量化模型与构建方式 1. **模型名称**：东方A股因子风险模型(DFQ-2020) - **模型构建思路**：基于风格类风险因子构建多因子风险模型，用于监控市场风格表现[8][10] - **模型具体构建过程**： - **Size因子**：总市值对数[11] - **Beta因子**：贝叶斯压缩后的市场Beta[11] - **Trend因子**： $$Trend\_120 = EWMA(halflife=20)/EWMA(halflife=120)$$ $$Trend\_240 = EWMA(halflife=20)/EWMA(halflife=240)$$ - **Volatility因子**：包括过去243天的标准波动率、FF3特质波动率、最高价/最低价范围等[11] - **Liquidity因子**：过去243天的平均对数换手率及流动性Beta[11] - **Value因子**：账面市值比(BP)、盈利收益率(EP)[11] - **Growth因子**：ROE变动均值、销售收入TTM复合增速等[11] - **Certainty因子**：公募基金持仓比例、分析师覆盖度、上市天数[11] - **模型评价**：全面覆盖市场风格，动态反映因子多空收益表现[8][10] 2. **因子库构建**： - **估值类因子**：BP、EPTTM、预期BP等，计算方式为财务指标与市值的比值[16] - **成长类因子**：单季度净利润同比增速、标准化预期外盈利(SUE)等[16] - **盈利类因子**：单季度ROE、ROA，计算公式为净利润与净资产/总资产的比值[16] - **分析师预期因子**：覆盖度、净利润环比增幅等[16] - **流动性因子**：非流动性冲击(ILLIQ_1M) = 过去20日涨跌幅绝对值/成交额的均值[16] --- 模型的回测效果 1. **东方A股因子风险模型(DFQ-2020)**： - **Certainty因子**：近一周收益3.26%，近一年年化4.08%[10] - **Value因子**：近一月收益1.82%，历史年化9.43%[10] - **Volatility因子**：近一周收益-3.48%，近一年年化-15.00%[10] --- 量化因子与构建方式 1. **股息率因子**： - **构建思路**：衡量分红回报，计算为最近四个季度分红金额/总市值[16] - **因子评价**：近期表现突出，在中证全指中近一周收益1.01%[38] 2. **非流动性冲击因子(ILLIQ_1M)**： - **构建过程**：过去20个交易日日度涨跌幅绝对值比成交额的均值[16] - **因子评价**：在沪深300样本中近一周收益0.61%[19] 3. **EPTTM一年分位点因子**： - **构建过程**：当前EPTTM在过去一年的分位点[16] - **因子评价**：在沪深300样本中近一周收益0.58%[19] --- 因子的回测效果 1. **股息率因子**： - 中证全指：近一周1.01%，近一年年化13.46%[38] - 沪深300：近一周0.18%，历史年化5.37%[19] 2. **一个月反转因子**： - 中证全指：近一周0.92%，近一年年化-4.22%[38] - 沪深300：近一周0.38%，历史年化-3.80%[19] 3. **三个月波动因子**： - 中证1000：近一月3.84%，历史年化4.59%[28] - 中证全指：近一月3.64%，历史年化3.82%[38] --- 公募基金指数增强产品表现 1. **沪深300指数增强产品**： - 近一周超额收益中位数0.15%，最高1.75%[42] - 今年以来最高超额收益10.98%[42] 2. **中证500指数增强产品**： - 近一周超额收益中位数0.26%，最高2.66%[46] 3. **中证1000指数增强产品**： - 近一周超额收益中位数0.54%，最高1.23%[49]

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. **AI行业轮动模型** - 模型构建思路：通过AI算法筛选具有避险特征的行业，结合市场动态调整持仓[3][12] - 具体构建过程： 1) 基于行业景气度和市场情绪数据生成初始候选池 2) 使用机器学习模型对行业得分排序（如银行得分1.39，交通运输0.97）[13] 3) 每月调仓，选取得分前5的行业等权配置 - 模型评价：在震荡市中表现稳健，但易受单一行业大幅回调拖累[4][12] 2. **AI主题轮动模型** - 模型构建思路：聚焦金融、国企等主题ETF，通过动量与风险预算控制组合波动[3][12] - 具体构建过程： 1) 计算主题指数动量得分（如上证金融得分0.58，中证畜牧0.52）[14] 2) 结合波动率调整权重，配置10个主题ETF - 模型评价：超额收益稳定性优于行业轮动，但容量受限[13] 3. **月频行业轮动模型** - 模型构建思路：综合景气度与残差动量生成月度信号[4][17] - 具体构建过程： 1) 计算行业景气度指标：$$景气度 = \frac{营收增长率 + ROE变化}{波动率}$$ 2) 叠加残差动量因子：$$残差动量 = 过去6个月超额收益 - 市场beta×基准收益$$ 3) 