量化模型与因子分析总结 量化因子与构建方式 1. **因子名称**：可转债K线形态因子 **因子构建思路**：通过量化定义单根和多根K线形态，结合价格趋势和成交量信息，构建可转债K线形态因子，用于预测可转债未来表现[15][16] **因子具体构建过程**： - 单根K线划分为16种形态：基于实体、上影线、下影线绝对值大小，将阳线/阴线与长短实体、上下影线组合(2×2×2×2=16种)[22] - 多根K线形态定义：考虑相邻K线关系(跳空高开、中开、跳空低开)，2K形态共768种(16×3×16)[24] - 结合价格趋势(下跌/震荡/上涨)和成交量趋势(缩量/震荡量/放量)[25] - 因子计算公式： $$score_p = \frac{mean(\mathbf{r}_p)}{std(\mathbf{r}_p)}$$ [34] $$KP_{c,T} = \sum_{t=T-40}^{T} w_t * score_{c,t}$$ [36] $$w_t = 0.5^{\frac{T-t}{\lambda}}$$ [36] **因子评价**：因子与其他可转债因子相关性低，信息重合度低，具有增量信息[93][97] 2. **因子名称**：单K线形态因子 **因子构建思路**：通过实体、上影线、下影线绝对值大小划分16种单K线形态[22] **因子具体构建过程**： - 划分标准： - 阳线/阴线：收盘价>或<开盘价 - 实体：短实体(≤2%)/长实体(>2%) - 上影线：短(≤1%)/长(>1%) - 下影线：短(≤1%)/长(>1%)[22] - 计算公式： 上影线 = $$\frac{最高价 - max(收盘价, 开盘价)}{前收盘价}$$ [19] 下影线 = $$\frac{min(收盘价, 开盘价) - 最低价}{前收盘价}$$ [20] **因子评价**：可转债长上影线信号相对积极，长下影线信号相对消极，与股票K线形态表现存在差异[16][42] 3. **因子名称**：双K线形态因子 **因子构建思路**：结合单K形态和相邻K线关系定义双K形态[24] **因子具体构建过程**： - 相邻K线关系定义： $$关系类型:\begin{cases}跳空高开,& open_t > high_{t-1}\\中开,& low_{t-1} < open_t < high_{t-1}\\跳空低开,& open_t < low_{t-1}\end{cases}$$ [24] - 共768种2K形态(16×3×16)[24] **因子评价**：在价格震荡趋势中，阳线B5形态加上第二天跳空高开B3形态是启动上涨的有效信号[66][68] 因子回测效果 1. **可转债K线形态因子**： - IC均值：0.11[85] - IC胜率：66.31%[85] - ICIR：0.43[85] - 多头组合年化收益率：6.34%[89] - 年化超额收益率：6.27%[89] - 超额收益率胜率：70.08%[89] 2. **单K线形态因子**： - 高胜率看涨形态： - 震荡_下跌_B8：胜率69.08%，未来5日年化超额收益率151.35%[54] - 放量_下跌_A6：胜率62.68%，未来5日年化超额收益率48.04%[54] - 缩量_下跌_A7：胜率60.19%，未来5日年化超额收益率67.40%[54] - 高胜率看跌形态： - 放量_上涨_B6：胜率69.95%，未来5日年化超额收益率-145.88%[77] - 放量_上涨_B8：胜率64.35%，未来5日年化超额收益率-90.64%[77] 3. **双K线形态因子**： - 高胜率看涨形态： - 震荡量_震荡_2K_B3_跳空高开_B5：未来5日超额收益率214.74%-351.34%[69] - 震荡量_下跌_2K_A5_中开_A6：未来5日超额收益率208.06%-337.00%[69] - 高胜率看跌形态： - 上涨_2K_B5_跳空低开_A1：未来5日超额收益率-270.44%至-331.87%[78] - 震荡量_2K_B6_中开_B4：未来5日超额收益率-190.12%至-195.75%[78]

