量化模型与因子分析总结 量化模型与构建方式 1. **基准规模计算模型** - 模型构建思路：计算基金在各基准指数上的配置规模[10] - 模型具体构建过程： $$bmAsset_i = \sum_{j=1}^{N} fundAsset_j \times weight_{i,j}$$ 其中，$bmAsset_i$为基准指数i的配置规模，$fundAsset_j$为基金j的规模，$weight_{i,j}$为指数i在基金j中的基准权重占比[10] 2. **行业基准规模计算模型** - 模型构建思路：计算各行业在基准指数中的配置规模[15] - 模型具体构建过程： $$bmInduAsset_k = \sum_{s=1}^{S} bmStkAsset_s$$ 其中，$bmInduAsset_k$为行业k的基准规模，$bmStkAsset_s$为股票s的基准规模[15] 3. **个股基准规模计算模型** - 模型构建思路：计算个股在基准指数中的配置规模[17] - 模型具体构建过程： $$bmStkAsset_s = \sum_{i=1}^{I} bmAsset_i \times stkWeight_{s,i}$$ 其中，$bmAsset_i$为指数i的基准规模，$stkWeight_{s,i}$为股票s在指数i中的权重[17] 4. **行业持仓市值计算模型** - 模型构建思路：估算基金在各行业的持仓市值[18] - 模型具体构建过程： $$fundInduAsset_{k,T} = \sum_{s=1}^{S} \sum_{j=1}^{J} \frac{stkMv_{j,s,T-1}}{totalStkMv_{j,T-1}} \times totalStkMv_{j,T}$$ 其中，$fundInduAsset_{k,T}$为行业k在T时点的持仓市值，$stkMv_{j,s,T-1}$为基金j在T-1时点持有股票s的市值，$totalStkMv_{j,T-1}$为基金j在T-1时点的股票总市值，$totalStkMv_{j,T}$为基金j在T时点的股票总市值[18] 量化因子与构建方式 1. **行业偏离度因子** - 因子构建思路：衡量基金持仓与基准在行业配置上的差异[19] - 因子具体构建过程：计算各行业持仓市值占比与基准行业占比的差值[19] - 因子评价：有效识别基金行业配置偏离情况[19] 2. **行业潜在冲击因子** - 因子构建思路：标准化处理行业偏离度，考虑行业容量影响[23] - 因子具体构建过程：行业低配额/行业自由流通市值[23] - 因子评价：使不同行业间的偏离度具有可比性[23] 模型的回测效果 1. **基准规模计算模型** - 沪深300基准规模：10,885.12亿元[12] - 中证800基准规模：4,087.00亿元[12] - 中证500基准规模：957.08亿元[12] 2. **行业偏离度因子** - 电子行业超配额：1,621亿元[22] - 机械行业超配额：983亿元[22] - 化工行业超配额：685亿元[22] - 非银行业低配额：1,433亿元[22] - 银行业低配额：1,308亿元[22] 3. **行业潜在冲击因子** - 非银行业潜在流入冲击：-8%至-6%[24] - 银行业潜在流入冲击：-6%至-4%[24] - 轻工制造潜在流出冲击：4%至6%[24] - 纺织服装潜在流出冲击：2%至4%[24] 4. **以沪深300为基准的行业偏离** - 电子行业超配额：1,647亿元[27] - 机械行业超配额：1,070亿元[27] - 银行业低配额：2,381亿元[27] - 非银行业低配额：2,149亿元[27] 5. **以中证A500为基准的行业偏离** - 电子行业超配额：1,291亿元[33] - 机械行业超配额：911亿元[33] - 银行业低配额：1,286亿元[33] - 非银行业低配额：1,033亿元[33]

