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]

量化模型与构建方式 1. 模型名称：择时体系模型 - 模型构建思路：通过比较wind全A指数的长期均线（120日）和短期均线（20日）的距离来判断市场整体环境[2][9] - 模型具体构建过程：计算20日均线与120日均线的差值，公式为： $$\text{均线距离} = \frac{\text{20日均线值} - \text{120日均线值}}{\text{120日均线值}} \times 100\%$$ 当距离绝对值小于3%时，市场定义为震荡格局[2][9] 2. 模型名称：仓位管理模型 - 模型构建思路：结合wind全A指数的估值水平（PE、PB分位数）和短期趋势判断，给出仓位建议[3][10] - 模型具体构建过程： - PE分位数位于50%附近为中等水平，PB分位数位于10%附近为较低水平[3][10] - 根据估值与趋势综合判断，当前建议仓位为60%[3][10] 3. 模型名称：TWO BETA模型 - 模型构建思路：通过行业Beta分析推荐科技板块[2][8] - 模型具体构建过程：未披露具体计算过程，输出结果为推荐信创、通信/固态电池等科技子行业[2][8] 4. 模型名称：行业配置模型 - 模型构建思路：中期角度推荐困境反转型板块[2][8] - 模型具体构建过程：未披露具体因子，输出结果为推荐恒生医疗、轻工/家电等出口链行业[2][8] 模型的回测效果 1. 择时体系模型：最新均线距离为-2.80%，市场判定为震荡格局[2][9] 2. 仓位管理模型：当前建议仓位60%，基于PE分位数50%、PB分位数10%[3][10] 量化因子与构建方式 1. 因子名称：均线距离因子 - 因子构建思路：通过20日与120日均线差值捕捉市场趋势变化[2][9] - 因子具体构建过程：同择时体系模型的均线距离公式[2][9] - 因子评价：对震荡市和趋势市有区分能力[2][9] 2. 因子名称：估值分位数因子 - 因子构建思路：利用PE/PB历史分位数判断估值高低[3][10] - 因子具体构建过程： - PE分位数计算周期：2014年10月17日至2025年5月9日[12] - PB分位数计算周期：同上[16] 因子的回测效果 1. 均线距离因子：最新值为-2.80%，触发震荡市阈值（<3%）[2][9] 2. 估值分位数因子： - PE分位数50%（中等水平）[3][10] - PB分位数10%（较低水平）[3][10]

根据研报内容，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：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状态，包括资金活跃度、风险偏好、量价关系等维度[7] - **模型具体构建过程**： 1. 选取9项分项指标（行业间交易波动率、行业交易拥挤度、价量一致性等），每项指标按布林轨道位置打分（-1/0/1）[8] 2. 对分项分数等权求和，计算20日均线作为最终情绪指标： $$ \text{情绪指标} = \frac{1}{20}\sum_{i=1}^{9} \text{Score}_i $$ 3. 指标在[-6,6]区间波动，当前值1.5提示情绪修复[9] - **模型评价**：能有效捕捉市场情绪拐点，2024年10月成功预警情绪突破[8] 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/行业趋势强弱[20] - **模型具体构建过程**： 1. 对N日均线（长期N=360，短期N=60）计算相邻均线排列得分： $$ \text{Score}_k = \begin{cases} 1 & \text{if MA}_k > \text{MA}_{k+1} \\ 0 & \text{otherwise} \end{cases} $$ 2. 标准化所有组合得分后求平均，形成趋势得分[20] 3. 通过100/20日均线交叉生成多空信号[20] 3. **模型名称：RSI风格择时模型** - **模型构建思路**：利用相对强弱指标判断风格轮动[24] - **模型具体构建过程**： 1. 计算风格指数净值比值的RSI： $$ \text{RSI} = 100 - \frac{100}{1+\frac{\text{Gain}}{\text{Loss}}} $$ 2. 比较20日/60日RSI，当20日RSI>60日RSI时判定分子端风格占优[24] 模型的回测效果 1. **市场情绪结构指标模型** - 当前指标值：1.5（偏多信号）[9] - 分项指标得分：价量一致性1分，主力买入力量1分[12] 2. **MASS均线排列模型** - 沪深300：短期得分33.9（多），长期得分74.37（多）[36] - 创业板指：短期得分33.9（多），长期得分66.57（多）[36] - 红利指数：短期得分47.46（空），长期得分48.75（空）[38] 3. **RSI风格择时模型** - 国证成长/价值：20日RSI 57.91 > 60日RSI 55.24（成长占优）[27] - 创业板指/沪深300：20日RSI 78.73 > 60日RSI 64.69（成长占优）[27] 量化因子与构建方式 1. **因子名称：价量一致性因子** - **因子构建思路**：衡量行业涨跌幅与成交额排序的匹配度[16] - **因子具体构建过程**： 1. 计算行业相对成交额排名与涨跌幅排名的Spearman相关系数[16] 2. 当前值处于布林上轨附近，提示资金观点一致[16] 2. **因子名称：科创50成交占比因子** - **因子构建思路**：反映资金风险偏好水平[14] - **因子具体构建过程**： $$ \text{成交占比} = \frac{\text{科创50成交额}}{\text{万得全A成交额}} $$ 当前边际下降但主力资金净流入修复[14] 因子的回测效果 1. **价量一致性因子** - 当前得分：1分（最高档）[12] - 显著行业：纺织服饰、国防军工、计算机等[16] 2. **科创50成交占比因子** - 当前得分：-1分[12] - 主力资金净流入：5月9日3.84亿元[14]

