量化因子与构建方式 1. 因子名称：ETF_fimage因子 - **因子的构建思路** 通过构建标准化的价量数据图表，利用卷积神经网络识别价格和交易量的走势形态，并与未来股价进行建模，从而实现对未来股价的预测[5][15][39] - **因子具体构建过程** 1. **标准化价量数据图表** - 图表上部分：包含K线图和移动平均线（如MA5、MA10等）[37] - 图表中部分：包含当日对应的成交量[37] - 图表下部分：包含股价的MACD信息[37] - 数据范围：全市场2005年至2023年的价量数据，图表数据量达115GB[37] 2. **卷积神经网络建模** - 输入标准化图表，经过卷积结构后生成512x10x10的特征图，摊平后得到51200维特征[39] - 使用全连接神经网络输出3个概率，分别对应未来收益率的跌、平、涨[39] - 训练细节：采用Xavier初始化、Adam优化器，并使用验证集确定最优早停点[39] - 模型训练：分别训练两个模型，预测未来5日和20日的收益情况，分别记为I20R5和I20R20[39] 3. **因子映射到ETF** - 基于个股因子值和权重数据计算权益指数的因子值，再进一步映射到ETF中[5][15] - **因子评价** 卷积神经网络能够有效提取标准化价量数据图表中的特征，识别价格和交易量的走势形态，与未来股价建模效果较好[44] --- 因子的回测效果 1. ETF_fimage因子 - **IC均值**：6.9%[51][54] - **IC胜率**：62%[51][54] - **多空年化收益**：20.4%[51][54] - **多头年化收益**：14.4%[51][54] - **空头年化收益**：-6.1%[51][54] 2. ETF_fimage因子提纯后 - **IC均值**：6.4%[87] - **IC胜率**：60.1%[87] - **多空年化收益**：19.1%[87] - **多头年化收益**：14.2%[87] - **空头年化收益**：-5.1%[87] --- 因子分年度表现 1. ETF_fimage因子 - **2020年**：年化收益率29.6%，年化波动率19.2%，夏普比1.54，最大回撤10.6%[65] - **2021年**：年化收益率16.8%，年化波动率19.5%，夏普比0.86，最大回撤9.1%[65] - **2022年**：年化收益率19.8%，年化波动率17.3%，夏普比1.15，最大回撤11.2%[65] - **2023年**：年化收益率8.7%，年化波动率11.1%，夏普比0.78，最大回撤5.8%[65] - **2024年**：年化收益率56.5%，年化波动率16.7%，夏普比3.38，最大回撤5.0%[65] 2. ETF_fimage因子提纯后 - **2020年**：年化收益率30.6%，年化波动率18.3%，夏普比1.67，最大回撤9.4%[89] - **2021年**：年化收益率22.6%，年化波动率20.1%，夏普比1.13，最大回撤9.1%[89] - **2022年**：年化收益率7.1%，年化波动率17.0%，夏普比0.42，最大回撤11.3%[89] - **2023年**：年化收益率7.8%，年化波动率11.2%，夏普比0.70，最大回撤5.3%[89] - **2024年**：年化收益率66.2%，年化波动率17.0%，夏普比3.89，最大回撤4.6%[89] --- 固定持仓数量组合表现 1. ETF_fimage因子Top_N组合 - **Top_5**：年化收益16.2%，波动率25.6%，夏普比0.63[72] - **Top_10**：年化收益15.4%，波动率23.7%，夏普比0.65[72] - **Top_15**：年化收益12.1%，波动率22.2%，夏普比0.55[72] - **Top_20**：年化收益11.7%，波动率21.6%，夏普比0.54[72] 2. ETF_fimage因子提纯后Top_N组合 - **Top_5**：年化收益21.6%，波动率24.5%，夏普比0.88[96] - **Top_10**：年化收益14.8%，波动率22.4%，夏普比0.66[96] - **Top_15**：年化收益13.1%，波动率21.4%，夏普比0.61[96] - **Top_20**：年化收益10.4%，波动率20.7%，夏普比0.51[96] --- 流动性与费用影响 1. 