] - **选股能力因子**：基于多期Brinson模型，使用基金季频重仓股数据计算，由选股胜率和选股超额收益率等权合成[42] - **隐形交易能力因子**：由隐形收益能力因子和风险转移能力因子等权合成，从收益和风险两个层面度量基金交易带来的贡献[43] - **含金量因子**：考察基金重仓股中包含的券商金股情况[43] - 策略采用季频调仓方式，在每年1、4、7、10月末进行调仓，并扣除交易成本[28] - **模型评价**：策略在2013年至2021年表现较好，但2022年至2023年未能跑赢基准，2024年表现有所回升[30][36] 3. 模型名称：风格轮动型基金优选策略 - **模型构建思路**：基于成长价值与大小盘两个维度，通过基金持仓数据构建绝对主动轮动指标，识别风格轮动型基金，并根据主动轮动收益因子刻画风格轮动效果[31] - **模型具体构建过程**： - **绝对主动轮动指标**：剔除被动变化部分，保留基金经理主动调整的部分[43] - **主动轮动收益因子**：根据区间风格主动变化及区间风格因子收益计算，体现基金风格轮动的结果[43] - 策略采用半年频调仓方式，每年3月末和8月末调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本[31] - **模型评价**：策略在2024年表现优于基准，具有一定的超额收益能力[32][36] --- 模型的回测效果 1. 基于交易动机因子及股票价差收益因子的选基策略 - **7月份收益率**：-1.59%[24] - **年化收益率**：8.93%[24] - **年化波动率**：21.80%[24] - **Sharpe比率**：0.41[24] - **最大回撤率**：48.39%[24] - **年化超额收益率**：4.24%[24] - **超额最大回撤率**：12.19%[24] - **信息比率（IR）**：0.78[24] - **7月份超额收益率**：0.61%[24] 2. 基于基金特征和基金能力的综合选基策略 - **7月份收益率**：-2.75%[30] - **年化收益率**：12.95%[30] - **年化波动率**：21.50%[30] - **Sharpe比率**：0.60[30] - **最大回撤率**：44.27%[30] - **年化超额收益率**：5.81%[30] - **超额最大回撤率**：7.96%[30] - **信息比率（IR）**：1.24[30] - **7月份超额收益率**：-0.60%[30] 3. 风格轮动型基金优选策略 - **7月份收益率**：-1.78%[36] - **年化收益率**：7.88%[36] - **年化波动率**：18.56%[36] - **Sharpe比率**：0.42[36] - **最大回撤率**：37.30%[36] - **年化超额收益率**：4.04%[36] - **超额最大回撤率**：9.49%[36] - **信息比率（IR）**：0.75[36] - **7月份超额收益率**：0.35%[36] --- 量化因子与构建方式 1. 因子名称：交易动机因子 - **因子构建思路**：通过估值/流动性动机因子和业绩粉饰动机因子等权合成[42] - **因子具体构建过程**： - 估值/流动性动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20只股票成交额占比数据计算[42] 2. 因子名称：股票价差收益因子 - **因子构建思路**：通过基金利润表中的股票价差收入计算[42] - **因子具体构建过程**： - 直接从基金利润表中提取股票投资收益科目数据[42] 3. 因子名称：绝对主动轮动指标 - **因子构建思路**：剔除被动变化部分，保留基金经理主动调整的部分[43] - **因子具体构建过程**： - 根据基金报告期之间的风格变化，剔除被动变化部分，计算主动调整部分[43] 4. 因子名称：主动轮动收益因子 - **因子构建思路**：通过区间风格主动变化及区间风格因子收益计算[43] - **因子具体构建过程**： - 结合基金持仓数据，计算区间内风格因子收益并提取主动变化部分[43]

