根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：打新收益测算模型 **模型构建思路**：通过假设账户参与所有新股的打新，计算单账户的个股打新收益情况，并按照新股上市日期统计月度、季度、年度数据[40] **模型具体构建过程**： - 单账户个股打新收益计算公式： $$单账户个股打新收益 = min（账户规模，申购上限） \times 中签率 \times 收益率$$ - A/B/C类投资者打满收益计算公式： $$A/B/C类投资者打满收益 = 申购上限 \times A/B/C类网下中签率 \times 收益率$$ 其中： - 中签率考虑个股网下打新实际中签结果 - 收益率方面，对于科创板和创业板上市的新股以及全面注册制下主板上市新股，采用上市首日成交均价相对发行价的涨跌幅；非注册制下主板上市新股采用开板当日成交均价相对于发行价的涨跌幅[40] 2. **模型名称**：基金产品打新表现模型 **模型构建思路**：计算基金产品的打新参与度与报价入围率，并根据其实际参与和获配的新股股数测算基金产品的打新收益[57] **模型具体构建过程**： - 参与度计算公式： $$参与度 = \frac{参与报价新股数}{网下询价发行新股总数}$$ - 报价入围率计算公式： $$报价入围率 = \frac{有效报价个数}{参与报价新股数}$$ - 以最新基金季报公布的基金产品规模为基准计算基金产品的打新收益率[57] 模型的回测效果 1. **打新收益测算模型** - 2025年7月，5亿规模账户主板打新收益率：A类0.159%、C类0.141%[41] - 创业板打新收益率：A类0.035%、C类0.034%[41] - 科创板打新收益率：A类0.064%、C类0.063%[41] - 2025年7月，A类账户5亿规模账户当月打新收益率约为0.257%，2025年累计收益1.000%；C类账户5亿规模账户当月打新收益率约为0.238%，2025年累计收益0.908%[47] 2. **基金产品打新表现模型** - 2025年7月，打新参与度>=90%、报价入围率>=85%、且最新基金季报披露规模在2-5亿的基金产品中，估算收益率较高的20只基金，如中欧沪深300指数A估算收益率为0.337%[58] 量化因子与构建方式 1. **因子名称**：中签率因子 **因子构建思路**：反映网下打新实际中签结果[40] **因子具体构建过程**：直接采用个股网下打新实际中签结果[40] 2. **因子名称**：收益率因子 **因子构建思路**：反映新股上市后的涨跌幅[40] **因子具体构建过程**： - 对于科创板和创业板上市的新股以及全面注册制下主板上市新股，采用上市首日成交均价相对发行价的涨跌幅 - 非注册制下主板上市新股采用开板当日成交均价相对于发行价的涨跌幅[40] 因子的回测效果 1. **中签率因子** - 2025年7月，主板网下中签率：A类0.12‰、C类0.12‰[22] - 双创板块网下中签率：A类0.33‰、C类0.33‰[22] 2. **收益率因子** - 2025年7月，主板新股上市首日平均涨幅为276.29%[22] - 双创板块新股上市首日平均涨幅为265.28%[22]

量化模型与构建方式 1. **模型名称**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三部分实现稳定超额收益[9][10] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等）构建复合信号 2. **风险控制**：约束行业暴露、风格暴露（如市值中性）、个股权重偏离（最大1%）[38][39] 3. **组合优化**：采用目标函数最大化因子暴露，约束条件包括： $$ \begin{array}{ll} max & f^{T}w \\ s.t. & s_{l} \leq X(w-w_{b}) \leq s_{h} \\ & h_{l} \leq H(w-w_{b}) \leq h_{h} \\ & w_{l} \leq w-w_{b} \leq w_{h} \\ & b_{l} \leq B_{b}w \leq b_{h} \\ & \mathbf{0} \leq w \leq l \\ & \mathbf{1}^{T}w = 1 \end{array} $$ 其中$f$为因子向量，$w$为权重，$X$为风格暴露矩阵，$H$为行业暴露矩阵[38][39] 量化因子与构建方式 1. **因子名称**：单季ROA - **构建思路**：衡量企业单季度总资产收益率，反映短期盈利能力[15] - **具体构建**： $$ \text{单季ROA} = \frac{\text{单季度归母净利润} \times 2}{\text{期初总资产 + 期末总资产}} $$ - **因子评价**：在沪深300和中证A500中近期表现突出，稳定性较高[17][23] 2. **因子名称**：标准化预期外收入（SUR） - **构建思路**：衡量实际收入与预期收入的偏离程度[15] - **具体构建**： $$ SUR = \frac{\text{单季度实际营业收入 - 预期营业收入}}{\text{预期营业收入标准差}} $$ - **因子评价**：在中证500和中证1000中近期有效性显著[19][21] 3. **因子名称**：DELTAROA - **构建思路**：反映企业盈利能力同比改善[15] - **具体构建**： $$ DELTAROA = \text{当期单季ROA} - \text{去年同期单季ROA} $$ - **因子评价**：在公募重仓指数中持续有效[25] 4. **因子名称**：三个月反转 - **构建思路**：捕捉短期价格反转效应[15] - **具体构建**： $$ \text{三个月反转} = -\text{过去60交易日涨跌幅} $$ - **因子评价**：近期在沪深300和中证1000中表现较差[17][21] 模型回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.47%，本年9.69%[12] - 中证500增强：本周超额0.92%，本年10.86%[12] - 中证1000增强：本周超额0.08%，本年15.70%[12] - 中证A500增强：本周超额1.00%，本年10.95%[12] 2. **公募指数增强产品**： - 沪深300增强：中位数本周0.13%，本年2.94%[30] - 中证500增强：中位数本周0.16%，本年4.27%[32] - 中证1000增强：中位数本周0.21%，本年7.21%[34] 因子回测效果 1. **沪深300样本空间**： - 单季ROA：本周1.09%，年化IR 3.43%[17] - 标准化预期外收入：本周0.73%，年化IR 4.58%[17] - 三个月反转：本周-0.53%，年化IR 1.13%[17] 2. **中证1000样本空间**： - 标准化预期外盈利：本周1.00%，年化IR 8.89%[21] - 一个月波动：本周-1.14%，年化IR 2.44%[21] 3. **公募重仓样本空间**： - DELTAROA：本周1.12%，年化IR 4.03%[25] - 预期PEG：本周0.94%，年化IR 1.72%[25] 注：所有因子测试均通过MFE组合构建，控制行业/风格中性[38][39]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：港股精选组合** - **构建思路**：基于分析师推荐事件（上调盈利预测、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选选出超预期股票[13][14] - **具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖、标题含"超预期"的研报事件 2. 基本面筛选：从事件池中选取盈利增速、ROE等指标优于行业的股票 3. 技术面筛选：结合股价动量（如250日涨跌幅前20%）和路径平滑性（位移路程比）[14][22] - **模型评价**：长期超额收益显著，但对市场波动敏感（如2023年超额收益仅0.25%）[18] 2. **因子名称：平稳创新高因子** - **构建思路**：筛选股价创250日新高且趋势稳定的股票，结合分析师关注度与价格路径特征[19][21] - **具体构建过程**： 1. 基础筛选：过去20个交易日内创250日新高，且上市时间>15个月[22] 2. 分析师关注度：过去6个月买入/增持研报≥5份[22] 3. 价格路径指标： - 位移路程比 = $$1-\frac{\sum_{t=1}^{120}|r_t|}{\sqrt{\sum_{t=1}^{120}r_t^2}}$$ （r_t为日收益率）[22] - 250日新高距离均值 = $$\frac{1}{120}\sum_{t=1}^{120}(1-\frac{Close_t}{MaxClose_{250}})$$ [21] 4. 