每月选取综合得分前5行业（如8月持仓工业金属、贵金属等）[17][19] - 模型评价：长周期表现优异，但对贵金属等周期性行业敏感[16][18] 4. **绝对收益ETF组合** - 模型构建思路：大类资产趋势跟踪+行业轮动子策略[21][23] - 具体构建过程： 1) 股票权重由月频行业模型决定（最新3.95%） 2) 债券权重根据利率趋势动态调整（当前87.30%） 3) 商品配置采用动量过滤（如黄金ETF权重6.48%）[24] 5. **全球资产配置模型** - 模型构建思路：周期三因子定价+风险预算框架[26][28] - 具体构建过程： 1) 预测资产收益率：$$E(R_i) = \alpha + \beta_1×经济增长因子 + \beta_2×通胀因子 + \beta_3×流动性因子$$ 2) 动态风险预算分配（当前超配股票6.28%、商品6.41%）[28] 模型回测效果 | 模型名称 | 年化收益率 | 年化超额收益 | 最大回撤 | IR | 2024年收益 | |------------------------|------------|--------------|----------|-------|------------| | AI行业轮动 | 24.18% | 23.24% | -12.43% | 2.31 | 21.01%[13] | | AI主题轮动 | 13.59% | 14.40% | -14.39% | 1.18 | -8.14%[13] | | 月频行业轮动 | 14.77% | 13.82% | -18.90% | 1.27 | -7.78%[18] | | 绝对收益ETF组合 | 6.12% | - | -4.65% | 1.59 | 3.20%[23] | | 全球资产配置 | 7.58% | - | -6.44% | 1.56 | 5.22%[28] | 因子回测效果 1. **综合景气度因子** - 月频行业模型中年化IC 0.35，月度胜率68%[17][19] 2. **残差动量因子** - 6个月窗口ICIR 1.8，在电子、机械行业表现突出[19] （注：部分因子细节未在研报中完整披露）

量化模型与构建方式 1. **模型名称**：全频段融合因子模型 **模型构建思路**：通过深度学习模型训练高频因子，并结合多任务学习挖掘低频量价数据，最终合成全频段融合因子[25] **模型具体构建过程**： - 高频部分：训练27个高频因子，生成高频深度学习因子 - 低频部分：利用多任务学习对低频量价数据进行端到端挖掘，生成低频多任务因子 - 合成：将高频与低频因子融合为全频段融合因子[25] **模型评价**：因子具有稳定的RankIC和分层超额收益表现[25] 2. **模型名称**：AI中证1000增强组合 **模型构建思路**：基于全频段融合因子构建指数增强策略，控制跟踪误差和换手率[28] **模型具体构建过程**： - 成分股权重≥80%，个股权重偏离上限0.8% - Barra暴露<0.3，周双边换手率控制30% - 周频调仓，交易费用双边千分之四[28] 3. **模型名称**：AI行业轮动模型 **模型构建思路**：利用全频段量价因子对行业打分，选择得分最高的5个行业等权配置[10] **模型具体构建过程**： - 行业池：32个中信一级行业（拆分食品饮料、有色金属等） - 因子：行业成分股的全频段量价因子得分均值作为行业得分 - 调仓规则：周频调仓，选TOP5行业等权配置[10] **模型评价**：与自上而下策略形成互补，能挖掘多频段量价规律[6] 4. **模型名称**：AI概念指数轮动模型 **模型构建思路**：对72个Wind概念指数使用全频段量价因子打分，选TOP10等权配置[17] **模型具体构建过程**： - 每周末选择得分最高的10个概念指数 - 以下周首个交易日开盘价买入，交易成本双边万分之四[17] 5. **模型名称**：AI主题指数轮动模型 **模型构建思路**：基于133个主题ETF跟踪指数，使用全频段量价因子打分选TOP10配置[24] **模型具体构建过程**： - 调仓频率：周频 - 交易成本：双边万分之四[24] 6. **模型名称**：文本FADT_BERT选股组合 **模型构建思路**：基于盈利预测调整文本因子构建多头组合[33] **模型具体构建过程**： - 因子：forecast_adjust_txt_bert因子 - 组合构建：选取因子多头端前25%股票[33] --- 模型的回测效果 1. **全频段融合因子模型** - 5日RankIC均值：0.116（2017-2024）[27] - TOP层年化超额收益率：32.19%[27] - 2024年RankIC均值：0.131[27] - 2024年TOP层超额收益：15.79%[27] 2. **AI中证1000增强组合** - 年化超额收益率：23.57%（2017-2024）[31] - 年化跟踪误差：6.04%[31] - IR：3.90[31] - 最大回撤：7.55%[31] - 2024年超额收益：4.21%[1] 3. **AI行业轮动模型** - 年化收益率：24.18%（2017-2024）[10] - 年化超额收益率：23.24%[10] - 最大回撤：12.43%[10] - 2024年超额收益：29.87%[2] 