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]

根据提供的研报内容，该报告主要聚焦市场表现、情绪指标和资金流向的量化监测，未涉及具体的量化模型或因子构建。以下是可提取的量化指标分类整理： 市场情绪量化指标 1. **封板率** 构建思路：反映涨停股的稳定性[16] 计算公式： $$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 当日取值：63%（较前日下降14%）[16] 2. **连板率** 构建思路：衡量涨停股延续性[16] 计算公式： $$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 当日取值：32%（较前日提升11%，创近一月新高）[16] 资金流向量化指标 1. **两融交易占比** 构建思路：监控杠杆资金活跃度[21] 计算方式： $$两融交易占比=\frac{融资买入额+融券卖出额}{市场总成交额}$$ 当日取值：9.7%（近一年均值8.8%）[21] 2. **股指期货年化贴水率** 构建思路：反映期货市场预期[27] 计算公式： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 当日取值： - 上证50：升水1.32%（58%分位） - 沪深300：贴水3.67%（34%分位） - 中证500：贴水12.71%（11%分位） - 中证1000：贴水28.92%（3%分位）[27] 3. **大宗交易折价率** 构建思路：监测大资金交易情绪[25] 计算公式： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 当日取值：4.35%（近半年均值5.20%）[25] 其他监测指标 - **ETF折溢价**：银行ETF优选溢价0.99%，沪港深科技ETF折价1.20%[22] - **龙虎榜机构净流入**：美力科技等12只个股获净流入[34] - **陆股通净流入**：横店东磁等6只个股获净流入[35] 注：报告未提供模型构建细节或因子回测结果，主要为市场实时监测指标的量化计算[16][21][25][27]

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**：新闻事件与个股映射模型 **模型构建思路**：通过自然语言处理技术分析新闻文本，建立新闻事件与上市公司股票之间的映射关系[31] **模型具体构建过程**： - 使用自然语言处理技术对新闻文本进行语义分析、情感倾向判断以及实体识别（如公司名称、行业术语、关键事件等）[31] - 将新闻文本转化为与个股相关联的结构化数据信息[31] - 提示词模板示例： ``` 新闻：重磅！中国智造"Manus"横空出世：全球首款通用型 Agent，AI 新纪元真的来了？！ 我是中国股票市场投资研究人员。请分析上述新闻，并按以下字段返回数据表格：新闻总结，潜在影响的产业链，潜在影响的 A 股上市公司，影响因素分析（收入、成本、估值水平），利好或利空，影响置信水平。[31] ``` **模型评价**：模型返回结果基本符合预期，但需结合其他投研方法与数据来源进行综合判断，避免过度依赖单一新闻信息[34] 2. **模型名称**：DeepSeek-R1 思维导图生成模型 **模型构建思路**：通过 DeepSeek-R1 提取论文/研报的大纲和要点，生成思维导图[13] **模型具体构建过程**： - 使用 DeepSeek-R1 提取论文/研报的大纲和要点，并汇总为 markdown 文本[15] - 提示词模板： ``` 我是股票/债券/基金投研人员，请仔细阅读文章，整理文章大纲和要点，并以 markdown 格式返回结果。[15] ``` - 将 markdown 文本导入 Xmind 中生成思维导图[17] 3. **模型名称**：Kimi+PPT 生成模型 **模型构建思路**：基于 DeepSeek-R1 提取的要点，结合预设模板库生成专业 PPT[22] **模型具体构建过程**： - 使用 DeepSeek-R1 提取投研成果要点，并汇总为 markdown 文件[22] - 将投研成果原文和 DeepSeek-R1 要点输入到 Kimi+PPT 助手功能[24] - 提示词模板： ``` 我是股票/债券/基金投研人员，请仔细阅读文章，并结合输入的文章大纲和要点，制作 PPT。