量化模型与构建方式 1. **模型名称**：成交量模型 - **模型构建思路**：基于宽基指数的成交量变化判断市场短期趋势[12] - **模型具体构建过程**：监测主要宽基指数（如上证指数、沪深300等）的成交量突破历史均值的幅度，结合价格波动确认看多/看空信号[12] - **模型评价**：对短期市场情绪敏感，但需结合其他模型过滤噪音[12] 2. **模型名称**：低波动率模型 - **模型构建思路**：通过计算指数波动率分位数判断市场风险偏好[12] - **模型具体构建过程**：采用20日历史波动率，当波动率低于过去一年25%分位数时标记为“中性”[12] 3. **模型名称**：特征龙虎榜机构模型 - **模型构建思路**：跟踪龙虎榜机构资金流向构建反向信号[12] - **模型具体构建过程**：统计机构席位净买入占比，当超买时触发看空信号[12] 4. **模型名称**：智能算法沪深300/中证500模型 - **模型构建思路**：基于机器学习算法融合价量因子预测指数走势[12] - **模型具体构建过程**：输入包括动量、换手率、资金流等因子，通过XGBoost输出看多/看空信号[12] 5. **模型名称**：长期动量模型 - **模型构建思路**：捕捉指数12个月以上的趋势延续性[14] - **模型具体构建过程**：计算上证50等指数的年化收益率，突破阈值时翻多[14] 6. **模型名称**：成交额倒波幅模型（港股） - **模型构建思路**：结合成交额与波动率判断港股中期趋势[16] - **模型具体构建过程**：$$Signal = \frac{成交额}{波幅}$$，当比值突破历史中枢时看多[16] 7. **模型名称**：杯柄形态/双底形态模型 - **模型构建思路**：技术形态识别策略，捕捉个股突破机会[47][53] - **模型具体构建过程**： - **杯柄形态**：识别“A点（左杯沿）-B点（杯底）-C点（右杯沿）”结构，突破柄部时买入[47] - **双底形态**：识别“A点（第一底）-B点（反弹）-C点（第二底）”结构，突破颈线时买入[53] --- 模型的回测效果 1. **成交量模型**：本周对上证指数、沪深300等7个宽基指数发出看多信号[12] 2. **智能算法模型**：沪深300模型本周收益1.69%，中证500模型收益3.28%[12] 3. **杯柄形态组合**：2020年至今累计收益54.21%，超额收益50.74%[46] 4. **双底形态组合**：2020年至今累计收益39.3%，超额收益35.83%[53] --- 量化因子与构建方式 1. **因子名称**：分析师上调比例因子 - **因子构建思路**：反映行业一致预期变化[20] - **因子具体构建过程**：$$Factor = \frac{分析师上调个股数}{行业总覆盖个股数}$$[20] 2. **因子名称**：基金超低配因子 - **因子构建思路**：监测机构仓位偏离度[33] - **因子具体构建过程**：$$Factor = \frac{基金持仓占比 - 行业市值占比}{行业市值占比}$$[33] --- 因子的回测效果 1. **分析师上调比例因子**：煤炭行业本周上调比例5.56%，钢铁行业7.55%[20] 2. **基金超低配因子**：电子行业超配15.64%（股票型基金），食品饮料超配8.99%（混合型基金）[33]

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. **量能择时模型** - 模型构建思路：通过监测宽基指数的交易量能变化来判断市场趋势[25] - 具体构建过程：当指数量能指标突破阈值时发出看多/看空信号，未披露具体计算公式[25] - 模型评价：对短期市场情绪变化敏感，但对持续亢奋或下跌市场存在误判风险[26] 2. **沪深300上涨家数占比情绪指标** - 模型构建思路：通过成分股上涨比例反映市场情绪极端状态[26] - 具体构建过程： $$ N日上涨家数占比 = \frac{过去N日收益>0的个股数}{成分股总数} $$ 采用N=230日窗口计算，当占比>80%视为情绪过热[26][27] - 模型评价：能快速捕捉反弹机会，但会错失持续上涨行情[26] 3. **动量情绪指标** - 模型构建思路：通过双均线系统捕捉情绪指标趋势[27] - 具体构建过程： - 计算230日上涨家数占比 - 分别进行50日（慢线）和35日（快线）移动平均 - 当快线>慢线时看多[27][29] - 模型评价：趋势跟踪效果显著，但存在滞后性[27] 4. **八均线情绪指标** - 模型构建思路：通过价格与多周期均线关系判断趋势强度[34] - 具体构建过程： - 计算8组均线（参数：8/13/21/34/55/89/144/233日） - 统计收盘价位于均线上方的数量 - 当≥5条均线被突破时看多[35][39] - 