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称**：中证港股通科技指数（931573.CSI） **模型构建思路**：从港股通范围内选取市值较大、研发投入较高且营收增速较好的科技龙头上市公司证券作为指数样本，以反映港股通内科技龙头上市公司证券的整体表现[30][31] **模型具体构建过程**： - 样本空间为中证港股通综合指数样本，筛选条件包括过去一年日均成交金额不低于1000万港元[31] - 在科技主题空间（通信、互联网、医药生物、电子、半导体、新能源、航空航天与国防等行业）中，剔除过去两年营业收入增速连续为负且研发投入占营业收入比例不足3%的证券（中证二级行业市值前三的证券豁免）[31] - 按过去一年日均总市值由高到低排名，选取前50只证券作为指数样本[31] - 指数计算公式： $$报告期指数 = \frac{报告期样本的调整市值}{除数} \times 1000$$ 其中，调整市值 = ∑(证券价格×调整股本数×权重因子×汇率)，权重因子介于0和1之间，采用股息率加权[31] **模型评价**：聚焦科技龙头，兼顾研发投入与营收增长，大市值风格显著[33][36] 2. **模型名称**：国证港股通科技指数（987008.CNI） **模型构建思路**：与中证港股通科技指数类似，但成分股数量为30只，且选样更强调科技相关领域的主营业务（如互联网、电子、生物科技等）及研发费用占比[38] **模型具体构建过程**： - 样本空间为香港交易所上市股票，需满足互联互通资格且无重大违规[38] - 筛选科技领域公司，要求近两年营业收入复合增长率>10%或近一年研发费用占比>5%[38] - 剔除成交金额后10%的股票，按日均总市值选取前30名[38] 模型的回测效果 1. **中证港股通科技指数**： - 近十年年化收益：12.34% - 年化波动率：33.03% - 最大回撤：-73.34% - Sharpe比率：0.52[43][44] 2. **国证港股通科技指数**： - 近十年年化收益：12.19% - 年化波动率：34.46% - 最大回撤：-70.71% - Sharpe比率：0.51[43][44] 量化因子与构建方式 1. **因子名称**：研发投入占比因子 **因子构建思路**：衡量公司研发投入强度，筛选研发费用占营业收入比例≥3%的证券（中证港股通科技指数）或≥5%的证券（国证港股通科技指数）[31][38] **因子具体构建过程**： - 计算过去两年研发费用/营业收入比例 - 设定阈值（3%或5%）作为筛选条件[31][38] 2. **因子名称**：营收增速因子 **因子构建思路**：剔除连续两年营收负增长的证券，确保成分股具备成长性[31] **因子具体构建过程**： - 计算过去两年营业收入同比增速 - 剔除增速连续为负的证券（中证二级行业市值前三豁免）[31] 因子的回测效果 1. **研发投入占比因子**： - 在港股通科技指数中，该因子帮助筛选出电子（24.19%权重）、医药（15.63%权重）等高研发行业[33][36] 2. **营收增速因子**： - 前十大权重股2025年平均涨幅达39.47%（如阿里巴巴69.90%、中芯国际71.70%）[12][36] 其他说明 - 中证港股通科技指数行业集中度高，电子（24.19%）与汽车（20.51%）权重突出[33][36] - 与恒生科技指数相比，医疗保健业权重更高（15.63% vs 2.63%）[41]

根据提供的金融工程日报内容，以下是量化模型与因子的结构化总结： 量化模型与构建方式 1. **封板率模型** - 构建思路：通过涨停股票在盘中最高价与收盘价的稳定性反映市场情绪[17] - 具体构建： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月的股票数据，计算当日封板率为73%[17] - 评价：高封板率表明涨停股次日延续性强，但需结合连板率综合判断 2. **连板率模型** - 构建思路：衡量连续涨停股票的持续性[17] - 具体构建： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 当日连板率为16%，较前日下降15%[17] 3. **大宗交易折价率模型** - 构建思路：通过大宗交易价格与市价的偏离度反映机构资金动向[27] - 具体构建： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 近半年平均折价率5.16%，当日为1.59%[27] 4. **股指期货年化贴水率模型** - 构建思路：量化期货合约与现货指数的基差水平[29] - 具体构建： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 