[24] ``` 模型的回测效果 1. **新闻事件与个股映射模型**： - 模型返回的上市公司分属于产业链的上中下游，包含上游的 AI 基建、中游的 AI 平台，下游的 AI+应用[34] - 影响因素分析部分未能完全按照预期对上市公司的要素进行演绎[34] 2. **DeepSeek-R1 思维导图生成模型**： - 自动生成功能节省了时间与精力，提高了投研前期资料梳理的效率[13] 3. **Kimi+PPT 生成模型**： - 一键生成的高效性，能够在短时间内将大量投研成果转化为专业、美观的 PPT 演示文稿[22] 量化因子与构建方式 （研报中未提及具体的量化因子构建内容，故跳过） 因子的回测效果 （研报中未提及具体的量化因子测试结果，故跳过）

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. **均线比较模型** - 模型构建思路：通过比较指数收盘价与不同周期均线（MA5/MA10/MA20等）的关系，判断市场趋势和修复空间[6][7] - 模型具体构建过程：计算各宽基指数的5日/10日/20日/60日/120日/250日均线，比较收盘价与均线的偏离百分比（如$$ vsMA5 = \frac{收盘价-MA5}{MA5} \times 100\% $$）[7] - 模型评价：能有效识别指数短期超买超卖状态，创业板指当时处于均线下方显示修复需求[7] 2. **风险溢价模型** - 模型构建思路：以十年期国债即期收益率为基准，计算股票指数超额收益[14][16] - 模型具体构建过程：$$ 风险溢价 = 指数收益率 - 十年国债收益率 $$，并统计近1年/5年分位值和波动率[16] - 模型评价：中证1000/2000波动率更大，显示小盘股风险溢价波动性高[14][16] 3. **股债性价比模型** - 模型构建思路：通过PE-TTM倒数与国债收益率的差值衡量股债相对吸引力[22][23] - 模型具体构建过程：$$ 股债性价比 = \frac{1}{PE-TTM} - 国债收益率 $$，设置80%/20%分位阈值[22] - 模型评价：创业板指当时突破机会阈值，显示权益资产更具吸引力[23] 量化因子与构建方式 1. **PE-TTM因子** - 因子构建思路：动态市盈率反映估值水平[21][22] - 因子具体构建过程：$$ PE-TTM = \frac{总市值}{最近12个月净利润} $$，计算历史分位值和标准差带[22] - 因子评价：中证500估值处于近5年87%分位，显示高估风险[22] 2. **股息率因子** - 因子构建思路：现金分红回报率指标[28][29] - 因子具体构建过程：$$ 股息率 = \frac{近12个月现金分红总额}{总市值} \times 100\% $$[29] - 因子评价：沪深300股息率处于近5年98.6%分位，防御性突出[29] 3. **破净率因子** - 因子构建思路：反映市场整体低估程度[32] - 因子具体构建过程：$$ 破净率 = \frac{破净个股数}{总成分股数} \times 100\% $$[32] - 因子评价：上证50破净率26%显著高于创业板指2%，显示大盘股估值洼地[32] 模型回测效果 1. **均线比较模型** - 中证2000 vsMA20偏离+2.79%，创业板指vsMA20偏离-0.61%[7] - 上证50近250日高位偏离-5.99%，低位偏离+21.6%[7] 2. **风险溢价模型** - 中证500风险溢价0.51%，近5年分位值68.25%[16] - 创业板指风险溢价波动率2.44%（近1年）[16] 3. **股债性价比模型** - 中证1000股债性价比1.32%，突破+1倍标准差带[22] - 创业板指当前值高于80%分位阈值[23] 因子回测效果 1. **PE-TTM因子** - 中证500当前值29.15，近1年波动率3.13[22] - 创业板指近5年分位值32.64%[22] 2. **股息率因子** - 沪深300当前值3.65%，近1年+1倍标准差3.51%[29] - 中证2000近1年分位值仅0.41%[29] 3. **破净率因子** - 上证50破净率26%，沪深300破净率18.33%[32] - 中证全指破净率中枢从9月底8.04%下移[32]

