量化模型与构建方式 1. 神经网络和因果推断在利率择时中的尝试 - **模型名称**：因果推断模型和LSTM神经网络 - **模型构建思路**：利用因果推断模型对10年期国债收益率进行归因分析，并使用LSTM神经网络预测10年期国债收益率走势[5][50] - **模型具体构建过程**： - **因果推断模型**： 1. 数据准备：收集122个自变量和10年期国债收益率数据 2. 建立因果模型：使用微软的DoWhy库 3. 识别因果效应：构建因果图 4. 估计因果效应：使用线性回归方法 5. 验证和诊断：检查模型的鲁棒性[52][53][54] - **LSTM神经网络**： 1. 数据标准化：使用Min-Max-Scale方法对124个自变量进行标准化 2. 构建神经网络：每层有124个特征值，512个隐藏层，共4层网络 3. 输入序列：连续的60天数据 4. 数据集划分：训练集、测试集、验证集分别为70%、20%、10% 5. 训练模型：总共训练2000轮，训练损失在第100次之后开始收敛[55][56][57][58] - **模型评价**：因果推断模型能够找到影响10年期国债收益率的关键因素，LSTM神经网络预测结果与实际走势相似，但绝对值差距仍有20BP左右，实战效果可能略有不佳[5][50][55] 2. 转债"双低策略"的回炉重造 - **模型名称**：改良的转债多因子模型 - **模型构建思路**：基于传统双低策略，改良并构建更优的转债多因子模型，核心是利用中性化、标准化后的股性因子和平价溢价率因子进行择券[6][60] - **模型具体构建过程**： 1. 将绝对价格改为YTM指标，与平价溢价率匹配为"债性"与"股性"指标 2. 对YTM和平价溢价率进行中性化处理 - 使用到期赎回价、到期期限、正股股价、信用评级对YTM作中性化，得到YTM_neu - 使用平价、规模、行业、信用评级对平价溢价率作中性化，得到Convprem_neu 3. 对中性化后的YTM_neu和Convprem_neu进行Z-Score标准化 4. 将中性化后的股性与债性指标相加，得到新因子 5. 以月度为单位，在每个调仓日选择股债性因子最低的20支进行回测[60][61] - **模型评价**：改进后的策略表现远超传统双低策略，在2024年的转债弱市中获得正回报，但仍存在最大回撤明显、信用风险控制不足等问题[6][60][62] 模型的回测效果 1. 因果推断模型 - **因果性分析结果**： - 全部时期：隐含税率、存款准备金率、核心CPI、短期资金面因素对10年期国债收益率有较强因果性 - 利率震荡期：短期资金面因素影响增强，国债利差、同业存单和保险买债影响增强 - 利率先下后上期：黄金影响增强，银行质押回购等因素影响增强 - 新旧动能切换期：M1同比和机构买债影响上升 - 利率持续下行期：通回购、利差影响增强[53][54] 2. LSTM神经网络 - **预测结果**： - 训练损失在第100次之后开始收敛，在第1500次左右基本稳定在0.20%左右 - 预测结果与实际10年期国债收益率走势相似，但绝对值差距仍有20BP左右[58][59] 3. 改良的转债多因子模型 - **回测结果**： - 改进后的策略表现远超传统双低策略，在2024年的转债弱市中获得正回报 - 股债性均衡策略的表现优于万得转债双低指数[62]