模型评价：对中长期趋势判断效果较好[34] 量化因子与构建方式 1. **横截面波动率因子** - 因子构建思路：衡量成分股间收益离散程度反映Alpha机会[40] - 具体构建过程：计算指数成分股日收益率的标准差[40] - 因子评价：波动率提升预示选股机会增加[40] 2. **时间序列波动率因子** - 因子构建思路：反映市场整体波动环境[43] - 具体构建过程：计算指数成分股加权平均的20日波动率[43] - 因子评价：与市场风险偏好正相关[43] 模型的回测效果 1. **量能择时模型** - 上证指数：看多信号[25] - 中证1000：看空信号[25] 2. **动量情绪指标** - 沪深300：快线(35日)=350，慢线(50日)=250，维持看多[33] 3. **八均线情绪指标** - 沪深300：当前指标值7（最高9），处于景气区间[38] 因子的回测效果 1. **横截面波动率** - 沪深300：最新值1.84%，近两年分位数27.95%[41] - 中证1000：最新值2.19%，近半年分位数33.07%[41] 2. **时间序列波动率** - 沪深300：最新值0.58%，近一年分位数24.64%[44] - 中证500：最新值0.44%，近半年分位数37.30%[44]

根据提供的量化周报内容，以下是核心量化模型与因子的结构化总结： --- 量化模型与构建方式 1. **沪深300指数增强模型** - 构建思路：通过多因子选股模型超越沪深300指数基准[10][30] - 具体构建： 1) 采用日频数据计算超额收益，年化基准为242个交易日[32] 2) 组合采用月度再平衡，仅包含成立满2个月的基金[24] 3) 超额基准为标的指数对应的全收益指数[32] 2. **中证500/1000/A500指数增强模型** - 构建思路：针对中小盘风格优化因子暴露，捕捉超额收益[10][30] - 具体差异： - A500指增允许成立满1个月的基金进入组合[24] - 中证1000指增跟踪误差范围2.86%-8.18%[10] --- 量化因子与构建方式 1. **超额收益因子** - 构建过程： $$超额收益 = \frac{基金日收益 - 基准日收益}{基准日收益}$$[32] 采用几何年化计算，窗口期包括周/月/年等[10][32] 2. **跟踪误差因子** - 构建过程： $$跟踪误差 = \sqrt{242 \times \frac{\sum_{t=1}^n (超额收益_t - \overline{超额收益})^2}{n-1}}$$[32] 其中n为计算周期内交易日数量 --- 模型回测效果 | 模型 | 本年超额收益 | 近一年IR | 最大回撤 | |---------------------|-------------|----------|-----------| | 沪深300指增 | 0.66% | -1.99% | 9.78%[10] | | 中证500指增 | 2.17% | -1.51% | 12.22%[10]| | 中证1000指增 | 5.59% | 6.64% | 6.91%[10] | | 主动量化 | 13.63% | 35.24% | 31.80%[10]| --- 因子回测效果 | 因子 | 沪深300指增 | 中证500指增 | |--------------|------------|------------| | 周度超额收益 | -0.02% | -0.14%[10] | | 年度跟踪误差 | 3.51% | 4.95%[10] | --- 关键图表结论 - 中证1000指增近1年超额收益显著高于其他宽基指数（散点图右上方聚集）[16] - 市场中性策略年化波动率最低（最大回撤4.29% vs 主动量化14.88%）[10][21] 注：所有数据截至2025年7月25日[10][24][30]

根据研报内容，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. **单季度营业利润同比增长率因子** - 构建思路：反映公司短期盈利能力的增长情况[12] - 具体构建：计算单季度营业利润同比变化率 $$ \text{因子值} = \frac{\text{本期营业利润} - \text{去年同期营业利润}}{\text{去年同期营业利润}} $$ - 因子评价：对短期业绩敏感，但易受季节性影响[13] 2. **市净率因子（BP因子）** - 构建思路：衡量公司估值水平[12] - 具体构建：使用最新财报数据计算 $$ \text{因子值} = \frac{\text{股东权益}}{\text{总市值}} $$ - 因子评价：长期有效但需结合行业特性[13][16] 3. **换手率相对波动率因子** - 构建思路：捕捉流动性风险溢价[12] - 具体构建：计算换手率与价格波动率的比值 $$ \text{因子值} = \frac{\text{20日平均换手率}}{\text{20日收益率标准差}} $$ - 因子评价：在反转行情中表现突出[13] 4. **下行波动率占比因子** - 构建思路：衡量股价下跌风险[14] - 具体构建：计算负收益波动占总体波动的比例 $$ \text{因子值} = \frac{\sum_{r_t<0}(r_t - \bar{r})^2}{\sum(r_t - \bar{r})^2} $$ - 因子评价：在市场下跌阶段防御性强[15] 5. **日内波动率与成交金额相关性因子** - 构建思路：识别量价联动效应[14] - 具体构建：计算日内收益率波动与成交额的滚动相关系数 - 因子评价：对小盘股有显著选股能力[15] 6. **5日反转因子** - 构建思路：捕捉短期反转效应[16] - 具体构建：计算过去5日累计收益率并取负值 $$ \text{因子值} = -\prod_{t=1}^5(1+r_t) $$ - 因子评价：在流动性差的股票中效果显著[17] 量化模型与构建方式 1. **PB-ROE-50组合模型** - 构建思路：结合估值与盈利质量的GARP策略[23] - 具体构建： 1) 在全市场筛选PB低于行业中位数且ROE高于行业中位数的股票 2) 按ROE/PB比值排序选取前50只 3) 等权重配置，月度调仓 - 模型评价：兼顾价值与成长特性[24] 2. **大宗交易组合模型** - 构建思路：利用"高成交金额比率+低波动率"特征[29] - 具体构建： 1) 计算个股大宗交易成交金额/总成交金额 2) 计算6日成交金额波动率 3) 对两个指标标准化后加权求和，选取前20%股票 - 模型评价：事件驱动型策略，需高频调仓[30] 3. **定向增发组合模型** - 构建思路：挖掘定增公告后的超额收益[35] - 具体构建： 1) 以股东大会公告日为事件日 2) 筛选市值小于100亿且折价率>10%的标的 3) 持有期60天，动态仓位控制 - 模型评价：受政策影响较大，需灵活调整[36] 回测效果指标 | 模型/因子名称 | 本周收益 | 近1月收益 | 近1年收益 | 10年累计收益 | |------------------------|----------|-----------|-----------|--------------| | PB-ROE-50(全市场) | 0.06% | - | 9.34% | - | [24] | 大宗交易组合 | 0.83% | - | 27.95% | - | [30] | 单季度营业利润同比(沪深300)| 2.40% | 5.39% | 10.57% | 1.18% | [13] | 下行波动率占比(中证500)| 3.85% | 4.14% | 7.35% | 160.94% | [15] | 5日反转(流动性1500) | -2.11% | -0.57% | 9.53% | -4.48% | [17] | 大类因子名称 | 本周收益 | |------------------------|----------| | Beta因子 | 0.49% | [18] | 动量因子 | -0.60% | [18] | 流动性因子 | -0.49% | [18] 注："-"表示原文未提供数据

量化模型与构建方式 1. **模型名称：DBD-GRU模型** - **模型构建思路**：将因子切割论与深度学习（GRU网络）结合，通过双分支差异网络处理切割后的数据，提取时序信息差异[4][28] - **模型具体构建过程**： 1. 输入数据包含特征A（切割指标）和特征B（切割对象） 2. 以特征A的时序中位数为阈值，生成掩码`mask_Ahigh`和`mask_Alow` 3. 掩码处理后数据分别输入两个GRU分支（`GRU_high`和`GRU_low`） 4. 取两个分支最后一个时间步输出的差异作为最终结果 公式： $$ \text{DBD-GRU输出} = \text{GRU\_high}(x \odot \text{mask\_Ahigh}) - \text{GRU\_low}(x \odot \text{mask\_Alow}) $$ - **模型评价**：有效融合切割论逻辑与深度学习，提供显著信息增量[5][12] 2. **模型名称：GRU基线模型** - **模型构建思路**：作为对比基准，直接处理未切割的原始特征[34] - **模型具体构建过程**：输入特征A和B，通过标准GRU网络输出预测结果 --- 量化因子与构建方式 1. **因子名称：理想反转因子** - **因子构建思路**：通过切割日度涨跌幅，分离大单成交驱动的反转效应[14][18] - **因子具体构建过程**： 1. 取股票过去20日数据，计算每日涨跌幅和平均单笔成交金额 2. 按单笔成交金额中位数分为高/低两组 3. 