根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：价值50组合[7] **模型构建思路**：基于价值风格，以高beta弹性和长期稳健超额收益为目标构建的Smart Beta组合[7] **模型具体构建过程**：选取历史相关性低的价值风格，构建包含50只股票的组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[7] 2. **模型名称**：价值均衡50组合[7] **模型构建思路**：基于价值风格，以高beta弹性和长期稳健超额收益为目标构建的Smart Beta组合[7] **模型具体构建过程**：选取历史相关性低的价值风格，构建包含50只股票的均衡组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[7] 3. **模型名称**：成长50组合[7] **模型构建思路**：基于成长风格，以高beta弹性和长期稳健超额收益为目标构建的Smart Beta组合[7] **模型具体构建过程**：选取历史相关性低的成长风格，构建包含50只股票的组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[7] 4. **模型名称**：成长均衡50组合[7] **模型构建思路**：基于成长风格，以高beta弹性和长期稳健超额收益为目标构建的Smart Beta组合[7] **模型具体构建过程**：选取历史相关性低的成长风格，构建包含50只股票的均衡组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[7] 5. **模型名称**：小盘50组合[7] **模型构建思路**：基于小盘风格，以高beta弹性和长期稳健超额收益为目标构建的Smart Beta组合[7] **模型具体构建过程**：选取历史相关性低的小盘风格，构建包含50只股票的组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[7] 6. **模型名称**：小盘均衡50组合[7] **模型构建思路**：基于小盘风格，以高beta弹性和长期稳健超额收益为目标构建的Smart Beta组合[7] **模型具体构建过程**：选取历史相关性低的小盘风格，构建包含50只股票的均衡组合，具体构建方法参考专题报告《基于投资目标的基础 Smart beta 组合构建与配置》[7] 模型的回测效果 1. **价值50组合**[8] 周绝对收益率：0.51%[8] 周超额收益率（vs 国证价值）：1.36%[8] 月绝对收益率：3.46%[8] 月超额收益率（vs 国证价值）：1.26%[8] 年绝对收益率：0.40%[8] 年超额收益率（vs 国证价值）：1.21%[8] 最大相对回撤：2.26%[8] 2. **价值均衡50组合**[8] 周绝对收益率：-0.40%[8] 周超额收益率（vs 国证价值）：0.44%[8] 月绝对收益率：5.33%[8] 月超额收益率（vs 国证价值）：3.13%[8] 年绝对收益率：1.81%[8] 年超额收益率（vs 国证价值）：2.62%[8] 最大相对回撤：3.99%[8] 3. **成长50组合**[8] 周绝对收益率：-2.15%[8] 周超额收益率（vs 国证成长）：0.62%[8] 月绝对收益率：-0.77%[8] 月超额收益率（vs 国证成长）：-1.75%[8] 年绝对收益率：2.50%[8] 年超额收益率（vs 国证成长）：0.55%[8] 最大相对回撤：3.61%[8] 4. **成长均衡50组合**[8] 周绝对收益率：-2.27%[8] 周超额收益率（vs 国证成长）：0.50%[8] 月绝对收益率：0.15%[8] 月超额收益率（vs 国证成长）：-0.83%[8] 年绝对收益率：8.29%[8] 年超额收益率（vs 国证成长）：6.34%[8] 最大相对回撤：3.03%[8] 5. **小盘50组合**[8] 周绝对收益率：1.26%[8] 周超额收益率（vs 国证2000）：3.15%[8] 月绝对收益率：6.59%[8] 月超额收益率（vs 国证2000）：3.52%[8] 年绝对收益率：13.62%[8] 年超额收益率（vs 国证2000）：3.40%[8] 最大相对回撤：6.23%[8] 6. **小盘均衡50组合**[8] 周绝对收益率：-0.89%[8] 周超额收益率（vs 国证2000）：1.00%[8] 月绝对收益率：5.91%[8] 月超额收益率（vs 国证2000）：2.84%[8] 年绝对收益率：14.55%[8] 年超额收益率（vs 国证2000）：4.33%[8] 最大相对回撤：3.67%[8]