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. **行业拥挤度监测模型** - 模型构建思路：通过监测申万一级行业指数的拥挤度，识别高拥挤度和低拥挤度的行业[4] - 模型具体构建过程：未明确说明计算逻辑，但输出结果为百分比形式的拥挤度水平（如国防军工、纺织服饰拥挤度分别为92%、91%）[4][10] - 模型评价：用于提示行业短期过热或低估风险，需结合主力资金流动数据综合判断[4] 2. **ETF溢价率Z-score模型** - 模型构建思路：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[5] - 模型具体构建过程：未给出具体公式，但提及需动态跟踪溢价率偏离历史均值的标准差[5] - 模型评价：需警惕标的回调风险，适用于短期套利策略[5] 模型的回测效果 1. **行业拥挤度监测模型** - 高拥挤度行业：国防军工（92%）、纺织服饰（91%）、美容护理（88%）[10] - 低拥挤度行业：社会服务（21%）、煤炭（15%）、非银金融（19%）[4][10] 2. **ETF溢价率Z-score模型** - 建议关注标的：银行ETF（512800.SH）、碳中和50ETF（159861.SZ）等[12] 量化因子与构建方式 （注：报告中未明确提及独立因子构建，仅涉及模型层面的应用） 因子的回测效果 （注：无相关内容） 数据说明 - 行业拥挤度数据基于近30个交易日动态计算[10] - ETF资金流向数据为单日及近3日累计值[6][11]

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. **指数效应分析模型** - **模型构建思路**：通过计算指数成份股调整前后股票的超额收益，评估指数效应的存在性和影响程度[20] - **模型具体构建过程**： 1. 以指数样本生效日为基准日（相对日期记作0） 2. 统计生效日前60个交易日至生效日后60个交易日内，每只股票对所属行业指数的累计超额收益 3. 对每次调整的调入/调出股票超额收益取均值，作为当次调整的指数效应 4. 对过去10年历次调整的指数效应再取均值，得到历史平均指数效应[20] - **模型评价**：指数效应在历史平均上存在，但具体到单次调整或子区间存在不确定性[21] 2. **中证A500指数选股模型** - **模型构建思路**：从各行业选取市值大、流动性好的500只证券，兼顾行业代表性与权重分布一致性[10] - **模型具体构建过程**： 1. 样本空间为中证全指指数样本 2. 筛选过去一年日均成交金额排名前90%的证券 3. 剔除中证ESG评价为C及以下的证券 4. 选取总市值排名前1500且属于沪/深股通的证券 5. 对主板证券要求所属三级行业自由流通市值占比≥2% 6. 优先选取三级行业自由流通市值最大或总市值前1%的证券 7. 按一级行业自由流通市值分布补充样本至500只[11] 3. **沪深300指数选股模型** - **模型构建思路**：从非ST股票中选取日均成交金额前50%且总市值前300名的股票[15] - **模型具体构建过程**： 1. 主板股票需上市满1个季度（市值前30名除外） 2. 科创板/创业板股票需上市满1年 3. 采用10%调整比例限制和20%缓冲区规则[15] 4. **中证500指数选股模型** - **模型构建思路**：剔除沪深300成份股后，选取剩余股票中市值大、流动性好的500只[17] - **模型具体构建过程**： 1. 剔除日均总市值前300名的股票 2. 按日均成交金额剔除后20% 3. 按日均总市值选取前500名 4. 采用10%调整比例限制和20%缓冲区规则[17] 模型的回测效果 1. **沪深300指数效应** - 调入股票：生效日前60日起跑赢行业指数，生效日后跑输[21] - 调出股票：生效日前60日起跑输，生效日后继续跑输约10天[21] - 历史平均超额收益区间： - 前60日至-30日：调入+1.38%，调出-0.84% - 生效日后30-60日：调入-2.13%，调出+1.53%[24][29] 2. **中证500指数效应** - 调出股票在生效日后15天内跑输幅度更显著[30] 3. **创业板指指数效应** - 调入股票超额收益在生效日前60天开始大幅上升[34] （注：报告中未明确量化因子构建内容，故未列出相关部分）

