量化模型与构建方式 1. **模型名称**：无 该研报未提及具体的量化模型，仅对市场数据进行了跟踪和分析[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32][33][34][35][36][37][38][39][40][41][42][43][44][45][46] 量化因子与构建方式 1. **因子名称**：风险溢价 **因子构建思路**：以十年期国债即期收益率为无风险利率的参考，计算各宽基指数相对于无风险利率的风险溢价，衡量其相对投资价值和偏离情况[17][18][19] **因子具体构建过程**：风险溢价的计算公式为： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中，指数收益率为各宽基指数的收益率，十年期国债即期收益率为无风险利率的参考值[17][18][19] **因子评价**：风险溢价能够有效反映市场风险与收益的平衡，尤其是中证1000和中证2000的风险溢价波动率较大，表明其市场不确定性较高[17][18][19] 2. **因子名称**：PE-TTM **因子构建思路**：使用滚动市盈率（PE-TTM）作为估值参考，衡量各指数在当前时点的投资价值[20][21][22][23][24][25] **因子具体构建过程**：PE-TTM的计算公式为： $$PE-TTM = \frac{指数成分股总市值}{指数成分股过去12个月净利润}$$ 其中，总市值为指数成分股的总市值，过去12个月净利润为指数成分股的净利润总和[20][21][22][23][24][25] **因子评价**：PE-TTM能够反映市场的估值水平，尤其是中证500和中证1000的PE-TTM分位值较高，表明其估值水平较高[20][21][22][23][24][25] 3. **因子名称**：股息率 **因子构建思路**：股息率反映现金分红回报率，红利投资是一种投资风格，尤其是在市场低迷时期，高股息率因其稳定的现金流和较低的估值而成为避风港[27][28][29][30][31][32][33][34] **因子具体构建过程**：股息率的计算公式为： $$股息率 = \frac{指数成分股现金分红总额}{指数成分股总市值}$$ 其中，现金分红总额为指数成分股的现金分红总和，总市值为指数成分股的总市值[27][28][29][30][31][32][33][34] **因子评价**：股息率能够反映市场的分红回报率，尤其是沪深300和上证50的股息率分位值较高，表明其分红回报率较高[27][28][29][30][31][32][33][34] 4. **因子名称**：破净率 **因子构建思路**：破净率表示每股股票的市场价格与其每股净资产之比值，破净意味着股票价格跌破公司每股净资产值，反映市场的估值态度[32][33][34][35][36] **因子具体构建过程**：破净率的计算公式为： $$破净率 = \frac{指数成分股破净个股数}{指数成分股总数}$$ 其中，破净个股数为指数成分股中市净率小于1的个股数量，总数为指数成分股的总数[32][33][34][35][36] **因子评价**：破净率能够反映市场的估值态度，尤其是上证50和沪深300的破净率较高，表明其市场估值较低[32][33][34][35][36] 因子的回测效果 1. **风险溢价因子** - 中证2000：当前风险溢价0.38%，近5年分位值57.38%[19] - 中证1000：当前风险溢价0.20%，近5年分位值54.21%[19] - 沪深300：当前风险溢价-0.39%，近5年分位值35.24%[19] - 上证50：当前风险溢价-0.50%，近5年分位值30.48%[19] 2. **PE-TTM因子** - 中证500：当前值29.01，近5年分位值86.78%[25] - 中证1000：当前值39.62，近5年分位值76.20%[25] - 中证2000：当前值97.84，近5年分位值52.23%[25] - 创业板指：当前值33.50，近5年分位值32.56%[25] 3. **股息率因子** - 沪深300：当前值3.67%，近5年分位值98.76%[34] - 上证50：当前值4.31%，近5年分位值93.39%[34] - 中证2000：当前值0.96%，近5年分位值77.02%[34] - 中证500：当前值1.77%，近5年分位值50.58%[34] 4. **破净率因子** - 上证50：当前破净率26.0%[36] - 沪深300：当前破净率18.67%[36] - 中证500：当前破净率14.2%[36] - 中证1000：当前破净率10.0%[36]

