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 ...

证券研究报告 | 金融工程 gszqdatemark 2025 05 10 年 月 日 量化分析报告 择时雷达六面图：资金面中外资指标恢复 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，宏观基本面中性偏多， 市场的资金&趋势分数上升整体偏多，拥挤度&反转指标下降，综合打分位 于[-1,1]之间，当前的综合打分为 0.33 分，整体为看多观点。当前六面图 各个维度的观点如下： 流动性。本周货币强度、信用方向发出看空信号，货币方向、信用强度 发出看多信号，当前流动性得分为 0.00 分，综合来看信号中性。 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，当前 经济面得分为 0.75 分，综合来看发出看多信号。 估值面。本周席勒 ERP、PB 与 AIAE 指标的打分均下降，当前市场的 估值面得分为 0.2 ...

根据提供的量化周报内容，以下是总结的量化模型和因子相关内容： 量化模型与构建方式 1. **模型名称：A股景气指数** - 模型构建思路：以上证指数归母净利润同比为Nowcasting目标构建高频指数，用于观测A股景气度变化[48] - 模型具体构建过程：通过历史下行周期持续天数与幅度对比，判断当前景气底部区域（2023年四季度为底部区间），指数呈现震荡上行趋势[48][51] - 模型评价：有效捕捉景气周期拐点，当前指数值为21.09（较2023年底上升15.66）[51] 2. **模型名称：A股情绪指数** - 模型构建思路：基于波动率与成交额变化方向划分四个象限，构造见底预警与见顶预警信号[52] - 模型具体构建过程： - 波动率上行+成交额下行区间为显著负收益 - 其他象限为显著正收益 当前信号：波动率上行（见底信号空）+成交额下行（见顶信号空），综合信号为"空"[55][59] 3. **模型名称：中证500/沪深300增强组合** - 模型构建思路：通过多因子选股模型构建指数增强组合[65][71] - 模型具体构建过程： - 中证500增强组合持仓包含长江证券（4.39%）、甘李药业（3.41%）等50只个股[66] - 沪深300增强组合持仓包含中远海控（8.23%）、贵州茅台（5.16%）等30只个股[74] 量化因子与构建方式 1. **因子名称：BARRA十大风格因子** - 因子构建思路：参照BARRA模型构建市值、Beta、动量等十大类风格因子[75] - 因子具体构建过程： - 包含市值（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] - 因子评价：近期Beta因子超额收益显著，市值因子呈负向收益[76] 2. **因子名称：行业因子** - 因子构建思路：通过行业相对市场市值加权组合计算超额收益[76] - 因子具体构建过程： - 国防军工、通信行业因子本周超额收益较高 - 消费者服务、商贸零售行业因子回撤明显[76] 模型的回测效果 1. **中证500增强组合** - 本周收益率1.58%，跑输基准0.02% - 2020年至今超额收益41.04%，最大回撤-4.99%[65] 2. **沪深300增强组合** - 本周收益率2.64%，跑赢基准0.64% - 2020年至今超额收益25.18%，最大回撤-5.86%[71] 因子的回测效果 1. **风格因子** - Beta因子：本周超额收益最高 - 市值因子：显著负向超额收益[76] - 动量因子：近期表现优异[76] 2. **行业因子** - 国防军工、通信：正向超额收益 - 消费者服务、商贸零售：负向超额收益[76] 注：报告中未提供因子构建的详细数学公式。情绪指数和景气指数的具体计算方法需参考关联研究报告《视角透析》系列[52][48]

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构建行业轮动信号，捕捉资金流向变化[37] - 构建过程： 1. 筛选绩优基金样本（成立期满两个季度、规模>5000万元、仓位>60%）[23] 2. 计算行业超配比例：$$超配比例 = \frac{基金行业持仓市值}{基金总市值} - \frac{行业流通市值}{全市场流通市值}$$ 3. 生成轮动信号：每周跟踪超配比例变化，排名前5的行业作为多头组合[41] - 模型评价：结合主动资金动向与基本面，对机构重仓行业具有较强解释力[37] 2. **公募基金仓位测算模型** - 构建思路：通过持股市值加权计算主动权益基金的整体仓位水平[23] - 构建过程： 1. 数据清洗：剔除QDII基金及非A股投资标的[24] 2. 加权计算：$$仓位 = \frac{\sum(样本基金持股市值 \times 仓位)}{\sum样本基金持股市值}$$ 3. 风格分解：按大盘/中盘/小盘、成长/价值六类风格划分仓位[29] - 模型评价：高频跟踪公募调仓行为，但对冲基金等非公开数据覆盖不足[23] 模型的回测效果 1. 信达金工行业轮动策略： - 2020年以来多头组合年化超额收益15.8%[39] - 最大回撤22.3%，信息比率(IR)1.72[39] 2. 公募仓位测算模型： - 主动权益基金平均仓位86.84%（2025/5/9）[22] - 风格仓位标准差4.2pct，行业仓位标准差1.8pct[29][33] 量化因子与构建方式 1. **绩优基金超配因子** - 构建思路：捕捉绩优基金相对基准的行业配置差异[37] - 构建过程： 1. 计算行业主动配置比例：$$主动配置 = \frac{基金行业持仓}{基金总资产} - 基准指数行业权重$$ 2. 标准化处理：按中信一级行业分组Z-score标准化[34] - 因子评价：对后续3个月行业收益具有显著预测能力[41] 2. **资金流因子** - 构建思路：划分主力/中小单资金流向，监测市场情绪[59] - 构建过程： 1. 按成交量划分资金类型（特大单>20万股/100万元，小单<1万股/5万元）[59] 2. 计算净流入：$$净流入 = \sum(主动买入金额) - \sum(主动卖出金额)$$ 3. 行业层面聚合计算[65] 因子的回测效果 1. 绩优基金超配因子： - 多头组合年化alpha 6.4%，IC均值0.21[39] - 国防军工、通信等行业RankIC达0.35[41] 2. 资金流因子： - 主力资金周净流入TOP5行业后续5日胜率62%[65] - 银行板块特大单净流入45.58亿元（2025W18）[67] 关键指标对比 | 模型/因子 | 年化收益 | 最大回撤 | 信息比率(IR) | 样本覆盖率 | |----------------|---------|---------|------------|-----------| | 行业轮动策略 | 15.8% | 22.3% | 1.72 | 85%[39] | | 绩优基金超配因子| 6.4% | 18.7% | 0.89 | 100%[41] | | 主力资金流因子 | 9.2% | 25.1% | 1.03 | 76%[65] |

