- 公募量化基金的主赛道为指数增强型基金，其中沪深300和中证500增强基金合计规模占比接近50%[4][5] - 2025年新发方向主要集中在中证A500增强基金，目前有3只中证A500增强基金正在发行，另有26只在申报进程中[4][5] - 历史经验表明，单纯提高交易频率和降低成分股占比无法显著提高超额收益，传统成分股内的低频交易策略仍具有优势[4][5]

量化模型与构建方式 1. 模型名称：综合配置策略模型 - **模型构建思路**：根据各个细分行业的景气度信号，配置景气上行及景气持平、且拥挤度较低的行业[2][28] - **模型具体构建过程**： - 每月更新时，根据各个细分行业的景气度信号，配置景气上行及景气持平、且拥挤度较低的行业 - 景气持平行业的权重设置为景气上行行业的一半 - 最终形成综合配置策略[2][28] - **模型评价**：该模型通过动态调整行业配置，旨在捕捉景气度上行的行业机会，同时规避拥挤度较高的行业风险[2][28] 模型的回测效果 - 综合配置策略模型，最近1个月收益0.3%，相对行业等权指数及中证800的超额收益分别为-1.1%和-1.1%[2][28] - 综合配置策略模型，最近3个月收益-9.2%，相对行业等权指数及中证800的超额收益分别为-2.4%和-2.8%[30] - 综合配置策略模型，最近6个月收益18.4%，相对行业等权指数及中证800的超额收益分别为1.4%和3.7%[30] - 综合配置策略模型，2025年以来收益-3.5%，相对行业等权指数及中证800的超额收益分别为-0.6%和-0.4%[30] 量化因子与构建方式 1. 因子名称：行业景气度因子 - **因子的构建思路**：通过分析各行业的景气度信号，判断行业的景气上行、持平或下行状态[6][7] - **因子具体构建过程**： - 收集各行业的景气度数据 - 根据景气度数据，判断行业的景气状态（上行、持平、下行） - 将景气持平行业的权重设置为景气上行行业的一半[6][7] - **因子评价**：该因子通过景气度信号的分析，能够较好地反映行业的景气状态，为行业配置提供依据[6][7] 因子的回测效果 - 行业景气度因子，汽车行业景气度指标边际上行[9][11] - 行业景气度因子，光伏行业综合景气指标边际上行[18][21] - 行业景气度因子，消费电子综合景气指标边际上行[24][25]

量化模型与构建方式 1. 模型名称：基差修正模型 - **模型构建思路**：通过调整股指期货基差中的分红影响，剔除成分股分红对基差的干扰，以更准确地反映期货合约的真实基差水平[16] - **模型具体构建过程**： - 基差定义为合约收盘价与标的指数收盘价的差值 - 分红影响提前反映在期货合约价格中，因此需要剔除分红的影响 - 调整公式为： $ 预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红 $[16] - 年化基差计算公式为： $ 年化基差 = (实际基差 + (预期)分红点位)/指数价格 × 360/合约剩余天数 $[16] - **模型评价**：通过剔除分红影响，模型能够更准确地反映期货合约的真实基差水平[16] 2. 模型名称：期现对冲策略模型 - **模型构建思路**：基于股指期货基差收敛的特性，通过对冲优化策略实现风险管理和收益提升[40] - **模型具体构建过程**： - **连续对冲策略**： - 现货端持有标的指数的全收益指数，期货端做空对应股指期货合约 - 现货端使用70%资金，期货端使用30%资金 - 调仓规则：持有季月/当月合约，直至合约到期前2日平仓并换仓下一合约[41] - **最低贴水策略**： - 选择年化基差贴水幅度最小的合约进行开仓 - 同一合约持有8个交易日或到期前2日换仓[42] - **模型评价**：通过优化调仓规则和基差选择，策略能够在一定程度上降低波动率和回撤[40][41][42] 3. 模型名称：信达波动率指数（Cinda-VIX） - **模型构建思路**：借鉴海外经验，结合我国场内期权市场实际情况，开发反映市场波动性的指数[58] - **模型具体构建过程**： - 基于期权市场隐含波动率，计算投资者对标的资产未来波动的预期 - 指数具有期限结构，反映不同期限内的波动预期[58] - **模型评价**：能够准确反映市场波动性，为投资者提供重要的市场情绪参考[58] 4. 