量化模型与构建方式 1. 模型名称：风险溢价模型；模型构建思路：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，衡量其相对投资价值和偏离情况[16]；模型具体构建过程：风险溢价 = 宽基指数收益率 - 十年期国债即期收益率[16][17]；模型评价：该模型能有效观察市场风险偏好的变化，各指数风险溢价有明显的均值复归现象，其中中证1000和中证2000的风险溢价波动率相对较大[16] 2. 模型名称：股债性价比模型；模型构建思路：以各指数PE-TTM的倒数和十年期国债即期收益率之差来衡量股债资产的相对吸引力[23]；模型具体构建过程：股债性价比 = (1 / 宽基指数PE-TTM) - 十年期国债即期收益率[23]；模型评价：该模型是经典的资产配置参考指标，能直观比较股票与债券的投资价值[23] 量化因子与构建方式 1. 因子名称：连阴连阳因子；因子构建思路：通过统计指数K线连续为阴线或阳线的天数，捕捉市场的短期动量效应[8]；因子具体构建过程：从指数日收益率序列的符号变化点开始计数，连续为正的天数记为连阳天数（正数），连续为负的天数记为连阴天数（负数）[8] 2. 因子名称：均线偏离因子；因子构建思路：计算指数收盘价与不同周期移动平均线的偏离程度，衡量当前价格相对于近期平均成本的位置[9]；因子具体构建过程：$$偏离度 = \frac{收盘价 - 移动平均线值}{移动平均线值} \times 100\%$$ 报告中计算了指数收盘价相对于MA5, MA10, MA20, MA60, MA120, MA250的偏离度[9] 3. 因子名称：交易金额占比因子；因子构建思路：计算单一宽基指数的日交易金额占全市场（中证全指）日交易金额的比例，反映资金在不同板块间的流向[10]；因子具体构建过程：$$交易金额占比 = \frac{该指数当日交易金额}{中证全指当日交易金额} \times 100\%$$[10] 4. 因子名称：指数换手率因子；因子构建思路：衡量指数整体交易的活跃程度[10]；因子具体构建过程：$$指数换手率 = \frac{\sum(成分股流通股本 \times 成分股换手率)}{\sum(成分股流通股本)}$$[10] 5. 因子名称：收益分布峰度因子；因子构建思路：计算指数日收益率分布的峰度，衡量收益率分布的尖峰肥尾特性，值越大说明分布更集中[14][15]；因子具体构建过程：报告中计算的是超额峰度（Excess Kurtosis），即在计算出的峰度值基础上减去3（正态分布的峰度值）[15] 6. 因子名称：收益分布偏度因子；因子构建思路：计算指数日收益率分布的偏度，衡量收益率分布的不对称性，正偏态显示极端正收益情形增加[14][15]；因子具体构建过程：使用标准偏度计算公式[15] 7. 因子名称：PE-TTM估值因子；因子构建思路：使用滚动市盈率（TTM）作为衡量指数估值水平的经典指标[19][22]；因子具体构建过程：$$PE-TTM = \frac{指数总市值}{指数成分股最近12个月净利润总和}$$[22] 8. 因子名称：股息率因子；因子构建思路：反映指数的现金分红回报率，是红利投资风格的核心指标[26][28]；因子具体构建过程：$$股息率 = \frac{指数成分股最近12个月现金分红总额}{指数总市值} \times 100\%$$[28] 9. 因子名称：破净率因子；因子构建思路：统计指数中市净率（PB）小于1的个股占比，反映市场总体的低估程度[30][32]；因子具体构建过程：$$破净率 = \frac{指数中市净率<1的个股数量}{指数总成分股数量} \times 100\%$$[32] 模型的回测效果 1. 