流动性条件影响 - **规模下限1亿，成交额下限1000万**：多空年化收益20.4%，多头年化收益14.4%，空头年化收益-6.1%[101] - **规模下限0.5亿，成交额下限1000万**：多空年化收益21.4%，多头年化收益15.1%，空头年化收益-6.3%[101] - **规模下限2亿，成交额下限1000万**：多空年化收益17.3%，多头年化收益12.9%，空头年化收益-5.0%[101] 2. 费用条件影响（Top_5组合） - **无交易费**：年化收益19.9%，波动率25.5%，夏普比0.78[106] - **双边千一**：年化收益16.2%，波动率25.6%，夏普比0.63[106] - **双边千二**：年化收益12.5%，波动率25.6%，夏普比0.49[106]

量化模型与构建方式 1. 模型名称：沪深300指数成分股调整预测模型 - **模型构建思路**：基于沪深300指数的编制规则，选择规模大、流动性好的股票，通过日均成交金额和日均总市值排序，结合缓冲调整和剔除重大亏损股票等规则，预测成分股调整[20] - **模型具体构建过程**： 1. 样本空间：沪深A股中规模大、流动性好的股票[20] 2. 排序规则：根据最近一年的日均成交金额和日均总市值进行排序[20] 3. 调整规则：通过缓冲调整剔除重大亏损股票，调整数量不超过成分股数量的10%[20] 2. 模型名称：上证180指数成分股调整预测模型 - **模型构建思路**：基于上证180指数的编制规则，选择沪市A股中规模大、流动性好的股票，按行业分类确定入选股票数量，通过缓冲调整和剔除重大亏损股票等规则，预测成分股调整[22] - **模型具体构建过程**： 1. 样本空间：沪市A股中经营状况良好、无违法违规事件的股票[22] 2. 排序规则：根据过去一年日均总市值和日均成交金额排序[22] 3. 调整规则：按照中证行业分类确定各行业入选股票数量，通过缓冲调整剔除重大亏损股票，调整数量不超过成分股数量的10%[22] 3. 模型名称：上证50指数成分股调整预测模型 - **模型构建思路**：基于上证50指数的编制规则，从上证180指数成分股中选择规模大、流动性好的股票，通过排序和缓冲调整规则，预测成分股调整[25] - **模型具体构建过程**： 1. 样本空间：上证180指数成分股[25] 2. 排序规则：根据过去一年的日均总市值和日均成交金额综合排序[25] 3. 调整规则：通过缓冲调整得出最新成分股，调整数量不超过成分股数量的10%[25] 4. 模型名称：科创50指数成分股调整预测模型 - **模型构建思路**：基于科创50指数的编制规则，从上市满6个月的科创板股票中选择规模大、流动性好的股票，通过剔除低流动性股票和缓冲规则，预测成分股调整[27] - **模型具体构建过程**： 1. 样本空间：上市满6个月的科创板股票[27] 2. 剔除规则：剔除过去一年日均成交金额排名后10%的股票[27] 3. 排序规则：选择过去一年日均市值最大的50只股票[27] 4. 调整规则：通过缓冲规则调整，调整数量不超过成分股数量的10%[27] 5. 模型名称：创业板指数成分股调整预测模型 - **模型构建思路**：基于创业板指数的编制规则，从上市满6个月的创业板股票中选择规模大、流动性好的股票，通过剔除低流动性股票和缓冲规则，预测成分股调整[30] - **模型具体构建过程**： 1. 样本空间：上市满6个月的创业板股票[30] 2. 剔除规则：剔除过去半年日均成交金额排名后10%的股票[30] 3. 排序规则：选择过去半年日均市值最大的100只股票[30] 4. 调整规则：通过缓冲规则调整，调整数量不超过成分股数量的10%[30] 6. 模型名称：中证500指数成分股调整预测模型 - **模型构建思路**：基于中证500指数的编制规则，从剔除沪深300样本股及市值排名前300名股票后的股票池中选择规模大、流动性好的股票，通过排序和缓冲调整规则，预测成分股调整[32] - **模型具体构建过程**： 1. 样本空间：剔除沪深300样本股及最近一年日均总市值排名前300名的股票[32] 2. 剔除规则：剔除过去一年日均成交额后20%的股票[32] 3. 排序规则：根据过去一年的日均总市值排序[32] 4. 