量化模型与构建方式 1. **模型名称**：股指期限套利计算模型 - **模型构建思路**：通过计算期货与现货价格的偏离程度，识别正向套利（现货低估/期货高估）和反向套利（现货高估/期货低估）机会，利用基差收敛获利[37] - **模型具体构建过程**： 1. **正向套利收益率公式**： $$P={\frac{(F_{\mathrm{t}}-S_{\mathrm{t}})-(S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}})(1+r_{\mathrm{f}})^{\frac{T-t}{360}}-S_{\mathrm{t}}C s-F_{\mathrm{t}}C f)}{S_{\mathrm{t}}+F_{\mathrm{t}}M_{\mathrm{t}}}}$$ 其中： - \(F_t\)、\(S_t\)为期货和现货在t时刻价格 - \(M_f\)、\(M_l\)为期货和融券保证金比率 - \(C_s\)、\(C_f\)为现货和期货交易费用比率 - \(r_f\)为无风险利率[37] 2. **反向套利收益率公式**： $$P={\frac{(S_{t}-F_{t})-(S_{t}M l+F_{t}M_{f})(1+r_{f})^{\frac{T-t}{360}}-S_{t}C s-F_{t}C f-S_{t}r^{\frac{T-t}{360}})}{S_{t}M l+F_{t}M_{f}}}$$ 参数含义同正向套利[37] - **模型评价**：需考虑保证金追加、基差不收敛、流动性等风险，实际套利需结合交易成本动态调整[38] 2. **模型名称**：股利预估模型 - **模型构建思路**：基于历史分红规律预测指数成分股分红点位，修正基差率以反映真实市场水平[39] - **模型具体构建过程**： 1. **分红预测方法**： - 已实施/公布预案：按实际值计算 - 未公布预案：EPS × 预测派息率[39] 2. **EPS取值规则**： - 若预测时间t < 10月：取年报EPS（未披露则用上年EPS_TTM） - 若t ≥ 10月：取当前EPS_TTM预测次年分红[40] 3. **派息率规则**： - 稳定派息公司：过去3年均值 - 不稳定但盈利公司：上年派息率 - 未盈利/重组/上市不足1年：默认不分红[42] 4. **分红点位影响公式**： $$\sum\limits_{\begin{array}{c}\includegraphics[height=142.26375pt]{Fig1}\end{array}}$$ （具体公式因图表未完整展示）[43] --- 量化因子与构建方式 1. **因子名称**：跨期价差率因子 - **因子构建思路**：通过当月与下月合约价差率反映期限结构变化，捕捉套利机会[10] - **因子具体构建过程**： $$价差率=\frac{当月合约价格-下月合约价格}{当月合约价格}$$ 统计区间为2019年1月1日至今，分位数用于判断当前价差历史位置[10][25] 2. **因子名称**：年化基差率因子 - **因子构建思路**：衡量期货合约与现货指数的偏离程度，年化处理便于横向比较[16] - **因子具体构建过程**： $$年化基差率=\frac{期货合约价格-指数价格}{指数价格} \times \frac{252}{剩余交易日}$$ 用于跟踪市场情绪和套利边界[16][21] --- 模型的回测效果 1. **股指期限套利模型**： - 正向套利阈值：IF当月合约基差率需≥0.46%（年化收益5%，剩余10天）[8] - 反向套利阈值：IF当月合约基差率需≤-0.75%（同条件）[8] 2. **股利预估模型**： - 预测分红点位影响： - 沪深300指数：91.41 - 中证500指数：86.43 - 上证50指数：72.85 - 中证1000指数：63.77[30] --- 因子的回测效果 1. **跨期价差率因子**： - IF分位数：48.40% - IC分位数：59.40% - IH分位数：80.00% - IM分位数：36.40%（截至上周五）[10] 2. **年化基差率因子**： - IF当季合约：-2.06% - IC当季合约：-9.54% - IH当季合约：-0.38% - IM当季合约：-13.99%（上周五收盘值）[7][16]

