量化模型与构建方式 1. 模型名称：动态宏观事件股债配置策略模型 - **模型构建思路**：基于动态宏观事件因子，通过收益率胜率筛选宏观指标，构建择时净值曲线，并结合开仓波动调整收益率来评估择时效果，最终形成宏观择时模块[50][42][52] - **模型具体构建过程**： 1. 使用收益率胜率对宏观指标每期因子事件进行筛选，构建每个宏观指标的择时净值曲线[50] 2. 通过开仓波动调整收益率，确定宏观指标择时效果，结合滚动时间窗口和数据处理方式进行评价[50] 3. 构建宏观择时模块后，衍生出三类不同风险等级的股债轮动模型： - **进取型**：股票仓位变动范围为0%-100%，根据股指择时模型的股票仓位分配，剩余仓位分配给债券[52] - **稳健型**：基于风险预算模型，权益风险贡献度为90%-100%，具体变动数值为90%+(100%-90%)*股指择时模型的股票仓位[52] - **保守型**：基于风险预算模型，权益风险贡献度为60%-90%，具体变动数值为60%+(90%-60%)*股指择时模型的股票仓位[52] - **模型评价**：模型通过动态宏观因子择时，能够适应不同风险偏好的投资者需求，且历史表现优于基准[44][49] --- 模型的回测效果 1. 进取型模型 - **年化收益率**：20.54%[49] - **年化波动率**：14.54%[49] - **最大回撤**：-13.72%[49] - **夏普比率**：1.29[49] - **收益回撤比**：1.50[49] - **年初至今收益率**：1.63%[49] 2. 稳健型模型 - **年化收益率**：11.19%[49] - **年化波动率**：8.43%[49] - **最大回撤**：-6.77%[49] - **夏普比率**：1.17[49] - **收益回撤比**：1.65[49] - **年初至今收益率**：2.16%[49] 3. 保守型模型 - **年化收益率**：6.08%[49] - **年化波动率**：3.27%[49] - **最大回撤**：-3.55%[49] - **夏普比率**：1.49[49] - **收益回撤比**：1.71[49] - **年初至今收益率**：2.04%[49] --- 量化因子与构建方式 1. 因子名称：经济增长因子 - **因子的构建思路**：通过多个经济增长相关指标的信号强度综合打分，形成经济增长因子[42][46] - **因子具体构建过程**： 1. 选取经济增长相关指标，包括M1同比、工业增加值同比、国债利差10Y-1M、发电量环比等[42][53] 2. 对每个指标进行数据处理（如原始数据、X13季调、HP滤波等）[53] 3. 滚动窗口长度根据指标特性设定（如M1同比为84个月，工业增加值同比为72个月）[53] 4. 综合各指标信号，形成经济增长因子[42][46] - **因子评价**：经济增长因子能够较好地反映宏观经济的扩张或收缩趋势，为资产配置提供有效参考[42][46] 2. 因子名称：货币流动性因子 - **因子的构建思路**：通过货币流动性相关指标的信号强度综合打分，形成货币流动性因子[42][46] - **因子具体构建过程**： 1. 选取货币流动性相关指标，包括M1-M2剪刀差、中美国债利差10Y、中国国债与美国TIPs利差10年、银行间质押利率7天等[42][53] 2. 对每个指标进行数据处理（如原始数据、X13季调、HP滤波等）[53] 3. 滚动窗口长度根据指标特性设定（如M1-M2剪刀差为72个月，中国国债与美国TIPs利差10年为96个月）[53] 4. 综合各指标信号，形成货币流动性因子[42][46] - **因子评价**：货币流动性因子能够有效捕捉市场流动性变化，为资产配置提供重要参考[42][46] --- 因子的回测效果 1. 经济增长因子 - **信号强度**：50%（6月）[42][45] - **细分指标信号**： - M1同比：看多[42][46] - 发电量环比：看多[42][46] - 工业增加值同比：看空[42][46] - 国债利差10Y-1M：看空[42][46] 2. 货币流动性因子 - **信号强度**：0%（6月）[42][45] - **细分指标信号**： - M1-M2剪刀差：看空[42][46] - 中美国债利差10Y：看空[42][46] - 中国国债与美国TIPs利差10年：看空[42][46] - 银行间质押利率7天：看空[42][46]

