2024 年 9 月 14 日 总量研究 通信计算机领涨，成长或仍占优 ——金融工程市场跟踪周报 $$2 0 2 4 0 9 1 4$$ 要点 本周市场核心观点与市场复盘： 本周（2024.09.09-2024.09.13，下同）市场主要宽基指数震荡回调。中信一级 行业当中仅通信、计算机录得上涨，食品饮料领跌。量能表现方面，主要宽基指 数量能维持低位震荡，仅北证 50 指数量能择时发出看多信号。 我们在近期观点中强调：底部区间，对市场的观察或需要弱化价格变化，重视对 量能的观察——量能持续提升或是市场持续反弹的重要判断变量。短线量能持续 性较弱，强势反弹或难成立。风格上看好成长风格持续占优，交易上关注政策面 存在支撑或基本面改善的方向，中长线关注成长风格的相对机会。 本周市场回调，上证综指下跌 2.23%，上证 50 下跌 2.55%，沪深 300 下跌 2.23%， 中证 500 下跌 1.91%，中证 1000 下跌 2.11%，创业板指下跌 0.19%，北证 50 指数下跌 2.00%。 截至 2024 年 9 月 13 日，宽基指数来看，上证指数、沪深 300、中证 500、中 证 1000 和创业板 ...

量化模型与构建方式 PB-ROE-50 组合 - **模型构建思路**：通过PB（市净率）和ROE（净资产收益率）两个指标筛选股票，构建组合[18] - **模型具体构建过程**：选择PB和ROE指标较优的50只股票，定期调整组合[18] - **模型评价**：在中证500和中证800股票池中表现出色，获得了显著的超额收益[18][19] 大宗交易组合 - **模型构建思路**：基于“大宗交易成交金额比率”和“6日成交金额波动率”两个指标，选择高成交、低波动的股票[24] - **模型具体构建过程**：通过月频调仓方式，选择“大宗交易成交金额比率”高、“6日成交金额波动率”低的股票构建组合[24] - **模型评价**：本周相对中证全指获取了正超额收益，表现良好[24] 定向增发组合 - **模型构建思路**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期以及对仓位的控制，构建定向增发事件驱动选股组合[26] - **模型具体构建过程**：基于定向增发事件，选择相关股票构建组合，定期调整[26] - **模型评价**：本周相对中证全指获取了正超额收益，表现出色[26] 模型的回测效果 PB-ROE-50 组合 - **中证500**：本周超越基准收益率1.13%，今年以来超额收益率-7.09%，本周绝对收益率11.60%，今年以来绝对收益率-0.94%[19] - **中证800**：本周超越基准收益率0.95%，今年以来超额收益率-11.14%，本周绝对收益率6.73%，今年以来绝对收益率-1.11%[19] - **全市场**：本周超越基准收益率-0.10%，今年以来超额收益率-16.81%，本周绝对收益率-0.08%，今年以来绝对收益率-2.14%[19] 大宗交易组合 - **本周超越基准收益率**：1.82%[24] - **今年以来超额收益率**：-11.57%[24] - **本周绝对收益率**：-0.26%[24] - **今年以来绝对收益率**：-26.38%[24] 定向增发组合 - **本周超越基准收益率**：2.15%[26] - **今年以来超额收益率**：-10.39%[26] - **本周绝对收益率**：0.07%[26] - **今年以来绝对收益率**：-25.40%[26] 量化因子与构建方式 单季度ROA因子 - **因子的构建思路**：通过单季度ROA（资产收益率）筛选股票[8][10][12] - **因子具体构建过程**：计算单季度ROA，选择ROA较高的股票[8][10][12] - **因子评价**：在沪深300、中证500和流动性1500股票池中表现较好[8][10][12] 标准化预期外收入因子 - **因子的构建思路**：通过标准化预期外收入筛选股票[8][10][12] - **因子具体构建过程**：计算标准化预期外收入，选择该指标较高的股票[8][10][12] - **因子评价**：在沪深300和流动性1500股票池中表现较好[8][12] 单季度ROE因子 - **因子的构建思路**：通过单季度ROE（净资产收益率）筛选股票[8][10][12] - **因子具体构建过程**：计算单季度ROE，选择ROE较高的股票[8][10][12] - **因子评价**：在沪深300和中证500股票池中表现较好[8][10] 因子的回测效果 沪深300股票池 - **单季度ROA**：最近1周收益2.83%，最近1个月收益2.08%，最近1年收益-5.67%，最近10年收益-22.65%[9] - **标准化预期外收入**：最近1周收益1.90%，最近1个月收益0.16%，最近1年收益-1.59%，最近10年收益32.07%[9] - **单季度ROE**：最近1周收益1.65%，最近1个月收益1.08%，最近1年收益-3.56%，最近10年收益28.91%[9] 中证500股票池 - **单季度ROA**：最近1周收益1.23%，最近1个月收益0.47%，最近1年收益-0.49%，最近10年收益93.43%[11] - **5日平均换手率**：最近1周收益1.15%，最近1个月收益1.71%，最近1年收益-1.34%，最近10年收益113.99%[11] - **ROIC增强因子**：最近1周收益1.05%，最近1个月收益1.62%，最近1年收益3.72%，最近10年收益219.47%[11] 流动性1500股票池 - **单季度营业收入同比增长率**：最近1周收益1.17%，最近1个月收益0.64%，最近1年收益2.03%，最近10年收益21.93%[13] - **换手率相对波动率**：最近1周收益0.78%，最近1个月收益1.30%，最近1年收益5.73%，最近10年收益106.71%[13] - **标准化预期外盈利**：最近1周收益0.74%，最近1个月收益0.47%，最近1年收益6.22%，最近10年收益176.29%[13]