分别加总高组（`M_high`）和低组（`M_low`）的涨跌幅 4. 计算差异： $$ M = M\_high - M\_low $$ - **因子评价**：稳定性优于传统反转因子，多空IR达2.59[24][40] 2. **因子名称：理想振幅因子** - **因子构建过程**： 1. 取股票过去20日数据，计算每日振幅（最高价/最低价-1） 2. 按收盘价分为高/低价态两组（前25%和后25%） 3. 计算高价态振幅均值（`A_high`）和低价态振幅均值（`A_low`） 4. 输出差异： $$ A = A\_high - A\_low $$ - **因子评价**：多空年化收益21.02%，但分组单调性较弱[35][40] 3. **因子名称：主动买卖因子（小单）** - **因子构建过程**： 1. 计算每日小单主动买卖比率： $$ \frac{\text{主动买入金额(小单)} - \text{主动卖出金额(小单)}}{\text{主动买入金额(小单)} + \text{主动卖出金额(小单)}} $$ 2. 选取收盘价最低的25%交易日计算均值[79] 4. **衍生因子：DBD-GRU改进因子** - 包括理想振幅-DBD、理想反转-DBD、主动买卖-DBD，通过DBD-GRU模型重构原始因子[5][34] 5. **复合因子：DBD-Combine因子** - 对三个DBD-GRU因子对称正交后等权合成[6][61] --- 模型与因子的回测效果 DBD-GRU模型因子（测试区间：201412~202505） | 因子 | RankIC | RankICIR | 多空年化收益 | 多空波动率 | |--------------------|----------|----------|--------------|------------| | 理想振幅-DBD | -10.33% | -3.68 | 34.31% | 15.17% | | 理想反转-DBD | -10.31% | -3.57 | 37.62% | 12.55% | | 主动买卖-DBD | -9.81% | -3.63 | 33.33% | 13.32% | [48][52] 原始切割论因子 | 因子 | RankIC | 多空年化收益 | |--------------------|----------|--------------| | 理想振幅因子 | -7.00% | 21.02% | | 理想反转因子 | -6.06% | 24.26% | | 主动买卖因子 | -3.39% | 10.20% | [40] DBD-Combine因子（宽基指数表现） | 指数 | RankIC | 多空年化收益 | 指增超额IR | |------------|----------|--------------|------------| | 沪深300 | -5.76% | 14.9% | 1.84 | | 中证500 | -7.40% | 17.5% | 1.37 | | 中证1000 | -9.84% | 30.8% | 2.21 | [61][71]

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计监测，未提及量化模型或量化因子的构建与分析。以下是可提取的核心数据指标分类： --- 市场情绪指标 1. **封板率** 构建思路：反映涨停股的封板稳定性 计算方式：$$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 当日取值：59%（较前日下降14%）[16][17] 2. **连板率** 构建思路：衡量涨停股的持续性强弱 计算方式：$$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 当日取值：11%（较前日下降20%，近一月新低）[16][17] 3. **涨跌停股次日表现** 昨日涨停股今日收益：-1.17% 昨日跌停股今日收益：-4.03%[13][15] --- 资金流向指标 1. **两融余额** 数据取值： - 融资余额：19284亿元 - 融券余额：136亿元 - 占流通市值比重：2.2% - 交易占比：10.5%[18][21] 2. **大宗交易折价率** 计算方式：$$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 近半年均值：5.83% 当日取值：7.79%[25][26] 3. **股指期货年化贴水率** 计算方式：$$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 当日分位数： - 上证50：62%（升水0.29%） - 沪深300：56%（贴水1.69%） - 中证500：53%（贴水8.29%） - 中证1000：59%（贴水9.39%）[27][30] --- ETF折溢价监控 1. **稀有金属ETF**：溢价1.43%[23] 2. **建材ETF**：折价1.51%[23] --- 注：报告未涉及量化模型或因子构建的详细方法论，以上均为市场监测类指标[1][4]

