根据提供的量化周报内容，以下是量化模型和因子的详细总结： 量化模型与构建方式 1. **A股景气度高频指数模型** - 构建思路：以上证指数归母净利润同比为Nowcasting目标构建景气度指数[48] - 具体构建过程：通过跟踪历史下行周期（2021年10月起始）的持续天数和幅度，结合2023年四季度底部区间数据，构建震荡上行趋势的指数。当前指数值为20.55（较2023年底上升15.12）[49] - 模型评价：有效捕捉景气周期拐点，当前处于上升周期[48][49] 2. **A股情绪指数模型** - 构建思路：基于波动率和成交额变化方向划分四个象限，构造见底/见顶预警信号[53] - 具体构建过程： - 波动上-成交下区间为显著负收益，其他区间为正收益 - 当前信号：波动率上行（见底信号空）+成交额下行（见顶信号空）→综合看空[56] - 模型评价：直接反映市场量价情绪，但需结合其他指标验证[53][56] 3. **指数增强组合模型** - 构建思路：通过多因子选股策略跑赢基准指数[64][71] - 具体构建过程： - 中证500增强组合：2020年至今超额收益40.81%，最大回撤-4.99%[64] - 沪深300增强组合：2020年至今超额收益23.81%，最大回撤-5.86%[71] - 模型评价：长期稳定超额收益，但需控制回撤[64][71] --- 量化因子与构建方式 1. **BARRA风格因子体系** - 包含因子：市值(SIZE)、BETA、动量(MOM)、残差波动率(RESVOL)、非线性市值(NLSIZE)、估值(BTOP)、流动性(LIQUIDITY)、盈利(EARNINGS_YIELD)、成长(GROWTH)、杠杆(LVRG)[75] - 构建思路：采用风险暴露相关性分析和纯因子收益评估[76] - 因子表现： - 动量因子本周超额收益显著[76] - 残差波动率呈负向超额收益[76] - 成长因子近期表现优异，盈利/流动性因子不佳[76] 2. **行业因子** - 表现：房地产、银行因子超额收益较高，国防军工、农林牧渔因子回撤较多[76] --- 模型与因子回测效果 | 名称 | 超额收益 | 最大回撤 | IR | 其他指标 | |---------------------|----------|----------|-------|----------------| | 中证500增强组合 | 40.81% | -4.99% | - | 本周跑赢0.49%[64] | | 沪深300增强组合 | 23.81% | -5.86% | - | 本周跑赢0.14%[71] | | 动量因子 | - | - | 0.544 | 本周正相关性最高[77] | | 残差波动率因子 | - | - | -0.387| 负向收益显著[77] | --- 关键图表引用 - 风格因子相关性：图表29[77] - 纯因子收益率：图表30-31[79][80] - 指数增强组合表现：图表25/27[65][73] （注：部分因子构建细节未完全披露，仅总结报告中明确描述的内容）

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **信达金工行业轮动策略** - **模型构建思路**：基于绩优基金持仓倾向的边际变化构建行业轮动信号，通过跟踪超配/低配行业判断机构资金动向[37] - **模型具体构建过程**： 1. 筛选绩优基金样本（近1年业绩前30%） 2. 计算行业超配比例：$$超配比例 = \frac{基金持仓市值_{行业}}{全市场持仓市值_{行业}} - 1$$ 3. 生成行业轮动信号：超配行业权重上调，低配行业权重下调[37][39] - **模型评价**：在防御性市场环境下对机构重仓行业保持谨慎判断，历史超额收益显著[39] 2. **ETF资金流监控模型** - **模型构建思路**：通过跟踪各类型ETF净流入数据捕捉市场风险偏好变化[42][43] - **模型具体构建过程**： 1. 分类统计宽基/行业/主题ETF资金流（特大单、大单、中小单） 2. 计算净流入指标：$$净流入 = \sum(申购金额 - 赎回金额)$$ 3. 结合规模变动分析资金集中度[46][47] 量化因子与构建方式 1. **基金仓位因子** - **因子构建思路**：通过主动权益基金仓位变化捕捉市场情绪拐点[21][22] - **因子具体构建过程**： 1. 加权计算三类基金仓位： $$普通股票型仓位 = \frac{\sum(持股市值)}{\sum(基金净值)} \times 100\%$$ 2. 