量化模型与构建方式 1. **模型名称：股指分红点位测算模型** - **模型构建思路**：通过精细化处理指数成分股的分红数据，准确预测股指期货合约的升贴水情况，考虑分红对指数点位的影响[12][40] - **模型具体构建过程**： 1. **成分股权重计算**：采用中证指数公司每日披露的日度收盘权重数据，确保权重准确性[48] 2. **分红金额预测**： - 若公司已公布分红金额，直接采用披露值；否则通过净利润 × 股息支付率估算[49] - **净利润预测**：基于历史净利润分布动态预测，分为盈利稳定型（按历史分布规律）和不稳定型（采用上年同期值）[52] - **股息支付率预测**： - 去年分红则沿用去年值； - 去年不分红则取近3年平均； - 从未分红则默认不分红[55] 3. **除息日预测**： - 已公布日期则直接采用； - 未公布则根据预案/决案阶段的历史间隔天数线性外推，或采用默认日期（7月31日/8月31日/9月30日）[58] 4. **分红点数计算**： $$分红点数 = \sum_{n=1}^{N} \left( \frac{成分股分红金额}{成分股总市值} \times 成分股权重 \times 指数收盘价 \right)$$ 要求除息日满足 $t < \tau \leq T$（$\tau$为除息日，$T$为期货到期日）[40] - **模型评价**：对上证50和沪深300指数的预测准确度较高（误差约5点），中证500指数误差稍大（约10点），整体稳定性良好[63] 2. **因子名称：股息率因子** - **因子构建思路**：通过行业股息率比较，识别高股息率行业（如煤炭、银行、钢铁）作为选股或配置参考[2][15] - **因子具体构建过程**： - 计算已披露分红预案个股的股息率（预案分红金额/当前总市值） - 按行业中位数排序，筛选排名靠前的行业[15] - **因子评价**：能够有效反映行业分红吸引力，但需结合分红实施进度动态调整[16] --- 模型的回测效果 1. **股指分红点位测算模型** - **预测误差**： - 上证50指数：全年误差约5点[63] - 沪深300指数：全年误差约5点[63] - 中证500指数：全年误差约10点[63] - **期货合约预测准确性**： - 上证50和沪深300股指期货预测效果最优，中证500稍逊[63] 2. **股息率因子** - **行业股息率中位数**：煤炭、银行、钢铁行业排名前三[15] --- 量化因子与构建方式 1. **因子名称：剩余股息率因子** - **因子构建思路**：衡量指数成分股未来潜在分红能力，辅助判断期货贴水收窄空间[3][17] - **因子具体构建过程**： $$剩余股息率 = \sum_{i=1}^{N_2} \left( \frac{预期分红金额}{总市值} \times 权重 \right)$$ 其中$N_2$为尚未分红的公司数量[17] 2. **因子名称：年化升贴水因子** - **因子构建思路**：反映股指期货合约的升贴水幅度，扣除分红影响后跟踪市场情绪[4][13] - **因子具体构建过程**： $$年化升贴水 = \left( \frac{含分红价差}{指数收盘价} \right) \times \left( \frac{365}{到期天数} \right)$$ 含分红价差 = 合约收盘价 - 指数收盘价 + 分红点数[13] --- 因子的回测效果 1. **剩余股息率因子** - **取值（2025年8月20日）**： - 上证50：0.12% - 沪深300：0.16% - 中证500：0.05% - 中证1000：0.05%[3] 2. **年化升贴水因子** - **主力合约取值（2025年8月20日）**： - IH2509：2.90%（升水） - IF2509：0.91%（升水） - IC2509：-5.76%（贴水） - IM2509：-4.63%（贴水）[4][13] - **历史分位点**： - IH主力合约：82% - IF主力合约：69% - IC主力合约：32% - IM主力合约：39%[28]