综合排序：对上述指标标准化后加权打分，取前50名[22] 回测效果 1. **港股精选组合** - 年化收益19.11%，超额收益18.48%（vs恒生指数）[14] - 信息比率(IR)1.22，最大回撤23.73%[18] - 2025年超额收益24.56%（绝对收益46.74%）[16] 2. **平稳创新高因子** - 入选股票平均250日涨跌幅176.3%（医药板块最高达615.9%）[27] - 创新高后20日平均收益12.7%（科技板块最高38.5%）[27] 关键指标说明 - **250日新高距离**：$$1-\frac{Close_t}{ts\_max(Close,250)}$$ [21] - **位移路程比**：衡量价格路径平滑性，越接近1趋势越稳定[22] 注：报告中未提供平稳创新高因子的多空回测指标（如IC、IR），仅展示了个股筛选结果[27]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：封板率因子** - 构建思路：通过统计涨停股票在盘中最高价涨停且收盘仍涨停的比例，反映市场情绪强度[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，计算当日满足条件的股票比例[17] - 因子评价：高频情绪指标，对短期动量策略有参考价值 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场追涨热情[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 剔除ST股票和上市不足3个月的标的[17] 3. **因子名称：大宗交易折价率因子** - 构建思路：通过大宗交易成交价与市价的偏离度监测大资金动向[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计近半年日均成交金额作为流动性过滤条件[26] 4. **因子名称：股指期货贴水率因子** - 构建思路：利用期货与现货基差反映市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500和中证1000主力合约数据[28] 因子回测效果 1. **封板率因子** - 当日取值：58%（较前日下降1%）[17] - 近一月分位数：未披露 2. **连板率因子** - 当日取值：25%（较前日提升0%）[17] - 近一月分位数：未披露 3. **大宗交易折价率因子** - 当日取值：4.93%[26] - 近半年均值：5.79%[26] 4. **股指期货贴水率因子** - 上证50：年化升水0.07%（60%分位）[28] - 沪深300：年化贴水4.46%（35%分位）[28] - 中证500：年化贴水12.55%（33%分位）[28] - 中证1000：年化贴水13.67%（37%分位）[28] 注：报告中未涉及完整量化模型构建，主要为市场监测类因子。龙虎榜机构席位因子因缺乏具体构建公式未列入[36][37]

量化因子与构建方式 1. **因子名称**："日与夜的殊途同归"新动量因子 - **因子构建思路**：基于日内与隔夜各自的价量关系，分别改进日内因子和隔夜因子，再重新合成新的动量因子[6][7] - **因子具体构建过程**： 1. 将交易时段切割为日与夜，分别计算日内和隔夜的价量关系 2. 对日内因子和隔夜因子进行改进，具体改进方法未详细说明[7] 3. 将改进后的日内因子和隔夜因子重新合成为新的动量因子[7] - **因子评价**：选股能力显著优于传统动量因子，稳定性较高[6][7] 因子的回测效果 1. **"日与夜的殊途同归"新动量因子**（2014/02-2025/07，全体A股剔除北交所股票） - 年化收益率：18.08%[1][14] - 年化波动率：8.75%[1][14] - 信息比率（IR）：2.07[1][14] - 月度胜率：77.54%[1][14] - 月度最大回撤率：9.07%[1][14] 2. **"日与夜的殊途同归"新动量因子**（2014/01/01-2022/07/31，全体A股） - IC均值：-0.045[1] - 年化ICIR：-2.59[1] - 10分组多空对冲年化收益率：22.64%[1] - 信息比率（IR）：2.85[1] - 月度胜率：83.33%[1] - 最大回撤率：5.79%[1] 3. **7月份表现**（2025年7月，全体A股剔除北交所股票） - 10分组多头组合收益率：4.75%[1][10] - 10分组空头组合收益率：4.40%[1][10] - 10分组多空对冲收益率：0.35%[1][10] 对比传统动量因子 - 传统动量因子（2014/01/01-2022/07/31，全体A股） - 