量化模型与构建方式 1. **模型名称**：港股精选组合模型 - **模型构建思路**：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] - **模型具体构建过程**： 1. 事件筛选：捕捉分析师上调盈利预测、首次覆盖或标题含“超预期”的研报事件 2. 基本面筛选：从事件股票池中选取盈利增速、估值等指标优于行业的个股 3. 技术面筛选：结合股价动量、突破新高等技术指标进一步精选 - **模型评价**：兼顾基本面逻辑与技术面趋势，长期超额收益显著[14] 2. **模型名称**：平稳创新高股票筛选模型 - **模型构建思路**：从创250日新高的股票中筛选具备持续动量的个股，结合分析师关注度与价格路径平滑性[19][21] - **模型具体构建过程**： 1. 初筛条件： - 样本池：上市超15个月的港股 - 分析师关注度：过去6个月≥5份买入/增持评级研报 - 股价强度：过去250日涨幅前20%[22] 2. 精细筛选： - 价格路径平滑性：计算位移路程比 $$ \text{平滑性} = \frac{\text{过去120日涨跌幅绝对值}}{\text{过去120日日涨跌幅绝对值加总}} $$ - 创新高持续性：过去120日250日新高距离的均值[21] - 趋势延续性：过去5日新高距离的均值[22] 量化因子与构建方式 1. **因子名称**：250日新高距离因子 - **因子构建思路**：量化股价接近历史高点的程度，捕捉趋势延续性[21] - **因子具体构建过程**： $$ \text{250日新高距离} = 1 - \frac{\text{Closet}}{\text{ts\_max(Close, 250)}} $$ 其中`Closet`为当日收盘价，`ts_max(Close, 250)`为过去250日最高价[21] - **因子评价**：有效识别处于强势趋势的股票，但需结合其他指标避免追高 模型的回测效果 1. **港股精选组合模型**： - 年化收益19.11%，超额收益18.48%（vs恒生指数） - 最大回撤23.73%，信息比率(IR)1.22，跟踪误差14.55%[18] - 2025年收益50.61%，超额24.05%[16] 2. **平稳创新高股票筛选模型**： - 2025年医药板块16只入选股票平均涨幅276.6%（如诺诚健华），科技板块9只平均涨幅193.0%（如OSL集团）[27] 因子的回测效果 1. **250日新高距离因子**： - 入选股票平均250日涨幅215.3%（如心动公司226.7%），20日涨幅中位数18.6%[27] - 创新高后5日内平均延续涨幅12.4%（传媒板块最高达18.9%）[27]

量化因子与构建方式 1. **因子名称：特异度** - **构建思路**：衡量股票价格波动中不能被Fama-French三因子解释的部分，反映个股特异性风险[17] - **构建过程**： $$特异度 = 1 - R^2$$ 其中$R^2$为过去20个交易日个股收益率对Fama-French三因子（市场、市值、价值）回归的拟合优度[17] - **评价**：近期在多个样本空间中表现突出，尤其在沪深300和中证A500中具有稳定的正向预测能力[19][25] 2. **因子名称：EPTTM一年分位点** - **构建思路**：通过动态分位数定位当前估值水平，避免静态阈值失效[17] - **构建过程**：计算EPTTM（TTM净利润/总市值）在过去一年历史数据中的百分位排名[17] 3. **因子名称：三个月反转** - **构建思路**：捕捉短期过度反应后的价格回调效应[17] - **构建过程**：计算过去60个交易日收益率并取反向信号[17] 4. **因子名称：预期BP** - **构建思路**：结合分析师一致预期的动态市净率因子[17] - **构建过程**：使用一致预期净资产除以总市值[17] 5. **因子名称：三个月机构覆盖** - **构建思路**：反映机构关注度的变化[17] - **构建过程**：统计过去3个月内覆盖该股的机构数量[17] 6. **因子名称：单季净利同比增速** - **构建思路**：捕捉企业盈利能力的边际变化[17] - **构建过程**： $$\frac{当期单季净利润 - 去年同期单季净利润}{去年同期单季净利润}$$[17] 7. **因子名称：MFE组合构建模型** - **构建思路**：在控制风格和行业暴露下最大化单因子暴露[39] - **构建过程**： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 