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]

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**：通过监测申万一级行业指数的拥挤度，识别当前市场过热或过冷的行业[4] - **模型具体构建过程**： 1. 计算行业指数的历史分位数（如30日滚动窗口），衡量当前价格相对于历史水平的偏离程度 2. 结合成交量、资金流向等辅助指标，综合判断行业拥挤状态 3. 输出每日行业拥挤度排名，钢铁、建材、有色等周期性行业近期拥挤度持续高位[4][12] - **模型评价**：能够有效捕捉市场情绪极端化的行业，但对突发政策或事件冲击的敏感性不足 2. **模型名称：ETF溢价率Z-score模型** - **模型构建思路**：通过统计套利逻辑筛选ETF溢价异常标的[5] - **模型具体构建过程**： 1. 计算ETF溢价率：$$溢价率 = (IOPV - 市价)/IOPV \times 100\%$$ 2. 滚动计算过去N日（如20日）溢价率的均值μ和标准差σ 3. 生成Z-score：$$Z = (当前溢价率 - μ)/σ$$ 4. 当Z-score超过±2时触发关注信号[5][14] - **模型评价**：适用于流动性较好的宽基ETF，但对行业ETF需结合基本面验证 --- 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**：监测主力资金在行业层面的动向[13] - **因子具体构建过程**： 1. 按申万一级行业分类汇总大单资金流向（如单笔成交额>100万元） 2. 计算T日净流入额：$$净流入额 = 主力买入额 - 主力卖出额$$ 3. 生成3日滚动累计值，机械、化工行业近3日净流出超百亿[13] 2. **因子名称：ETF资金流动因子** - **因子构建思路**：跟踪各类ETF产品的资金异动[6][9] - **因子具体构建过程**： 1. 按宽基/行业/跨境等类别分类统计资金净流入 2. 计算单日及多日滚动净流入规模 3. 近期宽基ETF持续吸金（沪深300ETF单日+12.7亿），行业ETF整体流出[6][8] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤行业（钢铁/建材）后续3日平均超额收益-1.2%[4][12] - 低拥挤行业（传媒/家电）同期超额收益+0.8%[4] 2. **ETF溢价率Z-score模型**： - Z-score>2标的后续5日回调概率68%[5][14] - 套利组合年化IR 1.35[14] --- 因子的回测效果 1. **主力资金净流入因子**： - 3日净流入TOP3行业后续周度胜率62%[13] - 因子IC（信息系数）0.21[13] 2. **ETF资金流动因子**： - 宽基ETF净流入与沪深300指数3日相关性0.73[6][9] - 跨境ETF资金流对港股通标的领先性显著（滞后3日β 0.58）[6]

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分析，但未提及具体的量化模型或因子构建。以下是可提取的核心量化指标及其计算方式： 量化指标与计算方式 1. **封板率指标** - 构建思路：反映涨停股的封板稳定性[17] - 计算公式： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ - 测试结果：当日封板率73%（较前日提升24%）[17] 2. **连板率指标** - 构建思路：衡量涨停股的连续性[17] - 计算公式： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ - 测试结果：当日连板率31%（较前日提升4%）[17] 3. **大宗交易折价率** - 构建思路：反映大资金交易溢价水平[26] - 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ - 测试结果：近半年平均折价率5.81%，当日5.01%[26] 4. **股指期货年化贴水率** - 构建思路：量化期现价差水平[28] - 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ - 测试结果：当日中证1000贴水率7.51%（70%分位点）[28] 指标回测效果 1. **封板率指标** - 近期趋势：近一个月呈现波动上升[17] 2. **连板率指标** - 近期趋势：近一个月小幅提升[17] 3. **大宗交易折价率** - 历史水平：近半年日均折价率5.81%[26] 4. **股指期货贴水率** - 分位水平：中证500贴水率6.55%（60%分位点）[28] 注：报告未涉及多因子模型、复合因子或模型评价内容，以上均为基于市场行为的单指标统计方法[17][26][28]