10分组多空对冲信息比率（IR）：1.09[6] - 月度胜率：62.75%[6] - 最大回撤：20.35%[6]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：公募基金实时持仓测算模型** - **模型构建思路**：基于基金净值、持仓披露、调研行为等市场公开信息，对公募基金持仓进行实时测算[20] - **模型具体构建过程**：通过复杂的数据处理流程，整合基金净值变化、定期报告披露的持仓数据以及上市公司调研记录，动态估算公募基金对特定板块（如PCB）的配置仓位[20] - **模型评价**：能够及时捕捉机构资金动向，但依赖公开数据的时效性和完整性 2. **模型名称：ETF资金持仓动态模型** - **模型构建思路**：通过监测ETF产品规模变化及持仓结构，分析资金对特定板块的配置偏好[21] - **模型具体构建过程**：计算ETF持仓占板块市值的比重（MA5平滑处理），公式为： $$ \text{ETF持仓占比} = \frac{\sum \text{ETF持有PCB成分股市值}}{\text{PCB板块总市值}} $$ 并对比历史分位数判断当前水平[23][24] 3. **模型名称：筹码收益模型** - **模型构建思路**：通过估算资金的历史持仓成本，衡量当前价格的赚钱效应[26] - **模型具体构建过程**： 1. 基于成交量与价格数据构建筹码分布曲线 2. 计算当前价格相对于筹码成本的收益率： $$ \text{筹码收益率} = \frac{\text{当前价格} - \text{平均持仓成本}}{\text{平均持仓成本}} \times 100\% $$ 3. 根据历史回测确定动量/反转效应的阈值[26][28] - **模型评价**：对市场情绪有较好的刻画能力，但需结合其他指标验证 4. **因子名称：主力资金净流入因子** - **因子构建思路**：通过大单交易数据捕捉主力资金动向[38] - **因子具体构建过程**： - 定义主力资金为大单（20-100万元）与超大单（>100万元）的加总 - 计算每日净流入额： $$ \text{主力净流入} = \sum \text{主力买入金额} - \sum \text{主力卖出金额} $$ - 滚动累计N日数据作为因子值[38] 5. **因子名称：龙虎榜营业部活跃度因子** - **因子构建思路**：利用龙虎榜公布的营业部交易数据识别资金热点[39] - **因子具体构建过程**： 1. 提取上榜个股的营业部成交总额与净流入额 2. 构建标准化指标： $$ \text{活跃度得分} = \frac{\text{营业部净流入}}{\text{个股流通市值}} \times 100 $$ 3. 结合上榜次数加权计算综合分值[39][40] 6. **因子名称：股东户数增幅因子** - **因子构建思路**：监测股东户数变化反映筹码分散度[41] - **因子具体构建过程**： $$ \text{增幅} = \frac{\text{最新股东户数} - \text{上期户数}}{\text{上期户数}} \times 100\% $$ 结合历史分位数判断异常波动[41][42] --- 模型的回测效果 1. **公募基金实时持仓模型** - PCB板块配置仓位2025年5月以来逐步企稳[20] 2. **ETF资金持仓模型** - PCB板块ETF持仓占比达2.6%，处于历史高位[23][24] 3. **筹码收益模型** - PCB指数当前赚钱效应22.95%[28] - 成分股中生益科技筹码收益最高（40.04%）[30] 4. **主力资金因子** - 深南电路主力净流入5.12亿元（7月16日以来）[38] 5. **龙虎榜因子** - 胜宏科技龙虎榜营业部单日成交45.3亿元[40] 6. **股东户数因子** - 世运电路股东户数增幅57.26%（2025年3月31日数据）[42] --- 其他量化指标 1. **两融余额指标** - PCB板块融资余额处于历史高位，融券余额较低[25][27] 2. **机构调研热度** - 大族激光2025年以来接受69次调研[32][34] 3. **雪球大V关注度** - 胜宏科技获37位大V关注[35][37] 注：所有数据统计截止2025年7月31日[14][17][31]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **因子名称：250日新高距离** - **构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，捕捉个股或指数的趋势强度[10] - **具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close,250)\)为过去250日收盘价最大值[10] - **因子评价**：有效识别接近历史高点的标的，符合动量效应理论[10][18] 