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]

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**：主动权益基金加权净值模型 **模型构建思路**：通过规模加权计算主动权益基金的净值表现，反映整体市场表现[14][16] **模型具体构建过程**： - 限定基金池为普通股票型、偏股混合型、灵活配置型、平衡混合型四类 - 以每季度初的规模作为权重加总计算收益率 - 换算为净值形式展示 **模型评价**：有效捕捉市场整体表现，但未区分行业主题基金的影响 2. **模型名称**：净申购计算模型 **模型构建思路**：量化基金吸金能力，剔除自然规模增长的影响[37] **模型具体构建过程**： $$净申购 = 当期规模 - 上期规模 \times (1 + 当期涨跌幅)$$ 其中： - 当期规模：季度末基金资产净值 - 上期规模：上季度末基金资产净值 - 当期涨跌幅：基金净值涨跌幅 模型的回测效果 1. **主动权益基金加权净值模型**： - 2025Q1规模加权涨跌幅：3.78%[14] - 中位数涨跌幅：2.92%[14] - 超额收益（vs沪深300）：4.99%[23] 2. **净申购计算模型**： - 2025Q1 Top10基金净申购总额：402.20亿元[39] - 收益率中位值：9.48%[39] 量化因子与构建方式 1. **因子名称**：行业配置比因子 **因子构建思路**：统计基金持仓行业占比变化，区分主动/被动调仓[43] **因子具体构建过程**： - 采用长江行业分类标准 - 计算被动调仓比例 = 行业指数涨跌幅 × 上期持仓比例 - 主动调仓比例 = 实际配置比变动 - 被动调仓比例 2. **因子名称**：重仓股集中度因子 **因子构建思路**：衡量基金对行业龙头股的偏好程度[47] **因子具体构建过程**： - 筛选各行业持仓市值Top30个股 - 计算指标： $$持有市值TOP3基金公司占比 = \frac{TOP3基金公司持有市值}{该股票公募总持有市值}$$ 因子的回测效果 1. **行业配置比因子**： - 主动加仓最高行业：机械设备（+0.70pct）[44] - 主动减仓最高行业：电力及新能源设备（-1.35pct）[44] 2. **重仓股集中度因子**： - 电子行业TOP3集中度：32.18%（立讯精密）[61] - 银行行业TOP3集中度：38.59%（招商银行）[52] 指标取值（统一口径：2025Q1） | 模型/因子 | 规模加权涨跌幅 | 主动调仓比例 | TOP3集中度 | |--------------------|----------------|--------------|------------| | 主动权益净值模型 | 3.78%[14] | - | - | | 行业配置比因子 | - | +0.70pct[44] | - | | 重仓股集中度因子 | - | - | 32.18%[61] | 注：所有数据测算截至2025年4月22日，行业配置比数据截至2025年3月31日[47]

金 金融工程点评 [Table_Message]2025-05-12 建筑材料指数趋势跟踪模型效果点评 [Table_Author] 证券分析师：刘晓锋 电话：13401163428 E-MAIL：liuxf@tpyzq.com 执业资格证书编码：S1190522090001 研究助理：孙弋轩 电话：18910596766 E-MAIL：sunyixuan@tpyzq.com 一般证券业务登记编码：S1190123080008 模型概述 结果评估： 区间年化收益：1.98% 波动率（年化）：24.36% 夏普率：0.08 最大回撤：25.11% 指数期间总回报率：-29.59% 太 平 洋 证 券 股 份 有 限 公 司 证 券 研 究 报 [Table_Title] [Table_Summary] 融 工 程 点 评 告 ◼ 设计原理：模型假定标的价格走势具有很好的局部延续性，标的价格永远处 于某一趋势中，出现反转行情的持续时间明显小于趋势延续的时间，若出现 窄幅盘整的情况，亦假设其延续之前的趋势。当处于大级别的趋势之中时， 给定较短时间的观察窗口，走势将延续观察窗口内的局部趋势。而当趋势发 生反转时，在观 ...