量化模型与构建方式 绩优重仓股与调研共振增强策略 - **模型名称**：绩优重仓股与调研共振增强策略 - **模型构建思路**：通过基金Alpha因子筛选出绩优基金，结合调研数据，选出过去一个季度被调研过的重仓股，构建共振股池[1][9] - **模型具体构建过程**： 1. 在每一个构建时间点，通过基金Alpha因子筛选出绩优基金 2. 根据绩优基金计算其穿透重仓股股池 3. 将透重仓股股池与调研数据相结合，选出过去一个季度被调研过的重仓股，得到绩优基金重仓股与调研共振股池[9] 4. 在10%Alpha普通股票型行业中性基金调研共振池中，每期取因子排名最靠前的15只股票等权持仓，交易费率设置为千分之三[16] - **模型评价**：共振股池收益对比偏股混合型基金指数超额收益并不明显，但相对于各类宽基指数超额显著[10] 自主可控概念量化优选策略 - **模型名称**：自主可控概念量化优选策略 - **模型构建思路**：通过对成长、质量、技术和动量大类因子进行测试并结合基本面财务指标的逻辑筛选判断，构建增强因子[2][24] - **模型具体构建过程**： 1. 对5大类因子进行测试并结合基本面财务指标的逻辑筛选判断 2. 发现成长、质量、技术和动量大类的因子在自主可控概念股中对收益有一定预测作用 3. 通过合成的方式构建增强因子 4. 每月末最后一个交易日选取排名前因子得分前20%的股票，以等权方式构建持仓组合，手续费取千分之三[24][29] - **模型评价**：增强因子在自主可控概念股票池的收益预测方面具有显著效果[24] 国证2000指数增强策略 - **模型名称**：国证2000指数增强策略 - **模型构建思路**：基于大小盘选股逻辑差异，筛选出更适合微盘股的选股因子，构建指数增强策略[33] - **模型具体构建过程**： 1. 筛选出技术、反转、特异波动率等因子 2. 将波动率因子对技术和反转因子做回归求残差，得到相对独立的波动率因子 3. 将各大类因子等权合成并进行行业市值中性化，构建国证2000增强因子 4. 每月月底取因子值排名前10%的股票买入调仓，以等权方式构建多头组合，手续费率假设为单边千分之二[34][35][41] - **模型评价**：该因子的IC均值达到12.99%，T统计量为12.73，有良好的预测效果[35] 基于多目标、多模型的机器学习指数增强策略 - **模型名称**：GBDT+NN机器学习指数增强策略 - **模型构建思路**：选取GBDT和NN两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合[47] - **模型具体构建过程**： 1. 选取GBDT和NN两大类模型 2. 选取不同的特征数据集进行分别训练 3. 使用多种预测标签进行对比并融合，构建GBDT+NN机器学习选股因子 4. 每月月初调仓，假定手续费率单边千二[47][52] - **模型评价**：在A股各类宽基指数上表现优异[47] 模型的回测效果 绩优重仓股与调研共振增强策略 - **年化收益率**：19.88% - **年化波动率**：29.75% - **夏普比率**：0.67 - **最大回撤**：59.89% - **双边换手率（季度）**：154.77% - **年化超额收益率**：5.29% - **跟踪误差**：10.86% - **信息比率**：0.53 - **超额最大回撤**：20.69% - **5月收益率**：-18.40% - **5月超额收益率**：-5.50%[20] 自主可控概念量化优选策略 - **年化收益率**：30.36% - **年化波动率**：27.03% - **夏普比率**：1.12 - **最大回撤**：47.15% - **双边换手率（月度）**：105.45% - **年化超额收益率**：13.91% - **跟踪误差**：10.84% - **信息比率**：1.26 - **超额最大回撤**：14.12% - **5月收益率**：-5.99% - **5月超额收益率**：-3.29%[32] 国证2000指数增强策略 - **年化收益率**：22.79% - **年化波动率**：23.94% - **夏普比率**：0.95 - **最大回撤**：42.49% - **双边换手率（月度）**：66.68% - **年化超额收益率**：15.19% - **跟踪误差**：7.19% - **信息比率**：2.11 - **超额最大回撤**：10.19% - **5月收益率**：-0.74% - **5月超额收益率**：1.75%[45] GBDT+NN沪深300指数增强策略 - **年化收益率**：15.18% - **年化波动率**：21.03% - **Sharpe比率**：0.72 - **最大回撤率**：38.75% - **平均换手率（双边）**：97.89% - **年化超额收益率**：14.93% - **跟踪误差**：4.07% - **信息比率**：3.67 - **超额最大回撤**：2.87% - **本月收益率**：1.61% - **本月超额收益率**：2.27% - **今年以来收益率**：9.20% - **今年以来超额收益率**：4.45%[53] GBDT+NN中证500指数增强策略 - **年化收益率**：17.71% - **年化波动率**：24.07% - **Sharpe比率**：0.74 - **最大回撤率**：43.20% - **平均换手率（双边）**：123.90% - **年化超额收益率**：19.08% - **跟踪误差**：5.19% - **信息比率**：3.68 - **超额最大回撤**：8.39% - **本月收益率**：-2.73% - **本月超额收益率**：-0.28% - **今年以来收益率**：0.45% - **今年以来超额收益率**：2.01%[57] GBDT+NN中证1000指数增强策略 - **年化收益率**：27.53% - **年化波动率**：26.41% - **Sharpe比率**：1.04 - **最大回撤率**：45.72% - **平均换手率（双边）**：141.81% - **年化超额收益率**：31.21% - **跟踪误差**：6.04% - **信息比率**：5.17 - **超额最大回撤**：4.33% - **本月收益率**：-0.66% - **本月超额收益率**：1.91% - **今年以来收益率**：0.91% - **今年以来超额收益率**：9.94%[62]

量化模型与构建方式 1. 模型名称：CINDA-VIX（基于平值合约隐含波动率的方法） - **模型构建思路**：通过平值期权的隐含波动率，计算市场对未来波动率的预期[22] - **模型具体构建过程**： 1. 清洗每日期权收盘价格数据，对于无成交量的合约使用结算价替代[22] 2. 根据期权平价公式和清洗后的价格数据，计算每个行权价对应的合成期货价格[22] 3. 将合成期货价格代入Black-Scholes（BS）公式，计算每个合约的隐含波动率[22] 4. 获取同一到期时间的合约行权价与隐含波动率曲线，提取平值位置的隐含波动率（IV_ATM）[22] 5. 对不同到期时间的IV_ATM进行插值，得到不同天数的VIX指数值（如30天、60天、90天、120天）[22] - **模型评价**：该方法简单直观，但仅考虑平值期权，可能忽略了虚值期权的市场信息[41] 2. 模型名称：CINDA-VIX（基于方差互换的方法） - **模型构建思路**：通过方差互换定价方法，综合考虑不同行权价的期权价格，计算市场对未来波动率的预期[24][27] - **模型具体构建过程**： 1. 假设标的资产价格服从布朗运动，推导出波动率的计算公式[27][28][31] 2. 引入看涨与看跌期权的收益特征，结合风险中性测度，推导出波动率的期望值公式[32][34] 3. 离散化公式，得到优化后的VIX计算公式： $$ VIX^2 = \frac{2}{T} \sum_{i} \frac{\Delta k_{i}}{k_{i}^2} e^{rT} Q(K_{i}) - \frac{1}{T} \left[\frac{F_{0}}{K_{0}} - 1\right]^2 $$[37] 4. 对期权合约数量不足的情况进行虚拟填充，优化计算精度[39] 5. 将不同到期时间的波动率加权，得到最终的VIX值[40] - **模型评价**：相比平值合约方法，该方法考虑了更多的期权合约，包含了更丰富的市场信息，且规避了模型风险[36][41] 3. 模型名称：CINDA-SKEW - **模型构建思路**：通过期权隐含波动率的偏斜程度，衡量市场对标的资产未来收益分布的预期[43] - **模型具体构建过程**： 1. 选择所需期权的到期时间，剔除剩余到期日少于7天的合约[45] 2. 计算每个到期时间期权的偏度值，公式为： $$ S = \frac{E[R^3] - 3E[R]E[R^2] + 2E[R]^3}{(E[R^2] - E[R]^2)^{3/2}} $$[45] 3. 对不同到期时间的偏度值加权，得到最终的SKEW值[48] 4. 进行线性转换，公式为： $$ SKEW = 100 - 10 \times S $$[44] - **模型评价**：SKEW指数能够捕捉市场对极端风险事件的预期，是对VIX指数的有力补充[94] 4. 