计算周度仓位变动：$$\Delta仓位 = 本周仓位 - 上周仓位$$[21][23] - **因子评价**：对市场防御性调仓敏感，3月底以来持续下行反映风险偏好降低[21] 2. **风格仓位因子** - **因子构建思路**：跟踪基金在大盘/小盘、成长/价值风格的配置变化[29][30] - **因子具体构建过程**： 1. 按市值（大盘/中盘/小盘）和估值（成长/价值）六分位划分 2. 计算风格暴露：$$风格权重 = \frac{风格持仓市值}{总权益持仓市值}$$[29][31] 模型的回测效果 1. **信达金工行业轮动策略** - 年化超额收益：8.6%（vs 沪深300）[39] - 最大回撤：-15.2%（2022Q4）[39] - IR：1.32[39] 2. **ETF资金流监控模型** - 宽基ETF周净流入准确率：72.4%（2024年以来）[46] - 行业ETF周净流入与涨跌幅相关性：0.68[47] 因子的回测效果 1. **基金仓位因子** - 仓位变动与沪深300指数20日收益率相关性：-0.41[21] - 仓位跌破85%后60日市场下跌概率：67.3%[22] 2. **风格仓位因子** - 小盘成长风格持仓占比：44.57%（历史85%分位）[29] - 大盘价值风格周变动：-0.87pct[29] 其他量化指标 1. **主力资金流指标** - 特大单净流入银行/地产：53.97亿/15.21亿[68] - 电子行业主力净流出：-75.68亿[68] 2. **ETF资金流指标** - 宽基ETF周净流入TOP3：华夏沪深300ETF（115.04亿）、华泰柏瑞沪深300ETF（93.83亿）[69] - 黄金ETF连续8周净流入（周均46.48亿）[73]

量化模型与构建方式 1. **模型名称**：A股综合兵器V3模型 - **模型构建思路**：综合短期、中期、长期多周期信号进行市场择时，耦合防御型与进攻型策略[9][11][14] - **模型具体构建过程**： 1. **短期信号**：成交量模型（中性）、低波动率模型（中性）、特征龙虎榜机构模型（中性）、特征成交量模型（看空）、智能沪深300模型（中性）、智能中证500模型（看多）[11] 2. **中期信号**：涨跌停模型（中性）、月历效应模型（中性）[12] 3. **长期信号**：长期动量模型（所有宽基指数中性）[13] 4. **综合信号**：加权整合各周期模型信号，输出看空结论[14] 2. **模型名称**：港股成交额倒波幅模型 - **模型构建思路**：基于港股成交额与波动率倒数的动态关系判断市场趋势[15] - **模型具体构建过程**：计算成交额与波动率的反向指标，当指标突破阈值时触发看空信号[15] 3. **模型名称**：形态学择时模型（杯柄形态/双底形态） - **模型构建思路**：识别价格走势中的经典技术形态（如杯柄、双底）预测突破方向[44][49] - **模型具体构建过程**： 1. **杯柄形态**：识别A点（左杯沿）、B点（杯底）、C点（右杯沿突破点），要求形态长度≥6周，突破时成交量放大[44][57] 2. **双底形态**：识别A点（第一底）、C点（第二底）、E点（颈线突破点），要求形态长度≥16周[49][55] --- 量化因子与构建方式 1. **因子名称**：机构仓位变动因子 - **因子构建思路**：跟踪股票型/混合型基金行业仓位变化捕捉机构资金流向[23][28] - **因子具体构建过程**： $$ \text{仓位变动} = \frac{\text{本周仓位} - \text{上周仓位}}{\text{总仓位}} \times 100 $$ 超低配计算：$$ \text{超低配比例} = \text{基金仓位} - \text{行业市值占比} $$[26][30] 2. **因子名称**：分析师预期调整因子 - **因子构建思路**：统计分析师上调/下调盈利预测的个股比例[20] - **因子具体构建过程**： $$ \text{上调比例} = \frac{\text{上调个股数}}{\text{覆盖个股总数}} \times 100 $$ 本周综合金融上调比例9.09%，消费者服务下调比例14.55%[20] 3. **因子名称**：形态学突破因子 - **因子构建思路**：量化杯柄/双底形态突破后的超额收益[44][49] - **因子具体构建过程**： $$ \text{超额收益} = \text{个股涨幅} - \text{同期基准指数涨幅} $$ 杯柄形态组合累计超额收益36.07%，双底形态组合20.97%[44][49] --- 