4. **AI概念指数轮动模型** - 年化收益率：20.48%（2018-2024）[15] - 年化超额收益率：15.47%[15] - 2024年超额收益：16.62%[15] 5. **AI主题指数轮动模型** - 年化超额收益率：14.40%（2018-2024）[23] - 2024年超额收益：3.58%[23] 6. **文本FADT_BERT组合** - 年化收益率：38.96%（2009-2024）[36] - 年化超额收益：32.56%[36] - 夏普比率：1.37[36] - 2024年超额收益：4.31%[4] --- 量化因子与构建方式 1. **因子名称**：全频段量价融合因子 **因子构建思路**：融合高频与低频量价数据特征[25] **因子具体构建过程**： - 高频部分：通过深度学习提取27个高频特征 - 低频部分：多任务学习挖掘端到端特征 - 合成方法：未披露具体公式[25] 2. **因子名称**：forecast_adjust_txt_bert **因子构建思路**：基于盈利预测调整文本的BERT升级版因子[33] **因子具体构建过程**：未披露技术细节[33] --- 因子的回测效果 1. **全频段量价融合因子** - 分层超额收益：TOP层年化超额32.19%[27] - RankIC稳定性：长期均值0.116[27] 2. **forecast_adjust_txt_bert因子** - 组合年化超额：32.56%（2009-2024）[36] - 分层超额净值：TOP层显著跑赢基准[34]

量化模型与构建方式 1. 模型名称：Black-Litterman模型（BL模型） - **模型构建思路**：BL模型是对传统均值-方差模型（MVO）的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[13][14] - **模型具体构建过程**： 1. 选择投资标的：国内资产BL模型基于沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[14] 2. 结合主观观点与市场均衡收益率，计算资产的预期收益 3. 优化资产配置权重，解决均值-方差模型对预期收益敏感的问题[13][14] - **模型评价**：BL模型有效解决了均值-方差模型对预期收益敏感的问题，同时相较于纯主观投资具有更高的容错性，为投资者提供高效的资产配置方案[13] 2. 模型名称：风险平价模型 - **模型构建思路**：风险平价模型的核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对组合整体风险的贡献相等[18] - **模型具体构建过程**： 1. 选择底层资产：国内资产风险平价模型基于沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE黄金[19] 2. 计算资产对组合的风险贡献：基于资产的预期波动率及相关性，计算初始资产配置权重下的风险贡献 3. 优化权重：对各资产实际风险贡献与预期风险贡献的偏离度进行优化，得到最终资产配置权重[18][19] - **模型评价**：风险平价模型通过均衡风险分布，构建了在经济周期不同阶段都能获得稳定收益的策略[17][18] 3. 模型名称：基于宏观因子的资产配置模型 - **模型构建思路**：基于增长、通胀、利率、信用、汇率和流动性六大宏观风险因子，构建资产配置框架，将宏观研究与资产配置研究相结合[22][23] - **模型具体构建过程**： 1. 构造高频宏观因子：通过Factor Mimicking Portfolio方法构造增长、通胀等六大宏观因子[23] 2. 计算因子暴露：每月末计算资产的因子暴露水平，并以风险平价组合为基准，计算基准因子暴露[23] 3. 主观调整：根据对未来一个月的宏观判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标[23] 4. 反解权重：带入模型反解得到下个月的资产配置权重[23] - **模型评价**：该模型通过主观因子偏离值反映投资者对宏观状态的判断，能够灵活应对宏观环境变化[23] --- 模型的回测效果 1. 国内资产BL模型1 - 本周收益：-0.33%[15][17] - 8月份收益：-0.05%[15][17] - 2024年收益：5.05%[15][17] - 年化波动：1.68%[15][17] - 最大回撤：0.78%[15][17] 2. 国内资产BL模型2 - 本周收益：-0.28%[15][17] - 8月份收益：-0.04%[15][17] - 2024年收益：4.68%[15][17] - 年化波动：1.49%[15][17] - 最大回撤：0.65%[15][17] 3. 全球资产BL模型1 - 本周收益：-0.23%[15][17] - 8月份收益：0.00%[15][17] - 2024年收益：5.66%[15][17] - 年化波动：1.93%[15][17] - 最大回撤：0.95%[15][17] 4. 全球资产BL模型2 - 本周收益：-0.19%[15][17] - 8月份收益：0.01%[15][17] - 2024年收益：4.85%[15][17] - 年化波动：1.42%[15][17] - 最大回撤：0.48%[15][17] 5. 