模型名称：信达波动率偏斜指数（Cinda-SKEW） - **模型构建思路**：通过捕捉不同行权价格期权隐含波动率的偏斜特征，衡量市场对标的资产未来收益分布的预期[64] - **模型具体构建过程**： - 计算不同行权价格期权的隐含波动率 - 分析波动率偏斜程度，得出SKEW指数 - SKEW指数高于100时，表明市场对极端负面事件的担忧加剧[64][65] - **模型评价**：能够捕捉市场对尾部风险的预期，为风险管理提供有价值的信息[64][65] --- 模型的回测效果 1. 基差修正模型 - 无具体回测效果数据 2. 期现对冲策略模型 - **中证500（IC）**： - 年化收益：当月连续对冲-1.96%，季月连续对冲-2.01%，最低贴水策略-1.02%，指数表现-2.94% - 波动率：当月连续对冲4.06%，季月连续对冲4.98%，最低贴水策略4.88%，指数表现21.36% - 最大回撤：当月连续对冲-7.51%，季月连续对冲-8.34%，最低贴水策略-7.97%，指数表现-31.46% - 净值：当月连续对冲0.9513，季月连续对冲0.9501，最低贴水策略0.9746，指数表现0.9276[44] - **沪深300（IF）**： - 年化收益：当月连续对冲0.93%，季月连续对冲0.76%，最低贴水策略1.29%，指数表现-3.32% - 波动率：当月连续对冲2.90%，季月连续对冲3.28%，最低贴水策略3.07%，指数表现17.60% - 最大回撤：当月连续对冲-3.95%，季月连续对冲-4.03%，最低贴水策略-4.06%，指数表现-25.59% - 净值：当月连续对冲1.0236，季月连续对冲1.0192，最低贴水策略1.0328，指数表现0.9185[49] - **上证50（IH）**： - 年化收益：当月连续对冲1.30%，季月连续对冲2.02%，最低贴水策略1.70%，指数表现-3.44% - 波动率：当月连续对冲3.15%，季月连续对冲3.56%，最低贴水策略3.11%，指数表现16.89% - 最大回撤：当月连续对冲-4.22%，季月连续对冲-3.75%，最低贴水策略-3.91%，指数表现-22.96% - 净值：当月连续对冲1.0330，季月连续对冲1.0517，最低贴水策略1.0435，指数表现0.9156[52] - **中证1000（IM）**： - 年化收益：当月连续对冲-4.90%，季月连续对冲-4.38%，最低贴水策略-3.77%，指数表现-5.29% - 波动率：当月连续对冲4.23%，季月连续对冲5.28%，最低贴水策略5.15%，指数表现24.84% - 最大回撤：当月连续对冲-13.84%，季月连续对冲-12.63%，最低贴水策略-11.11%，指数表现-41.60% - 净值：当月连续对冲0.8811，季月连续对冲0.8932，最低贴水策略0.9077，指数表现0.8720[55] 3. 信达波动率指数（Cinda-VIX） - 30日波动率指数： - 上证50VIX：21.59 - 沪深300VIX：21.68 - 中证500VIX：25.69 - 中证1000VIX：28.73[58] 4. 信达波动率偏斜指数（Cinda-SKEW） - SKEW指数： - 上证50SKEW：96.73 - 沪深300SKEW：98.05 - 中证500SKEW：99.86 - 中证1000SKEW：104.11[65]