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：微盘股择时模型** - **模型构建思路**：通过监测十年国债利率同比和波动率拥挤度同比两个指标，判断微盘股的投资风险[29] - **模型具体构建过程**： 1. **利率同比指标**：计算十年国债利率的同比变化，阈值设为0.3%，超过则触发风险预警 $$ \text{利率同比} = \frac{\text{当前十年国债利率} - \text{去年同期十年国债利率}}{\text{去年同期十年国债利率}} $$ 2. **波动率拥挤度指标**：衡量市场交易情绪，阈值设定为0%，低于则解除风险信号 $$ \text{波动率拥挤度} = \text{当前波动率} - \text{历史波动率均值} $$ - **模型评价**：结合基本面与市场情绪，提供中期风险预警[29] 2. **模型名称：宏观择时模型** - **模型构建思路**：基于经济增长和货币流动性信号动态调整权益仓位[25] - **模型具体构建过程**： 1. **经济增长信号**：通过PMI等经济指标计算，当前信号强度为50%[26] 2. **货币流动性信号**：通过SHIBOR、DR007等利率指标计算，当前信号强度为40%[26] 3. **权益仓位**：综合信号强度加权得出（如5月推荐仓位25%）[25] --- 量化因子与构建方式 1. **因子名称：市值因子（LN_MktCap）** - **构建思路**：捕捉小市值股票的溢价效应[51] - **具体构建**：取流通市值的自然对数 $$ \text{LN\_MktCap} = \ln(\text{流通市值}) $$ - **因子评价**：近期在沪深300中表现突出[41] 2. **因子名称：价值因子（BP_LR）** - **构建思路**：低估值股票长期超额收益[51] - **具体构建**：账面净资产与市值的比率 $$ \text{BP\_LR} = \frac{\text{最新年报账面净资产}}{\text{最新市值}} $$ 3. **因子名称：反转因子（Price_Chg20D）** - **构建思路**：短期价格反转效应[51] - **具体构建**：计算20日收益率 $$ \text{Price\_Chg20D} = \frac{P_t - P_{t-20}}{P_{t-20}} $$ - **因子评价**：在中证500和中证1000中表现显著[41] 4. **因子名称：转债估值因子（平价底价溢价率）** - **构建思路**：衡量可转债的估值偏离度[46] - **具体构建**：通过正股价格与转债价格关系计算溢价率 --- 模型的回测效果 1. **微盘股择时模型** - 十年国债利率同比：-20.45%（未触发阈值）[29] - 波动率拥挤度同比：-50.09%（风险解除）[30] 2. **宏观择时模型** - 2025年初至今收益率：1.06%（Wind全A同期1.90%）[25] --- 因子的回测效果 1. **市值因子** - IC均值（沪深300）：-9.73%[42] - 多空收益（全部A股）：30.54%[42] 2. **反转因子** - IC均值（中证1000）：31.65%[42] - 多空收益（中证1000）：4.84%[42] 3. **转债估值因子** - 多空收益（正股成长因子）：正收益[46] --- 以上内容严格依据研报中的模型、因子定义及测试结果整理，未包含无关信息[1][2][3][4]。

量化模型与构建方式 1. **模型名称**：CCBA定价偏离度择时模型 - **模型构建思路**：通过CCBA定价偏离度指标（转债价格/CCBA模型定价-1）衡量转债期权估值水平，用于转债市场择时[8] - **模型具体构建过程**： 1. 双周调仓，标的为偏债、平衡、偏股转债等权指数及10年国债 2. 计算定价偏离度过去3年Z值（均值取0），按0-1.5倍标准差截尾后除以1.5得到分数 3. 转债权重=100%-分数，估值越高仓位越低[12] - **模型评价**：对偏股转债择时效果显著，夏普率从0.46提升至0.87；偏债/平衡转债择时性价比低[13] 2. **模型名称**：转债多因子策略（含偏股择时） - **模型构建思路**：结合选债因子与偏股转债择时，平衡/偏债转债使用低估+正股动量因子，偏股转债使用低估因子[18] - **模型具体构建过程**： 1. 