模型的回测效果 1. **A股综合兵器V3模型**： - 信号方向：看空[14] - 本周上证指数实际涨幅：+1.19%[8] 2. **港股成交额倒波幅模型**： - 信号方向：看空[15] - 本周恒生指数实际涨幅：+2.3%[3] 3. **形态学择时模型**： - 杯柄形态组合超额收益：-0.6%（相对上证指数）[44] - 双底形态组合超额收益：-0.84%（相对上证指数）[49] --- 因子的回测效果 1. **机构仓位变动因子**： - 电子行业加仓幅度：+2.6%（股票型基金）[26] - 通信行业减仓幅度：-1.14%（股票型基金）[26] 2. **分析师预期调整因子**： - 银行/房地产行业无盈利预测调整[20] - 消费者服务行业下调比例最高（14.55%）[20] 3. **形态学突破因子**： - 杯柄形态突破个股平均超额收益：+0.91%（上周）[44] - 双底形态突破个股平均超额收益：-6.34%（上周）[49] --- 关键公式说明 1. **机构超低配因子**： $$ \text{超低配比例} = \text{基金仓位} - \text{行业市值占比} $$ 用于衡量基金对行业的主动配置偏离[30] 2. **形态学超额收益**： $$ \text{超额收益} = \text{个股涨幅} - \text{基准指数涨幅} $$ 基准指数为上证综指或对应宽基指数[44][49]

证券研究报告 | 金融工程 gszqdatemark 2025 04 19 年 月 日 量化分析报告 择时雷达六面图：资金面有所弱化 择时雷达六面图：基于多维视角的择时框架。权益市场的表现受到多维度 指标因素的共同影响，我们尝试从流动性、经济面、估值面、资金面、技 术面、拥挤度选取二十一个指标对市场进行刻画，并将其概括为"估值性 价比"、" 宏观基本面"、"资金&趋势"、"拥挤度&反转"四大类，从而生 成[-1,1]之间的综合择时分数。 本周综合打分。本周市场的估值性价比有所下降，宏观基本面中性，市场 的资金&趋势信号有所弱化信号偏空，拥挤度&反转指标显著偏多，综合打 分位于[-1,1]之间，当前的综合打分为 0.10 分，整体为中性偏多观点。当 前六面图各个维度的观点如下： 流动性。本周货币方向、货币强度、信用方向均发出看空信号，信用强 度发出看多信号，当前流动性得分为-0.50 分，综合来看发出看空信号。 经济面。本周增长方向、通胀方向与通胀强度指标发出看多信号，而增 长强度发出看空信号，当前经济面得分为 0.50 分，综合来看发出看多信 号。 估值面。由于市场上行，本周席勒 ERP、PB 与 AIAE ...

量化模型与构建方式 1. **模型名称：市场情绪结构指标模型** - **模型构建思路**：通过多个细分指标综合评估市场情绪，采用打分法合成整体情绪指标[5][6] - **模型具体构建过程**： 1. 选取9个分项指标（如行业间交易波动率、科创50成交占比等），每个指标根据布林轨道位置和情绪方向打分（-1/0/1）[6] 2. 对分项分数等权求和，再计算20日均线作为最终情绪指标，波动范围为[-6,6][7] 3. 分项指标包括： - 行业交易拥挤度（负向） - 价量一致性（正向） - RSI（正向）等[6] - **模型评价**：能有效捕捉市场情绪转折点，但需结合多指标验证[7] 2. **模型名称：MASS均线排列打分模型** - **模型构建思路**：通过均线排列关系判断指数多空趋势[16] - **模型具体构建过程**： 1. 对N条均线（长期N=360，短期N=60）两两比较：短均线在长均线上方得1分，否则0分[16] 2. 标准化得分后求平均，得到趋势得分 3. 通过长/短期得分均线的交叉信号（100/20日均线）判断多空[16] 3. **模型名称：RSI风格择时模型** - **模型构建思路**：利用RSI指标分析风格指数相对强弱[22] - **模型具体构建过程**： 1. 计算风格指数净值比值序列（如成长/价值） 2. RSI公式： $$ RSI = 100 - \frac{100}{1 + \frac{Gain}{Loss}} $$ 其中Gain为N日内上涨均值，Loss为下跌均值[22] 3. 