模型名称：PCR（成交量PCR、持仓量PCR、成交额PCR） - **模型构建思路**：通过看涨与看跌期权的成交量、持仓量和成交额的比值，反映市场多空力量的强弱[52][54][56] - **模型具体构建过程**： - **成交量PCR**： $$ 成交量PCR = \frac{\text{看跌期权成交量}}{\text{看涨期权成交量}} $$[52] - **持仓量PCR**： $$ 持仓量PCR = \frac{\text{看跌期权持仓量}}{\text{看涨期权持仓量}} $$[54] - **成交额PCR**： $$ 成交额PCR = \frac{\text{看跌期权成交额}}{\text{看涨期权成交额}} $$[56] - **模型评价**：成交量PCR对市场情绪的变化较为敏感，持仓量PCR更稳定，适合捕捉长期趋势，成交额PCR能过滤投机者的噪音信息[53][55][58] 5. 模型名称：波动率溢价指标（VRP） - **模型构建思路**：通过期权隐含波动率（VIX）与标的已实现波动率（RV）的差值，衡量市场的风险溢价水平[64] - **模型具体构建过程**： $$ VRP = VIX - RV $$[64] - **模型评价**：当VRP较高时，代表市场避险需求大，投资者预期未来风险较高[66] 6. 模型名称：波动率跨期价差 - **模型构建思路**：通过不同期限的VIX差值，反映市场对短期和长期风险的不同预期[67] - **模型具体构建过程**： $$ 波动率跨期价差 = VIX_{短期} - VIX_{长期} $$[67] - **模型评价**：该指标能够展现VIX的期限结构，是对VIX指数的进一步补充[67] --- 模型的回测效果 1. CINDA-VIX（基于平值合约隐含波动率的方法） - **相关性**：与标的指数呈现负相关性，相关系数为-0.60[74] - **案例**：2024年1月2日至2月5日，中证1000指数下跌期间，CINDA-1000VIX从19.10上升至48.04[75] 2. CINDA-VIX（基于方差互换的方法） - **对比**：与平值合约方法相比，方差互换方法计算的VIX值更高，包含更多市场信息[41] 3. CINDA-SKEW - **案例1**：2023年10月26日，SKEW=100.81，波动率曲线接近无偏斜状态[85] - **案例2**：2023年10月23日，SKEW=98.64，波动率曲线出现正偏特征[89] - **案例3**：2024年3月21日，SKEW=104.71，波动率曲线出现负偏特征[91] 4. PCR指标 - **持仓量PCR**：上证50ETF期权上市至今，均值为0.81，与标的指数呈正相关[96] - **成交额PCR**：上证50ETF期权上市至今，均值为0.89，与标的指数呈负相关[99] 5. 波动率溢价指标（VRP） - **均值**：上证50ETF期权的VRP长期维持在8.4的水平[80] 6. 波动率跨期价差 - **表现**：短期VIX急速升高时，波动率跨期价差增加，反映市场短期避险需求快速增加[67]

量化模型与构建方式 增强策略ETF模型 - **模型名称**：增强策略ETF模型 - **模型构建思路**：通过量化选股和优化组合策略，增强指数型ETF的收益表现，力求在跟踪指数的基础上实现超额收益[23][24] - **模型具体构建过程**： 1. 选取目标指数作为基准，例如中证500、中证1000、沪深300等[23] 2. 应用量化选股模型，结合因子分析（如基本面因子、技术面因子等）筛选股票[23] 3. 通过优化算法构建投资组合，确保组合的风险收益特征与目标指数相符，同时实现超额收益[23] 4. 定期调整组合权重，动态优化以适应市场变化[23] - **模型评价**：增强策略ETF模型通过量化手段实现了对基准指数的超额收益，表现出较强的收益增强能力[24] 增强指数型基金模型 - **模型名称**：增强指数型基金模型 - **模型构建思路**：通过量化策略优化指数基金的投资组合，力求在跟踪指数的基础上实现超额收益[33] - **模型具体构建过程**： 1. 选取目标指数作为基准，例如沪深300、中证500、中证1000等[33] 2. 应用量化选股策略，结合多因子模型筛选优质股票[33] 3. 通过优化算法调整权重，构建增强型投资组合[33] 4. 定期再平衡组合，确保与市场动态保持一致[33] - **模型评价**：增强指数型基金模型在多个指数类别中均表现出色，尤其在中证1000指数中，超额收益率显著[33] --- 模型的回测效果 增强策略ETF模型 - 景顺长城中证500增强策略ETF，上周超额收益率0.40%，2024年以来超额收益率4.65%，近一年超额收益率7.68%[25] - 招商中证500增强策略ETF，上周超额收益率0.46%，2024年以来超额收益率7.00%，近一年超额收益率12.28%[25] - 博时中证1000增强策略ETF，上周超额收益率0.63%，2024年以来超额收益率2.95%，近一年超额收益率7.11%[25] 增强指数型基金模型 - 国泰君安沪深300指数增强A，上周超额收益率0.59%，近一年超额收益率4.32%[34] - 博道中证500指数增强A，上周超额收益率0.64%，近一年超额收益率5.89%[34] - 博时中证1000指数增强A，上周超额收益率1.14%，近一年超额收益率11.74%[34] - 鹏华国证2000指数增强A，上周超额收益率0.79%，近一年超额收益率7.62%[34]