选债部分：各分域选min(30,转债数量/3)只，平衡/偏债用低估+动量，偏股用低估 2. 择时部分：偏股转债基于CCBA定价偏离度动态调仓，剩余仓位配国债[18] - **模型评价**：年化收益15.6%，最大回撤13.9%，2022年下跌环境中仍获正收益[19] 模型的回测效果 1. **CCBA择时模型**： - 偏股择时：年化收益16.3%，夏普率0.87，卡玛比率0.74[17] - 平衡择时：年化收益10.3%，夏普率0.83[17] 2. **转债多因子策略**：年化收益15.6%，年化波动11.4%，超额收益9.9%[24] --- 量化因子与构建方式 1. **因子名称**：CCB_out定价偏离度因子 - **因子构建思路**：通过CCB_out模型（含退市风险调整）计算转债低估程度[32] - **因子具体构建过程**： $$定价偏离度=\frac{转债价格}{CCB\_out模型定价}-1$$ 在偏债/平衡/偏股分域中分别选取偏离度最低的15只转债[32] 2. **因子名称**：低估值+强动量复合因子 - **因子构建思路**：结合定价偏离度与正股动量（1/3/6个月动量等权打分）[35] - **因子具体构建过程**： 1. 先筛选低估50%转债池 2. 在池内按动量因子排序选券[35] 3. **因子名称**：低估值+高换手复合因子 - **因子构建思路**：在低估转债池中筛选成交活跃券[40] - **因子具体构建过程**： 使用转债5日/21日换手率及转债/股票换手率比率综合排序[42] 4. **因子名称**：信用债替代筛选因子 - **因子构建思路**：筛选YTM+1%>3年期AA级信用债YTM的转债[48] - **因子具体构建过程**： 1. 满足余额>3亿且评级≥AA- 2. 选取正股1个月动量前20只[48] 因子的回测效果 1. **低估值因子**：年化收益21.7%，IR 2.11，最大回撤15.6%[35] 2. **低估值+强动量因子**：年化收益24.5%，IR 2.39[40] 3. **低估值+高换手因子**：年化收益23.4%，IR 2.15[44] 4. **信用债替代因子**：年化收益7.3%，波动率2.1%[51] --- 策略分组指标取值 | 策略名称 | 年化收益 | 年化波动 | 最大回撤 | 夏普率 | IR | |------------------------|----------|----------|----------|--------|--------| | 偏股择时策略 | 16.3% | 16.4% | 22.1% | 0.87 | - | [17] | 低估值策略 | 21.7% | 13.6% | 15.6% | - | 2.11 | [35] | 低估值+强动量策略 | 24.5% | 14.4% | 11.9% | - | 2.39 | [40] | 信用债替代策略 | 7.3% | 2.1% | 2.8% | - | - | [51]

根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：大小盘风格因子** - 因子构建思路：用于衡量市场中小盘股相对于大盘股的表现[13] - 因子具体构建过程：通过计算小盘股指数与大盘股指数的相对收益率差异来确定风格偏向 - 因子评价：上周风格偏向小盘，显示小盘股表现强势[13] 2. **因子名称：价值成长风格因子** - 因子构建思路：用于衡量市场中成长股相对于价值股的表现[13] - 因子具体构建过程：通过计算成长股指数与价值股指数的相对收益率差异来确定风格偏向 - 因子评价：上周风格偏向成长，显示成长股表现强势[13] 3. **因子名称：大小盘风格波动因子** - 因子构建思路：用于衡量大小盘风格波动的变化[13] - 因子具体构建过程：通过计算大小盘风格因子的滚动标准差来度量波动水平 - 因子评价：上周大小盘风格波动下降至低位，显示风格较为稳定[13] 4. **因子名称：价值成长风格波动因子** - 