比较20日/60日RSI相对位置判断风格占优方向[22] --- 量化因子与构建方式 1. **因子名称：行业间交易波动率** - **因子构建思路**：衡量资金在板块间的切换活跃度[6] - **因子具体构建过程**：通过行业交易量波动率计算，情绪指示方向为正向[6] 2. **因子名称：科创50成交占比** - **因子构建思路**：反映资金风险偏好水平[6] - **因子具体构建过程**：计算科创50成交量占全A比例，情绪指示方向为正向[6][12] 3. **因子名称：价量一致性** - **因子构建思路**：评估资金情绪稳定性[6] - **因子具体构建过程**：结合价格与成交量趋势计算，情绪指示方向为正向[6] --- 模型的回测效果 1. **市场情绪结构指标模型** - 当前得分：0.1（接近0轴，看空信号）[7] - 近期变化：较上周下降0.4分[7] 2. **MASS均线排列模型（行业应用）** - 看多行业：煤炭（短期得分38.98）、公用事业（77.97）、食品饮料（79.66）[20] - 看空行业：电子（短期得分25.42）、医药生物（40.68）、家用电器（32.20）[20] 3. **RSI风格择时模型** - 成长/价值：20日RSI=26.79，60日RSI=46.02（价值占优）[23] - 小盘/大盘：20日RSI=32.86，60日RSI=52.49（大盘占优）[23] --- 因子的回测效果 1. **科创50成交占比因子** - 近期变化：从1分降至-1分（快速跌破下轨）[12] - 资金流向：单周净流出科创板20.49亿人民币[12] 2. **主力买入力量因子** - 本周累计净流出：209亿人民币[14] - 尾盘净流入：周一9亿，周二/周四合计3亿[14]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称**：四轮驱动行业轮动模型 - **模型构建思路**：通过多维度信号捕捉行业轮动机会，结合技术面、资金面、拥挤度等指标筛选潜在优势行业[7][17] - **模型具体构建过程**： 1. **信号类型**：包括弱势行业反转、资金效应异动、低位金叉、趋势突破等，通过历史回测确定信号有效性阈值 2. **止损机制**：设置板块自身止损（如回撤超阈值）和死叉出局规则（技术指标恶化）[17] 3. **行业排序**：综合信号强度、Sharpe比率（过去1年）和拥挤度（0/1二元标记）进行加权排序[17] - **模型评价**：多因子动态权重设计适应市场切换，但依赖历史参数可能滞后于极端行情 2. **模型名称**：行业相对温度计 - **模型构建思路**：通过高频/低频温度计指标衡量行业估值性价比，定位超跌反弹机会[8][9][13] - **模型具体构建过程**： 1. **温度计计算**： $$ \text{温度计值} = \frac{\text{当前行业估值百分位}}{\text{全市场估值波动率}} \times 100 $$ 其中估值百分位采用近5年PE/PB/PS三因子复合分位数[13] 2. **信号触发**：当温度计值≤34时判定为"偏低"状态（研报中宽基指数均值＜34）[8] 模型的回测效果 1. **四轮驱动行业轮动模型**： - 电子行业信号命中率62%（2025年回溯）[17] - 组合年化超额收益9.8%（vs.沪深300，2024-2025）[17] 2. **行业相对温度计**： - 温度计≤34时未来3个月行业平均收益12.3%（2018-2025回测）[13] 量化因子与构建方式 1. **因子名称**：拥挤度因子 - **因子构建思路**：通过成交金额占比异动监测行业过热/过冷状态[11] - **因子具体构建过程**： $$ \text{拥挤度} = \frac{\text{行业近20日成交额占比}}{\text{行业近1年成交额占比中位数}} - 1 $$ 当值＞15%时标记为拥挤（D），＜-10%为低拥挤（0）[17] 2. **因子名称**：资金效应异动因子 - **因子构建思路**：捕捉主力资金流向的边际变化[17] - **因子具体构建过程**： 1. 计算行业北向资金5日净流入Z-score 2. 当Z-score＞2且成交量放大20%时触发信号[17] 因子的回测效果 1. **拥挤度因子**： - 低拥挤行业未来1月胜率58%（2010-2025）[11] 2. **资金效应异动因子**： - 信号后20日行业超额收益IR 1.72[17] 注：所有指标取值均来自2025年4月20日截面数据[7][8][11][13][17]