调整规则：通过缓冲调整剔除重大亏损股票，调整数量不超过成分股数量的10%[32] --- 模型的回测效果 1. 沪深300指数成分股调整预测模型 - 调入股票：小商品城、华电国际、沪农商行等11只股票[21] - 调出股票：天山股份、锦浪科技、新城控股等11只股票[21] 2. 上证180指数成分股调整预测模型 - 调入股票：江西铜业、大秦铁路、浙商银行等18只股票[24] - 调出股票：中国医药、合盛硅业、斯达半导等18只股票[24] 3. 上证50指数成分股调整预测模型 - 调入股票：交通银行、邮储银行、华泰证券等5只股票[26] - 调出股票：北方稀土、航发动力、天合光能等5只股票[26] 4. 科创50指数成分股调整预测模型 - 调入股票：唯捷创芯、萤石网络、佰维存储等3只股票[29] - 调出股票：容百科技、禾迈股份、思瑞浦等3只股票[29] 5. 创业板指数成分股调整预测模型 - 调入股票：兴齐眼药、网宿科技、川宁生物等7只股票[31] - 调出股票：迪安诊断、鹏辉能源、中简科技等7只股票[31] 6. 中证500指数成分股调整预测模型 - 调入股票：海信家电、森麒麟、三星医疗等50只股票[36] - 调出股票：航天发展、天坛生物、莱克电气等50只股票[36]

量化模型与构建方式 1. 模型名称：PB-ROE-50 策略 - **模型构建思路**：基于Wilcox（1984）推导的PB-ROE定价模型，寻找市场中的预期差，同时叠加超预期因子（如SUE、ROE同比增长）以增强组合收益[34] - **模型具体构建过程**： 1. 以PB-ROE定价模型为基础，筛选出具有预期差的股票池 2. 结合超预期因子（如SUE、ROE同比增长）进一步精选股票 3. 最终构造出包含50只股票的PB-ROE-50组合[34] - **模型评价**：该策略在不同股票池中均表现良好，能够有效获取超额收益[34] 2. 模型名称：机构调研策略 - **模型构建思路**：通过公募和私募机构的调研数据，挖掘超额Alpha收益[44] - **模型具体构建过程**： 1. 根据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 2. 分别构造公募调研选股策略和私募调研跟踪策略[44] - **模型评价**：4月份两种策略均出现回撤，表现不佳[44] 3. 模型名称：上涨家数占比情绪指标 - **模型构建思路**：通过计算指数成分股的近期正收益个数占比，判断市场情绪状态[19] - **模型具体构建过程**： 1. 计算公式： $ \text{沪深300指数N日上涨家数占比} = \frac{\text{沪深300指数成分股过去N日收益大于0的个股数}}{\text{沪深300指数成分股总数}} $ 2. 对指标进行两次不同窗口期的平滑，分别称为快线和慢线（N1>N2） 3. 当快线大于慢线时，看多市场；反之则看空[19][22] - **模型评价**：能够较快捕捉上涨机会，但对下跌市场的判断存在缺陷[19] 4. 模型名称：均线情绪指标 - **模型构建思路**：基于八均线体系，通过均线区间值判断市场趋势状态[26] - **模型具体构建过程**： 1. 计算沪深300收盘价的八均线数值，均线参数为8、13、21、34、55、89、144、233 2. 当当日收盘价大于八均线指标值的数量超过5时，看多市场[26][30] - **模型评价**：通过八均线区间划分，能够更清晰地反映市场趋势状态[26] 5. 模型名称：有息负债率模型 - **模型构建思路**：通过不同口径的有息负债率衡量企业的偿债压力和流动性风险[48] - **模型具体构建过程**： 1. 传统有息负债率： $ \text{传统有息负债率} = \frac{\text{短期借款+长期借款+应付债券}}{\text{总资产}} $ 2. 严苛有息负债率： $ \text{严苛有息负债率} = \frac{\text{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款}}{\text{总资产}} $ 3. 宽松有息负债率： $ \text{宽松有息负债率} = \frac{\text{短期借款+应付利息+交易性金融负债+应付短期债券+租赁负债+长期借款+应付债券+长期应付款+其他流动负债+划分为持有待售的负债+一年内到期的非流动负债}}{\text{总资产}} $ - **模型评价**：宽松有息负债率相比传统口径在回测中表现出更高的空头收益[48] 6. 