量化模型与构建方式 1. **模型名称：三维择时框架** - 模型构建思路：基于分歧度、流动性、景气度三个维度构建市场择时模型[7] - 模型具体构建过程： 1. 分歧度指数：衡量市场观点离散程度，下行时预示反转机会[12] 2. 流动性指数：监测资金面变化，上行时支持市场上涨[21] 3. 景气度指数2.0：综合宏观与行业数据反映经济动能，上行时市场表现更优[25] 4. 当三维指标均向好时（分歧度↓、流动性↑、景气度↑），模型给出满仓信号[7] 2. **模型名称：资金流共振策略** - 模型构建思路：结合融资融券与大单资金流，筛选两类资金共同看好的行业[37] - 模型具体构建过程： 1. 行业融资融券因子： $$ \text{融资净买入}_i - \text{融券净卖出}_i $$ 经Barra市值中性化后取50日均值的两周环比变化率[37] 2. 行业主动大单因子： 对行业最近一年成交量时序中性化后的净流入排序，取10日均值[37] 3. 策略规则：在主动大单因子头部行业中剔除融资融券因子多头端行业[37] - 模型评价：相比北向-大单策略回撤更小，2018年以来年化超额13.5%，IR=1.7[37] 3. **模型名称：研报覆盖度调整的指数增强模型** - 模型构建思路：根据个股研报覆盖度分域选择差异化因子增强[47] - 模型具体构建过程： 1. 高覆盖度域：侧重基本面因子（如ROE、营收增速） 2. 低覆盖度域：侧重量价因子（如动量、波动率）[47] 3. 组合优化时控制行业偏离与跟踪误差 --- 量化因子与构建方式 1. **因子名称：成长因子组** - 因子构建思路：捕捉企业盈利与收入增长动能[43] - 因子具体构建过程： 1. 一致预测修正因子： $$ \frac{\text{Rev\_FY1}_{\text{当前}} - \text{Rev\_FY1}_{\text{3个月前}}}{\left|\text{Rev\_FY1}_{\text{3个月前}}\right|} $$ [44] 2. ROE同比变化： $$ \frac{\text{ROE}_{\text{当期}} - \text{ROE}_{\text{去年同期}}}{\left|\text{ROE}_{\text{去年同期}}\right|} $$ [44] 3. 单季度EPS同比增速[44] 4. 研发投入占比： $$ \frac{\text{研发费用\_TTM}}{\text{总资产}} $$ [44] 2. **因子名称：资金流因子组** - 因子构建思路：量化资金流向对行业选择的预测能力[31] - 因子具体构建过程： 1. 两融资金流因子：行业融资净买入-融券净卖出经市值中性化[37] 2. 大单资金流因子：行业净流入金额在过去一年成交量分位数[37] --- 模型的回测效果 1. **三维择时框架** - 历史满仓期年化收益：18.2%（vs 沪深300年化9.8%）[16] - 最大回撤：22.4%（vs 基准28.6%）[16] 2. **资金流共振策略** - 2018-2025年化超额收益：13.5%[37] - 信息比率（IR）：1.7[37] - 上周超额收益：-0.3%（行业等权基准）[37] 3. **指数增强组合（2025年数据）** | 组合类型 | 上周超额 | 本月超额 | 本年超额 | 年化超额收益 | |----------------|----------|----------|----------|--------------| | 沪深300增强 | 0.98% | 1.70% | 5.02% | 10.89% | | 中证500增强 | 0.49% | 1.53% | 3.53% | 12.81% | | 中证1000增强 | 0.10% | 1.58% | 4.40% | 13.61% | [48] --- 因子的回测效果 1. **成长因子组（近一周多头超额）** | 因子名称 | 超额收益 | 主要逻辑 | |------------------------|----------|--------------------------| | 研发总资产占比 | 1.84% | 创新投入驱动长期增长 | | 一致预测营收修正 | 1.31% | 分析师预期上调信号 | | ROE同比变化 | 1.30% | 盈利能力改善 | [44] 2. **分市值表现（沪深300内）** | 因子名称 | 多头超额 | |------------------------|----------| | 固定资产/股东权益 | 3.30% | | SUE1（净利润意外） | 4.09% | | PEG | 3.82% | [46] 3. **资金流因子（行业层面）** - 医药行业：大单净流入分位数76% + 两融净流入分位数53%[39] - 通信行业：大单分位数76% + 两融分位数23%[39]