量化模型与构建方式 1. **模型名称**：时点风险因子 - **构建思路**：针对外部风险事件的突发性，通过监测中证全指指数的振幅与成交额突破阈值（5日均值+1倍标准差）的突变时点，以个股当日涨跌幅构建风险因子，利用风险的短期集聚效应实现风险脱敏[4][9]。 - **具体构建过程**： 1. **振幅突变**：当日中证全指的振幅突破过去5日均值+1倍标准差时，以个股当日涨跌幅作为因子取值： $$f_{\_}tr_{t}=\begin{cases}re_{t}&if\,tr_{zxqz,t}>ts\_mean\big{(}tr_{zxqz,t-1},5\big{)}+ts\_std\big{(}tr_{zxqz,t-1},5\big{)},\\ f_{t-1}&else.\end{cases}$$ 2. **成交额突变**：当日中证全指的成交额突破阈值时，类似公式构造[32]。 3. **价量均突变**：同时满足振幅和成交额突破阈值时，以当日涨跌幅为因子取值： $$time\_risk_{t}=\begin{cases}ret_{t}&if\;tv_{xuzx,t}>ts\_mean\big{(}tr_{xuzx,t-1},5\big{)}+ts\_std\big{(}tr_{xuzx,t-1},5\big{)}\\ &and\;amt_{xuzx,t}>ts\_mean\big{(}amt_{xuzx,t-1},5\big{)}+ts\_std\big{(}amt_{xuzx,t-1},5\big{)},\\ f_{t-1}&else.\end{cases}$$ - **评价**：因子通过非参数化方式捕捉隐式风险，有效应对突发性市场冲击[4][32]。 2. **模型名称**：价格类风险因子（复合因子） - **构建思路**：通过多维度价格指标（如244日前高距离、Beta、波动率等）构建结构化风险因子，增强风险模型解释力[78][80]。 - **具体构建过程**： - **244日前高距离**：$$/_(_ (, 244) , 1)$$ - **Beta**：沿用Barra的Beta因子[80]。 - **波动率**：Barra的Volatility因子[80]。 - **评价**：覆盖全维度风险，与Barra模型结合后显著提升风险解释力（周度R2从7.88%提升至10.18%）[83]。 --- 模型的回测效果 1. **时点风险因子（中证500增强）**： - 超额收益：从4.67%提升至8.59%（20241031）[5][48]。 - 相对最大回撤：从-8.64%降至-4.65%[48]。 - 信息比（IR）：从0.63提升至1.6[48]。 - 跟踪误差：从7.22%降至5.63%[48]。 2. **价格类风险因子（中证500增强）**： - 超额收益：14.26%（全样本期）[87]。 - 相对最大回撤：-4.32%[87]。 - 信息比（IR）：3.74[87]。 --- 量化因子与构建方式 1. **因子名称**：振幅突变因子 - **构建过程**：同上述时点风险因子中的振幅突变部分[32]。 2. **因子名称**：成交额突变因子 - **构建过程**：同上述时点风险因子中的成交额突变部分[32]。 3. **因子名称**：价量均突变因子 - **构建过程**：综合振幅与成交额突变条件[32]。 --- 因子的回测效果 1. **振幅突变因子**： - IC均值：-0.009，IC绝对值均值：0.098，年化ICIR：-0.498[44]。 - 周度自相关系数：0.30[44]。 2. **价量均突变因子**： - IC均值：-0.012，IC绝对值均值：0.100，年化ICIR：-0.646[44]。 - 周度自相关系数：0.61[44]。 3. **价格类风险因子（如244日前高距离）**： - IC均值：-0.019，IC绝对值均值：0.125，年化ICIR：-0.82[78]。 --- 关键结论 - **时点风险因子**：显著改善突发风险下的组合表现，尤其适用于事件驱动型市场[5][48]。 - **价格类风险因子**：通过多维度覆盖提升风险模型稳健性，与Barra模型互补[83][87]。

根据提供的研报内容，以下是关于量化模型和因子的总结： 量化模型与构建方式 1. **模型名称：中证红利超额收益择时策略**[8] * **模型构建思路**：基于全球流动性（10年期美债收益率）、内部流动性（国内M2同比）和国内经济预期（国内M1-M2同比剪刀差）这三个宏观维度，构建对中证红利指数相对于万得全A指数超额收益的择时模型。[8] * **模型具体构建过程**：报告提及了该策略的存在及其历史表现（自2010年以来年化收益7.97%），但未详细阐述三个宏观指标的具体合成规则、信号产生机制（例如，如何根据均线交叉或其他阈值判断多空）以及最终的仓位或权重决定过程。