模型名称：财务成本负担率模型 - **模型构建思路**：通过剥离利息收入后的财务费用，衡量企业的还息压力[51] - **模型具体构建过程**： 1. 计算公式： $ \text{财务成本负担率} = \frac{\text{财务费用：利息费用}}{\text{息税前利润}} $ 2. 根据财务成本负担率高低筛选出负面清单[51] - **模型评价**：能够更准确反映企业的财务成本压力[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11.88%，上月超额收益率4.57%[38] - **中证800**：今年以来超额收益率8.68%，上月超额收益率2.27%[38] - **全市场**：今年以来超额收益率3.97%，上月超额收益率0.91%[38] 机构调研策略 - **公募调研选股**：今年以来超额收益率-9.95%，上月超额收益率-5.14%[45] - **私募调研跟踪**：今年以来超额收益率-22.45%，上月超额收益率-7.33%[45] 上涨家数占比情绪指标 - **沪深300**：当前正处于情绪景气区间，快线大于慢线，维持看多观点[20][22] 均线情绪指标 - **沪深300**：短期内处于情绪景气区间，策略净值表现良好[26][30] 有息负债率模型 - **宽松有息负债率**：排名前30的股票中，部分股票在传统口径下排名较低，如中毅达、法尔胜等[49] 财务成本负担率模型 - **高财务成本负担率股票**：如丽岛新材（293.97）、天原股份（186.83）、天晟新材（100.11）等[52]

- 本报告主要分析了股指期货和ETF期权的市场表现，并提出了基于隐含波动率的策略建议[2][6][82] - 报告中提到，近期隐含波动率持续回落，结合上证50和沪深300的估值水平和业绩预期，建议采用卖出宽跨式期权策略或牛市价差策略[4][82] - 期权指标方面，报告详细列出了不同ETF和股指期权的PCR指标，包括成交量PCR和持仓量PCR。例如，上证50ETF期权的成交量PCR为72.20，持仓量PCR为97.72；沪深300指数期权的成交量PCR为51.68，持仓量PCR为59.37[36][55] - 隐含波动率分析中，报告列举了多个期权品种的平值期权隐含波动率和标的30日历史波动率。例如，上证50ETF期权的隐含波动率为13.03%，历史波动率为11.22%；中证1000指数期权的隐含波动率为22.80%，历史波动率为28.47%[55][56][64]

量化因子与构建方式 1. **因子名称**：量稳换手率变化率 SCR 因子 - **构建思路**：结合换手率变化率（PctTurn20）和量稳换手率（STR）的研究思路，计算换手率波动率的变化率，并通过横截面市值中性化处理得到最终因子[7] - **具体构建过程**： 1. 计算当月换手率波动率与基准换手率波动率的比值减1： $$SCR = \frac{\text{当月换手率波动率}}{\text{基准换手率波动率}} - 1$$ 2. 对结果进行横截面市值中性化处理，消除市值影响[7] - **因子评价**：SCR 因子在选股能力上显著优于传统换手率因子，且剔除风格和行业干扰后仍保持有效性[7] 2. **因子名称**：换手率变化率因子 PctTurn20 - **构建思路**：通过换手率的相对变化（而非绝对数值）捕捉股票量价关系的动态特征[6] - **具体构建过程**： 1. 计算20日换手率的变化率，反映短期流动性变化 2. 结合价格信息调整每日换手率权重，增强因子敏感性[6] - **因子评价**：强调换手率变化的相对性，对市场微观结构变化更敏感[6] 3. **因子名称**：量稳换手率 STR 因子 - **构建思路**：从日频换手率稳定性角度构造因子，认为换手率稳定性比单纯的低换手率更具选股意义[6] - **具体构建过程**： 1. 计算换手率的波动率（标准差或变异系数） 2. 