国内资产风险平价模型 - 本周收益：-0.20%[21][22] - 8月份收益：-0.14%[21][22] - 2024年收益：4.40%[21][22] - 年化波动：1.18%[21][22] - 最大回撤：0.23%[21][22] 6. 全球资产风险平价模型 - 本周收益：-0.11%[21][22] - 8月份收益：-0.17%[21][22] - 2024年收益：4.89%[21][22] - 年化波动：1.05%[21][22] - 最大回撤：0.25%[21][22] 7. 基于宏观因子的资产配置模型 - 本周收益：-0.26%[26][27] - 8月份收益：-0.20%[26][27] - 2024年收益：3.78%[26][27] - 年化波动：1.26%[26][27] - 最大回撤：0.28%[26][27]

量化模型与构建方式 1. **模型名称**：中性约束条件下最大化因子暴露组合 - **模型构建思路**：在行业和风格中性约束下，最大化目标因子暴露，构建指数增强组合[15] - **模型具体构建过程**： - 目标函数：$$Max\ w^{\prime}X_{target}$$ - 约束条件： $$(w-w_{b})^{\prime}X_{ind}=0$$（行业中性） $$(w-w_{b})^{\prime}X_{Beta}=0$$（规模/估值/成长中性） $$|w-w_{b}|\leq1\%$$（个股权重偏离限制） $$w^{\prime}B=1$$（成分股权重100%） - 因子中性化处理：消除与行业、风格因子的相关性[19] - **模型评价**：通过严格中性化控制跟踪误差，实现稳定超额收益 量化因子与构建方式 1. **因子名称**：估值因子 - **构建思路**：衡量股票估值水平，常用BP（账面市值比）作为细分因子[10] - **具体构建过程**： $$BP = \frac{归母股东权益}{总市值}$$ 大类因子直接采用BP值[10] - **因子评价**：本周表现显著，多空收益率达2.50%[2] 2. **因子名称**：成长因子 - **构建思路**：综合营收增长（SGRO）和盈利增长（EGRO）[10] - **具体构建过程**： $$SGRO = \frac{营业收入回归斜率}{每股营业收入均值}$$ $$EGRO = \frac{归母净利润回归斜率}{每股归母净利润均值}$$ 大类因子合成：$$成长因子=\frac{SGRO+EGRO}{2}$$[10] 3. **因子名称**：240日三因子模型残差波动率 - **构建思路**：衡量个股特异性风险[10] - **具体构建过程**：通过三因子模型（市场/规模/价值）回归残差计算波动率[10] - **因子评价**：在中证1000股票池中表现最佳（近1周RankIC 20.30%）[41] 4. **因子名称**：流动性因子 - **构建思路**：综合短期、中期、长期换手率指标[10] - **具体构建过程**： $$STOM = \ln(过去1个月换手率加总)$$ $$STOQ = STOM的3个月均值$$ $$STOA = STOM的12个月均值$$ 大类因子合成：$$流动性因子=\frac{STOM+STOQ+STOA}{3}$$[10] 模型回测效果 1. **沪深300指数增强组合** - 年化超额收益：6.96% - IR：2.48 - 月度胜率：72.73%[52] 2. **中证500指数增强组合** - 年化超额收益：12.33% - IR：3.04 - 月度胜率：80.11%[61] 3. **中证1000指数增强组合** - 年化超额收益：16.87% - IR：3.23 - 月度胜率：84.03%[74] 因子回测效果 1. **240日三因子模型残差波动率** - 近1周RankIC：20.30%（全市场）[41] - 近1月RankIC均值：7.56%[41] 2. **BP因子** - 近1周RankIC：14.86%（全市场）[41] - 近10年RankIC均值：3.88%[41] 3. **20日换手率波动** - 近1周RankIC：16.05%（全市场）[41] - 近10年RankIC均值：6.01%[41] 4. **单季度ROE** - 中证500股票池近1周超额收益：1.21%[26] - 近10年年化RankIC均值：8.36%（全市场）[41]

- 平台突破模型：该模型旨在捕捉平台突破形态的个股，但如果最接近当前价格的阻力位较低，或个股以连板形态强势突破高位平台，平台突破模型也会抓到部分短期强势即底部放量形态的个股[14] - 平台突破模型的构建过程：以2024/8/1至2024/8/9为统计期，取区间最高价以及最高价之前的最低价来统计区间最大涨幅，只取起涨时成交额大于3000万的个股[14] - 平台突破模型的评价：该模型在捕捉趋势股方面表现较好，尤其是在底部放量模式成功率较低和通道加速模式可能已经持续通道上行很久的情况下[17] 模型的回测效果 - 平台突破模型，涨幅榜前20的个股大部分属于底部放量形态，触发了平台突破信号的共计9个[14] - 2024年8月价格信号突破后最大收益最高的20只个股中，香雪制药突破至今收益65.23%，最大收益88.97%[18] - 2024年8月价格信号突破后最大收益最高的20只个股中，通达电气突破至今收益-2.24%，最大收益20.41%[18]