风险溢价模型，当前风险溢价：上证50(1.60%), 沪深300(1.37%), 中证500(1.62%), 中证1000(2.13%), 中证2000(2.05%), 中证全指(1.64%), 创业板指(2.02%)[18]；近1年分位值：上证50(94.44%), 沪深300(91.67%), 中证500(87.70%), 中证1000(90.08%), 中证2000(85.71%), 中证全指(90.87%), 创业板指(86.90%)[18]；近5年分位值：上证50(92.70%), 沪深300(89.84%), 中证500(91.67%), 中证1000(93.89%), 中证2000(92.86%), 中证全指(92.54%), 创业板指(88.57%)[18] 2. 股债性价比模型，当前值高于近5年80%分位（机会值）的指数：中证1000, 创业板指[24]；当前值低于近5年20%分位（危险值）的指数：无[24] 因子的回测效果 1. 连阴连阳因子，当前日K连阳天数：上证50(3), 沪深300(3), 中证500(4), 中证1000(3), 中证2000(3), 中证全指(3), 创业板指(0)[8] 2. 均线偏离因子，当前vsMA5偏离度：上证50(1.56%), 沪深300(1.32%), 中证500(1.88%), 中证1000(2.64%), 中证2000(2.75%), 中证全指(1.86%), 创业板指(1.74%)[9]；当前vsMA10偏离度：上证50(1.05%), 沪深300(0.61%), 中证500(1.06%), 中证1000(1.78%), 中证2000(1.84%), 中证全指(1.10%), 创业板指(0.23%)[9]；当前vsMA20偏离度：上证50(1.33%), 沪深300(0.80%), 中证500(1.73%), 中证1000(3.29%), 中证2000(3.65%), 中证全指(1.87%), 创业板指(1.00%)[9]；当前vsMA60偏离度：上证50(1.87%), 沪深300(1.59%), 中证500(4.27%), 中证1000(6.90%), 中证2000(8.07%), 中证全指(3.93%), 创业板指(3.33%)[9] 3. 交易金额占比因子，当前值：中证2000(27.2%), 中证1000(24.42%), 沪深300(20.88%)[10] 4. 指数换手率因子，当前值：中证2000(4.66), 创业板指(3.35), 中证1000(3.09), 中证全指(1.93), 中证500(1.9), 沪深300(0.6), 上证50(0.34)[10] 5. 收益分布峰度因子，当前vs近5年变化：上证50(+0.98), 沪深300(+2.02), 中证500(-1.01), 中证1000(-0.07), 中证2000(-1.59), 中证全指(+0.97), 创业板指(+4.15)[15] 6. 收益分布偏度因子，当前vs近5年变化：上证50(+0.32), 沪深300(+0.54), 中证500(-0.30), 中证1000(-0.03), 中证2000(-0.42), 中证全指(+0.25), 创业板指(+1.08)[15] 7. PE-TTM估值因子，当前值：上证50(10.95), 沪深300(12.71), 中证500(29.14), 中证1000(39.77), 中证2000(97.79), 中证全指(18.63), 创业板指(34.01)[23]；近5年历史分位值：上证50(68.76%), 沪深300(60.91%), 中证500(87.27%), 中证1000(76.86%), 中证2000(51.98%), 中证全指(77.11%), 创业板指(33.14%)[23] 8. 股息率因子，当前值：上证50(4.27%), 沪深300(3.64%), 中证500(1.76%), 中证1000(1.37%), 中证2000(0.96%), 中证全指(2.67%), 创业板指(1.24%)[30]；近5年历史分位值：上证50(91.90%), 沪深300(98.43%), 中证500(49.26%), 中证1000(82.89%), 中证2000(77.11%), 中证全指(92.40%), 创业板指(86.78%)[30] 9. 破净率因子，当前值：上证50(26.0%), 沪深300(17.33%), 中证500(14.0%), 中证1000(10.0%), 中证2000(4.95%), 创业板指(3.0%), 中证全指(8.1%)[32]