2024 年 9 月 21 日 总量研究 市场流动性因子与盈利因子表现占优 ——量化组合跟踪周报 20240921 要点 量化市场跟踪 大类因子表现：本周（2024.09.18-2024.09.20，下同）流动性因子和盈利因子 取得明显正收益（0.34%和 0.33%）；成长因子和残差波动率因子取得明显负收 益（-0.17%和-0.17%），其余因子表现一般。 单因子表现：沪深 300 股票池中，表现较好的因子有下行波动率占比(1.45%)、 市盈率 TTM 倒数(1.40%)、换手率相对波动率(1.24%)。表现较差的因子有毛利 率 TTM(-0.91%)、总资产增长率(-1.13%)、对数市值因子(-1.53%)。 中证 500 股票池中，本周表现较好的因子有成交量的 5 日指数移动平均(1.47%)、 市销率 TTM 倒数(0.96%)、下行波动率占比(0.94%)，表现较差的因子有单季度 营业收入同比增长率(-1.10%)、对数市值因子(-1.11%)、单季度营业利润同比增 长率(-1.40%)。 流动性 1500 股票池中，本周表现较好的因子有市盈率 TTM 倒数(1.35%)、下行 波动率占比(1 ...

量化模型与构建方式 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和收盘时的涨停情况，计算封板率和连板率，以反映市场情绪和股票的强势程度[10] - **模型具体构建过程**： - **封板率**的计算公式为： $$ 封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数} $$ - **连板率**的计算公式为： $$ 连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数} $$ - 统计上市满3个月以上的股票在盘中的实时涨跌停家数，计算封板率和连板率[10] - **模型评价**：封板率和连板率能够有效反映市场情绪和股票的强势程度，具有较高的市场参考价值[10] 模型的回测效果 - **封板率与连板率模型** - 封板率：81%[10] - 连板率：23%[10] 量化因子与构建方式 因子名称：股指期货年化贴水率因子 - **因子的构建思路**：通过计算股指期货与现货指数价格的基差，得出年化贴水率，以反映市场对于未来预期的表现[18] - **因子具体构建过程**： - **年化贴水率**的计算公式为： $$ 年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right) $$ - 统计上证50、沪深300、中证500和中证1000指数股指期货主力合约的年化贴水率[18] - **因子评价**：年化贴水率因子能够反映市场对于未来预期的表现，具有较高的市场参考价值[18] 因子的回测效果 - **股指期货年化贴水率因子** - 上证50股指期货主力合约年化贴水率：3.92%[18] - 沪深300股指期货主力合约年化贴水率：3.88%[18] - 中证500股指期货主力合约年化贴水率：8.74%[18] - 中证1000股指期货主力合约年化贴水率：15.22%[18]