根据提供的研报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **市场环境划分模型** - 模型构建思路：通过计算市场收益率和波动率的分位数，将市场划分为不同的环境区间[16] - 模型具体构建过程： 1. 计算沪深300和中证800全收益指数的60日年化收益率和60日年化波动率 2. 计算滚动5年分位数 3. 定义市场环境： - 收益率>0为上涨，反之为下跌 - 波动率分位数<20%为低波，>80%为高波，20%-80%为中波 4. 组合划分出6种市场环境：低波上涨、中波上涨、高波上涨、低波下跌、中波下跌、高波下跌[16] - 模型评价：能够有效识别市场环境，低波上涨环境下市场表现最佳[16] 2. **短期量化择时模型** - 模型构建思路：综合基本面、估值面、情绪面、流动性四个维度的指标信号生成择时信号[18][19][20] - 模型具体构建过程： 1. 基本面指标： - 制造业PMI分位数 - 中长期贷款余额同比增速分位数 - M1同比增速（HP滤波去趋势）分位数 2. 估值面指标： - A股整体PE分位数 - A股整体PB分位数 3. 情绪面指标： - A股整体Beta离散度分位数 - A股整体量能情绪分位数（60日成交量与换手率布林带指标） - A股整体波动率分位数 4. 流动性指标： - 货币利率指标分位数 - 汇率预期指标分位数 - 沪深净融资额5日均值分位数 5. 对各维度指标信号加权生成总仓位信号[18][19][20] - 模型评价：长期表现优异，能有效控制回撤[20] 3. **成长价值风格轮动模型** - 模型构建思路：基于基本面、估值面、情绪面三个维度的指标信号生成风格配置建议[29] - 模型具体构建过程： 1. 基本面指标： - 盈利斜率周期水平 - 利率综合周期水平 - 信贷综合周期变化 2. 估值面指标： - 成长价值PE差分位数 - 成长价值PB差分位数 3. 情绪面指标： - 成长价值换手差分位数 - 成长价值波动差分位数 4. 对各维度指标信号加权生成风格配置建议[29] - 模型评价：长期能产生稳定超额收益[30] 4. **小盘大盘风格轮动模型** - 模型构建思路：类似成长价值模型，但针对小盘大盘风格[34] - 模型具体构建过程： 1. 基本面指标： - 盈利斜率周期水平 - 利率综合周期水平 - 信贷综合周期变化 2. 估值面指标： - 小盘大盘PE差分位数 - 小盘大盘PB差分位数 3. 情绪面指标： - 小盘大盘换手差分位数 - 小盘大盘波动差分位数 4. 对各维度指标信号加权生成风格配置建议[34] - 模型评价：长期表现优于基准[35] 5. **四风格轮动模型** - 模型构建思路：结合成长价值和小盘大盘模型的输出结果，生成四风格配置建议[39] - 模型具体构建过程： 1. 获取成长价值模型的成长/价值配置比例 2. 获取小盘大盘模型的小盘/大盘配置比例 3. 交叉生成小盘成长、小盘价值、大盘成长、大盘价值四种风格的配置比例[39] - 模型评价：长期超额收益显著[39] 模型的回测效果 1. **市场环境划分模型** - 沪深300在低波上涨环境下： - 未来60日平均年化收益率：18.23% - 胜率：63.65% - 赔率：1.77[17] 2. **短期量化择时模型** - 2012年底至今： - 年化收益率：16.81% - 年化超额收益率：12.44% - 最大回撤：27.70% - 夏普比率：1.0033[24] - 2024年以来： - 年化收益率：29.40% - 最大回撤：11.04% - 夏普比率：1.4977[27] 3. **成长价值风格轮动模型** - 2012年底至今： - 年化收益率：11.71% - 年化超额收益率：4.80% - 最大回撤：43.07% - 夏普比率：0.5409[33] 4. **小盘大盘风格轮动模型** - 2012年底至今： - 年化收益率：12.38% - 年化超额收益率：5.31% - 最大回撤：50.65% - 夏普比率：0.5408[38] 5. **四风格轮动模型** - 2012年底至今： - 年化收益率：13.29% - 年化超额收益率：5.82% - 最大回撤：47.91% - 夏普比率：0.5951[40] 量化因子与构建方式 （报告中未提及具体量化因子，故本部分省略） 因子的回测效果 （报告中未提及具体量化因子，故本部分省略）