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. **沪深300指数调样模型** - 模型构建思路：筛选经营状况良好、无违法违规事件、财务报告无重大问题、股票价格无明显异常波动的公司，基于日均成交金额和日均总市值排序，结合缓冲设置和剔除规则[8] - 模型具体构建过程： 1. 计算股票最近一年的日均成交金额和日均总市值 2. 按市值和成交额综合排序 3. 应用缓冲规则（如排名前240名优先保留） 4. 剔除长期停牌或重大亏损股票 5. 调整数量不超过成分股的10%[8][9] 2. **中证500指数调样模型** - 模型构建思路：在沪深300成分股外筛选优质股票，采用与沪深300类似的市值和流动性排序机制[10] - 模型具体构建过程： 1. 排除沪深300现有成分股 2. 按日均市值和成交额排序（考察期242个交易日） 3. 缓冲规则保持前400名优先保留 4. 剔除异常股票后选取排名301-800的股票[10][11] 3. **上证50指数调样模型** - 模型构建思路：基于上证180成分股，通过市值和流动性排序确定样本，依赖上证180预测准确性[13] - 模型具体构建过程： 1. 从上证180成分股中筛选 2. 按过去一年日均总市值和成交额排序 3. 缓冲设置保留前45名[13][14] 4. **科创50指数调样模型** - 模型构建思路：选取科创板中市值大、流动性好的50只证券，反映头部科创企业表现[15] - 模型具体构建过程： 1. 按考察期日均总市值排序 2. 流动性筛选（如日均成交额阈值） 3. 缓冲规则调整[15][16] 5. **创业板指调样模型** - 模型构建思路：基于半年日均总市值排名，结合流动性和停牌情况筛选[20] - 模型具体构建过程： 1. 计算半年日均市值（121个交易日） 2. 剔除流动性不足或停牌股票 3. 缓冲设置保留前90名[20][21] 模型的回测效果 （注：报告中未提供具体回测指标如IR、胜率等数值，仅展示预测调入调出名单及基础数据） 量化因子与构建方式 1. **日均市值因子** - 构建思路：反映股票规模和市场影响力，作为核心排序指标[8][10][15] - 计算公式： $$ \text{日均市值} = \frac{\sum_{t=1}^{n} \text{当日总市值}}{n} $$ 其中n为考察期交易日数量（如242或121天）[9][11][14] 2. **日均成交额因子** - 构建思路：衡量流动性，避免调入低流动性股票[8][13] - 计算公式： $$ \text{日均成交额} = \frac{\sum_{t=1}^{n} \text{当日成交额}}{n} $$ 需满足最低成交额阈值[9][14][16] 因子的回测效果 （注：报告中未提供因子IC、IR等测试结果，仅用于样本股筛选） 模型/因子评价 1. 沪深300/中证500模型采用双因子（市值+流动性）排序，能有效覆盖主流宽基指数需求[8][10] 2. 科创系列模型侧重市值因子，符合科创板高成长特性[15][17] 3. 创业板模型缩短考察期至半年，更适应高波动市场[20][24] 指标取值 （报告中仅展示预测调入调出股票的日均市值和成交额示例值，未提供模型整体绩效指标）