- 本周市场各宽基指数弱势下行，小盘成长风格相对较弱[2][7] - 本周普通股票型基金、偏股混合型基金的股票仓位分别为86.04%、77.14%，较上周仓位分别下降0.17%、0.06%[2][9] - 本周新成立的股票型基金募集规模10.2亿元、混合型基金募集规模11.3亿元，合计规模21.5亿元，较上周减少7.1亿元[2][14] - 本周北向资金净流入合计为-147.6亿元，而上周该数据为32.2亿元[2][15] - 本周融资余额较上周减少55亿元，减至14063亿元；融券余额为184亿元，较上周减少28亿元[2][18] - 本周行业间收益率的标准差为1.94%，较上周上行0.14%，显示本周行业间收益的差异较上周小幅扩大[2][21][22] - 本周各行业日均换手率的标准差为1.09%，与上周相比上行0.37%[3][24] - 本周中证1000指数预期复合增长率环比下调0.15%，相对较大；而沪深300指数与上周相比则基本持平，微幅下调0.01%[3][28] - 本周医药等行业预期复合增长率上调0.57%，相对较大；而下调幅度较大的为机械等行业，下调0.54%[3][31]

量化模型与构建方式 模型名称：支持向量机（SVM） - **模型构建思路**：采用支持向量机模型对沪深300指数进行择时，通过训练集数据训练模型，并对未来市场趋势进行预判[1][9] - **模型具体构建过程**： 1. 选取价量、资金等22个指标作为备选特征向量，根据相关系数矩阵，逐一剔除相关系数较强的指标，最终剩余12个指标：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[1][9] 2. 初始策略将2013-01-01至2017-12-31作为训练集，样本数据频率为周，共计256周。在训练样本中，将下周周收益为正的定义为1，下周周收益率为负的定义为0[9] 3. 通过对核函数选择、对参数进行寻优，得到一个训练模型，对2018年1月2日至2018年1月5日进行预测。之后将训练样本长度增加一周，重新修正模型，再预测下一周[9] 4. 对未满五天交易周之后一周的策略延续上一周操作，在此操作下策略表现相对更为优异[9] - **模型评价**：模型在预测下跌时的准确率较高，但在预测上涨时的准确率相对较弱[16] 模型的回测效果 - **单向做多策略** - 期末净值：1.11[2][10] - 累计收益率：10.62%[2][10] - 超额收益率：27.78%[2][10] - 最大回撤：30.06%[2][10] - **双向多空策略** - 期末净值：1.48[2][12] - 累计收益率：47.67%[2][12] - 超额收益率：64.83%[2][12] - 最大回撤：27.92%[2][12] - **策略运行以来表现** - 单向做多策略期末净值：1.55[13] - 双向多空策略期末净值：2.92[13] - 沪深300指数期末净值：0.83[13] - 单向做多策略超额收益率：72.85%[13] - 双向多空策略超额收益率：209.73%[13] - **策略2022年以来模拟实盘交易表现** - 单向做多策略期末净值：0.76[3][18] - 双向多空策略期末净值：0.80[3][18] - 沪深300指数期末净值：0.71[3][18] - 单向做多策略超额收益率：4.94%[3][18] - 双向多空策略超额收益率：8.96%[3][18] 因子的回测效果 - **模型准确率分布情况** - 收益率区间 <-10%：训练集准确率100.00%，测试集准确率100.00%[17] - 收益率区间 [-10%，-8%)：训练集准确率100.00%，测试集准确率100.00%[17] - 收益率区间 [-8%，-6%)：训练集准确率100.00%，测试集准确率75.00%[17] - 收益率区间 [-6%，-4%)：训练集准确率77.78%，测试集准确率58.82%[17] - 收益率区间 [-4%，-2%)：训练集准确率72.00%，测试集准确率66.67%[17] - 收益率区间 [-2%，0%)：训练集准确率63.08%，测试集准确率57.29%[17] - 收益率区间 [0%，2%)：训练集准确率89.01%，测试集准确率50.00%[17] - 收益率区间 [2%，4%)：训练集准确率75.00%，测试集准确率43.86%[17] - 收益率区间 [4%，6%)：训练集准确率83.33%，测试集准确率50.00%[17] - 收益率区间 [6%，8%)：训练集准确率100.00%，测试集准确率75.00%[17] - 收益率区间 [8%，10%)：训练集准确率100.00%，测试集无数据[17] - 收益率区间 ≥10%：训练集准确率100.00%，测试集无数据[17] - 整体：训练集准确率78.91%，测试集准确率54.65%[17]