量化模型与构建方式 1. **模型名称**：三维择时框架 **模型构建思路**：通过流动性、分歧度和景气度三个维度来判断市场走势，结合ERP（股权风险溢价）的极值状态，给出市场震荡下跌的判断[7] **模型具体构建过程**：流动性、分歧度和景气度分别作为三个独立的维度，ERP作为辅助指标，当流动性下行、分歧度上行、景气度下行且ERP处于极值状态时，模型判断市场进入震荡下跌阶段[7] **模型评价**：该模型能够较好地捕捉市场趋势，尤其是在市场波动较大的情况下，提供了较为稳健的择时建议[7] 2. **模型名称**：资金流共振策略 **模型构建思路**：通过监控两融资金流和大单资金流的共振情绪，选择两类资金都看好的行业进行投资[21] **模型具体构建过程**：定义行业融资融券资金因子为Barra市值因子中性化后的融资净买入-融券净买入，取最近50日均值后的两周环比变化率；定义行业主动大单资金因子为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值。在主动大单因子的头部打分内做融资融券因子的剔除，以提高策略稳定性[26] **模型评价**：该策略在2018年以来表现稳定，年化超额收益13.5%，信息比率1.7，回撤较小[26] 模型的回测效果 1. **三维择时框架**，绝对收益-2.04%，超额收益0.25%[38] 2. **资金流共振策略**，绝对收益-0.2%，超额收益1.3%[26] 量化因子与构建方式 1. **因子名称**：波动率因子 **因子构建思路**：通过计算不同时间窗口内的收益率标准差来衡量股票的波动性[34] **因子具体构建过程**：计算1周、1月、3月、6月和12月的收益率标准差，公式为： $$return\_std\_1w = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (r_i - \bar{r})^2}$$ 其中，$r_i$为每日收益率，$\bar{r}$为平均收益率[34] **因子评价**：波动率因子在不同时间窗口内表现较好，尤其是在中小市值股票中超额收益更高[34] 2. **因子名称**：估值因子 **因子构建思路**：通过市盈率、市净率等指标来衡量股票的估值水平[34] **因子具体构建过程**：计算市盈率倒数（EP）、市净率（PB）等指标，公式为： $$EP = \frac{1}{PE}$$ 其中，$PE$为市盈率[34] **因子评价**：估值因子在不同市值股票中表现较好，尤其是在大市值股票中超额收益显著[34] 因子的回测效果 1. **波动率因子**，近一周多头超额2.67%，近一个月多头超额4.97%，近一年多头超额14.37%[35] 2. **估值因子**，近一周多头超额2.38%，近一个月多头超额6.83%，近一年多头超额28.11%[35]

量化模型与构建方式 1. **模型名称：50ETF期权隐含升贴水择时模型** - **模型构建思路**：基于看涨看跌平价关系式推导出期权的隐含标的升贴水，反映期权市场对未来标的收益率均值的预期与情绪，作为反转指标衡量市场拥挤度[1] - **模型具体构建过程**： 1. 计算50ETF近5日收益率 2. 若50ETF近5日收益率<0且指标分位数<30%，则看多，持续20日，分数为1 3. 若50ETF近5日收益率>0且指标分位数>70%，则看空，持续20日，分数为-1[6] - **模型评价**：该指标对转债正股加权指数能够实现8.66%的超额收益，在中证转债上效果尽管有一定的衰减，但仍能实现2.77%的超额收益[1] 2. **模型名称：50ETF期权VIX择时模型** - **模型构建思路**：期权VIX代表期权投资者对未来一个月标的波动率的预期，当权益市场暴涨或暴跌时，VIX指数易较高，此时市场反转概率较大，可作为反转指标衡量市场拥挤度[2] - **模型具体构建过程**： 1. 计算50ETF近5日收益率 2. 若50ETF近5日收益率<0且指标分位数>70%，则看多，分数为1，持续20日 3. 