量化模型与构建方式 1. 模型名称：A股风险模型 - **模型构建思路**：通过多因子回归模型，将股票组合的收益和风险分解为因子层面的收益和风险，模型包含市场因子、行业因子和风格因子[9][75] - **模型具体构建过程**： 1. 股票收益率的回归公式为： $ R_{n} = f_{c} + \sum_{i=1}^{P}X_{n}^{I_{i}}f_{I_{i}} + \sum_{j=1}^{Q}X_{n}^{S_{j}}f_{S_{j}} + \varepsilon_{n} $ 其中，$ R_{n} $为股票预期收益率，$ f_{c} $为市场因子的预期收益率，$ X_{n}^{I_{i}} $和$ X_{n}^{S_{j}} $分别为行业因子和风格因子的暴露值，$ \varepsilon_{n} $为特异收益项[9][75] 2. 投资组合收益分解公式： $ R_{P} = \sum_{n=1}^{N}R_{n} = \sum_{k=1}^{K}X_{P k}f_{k} + \sum_{n=1}^{N}w_{n}\varepsilon_{n} $ 其中，$ X_{P k} $为投资组合在因子$ k $上的暴露，$ f_{k} $为因子收益，$ w_{n} $为个股权重[75] 3. 投资组合协方差矩阵公式： $ \Sigma_{P} = \sum_{j,k=1}^{K}X_{P k}F_{j k}X_{P k} + \sum_{n=1}^{N}w_{n}^{2}var(\varepsilon_{n}) $ 其中，$ F_{j k} $为因子协方差矩阵，$ var(\varepsilon_{n}) $为特异收益的方差[75] 2. 模型名称：因子协方差矩阵估计 - **模型构建思路**：通过多因子风险模型，将股票协方差矩阵分解为因子协方差矩阵和特质风险矩阵，结合多种调整方法提高估计精度[23] - **模型具体构建过程**： 1. 使用因子收益率计算时序移动加权因子协方差矩阵 2. 采用Newey-West方法对协方差矩阵进行自相关调整 3. 使用特征值风险调整法（Eigenfactor Risk Adjustment）调整因子协方差矩阵相关性 4. 根据波动率预测偏误调整（Volatility Regime Adjustment）因子波动率，最终得到因子协方差矩阵$ \Sigma $的有效估计[23] 模型的回测效果 1. A股风险模型 - **本周风格因子收益贡献**：成长因子0.31%，质量因子0.28%，价值因子0.12%，红利因子0.08%，流动性因子-0.78%，波动率因子-0.47%，动量因子-0.42%，大市值因子-0.19%[10][13] - **本年风格因子收益贡献**：价值因子5.36%，大市值因子4.44%，动量因子2.82%，质量因子2.78%，红利因子0.25%，流动性因子-2.96%，波动率因子-2.53%，成长因子-0.97%[10][13] 2. 因子协方差矩阵估计 - **最新一期因子协方差矩阵**：协方差矩阵中，因子之间的相关性经过调整后，显著降低了自相关性和波动率偏误，提升了风险预测的准确性[23][24] 量化因子与构建方式 1. 因子名称：风格因子体系 - **因子的构建思路**：基于Barra CNE6模型，构建包含20个风格因子的因子体系，分为长期因子和短期因子两类[76][79] - **因子具体构建过程**： 1. 长期因子包括账面市值比（Book-to-Price）、股息率（Dividend Yield）、盈利质量（Earnings Quality）等16个因子 2. 短期因子包括分析师情绪（Analyst Sentiment）、行业动量（Industry Momentum）、季节性（Seasonality）和短期反转（Short-Term Reversal）[76][79] 3. 每个因子通过财务数据、交易数据等计算因子暴露值，并在回归模型中求解因子收益[9][76] 2. 因子名称：大类因子体系 - **因子的构建思路**：将20个风格因子根据相似属性加权，得到8个大类因子，包括成长、流动性、动量、质量、大市值、价值、波动率和红利因子[82] - **因子具体构建过程**： 1. 参考Barra模型的加权方法，将风格因子按权重汇总为大类因子 2. 每个大类因子代表一组具有相似属性的风格因子[82] 因子的回测效果 1. 风格因子体系 - **本周收益表现**：收益能力因子0.45%，成长因子0.27%，杠杆率因子0.24%，盈利质量因子0.21%，流动性因子-0.84%，短期反转因子-0.55%，贝塔因子-0.42%，市值因子-0.39%[15][18] - **本年收益表现**：动量因子4.39%，市值因子4.03%，盈利收益因子4.01%，账面市值比因子2.58%，短期反转因子-10.43%，中市值因子-4.20%，流动性因子-2.95%，残差波动因子-2.86%[15][18] 2. 大类因子体系 - **本周收益表现**：成长因子0.31%，质量因子0.28%，价值因子0.12%，红利因子0.08%，流动性因子-0.78%，波动率因子-0.47%，动量因子-0.42%，大市值因子-0.19%[10][13] - **本年收益表现**：价值因子5.36%，大市值因子4.44%，动量因子2.82%，质量因子2.78%，红利因子0.25%，流动性因子-2.96%，波动率因子-2.53%，成长因子-0.97%[10][13]