量化模型与构建方式 1. 模型名称：大小盘风格轮动模型 - **模型构建思路**：基于国泰君安金融工程团队构建的A股风格因子体系，通过月度打分的量化模型结合月度效应与主观分析，确定大小盘风格的轮动观点[19][20] - **模型具体构建过程**： 1. 构建A股风格因子体系，涵盖8个大类因子和20个风格因子[19] 2. 基于风格因子体系，构建月度打分的量化模型，评估大小盘风格的表现[19] 3. 结合月度效应与主观分析，确定月度风格观点，并调整配置策略[20] - **模型评价**：模型能够结合因子表现与月度效应，动态调整风格配置，具有一定的前瞻性[19][20] 2. 模型名称：风险模型 - **模型构建思路**：基于多因子模型，将股票协方差矩阵分解为因子协方差矩阵和股票特质风险矩阵，以实现更准确的风险预测与投资组合归因[19][20] - **模型具体构建过程**： 1. 使用多因子模型，分解股票协方差矩阵为因子协方差矩阵和特质风险矩阵[20] 2. 更新因子协方差矩阵（最新数据截至2025/01/24）[20] 3. 应用风险模型对投资组合进行收益与风险归因[20] - **模型评价**：模型能够有效分解风险来源，为投资组合的优化和归因提供了科学依据[19][20] --- 模型的回测效果 1. 大小盘风格轮动模型 - **最新得分**：模型最新得分指向小盘风格[20] - **月度观点**：结合量化模型和月度效应，认为2月小盘风格有望占优，配置策略调整为超配小盘风格[20] 2. 风险模型 - **基金重仓指数**： - 年前一周：风格因子贡献超额收益-0.07%（动量因子-0.09%，成长因子0.08%），贡献超额风险68.61%（动量因子27.32%，市值因子22.53%）[20] - 2024年以来：风格因子贡献超额收益0.72%（市值因子1.94%，波动率因子1.70%），贡献超额风险85.78%（市值因子52.04%，波动率因子12.14%）[20] - **中证红利指数**： - 年前一周：风格因子贡献超额收益0.32%（价值因子1.01%，波动率因子-0.64%），贡献超额风险90.99%（波动率因子72.07%，价值因子8.01%）[20] - 2024年以来：风格因子贡献超额收益3.44%（价值因子8.10%，波动率因子-8.22%），贡献超额风险87.49%（波动率因子65.21%，价值因子8.42%）[20] - **微盘股指数**： - 年前一周：风格因子贡献超额收益-0.49%（价值因子-0.47%，动量因子-0.37%），贡献超额风险98.03%（市值因子79.20%，波动率因子11.20%）[20] - 2024年以来：风格因子贡献超额收益-0.66%（市值因子-10.19%，波动率因子9.87%），贡献超额风险98.79%（市值因子89.31%，波动率因子5.67%）[20] --- 量化因子与构建方式 1. 因子名称：波动率因子 - **因子构建思路**：衡量股票价格波动的程度，用于捕捉市场风险偏好变化[19] - **因子具体构建过程**：基于历史价格数据计算股票的波动率，作为因子值[19] - **因子评价**：波动率因子在2024年以来表现出较高的正向收益，显示其在捕捉市场风险偏好方面的有效性[19] 2. 因子名称：价值因子 - **因子构建思路**：衡量股票的估值水平，用于捕捉低估值股票的超额收益[19] - **因子具体构建过程**：基于市盈率、市净率等指标计算股票的估值水平，作为因子值[19] - **因子评价**：价值因子在2024年以来表现出较高的正向收益，显示其在捕捉低估值股票超额收益方面的有效性[19] 3. 因子名称：流动性因子 - **因子构建思路**：衡量股票的交易活跃程度，用于捕捉市场对流动性溢价的偏好[19] - **因子具体构建过程**：基于股票的成交量、换手率等指标计算流动性水平，作为因子值[19] - **因子评价**：流动性因子在2024年以来表现出负向收益，显示其在当前市场环境下的表现较弱[19] --- 因子的回测效果 1. 波动率因子 - **2024年以来**：正向收益较高[19] 2. 价值因子 - **2024年以来**：正向收益较高[19] 3. 流动性因子 - **2024年以来**：负向收益较高[19]