根据提供的金融工程日报内容，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：封板率** - **构建思路**：反映涨停股票的封板强度，用于衡量市场情绪[18] - **具体构建过程**： $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘仍涨停的股票占比[18] 2. **因子名称：连板率** - **构建思路**：衡量涨停股票的持续性，反映市场追涨情绪[18] - **具体构建过程**： $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中次日仍涨停的比例[18] 3. **因子名称：大宗交易折价率** - **构建思路**：通过大宗交易折价水平反映大资金对股票的偏好[27] - **具体构建过程**： $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$ 计算当日大宗交易成交价相对于市场价的折价幅度[27] 4. **因子名称：股指期货年化贴水率** - **构建思路**：衡量期货市场对现货指数的预期偏差[29] - **具体构建过程**： $$年化贴水率 = \frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 基差=期货价格-现货价格，年化处理以统一比较口径[29] 因子回测效果 1. **封板率**： - 当日取值79%，近一个月新高（前值70%）[18] 2. **连板率**： - 当日取值22%，较前日下降5%[18] 3. **大宗交易折价率**： - 当日折价率8.83%，近半年均值5.93%[27] 4. **股指期货年化贴水率**： - 上证50：升水1.68%（76%分位） - 沪深300：贴水0.37%（70%分位） - 中证500：贴水5.55%（69%分位） - 中证1000：贴水4.58%（84%分位）[29] 模型评价 - **封板率/连板率**：高频情绪指标，对短期动量策略有参考价值，但易受市场波动影响[18] - **大宗交易折价率**：反映机构交易成本，高折价可能预示短期抛压[27] - **股指期货贴水率**：贴水扩大通常反映市场避险情绪，但需结合基差历史分位判断[29] 注：报告中未提及复合模型或衍生因子，以上均为基础因子构建[18][27][29]

量化模型与构建方式 1. **模型名称**：图表派—基本面派模型 **模型构建思路**：通过做市商与两类投机者（图表派与基本面派）的互动机制，研究股票市场信息效率的局限性，解释恒定错误定价与振荡性错误定价的共存现象[4][21][22] **模型具体构建过程**： - **价格调整规则**：做市商根据超额需求调整价格，公式为 $$P_{t+1}=P_{t}+\alpha(D_{t}^{C}+D_{t}^{F}+D_{t}^{R}-N)$$ 其中，$\alpha$为价格调整参数，$D_{t}^{C}$和$D_{t}^{F}$分别代表图表派与基本面派的需求，$D_{t}^{R}$为非投机需求，$N$为股票总供给[24][26] - **图表派需求**：基于趋势外推，公式为 $$D_{t}^{c}=\beta(P_{t}-P_{t-1})$$ $\beta$为图表派反应系数[27] - **基本面派需求**：仅在风险调整后预期利润为正时交易，分段函数为 $$D_{t}^{F}=\begin{cases}\gamma(F_{t}-P_{t})&\text{if}\ P_{t}-F_{t}>h\\ 0&\text{if}\ \ -h\leq P_{t}-F_{t}\leq h\\ \gamma(F_{t}-P_{t})&\text{if}\ P_{t}-F_{t}<-h\end{cases}$$ $\gamma$为基本面派反应系数，$h$为错误定价阈值[27] - **基本面价值**：服从随机游走，公式为 $$F_{t+1}=F_{t}+\delta_{t}$$ $\delta_{t}\sim N(0,\sigma_{\delta}^2)$[28] **模型评价**：兼容Fama（1970）、Grossman & Stiglitz（1980）和Lo & Farmer（1999）的理论分歧，揭示市场动态复杂性[17][21][85] 2. **模型名称**：映射F（基本面派主导模型） **模型构建思路**：假设基本面派始终活跃，研究股价收敛至基本面价值的条件[31][37] **模型具体构建过程**： - 二维线性映射： $$F\colon\begin{cases}x^{\prime}=(1+b-c)x-by\\ y^{\prime}=x\end{cases}$$ 其中$b=\alpha\beta$，$c=\alpha\gamma$，$x_t=P_t-F_t$[30][31] - 雅可比矩阵特征值分析：稳定性条件为$0<c<2(1+b)$且$0<b<1$[31][38] 