[8] 2. **模型名称：红利50优选组合**[46] * **模型构建思路**：在传统高股息选股的基础上，叠加多因子模型增强资本利得收益，并采用Barra风格因子进行风险控制，同时结合三维红利超额择时模型的观点动态调整红利风格暴露度以进一步增厚收益。[46] * **模型具体构建过程**：报告指出该组合是“线性多因子模型”，并使用了“Barra风格因子约束”，但未提供具体的因子构成、因子权重、组合优化目标函数或择时信号如何具体影响组合构建的详细步骤。[46] 模型的回测效果 1. **中证红利超额收益择时策略**，自2010年以来年化收益为7.97%，2025年以来收益为-8.46%[8] 2. **红利50优选组合**，近一年绝对收益3.13%，超额收益2.70%；近三月绝对收益-0.72%，超额收益-1.81%；2022年以来绝对收益48.47%，超额收益21.14%[47] 量化因子与构建方式 1. **因子名称：红利风格暴露度**[37] * **因子构建思路**：用于衡量偏股型公募基金在投资组合中对红利风格（高股息）股票的偏好程度。[37] * **因子具体构建过程**：首先，标准化每个季报期截面的A股股息率，形成股息率因子。然后，合并每个季度偏股型公募基金（普通股票型、偏股混合型、灵活配置型）的前十大重仓持股。最后，基于这些重仓持股的标准化股息率，计算基金在红利风格上的暴露度。[37] 计算公式可理解为： $$Exposure_t = \sum_{i=1}^{N} (w_{i,t} \cdot Z(DY_{i,t}))$$ 其中，$Exposure_t$ 是基金在时间 $t$ 的红利风格暴露度，$w_{i,t}$ 是股票 $i$ 在基金前十大重仓中的权重，$DY_{i,t}$ 是股票 $i$ 在时间 $t$ 的股息率，$Z(\cdot)$ 代表标准化函数。 2. **因子名称：绝对PETTM近三年百分位**[18] * **因子构建思路**：计算中证红利指数当前市盈率（TTM）在其过去三年历史中的分位数，以衡量其估值水平的高低。[18] * **因子具体构建过程**：采用权重因子加权的方式（以适配指数股息率加权的特性）计算中证红利指数的PETTM。然后，计算当前PETTM值在过去三年（约36个月）历史数据中所处的百分位位置。[18] 3. **因子名称：相对PETTM近三年百分位**[22] * **因子构建思路**：计算中证红利指数PETTM与万得全A指数PETTM的比值，并观察该比值在过去三年历史中的分位数，以衡量红利风格相对于全市场的估值高低。[22] * **因子具体构建过程**：首先，分别计算中证红利指数和万得全A指数的PETTM。然后，计算相对估值：$相对PETTM = \frac{PETTM_{中证红利}}{PETTM_{万得全A}}$。最后，计算该相对估值在过去三年历史数据中所处的百分位位置。[22] 4. **因子名称：120日均线上权重合计**[24] * **因子构建思路**：计算中证红利指数中所有价格位于120日移动平均线之上的成分股的权重之和，用以衡量指数整体的价格趋势强度。[24] * **因子具体构建过程**：对于中证红利指数的每一个成分股，判断其当前价格是否高于其120日移动平均线。将所有满足条件的成分股在指数中的权重进行加总，得到该因子的值。[24] 5. **因子名称：绝对成交额近三年百分位**[31] * **因子构建思路**：计算中证红利指数当前成交额在其过去三年历史中的分位数，用以衡量当前的交易活跃度和拥挤度。[31] * **因子具体构建过程**：获取中证红利指数的历史日度成交额数据。计算当前成交额在过去三年（约36个月）历史数据中所处的百分位位置。[31] 6. **因子名称：相对成交额近三年百分位**[31] * **因子构建思路**：计算中证红利指数成交额与万得全A指数成交额的比值，并观察该比值在过去三年历史中的分位数，用以衡量红利风格相对于全市场的交易活跃度和拥挤度。[31] * **因子具体构建过程**：首先，分别获取中证红利指数和万得全A指数的日度成交额数据。然后，计算相对成交额：$相对成交额 = \frac{成交额_{中证红利}}{成交额_{万得全A}}$。最后，计算该相对成交额比值在过去三年历史数据中所处的百分位位置。[31] 因子的回测效果 报告提供了多个因子与未来收益之间的相关性及回归统计量，但未提供这些因子作为投资信号（例如，十分组回测）的具体绩效指标（如年化收益、夏普比率、信息比率等）。