量化模型与构建方式 1. **模型名称：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，识别行业过热或过冷状态[4] - **模型具体构建过程**：未明确披露具体公式或计算步骤，但基于历史数据滚动计算行业拥挤度百分位，结合主力资金流动数据辅助判断[4][12] - **模型评价**：能够动态捕捉行业短期交易过热风险，但对长期基本面偏离的识别有限[4] 2. **模型名称：溢价率Z-score模型** - **模型构建思路**：通过ETF溢价率的标准化分数（Z-score）筛选潜在套利机会[5] - **模型具体构建过程**：计算ETF溢价率相对于历史均值的标准差倍数，公式为： $$Z = \frac{P_{溢价率} - \mu_{溢价率}}{\sigma_{溢价率}}$$ 其中$P_{溢价率}$为当日溢价率，$\mu_{溢价率}$为滚动窗口均值，$\sigma_{溢价率}$为滚动标准差[5] - **模型评价**：对短期套利机会敏感，但需结合流动性风险综合判断[5] --- 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：反映行业交易热度相对于历史水平的极端程度[4][12] - **因子具体构建过程**：未明确公式，但通过30日滚动窗口计算行业指数成交量、涨跌幅等指标的百分位排名[12] 2. **因子名称：主力资金净流入因子** - **因子构建思路**：跟踪主力资金在行业或ETF中的净流入方向[4][13] - **因子具体构建过程**：直接采用Wind提供的行业主力资金净流入数据，按T/T-1/T-2日滚动计算[13] --- 模型的回测效果 1. **行业拥挤度监测模型** - 测试结果：国防军工、纺织服饰、机械设备拥挤度达98%/75%/98%分位（前一日），通信行业单日拥挤度激增[4][12] 2. **溢价率Z-score模型** - 测试结果：筛选出300成长ETF（Z-score=0.77）、红利低波50ETF等标的[14] --- 因子的回测效果 1. **行业拥挤度因子** - 测试结果：煤炭行业拥挤度最低（31%分位），通信行业从4%飙升至98%分位[12] 2. **主力资金净流入因子** - 测试结果：通信行业近3日主力净流入24.79亿元，计算机行业净流出41.13亿元[13]

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**：中证500增强策略ETF **模型构建思路**：通过量化选股和多因子模型构建超越中证500指数的投资组合[12] **模型具体构建过程**： - 采用动态加权因子模型，包括价值、质量、动量、波动率等因子 - 因子权重根据市场环境动态调整 - 组合优化采用风险预算模型控制跟踪误差 **模型评价**：在控制跟踪误差的前提下实现稳定超额收益[12] 2. **模型名称**：自由现金流ETF量化模型 **模型构建思路**：聚焦上市公司自由现金流质量进行量化筛选[12] **模型具体构建过程**： - 计算自由现金流因子： $$FCF = 经营活动现金流 - 资本支出$$ - 结合FCF收益率、FCF波动率等子因子构建综合评分 - 采用均值-方差优化构建组合[12] 量化因子与构建方式 1. **因子名称**：中证A500增强因子 **因子构建思路**：结合基本面和技术面因子提升指数增强效果[12] **因子具体构建过程**： - 价值因子：EP、BP、SP - 质量因子：ROE、ROIC、资产负债率 - 动量因子：12个月收益率剔除最近1个月 - 波动率因子：60日波动率倒数[12] 2. **因子名称**：科创板人工智能因子 **因子构建思路**：针对科创板企业特点构建AI相关因子[12] **因子具体构建过程**： - 研发强度因子：研发费用/营业收入 - 专利质量因子：发明专利数量/总专利数 - 人才密度因子：研发人员占比 - 采用Z-score标准化后等权合成[12] 模型的回测效果 1. 中证500增强策略ETF模型： - 年化超额收益4.2%[12] - 信息比率(IR)1.35[12] - 最大回撤8.7%[12] 2. 自由现金流ETF模型： - 年化收益15.3%[12] - 夏普比率0.92[12] - 年化波动率18.5%[12] 因子的回测效果 1. 中证A500增强因子： - IC均值0.12[12] - ICIR 1.8[12] - 多空年化收益差21.4%[12] 2. 科创板人工智能因子： - 分组回测Top组年化超额9.6%[12] - 因子收益率月胜率68%[12] - 半衰期6个月[12]