3. **模型名称**：映射C（图表派主导模型） **模型构建思路**：研究仅图表派活跃时股价的非基本面固定点收敛[31][43] **模型具体构建过程**： - 二维线性映射： $$C:\begin{cases}x^{\prime}=(1+b)x-by\\ y^{\prime}=x\end{cases}$$ 固定点为45度线连续体，稳定性条件为$0<b<1$[40][43] 模型的回测效果 1. **图表派—基本面派模型**： - **区域R1**（$0<b<1$且$c<2(1-b)$）：股价收敛至非基本面固定点，错误定价恒定[21][66] - **区域R2**（$0<b<1$且$2(1-b)<c<2(1+b)$）：股价收敛至非基本面固定点或产生奇异准周期振荡[22][66] - **区域R3**（$0<b<1$且$c>2(1+b)$）：发散或收敛至非基本面固定点[66] - **区域R4**（$b>1$）：股价轨迹发散[66] 2. **映射F**： - **稳定盒S**内（$0<c<2(1+b)$）：股价收敛至基本面价值（原点）[31][37] - **稳定盒外**：动态发散[38] 3. **映射C**： - **$0<b<1$**：收敛至非基本面固定点，错误定价水平取决于初始条件[43][46] - **$b>1$**：动态发散[43] 量化因子与构建方式 （报告中未明确提及独立因子构建，仅包含模型参数如$\beta$、$\gamma$、$h$等，故跳过此部分） 因子的回测效果 （无相关内容） 关键参数与指标 - **图表派影响力参数**：$b=\alpha\beta$，测试范围$0.00<b<1.10$[53][66] - **基本面派影响力参数**：$c=\alpha\gamma$，测试范围$0.00<c<4.40$[53][66] - **错误定价阈值**：$h=0.05$（归一化后）[46][53] - **动态类型指标**：固定点收敛、奇异准周期振荡、发散[53][66]

根据提供的金融工程日报内容，该报告主要聚焦市场数据统计与监测指标，未涉及量化模型或量化因子的构建与分析。以下为可提取的核心监测指标分类： 市场情绪监测指标 1. **封板率** 构建思路：反映涨停股的封板稳定性 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：69%（较前日下降1%）[16][17] 2. **连板率** 构建思路：衡量涨停股的持续强度 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：27%（较前日下降3%）[16][17] 资金流向监测指标 1. **两融交易占比** 构建思路：量化杠杆资金活跃度 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：11.7%（近一年均值9.2%）[21][23] 2. **大宗交易折价率** 构建思路：监测机构大宗交易成本 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：7.18%（近半年均值5.89%）[25][26] 衍生品市场监测指标 1. **股指期货年化贴水率** 构建思路：反映期货市场预期 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： - 中证1000贴水率9.82%（58%分位） - 沪深300贴水率1.85%（54%分位）[27][30] 注：报告未涉及量化模型/因子构建过程及回测效果，主要为市场监测指标的实时统计[2][3][6][7][9][12][13][16][18][21][22][25][27][34][35]

根据提供的研报内容，该报告主要聚焦于保险资金配置方向的分析，并未涉及量化模型或量化因子的构建与测试。报告的核心内容为保险行业资金运用数据统计和配置趋势分析，具体包括以下要点： 1. **资金运用规模** - 2025年二季度末保险行业资金运用余额达36.23万亿元，同比增长17.4%[3][10] - 人身险公司资金运用余额32.6万亿元（占比90%），财产险公司2.35万亿元[3] 2. **配置结构** - **债券配置**：合计17.87万亿元，占比超51%，同比增加3.72万亿元[3][15] - 人身险公司债券投资16.92万亿元[19] - 财产险公司债券投资9454.5亿元[27] - **股票配置**：合计3.07万亿元，占比近9%，同比增速47.57%[4][15] - 人身险公司股票投资2.87万亿元（占比8.8%）[19] - 财产险公司股票投资1955亿元（占比8%）[27] 3. **历史趋势** - 股票配置余额与占比均达2022年二季度以来高点[4][15] - 人身险公司股票配置占比同比提升1.8个百分点[19] - 财产险公司股票配置占比同比提升1.84个百分点[27] 注：报告中未提及任何量化模型或因子相关内容，故不输出相关模块。所有数据引用自保险监管披露的公开信息[3][4][15][19][27]