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**：通过计算各行业交易拥挤度指标，识别处于高拥挤状态的行业以预警潜在波动风险[7][30] - **模型具体构建过程**： 1. 计算各行业滚动3年内的交易活跃度分位数 2. 设定95%分位为预警阈值，超过阈值的行业触发拥挤信号 3. 监测指标包括成交量、换手率等高频数据[9][13][32] - **模型评价**：能有效捕捉交易过热风险，但对基本面变化不敏感 2. **模型名称：大资金活跃度指标模型** - **模型构建思路**：基于龙虎榜数据构建资金情绪指标，判断小盘风格相对强弱[8][10] - **模型具体构建过程**： 1. 统计龙虎榜机构席位买卖金额占比 2. 计算标准化后的资金活跃度指数： $$ \text{活跃度} = \frac{\text{机构买入额}-\text{机构卖出额}}{\text{市场总成交额}} $$ 3. 通过移动平均平滑处理[10] - **模型评价**：对小盘风格切换有领先指示作用 3. **模型名称：综合配置策略模型** - **模型构建思路**：结合行业景气度与拥挤度进行多因子配置[2][34] - **模型具体构建过程**： 1. 筛选景气上行或持平的行业（见图3[12]） 2. 剔除拥挤度高于预警值的行业 3. 权重分配：景气上行行业权重=2×景气持平行业权重[2][34] 模型的回测效果 1. **综合配置策略模型**： - 最近1个月收益4.6%，超额收益（vs中证800）1.1%[2][34] - 最近6个月收益33.9%，超额收益8.8%[35] - IR（年化）1.2，最大回撤-15.3%[34] 2. **行业拥挤度监测模型**： - 对TMT行业的预警准确率82%（2019-2025回溯测试）[9][30] 量化因子与构建方式 1. **因子名称：行业景气度因子** - **因子构建思路**：通过宏观+行业高频数据合成景气指数[12][14][19][21][25][28] - **因子具体构建过程**： 1. 汽车因子：整合政策力度、M1增速、社融增速等指标[14][17] 2. 化工因子：结合地产数据（如二手房成交量）与新能源价格指标[19] 3. 光伏因子：跟踪产业链价格指数与产能利用率[21][23] 4. 新能源车因子：碳酸锂价格+充电桩保有量增速[25][26] - **因子评价**：对周期行业有较强解释力 2. **因子名称：小市值风格因子** - **因子构建思路**：捕捉大资金活跃度与小盘股超额收益的关系[8][10] - **因子具体构建过程**： 1. 计算全市场市值后30%分位股票组合的相对收益 2. 与大资金活跃度指标做滚动相关性检验[10] 因子的回测效果 1. **行业景气度因子**： - 汽车因子IC均值0.32，RankIC 0.41[14] - 光伏因子3个月预测胜率68%[21] 2. **小市值风格因子**： - 2025年以来多空收益差+14.5%[10] - 与龙虎榜资金流相关性0.78[10]

量化模型与构建方式 1. **模型名称**：信达金工行业轮动策略 **模型构建思路**：基于绩优基金的持仓倾向的边际变化，研发了相应的行业轮动模型，旨在捕捉行业轮动的机会[36] **模型具体构建过程**：通过跟踪绩优基金的持仓变化，识别出超配和低配的行业，形成行业轮动信号。具体步骤包括： - 收集绩优基金的持仓数据 - 计算各行业的持仓比例变化 - 根据持仓变化生成行业轮动信号 **模型评价**：该模型能够有效捕捉行业轮动的机会，尤其是在市场快速轮动的行情中表现突出[36] 模型的回测效果 1. **信达金工行业轮动策略**，多头超额收益为1.95[36] 量化因子与构建方式 1. **因子名称**：绩优基金持仓倾向因子 **因子的构建思路**：基于绩优基金的持仓变化，构建行业轮动因子，用于捕捉行业轮动的机会[36] **因子具体构建过程**： - 收集绩优基金的持仓数据 - 计算各行业的持仓比例变化 - 根据持仓变化生成行业轮动因子 **因子评价**：该因子能够有效捕捉行业轮动的机会，尤其是在市场快速轮动的行情中表现突出[36] 因子的回测效果 1. **绩优基金持仓倾向因子**，多头超额收益为1.95[36]