量化模型与构建方式 模型名称：隐马尔可夫模型（HMM） - **模型构建思路**：基于历史会重演的理论假设，通过识别当前行业所处状态，计算当前行业状态序列与历史中该行业未来显著上涨或下跌时所有状态序列的平均相似度，以预测当前行业未来的上涨概率，进而构建行业轮动策略[3][7][20] - **模型具体构建过程**： 1. **定义初始状态概率向量**：表示在时刻1处于某状态的概率 2. **状态转移概率矩阵**：表示在某时刻处于某状态的条件下，下一时刻转移到另一状态的概率 3. **观测概率矩阵**：表示在某时刻处于某状态的条件下生成某观测值的概率 4. **训练模型**：基于历史数据训练HMM模型，生成状态序列 5. **计算相似度**：计算当前行业状态序列与历史显著上涨、显著下跌子窗口状态序列的相似度平均值 6. **定义上涨概率**：当前行业未来上涨的概率为： $$ P_{\text{up}} = \frac{S_{\text{up}}}{S_{\text{up}} + S_{\text{down}}} $$ 其中 $S_{\text{up}}$ 和 $S_{\text{down}}$ 分别为当前行业状态序列与历史显著上涨、显著下跌子窗口状态序列的相似度平均值[13][14][22][23] - **模型评价**：隐马尔可夫模型能够将多维度特征构成的复杂形态抽丝剥茧，提取其离散的抽象状态，进而达到降低噪声的目的[59][64] 模型的回测效果 样本内回测 - **累计超额收益**：2022年费后超额收益超过7%，2023年费后超额收益超过9%[3][61] - **最大回撤**：2022年最大回撤为3.50%，2023年最大回撤为3.40%[3][61] - **月度胜率**：2022年胜率为66.67%，2023年胜率为91.67%[3][61] - **年化波动率**：2022年和2023年的超额收益年化波动均低于6%[3][61] - **月盈亏比**：2022年超额收益的盈亏比为1.76，2023年只有一个月亏损，盈亏比不具有统计性[47] 样本外检验 - **累计超额收益**：2024年前8个月费后累计超额收益为10.75%，年化超额收益为16.54%[3][48][62] - **最大回撤**：样本外最大回撤为2.8%[3][48][62] - **月度胜率**：2024年前8个月月度胜率为75.00%[49] - **年化波动率**：样本外年化波动率为6.77%[49] - **月盈亏比**：样本外月盈亏比为1.91[49] - **Top行业下月收益排名**：2024年前8个月中有5个月的平均名次在前15.5名以内，其中1月和6月的平均名次位于前10名[3][62][54] - **Top行业下月收益位于全行业不同名次出现的次数**：第1名出现4次，前3名共计出现8次，前5名共计出现13次，前10名共计出现20次，前15名共计出现28次[3][62][57] 2024年9月份Top行业 - **Top行业**：石油石化、煤炭、家电、非银行金融、通信以及综合金融等六个行业[3][55][63]

量化因子与构建方式 1. 因子名称："日与夜的殊途同归"新动量因子 - **因子的构建思路**：基于日内与隔夜各自的价量关系，分别对日内因子、隔夜因子进行改进，再重新合成新的动量因子[1][5] - **因子具体构建过程**： 1. 将交易时段切割为日内和隔夜，分别探索各自的价量关系[5] 2. 在日内和隔夜的价量关系基础上，构建新的动量因子[5] 3. 对日内因子和隔夜因子进行改进，并重新合成新的动量因子[1][5] - **因子评价**：选股能力显著优于传统动量因子[1] 因子的回测效果 "日与夜的殊途同归"新动量因子 - 年化收益率：19.39%[1][7] - 年化波动率：8.12%[1][7] - 信息比率（IR）：2.39[1][7] - 月度胜率：79.53%[1][7] - 最大回撤率：9.07%[1][7] 传统动量因子 - 信息比率（IR）：1.09[5] - 月度胜率：62.75%[5] - 最大回撤率：20.35%[5] 8月份"日与夜的殊途同归"新动量因子收益统计 - 10分组多头组合的收益率：-3.31%[1][7] - 10分组空头组合的收益率：-6.01%[1][7] - 10分组多空对冲的收益率：2.70%[1][7]