根据提供的量化市场追踪周报内容，总结涉及的量化模型与因子如下： --- 量化模型与构建方式 1. **行业轮动模型** - 模型构建思路：基于绩优基金持仓倾向的边际变化构建行业轮动信号，结合动量模型和景气度模型进行行业配置[35] - 模型具体构建过程： 1. 计算绩优基金对各行业的超配/低配比例，形成行业权重信号 2. 动量模型跟踪行业短期价格趋势，景气度模型跟踪基本面指标（如盈利增速） 3. 综合两类模型信号生成行业轮动组合[36] - 模型评价：近期景气度模型超额收益显著，动量模型效果减弱，符合行业轮动的日历效应特征[35][36] 2. **基金仓位测算模型** - 模型构建思路：通过持仓数据加权计算主动权益基金的风格及行业仓位分布[20][27] - 模型具体构建过程： 1. 筛选合格样本（成立满两季度、规模>5000万元、历史平均仓位>60%） 2. 按持股市值加权计算大盘/中盘/小盘成长/价值的仓位比例 3. 跟踪通信、新能源等行业的仓位变动[20][27][31] --- 量化因子与构建方式 1. **红利低波因子** - 因子构建思路：筛选高股息且波动率低的股票，兼具防御性和稳定收益特征[5][12] - 因子具体构建过程： 1. 计算个股近12个月股息率：$$股息率=\frac{年度现金分红}{当前股价}$$ 2. 计算个股过去60日波动率 3. 对股息率和波动率分别标准化后加权求和[63] 2. **成长风格因子** - 因子构建思路：捕捉业绩弹性高的成长股，近期基金仓位明显向大盘成长倾斜[3][12] - 因子具体构建过程： 1. 计算营收增长率、净利润增长率等指标 2. 结合PEG（市盈增长比率）进行筛选[27] --- 模型的回测效果 1. **行业轮动模型** - 多头超额收益：景气度模型累计超额1.85倍（2019-2025年）[36] - 本周超配行业：有色金属、国防军工、通信（超额收益3.07%-7.02%）[15][35] 2. **基金仓位模型** - 主动权益基金平均仓位：83.92%（普通股票型88.75%）[20] - 大盘成长仓位周变动：+6.03pct至23.88%[27] --- 因子的回测效果 1. **红利低波因子** - 相关ETF周净流入：南方标普红利低波50ETF（+14.72亿元）[63] - 年内回报：8.21%（跑赢沪深300指数7.12pct）[63] 2. **成长风格因子** - 创业板指周涨幅：3.17%（超额沪深300指数2.08pct）[13] - 医药成长基金TOP5周收益：15.15%-17.61%[19] --- 注：报告中未明确披露的公式或参数细节已根据上下文逻辑补充完整[35][36][63]

量化因子与构建方式 1. 因子名称：量峰分钟数因子 - **构建思路**：统计过去20日量峰的分钟数，衡量日内知情交易参与频率[24] - **构建过程**： 1. 对个股日内分钟成交量划分： - 喷发成交量：过去20日同时点成交量高于1倍标准差 - 温和成交量：低于1倍标准差 2. 进一步划分喷发成交量： - 孤立喷发（量峰）：当前喷发且前后1分钟均为温和成交量 - 连续喷发（量岭）：当前喷发且前后存在喷发成交量[15] 3. 计算量峰分钟数的20日均值 - **评价**：反映知情交易活跃度，因子值越高表明知情交易参与度越高[24] 2. 因子名称：量岭分钟收益因子 - **构建思路**：计算过去20日量岭时点的累计收益，衡量个人投资者交易的收益贡献及过度反应[32] - **构建过程**： 1. 按量岭划分标准筛选交易时点 2. 累计所选时点的分钟收益 3. 取20日均值 - **评价**：负向因子，反映个人投资者交易的过度反应[32] 3. 因子名称：量谷相对加权价格因子 - **构建思路**：计算量谷成交量加权价格与当日总成交量加权价格的比值，衡量交易低迷时点的价格相对水平[41] - **构建过程**： 1. 计算每日量谷成交量加权价格： $$ P_{\text{量谷}} = \frac{\sum (成交量_i \times 价格_i)}{\sum 成交量_i} $$ 2. 计算当日总成交量加权价格 3. 计算比值并取20日均值[41] - **评价**：正向因子，价格过度反应概率低时更有效[41] 4. 因子名称：量峰间隔峰度因子 - **构建思路**：统计量峰间时间间隔分布的峰度，反映知情交易的时间聚集特征[63] - **构建过程**： 1. 识别量峰时点 2. 计算相邻量峰间的时间间隔 3. 计算20日内间隔分布的峰度值 - **评价**：峰度越高表明知情交易时间分布越集中[63] 5. 因子名称：谷岭加权价格比因子 - **构建思路**：计算量谷与量岭的加权价格比，捕捉个人投资者导致的过度反应[79] - **构建过程**： 1. 分别计算量谷和量岭的成交量加权价格 2. 