2. **因子名称：平稳创新高筛选因子** - **构建思路**：结合分析师关注度、股价路径平滑性等维度筛选具备持续动量的股票[24][27] - **具体构建过程**： - **分析师关注度**：过去3个月买入/增持评级研报≥5份[27] - **股价相对强弱**：过去250日涨跌幅全市场前20%[27] - **股价平稳性**： 1. 位移路程比（价格路径平滑性） 2. 过去120日250日新高距离的时序均值[24][27] - **趋势延续性**：过去5日250日新高距离的时序均值[27] - **因子评价**：综合多维特征过滤噪声，提升动量策略稳定性[24] --- 因子的回测效果 1. **250日新高距离因子** - **指数应用**： - 上证指数距离1.54%，深证成指4.38%，创业板指8.93%（截至20250801）[11][33] - 传媒、通信行业距离分别为0.00%、1.65%，食品饮料行业距离较远[12][33] - **个股应用**：全市场1239只股票过去20日创250日新高，医药/机械行业数量最多（192/169只）[19][34] 2. **平稳创新高筛选因子** - **选股结果**：50只标的通过筛选，如胜宏科技（250日涨幅382%）、博瑞医药（219%）[28][32] - **板块分布**：制造板块15只（机械行业为主），科技板块14只（电子行业为主）[28][34] --- 关键公式说明 - **位移路程比**：未明确给出公式，但原文强调其用于衡量价格路径平滑性[24] - **创新高持续性**：定义为过去120日250日新高距离的时序均值，具体计算公式未披露[27] 注：模型部分未在研报中提及，故未总结。

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：煤炭行业利润预测模型** - **模型构建思路**：基于动力煤长协价格机制和产能因子同比变化，预测煤炭行业月度营收和利润增速[10] - **模型具体构建过程**： 1. 通过每月最后一期价格指数确定下月动力煤销售价格 2. 结合价格因子和产能因子的同比变化，逐月估算营收和利润增速 3. 公式： $$ \text{利润增速} = f(\text{价格因子}, \text{产能因子}) $$ （具体函数形式未披露） - **模型评价**：能够有效跟踪煤炭行业利润变化趋势，但依赖价格和产能因子的准确性[14] 2. **模型名称：生猪供需预测模型** - **模型构建思路**：利用能繁母猪存栏数据与6个月后生猪出栏的稳定比例关系，预测供需缺口[15] - **模型具体构建过程**： 1. 计算历史出栏系数： $$ \text{出栏系数} = \frac{\text{单季度生猪出栏}}{\text{6个月前能繁母猪存栏}} $$ 2. 预测未来6个月潜在产能： $$ \text{潜在产能} = \text{当前能繁母猪存栏} \times \text{上年同期出栏系数} $$ 3. 对比潜在产能与历史需求（上年同期出栏量）判断供需平衡[16] - **模型评价**：经验证可识别生猪价格上行周期，但对存栏数据时效性敏感[17] 3. **模型名称：普钢行业利润预测模型** - **模型构建思路**：综合钢材售价与铁矿石、焦炭等成本指标，预测月度利润增速和单吨盈利[18] - **模型具体构建过程**： 1. 跟踪普通钢材综合售价 2. 计算成本指标（铁矿石、焦炭、废钢等）的加权变动 3. 通过价差模型估算单吨盈利： $$ \text{单吨盈利} = \text{钢材售价} - \sum \text{单位成本指标} $$ 4. 结合产量数据推算行业利润增速[23] 4. **模型名称：燃料型炼化利润预测模型** - **模型构建思路**：基于成品油与原油价差（裂解价差）预测行业利润[30] - **模型具体构建过程**： 1. 监测成品油（如汽油、柴油）与原油价格变动 2. 计算裂解价差： $$ \text{裂解价差} = \text{成品油价格} - \text{原油价格} $$ 3. 