若50ETF近5日收益率>0且指标分位数>70%，则看空，分数为-1，持续20日[12] - **模型评价**：该指标对转债正股加权指数与中证转债择时分别可获得5.04%和3.02%的超额收益[2] 3. **模型名称：综合择时策略** - **模型构建思路**：转债受到权益与自身估值的双重影响，因此设定隐含升贴水信号占25%权重、VIX信号占25%权重、转债定价偏离度占50%权重，形成综合打分并构建择时策略[2] - **模型具体构建过程**： 1. 计算隐含升贴水、VIX和转债定价偏离度的分数 2. 综合分数=隐含升贴水分数×25% + VIX分数×25% + 转债定价偏离度分数×50% 3. 权重=50%+综合分数，权重按照[0,1]之外截尾[23] - **模型评价**：该策略对中证转债有着稳定的择时效果，相对于基准能够实现5.48%的超额收益，胜率与盈亏比分别为53.04%与1.53[23] 模型的回测效果 1. **50ETF期权隐含升贴水择时模型** - 转债正股加权指数超额收益：8.66%[1] - 中证转债超额收益：2.77%[1] - 胜率：53.47%[11] - 盈亏比：1.22[11] 2. **50ETF期权VIX择时模型** - 转债正股加权指数超额收益：5.04%[2] - 中证转债超额收益：3.02%[2] - 胜率：53.33%[16] - 盈亏比：1.20[16] 3. **综合择时策略** - 中证转债超额收益：5.48%[23] - 胜率：53.04%[27] - 盈亏比：1.53[27] 量化因子与构建方式 1. **因子名称：转债定价偏离度** - **因子构建思路**：转债估值对转债择时非常重要，将定价偏离度×(-1)并计算过去3年zscore，1.5倍标准差截尾后标准化到±1之间得到分数，定价偏离度越高，分数越低，权重越低[17] - **因子具体构建过程**： 1. 计算转债定价偏离度=转债价格/CCB_out模型定价-1 2. 计算过去3年zscore 3. 1.5倍标准差截尾后标准化到±1之间[17] - **因子评价**：该因子对中证转债择时能够实现3.26%的超额收益，胜率与盈亏比分别为53.26%与1.40[21] 因子的回测效果 1. **转债定价偏离度** - 中证转债超额收益：3.26%[21] - 胜率：53.26%[21] - 盈亏比：1.40[21]

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**：通过构建行业拥挤度监测模型，对申万一级行业指数的拥挤度进行每日监测，识别出拥挤度较高或较低的行业[3] - **模型具体构建过程**：模型通过分析行业指数的资金流动、主力资金净流入等数据，计算每个行业的拥挤度水平，具体公式未在报告中给出[3] - **模型评价**：该模型能够有效识别行业拥挤度变化，为投资者提供行业配置建议[3] 2. **模型名称：溢价率 Z-score 模型** - **模型构建思路**：通过滚动测算 ETF 产品的溢价率 Z-score，筛选出存在潜在套利机会的标的[4] - **模型具体构建过程**：模型计算 ETF 产品的溢价率 Z-score，公式为： $$Z = \frac{X - \mu}{\sigma}$$ 其中，\(X\) 为当前溢价率，\(\mu\) 为历史溢价率均值，\(\sigma\) 为历史溢价率标准差[4] - **模型评价**：该模型能够有效识别 ETF 产品的溢价率异常，为套利交易提供信号[4] 量化因子与构建方式 1. **因子名称：主力资金净流入因子** - **因子构建思路**：通过计算申万一级行业指数的主力资金净流入额，衡量行业资金流向[12] - **因子具体构建过程**：因子通过统计每个行业的主力资金净流入额，具体公式未在报告中给出[12] - **因子评价**：该因子能够反映行业资金流向变化，为行业配置提供参考[12] 模型的回测效果 1. **行业拥挤度监测模型** - 拥挤度较高行业：美容护理、环保、纺织服饰[3] - 拥挤度较低行业：房地产、银行、建筑装饰[3] 2. **溢价率 Z-score 模型** - 建议关注 ETF：科创创业50ETF基金、新材料ETF基金、卫星ETF、电池ETF、游戏ETF[13] 因子的回测效果 1. **主力资金净流入因子** - 主力资金净流入较高行业：电子、非银金融、汽车[12] - 主力资金净流出较高行业：计算机、国防军工、非银金融[12]