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**：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构建综合情绪指标，用于判断市场情绪状态[5][9] **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、融资融券数据[19] - 统计方法：基于过去5年历史数据进行回测和标准化处理 - 分档规则： - 0-19分为"过冷" - 20-39分为"较冷" - 40-59分为"中性" - 60-79分为"较热" - 80-100分为"过热"[19] **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[19] 模型的回测效果 1. **华鑫市场情绪温度指标** - 当前市场情绪综合评分：70分（较热）[5][9] - 历史参考阈值： - 支撑位：≤30分 - 阻力位：≥90分[9] 量化因子与构建方式 （注：报告中未明确提及独立量化因子的构建） 其他相关数据 1. **主力资金流向因子** - 构建方式：直接采用Wind计算的个股/行业主力净流入额[10][12] - 应用场景：用于监测资金集中度（如岩山科技单日净流入2.4亿元）[10] 2. **融资融券行为因子** - 构建方式： - 融资净买入 = 融资买入额 - 融资偿还额 - 融券净卖出 = 融券卖出量 - 融券偿还量[19] - 应用示例：寒武纪单日融资净买入3177万元[12] （注：报告中未提供因子回测的IC、IR等量化指标）

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. **增强策略ETF模型** - 模型构建思路：通过主动管理策略对标的指数成分股进行优化配置，以获取超越基准指数的超额收益[18] - 模型具体构建过程： 1. 选择标的指数（如沪深300、中证500等） 2. 采用多因子选股模型筛选成分股 3. 通过优化算法确定个股权重 4. 定期调整组合以维持超额收益能力 - 模型评价：该策略在震荡市中表现优异，但在单边市中可能跑输基准[18] 2. **指数增强基金模型** - 模型构建思路：在跟踪基准指数的基础上，通过量化选股和风险控制获取稳定超额收益[32] - 模型具体构建过程： 1. 建立基础股票池（按指数成分股） 2. 应用价值、成长、质量等因子进行筛选 3. 控制跟踪误差在约定范围内 4. 定期再平衡组合[32] 模型的回测效果 1. **增强策略ETF模型** - 近1年平均超额收益率：中证1000增强策略ETF最高达13.31%[19] - 2025年以来超额收益率：创业板增强策略ETF最佳为2.86%[19] - 上周超额收益率：21只产品跑赢基准[18] 2. **指数增强基金模型** - 沪深300增强基金近1年最高超额：13.66%[32] - 中证500增强基金近1年最高超额：9.16%[32] - 中证1000增强基金近1年最高超额：17.04%[32] - 国证2000增强基金近1年最高超额：21.30%[32] 量化因子与构建方式 1. **多因子选股模型** - 因子构建思路：综合价值、成长、质量等维度构建复合因子[32] - 因子具体构建过程： 1. 价值因子：$$价值因子 = \frac{EBITDA}{市值}$$ 2. 成长因子：$$成长因子 = \frac{营收增长率 + 利润增长率}{2}$$ 3. 质量因子：$$质量因子 = \frac{ROE + 毛利率}{2}$$ 4. 复合因子：$$复合因子 = 0.4×价值因子 + 0.3×成长因子 + 0.3×质量因子$$[32] 2. **行业轮动因子** - 因子构建思路：捕捉不同行业板块的资金流动和动量效应[9] - 因子具体构建过程： 1. 计算各行业ETF资金净流入 2. 计算各行业指数20日收益率 3. 构建行业轮动得分：$$行业轮动得分 = 0.6×资金流入占比 + 0.4×动量得分$$[9][12] 因子的回测效果 1. **多因子选股模型** - 沪深300增强组合信息比率(IR)：1.25[32] - 中证500增强组合信息比率(IR)：1.08[32] - 中证1000增强组合信息比率(IR)：1.42[32] 2. **行业轮动因子** - 上周科技板块因子得分最高（资金流入16.41亿元）[9] - TMT主题基金近1月收益率中位数3.91%[29] - 金融地产板块因子得分最低（资金流出7.82亿元）[9]