证券研究报告 金融工程|专题报告 两融资金持续流出，衍生品信号转向空 头—周报 2024 年 9 月 6 日 请务必阅读报告末页的重要声明 glzqdatemark1 2024年09月09日 证券研究报告 |报告要点 宏观环境 Logit 预测值持续降低，目前已处于历史低位；本周企业盈利指数继续下降；银行 景气指数预测值较上周回升明显；各宽基指数估值下降；融资资金本周持续净流出；最新一期 衍生品择时信号为-0.2，市场情绪由多转空；风格轮动模型最新偏好大盘成长；行业轮动组合 本期推荐配置电子、银行、电网设备、有色金属、农产品加工；本周量价因子表现有所回撤， 以遗传规划为基础的中证 500 增强组合本周超额 1.36%。 |分析师及联系人 陆豪 康作宁 陈阅川 SAC：S0590523070001 SAC：S0590524010003 SAC：S0590524050004 请务必阅读报告末页的重要声明 1 / 30 金融工程|专题报告 | --- | --- | |-------------------------------------------------------------------------- ...

量化模型与构建方式 模型名称：股指期货年化贴水率模型 - **模型构建思路**：通过计算股指期货主力合约的年化贴水率，分析市场对未来预期的表现 - **模型具体构建过程**： 1. 计算基差：基差 = 股指期货价格 - 现货指数价格 2. 计算年化贴水率： $$ 年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right) $$ 3. 统计近一年各股指期货主力合约的年化贴水率中位数 4. 计算当日各股指期货主力合约的年化贴水率，并与近一年数据进行对比 - **模型评价**：该模型通过年化贴水率的计算，能够反映市场对于未来预期的表现，具有一定的前瞻性[20][21] 模型的回测效果 - 上证50股指期货主力合约年化贴水率中位数为1.33%，当日年化贴水率为2.83%，处于近一年来31%分位点[21] - 沪深300股指期货主力合约年化贴水率中位数为-0.86%，当日年化贴水率为3.20%，处于近一年来42%分位点[21] - 中证500股指期货主力合约年化贴水率中位数为-5.90%，当日年化贴水率为5.25%，处于近一年来56%分位点[21] - 中证1000股指期货主力合约年化贴水率中位数为-11.18%，当日年化贴水率为5.80%，处于近一年来74%分位点[21]

量化因子与构建方式 1. 因子名称：TPS（Turn20 conformed by PLUS） - **因子的构建思路**：从考察日频换手率稳定性的角度，构造成交价改进换手率因子TPS[2] - **因子具体构建过程**： 1. 计算过去20个交易日的换手率取平均值，进行横截面市值中性化[5] 2. 选取影线差作为价格因子，配合Turn20因子[7] - **因子评价**：TPS因子在回测期内表现优于传统换手率和换手率变化率因子，剔除市场常用风格和行业干扰后，仍具备不错的选股能力[2] 2. 因子名称：SPS（STR conformed by PLUS） - **因子的构建思路**：从考察日频换手率稳定性的角度，构造成交价改进换手率因子SPS[2] - **因子具体构建过程**： 1. 计算过去20个交易日的换手率取平均值，进行横截面市值中性化[5] 2. 选取影线差作为价格因子，配合STR因子[7] - **因子评价**：SPS因子在回测期内表现优于传统换手率和换手率变化率因子，剔除市场常用风格和行业干扰后，仍具备较强的选股能力[2] 因子的回测效果 1. TPS因子 - **年化收益率**：39.52%[1][8] - **年化波动率**：15.70%[1][8] - **信息比率（IR）**：2.52[1][8] - **月度胜率**：77.93%[1][8] - **最大回撤率**：18.03%[1][8] 2. SPS因子 - **年化收益率**：43.43%[1][9] - **年化波动率**：12.70%[1][9] - **信息比率（IR）**：3.42[1][9] - **月度胜率**：83.78%[1][9] - **最大回撤率**：11.60%[1][9]

证券研究报告·金融工程·金工定期报告 金工定期报告 20240905 换手率变化率的稳定 GTR 选股因子绩效月 报 20240831 2024 年 09 月 05 日 [Table_Tag] [Table_Summary] 报告要点 ◼ 换手率变化率的稳定 GTR 因子多空对冲绩效（全市场）：2006 年 1 月 至 2024 年 8 月，换手率变化率的稳定 GTR 因子在全体 $$\mathtt { A }$$ 股中，10 分 组多空对冲的年化收益率为 13.57%，年化波动为 10.30%，信息比率为 1.32，月度胜率为 66.67%，月度最大回撤为 10.81%；纯净优加 TPS_Turbo 因子在全体 A 股中，10 分组多空对冲的年化收益率为 36.54%，年化波 动为 12.99%，信息比率为 2.81，月度胜率为 78.83%，月度最大回撤为 9.86%；纯净优加 SPS_Turbo 因子在全体 A 股中，10 分组多空对冲的年 化收益率为 37.79%，年化波动为 10.69%，信息比率为 3.53，月度胜率 为 81.98%，月度最大回撤为 7.22%。8 月份纯净优加 TPS_Turb ...