所提供的统计量如下： 1. **绝对PETTM近三年百分位**，与未来一年绝对收益的相关性系数为-29.43%，回归T统计值为-15.38[18] 2. **相对PETTM近三年百分位**，与未来一年超额收益的相关性系数为-32.28%，回归T统计值为-17.03[22] 3. **120日均线上权重合计**，与未来一年绝对收益的相关性系数为-43.69%，回归T统计值为-20.38[24] 4. **绝对成交额近三年百分位**，与未来一年绝对收益的相关性系数为-39.71%，回归T统计值为-21.61[28][31] 5. **相对成交额近三年百分位**，与未来一月超额收益的相关性系数为-13.67%，回归T统计值为-7.20[31] 报告还提供了基于最新数据（2025年4月18日）通过回归方程计算出的未来收益预测点估计值： 1. **绝对PETTM近三年百分位**（96.80%），预测未来一年绝对收益为-0.67%[18][23] 2. **相对PETTM近三年百分位**（88.38%），预测未来一年超额收益为-0.54%[23] 3. **120日均线上权重合计**（51.07%），预测未来一年绝对收益为9.15%[24] 4. **绝对成交额近三年百分位**（69.96%），预测未来一年绝对收益为7.52%[31] 5. **相对成交额近三年百分位**（20.29%），预测未来一月超额收益为0.60%[32]

量化模型与构建方式 1. **模型名称**：利率价量多周期择时策略 - **模型构建思路**：通过核回归算法捕捉利率趋势形态，识别不同周期（长、中、短）下的支撑线和阻力线，结合突破信号生成多周期复合择时观点[10][12] - **模型具体构建过程**： 1. **信号生成**： - 长周期（月度）、中周期（双周）、短周期（周度）分别计算利率的支撑线和阻力线 - 判断利率是否突破支撑线（下行）或阻力线（上行） - 综合规则： - 至少2个周期同向突破且趋势非反向时，满配对应久期（如长久期或短久期） - 突破但趋势反向时，配置中久期与目标久期等权组合 - 其他情况等权配置三种久期[22] 2. **止损机制**：单日超额收益<-0.5%时切换为等权配置[22] - **模型评价**：策略通过多周期共振增强信号稳定性，长期胜率高 2. **模型名称**：公募债基久期测算模型 - **模型构建思路**：基于改进的回归模型动态跟踪公募基金的久期及分歧水平[13][16] - **模型具体构建过程**： 1. **数据输入**：全市场中长期纯债基金的持仓数据（含杠杆调整） 2. **计算指标**： - 久期中位数：$$ \text{Median}(D_i) $$，其中$D_i$为第$i$只基金的久期 - 久期分歧：截面标准差 $$ \sigma_D = \sqrt{\frac{1}{N}\sum_{i=1}^N (D_i - \bar{D})^2} $$ - 平滑处理：4周移动平均[13][14] - **模型评价**：有效捕捉机构行为变化，分位数指标提供历史参考 --- 量化因子与构建方式 1. **因子名称**：利率水平结构因子 - **因子构建思路**：反映利率绝对水平偏离历史均值的程度[7][9] - **因子具体构建过程**： 1. 计算1-10年期国债到期收益率（YTM）的均值 $$ \text{Level} = \frac{1}{10}\sum_{t=1}^{10} \text{YTM}_t $$ 2. 标准化为分位数：滚动3/5/10年窗口计算历史分位[9] 2. **因子名称**：利率期限结构因子 - **因子构建思路**：刻画长短期利差特征[7][9] - **因子具体构建过程**： 1. 计算期限利差 $$ \text{Slope} = \text{YTM}_{10} - \text{YTM}_1 $$ 2. 分位数标准化同水平结构[9] 3. **因子名称**：利率凸性结构因子 - **因子构建思路**：衡量收益率曲线凸性变化[7][9] - **因子具体构建过程**： 1. 计算凸性值 $$ \text{Convexity} = \text{YTM}_5 - \frac{\text{YTM}_1 + \text{YTM}_{10}}{2} $$ 2. 分位数标准化[9] --- 模型的回测效果 1. **利率价量多周期择时策略** - 长期年化收益率：6.22% - 最大回撤：1.53% - 收益回撤比：2.27 - 超额收益率（vs久期等权基准）：1.69%[23][26] - 逐年胜率（绝对收益>0）：100%[4] 2. **公募债基久期测算模型** - 当前久期中位数：3.03年（历史5年分位数82.63%） - 久期分歧：1.48年（历史5年分位数54.44%）[14] --- 因子的回测效果 1. **利率水平结构因子** - 当前读数：1.54%（3/5/10年分位数：7%/4%/2%）[9] 2. **利率期限结构因子** - 当前读数：0.22%（3/5/10年分位数：1%/0%/4%）[9] 3. **利率凸性结构因子** - 当前读数：-0.07%（3/5/10年分位数：4%/2%/2%）[9]