量化因子与构建方式 动量因子 - **因子的构建思路**：动量因子通过衡量资产价格的动量效应来构建，即近期表现较好的资产在未来一段时间内仍可能表现较好[1][6] - **因子具体构建过程**：动量因子通过计算资产在过去一段时间内的收益率来构建，具体公式为： $$ \text{动量因子} = \frac{P_t - P_{t-n}}{P_{t-n}} $$ 其中，$P_t$为当前价格，$P_{t-n}$为n天前的价格[1][6] - **因子评价**：动量因子在期货市场中表现较好，具有较高的收益率[1][6] 期限结构因子 - **因子的构建思路**：期限结构因子通过衡量期货合约不同到期时间的价格差异来构建[1][7] - **因子具体构建过程**：期限结构因子通过计算近月合约和远月合约的价差来构建，具体公式为： $$ \text{期限结构因子} = \frac{P_{\text{近月}} - P_{\text{远月}}}{P_{\text{远月}}} $$ 其中，$P_{\text{近月}}$为近月合约价格，$P_{\text{远月}}$为远月合约价格[1][7] - **因子评价**：期限结构因子在期货市场中表现一般，收益率波动较大[1][7] 贝塔因子 - **因子的构建思路**：贝塔因子通过衡量资产相对于市场的系统性风险来构建[1][9] - **因子具体构建过程**：贝塔因子通过回归分析计算资产收益率与市场收益率之间的关系，具体公式为： $$ \text{贝塔因子} = \frac{\text{Cov}(R_i, R_m)}{\text{Var}(R_m)} $$ 其中，$R_i$为资产收益率，$R_m$为市场收益率[1][9] - **因子评价**：贝塔因子在期货市场中表现较差，收益率较低[1][9] 波动率因子 - **因子的构建思路**：波动率因子通过衡量资产价格的波动性来构建[1][11] - **因子具体构建过程**：波动率因子通过计算资产收益率的标准差来构建，具体公式为： $$ \text{波动率因子} = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (R_i - \bar{R})^2} $$ 其中，$R_i$为资产收益率，$\bar{R}$为平均收益率[1][11] - **因子评价**：波动率因子在期货市场中表现一般，收益率波动较大[1][11] 偏度因子 - **因子的构建思路**：偏度因子通过衡量资产收益率分布的偏度来构建[1][13] - **因子具体构建过程**：偏度因子通过计算资产收益率的偏度来构建，具体公式为： $$ \text{偏度因子} = \frac{E[(R_i - \bar{R})^3]}{(\text{Var}(R_i))^{3/2}} $$ 其中，$R_i$为资产收益率，$\bar{R}$为平均收益率[1][13] - **因子评价**：偏度因子在期货市场中表现较好，具有一定的收益率[1][13] 持仓因子 - **因子的构建思路**：持仓因子通过衡量市场参与者的持仓情况来构建[1][15] - **因子具体构建过程**：持仓因子通过计算市场上多头和空头持仓量的差异来构建，具体公式为： $$ \text{持仓因子} = \frac{\text{多头持仓量} - \text{空头持仓量}}{\text{总持仓量}} $$ 其中，多头持仓量和空头持仓量分别为市场上多头和空头的持仓量[1][15] - **因子评价**：持仓因子在期货市场中表现一般，收益率波动较大[1][15] 因子的回测效果 - **动量因子**：近一月多空对冲收益0.79%，本周多空对冲收益0.76%[1][6] - **期限结构因子**：近一月多空对冲收益-0.18%，本周多空对冲收益-0.32%[1][7] - **贝塔因子**：近一月多空对冲收益-3.40%，本周多空对冲收益0.23%[1][9] - **波动率因子**：近一月多空对冲收益-3.33%，本周多空对冲收益-0.06%[1][11] - **偏度因子**：近一月多空对冲收益0.43%，本周多空对冲收益-0.06%[1][13] - **持仓因子**：近一月多空对冲收益-2.00%，本周多空对冲收益-0.56%[1][15]

量化周报 流动性继续保持回落状态 2024 年 09 月 17 日 | --- | --- | |------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- ...

c 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1 Research and Development Center 首批中证 A500ETF 启动募集， 主动权益基金减仓银行、煤炭 —— 量化市场追踪周报（2024W36） | --- | --- | --- | |--------------------------------------------------------------------------------------------------------|----------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- ...

N 偏达证券 Research and Development Center 基差贴水整体收敛，对冲策略出现回撤 2024 年 9 月 16 日 | --- | --- | --- | |---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------- ...