以下是基于研报内容的量化模型与因子总结： --- 量化模型与构建方式 1. **模型名称**：择时雷达六面图 - **模型构建思路**：综合宏观流动性、宏观经济、市场估值、资金流向、技术指标、情绪指标六个维度，使用三十多个指标对未来权益市场进行择时研判[1][8] - **模型具体构建过程**： 1. 每个维度包含多个子指标（如流动性包含M1同比、M2同比-GDP增速等）[6][12][17][20] 2. 各指标通过均线交叉、分位数阈值或趋势判断生成信号（如M1同比短均线下穿长均线为看空）[17][20] 3. 综合各维度信号加权生成[-5,5]的择时打分，当前综合打分为0.69分[1][8] - **模型评价**：多维度综合框架，兼顾长短期市场特征 --- 量化因子与构建方式 1. **流动性维度因子** - **因子名称**：M2同比-名义GDP增速 - **构建思路**：衡量流动性超发或收紧[23] - **具体构建**：$$ \text{因子值} = \text{M2同比} - \text{名义GDP增速} $$，超发（>0）看多，收紧（<0）看空[23] - **评价**：反映中长期流动性环境 - **因子名称**：DR007偏离度 - **构建思路**：资金面宽松程度[12] - **具体构建**：$$ \text{偏离度} = \frac{\text{DR007}}{7\text{天逆回购利率}} - 1 $$，低于10%分位数看多[12][14] 2. **经济面维度因子** - **因子名称**：A股景气度指数 - **构建思路**：高频跟踪经济复苏趋势[37] - **具体构建**：基于上证指数归母净利润同比构建Nowcasting指数，上行趋势看多[37][38] - **因子名称**：库存周期 - **构建思路**：划分主动/被动补去库存阶段[34] - **具体构建**：结合经济景气指数与库存景气指数，主动补库存看多[34][36] 3. **估值面维度因子** - **因子名称**：中证800股权风险溢价 - **构建思路**：股票相对债券性价比[53] - **具体构建**：$$ \text{因子值} = \frac{1}{\text{PE\_ttm}} - \text{十年国债收益率} $$，标准化后>1.5倍标准差看多[53][54] - **因子名称**：AIAE指标 - **构建思路**：资金配置股票比例[58] - **具体构建**：$$ \text{AIAE} = \frac{\text{股票市值}}{\text{股票市值+债券市值+现金}} $$，<15%看多[58][60] 4. **技术面维度因子** - **因子名称**：布林带 - **构建思路**：通道突破信号[75] - **具体构建**：指数下穿下轨后回穿看多，上穿上轨后下穿看空[75][76] - **因子名称**：RSI快慢线交叉 - **构建思路**：超买超卖信号[77] - **具体构建**：快线（6天）上穿慢线（24天）且<20看多[77][78] 5. **情绪面维度因子** - **因子名称**：期权认购认沽比率 - **构建思路**：期权市场投机情绪[96] - **具体构建**：比率MA20偏离±1倍标准差判断过冷/热[96][98] --- 模型与因子的回测效果 1. **择时雷达六面图** - 综合打分：0.69（看多）[1][8] - 分维度信号： - 流动性：弱看空（M1同比看空，M2同比-GDP看多）[11][17][20] - 技术面：看多（RSI、布林带等多指标共振）[72][75][77] 2. **单因子表现** - **中证800股权风险溢价**：2.29倍标准差（显著看多）[53][54] - **AIAE指标**：14.2%（略低于15%阈值，看多）[58][60] - **RSI快慢线**：快线上穿慢线（看多信号持续1.5个月）[77][78] --- 注：以上内容严格基于研报中明确描述的模型和因子，未包含风险提示等非核心信息。

量化模型与构建方式 1. 模型名称：红利超额收益择时模型 - **模型构建思路**：基于宏观流动性（美债收益率、国内M2同比）、经济预期（M1-M2同比剪刀差）等指标，构建中证红利相对于万得全A的超额收益择时策略[5] - **模型具体构建过程**： 1. 选取全球流动性指标：10年期美债收益率，观察其60日均线与250日均线的交叉情况[5] 2. 选取国内流动性指标：M2同比增速，结合其历史趋势分析[7] 3. 选取国内经济预期指标：M1-M2同比剪刀差，分析其变化趋势[7] 4. 综合以上指标，构建择时信号，判断红利风格的超额收益潜力[5][7] - **模型评价**：模型自2010年以来的超额收益择时年化收益为9.94%，今年超额择时收益为17.53%，表现较为优异[5] 2. 