结合产能利用率数据预测利润增速[33] --- 量化因子与构建方式 1. **因子名称：能繁母猪存栏因子** - **因子构建思路**：作为生猪产能的领先指标，滞后6个月影响出栏量[15] - **因子具体构建过程**：直接采用农业农村部发布的能繁母猪存栏量（万头），环比变化率作为辅助指标[17] 2. **因子名称：普钢单吨盈利因子** - **因子构建思路**：反映钢企即时盈利能力，驱动股价波动[21] - **因子具体构建过程**： $$ \text{单吨盈利} = \text{钢材售价} - (\text{铁矿石成本} + \text{焦炭成本} + \text{喷吹煤成本} + \text{废钢成本}) $$ 各成本项按生产配比加权[23] 3. **因子名称：裂解价差因子** - **因子构建思路**：衡量炼化企业加工利润的核心指标[30] - **因子具体构建过程**： 1. 选取代表性成品油（如92汽油）与原油（如Brent）价格 2. 按炼厂产出比例加权计算综合价差[35] --- 模型的回测效果 1. **煤炭行业利润预测模型**： - 历史季度利润增速预测误差率≤15%（2012Q2-2025Q1）[12] - 2025年8月预测利润同比延续下降[14] 2. **生猪供需预测模型**： - 2025Q4预测供需缺口：潜在供给18249万头 vs 需求18226万头（基本平衡）[17] 3. **普钢单吨盈利因子**： - 2025年7月单吨盈利同比上升，驱动中信普钢指数超额收益14.8%[23] 4. **裂解价差因子**： - 2025年7月燃料型炼化利润同比小幅增长，但油价同比仍低，维持中性信号[37] --- 因子的回测效果 1. **能繁母猪存栏因子**： - 2025年6月存栏4043万头（环比持平），预示25Q4价格底部震荡[17] 2. **普钢单吨盈利因子**： - 2025年7月中信普钢指数超额收益14.8%，与单吨盈利改善同步[23] 3. **裂解价差因子**： - 2025年7月炼油指数超额收益0.9%，价差扩张但未达景气阈值[35]

量化因子与构建方式 1. **因子名称：新价量相关性RPV因子** - **构建思路**：通过划分价量四象限，利用月度IC均值甄别价量相关性因子的反转效应和动量效应，结合日内与隔夜信息叠加，加入成交量信息构建因子[6] - **具体构建过程**： 1. 从基准因子CCV（日频CPV）中发现换手率序列增强收盘价序列的反转效应 2. 为日内价量相关性找到最佳代表CCOIV，为隔夜价量相关性找到最佳代表COV 3. 日内价量相关性加强反转效应，隔夜价量相关性通过时间维度"错配"加强动量效应 4. 将两类信息协调叠加，最终合成RPV因子[6] - **因子评价**：因子在A股市场表现优异，兼具新颖性和实战效果[6] 2. **因子名称：聪明版日频价量相关性SRV因子** - **构建思路**：改进传统价量相关性因子，通过拆分日内交易时段并识别"聪明"交易时段（知情交易集中时段），结合优化后的隔夜价量相关性构建[6] - **具体构建过程**： 1. 将日内涨跌拆分为上午和下午涨跌 2. 计算分钟级"聪明"指标，选取下午时段中"聪明"指标最大的20%（24分钟）作为知情交易集中时段 3. 使用下午"聪明"换手率与下午涨跌的相关系数作为日内价量相关性 4. 对隔夜价量相关性，将换手率替换为昨日最后半小时换手率（知情交易比例更高） 5. 将优化后的日内和隔夜价量相关性因子结合，合成SRV因子[6] - **因子评价**：相比RPV因子具有更优的风险收益特征，最大回撤控制更佳[6] 因子回测效果 1. **新价量相关性RPV因子** - 测试区间：2014年1月-2025年7月（全市场A股剔除北交所） - 年化收益率：14.44% - 年化波动率：7.71% - 信息比率（IR）：1.87 - 月度胜率：72.46% - 最大回撤：10.63%[7][10] - 2025年7月表现： - 多头组合收益率：5.18% - 空头组合收益率：5.58% - 多空对冲收益率：-0.39%[10] 2. **聪明版日频价量相关性SRV因子** - 测试区间：2014年1月-2025年7月（全市场A股剔除北交所） - 年化收益率：17.15% - 年化波动率：6.49% - 信息比率（IR）：2.64 - 月度胜率：74.64% - 最大回撤：3.74%[7][10] - 2025年7月表现： - 多头组合收益率：5.66% - 空头组合收益率：5.81% - 多空对冲收益率：-0.15%[10] 补充说明 - RPV因子在2014/01/01-2023/08/31回测期内，10分组多空对冲年化收益16.29%，IR为2.41[6] - SRV因子在同期的RankICIR为-4.26，年化收益18.91%，IR达3.07，月度胜率80%，最大回撤仅3.11%[6]