因子构建思路：用于衡量价值成长风格波动的变化[13] - 因子具体构建过程：通过计算价值成长风格因子的滚动标准差来度量波动水平 - 因子评价：上周价值成长风格波动下降至低位，显示风格较为稳定[13] 5. **因子名称：行业指数超额收益离散度因子** - 因子构建思路：用于衡量行业间超额收益的离散程度[13] - 因子具体构建过程：通过计算各行业指数超额收益的标准差来度量离散度 - 因子评价：上周行业收益离散度下降，显示行业间收益差异缩小[13] 6. **因子名称：行业轮动度量因子** - 因子构建思路：用于衡量行业轮动的速度[13] - 因子具体构建过程：通过计算行业指数收益率的滚动相关性变化来度量轮动速度 - 因子评价：上周行业轮动速度上升，显示行业切换加快[13] 7. **因子名称：成分股上涨比例因子** - 因子构建思路：用于衡量市场中上涨股票的比例[13] - 因子具体构建过程：通过计算成分股中上涨股票的数量占总成分股数量的比例 - 因子评价：上周成分股上涨比例先升后降，显示市场情绪波动[13] 8. **因子名称：前100个股成交额占比因子** - 因子构建思路：用于衡量市场交易集中度[13] - 因子具体构建过程：通过计算前100只个股成交额占市场总成交额的比例 - 因子评价：上周个股成交集中度维持在低位，显示行业热点分散[13] 9. **因子名称：前5行业成交额占比因子** - 因子构建思路：用于衡量行业交易集中度[13] - 因子具体构建过程：通过计算前5个行业成交额占市场总成交额的比例 - 因子评价：上周行业成交集中度维持在低位，显示行业热点分散[13] 10. **因子名称：指数波动率因子** - 因子构建思路：用于衡量市场波动率水平[13] - 因子具体构建过程：通过计算指数收益率的滚动标准差来度量波动率 - 因子评价：上周市场波动率快速下降，显示市场情绪趋于稳定[13] 11. **因子名称：指数换手率因子** - 因子构建思路：用于衡量市场交易活跃度[13] - 因子具体构建过程：通过计算市场总成交额与流通市值的比例来度量换手率 - 因子评价：上周市场换手率下降，显示交易活跃度降低[13] 12. **因子名称：商品期货趋势强度因子** - 因子构建思路：用于衡量商品期货市场的趋势性[28] - 因子具体构建过程：通过计算商品指数价格的滚动收益率来度量趋势强度 - 因子评价：上周能化、黑色板块趋势性较强，有色、农产品、贵金属板块趋势性较弱[28] 13. **因子名称：商品期货成交活跃度因子** - 因子构建思路：用于衡量商品期货市场的波动率水平[28] - 因子具体构建过程：通过计算商品指数收益率的滚动标准差来度量波动率 - 因子评价：上周各商品指数波动率从高位快速下降，显示市场波动减小[28] 14. **因子名称：商品期货市场流动性因子** - 因子构建思路：用于衡量商品期货市场的流动性[28] - 因子具体构建过程：通过计算商品期货合约的成交量与持仓量的比例来度量流动性 - 因子评价：上周各板块的流动性表现分化，显示资金流向不均[28] 15. **因子名称：商品期货期限结构因子** - 因子构建思路：用于衡量商品期货市场的基差动量[28] - 因子具体构建过程：通过计算近月合约与远月合约的价格差异来度量基差动量 - 因子评价：上周有色、农产品板块基差动量较强，显示市场预期分化[28] 16. **因子名称：期权隐波差值及偏度因子** - 因子构建思路：用于衡量期权市场的隐含波动率水平和偏度[33] - 因子具体构建过程：通过计算不同行权价期权的隐含波动率差异来度量隐波差值和偏度 - 因子评价：上周上证50与中证1000隐波明显回落，显示节前博弈资金离场[33] 17. **因子名称：可转债百元转股溢价率因子** - 因子构建思路：用于衡量可转债市场的估值水平[35] - 因子具体构建过程：通过计算可转债价格与转股价值的差异来度量溢价率 - 因子评价：上周转债市场百元转股溢价率出现小幅调整，估值处于中部略高水平[35] 18. **因子名称：低转股溢价率转债占比因子** - 因子构建思路：用于衡量可转债市场中低溢价率转债的比例[35] - 因子具体构建过程：通过计算低溢价率转债数量占总转债数量的比例 - 