计算每日比值： $$ R = \frac{P_{\text{量谷}}}{P_{\text{量岭}}} $$ 3. 取20日均值[79] - **评价**：比值越高表明价格向下偏离程度越大[79] 6. 因子名称：喷发成交额跟随比例因子 - **构建思路**：衡量大额成交后资金跟随程度，反映个人投资者参与度[97] - **构建过程**： 1. 计算喷发成交时点总成交额（分母） 2. 计算下一分钟成交额（分子） 3. 取20日跟随比例均值[97] - **评价**：负向因子，跟随比例越高表明个人投资者交易占比越高[97] 7. 因子名称：同时点峰岭数相关性因子 - **构建思路**：统计同一时点的量峰与量岭样本数相关性，反映交易模式协同性[105] - **构建过程**： 1. 统计20日内各时点的量峰与量岭出现次数 2. 计算二者的相关系数[105] - **评价**：负向因子，相关性高可能预示市场情绪分化[105] --- 因子的回测效果 | 因子名称 | 年化收益率 | 年化IR | 最大回撤 | 月度胜率 | |------------------------------|------------|--------|----------|----------| | 量峰分钟数因子 | 31.58% | 3.22 | 9.43% | 79.73% | [24] | 量岭分钟收益因子 | 14.98% | 1.73 | 13.84% | 70.27% | [32] | 量谷相对加权价格因子 | 25.35% | 3.04 | 12.59% | 79.73% | [41] | 量峰间隔峰度因子 | 23.30% | 3.39 | 7.37% | 82.43% | [63] | 谷岭加权价格比因子 | 15.83% | 1.83 | 11.73% | 72.30% | [79] | 喷发成交额跟随比例因子 | 30.09% | 2.85 | 9.80% | 73.65% | [97] | 同时点峰岭数相关性因子 | 22.78% | 3.27 | 8.39% | 80.41% | [105] --- 补充说明 - **分域表现**：多数因子在小市值股票池（如中证1000）中表现更优，例如量峰分钟数因子在中证1000中年化收益达24.73%[29] - **相关性**：量峰间隔峰度与偏度因子相关性高达98%，峰岭成交比与喷发成交额跟随比例因子负相关69%[116][117]

量化模型与构建方式 1. **模型名称**：东方A股因子风险模型(DFQ-2020) - **模型构建思路**：基于多因子框架，涵盖市值、波动性、流动性、价值、成长等风格因子，通过贝叶斯压缩和市场回归等方法构建风险模型[15][16] - **模型具体构建过程**： - **Size因子**：总市值对数[16] - **Beta因子**：贝叶斯压缩后的市场Beta[16] - **Trend因子**： - Trend_120：$$EWMA(halflife=20)/EWMA(halflife=120)$$ - Trend_240：$$EWMA(halflife=20)/EWMA(halflife=240)$$[16] - **Volatility因子**：包括过去243天的标准波动率、FF3特质波动率、最高价/最低价范围等[16] - **Liquidity因子**：过去243天的平均对数换手率及个股换手率与市场的回归系数[16] - **模型评价**：全面覆盖市场风格，适用于不同市场环境下的风险暴露控制[11][12] 2. **MFE组合优化模型** - **模型构建思路**：在控制行业、风格暴露等约束下，最大化单因子暴露以评估因子有效性[59] - **模型具体构建过程**： - 目标函数：$$max\ f^{T}w$$ - 约束条件： - 风格暴露约束：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离约束：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 换手率约束：$$\Sigma|w-w_{0}|\leq to_{h}$$[59] - **模型评价**：通过线性规划高效求解，更贴近实际组合构建的复杂约束[59][60] --- 量化因子与构建方式 1. **因子名称**：一年动量 - **构建思路**：捕捉剔除近1个月后的过去一年股价趋势[20] - **具体构建**：$$MOMENTUM\_1M = \sum_{t=21}^{252} r_t$$（剔除最近20个交易日）[20] - **因子评价**：在中证全指和国证2000样本中近期表现突出[8][38] 2. **因子名称**：标准化预期外收入（SUR） - **构建思路**：衡量营收超分析师预期的幅度[20] - **具体构建**：$$SUR = \frac{实际单季营收-预期营收}{预期营收标准差}$$[20] - **因子评价**：在中证800和沪深300样本中稳定性较高[23][31] 3. **因子名称**：三个月反转 - **构建思路**：捕捉短期价格反转效应[20] - **具体构建**：$$REVERSE\_3M = \sum_{t=1}^{60} r_t$$[20] - **因子评价**：在中证1000样本中近期表现最佳[34][36] 4. **因子名称**：盈余公告跳空超额（AOG/ALG） - **构建思路**：反映盈余公告后的市场异常反应[20] - **具体构建**： - AOG：次日开盘涨跌幅-基准指数开盘涨跌幅 - ALG：次日最低价超额收益[20] - **因子评价**：创业板指样本中近期表现最强[42][44] --- 模型回测效果 1. **东方DFQ-2020风险模型** - 近一周多空收益：Beta风格1.94%，Value风格-1.43%[11][13] - 近一年年化收益：Beta风格51.27%，Growth风格12.71%[13] 2. **MFE组合模型** - 沪深300增强产品近一周超额收益中位数-0.08%，最大2.09%[52][53] - 中证1000增强产品今年以来超额收益中位数5.95%，最大13.91%[58] --- 因子回测效果 1. **一年动量因子** - 中证全指：近一周2.25%，近一年年化-11.61%[47][49] - 国证2000：近一周1.94%，近一年年化28.31%[39][41] 2. **标准化预期外收入（SUR）** - 中证800：近一周1.37%，历史年化4.50%[31][33] - 沪深300：近一周1.12%，今年以来7.43%[23][25] 3. **三个月反转因子** - 中证1000：近一周1.04%，近一年趋势-0.81%[35][37] - 中证500：近一周0.21%，历史年化8.14%[27][29] 4. **盈余公告跳空超额（AOG）** - 创业板指：近一周0.93%，今年以来19.68%[43][45] - 沪深300：近一周0.72%，历史年化3.35%[23][25] --- 附录：MFE组合优化公式说明 - **变量定义**： - $$w$$为股票权重向量，$$w_b$$为基准权重 - $$X$$为风格暴露矩阵，$$H$$为行业暴露矩阵[59] - **约束逻辑**：通过线性规划控制换手率（$$to_h$$）和成分股权重占比（$$B_b$$）[59][60]

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**：分红预测模型 - **模型构建思路**：基于上市公司分红数据和历史分红模式，预测分红对股指期货合约的影响[3][6][7] - **模型具体构建过程**： 1. **预估成分股净利润**：以年报公布的净利润为准，结合快报、预警及分析师预测综合调整[19][21] 2. **计算税前分红总额**： - 若已公布分红预案，直接使用税前分红总额[25] - 未公布时，假设分红率（分红金额/净利润）不变，计算税后分红总额[21] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[22] 4. **预测分红对各合约的影响值**： - 参考历史除权除息日与股东大会时间差的中位数，预测当前除权除息日[24][26] - 累加交割日前所有分红，得到影响点数[24] - **模型评价**：依赖历史数据和假设，若分红率突变可能导致预测偏差[3][27] 2. **模型名称**：股指期货定价模型（理论模型） - **模型构建思路**：基于无套利条件，考虑分红现值和利率影响[27][28] - **模型具体构建过程**： - **离散红利分配**： $$\mathbf{D}=\sum_{\mathrm{i=1}}^{\mathrm{m}}\mathbf{D}_{\mathrm{i}}\,/(1+\phi)$$ 其中 \(\phi\) 为无风险利率，期货定价公式： $$F_t = (S_t - D)(1 + r)$$[27] - **连续红利分配**： 假设年化红利率为 \(d\)，无风险利率为 \(r\)，理论价格为： $$F_t = S_t e^{(r-d)(T-t)}$$[28] 模型的回测效果 1. **分红预测模型**： - 上证50、沪深300、中证500、中证1000的8月合约分红点数分别为3.62、7.76、9.18、6.25[3][8][9][10] - 