量化因子与构建方式 1. 因子名称：量稳换手率因子（STR） - **因子的构建思路**：从考察“日频换手率稳定性”的角度出发，构造了量稳换手率因子（STR，The Stability of Turnover Rate），以衡量股票换手率的稳定性，旨在改进传统换手率因子的不足[1][8] - **因子具体构建过程**： 1. 使用日频数据，计算每只股票的日换手率 2. 参考换手率分布均匀度（UTD）因子的研究思路，重点考察换手率的稳定性 3. 构造STR因子，具体计算公式未在报告中明确列出，但其核心在于衡量换手率的稳定性，而非绝对值或变化率[8] - **因子评价**：STR因子计算过程简单，且在回测中表现优异，显著优于传统换手率因子和换手率变化率因子[1][8] 2. 因子名称：传统换手率因子（Turn20） - **因子的构建思路**：基于过去20个交易日的日均换手率，衡量股票的流动性特征[6] - **因子具体构建过程**： 1. 每月月底计算每只股票过去20个交易日的日均换手率 2. 对换手率数据进行市值中性化处理，以剔除市值对因子的干扰[6] - **因子评价**：传统换手率因子表现较好，但其逻辑存在缺陷。例如，在换手率最大的分组中，组内股票的未来收益差异较大，可能导致误判[6][7] --- 因子的回测效果 1. 量稳换手率因子（STR） - 年化收益率：41.49%[9][14] - 年化波动率：14.38%[9][14] - 信息比率（IR）：2.89[9][14] - 月度胜率：77.73%[9][14] - 最大回撤率：9.96%[9][14] 2. 传统换手率因子（Turn20） - 年化收益率：33.41%[6] - 年化波动率：未提及 - 信息比率（IR）：1.90[6] - 月度胜率：71.58%[6] - 最大回撤率：未提及 --- 其他补充信息 - **STR因子与传统因子的对比**：在回测期内（2006/01-2021/04），STR因子的表现显著优于传统换手率因子（Turn20），尤其在年化收益率、信息比率和月度胜率等指标上均有明显提升[1][6][9] - **STR因子多空对冲的月度表现**：2024年5月，STR因子在全体A股中，10分组多空对冲的收益率为1.35%，多头组合收益率为-1.60%，空头组合收益率为-2.95%[12]

量化因子与构建方式 1. 因子名称：换手率分布均匀度（UTD）因子 - **因子的构建思路**：基于分钟成交量数据，改进传统换手率因子，构造换手率分布均匀度因子（UTD），以减弱对股票样本的误判程度，并提升选股效果[1][6] - **因子具体构建过程**： 1. 收集个股的分钟成交量数据 2. 计算换手率分布的均匀度，具体方法未在报告中详细列出 3. 对因子值进行分组，形成10分组多空对冲组合[1][6] - **因子评价**：UTD因子在选股效果上明显优于传统因子，且在剔除市场常用风格、行业和特色因子的干扰后，仍具备一定的选股效果[1][6] 2. 因子名称：传统换手率因子（Turn20） - **因子的构建思路**：基于过去20个交易日的日均换手率，构造传统换手率因子，选股逻辑为换手率越小的股票未来越可能上涨，换手率越大的股票未来越可能下跌[5] - **因子具体构建过程**： 1. 每月月底计算每只股票过去20个交易日的日均换手率 2. 对换手率因子值进行市值中性化处理 3. 按因子值对股票进行分组，形成10分组多空对冲组合[5] - **因子评价**：传统换手率因子在选股逻辑上存在一定误判，尤其在换手率最大的分组中，组内成分股未来收益差异较大，导致部分未来大涨的样本被误判[6] --- 因子的回测效果 换手率分布均匀度（UTD）因子 - **年化收益率**：20.26%[1][6][10] - **年化波动率**：7.38%[1][6][10] - **信息比率（IR）**：2.74[1][6][10] - **月度胜率**：75.81%[1][6][10] - **最大回撤率**：5.51%[1][6][10] 传统换手率因子（Turn20） - **年化收益率**：33.41%[5] - **信息比率（IR）**：1.90[5] - **月度胜率**：71.58%[5] - **月度IC均值**：-0.072[5] - **年化ICIR**：-2.10[5] --- 5月单月表现 换手率分布均匀度（UTD）因子 - **多头组合收益率**：-2.88%[1][9] - **空头组合收益率**：-2.07%[1][9] - **多空对冲收益率**：-0.82%[1][9]