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. **主动权益基金筛选模型** - 模型构建思路：通过持仓比例和规模变化筛选主动权益基金[5][28] - 具体构建过程： 1. 筛选普通股票型、偏股混合型、平衡混合型和灵活配置型基金 2. 计算四个季度平均持股比例>60%的基金 3. 按规模变动和行业集中度（前10大重仓股占比）进一步筛选[7][31] - 模型评价：有效捕捉头部效应，但需注意规模波动对集中度的影响[32] 2. **固收+基金分类模型** - 模型构建思路：基于权益仓位弹性分组[49][50] - 具体构建过程： 1. 定义权益仓位 = 股票仓位 + 50%×可转债仓位 2. 按均值划分三组： - 低弹性（≤10%） - 中弹性（10%~25%） - 高弹性（>25%）[49] - 模型评价：能清晰反映不同风险偏好，但需动态调整阈值[50] 3. **FOF重仓基金优选模型** - 模型构建思路：结合市值和频次双重指标[126][129] - 具体构建过程： 1. 剔除同一管理人子基金 2. 按被重仓市值（亿元）和次数排名 3. 分主动权益、被动权益、固收+、固收四类独立排序[126] - 模型评价：避免单一指标偏差，但需考虑规模与业绩的平衡[129] --- 量化因子与构建方式 1. **权益仓位因子** - 构建思路：衡量基金风险暴露水平[37][38] - 具体构建： $$权益仓位 = \frac{股票市值 + 0.5 \times 可转债市值}{基金净值}$$ 计算过去4季度均值[49] - 因子评价：对固收+产品风险分层效果显著[50] 2. **行业超配因子** - 构建思路：捕捉基金行业配置偏好[76][77] - 具体构建： $$超配比例 = 基金行业持仓占比 - 基准指数行业权重$$ 对比中证全指行业分布[77] - 因子评价：需结合行业景气度动态分析[76] 3. **债券杠杆因子** - 构建思路：反映固收基金杠杆策略[96][97] - 具体构建： $$债券仓位 = \frac{债券市值}{基金净值}$$ 分位数统计25%/50%/75%分位点[97] - 因子评价：对利率敏感性分析有参考价值[96] --- 模型回测效果 1. **主动权益基金模型** - 头部10家公司规模占比44.0%[32] - 前10大重仓股集中度38.08%[31] 2. **固收+分类模型** - 高弹性组季度收益均值1.67%（中弹性1.21%，低弹性1.17%）[65] - 中弹性组规模占比49.1%[50] 3. **FOF优选模型** - 最优FOF季度收益7.63%（偏债混合型）[132] - 被重仓次数最高基金：大成高鑫C（36次）[129] --- 因子回测效果 1. **权益仓位因子** - 高弹性组收益波动率4.0%（95分位）vs 低弹性组2.1%[65] 2. **行业超配因子** - 银行板块超配6.3%，电子板块低配10.7%[77] 3. **债券杠杆因子** - 中长期纯债基金平均仓位115.0%（短期纯债110.4%）[97] 注：所有测试结果均基于2025年二季度数据[5][65][97]

根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：市值因子(Size)** - 构建思路：衡量股票市值大小对基金配置的影响[26] - 构建过程：通过计算基金重仓股在沪深300/中证500/中证1000等不同市值板块的配置比例变化，反映机构对市值风格的偏好。2025Q2数据显示沪深300配置比例下降2.56pct，中证500配置上升2.11pct[22][26] - 因子评价：中小盘配置比例达2018年以来新高，显示市场风格切换[22] 2. **因子名称：波动率因子(Volatility)** - 构建思路：捕捉基金对股价波动性特征的暴露变化[26] - 构建过程：基于重仓股历史波动率计算标准化暴露值，2025Q2绝对暴露值0.48，较上季度增加0.05[26] - 因子评价：反映机构风险偏好增强[26] 3. **因子名称：成长因子(Growth)** - 构建思路：衡量基金对高成长性股票的配置倾向[26] - 构建过程：通过营收/利润增速等指标构建组合，2025Q2暴露值0.49，处于历史79.63%分位[26] - 因子评价：与中小盘风格形成共振[26] 