量化模型与构建方式 1. **模型名称**：风格轮动型基金优选组合 **模型构建思路**：基于成长价值与大小盘两个维度，根据基金在两个报告期的股票持仓，构建基金绝对主动轮动指标，识别风格轮动型基金或风格稳定型基金，并通过主动轮动收益因子刻画基金风格轮动的效果，进行基金优选[22] **模型具体构建过程**： - 首先，根据基金在两个报告期的股票持仓，计算基金在成长价值与大小盘两个维度上的风格暴露变化 - 构建绝对主动轮动指标，剔除被动风格变化部分，保留基金经理主动调整的部分 - 通过主动轮动收益因子，计算基金风格轮动的效果，筛选出风格轮动型基金 - 策略采用半年频调仓，每年3月末/8月末进行调仓，选基范围为偏股混合型基金及普通股票型基金，并扣除交易成本[22] **模型评价**：该模型能够有效识别风格轮动型基金，并通过风格轮动收益因子优选基金，但近期表现未能跑赢基准指数[22] 2. **模型名称**：基于基金特征和基金能力的综合选基策略 **模型构建思路**：从基金规模、持有人结构、基金业绩动量、选股能力、隐形交易能力、含金量等多个维度构建选基因子，并进行等权重合成，优选普通股票型基金及偏股混合型基金[31] **模型具体构建过程**： - 基金规模因子：使用基金规模、份额（合并口径）数据 - 持有人结构因子：使用员工持有份额占比数据 - 基金业绩动量因子：由4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数等权重合成，使用过去1年的基金净值数据计算 - 选股能力因子：根据多期Brinson模型，使用基金季频重仓股数据计算，由选股胜率、选股超额收益率等权重合成 - 隐形交易能力因子：由隐形收益能力因子、风险转移能力因子等权重合成 - 含金量因子：考察基金重仓股中包含的券商金股情况 - 策略采用季频调仓，每年1、4、7、10四个月末进行调仓，并扣除交易成本[31] **模型评价**：该模型通过多维度因子优选基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[31] 3. **模型名称**：基于交易动机因子及股票价差收益因子的选基策略 **模型构建思路**：将基金的交易动机进行划分并构造基金交易动机因子，再结合基金利润表中的股票价差收益因子，构造二者相结合的选基策略，筛选出股票价差收益较高、拥有主动交易动机且业绩粉饰可能性较低的基金[37] **模型具体构建过程**： - 交易动机因子：由估值/流动性动机因子、业绩粉饰动机因子等权合成，其中估值/流动性动机因子根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 股票价差收益因子：由基金利润表中股票价差收入（股票投资收益科目）计算而来 - 策略采用半年频调仓，每年3月末/8月末进行调仓，从主动权益型基金中筛选，并扣除交易成本[37] **模型评价**：该模型能够有效筛选出具有主动交易动机且股票价差收益较高的基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[37] 4. **模型名称**：基金经理持股网络中交易独特性选基策略 **模型构建思路**：根据基金经理持股、交易的明细构建网络，并由此构建客户基金经理交易独特性的指标，筛选出交易独特性较高的基金[42] **模型具体构建过程**： - 首先，根据基金经理持股、交易数据构建基金经理网络 - 基于该网络，计算每个基金经理与其相关联基金经理在交易方面的差异，构建交易独特性因子 - 策略采用半年频调仓，每年4月初/8月初进行调仓，选基范围为偏股混合型基金、普通股票型基金、灵活配置型基金，并扣除交易成本[42] **模型评价**：该模型能够有效识别交易独特性较高的基金，长期表现优于基准指数，但近期表现未能跑赢基准指数[42] 模型的回测效果 1. **风格轮动型基金优选组合** - 2月份收益率：3.61% - 年化收益率：9.37% - 年化波动率：19.05% - Sharpe比率：0.49 - 最大回撤率：37.30% - 年化超额收益率：3.95% - 超额最大回撤率：9.49% - 信息比率（IR）：0.74 - 2月份超额收益率：-0.69%[27] 2. **基于基金特征和基金能力的综合选基策略** - 2月份收益率：3.21% - 年化收益率：13.49% - 年化波动率：21.74% - Sharpe比率：0.62 - 最大回撤率：44.27% - 年化超额收益率：5.36% - 超额最大回撤率：7.96% - 信息比率（IR）：1.07 - 2月份超额收益率：-1.08%[35] 3. **基于交易动机因子及股票价差收益因子的选基策略** - 