其中$f$为因子向量，$w$为组合权重，$w_b$为基准权重，$X$为风格暴露矩阵，$H$为行业暴露矩阵[39][40] 因子回测效果 | 因子名称 | 最近一周 | 最近一月 | 今年以来 | 历史年化 | 样本空间 | |------------------|----------|----------|----------|----------|----------------| | 特异度 | 1.18% | 2.02% | 4.23% | 0.51% | 沪深300[19] | | 特异度 | 1.43% | 2.14% | 2.71% | 1.72% | 中证A500[25] | | EPTTM一年分位点 | 1.01% | 1.54% | 1.90% | 5.24% | 中证500[21] | | 三个月反转 | 1.10% | 2.15% | 2.59% | -0.67% | 中证1000[23] | | 预期BP | 0.99% | 1.69% | -0.10% | 3.90% | 中证500[21] | | 三个月机构覆盖 | 1.25% | 0.90% | 3.44% | 6.27% | 中证1000[23] | 模型回测效果 | 模型名称 | 本周超额 | 本年超额 | |------------------------|----------|----------| | 沪深300指数增强组合 | 0.78% | 9.31%[5] | | 中证500指数增强组合 | -0.52% | 9.90%[5] | | 中证1000指数增强组合 | 0.07% | 15.69%[5]| | 中证A500指数增强组合 | 0.26% | 9.96%[5] |

量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **模型构建思路**：基于历史分红数据和指数成分股的分红预测，对股指期货合约存续期内的分红点位进行预测[9] - **模型具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年内的分红点位进行预测，分别预估为81.80、74.62、59.13、61.02[9] 2. 对当月、次月、当季、下季合约存续期内的分红点位进行细分预测，例如中证500指数在当月合约IC2508存续期内分红点位预估为3.73，次月合约IC2509为7.31，当季合约IC2512为7.31，下季合约IC2603为7.31[9] 3. 计算分红占比，例如中证500指数在下季合约存续期内分红占比预估为0.12%[9] 2. **模型名称：基差修正模型** - **模型构建思路**：剔除分红对期货合约基差的影响，计算调整后的年化基差[20] - **模型具体构建过程**： 1. 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红[20] 2. 年化基差计算公式： $$年化基差 = (实际基差 + (预期)分红点位)/指数价格 \times 360/合约剩余天数$$[20] 3. 例如，IC当季合约分红调整年化基差周内低点贴水8.57%，当前基差贴水7.79%[21] 3. **模型名称：期现对冲策略** - **模型构建思路**：基于基差收敛因素分析，优化对冲策略[46] - **模型具体构建过程**： 1. **连续对冲策略**： - 回测区间：2022年7月22日至2025年7月25日[47] - 现货端：持有对应标的指数的全收益指数[47] - 期货端：现货端使用70%资金，做空对冲端使用金额相同名义本金的股指期货合约[47] - 调仓规则：连续持有季月/当月合约，直至该合约离到期剩余不足2日，平仓并卖空下一季月/当月合约[47] 2. **最低贴水策略**： - 调仓规则：选择年化基差贴水幅度最小的合约开仓，同一合约持有8个交易日或离到期不足2日[48] 模型的回测效果 1. **IC对冲策略**（2022年7月22日至2025年7月25日）： - 当月连续对冲：年化收益-2.87%，波动率3.85%，最大回撤-8.65%，净值0.9167[50] - 季月连续对冲：年化收益-2.11%，波动率4.74%，最大回撤-8.34%，净值0.9383[50] - 最低贴水策略：年化收益-1.09%，波动率4.64%，最大回撤-7.97%，净值0.9677[50] 2. **IF对冲策略**（2022年7月22日至2025年7月25日）： - 当月连续对冲：年化收益0.52%，波动率2.99%，最大回撤-3.95%，净值1.0155[55] - 季月连续对冲：年化收益0.69%，波动率3.34%，最大回撤-4.03%，净值1.0207[55] - 最低贴水策略：年化收益1.33%，波动率3.12%，最大回撤-4.06%，净值1.0403[55] 