当日中证1000贴水率26.32%（近一年4%分位）[29] 量化因子与构建方式 1. **龙虎榜机构净流入因子** - 构建思路：跟踪机构席位资金流向捕捉主力动向[36] - 具体构建：统计龙虎榜披露的机构专用席位净买入金额，当日威孚高科等净流入居前[36] 2. **陆股通资金流向因子** - 构建思路：监测外资通过沪深股通的交易偏好[37] - 具体构建：计算陆股通席位净买卖差额，当日云鼎科技等获净流入[37] 模型回测效果 1. **封板率模型** - 当日封板率：73%（较前日+10%）[17] - 近一月分位数：未披露 2. **连板率模型** - 当日连板率：16%（较前日-15%）[17] 3. **大宗交易折价率模型** - 近半年均值：5.16%[27] - 当日值：1.59%[27] 4. **股指期货贴水率模型** - 中证500贴水率：18.19%（近一年4%分位）[29] - 中证1000贴水率：26.32%（近一年4%分位）[29] 因子回测效果 1. **龙虎榜机构因子** - 单日最大净流入：威孚高科（具体金额未披露）[36] 2. **陆股通因子** - 单日最大净流入：云鼎科技（具体金额未披露）[37] 注：报告中未涉及多因子复合模型及传统Alpha因子的构建，主要聚焦市场微观结构类指标[17][27][29][36][37]

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. **风险溢价模型** - **构建思路**：以十年期国债即期收益率为无风险利率基准，计算各宽基指数相对于无风险利率的风险溢价，用于衡量市场风险补偿水平[15][16] - **具体构建过程**： 风险溢价 = 指数收益率 - 十年期国债即期收益率 其中： - 指数收益率通过指数价格对数差分计算 - 分位值基于近5年历史数据滚动计算[17] - **模型评价**：中证2000和中证1000的风险溢价波动率显著高于其他指数，反映小盘股风险补偿要求更高[15][17] 2. **PE-TTM估值模型** - **构建思路**：采用滚动12个月市盈率衡量指数估值水平，结合历史分位值判断估值区间[21][22] - **具体构建过程**： $$ PE-TTM = \frac{指数总市值}{指数成分股最近12个月净利润总和} $$ 分位值计算采用近5年数据百分位排序[23] - **模型评价**：中证500当前分位值达86.94%，显示估值处于历史高位，需警惕均值回归风险[22][23] 3. **股债性价比模型** - **构建思路**：通过PE-TTM倒数与国债收益率差值衡量股票相对债券的吸引力[23][24] - **具体构建过程**： 股债性价比 = (1/PE-TTM) - 十年期国债收益率 阈值设定： - 机会值：近5年80%分位 - 危险值：近5年20%分位[24] 量化因子与构建方式 1. **股息率因子** - **构建思路**：反映成分股现金分红回报率，适用于红利策略构建[26][27] - **具体构建过程**： $$ 股息率 = \frac{指数成分股年度现金分红总额}{指数总市值} \times 100\% $$ 历史分位值采用近5年数据滚动计算[29][30] 2. **破净率因子** - **构建思路**：通过市净率<1的个股占比反映市场悲观情绪[30][32] - **具体构建过程**： $$ 破净率 = \frac{指数成分股中PB<1的股票数量}{指数成分股总数} \times 100\% $$ 数据频率：日频计算[32] 模型的回测效果 1. **风险溢价模型** - 中证2000：近5年分位值67.62%，当前风险溢价0.73%[17] - 上证50：近5年分位值30.56%，当前风险溢价-0.50%[17] 2. **PE-TTM估值模型** - 中证500：当前PE-TTM 29.11，近5年分位值86.94%[23] - 创业板指：当前PE-TTM 33.59，近5年分位值32.89%[23] 因子的回测效果 1. **股息率因子** - 沪深300：当前值3.67%，近5年分位值98.68%[30] - 中证2000：当前值0.95%，近5年分位值75.95%[30] 2. **破净率因子** - 上证50：当前破净率24.0%[32] - 创业板指：当前破净率3.0%[32]