量化模型与构建方式 组合策略收益跟踪 - **模型名称**：利率风格组合 - **模型构建思路**：通过配置利率债和信用债，评估不同策略组合的收益表现 - **模型具体构建过程**： - 利率风格组合按照80%：20%的比例配置利率债与信用债 - 利率债部分采用10年期国债，信用债部分配置20%的超长债，选择10年期AA+产业债品种 - 子弹型配置选取1年AAA同业存单、3年期AA+城投债、3年期AAA-二永债及商金债 - 下沉策略配置选取1年AA+同业存单、1年期AA-城投债、3年期AA+二永债、3年AAA-券商次级债 - 久期策略配置选取4年期AA+城投债、4年期AAA-二永债、4年AAA券商债 - 超长策略配置10年AA+城投、产业债、10年AAA-二级资本债 - 城投/混合哑铃型按照1：1配置1年AA+城投债、10年AA+城投债/10年AAA-二级资本债 - 年度累计收益以不同组合的周度综合收益（票息+资本利得）加总得到，票息收益按照期初估值收益×持有时长计算[6][8][24] - **模型评价**：利率风格组合在本周表现优于信用风格组合，特别是二级超长型和产业超长型策略组合收益最高[8] - **模型名称**：信用风格组合 - **模型构建思路**：通过配置不同类型的信用债，评估其收益表现 - **模型具体构建过程**： - 信用风格组合中，产业超长型、二级资本债久期及城投久期组合的累计综合收益位居前列 - 产业超长型策略收益超越去年全年读数[5] - 信用风格组合中，二级超长型、产业超长型策略收益靠前[8] - **模型评价**：信用风格组合中，产业超长型和二级资本债久期策略表现较好，收益较高[5][8] 模型的回测效果 - **利率风格组合** - 二级超长型策略组合收益：0.6%[8] - 产业超长型策略组合收益：0.57%[8] - **信用风格组合** - 二级超长型策略组合收益：0.52%[8] - 产业超长型策略组合收益：0.39%[8] - 存单重仓组合周度收益均值：0.22%[9] - 城投重仓组合周度收益均值：0.2%[9] - 哑铃型策略综合收益：0.25%[9] - 二级资本债重仓组合周度收益均值：0.29%[9] - 超长债重仓组合收益均值：0.4%[9] 量化因子与构建方式 信用策略超额收益跟踪 - **因子名称**：商金债子弹型组合 - **因子的构建思路**：通过配置商业银行债券，评估其超额收益表现 - **因子具体构建过程**： - 商金债子弹型组合近四周累计超额收益较高 - 商金债子弹型、二级债久期、二级债子弹型组合的读数分别达到16.2bp、13.6bp、9.5bp[18] - **因子评价**：商金债子弹型组合在近四周表现出较高的超额收益[18] - **因子名称**：中长端金融债策略 - **因子的构建思路**：通过配置中长端金融债，评估其超额收益表现 - **因子具体构建过程**： - 中长端金融债策略超额收益接近6月下旬表现 - 商金债子弹型、银行永续债久期策略超额收益分别回升至16.1bp、14.5bp[19] - **因子评价**：中长端金融债策略在本周表现占优，特别是商金债子弹型和银行永续债久期策略[19] 因子的回测效果 - **商金债子弹型组合** - 近四周累计超额收益：16.2bp[18] - **二级债久期组合** - 近四周累计超额收益：13.6bp[18] - **二级债子弹型组合** - 近四周累计超额收益：9.5bp[18] - **中长端金融债策略** - 商金债子弹型超额收益：16.1bp[19] - 银行永续债久期策略超额收益：14.5bp[19]