通过稳定性指标筛选换手率波动较小的股票[6] --- 因子回测效果 1. **SCR 因子（2006/01-2024/04）** - 年化收益率：18.30% - 年化波动率：10.10% - 信息比率（IR）：1.81 - 月度胜率：71.30% - 最大回撤：11.99%[7][12] 2. **SCR 因子（2024年4月）** - 多头组合收益率：-0.87% - 空头组合收益率：-4.82% - 多空对冲收益率：3.95%[11] 3. **PctTurn20 因子（2006/01-2024/04）** - 年化收益率：18.30% - 年化波动率：10.10% - 信息比率（IR）：1.81 - 月度胜率：71.30% - 最大回撤：11.99%[7] --- 补充说明 - **复合逻辑**：SCR 因子通过结合 PctTurn20（动态变化）和 STR（稳定性）的双重逻辑，实现了对换手率因子的优化[6][7] - **纯净性测试**：SCR 因子在剔除市值、行业等干扰后仍保持显著选股能力，验证了其独立性[7]

- 本次报告未涉及量化模型或量化因子的构建、测试及相关内容[1][2][3]

量化因子与构建方式 1. 因子名称：估值偏离EPD因子 - **因子的构建思路**：将CTA领域常用的布林带均值回复策略与基本面的估值修复逻辑相结合，利用估值指标PE的均值回复特性构建[5][6] - **因子具体构建过程**：基于PE指标的均值回复特性，构造估值偏离因子EPD，具体方法未在报告中详细列出[5][6] - **因子评价**：该因子能够捕捉到估值偏离的均值回复特性，具有较好的收益表现[5][6] 2. 因子名称：缓慢偏离EPDS因子 - **因子的构建思路**：在EPD因子的基础上，剔除个股估值逻辑变化的影响，利用个股信息比率(IR)代理估值逻辑被改变的概率[5][6] - **因子具体构建过程**：通过截面上用EPD因子剔除个股估值逻辑被改变的概率，构造缓慢偏离因子EPDS，具体方法未在报告中详细列出[5][6] - **因子评价**：该因子进一步优化了估值偏离因子的表现，减少了因子收益的波动性[5][6] 3. 因子名称：估值异常EPA因子 - **因子的构建思路**：在EPDS因子的基础上，剔除影响“估值异常”逻辑的Beta、成长与价值风格，最终得到估值异常EPA因子[5][6] - **因子具体构建过程**：通过剔除Beta、成长与价值风格的影响，进一步优化因子表现，具体方法未在报告中详细列出[5][6] - **因子评价**：该因子综合了多种优化逻辑，表现出更高的收益和稳定性[5][6] --- 因子的回测效果 1. 估值偏离EPD因子 - 年化收益率：18.63%[6][12] - 年化波动率：9.91%[6][12] - 信息比率(IR)：1.88[6][12] - 月度胜率：71.93%[6][12] - 最大回撤率：8.93%[6][12] 2. 缓慢偏离EPDS因子 - 年化收益率：16.75%[6][12] - 年化波动率：5.67%[6][12] - 信息比率(IR)：2.95[6][12] - 月度胜率：79.53%[6][12] - 最大回撤率：3.10%[6][12] 3. 估值异常EPA因子 - 年化收益率：17.30%[6][12] - 年化波动率：5.14%[6][12] - 信息比率(IR)：3.36[6][12] - 月度胜率：80.70%[6][12] - 最大回撤率：3.12%[6][12]

量化模型与因子总结 Barra风格因子 1. 因子名称：市值因子；因子构建思路：衡量股票市值大小对收益的影响[4]；因子评价：4月大盘风格占优，该因子表现较好[4] 2. 因子名称：账面市值比因子；因子构建思路：衡量价值风格对收益的影响[4] 3. 因子名称：成长因子；因子构建思路：衡量成长风格对收益的影响[4] 开源交易行为因子 1. 因子名称：理想反转因子；因子构建思路：通过每日平均单笔成交金额大小切割出反转属性最强的交易日[5]；因子具体构建过程： - 对选定股票回溯过去20日数据[38] - 计算每日平均单笔成交金额(成交金额/成交笔数)[38] - 单笔成交金额高的10个交易日涨跌幅加总记作M_high[38] - 单笔成交金额低的10个交易日涨跌幅加总记作M_low[38] - 理想反转因子M = M_high - M_low[38] - 对所有股票进行以上操作计算各自的理想反转因子[38] 因子评价：A股反转之力的微观来源是大单成交[5] 2. 