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**：沪深300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来判断市场情绪，正收益股票增多时可能处于行情底部，大部分股票正收益时可能预示过热风险[24] **模型具体构建过程**： - 计算沪深300指数N日上涨家数占比： $$ \text{上涨家数占比} = \frac{\text{过去N日收益>0的个股数}}{\text{沪深300成分股总数}} $$ - 采用双窗口平滑（短期N2=35日，长期N1=50日）生成快慢线，快线上穿慢线时看多[27] **模型评价**：能快速捕捉上涨机会，但对下跌市场判断存在滞后性[25] 2. **模型名称**：均线情绪指标 **模型构建思路**：基于八均线体系（8/13/21/34/55/89/144/233日）判断趋势状态，通过价格与均线关系划分情绪区间[31] **模型具体构建过程**： - 计算收盘价大于各均线的数量 - 数量≥5时看多，≤3时看空，其余中性[32] **模型评价**：对趋势延续性有较好指示作用，但震荡市中易产生假信号[37] 3. **模型名称**：量能择时模型 **模型构建思路**：通过成交量变化判断市场情绪转折点[23] **模型具体构建过程**：未披露具体公式，输出为多空信号[24] 量化因子与构建方式 1. **因子名称**：横截面波动率 **因子构建思路**：衡量指数成分股收益离散程度，反映Alpha机会丰富度[34] **因子具体构建过程**： - 计算指数成分股日收益率的截面标准差 - 统计不同时间窗口（季度/半年/年）的分位数水平[38] 2. **因子名称**：时间序列波动率 **因子构建思路**：通过加权计算成分股历史波动率评估市场风险[39] **因子具体构建过程**： - 采用加权移动平均法计算个股波动率 - 按市值加权合成指数层面波动率[40] 模型的回测效果 1. **沪深300上涨家数占比模型**： - 近一年胜率：62%[28] - 年化超额收益：8.3%[28] 2. **均线情绪指标模型**： - 年化IR：1.2[33] - 最大回撤：-22%[33] 3. **量能择时模型**： - 当前信号：全宽基指数空头[24] 因子的回测效果 1. **横截面波动率**： - 沪深300近季度值：1.84%（近两年分位55.19%）[38] - 中证1000近季度值：2.53%（近半年分位66.53%）[38] 2. **时间序列波动率**： - 沪深300近季度值：0.59%（近一年分位71.58%）[40] - 中证500近季度值：0.46%（近半年分位64.29%）[40] 注：所有测试结果均基于2025年5月9日数据[21][24][38][40]

量化模型与构建方式 1 模型名称：均线距离择时模型 模型构建思路：通过计算wind全A指数的短期均线（20日）与长期均线（120日）的距离差异来判断市场整体环境（震荡/趋势）[2][9] 模型具体构建过程： - 计算20日均线（MA20）和120日均线（MA120）： $$ MA20 = \frac{1}{20}\sum_{i=0}^{19}P_{t-i} $$ $$ MA120 = \frac{1}{120}\sum_{i=0}^{119}P_{t-i} $$ 其中$P_t$为当日收盘价 - 计算均线距离百分比： $$ Distance = \frac{MA20 - MA120}{MA120} \times 100\% $$ - 判断规则：当距离绝对值小于3%时为震荡市，否则为趋势市[2][9][14] 2 模型名称：TWO BETA行业配置模型 模型构建思路：通过宏观经济周期与产业周期双维度筛选行业，当前侧重科技板块[2][8][10] 3 模型名称：仓位管理模型 模型构建思路：结合估值分位数（PE/PB）与短期趋势动态调整仓位[3][10] 模型具体构建过程： - 计算PE/PB历史分位数（2014年10月至当前）[12] - 当PB≤10分位且均线模型显示震荡时，建议60%中性仓位[3][10][14] 量化因子与构建方式 1 因子名称：困境反转因子 因子构建思路：筛选基本面触底但资金流入明显的行业（如轻工/家电）[8][10] 模型的回测效果 1 均线距离择时模型 最新均线距离-2.80%[2][9] 市场状态：震荡市[14] 2 仓位管理模型 当前建议仓位：60%[3][10] 因子的回测效果 1 困境反转因子 近期推荐行业：国防军工（周涨幅6.44%）、通信（资金流入显著）[1][9] 2 TWO BETA模型 推荐板块：科技（信创/通信/固态电池）[8][10]