模型名称：回归估值模型（PETTM与DP） - **模型构建思路**：通过回归分析中证红利的估值指标（PETTM、DP）与未来收益的关系，预测未来一年绝对收益和超额收益[13][16] - **模型具体构建过程**： 1. **PETTM维度**： - 计算中证红利的绝对PETTM百分位，并与未来一年绝对收益进行回归分析，公式为： $ y = -0.3013x + 0.279 $ 其中，$ y $为未来一年绝对收益，$ x $为近三年绝对PETTM百分位[15] - 计算中证红利的相对PETTM（中证红利PETTM/万得全A PETTM），并与未来一年超额收益进行回归分析，公式为： $ y = -0.1019x + 0.0936 $ 其中，$ y $为未来一年超额收益，$ x $为近三年相对PETTM百分位[19] 2. **DP维度**： - 计算中证红利的绝对DP百分位，并与未来一年绝对收益进行回归分析，公式为： $ y = 0.291x - 0.0222 $ 其中，$ y $为未来一年绝对收益，$ x $为近三年绝对DP百分位[21] - 计算中证红利的相对DP（中证红利DP/万得全A DP），并与未来一年超额收益进行回归分析，公式为： $ y = 0.0354x + 0.0354 $ 其中，$ y $为未来一年超额收益，$ x $为近三年相对DP百分位[24] - **模型评价**：PETTM与收益的相关性为负，DP与收益的相关性为正，模型能较好地捕捉估值与收益的关系[13][16] 3. 模型名称：价量模型 - **模型构建思路**：通过成分股权重与成交额的历史分布，分析中证红利未来收益的反转风险和交易拥挤度[22][27] - **模型具体构建过程**： 1. **成分股权重**： - 统计中证红利成分股中位于120日均线以上的权重合计，并与未来一年绝对收益进行回归分析，公式为： $ y = -0.2382x + 0.2102 $ 其中，$ y $为未来一年绝对收益，$ x $为120日均线上权重合计[26] 2. **成交额百分位**： - 计算中证红利成交额的近三年百分位，并与未来一年绝对收益进行回归分析，公式为： $ y = -0.4017x + 0.3575 $ 其中，$ y $为未来一年绝对收益，$ x $为成交额百分位[31] - **模型评价**：模型能有效捕捉短期反转效应和交易拥挤度对收益的影响[22][27] 4. 模型名称：红利50优选组合 - **模型构建思路**：在高股息收益的基础上，叠加线性多因子模型和Barra风格因子约束，进一步增强组合资本利得收益[43] - **模型具体构建过程**： 1. 选取高股息收益的成分股作为基础组合[43] 2. 叠加线性多因子模型，优化组合的资本利得收益[43] 3. 采用Barra风格因子约束，控制组合的风格漂移[43] 4. 结合三维红利超额择时模型，动态调整红利风格暴露度[43] - **模型评价**：组合在不同时间区间内均表现出较好的超额收益能力[43] --- 模型的回测效果 1. 红利超额收益择时模型 - 年化超额收益：9.94%[5] - 2023年超额收益：17.53%[5] 2. 回归估值模型（PETTM与DP） - **PETTM维度**： - 近三年绝对PETTM百分位：53.40%[13] - 近三年相对PETTM百分位：91.32%[14] - 未来一年绝对收益预测：11.81%[13] - 未来一年超额收益预测：0.06%[14] - **DP维度**： - 近三年绝对DP百分位：30.04%[16] - 近三年相对DP百分位：3.74%[17] - 未来一年绝对收益预测：6.52%[16] - 未来一年超额收益预测：3.67%[17] 3. 价量模型 - 120日均线上权重合计：40.43%[22] - 成交额近三年百分位：15.62%[27] - 未来一年绝对收益预测：11.38%（权重合计）[22] - 未来一年绝对收益预测：29.48%（成交额百分位）[27] 4. 红利50优选组合 - 近一年绝对收益：6.37%[43] - 近一年超额收益：3.60%[43] - 近三月绝对收益：-6.98%[43] - 近三月超额收益：-1.25%[43] - 2022年以来累计超额收益：16.00%[43]

量化模型与构建方式 1. 模型名称：PEM-VC行业配置模型 - **模型构建思路**：综合运用“总量”与“边际”思维，优选景气度、超预期与动量边际改善的行业，同时利用估值趋势和拥挤度规避指数下行风险[5][7][8] - **模型具体构建过程**： 1. **行业优选模型**：基于景气度、超预期和动量因子，选择回测效果较好且因子间相关性较低的因子，合成行业轮动复合因子[8][10] 2. **风险规避模型**：基于估值趋势和拥挤度因子，实时监控行业交易状态，规避估值趋势走差或交易拥挤状态下的风险[8][10] 3. **运行框架**： - 每月初按照行业轮动复合因子排序筛选前5个行业为多头组，等权持有至月底[13] - 每日实时监控行业是否触发风险状态，动态调整持仓[13] - 当行业估值趋势走好或交易拥挤规避结束时，从现金仓位切换回行业持仓[13] 4. **市场基准**：剔除“综合”和“综合金融”后的中信一级行业指数[13] - **模型评价**：通过多维度建模，兼顾行业优选与风险规避，具有较强的行业轮动能力[7][8] 2. 