因子名称：聪明钱因子；因子构建思路：从分钟行情价量信息中识别机构参与交易程度[5]；因子具体构建过程： - 对选定股票回溯过去10日的分钟行情数据[37] - 构造指标St = |Rt|/(Vt)^0.25，其中Rt为第t分钟涨跌幅，Vt为第t分钟成交量[37] - 将分钟数据按St从大到小排序，取成交量累积占比前20%分钟视为聪明钱交易[37][39] - 计算聪明钱交易的成交量加权平均价VWAPsmart[39] - 计算所有交易的成交量加权平均价VWAPall[39] - 聪明钱因子Q = VWAPsmart/VWAPall[37] 因子评价：能有效跟踪聪明钱的交易行为[5] 3. 因子名称：APM因子；因子构建思路：衡量股价行为上午(或隔夜)与下午的差异程度[5]；因子具体构建过程： - 对选定股票回溯过去20日数据，记录隔夜和下午的股票与指数收益率[38] - 将40组隔夜与下午(r,R)收益率数据进行回归：r = α + βR + ε，得到残差项[38] - 计算每日隔夜与下午残差的差值δt = ε_morning - ε_afternoon[38] - 构造统计量stat衡量隔夜与下午残差的差异程度[40]： $$\mathrm{stat}={\frac{\mu(\delta_{t})}{\sigma(\delta_{t})/{\sqrt{N}}}}$$ - 将统计量stat对动量因子进行横截面回归：stat = α + βRet20 + ε[41] - 将回归得到的残差值ε作为APM因子[41] 因子评价：日内不同时段交易者行为模式不同[5] 4. 因子名称：理想振幅因子；因子构建思路：基于股价维度切割振幅，衡量高价态和低价态振幅信息差异[5]；因子具体构建过程： - 对选定股票回溯最近20个交易日数据，计算每日振幅(最高价/最低价-1)[43] - 选择收盘价较高的25%有效交易日，计算振幅均值得到高价振幅因子V_high[43] - 选择收盘价较低的25%有效交易日，计算振幅均值得到低价振幅因子V_low[43] - 理想振幅因子V = V_high - V_low[43] 因子评价：不同价态下振幅因子蕴含信息存在结构性差异[5] 5. 因子名称：交易行为合成因子；因子构建思路：将四个交易行为因子加权合成[28]；因子具体构建过程： - 将交易行为因子在行业内进行因子去极值与因子标准化[28] - 滚动选取过去12期因子ICIR值作为权重[28] - 加权形成交易行为合成因子[28] 因子评价：在中证1000中的表现优于中证800[30] 因子回测效果 Barra风格因子(2024年4月) 1. 市值因子，收益0.85%[4] 2. 账面市值比因子，收益-0.49%[4] 3. 成长因子，收益0.22%[4] 开源交易行为因子(全历史区间) 1. 理想反转因子，IC-0.051，rankIC-0.062，IR2.57，多空对冲月度胜率78.7%[6][13] 2. 聪明钱因子，IC-0.036，rankIC-0.059，IR2.72，多空对冲月度胜率82.4%[6][17] 3. APM因子，IC0.030，rankIC0.035，IR2.36，多空对冲月度胜率77.9%[6][20] 4. 理想振幅因子，IC-0.055，rankIC-0.073，IR3.07，多空对冲月度胜率84.5%[6][26] 5. 交易行为合成因子，IC0.068，rankIC0.092，IR3.36，多空对冲月度胜率83.8%[6][28] 开源交易行为因子(2024年4月) 1. 理想反转因子，多空对冲收益2.76%，近12月多空对冲月度胜率50.0%[7][13] 2. 聪明钱因子，多空对冲收益2.84%，近12月多空对冲月度胜率66.7%[7][17] 3. APM因子，多空对冲收益1.00%，近12月多空对冲月度胜率58.3%[7][20] 4. 理想振幅因子，多空对冲收益3.00%，近12月多空对冲月度胜率58.3%[7][26] 5. 交易行为合成因子，多空对冲收益4.77%，近12月多空对冲月度胜率58.3%[7][28]