量化因子与构建方式 1. 因子名称：价格因子与产能因子 - **因子的构建思路**：通过动力煤长协机制的价格指数以及产能同比变化，逐月估计煤炭行业的营收增速和利润增速[7] - **因子具体构建过程**：根据动力煤长协机制，每个月最后一期价格指数决定下一个月的销售价格，结合价格因子和产能因子同比变化，逐月测算煤炭行业的营收和利润增速[7][9] 2. 因子名称：出栏系数法 - **因子的构建思路**：利用生猪出栏与能繁母猪存栏的比例关系，测算未来6个月的生猪供需缺口[10] - **因子具体构建过程**： - 出栏系数公式： $ 出栏系数 = 单季度生猪出栏 / 能繁母猪存栏_{lag6m} $ 其中，$ lag6m $ 表示滞后6个月的能繁母猪存栏[10] - 潜在产能公式： $ 6个月后单季潜在产能 = t月能繁母猪存栏 \times (t+6月上年同期出栏系数) $[10] - 潜在需求公式： $ 6个月后生猪潜在需求 = t+6月上年同期单季度生猪出栏 $[11] - 通过供需缺口的测算，判断生猪价格的上行或下行周期[11] 3. 因子名称：钢材价格与成本因子 - **因子的构建思路**：综合考虑普通钢材售价与铁矿石、焦炭、喷吹煤、废钢等成本指标，预测普钢行业月度利润增速和单吨盈利[13] - **因子具体构建过程**：基于钢材价格和成本因子的变化，测算普钢行业的利润增速和单吨盈利[13] 4. 因子名称：玻璃与水泥价格因子 - **因子的构建思路**：通过价格指标和成本指标，跟踪玻璃和水泥制造行业的盈利变化，并设计配置信号[16] - **因子具体构建过程**：基于浮法玻璃和光伏玻璃的价格变化，以及水泥价格的恢复情况，测算行业利润增速[16][19] 5. 因子名称：燃料型炼化价格因子 - **因子的构建思路**：利用成品油燃料价格和原油价格的变化，测算行业利润增速和裂解价差，并设计配置信号[20] - **因子具体构建过程**：通过燃料价格、原油进口成本和裂解价差的变化，预测燃料型炼化行业的利润增速[20][22] --- 因子的回测效果 1. 价格因子与产能因子 - **煤炭行业利润同比增速**：2025年2月预测为同比下降[9] 2. 出栏系数法 - **生猪供需缺口**：2025年Q2预测供给短缺约260万头，维持均衡区间[12] 3. 钢材价格与成本因子 - **普钢行业利润同比增速**：2025年1月预测为同比下滑[15] 4. 玻璃与水泥价格因子 - **玻璃行业毛利**：2025年1月测算为同比下跌[19] - **水泥行业利润同比增速**：2025年1月预测为同比正增长[19] 5. 燃料型炼化价格因子 - **燃料型炼化行业利润同比增速**：2025年1月预测为同比正增长[20][22]

- 模型名称：DeepSeek-R1-Zero；模型构建思路：通过纯强化学习路径提升大模型的推理能力；模型具体构建过程：DeepSeek 团队直接在基础模型（base model）上应用强化学习，得到了 DeepSeek-R1-Zero 模型。随着强化学习迭代次数的上升，模型性能稳步提升。在测试集 AIME 2024 上，DeepSeek-R1-Zero 的单次准确率（pass@1）从初始的 15.6% 提升至 71.0%，多数投票（cons@64）后达 86.7%[47][49][50]；模型评价：模型能够从强化学习过程中获取增量信息，表现出自我演化过程[50] - 模型名称：DeepSeek-R1；模型构建思路：通过带有冷启动的强化学习方式提升模型性能；模型具体构建过程：DeepSeek 团队搭建了一个完整的流程，包括冷启动、推理导向的强化学习、拒绝采样与 SFT 等多种方法。首先通过监督微调帮助模型进入稳定训练状态，然后进行强化学习训练，最后进行拒绝采样和微调[55][56]；模型评价：冷启动数据输出内容更适合人类阅读，减少了语言混合与格式混乱问题[55] - 模型名称：DeepSeek-R1-Distill-Qwen；模型构建思路：通过蒸馏提升小模型的推理能力；模型具体构建过程：使用 80 万条思维链数据对 Qwen 和 Llama 等开源小模型进行微调，显著增强小模型的推理能力。蒸馏数据微调后的小模型在推理类任务上表现优于 OpenAI-o1-mini[57][58]；模型评价：蒸馏可将大模型的"推理思路"直接转移给小模型，取得远胜于自身独立强化学习的效果[58] - DeepSeek-R1-Zero 模型在 AIME 2024 测试集上的单次准确率（pass@1）从初始的 15.6% 提升至 71.0%，多数投票（cons@64）后达 86.7%[49] - DeepSeek-R1-Distill-Qwen 模型在 AIME 2024 测试集上的 pass@1 为 72.6%，cons@64 为 83.3%[59] - DeepSeek-R1-Distill-Qwen 模型在 MATH-500 测试集上的 pass@1 为 94.3%[59] - DeepSeek-R1-Distill-Qwen 模型在 GPQA 测试集上的 pass@1 为 62.1%[59] - DeepSeek-R1-Distill-Qwen 模型在 Diamond LiveCodeBench 测试集上的 pass@1 为 57.2%[59]