4. **因子名称：股息率因子** - 构建思路：跟踪基金对分红特征的偏好变化[30] - 构建过程：过去一年分红/总市值计算，2025Q2暴露值低于沪深300和中证800基准[30] - 因子评价：持续低配状态反映成长风格主导[30] 因子回测效果 1. **市值因子** - 2025Q2暴露值：-0.06（相对沪深300低配1个标准差）[26] - 历史分位：38.89%[26] 2. **波动率因子** - 2025Q2暴露值：0.48[26] - 历史分位：57.41%[26] 3. **成长因子** - 2025Q2暴露值：0.49[26] - 历史分位：79.63%[26] 4. **股息率因子** - 2025Q2暴露值：低于基准0.5-1个标准差[30] 注：报告中未提及具体量化模型，主要聚焦于因子分析。行业配置因子（如科技28.84%、医药10.92%）和个股集中度因子（top50集中度41.49%）也提供了配置层面的量化参考[33][41]

量化模型与构建方式 1. **模型名称：CRR定价模型** - **构建思路**：通过二叉树模型计算可转债的理论定价，考虑内嵌条款、信用利差等因素，较传统BSM模型更精确[15] - **具体构建过程**： 1. 定义定价偏离度：$$ \text{定价偏离度} = \text{CRR定价} - \text{转债市价} $$，偏离度越高说明转债越便宜[15] 2. 样本初筛条件：债项评级≥AA-、余额≥2亿元、非ST股、无评级下调、大股东质押比例<90%、10日内有成交、强赎进度<5日、未跌破债底[45] 3. 按平价划分风格（股性/平衡/债性），每类选CRR定价与市价比值最高的10只转债，共30只纳入组合[45] - **模型评价**：博弈定价误差回归收益，适合高频交易环境[44] 2. **模型名称：低估值动量组合模型** - **构建思路**：结合低估值与正股动量因子，筛选转股溢价率低位且正股有上行趋势的转债[49] - **具体构建过程**： 1. 同CRR模型的初筛条件[51] 2. 按平价划分风格后，综合打分（估值相对点位+短期动量），每类选得分最高的10只转债[51] 3. 等权配置，月度再平衡[51] - **模型评价**：多因子策略，兼顾估值安全边际与趋势动能[49] --- 量化因子与构建方式 1. **因子名称：定价偏离度因子** - **构建思路**：衡量转债市场价格与理论价值的偏差[15] - **具体构建过程**： $$ \text{定价偏离度} = \text{CRR定价} - \text{转债市价} $$ 剔除跌破债底样本后计算中位数/余额加权值[16] 2. **因子名称：隐含波动率因子** - **构建思路**：通过BSM模型反推转债隐含的正股波动率预期[35] - **具体构建过程**： 1. 使用BSM模型逆算全市场转债隐含波动率 2. 计算中位数及余额加权值[35] 3. **因子名称：短久期溢价率因子** - **构建思路**：反映市场对正股短期收益的预期[38] - **具体构建过程**： 1. 筛选到期时间最短的1/3转债 2. 按到期日倒数加权转股溢价率，构建隐含预期指数[38] 4. **因子名称：DELTA风格因子** - **构建思路**：跟踪转债基金持仓风格与正股联动性[40] - **具体构建过程**： 1. 回归分析基金持仓风格占比（股性/平衡/债性） 2. 加权各风格DELTA值得出基金整体DELTA值[40] --- 模型的回测效果 1. **CRR定价组合** - 年化收益率：15.56% - 最大回撤：12.08% - 收益回撤比：1.29 - 月度胜率：62.22%[44][48] 2. **低估值动量组合** - 年化收益率：15.39% - 最大回撤：11.26% - 收益回撤比：1.37 - 月度胜率：65.56%[49][55] --- 因子的回测效果 1. **定价偏离度因子** - 当期偏离度中位数：-2.96元（全市场）[16] - 分风格偏离度：股性-2.88元、平衡-3.31元、债性-2.95元[18] 2. **隐含波动率因子** - 当期隐波中位数：35.35%（较上月+3.10%）[35] 3. **短久期溢价率因子** - 隐含预期指数读数：39.46（反映谨慎预期）[38] 4. **DELTA风格因子** - 当期DELTA均值：55.06%（较上月-8.20%）[40]