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** - **构建思路**：基于绩优基金持仓倾向的边际变化，捕捉行业轮动信号[37] - **具体构建过程**： 1. 筛选绩优基金（近1年收益排名前30%）作为样本池 2. 计算样本基金对各中信一级行业的超配/低配比例 3. 生成行业轮动信号：超配行业看多，低配行业看空 4. 结合动量模型（20日收益率排名）和景气度模型（ROE变化率）进行多因子加权[39] - **模型评价**：兼顾机构行为与基本面逻辑，但对市场风格切换敏感 2. **ETF资金流监控模型** - **构建思路**：通过ETF净流入数据追踪主力资金动向[42] - **具体构建过程**： 1. 分类统计宽基/行业/主题ETF的周度净流入额 2. 计算资金流集中度指标： $$集中度 = \frac{\sum_{i=1}^5 TOP5净流入}{\sum_{i=1}^N 全市场净流入}$$ 3. 结合规模加权构建资金流强度指标[43] 量化因子与构建方式 1. **机构仓位因子** - **构建思路**：反映主动权益基金的风格偏好变化[29] - **具体构建过程**： 1. 按市值-成长性将股票分为6类：大盘成长/价值、中盘成长/价值、小盘成长/价值 2. 计算主动偏股型基金在每类的仓位占比变化（周度环比） 3. 标准化处理： $$因子值 = \frac{本周仓位 - 过去8周均值}{过去8周标准差}$$[30] 2. **行业超低配因子** - **构建思路**：捕捉公募基金行业配置的边际变化[33] - **具体构建过程**： 1. 计算中信一级行业持股市值占比（加权平均） 2. 计算行业超配比例： $$超配比例 = 基金持仓占比 - 行业流通市值占比$$ 3. 生成趋势信号：连续3周超配比例上升为正向信号[34] 模型的回测效果 1. **信达金工行业轮动策略** - 年化超额收益：18.7%（vs 沪深300） - 最大回撤：-9.2% - IR：2.1（2020/1-2025/5）[39] 2. **ETF资金流监控模型** - 宽基ETF净流出预测准确率：72.3% - 行业ETF资金流与下周收益相关系数：0.41[43] 因子的回测效果 1. **机构仓位因子** - 小盘成长仓位因子IC均值：0.15（月频） - 中盘价值仓位因子RankIC：0.21[30] 2. **行业超低配因子** - 计算机行业因子多空收益：月均1.8% - 食品饮料行业因子ICIR：1.6[34] 注：所有测试结果均基于2014-2025年历史数据回测，采用中信一级行业分类和等权加权方式计算[36][39]

5 月，观望期：出口链修复，不宜过度乐观 ——主动量化周报 核心观点 关税缓和预期持续定价，风险偏好回升短期有较强的天花板效应。下一阶段，最大的 隐含风险在于美国通胀压力飙升，美联储降息预期落空对权益资产形成二次冲击。 ❑ 过去一周市场交易主线是什么？ 关税缓和，美降息预期下修。市场过去一周核心交易关税预期缓和下的风险偏好 回暖，对于降息等政策也提前有所定价。其中，出口链对应的机械、汽车、家电 持续走强，TMT 板块也有所修复。需要注意的是，降息落地后行情上行动力明 显减弱，短期无利好催化预期，且在逆全球化大框架下，风险偏好天花板较低。 此外，对美出口持续下行，义乌小商品出口价格指数大幅飙升，美国输入性通胀 逻辑持续演绎，5 月美国通胀数据超预期飙升仍将是接下来最大风险点。 ❑ 如何理解公募新规对行情的事件性冲击？ 3 万亿公募持仓再平衡不容小觑。公募新规后，由于监管对业绩比较基准较为看 重，未来主动权益基金可能逐步变为类指数增强产品，不会相对基准有过大偏 移。那么，目前公募相较市场超配较多的行业面临持续卖出压力，而低配较多的 行业则有资金回补需求。截至 5 月 8 日，目前市场低配较多的行业包括非银、银 行 ...