- 2月份券商金股推荐次数靠前的股票包括中芯国际、宁德时代、中兴通讯、宁波银行、上海港湾、中科创达、齐鲁银行等[10][11] - 2月份券商金股的市值水平下降，估值水平上升，表明转向成长风格[16][18] - 1月份券商金股组合整体收益率为0.8%，新进金股组合收益率为3.0%，重复金股组合收益率为-1.3%[4][17][20] - 开源金工优选金股组合1月份收益率为8.5%，2025年相对中证500超额10.9%，年化收益率为20.9%[5][22][25]

量化模型与构建方式 1. 模型名称：DeepSeek-V3 - **模型构建思路**：利用大模型的自然语言处理能力，对行业研报进行智能总结和整合，提炼核心观点和关键信息[2][8] - **模型具体构建过程**： 1. 从Wind数据库获取行业研报数据，筛选出符合条件的报告作为样本[8][22] 2. 将同一一级行业内的所有摘要合并，并与特定提示词拼接后输入DeepSeek-V3模型[8][17] 3. 模型输出包括行业名称、景气度、超预期程度等指标，结果以标准化JSON格式返回[17][20] 4. 为保证结果一致性，模型随机性参数设置为0[8][22] - **模型评价**：DeepSeek-V3在处理长文本和客观信息方面表现优异，能够有效提取行业研报中的关键信息，提升了行业比较的可操作性[3][17] --- 模型的回测效果 1. DeepSeek-V3模型 - **景气度**：通信设备（9.00）、互联网媒体（9.00）、专用机械（8.83）、计算机软件（8.80）等行业景气度较高[23][24] - **超预期程度**：通信设备（8.67）、互联网媒体（8.00）、专用机械（7.83）、计算机软件（7.88）等行业超预期程度较高[23][24] - **报告数目**：通信设备（3）、互联网媒体（6）、专用机械（6）、计算机软件（25）[23][24] - **景气度周变化**：通信设备（+0.18）、互联网媒体（+0.46）、专用机械（+0.40）、计算机软件（+0.24）[23][24] - **超预期程度周变化**：通信设备（+0.94）、互联网媒体（+0.32）、专用机械（+0.40）、计算机软件（+0.36）[23][24] --- 量化因子与构建方式 1. 因子名称：景气度因子 - **因子的构建思路**：通过对行业研报的文本分析，提取行业景气度信息，量化行业的整体表现[17][22] - **因子具体构建过程**： 1. 使用DeepSeek-V3模型对研报摘要进行解析，提取行业相关的景气度信息[22][23] 2. 按照中信二级行业分类，计算每个行业的景气度均值[22][23] 3. 仅保留报告数目大于2的行业，确保数据的代表性[22][23] 2. 因子名称：超预期程度因子 - **因子的构建思路**：通过分析行业研报中对行业表现的描述，量化行业的超预期表现程度[17][22] - **因子具体构建过程**： 1. 使用DeepSeek-V3模型解析研报摘要，提取超预期程度信息[22][23] 2. 按中信二级行业分类，计算超预期程度的均值[22][23] 3. 同样仅保留报告数目大于2的行业[22][23] --- 因子的回测效果 1. 景气度因子 - **景气度**：通信设备（9.00）、互联网媒体（9.00）、专用机械（8.83）、计算机软件（8.80）[23][24] - **景气度周变化**：通信设备（+0.18）、互联网媒体（+0.46）、专用机械（+0.40）、计算机软件（+0.24）[23][24] 2. 超预期程度因子 - **超预期程度**：通信设备（8.67）、互联网媒体（8.00）、专用机械（7.83）、计算机软件（7.88）[23][24] - **超预期程度周变化**：通信设备（+0.94）、互联网媒体（+0.32）、专用机械（+0.40）、计算机软件（+0.36）[23][24]