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. **FOF穿透权益资产占比模型** - **模型构建思路**：通过FOF持仓基金和股票的比例估算穿透权益仓位，对FOF进行分类[12] - **模型具体构建过程**： 计算公式： $$W=\sum_{i}Fund_{i}\times Fund\_Stock_{i}+Stock$$ 其中： - \(Fund_{i}\)：FOF持有的基金i规模占净值比 - \(Fund\_Stock_{i}\)：基金i的股票投资市值占基金自身净值比 - \(Stock\)：FOF直接投资的股票市值占净值比 对于成立不足3个月的FOF，使用其基准指数对应的权益仓位作为穿透后的权益资产占比[12] - **模型评价**：通过穿透计算能更准确反映FOF的实际权益暴露，但依赖持仓数据的完整性和及时性 2. **FOF分类模型** - **模型构建思路**：根据穿透后权益资产占比将FOF分为三类[13] - **模型具体构建过程**： - 偏债型FOF：穿透后权益资产占比 < 30% - 平衡型FOF：30% ≤ 穿透后权益资产占比 < 60% - 偏股型FOF：穿透后权益资产占比 ≥ 60%[13] 3. **FOF预估净增持模型** - **模型构建思路**：通过对比相邻季度FOF重仓数据，估算基金/股票的增减持动态[44][47] - **模型具体构建过程**： - 净增持数量公式： $$\Delta N=\sum_{i}I_{i}$$ 其中\(I_{i}\)根据FOF对标的的投资份额变化方向取值为1、-1或0[44][67] - 净增持规模公式： $$\Delta MV=\sum_{i}Nav\times\Delta Share_{i}$$（基金）[45] $$\Delta MV=\sum_{i}Close\times\Delta Share_{i}$$（股票）[68] 其中： - \(Nav\)：基金日度单位净值均值 - \(Close\)：股票日度收盘价均值 - \(\Delta Share_{i}\)：第i只FOF对标的的投资份额/股数变化 量化因子与构建方式 1. **FOF配置集中度因子** - **因子构建思路**：通过统计FOF重仓基金/股票的数量和规模，衡量配置集中程度[32][40][62] - **因子具体构建过程**： - 对每只基金/股票计算： - 被FOF重仓数量 - FOF重仓总规模 - 按重仓数量或规模排序，提取头部标的作为高集中度样本[34][38][66] 2. **FOF动态调仓因子** - **因子构建思路**：捕捉FOF基金经理季度调仓行为中的共性选择[47][69] - **因子具体构建过程**： - 计算单季度净增持数量\(\Delta N\)和净增持规模\(\Delta MV\)[44][45] - 对净增持数量/规模进行标准化处理，形成连续型因子 模型的回测效果 1. **FOF分类模型效果** - 2025Q2分类结果： - 偏债型FOF规模920.91亿元，占比55.41% - 平衡型FOF规模324.54亿元 - 偏股型FOF规模416.52亿元[13][71] - 2025Q2收益中位数： - 偏债型FOF：1.20% - 平衡型FOF：1.76% - 偏股型FOF：2.62%[24][71] 2. **FOF配置集中度因子表现** - 主动权益基金： - 重仓数量TOP3：大成高鑫A(52只)、富国稳健增长A(35只)、博道成长智航C(18只)[32][34] - 重仓规模TOP3：大成高鑫A(3.88亿元)、易方达科融(3.84亿元)、易方达信息行业精选C(3.71亿元)[33][34] - 债券型基金： - 重仓数量TOP3：易方达岁丰添利A(38只)、广发纯债A(37只)、易方达信用债A(23只)[40][41] - 重仓规模TOP3：博时信用优选A(11.26亿元)、易方达岁丰添利A(9.33亿元)、博时信用债纯债A(8.28亿元)[41] 3. **FOF动态调仓因子表现** - 主动权益基金增持TOP3： - 净增持数量：大成高鑫A(3只)、华商远见价值C(3只)、前海开源金银珠宝A(3只)[47][48] - 净增持规模：交银科技创新C(0.61亿元)、易方达智造优势C(0.57亿元)、易方达供给改革(0.33亿元)[48] - 股票调仓TOP3： - 加仓市值：泸州老窖(0.06亿元)、中国东航(0.05亿元)、厦门空港(0.04亿元)[70] - 减仓市值：福昕软件(-0.15亿元)、兔宝宝(-0.08亿元)、豪迈科技(-0.04亿元)[70]