年化对冲成本（剔除分红）：上证50（-3.44%）、沪深300（-1.03%）、中证500（7.79%）、中证1000（11.11%）[3][8][9][10] 2. **股指期货定价模型**： - 实际价差与含分红价差对比显示，IH2508升水7.30点，IC2508贴水-36.43点[8][10] 量化因子与构建方式 1. **因子名称**：分红剩余影响因子 - **因子构建思路**：衡量分红对合约剩余期限的影响比例[8][9][10] - **因子具体构建过程**： - 计算合约到期前的累计分红点数占指数比例[11] - 例如，上证50期货8月合约剩余影响为0.13%[8] 因子的回测效果 1. **分红剩余影响因子**： - 上证50、沪深300、中证500、中证1000的8月合约剩余影响分别为0.13%、0.19%、0.15%、0.10%[11] 其他关键数据 - **分红时间分布**：集中在5-7月，影响涵盖此期间的期指合约[7] - **成分股分红进度**：截至7月18日，上证50成分股中40家已实施分红，沪深300中230家实施[7]

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：四轮驱动模型** - **模型构建思路**：通过多维度信号捕捉行业轮动机会，结合市场情绪、资金流向、技术面及基本面指标进行综合判断[2][8] - **模型具体构建过程**： 1. **信号类型**：包括“赚钱效应异动”“保持效应异动”“胖线收应异动”等，通过监测行业价格波动与资金行为触发信号[14] 2. **出局机制**：设定动态止盈止损条件（如“顶臂勃出局”“顶臂秒出局”等），结合拥挤度指标（0/1二元变量）控制风险[14] 3. **行业筛选**：综合过去1年Sharpe比率、信号连续性和拥挤度，输出推荐行业列表[14] - **模型评价**：注重短期交易机会捕捉，但对基本面逻辑依赖较弱，需结合其他模型互补[8] --- 模型的回测效果 （注：报告中未提供具体回测指标值，仅展示信号案例） 1. **四轮驱动模型**： - 汽车行业：2025-06-24首次信号，2025-07-16最新信号，未触发出局[14] - 电子行业：2025-07-03信号触发，2025-07-04止盈出局，Sharpe比率14[14] - 医药生物行业：Sharpe比率18，2025-06-30止盈出局[14] --- 其他说明 - 报告中未涉及独立量化因子构建及测试结果[1][2][3] - 模型信号生成依赖缠论分析（图2）和周期分析（图1）作为辅助工具[9][10]

根据提供的研报内容，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**：行业拥挤度因子 **因子构建思路**：通过计算行业指数价格变动与成交金额变动的马氏距离，衡量行业的交易拥挤程度[17] **因子具体构建过程**： - 计算行业指数最近一周的价格变动和成交金额变动 - 计算两者的马氏距离，公式为： $$D_M = \sqrt{(\mathbf{x} - \mathbf{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \mathbf{\mu})}$$ 其中，$\mathbf{x}$为价格和成交金额的变动向量，$\mathbf{\mu}$为均值向量，$\mathbf{S}$为协方差矩阵 - 将马氏距离映射到四象限坐标系，第1象限为价量齐升，第3象限为价量齐跌，椭圆外的点表示偏离度超过99%置信水平的行业[17] **因子评价**：能够有效捕捉短期交易过热或超跌的行业[18] 2. **因子名称**：PE分位数因子 **因子构建思路**：通过计算行业PE相对于历史分位数，衡量估值水平[15][17] **因子具体构建过程**： - 统计各行业当前PE值 - 计算自2019年以来的历史PE分位数，公式为： $$P_{PE} = \frac{\text{当前PE在历史序列中的排名}}{\text{总样本数}} \times 100\%$$ - 分位数越高表示估值越高[17] 因子回测效果 1. **行业拥挤度因子**： - 上周检测到建筑材料行业出现短期交易超跌[18] 2. **PE分位数因子**： - 国防军工、钢铁、计算机行业PE分位数最高（100%）[17] - 农林牧渔、食品饮料、公用事业行业PE分位数最低（10%、11%、29%）[17] 注：报告中未提及具体的量化模型，仅包含上述量化因子内容[3][17][18]