模型名称：行业景气度模型 - **模型构建思路**：通过财报、快报、预告和分析师预期数据，构建反映行业景气度的因子[31] - **模型具体构建过程**： 1. **客户议价力环比增量**：衡量行业对下游经销商或客户的议价能力，采用季度环比增量方式构建[32] 2. **供应商议价力环比增量**：衡量行业对上游供应商的议价能力，采用季度环比增量方式构建[33] 3. **过去121天异常分析师覆盖**：剥离市值、换手率、动量等因素后的异常分析师覆盖，通过自由流通市值加权得到行业因子[34] 4. **销售净利率单季同比增量**：基于扣非归母净利润与营业收入的比值，采用单季同比增量方式构建[35] 5. **预测EPS和ROE的环比变动**：通过滚动分位数或上下调比例计算预测值的变化[36][38] 6. **核心利润同比增长率**：采用单季同比增长率或环比增量方式构建[39][42] - **模型评价**：因子设计全面，涵盖盈利能力、成长能力和市场预期等多维度，能够较好地反映行业景气度[31][32] 3. 模型名称：业绩超预期模型 - **模型构建思路**：通过财报、分析师预期和行情数据，捕捉行业业绩超预期的表现[43] - **模型具体构建过程**： 1. **盈余公告前后异常收益类因子**：计算盈余公告前后每日超额收益之和，通过自由流通市值加权得到行业因子[44][45] 2. **SUE因子**：标准化预期外单季度归母净利润，公式为： $$ S U E_{i,q}={\frac{X_{i,q}-\mathbb{E}(X_{i,q})}{\sigma_{i,q}}} $$[47] 3. **SUE衍生类因子**：使用ROE、ROA等财务指标替换净利润，计算标准化预期外ROE、ROA等[49] 4. **券商/报告上下调比例类因子**：计算过去N日分析师预测上调减去下调比例[50][51] 5. **预测调整类因子**：计算过去90天盈利调整幅度，公式为： $$ P r o f i t\_d a d j u s t\_N d a y_{i,s}=\frac{1}{n}{\sum_{s=1}^{n}\frac{P r o f i t_{i,s}-P r o f i t_{\_}l a s t_{i,s}}{P r o f i t_{\_}l a s t_{i,s}}} $$[52] - **模型评价**：通过多种因子捕捉业绩超预期的表现，能够有效反映市场对行业的预期变化[43][44] 4. 模型名称：行业动量模型 - **模型构建思路**：通过行业量价数据，捕捉行业动量特征[54] - **模型具体构建过程**： 1. **行业残差动量**：剥离市值和估值影响后的行业特质信息，通过Fama-French三因子模型计算[55] 2. **基于市值的龙头股动量**：选取市值占比前60%的个股为龙头股，计算行业动量[56] - **模型评价**：因子设计合理，能够捕捉行业内个股的动量特征[54][55] 5. 模型名称：行业估值趋势模型 - **模型构建思路**：通过估值因子，规避指数估值过高趋势下行风险[57] - **模型具体构建过程**： 1. **行业指数PB估值**：计算指数成分股市值与股东权益的比值[58] 2. **行业指数PE估值**：计算指数成分股市值与归母净利润的比值[59] 3. **行业指数PBPE估值**：PB估值分位数与PE估值分位数的几何平均数[60] 4. **行业指数股权风险溢价**：PE倒数与10年期国债收益率之差[61] - **模型评价**：通过多种估值因子，能够较好地反映行业估值水平[57][58] 6. 模型名称：行业拥挤度模型 - **模型构建思路**：通过微观结构、波动率、流动性等因子，规避行业指数交易拥挤下跌风险[63] - **模型具体构建过程**： 1. **波动率因子**：计算行业指数日收益率的标准差，公式为： $$ P r c V o l_{t}={\sqrt{\sum_{i=0}^{N}{\frac{(r_{t-i}-{\bar{r}}_{t})^{2}}{N-1}}}} $$[64] 2. **流动性因子**：通过成交量、成交额和换手率衡量行业流动性[66] 3. **分布特征因子**：计算收益率峰度，公式为： $$ D P r o f R t K u r t_{t}={\frac{\sum_{i=0}^{N-1}(r_{t-i}-{\bar{r}}_{t})^{4}\,/N}{(\sum_{i=0}^{N-1}(r_{t-i}-{\bar{r}}_{t})^{2}\,/N)^{2}}} $$[69] 4. **相关性因子**：计算量价相关系数和金额价格相关系数[70] 5. **兴登堡预兆**：衡量行业成分股价格创一年新高和新低的比例，公式为： $$ \mathrm{HindenburgSqrt}={\sqrt{\frac{N e w H i g h N u m}{N u m}}}*{\sqrt{\frac{N e w L o w N u m}{N u m}}} $$[71] - **模型评价**：因子设计全面，能够有效识别行业顶部风险[63][64] --- 模型的回测效果 1. PEM-VC行业配置模型 - 年化收益率：30.72%[10] - 超额年化收益率：26.64%[10] 2. 行业优选模型 - 年化收益率：16.68%[10] - 超额年化收益率：11.36%[10] 3. 风险规避模型 - 2024年7月超额收益率：0.65%[12] - 2024年以来超额收益率：