量化模型与构建方式 量化组合模型 1. **模型名称**：基于研报覆盖度调整的指数增强模型 **模型构建思路**：在不同宽基指数（如沪深300、中证500、中证1000）内，根据研报覆盖度区分两种域，并运用各自适用性因子进行增强，以提升组合表现[42] **模型具体构建过程**： - 将宽基指数内的股票根据研报覆盖度划分为高覆盖度域和低覆盖度域 - 针对不同域分别选用适合的因子进行增强 - 通过优化组合权重，构建增强指数组合 **模型评价**：该模型在不同宽基指数内均表现出较好的超额收益能力，且通过因子适配提升了模型的稳定性和收益率[42] --- 量化因子与构建方式 盈利因子 1. **因子名称**：盈利因子 **因子的构建思路**：通过盈利相关指标（如ROA、ROE、净利润增长等）衡量企业盈利能力，并以此作为选股依据[35][36] **因子具体构建过程**： - 计算单季度ROA同比差值、单季度ROE同比差值等盈利指标 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取盈利因子方向下前1/5组股票作为多头组合 **因子评价**：盈利因子在不同时间维度、宽基指数和行业板块中均表现较好，尤其在小市值股票中超额收益更高[35][36] 2. **因子名称**：一致预测因子 **因子的构建思路**：基于市场一致预期的盈利预测变化，捕捉市场对公司未来盈利能力的预期变化[35][36] **因子具体构建过程**： - 计算一致预测指标的变化率，如：(当前一致预测dps_FY1 - 3个月前一致预测dps_FY1)/3个月前一致预测dps_FY1绝对值 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取一致预测因子方向下前1/5组股票作为多头组合 **因子评价**：一致预测因子在盈利预测变化较大的情况下表现尤为突出，且在小市值股票中超额收益更高[35][36] 行为因子 1. **因子名称**：行为因子 **因子的构建思路**：通过市场行为数据（如资金流、换手率等）捕捉投资者行为模式，挖掘潜在的Alpha信号[39] **因子具体构建过程**： - 计算资金流相关指标，如融资净买入-融券净买入、主动大单资金净流入等 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取行为因子方向下前1/5组股票作为多头组合 **因子评价**：行为因子在金融、消费、科技等板块中表现较好，胜率较高[39] --- 模型的回测效果 1. **基于研报覆盖度调整的指数增强模型** - 沪深300增强组合：上周超额收益-0.10%，1月超额收益2.50%，本年超额收益2.50% - 中证500增强组合：上周超额收益0.42%，1月超额收益0.32%，本年超额收益0.32% - 中证1000增强组合：上周超额收益0.98%，1月超额收益1.64%，本年超额收益1.64%[42][46] --- 因子的回测效果 1. **盈利因子** - 近一周多头超额收益：评级上下调差/评级上下调和1.13%，市盈率倒数fy1 0.99%，30天一致预期目标价格/收盘价-1 0.99%[36] - 不同宽基指数下表现：单季度ROA同比差值在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为2.62%、2.43%、2.62%、2.53%[38] 2. **一致预测因子** - 近一周多头超额收益：(当前一致预测dps_FY1 - 3个月前一致预测dps_FY1)/3个月前一致预测dps_FY1绝对值1.11%，(当前一致预测dps_FY1 - 1个月前一致预测dps_FY1)/1个月前一致预测dps_FY1绝对值1.01%[36] - 不同宽基指数下表现：评级上下调差/评级上下调和在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为0.75%、2.26%、2.94%、3.48%[38] 3. **行为因子** - 在金融、消费、科技等板块中表现较好，胜率较高[39]