量化模型与构建方式 1. 模型名称：主动风险预算模型 - **模型构建思路**：结合风险平价模型与主动信号，通过动态调整资产波动贡献，确定股票与债券的配置权重[8][9] - **模型具体构建过程**： 1. **风险平价模型**：核心是让各资产对组合的波动贡献相同，确定资产配置权重[9] 2. **主动信号调整**：从三个维度动态调整资产波动贡献： - **股债横向比价**：借鉴美联储FED模型，定义股权风险溢价（ERP）为： $$ ERP = \frac{1}{PE_{ttm}} - YTM_{TB}^{10Y} $$ 其中，$PE_{ttm}$为中证800市盈率，$YTM_{TB}^{10Y}$为10年期国债到期收益率。当ERP > 5%时超配权益资产，当ERP < 2%时低配权益资产[10][11] - **股票纵向估值水平**：滚动窗口计算股票估值在近5年历史中的分位数。当估值分位数 < 25%时超配权益资产，当估值分位数 > 75%时低配权益资产[12] - **市场流动性**：以M2-M1剪刀差反映市场流动性。当$M2-M1 \geq 5\%$时超配权益资产，当$M2-M1 \leq -5\%$时低配权益资产[14] 3. **信号汇总与权重计算**：将三个维度的信号（看多=1，看空=-1，中性=0）代入softmax函数，计算权益资产风险预算权重： $$ softmax(x) = \frac{\exp(\lambda x)}{\exp(\lambda x) + \exp(-\lambda x)} $$ 其中，$x$为权益汇总信号，$\lambda$为风险调整系数[17][18] - **模型评价**：通过多维度动态调整，模型能够更灵活地适应市场变化，提供稳健的资产配置建议[8] 2. 模型名称：行业轮动模型 - **模型构建思路**：从交易行为、资金面、基本面三个维度出发，构建6个行业轮动子模型，对行业进行综合打分，优选表现最优的行业[23][25] - **模型具体构建过程**： 1. **交易行为维度**： - 黄金率模型：捕捉行业日内动量与隔夜反转效应 - 行业龙头股模型：捕捉行业内龙头股领先、普通股滞后效应[25] 2. **资金面维度**： - 北向双轮驱动模型：捕捉高活跃成交与高净流入特征的外资偏好 - 机构资金流模型：捕捉超大单抢筹与小单退出的供需特征[25] 3. **基本面维度**： - 历史景气度模型：捕捉行业盈余动量效应 - 预期景气度模型：捕捉行业戴维斯双击效应[25] 4. **综合打分**：对行业进行综合评分，每月选择分数最高的前三分之一行业作为多头组合，基准组合为全行业等权组合[23] - **模型评价**：模型通过多维度信号综合决策，能够较好地捕捉行业轮动机会，提升组合收益[23] --- 模型的回测效果 主动风险预算模型 - 年化收益率：6.31%[20][22] - 最大回撤：4.89%[20][22] - 收益波动比：1.61[20][22] - 收益回撤比：1.29[20][22] 行业轮动模型 - 2024年4月多头组合平均收益率：1.07%[28] - 基准组合收益率：-0.17%[28] - 超额收益率：1.24%[28] --- 量化因子与构建方式 1. 因子名称：成长因子 - **因子构建思路**：捕捉强动量与景气上行趋势[43] - **因子具体构建过程**：通过对成长性相关指标的动态监控，筛选出具有强动量特征的资产[43] - **因子评价**：因子表现出较高的胜率和中等赔率，适合在景气上行阶段使用[43] 2. 因子名称：质量因子 - **因子构建思路**：捕捉高质量资产的强动量与景气上行趋势[43] - **因子具体构建过程**：通过对资产质量相关指标（如ROE、盈利稳定性等）的筛选，优选高质量资产[43] - **因子评价**：因子具有较高的胜率和高赔率，适合在景气上行阶段使用[43] 3. 因子名称：估值因子 - **因子构建思路**：捕捉低估值资产的强动量与景气上行趋势[43] - **因子具体构建过程**：通过对估值指标（如PE、PB等）的筛选，优选低估值资产[43] - **因子评价**：因子表现出较高的胜率和中等赔率，适合在景气上行阶段使用[43] --- 因子的回测效果 成长因子 - 趋势：强动量[43] - 胜率：较高[43] - 赔率：中等[43] 质量因子 - 趋势：强动量[43] - 胜率：较高[43] - 赔率：高[43] 估值因子 - 趋势：强动量[43] - 胜率：较高[43] - 赔率：中等[43]