量化模型与构建方式 1. **模型名称：三维情绪模型** - **模型构建思路**：通过三个不同频率维度的指标（情绪预期、情绪温度、情绪浓度）综合观察市场情绪面，分别反映中高频、中频、低频的情绪波动[7] - **模型具体构建过程**： - **情绪预期**：合成沪深300股指期货升贴水率与上证50ETF期权成交额PCR倒数的均值和主成分分析结果。公式： $${\vec{\mathbb{R}}}\times{\vec{\mathbb{R}}}\times{\vec{\mathbb{R}}}={\frac{{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}\times{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}}{{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}\oplus{\vec{\mathbb{R}}}}}$$ 其中升贴水率=\( \frac{\text{期货主力价格}-\text{现货价格}}{\text{现货价格}} \) [8] - **情绪温度**：基于主力买入率（大单买入金额/沪深成交总额）的三年滚动百分位平滑处理[13] - **情绪浓度**：计算中信三级行业指数第一主成分方差贡献率的滚动窗口平滑值，反映市场资产相关性[17] - **模型评价**：多维度覆盖情绪波动频率，情绪浓度极值点对市场拐点有预示作用[17] 2. **因子名称：主力买入率** - **因子构建思路**：量化主力资金在市场交易中的相对强弱[13] - **因子具体构建过程**： $$ \text{主力买入率} = \frac{\text{大单买入金额}}{\text{沪深成交总额}} $$ [13] 3. **因子名称：情绪浓度主成分贡献率** - **因子构建思路**：通过主成分分析提取市场资产相关性指标[17] - **因子具体构建过程**：计算中信三级行业指数第一主成分方差贡献率，滚动窗口平滑[17] --- 模型的回测效果 1. **三维情绪模型** - 情绪预期当前值0.5507（前值0.6674）[9] - 情绪温度当前值0.8086（前值0.7762）[14] - 情绪浓度当前值0.6285（前值0.6561）[17] 2. **主力买入率因子** - 情绪温度指标值0.8086（2025/3/10）[14] 3. **情绪浓度主成分贡献率因子** - 警戒线0.83，当前值0.6285[17] --- 关键数据引用说明 - 情绪预期公式及构建[8][9] - 情绪温度计算与主力买入率定义[13][14] - 情绪浓度主成分分析及警戒值[17]

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**：价值50组合 - **模型构建思路**：基于价值风格，选取历史相关性低的因子构建高beta弹性的Smart beta组合[9] - **模型具体构建过程**：通过筛选国证价值指数成分股，结合价值因子（如PE、PB等）加权选股，目标为长期稳健超额收益[9] 2. **模型名称**：价值均衡50组合 - **模型构建思路**：在价值风格基础上优化风险分散，追求更稳定的超额收益[9] - **模型具体构建过程**：在价值50组合中加入行业和市值中性化处理，降低组合波动性[9] 3. **模型名称**：成长50组合 - **模型构建思路**：聚焦成长风格，选取高增长潜力股票[9] - **模型具体构建过程**：基于国证成长指数成分股，结合营收增长率、净利润增长率等因子加权[9] 4. **模型名称**：成长均衡50组合 - **模型构建思路**：平衡成长性与风险，避免单一因子暴露[9] - **模型具体构建过程**：在成长50组合中加入动量因子和波动率控制[9] 5. **模型名称**：小盘50组合 - **模型构建思路**：捕捉小市值股票的超额收益[9] - **模型具体构建过程**：从国证2000指数中筛选小市值股票，结合流动性因子优化[9] 6. **模型名称**：小盘均衡50组合 - **模型构建思路**：增强小盘股组合的稳定性[9] - **模型具体构建过程**：在小盘50组合中加入质量因子（如ROE）和风险平价权重[9] --- 模型的回测效果 1. **价值50组合** - 周收益率：1.57%（超额0.26%）[10] - 月收益率：1.57%（超额0.26%）[10] - 