3. **IH对冲策略**（2022年7月22日至2025年7月25日）： - 当月连续对冲：年化收益1.08%，波动率3.10%，最大回撤-4.22%，净值1.0326[59] - 季月连续对冲：年化收益2.00%，波动率3.52%，最大回撤-3.76%，净值1.0612[59] - 最低贴水策略：年化收益1.75%，波动率3.12%，最大回撤-3.91%，净值1.0533[59] 4. **IM对冲策略**（2022年7月22日至2025年7月25日）： - 当月连续对冲：年化收益-6.09%，波动率4.73%，最大回撤-14.01%，净值0.8426[61] - 季月连续对冲：年化收益-4.50%，波动率5.78%，最大回撤-12.63%，净值0.8744[61] - 最低贴水策略：年化收益-3.89%，波动率5.58%，最大回撤-11.11%，净值0.8851[61] 量化因子与构建方式 1. **因子名称：Cinda-VIX** - **因子构建思路**：反映期权市场对标的资产未来波动的预期，具有期限结构[64] - **因子具体构建过程**：基于期权定价模型，计算不同期限的波动率指数[64] - **因子评价**：能够准确反映市场波动性预期[64] 2. **因子名称：Cinda-SKEW** - **因子构建思路**：捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对尾部风险的预期[74] - **因子具体构建过程**：分析看涨和看跌期权的波动率偏斜，计算SKEW指数[74] - **因子评价**：能够洞察市场对极端负面事件的预期[74] 因子的回测效果 1. **Cinda-VIX**（截至2025年7月25日）： - 上证50VIX_30：21.24[64] - 沪深300VIX_30：20.56[64] - 中证500VIX_30：28.18[64] - 中证1000VIX_30：25.00[64] 2. **Cinda-SKEW**（截至2025年7月25日）： - 上证50SKEW：97.47[75] - 沪深300SKEW：98.01[75] - 中证500SKEW：100.61[75] - 中证1000SKEW：102.81[75]

量化因子与构建方式 1 **因子名称**：250日新高距离 - **因子构建思路**：通过计算当前收盘价与过去250日最高价的相对距离，衡量股票接近历史高点的程度，用于捕捉动量效应[11] - **因子具体构建过程**： $$250\,日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，\(Closet\)为最新收盘价，\(ts\_max(Close,250)\)为过去250日收盘价最大值。若收盘价等于新高，则因子值为0；若回落，则为正数表示回落幅度[11] - **因子评价**：基于行为金融学中的动量效应理论，有效识别趋势延续性强的标的 2 **因子名称**：平稳创新高筛选因子（复合因子） - **因子构建思路**：结合分析师关注度、股价路径平滑性、创新高持续性等维度，筛选具有稳健动量特征的股票[26][28] - **因子具体构建过程**： 1. **分析师关注度**：过去3个月买入/增持评级研报≥5份[28] 2. **股价相对强弱**：过去250日涨跌幅全市场前20%[28] 3. **股价路径平滑性**：计算位移路程比（过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总）[26] 4. **创新高持续性**：过去120日250日新高距离的时间序列均值[28] 5. **趋势延续性**：过去5日250日新高距离的时间序列均值，取前50名[28] - **因子评价**：综合反映动量的质量和持续性，避免短期波动干扰 --- 因子的回测效果 1 **250日新高距离因子** - **全市场应用**：中证2000、中证1000指数成分股中创新高个股占比分别达20.70%、17.90%[21] - **行业表现**：银行、钢铁、有色金属行业创新高个股占比最高（73.81%、52.83%、41.94%）[20] 2 **平稳创新高筛选因子** - **筛选结果**：44只标的入选，其中制造板块（13只）、周期板块（11只）占比最高[29] - **个股表现**： - 博瑞医药（医药）：过去250日涨幅237%，新高距离1.0%[31] - 仕佳光子（通信）：过去250日涨幅497%，新高距离3.8%[31] - 中材科技（建材）：过去250日涨幅150%，新高距离2.2%[31] --- 数据补充说明 - **基准指数新高距离**：截至2025年7月25日，中证1000、中证2000指数新高距离均为0%，创业板指为8.24%[12] - **行业新高距离**：基础化工、有色金属行业距离新高最近（0.00%、0.12%）[13]