量化模型与构建方式 1. 模型名称：涨跌停外溢关联网络 - **模型构建思路**：通过涨跌停情绪外溢现象，寻找股票间的关联特征，构建股票关联网络[5][15] - **模型具体构建过程**： 1. 取个股过去20个交易日1分钟频交易数据，选取每日开盘90分钟数据[25] 2. 判断股票A日内涨跌停状态，若涨停赋值1（正向），若跌停赋值-1（负向），作为股票A在t时刻涨跌停方向$L(A,t)$[25] 3. 判断股票B日内1分钟涨跌方向，若上涨（含涨停）赋值1（正向），若下跌（含跌停）赋值-1（负向），作为股票B在t时刻涨跌方向$D(B,t)$[25] 4. 匹配股票B当前分钟涨跌方向$D(B,t)$与股票A前1分钟涨跌停方向$L(A,t-1)$，计算二者同向比例，作为股票A对股票B的关联度$K_{AB}$[25] - **模型评价**：通过涨跌停外溢构建的股票关联网络，验证了同行业股票间的关联度显著高于全市场整体关联度，且行业分类越细分，关联度水平越高[26] 2. 模型名称：Traction_LUD因子 - **模型构建思路**：基于股票关联网络，将个股超涨与超跌的判断基准从全市场涨跌幅缩小到其高关联股票涨跌幅，构建局域反转逻辑[30] - **模型具体构建过程**： 1. 取股票过去20个交易日的日内1分钟频交易数据，构建股票关联网络[30] 2. 剔除关联网络中关联度最低的50%的关联关系[30] 3. 对于关联网络节点股票A，取其周围关联股票月度涨跌幅数据[30] 4. 将股票A所有关联股票的涨跌幅按关联度指标加权平均，作为股票A当月的预期收益，得到"预期收益_LUD"因子[30] 5. 对"预期收益_LUD"因子值做截面反转、市值、行业中性化处理，得到Traction_LUD因子值[30] - **模型评价**：因子有效性较高，参数具有稳定性，分组单调性良好[32][35] 3. 模型名称：Traction_comb因子 - **模型构建思路**：将Traction系列5因子等权合成，形成股价牵引力的合力[52] - **模型具体构建过程**： 1. Traction系列因子包括：Traction_F、Traction_NS、Traction_SI、Traction_ORE、Traction_LUD[51] 2. 将上述5因子等权合成，得到Traction_comb因子[52] - **模型评价**：因子表现稳健，分组单调性良好，多头收益贡献显著[52][54] --- 模型的回测效果 涨跌停外溢关联网络 - **无具体回测效果数据** Traction_LUD因子 - **全市场表现**： - RankIC均值：4.36%[32] - RankICIR：2.84[32] - 多空年化收益率：12.8%[37] - 年化IR：2.75[37] - 最大回撤：3.89%[37] - 月度胜率：75.2%[37] - **分域表现**： - 沪深300：多空年化收益率10.1%，年化IR1.5，最大回撤8.9%，月度胜率69.4%[41] - 中证500：多空年化收益率8.9%，年化IR1.4，最大回撤12.2%，月度胜率64%[41] - 中证1000：多空年化收益率12%，年化IR2.2，最大回撤7%，月度胜率71%[41] - 国证2000：多空年化收益率12.2%，年化IR2.5，最大回撤6.8%，月度胜率75%[41] Traction_comb因子 - **全市场表现**： - RankIC均值：6.5%[52] - RankICIR：3.9[52] - 多空年化收益率：22%[59] - 年化IR：4.46[59] - 最大回撤：5%[59] - 月度胜率：86%[59] - **分域表现**： - 沪深300：多空年化收益率16.9%，年化IR2.2，最大回撤10%，月度胜率74%[59] - 中证500：多空年化收益率17.6%，年化IR2.59，最大回撤7.4%，月度胜率77%[59] - 中证1000：多空年化收益率21.5%，年化IR3.78，最大回撤4.6%，月度胜率82%[59] 指数增强测试（基于Traction_comb因子） - **沪深300**：超额年化收益率6.2%，年化IR1.7，最大回撤4.8%，月度胜率70%[66] - **中证500**：超额年化收益率9.5%，年化IR1.5，最大回撤14.9%，月度胜率72%[66] - **中证1000**：超额年化收益率9.5%，年化IR1.3，最大回撤14.5%，月度胜率65%[66]