年收益率：-1.44%（超额0.24%）[10] - 最大相对回撤：2.26%[10] 2. **价值均衡50组合** - 周收益率：2.67%（超额1.36%）[10] - 月收益率：2.67%（超额1.36%）[10] - 年收益率：-0.76%（超额0.92%）[10] - 最大相对回撤：3.99%[10] 3. **成长50组合** - 周收益率：0.64%（超额-1.09%）[10] - 月收益率：0.64%（超额-1.09%）[10] - 年收益率：3.96%（超额1.25%）[10] - 最大相对回撤：2.49%[10] 4. **成长均衡50组合** - 周收益率：2.40%（超额0.66%）[10] - 月收益率：2.40%（超额0.66%）[10] - 年收益率：10.72%（超额8.01%）[10] - 最大相对回撤：1.77%[10] 5. **小盘50组合** - 周收益率：1.68%（超额-2.32%）[10] - 月收益率：1.68%（超额-2.32%）[10] - 年收益率：8.39%（超额-2.83%）[10] - 最大相对回撤：6.23%[10] 6. **小盘均衡50组合** - 周收益率：4.67%（超额0.67%）[10] - 月收益率：4.67%（超额0.67%）[10] - 年收益率：13.21%（超额1.99%）[10] - 最大相对回撤：3.67%[10] --- 模型评价 - **价值/成长/小盘组合**：均通过多因子加权和风险控制实现风格暴露，均衡组合在回撤控制上表现更优[9][10] - **小盘组合**：年化收益较高但波动性显著，需注意市场环境变化[10] --- 注：报告中未提及具体因子公式或独立因子构建细节，故未列出相关内容[9][10]

根据研报内容，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**：中证红利超额收益择时策略 **模型构建思路**：基于全球流动性（10年期美债收益率）、内部流动性（国内M2同比）、国内经济预期（M1-M2同比剪刀差）三个维度构建中证红利相对于万得全A的超额收益择时策略[7] **模型具体构建过程**： - 美债收益率维度：当10年期美债收益率60日均线上穿250日均线时，模型给出看多红利信号[7] - M2同比维度：M2同比数据回升时看多红利[7] - M1-M2剪刀差维度：剪刀差回升时看多红利[7] **模型评价**：策略自2010年以来超额收益择时年化收益为8.17%[7] 2. **模型名称**：红利50优选组合 **模型构建思路**：在高股息收益基础上，叠加线性多因子模型增强资本利得收益，并采用Barra风格因子约束组合风格暴露[43] **模型具体构建过程**： - 参考三维红利超额择时模型观点 - 在保证大红利风格不漂移前提下细调红利风格暴露度[43] 量化因子与构建方式 1. **因子名称**：PETTM估值因子 **因子构建思路**：采用权重因子加权方式对中证红利指数PETTM估值进行调整，适配其股息率加权特性[17] **因子具体构建过程**： - 计算中证红利PETTM绝对估值及近三年百分位 - 计算中证红利PETTM相对估值（除以万得全A PETTM）及近三年百分位[17][19] **因子评价**：绝对估值与未来一年收益负相关（相关性-29.38%），相对估值与超额收益负相关（相关性-30.60%）[17][19] 2. **因子名称**：价格反转因子 **因子构建思路**：通过计算位于120日均线之上的成分股权重合计，捕捉短期反转效应[21] **因子具体构建过程**： - 统计中证红利成分股中位于半年均线上方的权重占比 - 计算该占比与未来一年绝对收益的关系[21] 3. **因子名称**：成交拥挤度因子 **因子构建思路**：通过成交额百分位识别交易过热/过冷状态[27][29] **因子具体构建过程**： - 计算中证红利绝对成交额近三年百分位 - 计算中证红利相对成交额（除以万得全A成交额）近三年百分位[27][29] 模型的回测效果 1. **中证红利超额收益择时策略**： - 年化收益：8.17%[7] - 2025年超额择时收益：-6.96%[7] 2. **红利50优选组合**： - 近一年绝对收益：8.34%[44] - 近一年超额收益：2.76%[44] - 近三月绝对收益：-1.49%[44] - 近三月超额收益：-1.14%[44] 因子的回测效果 1. **PETTM估值因子**： - 