- 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][4][10]

量化因子与构建方式 1. 因子名称：BP_LR（市净率倒数） - **因子的构建思路**：通过市净率的倒数衡量股票的价值属性，市净率越低，倒数值越高，表明股票可能被低估[1][14] - **因子具体构建过程**： 公式为： $ BP\_LR = \frac{股东权益合计（不含少数股东权益）}{总市值} $ 其中，股东权益合计和总市值均取自最新财报数据[44] - **因子评价**：该因子在价值风格中表现较为突出，过去一周收益排名靠前[14] 2. 因子名称：Ln_FloatCap（流通市值的自然对数） - **因子的构建思路**：通过流通市值的自然对数衡量股票的规模属性，较小的市值可能对应更高的收益潜力[1][14] - **因子具体构建过程**： 公式为： $ Ln\_FloatCap = \ln(流通市值) $ 流通市值为股票的可流通部分市值[44] - **因子评价**：该因子在小盘风格中表现较好，过去一周收益为正，且行业中性多空组合收益为0.63%[1][14] 3. 因子名称：RealizedVolatility_240D（240日已实现波动率） - **因子的构建思路**：通过计算过去240天的收益率标准差，衡量股票的波动性，波动性较高的股票可能具有更高的风险溢价[1][14] - **因子具体构建过程**： 公式为： $ RealizedVolatility\_240D = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (r_i - \bar{r})^2} $ 其中，$ r_i $为每日收益率，$ \bar{r} $为平均收益率，$ n $为240天[44] - **因子评价**：该因子在技术类因子中表现突出，过去一周收益排名靠前[1][14] 4. 因子名称：TurnoverAvg_20D（20日平均换手率） - **因子的构建思路**：通过计算过去20天的日均换手率，衡量股票的交易活跃度，换手率较高的股票可能反映市场对其关注度较高[1][14] - **因子具体构建过程**： 公式为： $ TurnoverAvg\_20D = \frac{\sum_{i=1}^{20} Turnover_i}{20} $ 其中，$ Turnover_i $为每日换手率[44] - **因子评价**：该因子在量价类因子中表现较为突出，过去一周收益排名靠前[1][14] --- 因子的回测效果 1. BP_LR因子 - **行业中性多空组合收益**：过去一周为0.76%[42] - **IC均值**：全样本为5.50%[42] - **ICIR**：全样本为0.50[42] 2. Ln_FloatCap因子 - **行业中性多空组合收益**：过去一周为0.62%[42] - **IC均值**：全样本为2.46%[42] - **ICIR**：全样本为0.15[42] 3. RealizedVolatility_240D因子 - **行业中性多空组合收益**：过去一周为2.15%[42] - **IC均值**：全样本为6.63%[42] - **ICIR**：全样本为0.48[42] 4. TurnoverAvg_20D因子 - **行业中性多空组合收益**：过去一周为0.89%[42] - **IC均值**：全样本为8.20%[42] - **ICIR**：全样本为0.62[42]