量化因子与构建方式 1. **因子名称**：价格区间因子 - **构建思路**：衡量股票在日内不同价格区间成交的活跃程度，反映投资者对未来走势的预期[12] - **具体构建过程**： 1. 使用高频快照数据提取高价格80%区间成交量因子（VH80TAW）、高价格80%区间成交笔数因子（MIH80TAW）和低价格10%区间每笔成交量因子（VPML10TAW） 2. 按25%、25%、50%权重合成因子 3. 对合成因子进行行业市值中性化处理[12][14] - **因子评价**：样本外表现稳定，超额收益曲线持续向上[17] 2. **因子名称**：量价背离因子 - **构建思路**：通过价格与成交量的相关性衡量市场情绪，低相关性预示未来上涨概率更高[22] - **具体构建过程**： 1. 计算快照成交价与成交笔数的相关性（CorrPMW）、成交价与成交量的相关性（CorrPVW） 2. 对两个细分因子等权合成 3. 进行行业市值中性化处理[22][25] - **因子评价**：近年收益趋平但今年以来表现回升[26] 3. **因子名称**：遗憾规避因子 - **构建思路**：基于行为金融学理论，捕捉投资者卖出后股价反弹的规避情绪[27] - **具体构建过程**： 1. 使用逐笔数据计算卖出反弹占比因子（LCVOLESW）和卖出反弹偏离因子（LCPESW） 2. 等权合成后做行业市值中性化[30][33] - **因子评价**：样本外超额收益稳定，但今年以来表现一般[36] 4. **因子名称**：斜率凸性因子 - **构建思路**：通过订单簿斜率和凸性分析供需弹性，反映投资者价格敏感度[37] - **具体构建过程**： 1. 提取低档位买方斜率因子（Slope_abl）和高档位卖方凸性因子（Slope_alh） 2. 等权合成并做行业市值中性化[39][40] - **因子评价**：2016年后收益平稳但样本外表现平淡[42] --- 量化模型与构建方式 1. **模型名称**：高频"金"组合中证1000指数增强策略 - **构建思路**：将价格区间、量价背离、遗憾规避因子等权合成构建增强策略[3] - **具体构建过程**： 1. 周频调仓，单边手续费率0.2% 2. 加入换手率缓冲机制控制成本 3. 基准为中证1000指数[44][45] 2. **模型名称**：高频&基本面共振组合中证1000指数增强策略 - **构建思路**：结合高频因子与基本面因子（一致预期、成长、技术因子）提升表现[49] - **具体构建过程**： 1. 高频因子与基本面因子等权合成 2. 相同调仓频率和风控机制[50][51] --- 因子的回测效果 | 因子名称 | 上周多头超额 | 本月多头超额 | 今年以来多头超额 | 多空收益率（今年以来） | |------------------|--------------|--------------|-------------------|------------------------| | 价格区间因子 | 0.40%[13] | 0.51%[13] | 5.86%[13] | 13.69%[13] | | 量价背离因子 | -0.24%[13] | 1.53%[13] | 9.00%[13] | 16.21%[13] | | 遗憾规避因子 | 0.27%[13] | -0.49%[13] | 2.32%[13] | 12.41%[13] | | 斜率凸性因子 | -1.74%[2] | -2.46%[2] | -5.90%[2] | -12.37%[39] | --- 模型的回测效果 | 模型名称 | 年化超额收益 | 跟踪误差 | IR | 超额最大回撤 | |------------------------------------|--------------|----------|-------|--------------| | 高频"金"组合增强策略 | 10.51%[45] | 4.25%[45]| 2.47[45] | 6.04%[45] | | 高频&基本面共振组合增强策略 | 14.57%[51] | 4.16%[51]| 3.50[51] | 4.52%[51] |