量化模型与构建方式 1. **模型名称**：沪深300趋势跟踪模型 **模型构建思路**：模型假定标的价格走势具有很好的局部延续性，标的价格永远处于某一趋势中，出现反转行情的持续时间明显小于趋势延续的时间，若出现窄幅盘整的情况，亦假设其延续之前的趋势[5] **模型具体构建过程**： - 计算T日利率值与T-20日沪深300收盘价的差del[3] - 计算T-20日至T日（不含）时间段的波动率Vol[5] - 若del的绝对值大于N倍的Vol，则认为当前价格已经脱离原有的振荡区间，形成趋势，趋势多空方向与del的正负情况对应；若小于等于N倍的Vol，则认为当前走势延续，趋势方向同T-1日[5] - 综合考虑多空两个方向的回报，将合并结果作为最终评估依据[5] **模型评价**：由于股票指数的波动较债券市场更为剧烈，该模型的效果也不如作用于利率标的时理想，但综合而言依旧可以取得超额回报[6] 模型的回测效果 1. **沪深300趋势跟踪模型** - 区间年化收益：3.97%[5] - 波动率（年化）：17.85%[5] - 夏普率：0.22[5] - 最大回撤：19.32%[5] - 指数期间总回报率：-1.02%[5]

量化因子与构建方式 1. 因子名称：跨期跟随效应因子 IFF；因子的构建思路：通过分析基金的持股行为，识别出那些跟随市场热点的基金，即跟随者[1] 2. 因子名称：跨期领先效应因子 IFL；因子的构建思路：通过分析基金的持股行为，识别出那些提前布局市场热点的基金，即领先者[1] 3. 因子名称：历史业绩因子；因子的构建思路：在持股行为分类的基础上，结合基金的历史业绩，进一步筛选出各类型基金中的成功者[1] 因子的回测效果 1. IFL因子，2024/09/30时点与2024/10/01-2024/12/31区间的基金回报之间截面相关系数为0.1106[2] 2. IFL因子，2024/12/31时点与2025/01/01-2025/02/28区间的基金回报之间截面相关系数为0.0739[2] 3. 成功领先者50组合，近1年绝对收益率为20.86%，超额收益率为6.73%，今年以来收益率为8.92%[2] 成功领先者基金名单 1. 睿远成长价值A，IFL因子值99.8%，近1年Sharpe比率0.0458[17] 2. 银河创新成长A，IFL因子值92.2%，近1年Sharpe比率0.0878[17] 3. 兴全合宜A，IFL因子值83.5%，近1年Sharpe比率0.0672[17] 4. 大成高鑫A，IFL因子值100.0%，近1年Sharpe比率0.1017[17] 5. 泉果旭源三年持有A，IFL因子值99.3%，近1年Sharpe比率0.0486[17] 6. 兴全商业模式优选，IFL因子值95.0%，近1年Sharpe比率0.0517[17] 7. 华夏行业景气，IFL因子值80.0%，近1年Sharpe比率0.0527[17] 8. 中泰星元价值优选A，IFL因子值83.9%，近1年Sharpe比率0.0432[17] 9. 长信金利趋势A，IFL因子值92.1%，近1年Sharpe比率0.0465[17] 10. 南方兴润价值一年持有A，IFL因子值93.7%，近1年Sharpe比率0.0625[17]

量化模型与构建方式 1. **模型名称**：RSI相对强弱指标 **模型构建思路**：通过计算一定周期内的平均涨幅和平均跌幅的比值，判断市场是否处于超买或超卖状态[3] **模型具体构建过程**： - 计算一定周期（12天）内的平均涨幅和平均跌幅 - 计算RS值，即平均涨幅与平均跌幅的比值 - 计算RSI值，公式为： $$RSI = 100 – \frac{100}{1 + RS}$$ - RSI>70表示市场处于超买状态，RSI<30表示市场处于超卖状态[3] **模型评价**：RSI指标简单直观，适用于短期市场情绪的判断[3] 2. **模型名称**：净申购金额计算模型 **模型构建思路**：通过计算ETF净值的变动和收益率，得出净申购金额[3] **模型具体构建过程**： - 计算净申购金额，公式为： $$NETBUY(T) = NAV(T) – NAV(T-1) \times (1 + R(T))$$ 其中，NETBUY(T)为净申购金额，NAV(T-1)为前一交易日的ETF净值，R(T)为收益率[3] 量化因子与构建方式 1. **因子名称**：日内行情趋势因子 **因子构建思路**：通过5分钟级别的日内成交价构成的趋势图，分析当日最高价和最低价的变化[3] **因子具体构建过程**： - 使用5分钟级别的日内成交价绘制趋势图 - 标记当日最高价和最低价，形成红点[3] **因子评价**：日内行情趋势因子能够捕捉短期价格波动，适用于日内交易策略[3] 模型的回测效果 1. **RSI相对强弱指标**，RSI值范围：51.41 - 96.03[3] 2. **净申购金额计算模型**，净申购金额范围：-2.78 - 7.37亿元[3] 因子的回测效果 1. **日内行情趋势因子**，日内最高价与最低价变化范围：-1.98 - 3.32[3]