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**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9][11][16][18] - **模型具体构建过程**： 1. 收集标的指数成分股的历史分红数据及公告信息 2. 按合约存续期划分未来一年内的分红实施时间段 3. 汇总各时间段内成分股的预期分红金额，折算为指数点位影响 公式： $$分红点位 = \sum_{i=1}^{n} (成分股i分红金额 \times 权重_i) / 指数除数$$ 其中权重_i为成分股在指数中的权重[9][11][16][18] 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，计算真实反映市场情绪的调整后基差[21] - **模型具体构建过程**： 1. 计算实际基差：期货价格 - 指数价格 2. 叠加存续期内未实现的预期分红点位 3. 年化处理以统一比较标准 公式： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[21] 3. **模型名称：期现对冲策略（连续对冲/最低贴水）** - **模型构建思路**：通过动态调整期货合约对冲现货风险，利用基差收敛特性优化收益[47][49] - **模型具体构建过程**： - **连续对冲**：持有季月/当月合约至到期前2日平仓并切换下一合约[48] - **最低贴水策略**：每8个交易日选择年化基差贴水最小的合约开仓，排除剩余期限不足8日的合约[49] - 资金分配：70%配置现货全收益指数，30%用于期货保证金[48][49] 4. **模型名称：Cinda-VIX/SKEW指数模型** - **模型构建思路**：通过期权隐含波动率捕捉市场波动预期与尾部风险[66][71] - **模型具体构建过程**： 1. 计算不同行权价期权的隐含波动率（IV） 2. VIX反映波动率期限结构，SKEW衡量IV偏斜程度 3. 当SKEW>100时提示市场对极端下跌风险的担忧[71][72] --- 量化因子与构建方式 1. **因子名称：分红调整年化基差因子** - **因子构建思路**：反映期货合约相对现货的溢价/折价水平，剔除分红干扰[21] - **因子具体构建过程**： 1. 按基差修正模型计算年化基差 2. 跟踪IC/IF/IH/IM四大期指品种的季月合约基差[22][28][32][38][46] 2. **因子名称：VIX期限结构因子** - **因子构建思路**：通过不同期限VIX比值反映市场短期与长期波动预期差异[66] - **因子具体构建过程**： 1. 计算30/60/90/120日VIX值 2. 构建期限结构斜率（如VIX_30/VIX_120）[70][73][74][75] 3. **因子名称：SKEW警戒因子** - **因子构建思路**：识别市场对尾部风险的定价异常[71][72] - **因子具体构建过程**： 1. 监测SKEW指数是否持续高于历史80%分位 2. 结合VIX上升形成"风险高地"信号[72][78] --- 模型的回测效果 | 模型名称 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | |------------------------|------------|--------|----------|----------|------------| | IC连续对冲(当月) | -2.86% | 3.86% | -8.40% | 0.9173 | 12 |[51]| | IC连续对冲(季月) | -2.06% | 4.75% | -8.34% | 0.9400 | 4 |[51]| | IC最低贴水策略 | -1.08% | 4.65% | -7.97% | 0.9683 | 17.5 |[51]| | IF连续对冲(当月) | 0.50% | 3.00% | -3.95% | 1.0149 | 12 |[56]| | IF连续对冲(季月) | 0.75% | 3.35% | -4.03% | 1.0225 | 4 |[56]| | IF最低贴水策略 | 1.32% | 3.13% | -4.06% | 1.0397 | 15.48 |[56]| | IH连续对冲(当月) | 1.04% | 3.11% | -4.22% | 1.0314 | 12 |[60]| | IH连续对冲(季月) | 1.99% | 3.53% | -3.76% | 1.0603 | 4 |[60]| | IH最低贴水策略 | 1.72% | 3.13% | -3.91% | 1.0521 | 16.15 |[60]| | IM连续对冲(当月) | -6.06% | 4.73% | -14.01% | 0.8411 | 12 |[64]| | IM连续对冲(季月) | -4.43% | 