2月份收益率：0.35% - 年化收益率：8.86% - 年化波动率：21.65% - Sharpe比率：0.41 - 最大回撤率：48.39% - 年化超额收益率：3.00% - 超额最大回撤率：19.35% - 信息比率（IR）：0.52 - 2月份超额收益率：-5.10%[41] 4. **基金经理持股网络中交易独特性选基策略** - 2月份收益率：2.03% - 年化收益率：10.16% - 年化波动率：19.49% - Sharpe比率：0.52 - 最大回撤率：37.26% - 年化超额收益率：4.83% - 超额最大回撤率：8.23% - 信息比率（IR）：1.00 - 2月份超额收益率：-2.79%[49] 量化因子与构建方式 1. **因子名称**：交易动机因子 **因子构建思路**：将基金的交易动机划分为估值/流动性动机和业绩粉饰动机，构建交易动机因子[54] **因子具体构建过程**： - 估值/流动性动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 业绩粉饰动机因子：根据基金报告期间资金流与股票买卖金额、累计买入/卖出股票金额2%以上或前20股票成交额占比数据计算得出 - 交易动机因子：由估值/流动性动机因子、业绩粉饰动机因子等权合成[54] 2. **因子名称**：股票价差收益因子 **因子构建思路**：根据基金利润表中股票价差收入（股票投资收益科目）计算而来[54] **因子具体构建过程**： - 从基金利润表中提取股票投资收益科目数据 - 计算股票价差收益因子[54] 3. **因子名称**：基金规模因子 **因子构建思路**：使用基金规模、份额（合并口径）数据[54] **因子具体构建过程**： - 从基金报告中提取基金规模、份额数据 - 计算基金规模因子[54] 4. **因子名称**：持有人结构因子 **因子构建思路**：使用员工持有份额占比数据[54] **因子具体构建过程**： - 从基金报告中提取员工持有份额占比数据 - 计算持有人结构因子[54] 5. **因子名称**：基金业绩动量因子 **因子构建思路**：由4因子模型alpha、夏普比率、区间胜率、HM模型中的择时能力系数等权重合成，使用过去1年的基金净值数据计算[54] **因子具体构建过程**： - 计算4因子模型alpha - 计算夏普比率 - 计算区间胜率 - 计算HM模型中的择时能力系数 - 基金业绩动量因子：由上述四个因子等权重合成[54] 6. **因子名称**：选股能力因子 **因子构建思路**：根据多期Brinson模型，使用基金季频重仓股数据计算，由选股胜率、选股超额收益率等权重合成[54] **因子具体构建过程**： - 计算选股胜率 - 计算选股超额收益率 - 选股能力因子：由上述两个因子等权重合成[54] 7. **因子名称**：隐形交易能力因子 **因子构建思路**：由隐形收益能力因子、风险转移能力因子等权重合成，从收益和风险两个层面度量基金交易带来的贡献[54] **因子具体构建过程**： - 计算隐形收益能力因子 - 计算风险转移能力因子 - 隐形交易能力因子：由上述两个因子等权重合成[54] 8. **因子名称**：含金量因子 **因子构建思路**：考察基金重仓股中包含的券商金股情况[54] **因子具体构建过程**： - 从基金重仓股数据中提取券商金股情况 - 计算含金量因子[54] 9. **因子名称**：主动轮动收益因子 **因子构建思路**：根据区间风格主动变化及区间风格因子收益计算，体现基金风格轮动的结果[54] **因子具体构建过程**： - 计算区间风格主动变化 - 计算区间风格因子收益 - 主动轮动收益因子：由上述两个部分计算得出[54] 10. **因子名称**：绝对主动轮动指标 **因子构建思路**：将基金报告期之间的风格变化，剔除了被动变化的部分，保留基金经理主动调整的部分[54] **因子具体构建过程**： - 计算基金报告期之间的风格变化 - 剔除被动风格变化部分 - 绝对主动轮动指标：保留基金经理主动调整的部分[54] 11. **因子名称**：交易独特性因子 **因子构建思路**：根据基金经理持股、交易数据构建基金经理网络，然后基于该网络计算出每个基金经理与其相关联基金经理在交易方面的差异[54] **因子具体构建过程**： - 构建基金经理网络 - 计算每个基金经理与其相关联基金经理在交易方面的差异 - 交易独特性因子：由上述差异计算得出[54]