因子评价：上周低转股溢价率的转债占比短期持续上升，显示市场偏好变化[35] 19. **因子名称：可转债市场成交额因子** - 因子构建思路：用于衡量可转债市场的交易活跃度[35] - 因子具体构建过程：通过计算可转债市场总成交额来度量活跃度 - 因子评价：上周可转债市场成交额保持平稳，显示交易活跃度稳定[35] 因子的回测效果 1. **大小盘风格因子**，风格偏向小盘[13] 2. **价值成长风格因子**，风格偏向成长[13] 3. **大小盘风格波动因子**，波动下降至低位[13] 4. **价值成长风格波动因子**，波动下降至低位[13] 5. **行业指数超额收益离散度因子**，离散度下降[13] 6. **行业轮动度量因子**，轮动速度上升[13] 7. **成分股上涨比例因子**，上涨比例先升后降[13] 8. **前100个股成交额占比因子**，成交集中度维持在低位[13] 9. **前5行业成交额占比因子**，成交集中度维持在低位[13] 10. **指数波动率因子**，波动率快速下降[13] 11. **指数换手率因子**，换手率下降[13] 12. **商品期货趋势强度因子**，能化、黑色板块趋势性较强[28] 13. **商品期货成交活跃度因子**，波动率从高位快速下降[28] 14. **商品期货市场流动性因子**，流动性表现分化[28] 15. **商品期货期限结构因子**，有色、农产品板块基差动量较强[28] 16. **期权隐波差值及偏度因子**，隐波明显回落[33] 17. **可转债百元转股溢价率因子**，溢价率小幅调整[35] 18. **低转股溢价率转债占比因子**，占比持续上升[35] 19. **可转债市场成交额因子**，成交额保持平稳[35]

量化模型与构建方式 1. **模型名称**：电力设备指数趋势跟踪模型 - **模型构建思路**：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，通过观察窗口内的价格变动方向判断趋势延续或反转[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值： $$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未说明具体计算方法） 3. 趋势判断规则： - 若$|del| > N \times Vol$（取N=1），则判定为趋势形成，方向与del符号一致 - 若$|del| \leq N \times Vol$，则延续T-1日的趋势方向[3] - **模型评价**：年化收益回撤比较低，在窄幅震荡行情中表现不佳，不适合直接用于申万一级电力设备指数[4] 模型的回测效果 1. **电力设备指数趋势跟踪模型**： - 区间年化收益：13.52% - 波动率（年化）：29.91% - 夏普率：0.45 - 最大回撤：27.32% - 指数期间总回报率：-22.56%[3] （注：报告中未提及量化因子相关内容，故跳过该部分）

在股票型 ETF 中，宽基 ETF 上周资金净流入-82.09 亿元，上周科创 50ETF 资金净流入 27.36 亿元，中证 1000ETF 资 金净流入 12.07 亿元，中证 2000ETF 资金净流入 4.81 亿元，而沪深 300ETF 资金净流出额超 50 亿元。 主题行业 ETF 上周资金净流入 9.27 亿元。上周科技、周期、金融地产板块 ETF 资金净流入额分别为 31.14 亿元、0.80 亿元、0.35 亿元，高端制造、医药生物、消费板块 ETF 资金净流出额分别为 4.41 亿元、5.94 亿元、6.73 亿元。 上周共有 8 只 ETF 产品申报，其中 2 只为国证港股通消费主题 ETF。 * [10] M. C. ETF 市场回顾 从一级市场资金流动情况来看，上周（2025.5.6-2025.5.9）已上市 ETF 资金净流入合计-71.05 亿元，其中债券型 ETF 资金净流入 41.99 亿元，商品型 ETF 资金净流入 20.27 亿元，跨境 ETF 资金净流出 26.26 亿元，股票型 ETF 资金净流 出 107.05 亿元。 主动权益及增强指数型基金表现跟踪 上周军工主 ...