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：通过监测涨停股票在盘中最高价涨停且收盘仍维持涨停的比例，反映市场情绪强度[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算日内最高价涨停与收盘涨停的重合比例[17] - 因子评价：高频情绪指标，对短期市场动量有较强解释力 2. **因子名称：连板率因子** - 构建思路：衡量涨停股票的持续性，反映市场投机热度[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 需筛选上市满3个月且前一日涨停的股票[17] 3. **因子名称：股指期货年化贴水率因子** - 构建思路：利用期货与现货价差构建市场预期指标[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、中证1000主力合约的基差年化值[28] - 因子评价：有效反映机构对冲成本与市场多空预期 4. **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捕捉大资金动向[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 统计单日所有大宗交易成交金额与对应市值的比率[26] 因子回测效果 1. **封板率因子** - 当日取值：49%（较前日下降33%）[17] - 近一月极值：创近一个月新低[17] 2. **连板率因子** - 当日取值：27%（较前日下降24%）[17] 3. **股指期货年化贴水率因子** - 上证50：升水0.34%（63%分位）[28] - 沪深300：贴水1.53%（58%分位）[28] - 中证500：贴水7.37%（57%分位）[28] - 中证1000：贴水9.66%（59%分位）[28] 4. **大宗交易折价率因子** - 当日取值：6.20%[26] - 近半年均值：5.82%[26] 注：报告中未涉及量化模型的构建与测试，故未总结相关内容。所有因子数据均来自2025年7月22-23日的最新统计[17][26][28]

根据提供的研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称**：上证 AAA 科技创新公司债指数 **模型构建思路**：以"高信用+硬科技"为核心定位，筛选高信用等级的科技创新公司债，反映上交所上市高等级科技企业债券的整体市场表现[5][11][40] **模型具体构建过程**： - 选样范围：从上交所上市的科技创新公司债中筛选 - 信用筛选：主体评级为AAA、隐含评级不低于AA+ - 加权方式：采用派许加权法进行计算 - 调样机制：月度调样，动态优化期限结构 **模型评价**：信用质量锁定市场顶尖梯队，兼具收益弹性与稳健防御[40][44] 2. **模型名称**：风险平价(ERC)策略 **模型构建思路**：利用科创债与权益资产的低相关性，构建股债混合配置策略[55] **模型具体构建过程**： - 资产选择：万得纯债型基金总指数 + 中证红利全收益 - 风险配置：根据资产波动性动态调整权重 - 目标：实现风险均衡配置 **模型评价**：在获取稳健回报的同时实现了卓越的风险控制[55] 模型的回测效果 1. **上证 AAA 科技创新公司债指数** - 累计增长：14.75%（2022/06/30-2025/07/18） - 年化收益率：4.76% - 超额收益：较万得中长期纯债型指数高1.47%[44] - 波动率：短期（26周）1.31%，中长期（52周）1.7%[12] - 最大回撤：未明确披露 2. **风险平价(ERC)策略** - 年化收益率：3.84% - 年化波动率：0.94% - 最大回撤：-2.90%[55] 量化因子与构建方式 1. **因子名称**：信用等级因子 **因子构建思路**：通过主体评级和隐含评级筛选高信用债券[40] **因子具体构建过程**： - 数据来源：债券发行主体公开评级 - 阈值设置：AAA级主体评级 + AA+及以上隐含评级 **因子评价**：有效控制信用风险，违约率极低[24][28] 2. **因子名称**：行业分布因子 **因子构建思路**：通过行业分散配置降低集中度风险[11] **因子具体构建过程**： - 行业分类：采用Wind一级行业分类 - 权重限制：单行业不超过50%（工业实际占比48.98%） **因子评价**：体现科技属性与产业多元性[11][40] 因子的回测效果 1. **信用等级因子** - 违约率：0%（历史数据）[24] - 利差稳定性：AAA级企业债与国债利差未明显扩大[22] 2. **行业分布因子** - 行业集中度：前四大行业合计65.55%（建筑28.62%+公用事业16.77%+交通运输11%+煤炭4.71%）[64] - 收益贡献：工业板块贡献主要票息收益[11] 注：研报中未涉及传统多因子模型的因子IC、IR等统计量测试，主要聚焦于指数编制规则和策略层面的量化分析[5][11][40]