绝对PETTM近三年百分位：93.99%（预测未来一年绝对收益0.27%）[17] - 相对PETTM近三年百分位：65.95%（预测未来一年超额收益2.45%）[19] 2. **价格反转因子**： - 120日均线上权重合计：54.23%（预测未来一年绝对收益8.35%）[21] 3. **成交拥挤度因子**： - 绝对成交额百分位：69.83%（预测未来一年绝对收益7.40%）[27] - 相对成交额百分位：0.40%（预测未来一月超额收益0.90%）[29] 4. **资金流因子**： - 偏股型公募基金红利暴露度：0.45（创2019年以来新高）[33] - 红利ETF近一月净流入：19.95亿元[34]

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**：华鑫市场情绪温度指标 **模型构建思路**：通过多维度市场数据综合评估当前市场情绪状态，用于判断市场过热或过冷区间[5][10] **模型具体构建过程**： - 数据维度：指数涨跌幅、成交量、涨跌家数、KDJ指标、北向资金及融资融券数据[20] - 加权合成：对6大类指标进行标准化处理后加权计算综合评分 - 阈值划分： - 过冷（0-19分）：市场极度悲观 - 较冷（20-39分）：观望情绪浓厚 - 中性（40-59分）：情绪稳定 - 较热（60-79分）：投资者信心增强 - 过热（80-100分）：市场过度乐观[20] **模型评价**：适用于震荡市的高抛低吸策略，趋势市中可能出现钝化现象[20] 模型的回测效果 1**华鑫市场情绪温度指标**： - 当前综合评分71分（较热区间）[5][10] - 历史回测显示： - 低于30分时市场获支撑 - 高于90分时出现阻力[10] 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**：通过监测大单资金流向捕捉主力动向[11][13] **因子具体构建过程**： - 计算方式： $$主力净流入额=大单买入金额-大单卖出金额$$ - 数据来源：Wind Level-2逐笔成交数据[11] 2**因子名称**：融资融券净额因子 **因子构建思路**：反映杠杆投资者对个股的多空态度[18][19] **因子具体构建过程**： - 计算公式： $$期间净买入额=融资净买入-融券净卖出$$ - 数据标准化：按行业市值调整后排序[18][19] 因子的回测效果 1**主力资金净流入因子**： - 头部标的净流入规模：11.3亿元（中兴通讯）至3344万元（东山精密）[11][13] - 行业层面： - 电力设备行业净流入28.6亿元 - 机械设备行业净流出39.9亿元[16][17] 2**融资融券净额因子**： - 个股层面： - 同花顺融资净买入2.49亿元 - 平安银行融券净卖出558万元[18][19] - 行业层面： - 电子行业融资净买入24.4亿元 - 医药生物行业融券净卖出828万元[19]

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**：上证科创板人工智能指数（950180.CSI） - **模型构建思路**：反映科创板市场代表性人工智能产业上市公司证券的整体表现，覆盖硬件、软件、应用等AI产业链环节[45][46]。 - **模型具体构建过程**： 1. **样本空间**：科创板上市时间超过6个月（或市值前5且上市超3个月）的股票，且过去一年日均成交金额排名前90%[46]。 2. **选样方法**：筛选为AI提供基础资源（如计算芯片、高性能计算机）或技术支持（如云计算、机器视觉）的股票，按过去一年日均总市值排名取前30只[46]。 3. **权重调整**：单个样本股权重不超过10%，每季度调整一次成分股及权重因子[47]。 4. **计算公式**： $$报告期指数 = \frac{报告期样本股的调整市值}{除数} \times 1000$$ 其中，调整市值=∑(股价×调整股本数×权重因子)[46]。 - **模型评价**：行业集中度高（信息技术占比83%），聚焦AI产业链龙头，成分股盈利增长预期强劲[53][55][61]。 2. **因子名称**：AI产业链竞争力因子 - **因子构建思路**：评估国内AI企业在全球产业链各环节（硬件、软件、数据等）的竞争力[14][15]。 - **因子具体构建过程**： 1. **数据层**：利用中文数据资源优势，覆盖百度、阿里等企业的语料库和数据集[14]。 