量化模型与构建方式 1. **模型名称**：豆粕择时框架 **模型构建思路**：基于豆粕的供给、需求、期货持仓和产业链量价四个维度构建择时信号，综合这些信号进行豆粕期货的择时操作[4] **模型具体构建过程**： - **供给信号**：使用全球、美国和巴西的豆粕库存量数据，计算月度差分，由于供给信号与豆粕价格负相关，信号取负，等权加总作为供给信号[69] - **需求信号**：使用全球、中国和巴西的豆粕消费量数据，计算月度差分，由于需求信号与豆粕价格正相关，信号等权加总作为需求信号[86] - **期货持仓信号**：使用CBOT报告头寸中的多头总持仓和空头总持仓数据，反映市场主要参与者的力量对比[89] - **产业链量价信号**：结合其他农产品价格和利润的影响，挖掘有效量价信号进行周度高频择时[53] **模型评价**：该模型通过多维度信号的综合，能够有效捕捉豆粕价格的波动，择时效果显著[4] 模型的回测效果 1. **豆粕择时框架**，总胜率52.36%，看多胜率52.69%，看空胜率51.83%，赔率1.12，超额年化收益8.74%[4] 2. **供给信号**，总胜率51.73%，看多胜率51.97%，看空胜率51.22%，赔率1.11，超额年化收益6.61%[75] 3. **需求信号**，总胜率51.03%，看多胜率51.32%，看空胜率50.40%，赔率1.07，超额年化收益1.96%[87] 量化因子与构建方式 1. **因子名称**：供给因子 **因子构建思路**：基于全球、美国和巴西的豆粕库存量数据，反映豆粕供给的变化[69] **因子具体构建过程**：计算全球、美国和巴西的豆粕库存量的月度差分，由于供给信号与豆粕价格负相关，信号取负，等权加总作为供给因子[69] **因子评价**：供给因子能够有效反映豆粕供给的变化，对豆粕价格有显著的择时效果[69] 2. **因子名称**：需求因子 **因子构建思路**：基于全球、中国和巴西的豆粕消费量数据，反映豆粕需求的变化[86] **因子具体构建过程**：计算全球、中国和巴西的豆粕消费量的月度差分，由于需求信号与豆粕价格正相关，信号等权加总作为需求因子[86] **因子评价**：需求因子能够有效反映豆粕需求的变化，对豆粕价格有显著的择时效果[86] 3. **因子名称**：期货持仓因子 **因子构建思路**：基于CBOT报告头寸中的多头总持仓和空头总持仓数据，反映市场主要参与者的力量对比[89] **因子具体构建过程**：使用CBOT报告头寸中的多头总持仓和空头总持仓数据，计算其变化，反映市场多空力量的对比[89] **因子评价**：期货持仓因子能够有效反映市场情绪，对豆粕价格有显著的择时效果[89] 因子的回测效果 1. **供给因子**，总胜率50.29%，看多胜率51.23%，看空胜率49.24%，超额年化收益4.60%[70] 2. **需求因子**，总胜率51.03%，看多胜率51.32%，看空胜率50.40%，赔率1.07，超额年化收益1.96%[87] 3. **期货持仓因子**，总胜率51.27%，超额年化收益2.47%[4]

量化模型与构建方式 1. 模型名称：华鑫市场情绪温度指标；模型构建思路：通过多个市场维度构建综合情绪指标，用于判断市场情绪状态[21]；模型具体构建过程：从指数涨跌幅、成交量、涨跌家数、KDJ、北向资金及融资融券数据6大维度搭建华鑫市场情绪指标，通过对过去5年的历史数据进行统计及回测，形成综合评分[21]；模型评价：该指标属于摆荡指标，适用于区间震荡行情，但在趋势行情中可能出现钝化现象[21] 量化因子与构建方式 1. 因子名称：融资净买入；因子构建思路：通过融资买入与融资偿还的差额反映投资者对市场的乐观程度[21]；因子具体构建过程：融资净买入 = 融资买入额 - 融资偿还额 2. 因子名称：融券净卖出；因子构建思路：通过融券卖出与融券偿还的差额反映投资者对市场的悲观程度[21]；因子具体构建过程：融券净卖出 = 融券卖出额 - 融券偿还额 3. 