量化因子与构建方式 1. 因子名称：信息分布均匀度（UID）因子 - **因子的构建思路**：基于个股分钟数据，计算每日高频波动率，进一步构建信息分布均匀度因子（UID），以改进传统波动率因子的选股效果[1][5] - **因子具体构建过程**： 1. 收集个股的分钟级别数据 2. 计算每日的高频波动率 3. 在此基础上，构造信息分布均匀度因子（UID），具体计算公式未在报告中明确列出[1][5] - **因子评价**： 1. UID 因子选股效果显著优于传统波动率因子 2. 剔除市场常用风格和行业干扰后，UID 因子仍具备较好的选股能力，表现出较高的纯净性和增量信息价值[1][5] --- 因子的回测效果 1. 全市场回测效果（2014/01-2024/05） - 年化收益率：28.00%[6][10] - 年化波动率：9.66%[6][10] - 信息比率（IR）：2.90[6][10] - 月度胜率：80.65%[6][10] - 最大回撤率：5.13%[6][10] 2. 回测期内分组测试效果（2014/01-2020/07） - 月度 IC 均值：-0.059[1] - 月度 RankIC 均值：-0.074[1] - 年化 ICIR：-4.19[1] - 年化 RankICIR：-4.23[1] - 5 分组多空对冲年化收益率：21.32%[1] - 5 分组多空对冲年化波动率：5.84%[1] - 5 分组多空对冲信息比率（IR）：3.65[1] - 5 分组多空对冲月度胜率：83.12%[1] - 5 分组多空对冲最大回撤率：2.18%[1] 3. 剔除风格和行业干扰后的效果 - 年化 ICIR：-3.17[1] - 全市场 5 分组多空对冲年化收益率：12.96%[1] - 全市场 5 分组多空对冲信息比率（IR）：2.61[1] - 全市场 5 分组多空对冲月度胜率：75.32%[1] - 全市场 5 分组多空对冲最大回撤率：1.22%[1] 4. 2024 年 5 月份表现 - 10 分组多头组合收益率：-4.29%[9] - 10 分组空头组合收益率：-1.86%[9] - 10 分组多空对冲收益率：-2.43%[9]

量化模型与构建方式 PB-ROE-50 策略 - **模型名称**：PB-ROE-50 策略 - **模型构建思路**：寻找市场中的预期差，同时叠加超预期因子增强组合收益[2][41] - **模型具体构建过程**： - 以 Wilcox（1984）推导出的 PB-ROE 定价模型为基础得到预期差股票池 - 选择 SUE、ROE 同比增长等因子精选 50 只股票构造出 PB-ROE-50 组合[41] - **模型评价**：该策略在各股票池中均出现回撤，基于中证 500、800 和全市场股票池的超额收益分别为-0.17%、-0.46% 和-0.54%[2][41] 机构调研策略 - **模型名称**：机构调研策略 - **模型构建思路**：通过公募调研和知名私募调研挖掘超额 alpha[2][51] - **模型具体构建过程**： - 根据机构调研数据，通过上市公司被调研次数和被调研前股票相对于基准的涨跌幅进行选股[51] - **模型评价**：公募调研选股策略和私募调研跟踪策略在 5 月份均出现回撤，分别相对中证 800 获取超额收益-1.73% 和-0.69%[2][51] 模型的回测效果 PB-ROE-50 策略 - **中证 500**：今年以来超额收益率 11.70%，上月超额收益率 -0.17%，今年以来绝对收益率 8.31%，上月绝对收益率 -1.68%[45] - **中证 800**：今年以来超额收益率 8.18%，上月超额收益率 -0.46%，今年以来绝对收益率 4.90%，上月绝对收益率 -1.97%[45] - **全市场**：今年以来超额收益率 3.41%，上月超额收益率 -0.54%，今年以来绝对收益率 0.28%，上月绝对收益率 -2.04%[45] 机构调研策略 - **公募调研选股**：今年以来超额收益率 -11.51%，上月超额收益率 -1.73%，今年以来绝对收益率 -9.24%，上月绝对收益率 -2.85%[52] - **私募调研跟踪**：今年以来超额收益率 -22.99%，上月超额收益率 -0.69%，今年以来绝对收益率 -21.01%，上月绝对收益率 -1.82%[52] 量化因子与构建方式 上涨家数占比情绪指标 - **因子名称**：上涨家数占比情绪指标 - **因子的构建思路**：通过计算指数成分股的近期正收益的个数来判断市场情绪[25] - **因子具体构建过程**： - 计算方法：沪深 300 指数 N 日上涨家数占比 = 沪深 300 指数成分股过去 N 日收益大于 0 的个股数占比[25] - 指标值处理及开平仓信号应用：N=230，N1=50，N2=35，当快线大于慢线时，看多市场[26][28] - **因子评价**：该指标可以较快捕捉上涨机会，但在对下跌市场的判断存在缺陷，难以有效规避下跌风险[25] 均线情绪指标 - **因子名称**：均线情绪指标 - **因子的构建思路**：通过八均线体系的使用方式判断标的指数的趋势状态[33] - **因子具体构建过程**： - 计算方法：计算沪深 300 收盘价八均线数值，均线参数为 8，13，21，34，55，89，144，233[33] - 指标值处理及开平仓信号应用：当日沪深 300 指数收盘价大于八均线指标值的数量超过 5 时，看多沪深 300 指数[37] - **因子评价**：短期内沪深 300 指数处于情绪非景气区间[33] 因子的回测效果 上涨家数占比情绪指标 - **沪深 300 指数**：当前正处于情绪景气区间[26] 均线情绪指标 - **沪深 300 指数**：短期内处于情绪非景气区间[33]

量化模型与构建方式 1. 股债横截面策略 - **模型名称**：股债横截面策略 - **模型构建思路**：在金融期货盘面内，运用多策略模型择优配置合约，实现净值稳定增长 - **模型具体构建过程**： - 短周期模型聚焦于市场风格、外部因素、资金面三大高频金融数据板块 - 长周期模型关注市场预期，聚焦于宏观经济数据等低频指标 - 从高维数据中选出有效且相对独立的因子，依照主观分析框架，建立具有样本外泛化能力的模型 - 持仓量主要是考虑机构多空单持仓量进行合成[16] - **模型评价**：模型通过多策略和多因子分析，能够较好地捕捉市场变化，具有较强的泛化能力[16] 2. 国债期货跨品种套利策略 - **模型名称**：国债期货跨品种套利策略 - **模型构建思路**：基于基本面三因子模型与趋势回归模型产生的信号共振 - **模型具体构建过程**： - 基本面因子采用Nelson和Siegel提出的瞬时远期利率函数，将利率期限结构分解为水平、斜率和曲率三个部分 - 使用PCA主成分分析、最大方差化因子旋转法结合logistic回归构建三因子模型 - 信号分为三类：'1'即利差较大可能降低，'0'即利差变动趋势不确定或维持振荡，'-1'即利差较大可能上升 - 运用趋势回归模型过滤信号，产生共振时交易 - 实际操作中采用久期中性配比调整10-5Y价差，即1:1.8的比例 - 公式为： $$ \mathbf{R}(t)=\beta_{0}+\beta_{1}\frac{1-e^{-t/\tau}}{t/\tau}+\beta_{2}\left(\frac{1-e^{-t/\tau}}{t/\tau}-e^{-t/\tau}\right) $$ - **模型评价**：该模型通过多种方法结合，能够灵活拟合不同周期的收益率曲线，具有较高的灵活度和准确性[22] 模型的回测效果 股债横截面策略 - **区间收益**： - 近1周：-0.02% - 近1月：0.65% - 近3月：3.2% - 近6月：4.87% - 近1年：7.42% - 近3年：24.82%[21] - **区间最大回撤**： - 近1周：0.22% - 近1月：0.48% - 近3月：0.48% - 近6月：0.48% - 近1年：0.83% - 近3年：3.08%[21] 国债期货跨品种套利策略 - **N-S模型信号**： - 2024/5/27：-1 - 2024/5/28：0 - 2024/5/29：0 - 2024/5/30：0 - 2024/5/31：-1[25] - **趋势回归模型信号**： - 2024/5/27：0 - 2024/5/28：0 - 2024/5/29：0 - 2024/5/30：0 - 2024/5/31：0[25] 量化因子与构建方式 1. 宏观基本面中高频因子 - **因子名称**：宏观基本面中高频因子 - **因子的构建思路**：通过高频数据反映经济动能、通胀、流动性等方面的变化 - **因子具体构建过程**： - 经济动能因子：包括高炉开工率、PTA开工率、炼油厂开工率、汽车轮胎开工率、涤纶长丝开工率等[2] - 通胀因子：包括菜篮子产品批发价格指数、中信行业指数、市场价、南华苯乙烯指数、液化天然气到岸价、复合肥指数、天然橡胶结算价等[3] - 流动性因子：包括DR007、DR001、GC001、GC007、SHIBOR、美元指数、同业存单收益率等[4] - **因子评价**：这些因子能够较全面地反映市场的经济动能、通胀和流动性情况，对市场走势有较好的预测能力[2][3][4] 