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**：沪深300与中证500成分股调整预测模型 - **模型构建思路**：基于中证指数公司发布的指数编制规则，对沪深300和中证500指数的成分股调整进行预测，重点关注调整前后的超额收益特征[12][13][15] - **模型具体构建过程**： 1. **样本空间筛选**：剔除ST/*ST股票、上市时间不足的证券（科创板/创业板需上市超1年，其他证券需超1季度，除非市值排名前30）[12] 2. **流动性过滤**： - 沪深300：剔除过去一年日均成交金额后50%的证券[12] - 中证500：剔除后20%的证券[12] 3. **市值排序**： - 沪深300：选取剩余证券中日均总市值前300名[12] - 中证500：选取剩余证券中日均总市值前500名[12] 4. **缓冲区规则**： - 沪深300：市值前240名的新样本优先进入，前360名的老样本优先保留[12] - 中证500：市值前400名的新样本优先进入，前600名的老样本优先保留[12] - **模型评价**：规则透明且可回溯，但依赖历史数据，对市场流动性变化敏感[12][24] 2. **事件收益分析模型** - **模型构建思路**：统计调整日前后的超额收益，捕捉调入/调出样本的事件效应[24] - **模型具体构建过程**： 1. 计算调整日前60日至后60个交易日内，调入/调出样本相对于指数的累计超额收益 2. 方向判断： - 调出样本：调整日前呈现负超额收益（沪深300和中证500均显著）[24][25] - 调入样本：中证500在调整日前有正超额收益，沪深300不显著[24][25] 模型的回测效果 1. **沪深300调整预测模型**： - 预测准确率：7只成分股调整（如中航成飞调入，东方雨虹调出）[14] - 行业分布：调入集中于交通运输/国防军工（各2只），调出以电力设备为主（4只）[14][19] 2. **中证500调整预测模型**： - 预测准确率：49只成分股调整（如淮北矿业调入，中化国际调出）[16][21] - 行业分布：调入以电子/电力设备/计算机为主（电子12只），调出以电力设备/医药生物为主（电力设备9只）[23][28] 3. **事件收益模型**： - 沪深300调出样本：调整日前超额收益显著为负[25][26] - 中证500调入样本：调整日前超额收益显著为正[25][26] 量化因子与构建方式 （注：研报中未明确提及独立因子构建，仅涉及事件驱动因子，如调入/调出信号） 因子的回测效果 （注：无具体因子测试指标） --- 以上总结基于研报中可提取的量化相关核心内容，未包含免责声明、风险提示等非核心信息[6][27][29][33][34][35]。

量化模型与构建方式 1. **模型名称**：建筑装饰指数趋势跟踪模型 - **模型构建思路**：基于价格走势的局部延续性假设，通过观察窗口内的价格变动与波动率的关系判断趋势方向[3] - **模型具体构建过程**： 1. 计算T日收盘价与T-20日收盘价的差值：$$del = P_T - P_{T-20}$$ 2. 计算T-20日至T日（不含）的波动率Vol（未明确计算方法，推测为标准差或ATR） 3. 趋势信号生成规则： - 若$$|del| > N \times Vol$$（N=1），则趋势方向与del符号一致（正为多，负为空） - 否则延续T-1日趋势方向[3] - **模型评价**：年化收益回撤比较低，中后期回撤持续时间长，不适合直接用于申万一级建筑装饰指数[4] 模型的回测效果 1. **建筑装饰指数趋势跟踪模型**： - 年化收益：4.39%[3] - 波动率（年化）：23.96%[3] - 夏普率：0.18[3] - 最大回撤：22.47%[3] - 指数期间总回报率：-12.25%（基准对比）[3] 其他说明 - **数据预处理**：标的指数（申万一级建筑装饰指数）保留原值[3] - **跟踪区间**：2023年3月7日-2025年3月18日[3] - **策略适用性**：净值在2023年3月-2024年1月上升后进入长期回撤，震荡期表现不佳[4]