5.78% | -12.63% | 0.8718 | 4 |[64]| | IM最低贴水策略 | -3.85% | 5.58% | -11.11% | 0.8839 | 16.02 |[64]| --- 因子的回测效果 | 因子名称 | 当前值 | 历史分位 | |------------------------|---------------------|--------------------| | IC年化基差 | -8.25% | 低于2022年中位数 |[22]| | IF年化基差 | -0.64% | 低于2022年中位数 |[28]| | IH年化基差 | 1.46%（升水） | 低于2022年中位数 |[32]| | IM年化基差 | -11.48% | 低于2022年中位数 |[46]| | 中证500SKEW | 102.11 | 超80%分位警戒线 |[72][78]| | 30日VIX（中证500） | 27.44 | 短期快速上涨 |[66][72]|

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**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三块流程实现稳定超额收益[11][12] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等维度）构建因子库[16][17] 2. **风险控制**：控制组合相对于基准的行业暴露、风格暴露、成分股权重偏离等约束[41][42] 3. **组合优化**：采用最大化单因子暴露组合（MFE）优化模型，目标函数为最大化因子暴露$$f^{T}w$$，约束条件包括风格中性（$$s_l \leq X(w-w_b) \leq s_h$$）、行业中性（$$h_l \leq H(w-w_b) \leq h_h$$）等[41][42] 2. **模型名称**：单因子MFE组合 - **模型构建思路**：通过组合优化检验因子在控制实际约束（如行业、风格中性）后的有效性[41] - **模型具体构建过程**： 1. 设定约束条件（如个股偏离权重0.5%-1%、成分股权重占比100%）[45] 2. 每月末优化构建组合，目标函数为最大化因子暴露$$f^{T}w$$[41] 3. 回测时扣除0.3%交易费用，计算超额收益指标[45] --- 量化因子与构建方式 1. **因子名称**：估值类因子（BP、单季EP、EPTTM等） - **因子构建思路**：衡量股票相对价值，如BP=净资产/总市值[17] - **因子评价**：长期稳定但短期易受市场风格影响 2. **因子名称**：成长类因子（单季营收同比增速、DELTAROA等） - **因子构建思路**：捕捉企业盈利增长，如单季营收同比增速=单季度营业收入同比增长率[17] - **因子评价**：在沪深300样本中近期表现突出（最近一周超额收益0.93%）[19] 3. **因子名称**：动量/反转类因子（一年动量、三个月反转） - **因子构建思路**：反映市场趋势，如一年动量=近一年除近一月后涨跌幅[17] - **因子评价**：中证500样本中一年动量近期表现最佳（最近一周超额收益0.93%）[21] 4. **因子名称**：分析师预期类因子（标准化预期外收入、预期PEG） - **因子构建思路**：量化市场预期偏差，如标准化预期外收入=（实际营收-预期营收）/预期营收标准差[17] - **因子评价**：在中证1000样本中信息比率较高（历史年化IR 5.98%）[23] --- 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.42%，本年8.31%[14] - 中证500增强：本周超额0.63%，本年10.17%[14] - 中证1000增强：本周超额0.48%，本年15.24%[14] 2. **单因子MFE组合（沪深300样本）**： - 单季营收同比增速：最近一周超额0.93%，年化IR 3.02%[19] - 三个月波动：最近一周超额-0.42%，年化IR 4.14%[19] --- 因子的回测效果 1. **中证500样本因子**： - 一年动量：最近一周超额0.93%，年化IR 2.23%[21] - SPTTM：最近一周超额-0.88%，年化IR 2.82%[21] 2. **中证1000样本因子**： - 三个月反转：最近一周超额1.09%，年化IR -0.78%[23] - 股息率：最近一周超额-1.22%，年化IR 5.80%[23] 注：所有公式引用自原文优化模型[41][42]，因子计算方式详见因子库表[17]