因子的回测效果 宏观基本面中高频因子 - **经济动能因子**： - 高炉开工率：股指移动相关性0.72，国债移动相关性-0.74 - PTA开工率：股指移动相关性0.52，国债移动相关性-0.48 - 炼油厂开工率：股指移动相关性0.04，国债移动相关性0.00 - 汽车轮胎开工率：股指移动相关性0.40，国债移动相关性-0.42 - 涤纶长丝开工率：股指移动相关性-0.71，国债移动相关性0.79[2] - **通胀因子**： - 菜篮子产品批发价格指数：股指移动相关性-0.03，国债移动相关性-0.12 - 中信行业指数：股指移动相关性-0.33，国债移动相关性0.41 - 市场价：股指移动相关性-0.62，国债移动相关性0.67 - 南华苯乙烯指数：股指移动相关性-0.64，国债移动相关性0.70 - 液化天然气到岸价：股指移动相关性0.75，国债移动相关性-0.74 - 复合肥指数：股指移动相关性0.79，国债移动相关性-0.88 - 天然橡胶结算价：股指移动相关性-0.51，国债移动相关性0.64[3] - **流动性因子**： - DR007：股指移动相关性0.32，国债移动相关性-0.21 - DR001：股指移动相关性0.22，国债移动相关性-0.09 - GC001：股指移动相关性0.10，国债移动相关性-0.08 - GC007：股指移动相关性0.10，国债移动相关性-0.07 - SHIBOR隔夜：股指移动相关性0.23，国债移动相关性-0.11 - SHIBOR1周：股指移动相关性0.43，国债移动相关性-0.33 - 美元指数：股指移动相关性-0.57，国债移动相关性0.56 - 同业存单收益率：股指移动相关性0.40，国债移动相关性-0.31[4]

量化模型与构建方式 1. 模型名称：预期高股息组合 - **模型构建思路**： 通过两阶段构建预期股息率指标，第一阶段基于年报公告的利润分配情况计算股息率，第二阶段结合历史分红与基本面指标预测股息率。随后利用反转因子与盈利因子作为辅助筛选条件，从沪深300成份股中优选出股票，最终构建预期高股息组合[3][10][16] - **模型具体构建过程**： 1. 剔除停牌及涨停的沪深300成份股，形成初步待选股票池[15] 2. 剔除股票池中短期动量最高的20%股票（即21日累计涨幅最高的20%个股）[15] 3. 剔除股票池中盈利下滑的个股（即单季度净利润同比增长率小于0的股票）[15] 4. 在剩余股票中，按预期股息率排序，选取预期股息率最高的30只个股，等权构建组合[11] - **模型评价**： 该模型通过结合股息率、反转因子和盈利因子，能够有效筛选出高股息率且基本面较好的股票，具有较强的逻辑性和实用性[3][10] --- 模型的回测效果 1. 预期高股息组合 - **累计收益**：266.62%[12] - **累计超额收益**：88.03%[12] - **年化超额收益**：7.63%[12] - **超额收益的滚动一年最大回撤**：9.43%[12] - **月度超额胜率**：60.19%[12] --- 量化因子与构建方式 1. 因子名称：预期股息率因子 - **因子的构建思路**： 通过年报公告的利润分配情况计算股息率，并结合历史分红与基本面指标对股息率进行预测，最终形成预期股息率因子[3][10][16] - **因子具体构建过程**： 1. 根据年报公告的利润分配情况，计算股息率[10] 2. 利用历史分红数据与基本面指标（如盈利能力等），对未来股息率进行预测[10] 2. 因子名称：反转因子 - **因子的构建思路**： 反转因子用于捕捉短期内股价的回调趋势，作为辅助筛选条件[3][10][16] - **因子具体构建过程**： 1. 计算股票的短期动量（如21日累计涨幅）[15] 2. 剔除短期动量最高的20%股票[15] 3. 因子名称：盈利因子 - **因子的构建思路**： 盈利因子用于衡量企业盈利能力的变化，作为辅助筛选条件[3][10][16] - **因子具体构建过程**： 1. 计算单季度净利润同比增长率[15] 2. 剔除单季度净利润同比增长率小于0的股票[15] --- 因子的回测效果 1. 预期股息率因子 - **累计收益**：266.62%[12] - **累计超额收益**：88.03%[12] - **年化超额收益**：7.63%[12] - **超额收益的滚动一年最大回撤**：9.43%[12] - **月度超额胜率**：60.19%[12] 2. 反转因子 - **辅助筛选效果**：剔除了短期动量最高的20%股票，降低了组合的短期波动性[15] 3. 盈利因子 - **辅助筛选效果**：剔除了盈利下滑的个股，提升了组合的基本面质量[15]