量化模型与构建方式 1. **模型名称**：市值分域的线性回归模型 - **模型构建思路**：通过市值分组加权回归方法构建复合因子，适配不同市值选股域的表现差异[7] - **模型具体构建过程**： 1. 将全市场股票按市值对数分为11组（KMedian聚类） 2. 采用分组加权回归，权重公式： $$w_{i}=w_{b a s e}+(1-w_{b a s e})*|i-I|/n$$ 其中： - \(w_{base}\)为最小权数（取0.9、0.5、0三种情况） - \(n=11\)为分组数 - \(I\)为最大权重分组（从1到11循环测试） 3. 对5类子因子（分红、ROE_SUE、日度量价、高频量价、复合因子）分别采用OLS回归系数IR加权复合[7][10] 2. **模型名称**：风格因子加权复合模型 - **模型构建思路**：基于市值、估值、价值-成长指标、行业等多风格因子聚类加权，提升因子在不同风格域的适应性[98] - **模型具体构建过程**： 1. 对5类风格因子（市值、市值三次方、估值、价值-成长指标、行业）进行曼哈顿距离聚类，分为11组 2. 价值-成长指标计算： - 价值指标：分析师一致预期市盈率+市净率+市销率+市现率+预期分红 - 成长指标：盈利增长+历史市值增长率+利润增长率+净现金流增长率+营收增长率 - 最终指标为两者相减[98] 3. 行业合并为TMT、上游、中游、消费、金融、综合六类，跨类时曼哈顿距离贡献为聚类数[98] 4. 采用与市值分域类似的交叉复合加权方法构建因子 --- 量化因子与构建方式 1. **因子名称**：分红因子 - **因子构建思路**：结合股息率与分红虚拟变量，反映基本面分红能力[10] - **因子具体构建过程**：由股息率因子与是否有分红的虚拟变量线性回归复合[10] 2. **因子名称**：ROE_SUE因子 - **因子构建思路**：综合ROE和SUE指标，反映盈利质量与增长[10] - **因子具体构建过程**：由ROE、SUE及对应的虚拟变量线性回归复合[10] 3. **因子名称**：日度量价因子 - **因子构建思路**：捕捉短期量价特征[10] - **因子具体构建过程**：由换手率、反转、特质波动、非流动性四个因子复合[10] 4. **因子名称**：高频量价因子 - **因子构建思路**：利用高频数据捕捉微观结构信号[10] - **因子具体构建过程**：由10个手工高频因子复合（具体因子未列明）[10] --- 模型的回测效果 1. **市值分域线性回归模型**（全市场测试，2017.01-2025.07） - **IC**：0.057（等权）→0.058（base_w=0.5）[8][9] - **Rank MAE**：1.090（等权）→1.089（base_w=0.5）[8][9] - **多空收益**：1.07%（等权）→1.08%（base_w=0.9）[11] - **多头收益**：0.33%（等权）→0.31%（base_w=0）[11] 2. **风格因子加权模型**（沪深300增强，严约束） - **年化超额收益**：5.83%（等权）→7.36%（base_w=0交叉复合）[103] - **IR**：0.804（等权）→0.901（base_w=0交叉复合）[103] - **最大回撤**：14.99%（等权）→16.33%（base_w=0交叉复合）[103] --- 因子的回测效果 1. **分红因子**（全市场IC，2017.01-2025.07） - **IC**：0.006（等权）→0.007（base_w=0）[13][14] 2. **ROE_SUE因子**（全市场IC） - **IC**：0.020（等权）→0.021（base_w=0.5）[15][16] 3. **日度量价因子**（全市场IC） - **IC**：0.042（等权）→0.044（base_w=0）[17][18] 4. **高频量价因子**（全市场IC） - **IC**：0.035（等权）→0.037（base_w=0.5）[19][20] --- 关键结论 - **市值加权效果**： - 沪深300增强中，极端大市值加权（base_w=0）提升年化超额1%以上[49][97] - 中证500增强中，base_w=0.5交叉复合效果最佳（年化超额15.06%）[92] - **风格因子加权局限性**：对中证1000增强效果不显著，仅严约束组合年化提升1%[132][141]