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**：通过分歧度、流动性和景气度三个维度来判断市场趋势，进而进行择时决策[7] - **模型具体构建过程**： 1. 分歧度：衡量市场参与者对市场走势的分歧程度 2. 流动性：反映市场资金流动的宽松或紧张状态 3. 景气度：评估市场整体经济活动的活跃程度 根据这三个维度的变化趋势，判断市场是否处于阴跌状态，并建议保持半仓[7] 2. **模型名称：资金流共振策略** - **模型构建思路**：通过监控融资融券和大单资金的净流入情况，选择两类资金都看好的行业进行投资[21][23] - **模型具体构建过程**： 1. 融资融券资金因子：定义为Barra市值因子中性化后的融资净买入减去融券净买入，取最近50日均值后的两周环比变化率 2. 主动大单资金因子：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值 3. 在主动大单因子的头部打分内剔除融资融券因子的极端多头行业，以提高策略稳定性[23] - **模型评价**：该策略自2018年以来年化超额收益为13.5%，信息比率为1.7，回撤较小，表现稳定[23] 模型的回测效果 1. **三维择时框架**： - 当前市场处于盘整状态下的下跌波段，价格接近阻力线，突破难度较大，建议谨慎[7] 2. **资金流共振策略**： - 上周实现绝对收益4.2%，超额收益2.1%[23] 量化因子与构建方式 1. **因子名称：研发因子** - **因子构建思路**：通过研发投入与销售收入、总资产、净资产的占比来衡量企业的研发强度[32] - **因子具体构建过程**： 1. 研发销售收入占比：$$tot\_rd\_ttm\_to\_sales = \frac{研发投入}{销售收入}$$ 2. 研发总资产占比：$$tot\_rd\_ttm\_to\_assets = \frac{研发投入}{总资产}$$ 3. 研发净资产占比：$$tot\_rd\_ttm\_to\_equity = \frac{研发投入}{净资产}$$[32] - **因子评价**：研发因子在近期表现较好，尤其是在中小市值股票中超额收益显著[32] 2. **因子名称：分析师一致预测因子** - **因子构建思路**：通过分析师对目标价格的一致预测与当前价格的差异来衡量市场预期[32] - **因子具体构建过程**： 1. 30天一致预期目标价格/收盘价-1：$$target\_return\_30d = \frac{目标价格}{收盘价} - 1$$ 2. 180天一致预期目标价格/收盘价-1：$$target\_return\_180d = \frac{目标价格}{收盘价} - 1$$[32] - **因子评价**：分析师一致预测因子在大小市值股票中均表现较好，尤其是在小市值股票中超额收益更高[32] 因子的回测效果 1. **研发因子**： - 近一周多头超额收益：3.31%（研发销售收入占比）、3.14%（研发总资产占比）、2.34%（研发净资产占比）[32] 2. **分析师一致预测因子**： - 近一周多头超额收益：1.20%（沪深300）、1.70%（中证500）、2.31%（中证1000）、3.16%（国证2000）[35] 量化组合的回测效果 1. **沪深300增强组合**： - 上周绝对收益：1.99% - 上周超额收益：0.60% - 本年超额收益：2.31%[36] 2. **中证500增强组合**： - 上周绝对收益：2.34% - 上周超额收益：-0.28% - 本年超额收益：-2.74%[36] 3. **中证1000增强组合**： - 上周绝对收益：2.99% - 上周超额收益：-0.80% - 本年超额收益：-2.03%[36]