因子名称：期间净买入额；因子构建思路：综合融资和融券数据，反映整体市场情绪[21]；因子具体构建过程：期间净买入额 = 融资净买入 - 融券净卖出 模型的回测效果 1. 华鑫市场情绪温度指标，综合评分77分[10] 因子的回测效果 1. 融资净买入，SW电子行业净买入187932万元[19] 2. 融资净买入，SW通信行业净买入152549万元[19] 3. 融资净买入，SW计算机行业净买入88678万元[19] 4. 融券净卖出，SW医药生物行业净卖出98585万元[17] 5. 融券净卖出，SW传媒行业净卖出110070万元[17] 6. 融券净卖出，SW通信行业净卖出122067万元[17] 7. 期间净买入额，SW电子行业净买入187932万元[19] 8. 期间净买入额，SW通信行业净买入152549万元[19] 9. 期间净买入额，SW计算机行业净买入88678万元[19]

量化模型与构建方式 1. **模型名称**：转债综合估值因子 **模型构建思路**：通过转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个因子构建综合估值因子，用于评估转债的估值水平[18] **模型具体构建过程**：首先计算转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型），然后将两个因子的排名相加，得到转债综合估值因子。公式如下： $$转债综合估值因子 = Rank（转股溢价率偏离度） + Rank（理论价值偏离度（蒙特卡洛模拟））$$ **模型评价**：该因子在全域、平衡型和偏债型转债上表现较优，理论价值偏离度（蒙特卡洛模型）在偏股型转债上表现较优[18] 2. **模型名称**：转债风格轮动模型 **模型构建思路**：通过转债动量和波动率偏离度捕捉市场情绪，对转债风格进行轮动配置[25] **模型具体构建过程**：首先在单个转债层面计算转债20日动量和波动率偏离度，然后在低估风格指数内部取中位数作为市场情绪捕捉指标。根据指标逆序排序，将各指数在指标上的排名相加，选择排名相对较低的转债低估风格指数进行配置。公式如下： $$转债风格市场情绪捕捉指标 = Rank（转债 20 日动量） + Rank（波动率偏离度）$$ **模型评价**：该模型能够有效捕捉市场情绪，实现风格轮动，提升组合收益[25] 模型的回测效果 1. **转债综合估值因子** - 偏股转债低估指数年化收益率：25.03%[22] - 平衡转债低估指数年化收益率：14.42%[22] - 偏债转债低估指数年化收益率：12.48%[22] - 偏股转债低估指数信息比率（IR）：1.24[22] - 平衡转债低估指数信息比率（IR）：1.22[22] - 偏债转债低估指数信息比率（IR）：1.32[22] 2. **转债风格轮动模型** - 年化收益率：25.00%[30] - 年化波动率：16.46%[30] - 最大回撤：-15.54%[30] - 信息比率（IR）：1.52[30] - 卡玛比率：1.61[30] - 月度胜率：65.88%[30] 量化因子与构建方式 1. **因子名称**：转股溢价率偏离度 **因子构建思路**：衡量转股溢价率相对于拟合值的偏离度，用于评估转债的估值水平[19] **因子具体构建过程**：计算转股溢价率与拟合转股溢价率的差值，公式如下： $$转股溢价率偏离度 = 转股溢价率 − 拟合转股溢价率$$ **因子评价**：该因子在不同平价可比转债中表现稳定，拟合质量取决于转债数量[19] 2. **因子名称**：理论价值偏离度（蒙特卡洛模型） **因子构建思路**：通过蒙特卡洛模拟计算转债的理论价值，衡量价格预期差[19] **因子具体构建过程**：使用蒙特卡洛模拟充分考虑转债的转股、赎回、下修、回售条款，每个时点模拟10000条路径，以同信用同期限利率作为贴现率计算转债理论价值。公式如下： $$理论价值偏离度 = 转债收盘价 / 理论价值 - 1$$ **因子评价**：该因子在偏股型转债上表现较优，能够有效捕捉转债的价格预期差[19] 因子的回测效果 1. **转股溢价率偏离度** - 近4周偏股转债低估指数超额收益：3.13%[21] - 近4周平衡转债低估指数超额收益：0.25%[21] - 近4周偏债转债低估指数超额收益：0.17%[21] 2. **理论价值偏离度（蒙特卡洛模型）** - 近4周偏股转债低估指数超额收益：3.13%[21] - 近4周平衡转债低估指数超额收益：0.25%[21] - 近4周偏债转债低估指数超额收益：0.17%[21]