量化模型与构建方式 1. 模型名称：港股多因子模型 - **模型构建思路**：基于技术面、资金面、基本面和分析师预期四大类因子，构建多因子模型以筛选港股通成分股[31][32] - **模型具体构建过程**： 1. 从港股通成分股中提取四大类因子： - 技术面因子：如动量、波动率等指标 - 资金面因子：如资金流入流出、持仓变化等 - 基本面因子：如市盈率（PE）、市净率（PB）、ROE等 - 分析师预期因子：如盈利预测调整、目标价变化等 2. 对因子进行标准化处理，消除量纲差异 3. 根据因子得分对股票进行排序，选取得分最高的前20只个股构建组合 4. 组合采用等权配置，基准为港股综合指数（930930.CSI）[31][34] - **模型评价**：模型在全区间内表现优异，能够有效捕捉超额收益[31][34] --- 模型的回测效果 港股多因子模型 - **超额年化收益率**：14.7% - **超额收益波动比**：1.1 - **超额最大回撤**：18.2% - **分年度表现**： - 2015年：超额年化收益率5.0%，超额收益波动比0.4 - 2016年：超额年化收益率15.3%，超额收益波动比2.0 - 2017年：超额年化收益率25.8%，超额收益波动比3.1 - 2018年：超额年化收益率-7.2%，超额收益波动比-0.8 - 2019年：超额年化收益率35.3%，超额收益波动比2.8 - 2020年：超额年化收益率58.5%，超额收益波动比3.4 - 2021年：超额年化收益率8.6%，超额收益波动比0.8 - 2022年：超额年化收益率-1.2%，超额收益波动比-0.1 - 2023年：超额年化收益率7.7%，超额收益波动比0.8 - 2024年：超额年化收益率11.3%，超额收益波动比0.9 - 2025年：超额年化收益率37.1%[34][35][36] --- 量化因子与构建方式 1. 因子名称：技术面因子 - **因子构建思路**：通过动量、波动率等指标捕捉股票的技术性趋势[31][32] - **因子具体构建过程**： 1. 计算股票的历史收益率和波动率 2. 根据动量指标（如过去3个月或6个月的收益率）对股票进行排序 3. 结合波动率指标，筛选出技术面表现优异的股票[31][32] 2. 因子名称：资金面因子 - **因子构建思路**：通过资金流入流出、持仓变化等指标反映市场资金偏好[31][32] - **因子具体构建过程**： 1. 统计港股通资金流入流出数据 2. 计算资金流入占比和持仓市值变化 3. 对资金流入占比高的股票赋予更高权重[31][32] 3. 因子名称：基本面因子 - **因子构建思路**：通过市盈率（PE）、市净率（PB）、ROE等指标评估股票的基本面价值[31][32] - **因子具体构建过程**： 1. 提取股票的PE、PB、ROE等财务指标 2. 对指标进行标准化处理 3. 根据基本面得分对股票进行排序[31][32] 4. 因子名称：分析师预期因子 - **因子构建思路**：通过盈利预测调整、目标价变化等指标反映市场预期[31][32] - **因子具体构建过程**： 1. 收集分析师对股票的盈利预测和目标价数据 2. 计算盈利预测调整幅度和目标价变化率 3. 对预期改善幅度大的股票赋予更高权重[31][32] --- 因子的回测效果 技术面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 资金面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 基本面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 分析师预期因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 [31][32][34]