量化模型与构建方式 1. **模型名称：戴维斯双击策略** - **模型构建思路**：通过以较低的市盈率买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得乘数效应的收益，即 EPS 和 PE 的"双击"[1][7] - **模型具体构建过程**：策略基于盈利持续增长和市盈率（PE）的变化，寻找业绩增速在加速增长的标的，控制 PE 的向下空间[7] - **模型评价**：策略在 2010-2017 年回测期内实现了 26.45% 的年化收益，超额基准 21.08%，具有非常好的稳定性[8] 2. **模型名称：净利润断层策略** - **模型构建思路**：基于基本面与技术面共振双击下的选股模式，核心是净利润超预期和盈余公告后股价的向上跳空行为[2][11] - **模型具体构建过程**：每期筛选过去两个月业绩预告和正式财报满足超预期事件的股票样本，按照盈余公告日跳空幅度排序前 50 的股票等权构建组合[11] - **模型评价**：策略在 2010 年至今取得了年化 28.96% 的收益，年化超额基准 26.99%[13] 3. **模型名称：沪深 300 增强组合** - **模型构建思路**：基于投资者偏好因子（GARP 型、成长型、价值型）构建增强组合，寻找估值低且盈利能力强的股票[3][17] - **模型具体构建过程**：以 PB 与 ROE 的分位数之差构建 PBROE 因子，以 PE 与增速的分位数之差构建 PEG 因子，筛选估值低且成长潜力稳定的公司[17] - **模型评价**：历史回测超额收益稳定，本年组合相对沪深 300 指数超额收益为 0.08%[21] 模型的回测效果 1. **戴维斯双击策略** - 绝对收益：24.33%[8] - 基准收益：2.49%[8] - 超额收益：21.84%[8] - 最大相对回撤：-20.14%[8] - 收益回撤比：1.08[8] 2. **净利润断层策略** - 绝对收益：28.96%[13] - 基准收益：1.97%[13] - 超额收益：26.99%[13] - 最大相对回撤：-37.12%[13] - 收益回撤比：0.73[13] 3. **沪深 300 增强组合** - 绝对收益：9.07%[19] - 基准收益：0.67%[19] - 超额收益：8.41%[19] - 相对最大回撤：-9.18%[19] - 收益回撤比：0.92[19] 量化因子与构建方式 1. **因子名称：PBROE 因子** - **因子构建思路**：寻找估值低且盈利能力强的股票，基于 PB 与 ROE 的分位数之差构建[17] - **因子具体构建过程**：计算 PB 和 ROE 的分位数，取两者之差作为因子值[17] 2. **因子名称：PEG 因子** - **因子构建思路**：寻找价值被低估且拥有可靠成长潜力的公司，基于 PE 与增速的分位数之差构建[17] - **因子具体构建过程**：计算 PE 和增速的分位数，取两者之差作为因子值[17] 因子的回测效果 （报告中未提供因子的具体回测效果数据）

量化模型与构建方式 1. **模型名称**：产业链 Agent **模型构建思路**：利用大语言模型的生成与分析能力，结合 RAG 方法从海量新闻、研报等文本中自动检索相关信息，挖掘产业链信息，确保结果的合理性、时效性与专业性[41] **模型具体构建过程**：基于 RAG 方法，模型首先在本地知识库中检索相关信息，然后通过大模型的理解与推理能力，生成产业链图谱，并提供相关股票池[41] **模型评价**：该模型能够高效生成产业链图谱，并提供合理的股票池，具有较强的时效性与专业性[41] 量化因子与构建方式 1. **因子名称**：领涨因子 **因子构建思路**：基于量价数据，筛选出近期表现强势的股票[45] **因子具体构建过程**：通过分析股票的量价数据，计算其近期涨幅，筛选出涨幅较大的股票作为领涨因子[45] **因子评价**：该因子能够有效捕捉市场热点，筛选出近期表现强势的股票[45] 2. **因子名称**：尖峰右偏因子 **因子构建思路**：基于股票收益率的分布特征，筛选出收益率分布右偏的股票[45] **因子具体构建过程**：通过计算股票收益率的偏度，筛选出偏度为正且较大的股票作为尖峰右偏因子[45] **因子评价**：该因子能够捕捉到收益率分布右偏的股票，具有较强的市场预测能力[45] 模型的回测效果 1. **产业链 Agent 模型**，生成产业链图谱的时效性与专业性均表现优异[41] 2. **领涨因子**，近期涨幅较大的股票表现强势[45] 3. **尖峰右偏因子**，收益率分布右偏的股票具有较强的市场预测能力[45] 因子的回测效果 1. **领涨因子**，近期涨幅较大的股票表现强势[45] 2. **尖峰右偏因子**，收益率分布右偏的股票具有较强的市场预测能力[45]

量化模型与构建方式 1. 模型名称：多模态多尺度股价预测模型 - **模型构建思路**：基于AI看图初始版本模型进行改进，结合多模态（图表数据与时序数据）和多尺度（日内高频、日频、周频）特征提取，同时采用回归损失和分类损失进行端到端训练[14][17][18] - **模型具体构建过程**： 1. **多模态特征提取**：结合卷积模型和时序模型，分别处理价量数据图表和时序数据，捕获不同模态下的特征[17] 2. **多尺度特征提取**：引入1分钟频、日频、周频数据，构建55组高频因子特征，并通过时序模型提取多日特征[18] 3. **轻量化设计**：每个子模型的参数量减少至初始模型的1/4，降低过拟合风险并提升计算效率[18] 4. **多头输出**：模型输出包括未来股价的绝对收益和涨平跌分类，分别采用均方误差和交叉熵作为损失函数[19] 5. **训练与回测**：训练样本为2008-2016年数据，验证样本为2017-2019年数据，回测样本为2020-2024年数据[23][117] - **模型评价**：通过多模态、多尺度特征提取和轻量化设计，显著提升了模型的预测能力和计算效率[14][18][19] --- 模型的回测效果 1. 多模态多尺度股价预测模型 - **全市场**： - RankIC均值：8.7%[21][116] - RankIC胜率：86.7%[21][116] - 多头年化收益率：15.58%[24] - 超额年化收益率：12.97%[24] - **沪深300**： - RankIC均值：7.9%[21][116] - RankIC胜率：69.0%[21][116] - 多头年化收益率：9.48%[33] - 超额年化收益率：9.17%[33] - **中证500**： - RankIC均值：6.6%[21][116] - RankIC胜率：73.5%[21][116] - 多头年化收益率：9.36%[42] - 超额年化收益率：5.30%[42] - **中证800**： - RankIC均值：6.9%[21][116] - RankIC胜率：75.2%[21][116] - 多头年化收益率：9.43%[52] - 超额年化收益率：8.38%[52] - **中证1000**： - RankIC均值：8.2%[21][116] - RankIC胜率：84.8%[21][116] - 多头年化收益率：11.45%[61] - 超额年化收益率：7.47%[61] - **国证2000**： - RankIC均值：8.7%[21][116] - RankIC胜率：86.1%[21][116] - 多头年化收益率：14.30%[70] - 超额年化收益率：7.47%[70] - **创业板**： - RankIC均值：10.4%[21][116] - RankIC胜率：89.2%[21][116] - 多头年化收益率：22.01%[79] - 超额年化收益率：11.52%[79] --- 量化因子与构建方式 1. 因子名称：多模态多尺度因子 - **因子构建思路**：基于多模态（图表数据与时序数据）和多尺度（日内高频、日频、周频）特征提取，结合深度学习模型的预测结果生成因子[14][17][18] - **因子具体构建过程**： 1. **高频因子**：从1分钟频数据中提取55组特征，构建日度因子[18] 2. **时序因子**：通过GRU等时序模型提取日频和周频数据的特征[17][18] 3. **卷积因子**：基于价量数据图表，通过卷积神经网络提取形态特征[17][114] 4. **因子融合**：将不同模态和尺度的因子进行融合，生成最终因子[17][18] - **因子评价**：与Barra风格因子相关性较低，相关性最高的三个因子为流动性因子（-18%）、波动率因子（-16%）和市值因子（-8%），具有较强的独立性[22][117] --- 因子的回测效果 1. 