量化模型与构建方式 换手率变化率的稳定 GTR 因子 - **因子名称**：换手率变化率的稳定 GTR 因子 - **因子的构建思路**：通过观察换手率波动率高的股票，发现其中一部分换手率稳定增长或下降的股票在未来仍有上涨的可能性，提出了换手率变化率的稳定性指标[2] - **因子具体构建过程**：基于换手率变化率的加速度意义，再加上新因子的稳定性，构建了换手率变化率的稳定 GTR 因子[2] - **因子评价**：新因子从回测指标上来看相对平庸，但其具备的"新"以及能够加强其他换手率因子的特点是其亮点[2] 纯净优加 TPS_Turbo 因子 - **因子名称**：纯净优加 TPS_Turbo 因子 - **因子的构建思路**：使用纯净优加法对因子进行合成增强，得到选股能力优秀的因子[6] - **因子具体构建过程**：使用 GTR 因子对 Turn20 和 STR 做纯净优加，得到 TPS_Turbo 因子[6] 纯净优加 SPS_Turbo 因子 - **因子名称**：纯净优加 SPS_Turbo 因子 - **因子的构建思路**：使用纯净优加法对因子进行合成增强，得到选股能力优秀的因子[6] - **因子具体构建过程**：使用 GTR 因子对 Turn20 和 STR 做纯净优加，得到 SPS_Turbo 因子[6] 因子的回测效果 换手率变化率的稳定 GTR 因子 - **年化收益率**：13.57%[1][6][9] - **年化波动率**：10.30%[1][6][9] - **信息比率（IR）**：1.32[1][6][9] - **月度胜率**：66.67%[1][6][9] - **最大回撤率**：10.81%[1][6][9] 纯净优加 TPS_Turbo 因子 - **年化收益率**：36.54%[1][6][9] - **年化波动率**：12.99%[1][6][9] - **信息比率（IR）**：2.81[1][6][9] - **月度胜率**：78.83%[1][6][9] - **最大回撤率**：9.86%[1][6][9] 纯净优加 SPS_Turbo 因子 - **年化收益率**：37.79%[1][6][9] - **年化波动率**：10.69%[1][6][9] - **信息比率（IR）**：3.53[1][6][9] - **月度胜率**：81.98%[1][6][9] - **最大回撤率**：7.22%[1][6][9] 因子的月度回测效果（2024年8月） 换手率变化率的稳定 GTR 因子 - **多头组合收益率**：-2.39%[1][10] - **空头组合收益率**：-4.39%[1][10] - **多空对冲收益率**：2.00%[1][10] 纯净优加 TPS_Turbo 因子 - **多头组合收益率**：-1.73%[1][11] - **空头组合收益率**：-6.45%[1][11] - **多空对冲收益率**：4.73%[1][11] 纯净优加 SPS_Turbo 因子 - **多头组合收益率**：-1.49%[1][13] - **空头组合收益率**：-5.78%[1][13] - **多空对冲收益率**：4.30%[1][13]

- PEM-VC行业配置模型综合运用"总量"与"边际"思维，优选景气度、超预期与动量边际改善的行业，同时利用估值趋势和拥挤度规避指数下行风险[5][6] - PEM-VC行业轮动复合模型历史绩效从2011年1月至2024年4月，组合年化收益为30.72%，超额年化收益为26.64%[5] - 2024年8月，PEM-VC行业轮动复合模型多头组合为有色金属、电子、机械、农林牧渔、医药，超额收益率分别为0.56%、0.98%、1.14%、1.49%[6] - 2024年9月，PEM-VC行业轮动复合模型多头组合为电力设备及新能源、汽车、石油石化、有色金属、医药[7] - 2024年9月，行业景气度模型排名前五的行业为非银行金融、银行、传媒、电力设备及新能源、电力及公用事业[7] - 2024年9月，业绩超预期模型排名前五的行业为商贸零售、石油石化、电力设备及新能源、轻工制造、汽车[7] - 2024年9月，行业动量模型排名前五的行业为钢铁、电力及公用事业、有色金属、电子、国防军工[7] - 2024年以来，PEM-VC风险规避多头组合相对市场基准超额收益为14.80%[6]