量化模型与构建方式 1. **模型名称**：东方A股因子风险模型(DFQ-2020) - **模型构建思路**：基于风格类风险因子构建多因子模型，用于解释股票收益的风险来源[14] - **模型具体构建过程**： - 包含10类风格因子（如Size、Beta、Trend等），每类因子由多个子因子合成[14] - 因子计算示例： - **Size因子**：总市值对数 - **Beta因子**：贝叶斯压缩后的市场Beta - **Trend因子**：通过指数加权移动平均比率计算，如 $$Trend\_120 = \frac{EWMA(halflife=20)}{EWMA(halflife=120)}$$ - **Volatility因子**：包含5个子因子，如过去243天的标准波动率、FF3特质波动率等[14] - **模型评价**：覆盖市场主要风险维度，因子定义清晰且具有经济逻辑 2. **MFE组合构建模型** - **构建思路**：通过组合优化最大化单因子暴露，同时控制行业、风格等约束[54] - **具体构建过程**： - 目标函数：最大化因子暴露 $$max\ f^{T}w$$ - 约束条件包括： - 风格暴露限制 $$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离限制 $$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 换手率约束 $$\Sigma|w-w_{0}|\leq to_{h}$$[54] - **模型评价**：更贴近实际投资约束，能有效检验因子在复杂条件下的表现 --- 量化因子与构建方式 1. **因子名称**：单季ROE - **构建思路**：反映公司当期净资产收益率，属于盈利类因子[19] - **具体构建**： $$Quart\_ROE = \frac{单季净利润*2}{期初净资产+期末净资产}$$[19] 2. **因子名称**：一个月反转 - **构建思路**：捕捉短期价格反转效应[19] - **具体构建**：过去20个交易日涨跌幅的相反数 3. **因子名称**：标准化预期外盈利（SUE） - **构建思路**：衡量盈利超预期程度[19] - **具体构建**： $$SUE = \frac{单季实际净利-预期净利}{预期净利标准差}$$ 4. **因子名称**：特异度（IVR_1M） - **构建思路**：反映个股收益脱离市场共同因素的程度[19] - **具体构建**： $$IVR\_1M = 1 - R^2_{FF3}$$（Fama-French三因子回归拟合度） --- 模型回测效果 1. **DFQ-2020风格因子表现**（中证全指样本） - Liquidity因子：近一周收益5.44%，近一年年化33.79%[11] - Size因子：近一周收益-5.96%，历史年化-29.56%[11] 2. **MFE组合模型** - 沪深300增强产品：近一周超额收益中位数-0.07%，最高0.47%[47] - 中证1000增强产品：今年以来超额收益中位数3.28%，最高9.18%[53] --- 因子回测效果 1. **沪深300样本空间** - 预期PEG因子：近一周收益0.88%，近一年年化2.96%[22] - 单季ROE因子：近一周收益0.86%，历史年化4.25%[22] 2. **中证1000样本空间** - 一个月反转因子：近一周收益1.03%，近一年年化-10.62%[32] - 特异度因子：近一周收益0.76%，历史年化4.98%[32] 3. **创业板指样本空间** - 标准化预期外盈利：近一周收益16.09%，近一年年化32.15%[39] - 3个月盈利上下调：近一周收益-3.87%，历史年化-12.03%[39] --- 附录：MFE组合构建细节 - **优化变量**：$w$为股票权重向量，$w_b$为基准权重[54] - **行业约束**：$B_b$为成分股0-1矩阵，限制成分股权重占比[57] - **换仓频率**：月末调仓，双边交易成本0.3%[58]