多模态多尺度因子 - **全市场**： - RankIC均值：8.7%[21][116] - RankIC胜率：86.7%[21][116] - 超额年化收益率：12.97%[24] - **沪深300**： - RankIC均值：7.9%[21][116] - RankIC胜率：69.0%[21][116] - 超额年化收益率：9.17%[33] - **中证500**： - RankIC均值：6.6%[21][116] - RankIC胜率：73.5%[21][116] - 超额年化收益率：5.30%[42] - **中证800**： - RankIC均值：6.9%[21][116] - RankIC胜率：75.2%[21][116] - 超额年化收益率：8.38%[52] - **中证1000**： - RankIC均值：8.2%[21][116] - RankIC胜率：84.8%[21][116] - 超额年化收益率：7.47%[61] - **国证2000**： - RankIC均值：8.7%[21][116] - RankIC胜率：86.1%[21][116] - 超额年化收益率：7.47%[70] - **创业板**： - RankIC均值：10.4%[21][116] - RankIC胜率：89.2%[21][116] - 超额年化收益率：11.52%[79]

aa 证券研究报告·金融工程报告 2025 年 3 月 3 日 江海证券研究发展部 金融工程定期报告 转债跟随权益走低，转股溢价率小幅 回升 核心内容： ◆可转债市场表现： ◆可转债条款跟踪： 分析师：刘晓杰 执业证书编号： S1410523120001 联系人：朱威 ➢ 近一周（2025-02-24 至 2025-02-28），上证转债、深证转债、中证转债指数 周涨跌幅分别为-0.68%、-1.16%、-0.89%。权益市场中，上证指数周涨跌幅 为-1.72%，收于 3320.90 点；中证全指周涨跌幅为-2.53%，收于 4847.41 点。对比转债市场与权益市场，中证转债相较于中证全指周绝对收益为 1.64%。 ➢ 近一周（2025-02-24 至 2025-02-28），可转债市场成交量与成交额分别为 254,745.92 万张与 42,541,372.03 万元，周环比变化分别为 0.76%、3.71%； 可转债对应正股成交量与成交额分别为 5,409,498.53 万股与 85,142,094.14 万元，周环比变化为 0.17%、2.00%。对比上周，转债与正股成交活跃度维 持高位。 ➢ 截止至 ...

量化模型与构建方式 1. **模型名称**：港股优选 20 组合 **模型构建思路**：基于港股通样本股，通过多因子模型筛选出表现优异的个股，构建等权组合[31] **模型具体构建过程**：在每月底对分数最高的前 20 只个股按照等权的方式构建组合，基准选取港股综合指数(HKD) (930930.CSI)[34] **模型评价**：该组合在长期表现中显示出较高的超额年化收益率，但近期表现有所波动[34] 模型的回测效果 1. **港股优选 20 组合**，超额年化收益率 14.3%，超额年化波动率 13.4%，超额收益波动比 1.1，超额最大回撤 18.2%[35] 量化因子与构建方式 1. **因子名称**：技术面、资金面、基本面、分析师预期 **因子的构建思路**：通过四大类因子对港股通成分股进行分组，筛选出表现优异的个股[31] **因子具体构建过程**：未详细描述具体构建过程，但四大类因子在港股通成分股中分组表现优异[31] **因子评价**：四大类因子在港股通成分股中表现出较好的分组效果[31] 因子的回测效果 1. **技术面、资金面、基本面、分析师预期因子**，未提供具体指标值[31]