量化模型与构建方式 1. 模型名称：AlphaNetV3 - **模型构建思路**：AlphaNetV3 是基于 AlphaNet（V1）改进的深度学习模型，增加了比率类特征，使用不同步进的特征提取层，并将池化层替换为 GRU，保留了时序特性[7][13][15] - **模型具体构建过程**： 1. **输入层**：对底层特征池进行采样、分集、分批处理[18] 2. **特征提取层**：通过7个函数（如相关系数、协方差、标准差等）生成二维特征矩阵，步进分别为10和5[19][71] 3. **池化层**：使用GRU模块保留时序信息，GRU的公式如下： $z_t = \sigma(x_t W_{z,x_t} + h_{t-1} W_{z,h_{t-1}})$ $r_t = \sigma(x_t W_{r,x_t} + h_{t-1} W_{r,h_{t-1}})$ $\widetilde{h}_t = \tanh(x_t W_{tanh,x_t} + (h_{t-1} \circ r_t) W_{tanh,h_{t-1}})$ $h_t = (1 - z_t) \circ h_{t-1} + z_t \circ \widetilde{h}_t$ 其中，$z_t$为更新门，$r_t$为重置门，$h_t$为隐藏状态[27][28][30] 4. **激活函数**：使用ReLU激活函数，公式为$f(x) = \max(0, x)$，在正区间内缓解梯度消失问题[37][40] 5. **全连接层**：将池化层输出的特征展平并线性合成为输出[18][67] 6. **优化器**：采用RMSprop优化器，学习率为1e-4，动量为0.9，权重使用L2正则化[58][60] 7. **损失函数**：使用均方误差（MSE），公式为$MSE = \frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y_i})^2$[54][55] 8. **训练设置**：训练集为2018.01.01-2021.10.31，测试集为2021.11.01-2021.12.31，样本外回测为2022.01.01-2024.07.15，预测周期和采样间隔均为1[68][70] - **模型评价**：AlphaNetV3 在可转债领域表现出较强的预测能力，尤其在波动性较大的市场环境中表现较好，适合震荡牛市[7][87] --- 模型的回测效果 1. AlphaNetV3模型 - **收益率**：组3的样本外回测收益率为8.5%，超额收益率为19.9%，年化收益率为3.3%，年化超额为8.0%[4][82] - **贝塔**：组3的贝塔为1.36，表明因子倾向构造强于市场系统性风险的组合[82] - **阿尔法**：组3的阿尔法为0.11，组10的阿尔法为-0.07[82] - **夏普比率**：组3的夏普为0.02，基准中证转债的夏普为-0.96[82] - **胜率**：组3的胜率为52.3%，日胜率为53.1%[4][82] - **盈亏比**：组3的盈亏比为1.04[4][82] - **最大回撤**：组3的最大回撤为14.2%，基准为15.3%[4][82] - **IC和IR**：组3的IC值为0.1，IR值为0.75，显示因子质量很好且超额收益较稳健[86] --- 量化因子与构建方式 1. 因子名称：可转债量价因子 - **因子的构建思路**：基于AlphaNetV3模型，通过对可转债的量价数据进行挖掘，构建选债因子[7][15] - **因子具体构建过程**： 1. **特征池选择**：包括开盘价、收盘价、最低价、最高价、交易量、交易额、转股溢价率等[25] 2. **特征提取**：使用相关系数、协方差、标准差、z-score等函数提取特征，步进分别为10和5[19][71] 3. **因子分组**：根据预测值大小分为10组，因子值越大（预测值越高）的组别数字越小[75] - **因子评价**：因子在波动性较大的市场环境中表现较强，适合震荡牛市，结合多因子使用可增强组合稳定性[87] --- 因子的回测效果 1. 可转债量价因子 - **收益率**：组3的样本外回测收益率为8.5%，超额收益率为19.9%，年化收益率为3.3%，年化超额为8.0%[4][82] - **贝塔**：组3的贝塔为1.36[82] - **阿尔法**：组3的阿尔法为0.11[82] - **夏普比率**：组3的夏普为0.02[82] - **胜率**：组3的胜率为52.3%，日胜率为53.1%[4][82] - **盈亏比**：组3的盈亏比为1.04[4][82] - **最大回撤**：组3的最大回撤为14.2%[4][82] - **IC和IR**：组3的IC值为0.1，IR值为0.75[86]

- 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]

根据提供的文档内容，未发现关于量化模型或量化因子的具体构建、公式或测试结果的相关信息，因此无法总结相关内容