2. **硬件层**：对比寒武纪、华为等国产GPU与NVIDIA的技术差距[15]。 3. **模型层**：跟踪DeepSeek、阿里等大模型的基准测试表现（如MMLU、LMSys Elo得分）[26][27]。 4. **应用层**：统计金融、电商等领域的商业化渗透率（如麦肯锡调查中65%企业使用生成式AI）[17][18]。 - **因子评价**：国内在数据和模型开发环节具有优势，但硬件依赖海外，政策支持推动长期竞争力提升[15][43]。 --- 模型的回测效果 1. **上证科创板人工智能指数**： - **收益率**：2024年YTD收益率27.34%，2023年收益率12.68%，显著跑赢科创50、沪深300等宽基指数[51][52]。 - **夏普比率**：YTD夏普比率16.04，一年期2.63，优于科创50（1.48）和沪深300（0.7）[52]。 - **最大回撤**：YTD最大回撤-4.48%，一年期-20.18%，风险控制优于同类指数[52]。 2. **AI产业链竞争力因子**： - **算力需求增长**：国内智能算力规模2025年预计达1037.3EFLOPS，年复合增速46.2%[35]。 - **模型性价比**：DeepSeek R1成本仅为OpenAI O1的3%-5%，Chatbot Arena排名前五[26][30]。 --- 因子的回测效果 1. **AI商业化渗透率因子**： - **指标值**：生成式AI企业采用率从2023年33%升至2024年65%，营销部门用例数翻倍[17][18]。 2. **国产大模型性能因子**： - **指标值**：DeepSeek R1在LMSys测试中Elo得分1363，接近GPT-4水平[30]。 注：研报未涉及其他量化模型或因子，故未列出相关内容。

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. **因子名称：业绩超预期因子(SUE)** - **构建思路**：通过分析个股财报实际值相对分析师预测值的超预期程度，筛选出业绩超预期的个股[23] - **具体构建过程**： 1. 将分析师预期数据由累计值转化为单季度值 2. 计算单季度实际值与预测值的标准化差异： $$S U E={\frac{R_{t}-E_{t}}{\sigma(R_{t}-E_{t})}}$$ 其中$R_t$为实际值，$E_t$为预测值，$\sigma$为历史差异的标准差[23] 3. 融合业绩预告、业绩快报和定期报告数据，财报真空期因子值前向填充[23] - **因子评价**：在新进金股中具有强区分效果，能有效捕捉未被充分定价的业绩信息[24] 2. **复合因子：新进金股筛选因子** - **构建思路**：结合券商金股更新频率与业绩因子，筛选高潜力标的[16] - **具体构建过程**： 1. 每月划分新进金股（本月新增推荐）与重复金股（连续推荐）[16] 2. 在新进金股池中应用SUE因子排序[24] 3. 结合券商推荐数量加权（反映分析师共识强度）[28] 量化模型与构建方式 1. **模型名称：优选金股30组合** - **构建思路**：基于"新进金股+业绩超预期"双因子构建动态组合[28] - **具体构建过程**： 1. 每月筛选新进金股股票池[16] 2. 按SUE因子值降序排列，选取前30名[28] 3. 采用券商推荐数量加权（个股权重=该股推荐次数/组合总推荐次数）[28] 4. 月度调仓，动态跟踪市场风格变化[39] - **模型评价**：具备高胜率(84%)、低回撤特征，能有效捕捉AI、红利等风格轮动[34][39] 因子回测效果 1. **SUE因子** - 新进金股多空组合年化收益差：+13.6% vs +8.4%（2017-2024）[23] - 信息比率(IR)：0.55（新进金股） vs 0.35（重复金股）[23] 2. **新进金股筛选因子** - 年化超额收益：5.2%（相对重复金股）[16] - 最大回撤：38.5% vs 重复金股45.0%[23] 模型回测效果 1. **优选金股30组合** - 年化收益率：20.9%（2017-2025）[30] - 相对885001指数超额：+14.6%年化[30] - 月度胜率：84%（2023年以来25个月中21个月正超额）[34] - 最大单月超额：+8.4%（2023年4月AI主题）[40] - 组合市值中位数：238亿元[35]