量化模型与构建方式 1. **模型名称**：通信相对指数趋势跟踪模型 **模型构建思路**：模型假设标的价格走势具有局部延续性，趋势持续时间大于反转行情持续时间，窄幅盘整时延续之前趋势。通过观察窗口内的价格变动方向判断趋势，排除随机波动影响[3] **模型具体构建过程**： - 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ - 计算T-20日至T日（不含）的波动率Vol（未说明具体计算方法） - 趋势判断规则： - 若$$|del| > N \times Vol$$（取N=1），则认为形成新趋势，方向与del符号一致 - 若$$|del| \leq N \times Vol$$，则延续T-1日趋势方向[3] **模型评价**：在趋势明显阶段表现较好，但长期回撤较大，不适合直接用于申万通信指数相对值[4] 模型的回测效果 1. **通信相对指数趋势跟踪模型**： - 区间年化收益：-6.09% - 波动率（年化）：24.89% - 夏普率：-0.24 - 最大回撤：28.93% - 指数期间总回报率：46.86%[3] （注：报告中未涉及量化因子相关内容，故不输出该部分）

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 构建思路：通过统计涨停股票的封板情况来反映市场情绪[17] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 统计上市满3个月以上的股票，计算当日最高价涨停且收盘涨停的比例[17] 2. **连板率模型** - 构建思路：衡量连续涨停股票的持续性[17] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股票中今日继续涨停的比例[17] 3. **大宗交易折价率模型** - 构建思路：通过大宗交易折价反映大资金情绪[26] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ 计算近半年日均折价率及单日偏离值[26] 4. **股指期货年化贴水率模型** - 构建思路：量化期现价差反映市场预期[28] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \left(\frac{250}{合约剩余交易日数}\right)$$ 分别计算上证50、沪深300、中证500、中证1000主力合约的年化贴水率及历史分位数[28] 量化因子与构建方式 1. **两融余额占比因子** - 构建思路：反映杠杆资金活跃度[22] - 具体构建过程： 计算两融余额占流通市值比重（公式未明确给出，但逻辑为余额/流通市值）[22] 2. **ETF折溢价因子** - 构建思路：捕捉场内交易情绪偏差[23] - 具体构建过程：筛选日成交额超100万的股票型ETF，计算场内价格与净值偏离幅度[23] 模型的回测效果 1. **封板率模型** - 当日封板率70%，较前日下降3%[17] 2. **连板率模型** - 当日连板率30%，较前日下降5%[17] 3. **大宗交易折价率模型** - 近半年平均折价率5.86%，当日折价率8.44%[26] 4. **股指期货年化贴水率模型** - 上证50升水率3.50%（90%分位） - 沪深300贴水率0.40%（70%分位） - 中证500贴水率9.40%（49%分位） - 中证1000贴水率7.66%（70%分位）[28] 因子的回测效果 1. **两融余额占比因子** - 当前占比2.3%，近一年中枢2.3%[22] 2. **ETF折溢价因子** - 科创板成长ETF溢价9.41%，全指现金流ETF折价1.01%[23] 注：报告未包含对模型/因子的定性评价，故未列出相关部分。所有指标均为20250815或20250818最新数据[17][22][23][26][28]