量化模型与构建方式 1. 模型名称：BL模型 - **模型构建思路**：BL模型是对传统均值-方差模型的改进，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[10] - **模型具体构建过程**： 1. 选择合适的底层资产，如沪深300、恒生指数、标普500等[10] 2. 计算资产的预期收益和协方差矩阵 3. 将主观观点与市场均衡收益结合，得到修正后的预期收益 4. 通过优化问题求解资产配置权重 - **模型评价**：BL模型有效解决了均值-方差模型对于预期收益敏感的问题，同时相较纯主观投资具有更高的容错性[10] 2. 模型名称：风险平价模型 - **模型构建思路**：风险平价模型是对均值-方差模型的改进，其核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对投资组合整体风险的贡献相等[13] - **模型具体构建过程**： 1. 选择合适的底层资产，如沪深300、标普500、恒生指数等[13] 2. 计算各资产的预期波动率及预期相关性 3. 计算初始资产配置权重下各资产对投资组合的风险贡献 4. 对各资产实际风险贡献与预期风险贡献间的偏离度进行优化，得到最终资产配置权重[13] - **模型评价**：风险平价模型通过分摊风险，使得投资组合在不同经济周期阶段都能获得稳定收益[13] 3. 模型名称：基于宏观因子的资产配置模型 - **模型构建思路**：基于宏观因子的资产配置模型通过构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，提出一个通用性的宏观因子资产配置框架[15] - **模型具体构建过程**： 1. 每月末计算资产的因子暴露水平 2. 以风险平价组合作为基准，计算基准因子暴露 3. 根据对宏观未来一个月的判断，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 4. 带入模型反解得到下个月的各个资产配置权重[15] - **模型评价**：该模型建立了宏观研究与资产配置研究的桥梁，使得宏观主观观点能够在资产层面落地[15] 模型的回测效果 1. 国内资产BL模型1 - 本周收益：0.41%[2][8] - 9月份收益：0.63%[2][8] - 2024年收益：5.98%[2][8] - 年化波动：1.69%[8] - 夏普比率：5.07[8] - 卡玛比率：10.95[8] 2. 国内资产BL模型2 - 本周收益：0.27%[2][8] - 9月份收益：0.50%[2][8] - 2024年收益：5.40%[2][8] - 年化波动：1.47%[8] - 夏普比率：5.24[8] - 卡玛比率：11.83[8] 3. 国内资产风险平价模型 - 本周收益：0.08%[2][8] - 9月份收益：0.07%[2][8] - 2024年收益：4.46%[2][8] - 年化波动：1.15%[8] - 夏普比率：5.51[8] - 卡玛比率：17.38[8] 4. 基于宏观因子的资产配置模型 - 本周收益：0.04%[2][8] - 9月份收益：0.06%[2][8] - 2024年收益：3.87%[2][8] - 年化波动：1.24%[8] - 夏普比率：4.46[8] - 卡玛比率：12.27[8] 5. 全球资产BL模型1 - 本周收益：0.81%[2][8] - 9月份收益：0.76%[2][8] - 2024年收益：6.62%[2][8] - 年化波动：1.97%[8] - 夏普比率：4.83[8] - 卡玛比率：9.94[8] 6. 全球资产BL模型2 - 本周收益：0.62%[2][8] - 9月份收益：0.52%[2][8] - 2024年收益：5.48%[2][8] - 年化波动：1.48%[8] - 夏普比率：5.30[8] - 卡玛比率：12.23[8] 7. 全球资产风险平价模型 - 本周收益：0.13%[2][8] - 9月份收益：-0.07%[2][8] - 2024年收益：4.90%[2][8] - 年化波动：1.03%[8] - 夏普比率：6.80[8] - 卡玛比率：22.31[8]

相关报告 2024 年 09 月 14 日 我们需要什么样的双底 上期我们认为右侧的趋势信号仍需等待，而大小盘的风格有望逐步 进入均衡相持的状态，事后来看基本符合预期。 本期观点：我们需要什么样的双底 上期提到短期可能较难出现真正的右侧信号，所以只能静待时机并仅 以小幅试错的方式来尝试参与。近期大盘濒临 2700 关口，距春节前 的低点也仅一步之遥，因此关于是否即将形成双底，以及到底会有怎 样的双底开始成为市场关注的焦点。 如果双底的第二个底比第一个底高，从基础的趋势定义看，因为低点 越来越高，那么这段走势应该可以看成是一个上行趋势，或者是继续 处于区间震荡中。而要走出一个较大级别的上行趋势，往往是需要基 本面逻辑的重要变化以及持续驱动的，否则不创新低的第二个低点往 往不太可靠。也就是说，在当前基本面逻辑没有重要变化的大背景下， 不创新低的可能性或较低。 而一旦指数创了新低，说明市场较弱，如果此时仍没有基本面利多逻 辑的支撑，那么最好的参与时机应该是等待超跌机会，比如等到低频 温度计及高频温度计都至少处于 20 以下之时，目前来看这类机会仍 然需要继续等待。 行业上，我们的行业四轮驱动模型建议关注交通运输、通 ...