根据提供的研报内容，以下是量化模型与因子的详细总结： 量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9] - **具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年分红点位进行预测 2. 按合约存续期（当月/次月/当季/下季）拆分预测结果 3. 计算公式： $$分红占比 = \frac{下季合约存续期内分红点位}{未来一年总分红点位} \times 100\%$$ 示例：中证500下季合约IC2509分红占比1.51%[9] 2. **模型名称：基差修正模型** - **构建思路**：剔除分红影响后计算年化基差，反映期货合约真实定价偏差[22] - **具体构建过程**： 1. 计算实际基差：合约收盘价 - 标的指数收盘价 2. 调整预期分红： $$调整后基差 = 实际基差 + 存续期内未实现预期分红$$ 3. 年化处理： $$年化基差 = \frac{调整后基差}{指数价格} \times \frac{360}{合约剩余天数}$$ 示例：IC2506合约年化基差-11.21%[23] 3. **模型名称：期现对冲策略** - **构建思路**：通过做空股指期货对冲现货风险，包含连续对冲和最低贴水两种策略[46][48] - **具体构建过程**： - **连续对冲策略**： 1. 持有季月/当月合约至到期前2日平仓 2. 同步开仓下一季月/当月合约 - **最低贴水策略**： 1. 每日计算所有可交易合约的年化基差 2. 选择贴水幅度最小的合约开仓 3. 持有8个交易日或至到期前2日 量化因子与构建方式 1. **因子名称：Cinda-VIX波动率指数** - **构建思路**：反映期权市场对标的资产未来波动率的预期[64] - **具体构建过程**： 1. 基于不同期限（30/60/90/120日）期权隐含波动率计算 2. 示例：中证1000VIX_30取值为28.63[64] 2. **因子名称：Cinda-SKEW偏斜指数** - **构建思路**：衡量期权市场对极端风险的定价，>100预示市场担忧下跌风险[70] - **具体构建过程**： 1. 分析虚值看涨/看跌期权隐含波动率差异 2. 示例：沪深300SKEW取值为102.42[71] 模型的回测效果 | 策略类型 | 年化收益 | 波动率 | 最大回撤 | 净值 | 年换手次数 | |------------------|----------|--------|----------|--------|------------| | IC季月连续对冲 | -1.68% | 4.89% | -8.34% | 0.9549 | 4 | | IC最低贴水策略 | -0.77% | 4.80% | -7.97% | 0.9791 | 18.01 | | IF季月连续对冲 | 1.06% | 3.45% | -4.03% | 1.0290 | 4 | | IF最低贴水策略 | 1.65% | 3.24% | -4.06% | 1.0454 | 15.43 | | IH季月连续对冲 | 2.20% | 3.66% | -3.75% | 1.0609 | 4 | | IM最低贴水策略 | -3.40% | 5.35% | -11.11% | 0.9102 | 16.54 | [50][55][59][61] 因子的回测效果 | 因子名称 | 当前值 | |------------------|----------| | 上证50VIX_30 | 19.27 | | 沪深300VIX_30 | 20.0 | | 中证500VIX_30 | 32.09 | | 中证1000VIX_30 | 28.63 | | 上证50SKEW | 101.91 | | 沪深300SKEW | 102.42 | | 中证1000SKEW | 102.36 | [64][71] 模型评价 - **分红预测模型**：有效捕捉成分股分红对期货定价的影响，但依赖历史分红数据的稳定性[9] - **最低贴水策略**：在多数指数上表现优于连续对冲策略，但换手成本较高[50][55][59] - **Cinda-VIX**：能灵敏反映市场波动预期变化，尤其对中小盘波动预警效果显著[64]