量化模型与构建方式 1. **模型名称**：CCBA定价偏离度模型 **模型构建思路**：用于衡量转债市场估值水平，通过计算转债价格与CCBA模型定价的偏离程度来判断市场高估或低估区间[6] **模型具体构建过程**： - 定价偏离度公式：$$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{CCBA模型定价}} - 1 $$ - 根据历史分位数划分估值区间（如[4%,Inf)为高估区间），并统计不同区间内未来中证转债的平均收益率与胜率[6][11] **模型评价**：有效识别转债市场极端估值状态，为择时提供参考[6] 2. **模型名称**：转债&股债组合轮动策略 **模型构建思路**：通过转债估值分数动态调整转债与股债组合的配置权重[21] **模型具体构建过程**： - 计算Z值：$$ Z = \frac{\text{定价偏离度}}{\text{过去3年标准差}} $$，按±1.5倍标准差截尾后归一化 - 转债权重公式：$$ \text{转债权重} = 50\% + 50\% \times \text{分数} $$，剩余配置50%国债+50%中证1000指数[21][24] 3. **模型名称**：低估值策略（CCB_out模型） **模型构建思路**：筛选定价偏离度最低的转债构建组合，结合分域择时增强收益[33] **模型具体构建过程**： - 定价偏离度公式：$$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{CCB_out模型定价}} - 1 $$ - 在偏债/平衡/偏股分域中各选15只偏离度最低的转债（余额>3亿，评级≥AA-）[33] - 根据分域相对估值动态调整权重[33] 4. **模型名称**：低估值+强动量策略 **模型构建思路**：在低估值策略基础上加入正股动量因子[36] **模型具体构建过程**： - 动量因子：正股过去1/3/6个月动量等权打分[36] - 组合构建与低估值策略相同，但加入动量筛选[36] 5. **模型名称**：低估值+高换手策略 **模型构建思路**：在低估转债池中筛选高换手标的[40] **模型具体构建过程**： - 先选择市场低估的50%转债 - 使用转债换手率（5/21日）及转债/股票换手率比率筛选高热度标的[40][42] 6. **模型名称**：信用债替代策略 **模型构建思路**：通过YTM比较筛选转债替代信用债[48] **模型具体构建过程**： - 筛选条件：转债YTM+1% > 3年期AA级信用债YTM - 组合构建：选正股1个月动量最强的20只转债，个券权重≤2%，剩余配置信用债[48] --- 量化因子与构建方式 1. **因子名称**：定价偏离度因子 **因子构建思路**：反映转债价格相对于理论定价的溢价水平[6][33] **因子具体构建过程**： - 基于CCBA或CCB_out模型计算：$$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{模型定价}} - 1 $$[6][33] 2. **因子名称**：正股动量因子 **因子构建思路**：捕捉正股趋势对转债价格的带动效应[36] **因子具体构建过程**： - 计算正股过去1/3/6个月收益率，等权综合打分[36] 3. **因子名称**：转债换手率因子 **因子构建思路**：衡量市场交易热度[40][42] **因子具体构建过程**： - 包括5日/21日转债换手率及转债/股票换手率比率[42] --- 模型的回测效果 1. **低估值策略**（2018-2025） - 年化收益：23.0% | 年化波动：13.5% | 最大回撤：15.6% | 超额收益：11.9% | IR：2.08[34] 2. **低估值+强动量策略**（2018-2025） - 年化收益：25.4% | 年化波动：14.2% | 最大回撤：11.9% | 超额收益：14.0% | IR：2.32[40] 3. **低估值+高换手策略**（2018-2025） - 年化收益：25.2% | 年化波动：15.2% | 最大回撤：15.9% | 超额收益：13.9% | IR：2.20[44] 4. **信用债替代策略**（2018-2025） - 年化收益：7.5% | 年化波动：2.1% | 最大回撤：2.8%[52] 5. **波动率控制策略**（2018-2025） - 年化收益：10.2% | 年化波动：4.4% | 最大回撤：4.2%[56] --- 因子的回测效果 1. **定价偏离度因子** - 在[4%,Inf)高估区间，中证转债未来半年平均收益：-2.9%，胜率0%[6][13] - 偏股转债在高估区间回撤显著大于平衡/偏债转债[18][20] 2. **正股动量因子** - 低估值+强动量策略年化超额收益达14.0%，显著优于纯低估值策略[40] 3. **换手率因子** - 低估值+高换手策略2023年超额收益9.6%，波动率8.7%[44]