量化模型与构建方式 1. **模型名称**：量价行业轮动组合 **模型构建思路**：基于动量、交易波动、换手率、多空对比、量价背离、量幅同向六个维度的量价因子，通过单因子测试筛选出11个有效因子，构建复合因子进行行业轮动[7] **模型具体构建过程**： - 每月末从中信一级行业（剔除综合和综合金融）中选取复合因子值最高的五个行业 - 因子等权加权，行业间等权加权[8] **模型评价**：逻辑性强，历史表现优异 2. **模型名称**："正预期与非拥挤"行业组合 **模型构建思路**：结合分析师预期复合因子和拥挤度指标，剔除拥挤度最低的15个行业后选择预期因子值最高的五个行业[11] **模型具体构建过程**： - 分析师预期复合因子包含：分析师预期变化、市场信心、报告覆盖加速度、机构覆盖加速度、财务报表超预期、业绩预告超预期 - 拥挤度指标由6个量价因子构建 - 每月末剔除拥挤度最低的15个行业后，选择剩余行业中分析师预期复合因子值最高的五个行业[11] 模型的回测效果 1. **量价行业轮动组合** - 累计收益：797.59%（2010-2025/7） - 累计超额收益：686.47%（vs行业等权） - 7月收益：5.54% - 7月超额收益：0.82% - 2025年前7月超额收益：4.36% - 月胜率：100%[9][10] 2. **"正预期与非拥挤"行业组合** - 累计收益：1145.44%（2010-2025/7） - 累计超额收益：1034.33%（vs行业等权） - 7月收益：6.74% - 7月超额收益：2.02% - 2025年前7月收益：5.25% - 2025年前7月超额收益：-4.08%[11] 量化因子与构建方式 1. **因子名称**：二阶动量 **因子构建思路**：衡量价格二阶变化趋势 **因子具体构建过程**： $$𝐶𝑙𝑜𝑠𝑒𝑡\ 𝐸𝑊𝑀𝐴(𝐶𝑙𝑜𝑠𝑒𝑡−𝑚𝑒𝑎𝑛(𝐶𝑙𝑜𝑠𝑒𝑡−window1:𝑡),window2)−𝑑𝑒𝑙𝑎𝑦(𝑚𝑒𝑎𝑛(𝐶𝑙𝑜𝑠𝑒𝑡−window1:𝑡),window)$$ 其中： - $𝐶𝑙𝑜𝑠𝑒𝑡$为当期收盘价 - $𝐸𝑊𝑀𝐴$为指数加权移动平均 - $window1$和$window2$为不同时间窗口[8] 2. **因子名称**：动量期限差 **因子构建思路**：比较不同期限价格动量差异 **因子具体构建过程**： $$\frac{𝐶𝑙𝑜𝑠𝑒𝑡−𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤1}{𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤1}−\frac{𝐶𝑙𝑜𝑠𝑒𝑡−𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤2}{𝐶𝑙𝑜𝑠𝑒𝑡−𝑤𝑖𝑛𝑑𝑜𝑤2}$$[8] 3. **因子名称**：成交金额波动 **因子构建思路**：衡量成交金额波动性 **因子具体构建过程**： $$−𝑆𝑇𝐷(𝐴𝑚𝑜𝑢𝑛𝑡)$$[8] 4. **因子名称**：换手率变化 **因子构建思路**：比较不同窗口换手率均值变化 **因子具体构建过程**： $$\frac{𝑀𝑒𝑎𝑛(𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑡−window1:𝑡)}{𝑀𝑒𝑎𝑛(𝑡𝑢𝑟𝑛𝑜𝑣𝑒𝑟𝑡−window2:𝑡)}$$[8] 5. **因子名称**：多空对比总量 **因子构建思路**：综合衡量多空力量对比 **因子具体构建过程**： $$\sum_{𝑖=𝑡−𝑤𝑖𝑛𝑑𝑜𝑤}^𝑡\left[\frac{(𝐶𝑙𝑜𝑠𝑒−𝐿𝑜𝑤)−(𝐻𝑖𝑔ℎ−𝐶𝑙𝑜𝑠𝑒)}{𝐻𝑖𝑔ℎ𝑖−𝐿𝑜𝑤𝑖}\times(𝑉𝑜𝑙𝑢𝑚𝑒\ 𝐸𝑊𝑀𝐴\times𝐶𝑙𝑜𝑠𝑒)\right]$$[8] 6. **因子名称**：量价背离协方差 **因子构建思路**：通过排名协方差捕捉量价背离 **因子具体构建过程**： $$𝑟𝑎𝑛𝑘\{𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑐𝑒[𝑟𝑎𝑛𝑘(𝐶𝑙𝑜𝑠𝑒),𝑟𝑎𝑛𝑘(𝑉𝑜𝑙𝑢𝑚𝑒),𝑤𝑖𝑛𝑑𝑜𝑤]\}$$[8] 7. **因子名称**：量价相关系数 **因子构建思路**：直接计算量价相关性 **因子具体构建过程**： $$−𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑡𝑖𝑜𝑛(𝐶𝑙𝑜𝑠𝑒,𝑉𝑜𝑙𝑢𝑚𝑒,𝑤𝑖𝑛𝑑𝑜𝑤)$$[8] 因子的回测效果 （注：报告中未单独披露各因子测试结果，仅展示复合模型效果）