量化模型与构建方式 1. **模型名称**：公募基金仓位估计模型 - **模型构建思路**：基于基金季报披露的前十大重仓股、上市公司十大股东信息及行业配置，结合历史非重仓股持仓比例，模拟补全基金全部股票持仓[8][9] - **模型具体构建过程**： 1. 从基金季报（T期）获取前十大重仓股及证监会行业配置比例[9] 2. 结合上市公司1/3季度十大股东信息，补充重仓股细节[9] 3. 假设非重仓股在行业内的持股种类不变，按T-1期（半年报/年报）非重仓股持仓比例放缩权重，生成T期模拟持仓[10] 4. 将持仓拆分为大、小盘组合，通过加权最小二乘法拟合基金日收益率与大小盘指数日收益率，估计每日仓位配置[12] - **模型评价**：解决了基金持仓披露滞后性问题，实现了日度仓位监控 2. **模型名称**：基金风格分析模型 - **模型构建思路**：基于模拟持仓数据，从市值暴露、行业配置等维度刻画基金风格[12] - **模型具体构建过程**： 1. 使用中信一级行业分类划分持仓股票[14] 2. 计算基金在大盘（沪深300成分）和小盘（非成分股）的仓位占比[11] 3. 统计行业配置权重及历史分位点[19][20] --- 模型的回测效果 1. **公募基金仓位估计模型** - 普通股票型基金仓位中位数：88.30%（周环比-1.15%）[14] - 偏股混合型基金仓位中位数：85.28%（周环比-1.80%）[14] - 大盘仓位变动：普通股票型-0.67%，偏股混合型-2.01%[15] - 小盘仓位变动：普通股票型-0.48%，偏股混合型+0.21%[15] 2. **基金风格分析模型** - 当前仓位历史分位点：普通股票型49.38%，偏股混合型52.69%[15] - 行业配置权重最高：电子（14.96%）、电力设备（9.29%）、医药（10.68%）[19] --- 量化因子与构建方式 1. **因子名称**：市值暴露因子 - **因子构建思路**：通过基金持仓在大、小盘组合的配置差异捕捉市值风格[11] - **因子具体构建过程**： $$ \text{市值暴露} = \frac{\text{小盘组合仓位}}{\text{小盘组合仓位} + \text{大盘组合仓位}} $$ 使用加权最小二乘法拟合基金日收益与大小盘指数收益计算[12] 2. **因子名称**：行业动量因子 - **因子构建思路**：跟踪基金行业配置周度变动方向[22] - **因子具体构建过程**： 1. 计算中信一级行业本周仓位变动比例[22] 2. 标准化变动值并排序（如机械行业本周增仓幅度最大）[23] --- 因子的回测效果 1. **市值暴露因子** - 普通股票型基金小盘仓位：46.9%，大盘仓位41.4%[14] - 偏股混合型基金小盘仓位：50.9%，大盘仓位34.3%[14] 2. **行业动量因子** - 本周增仓行业：机械（+0.5%）、基础化工（+0.3%）、计算机（+0.2%）[22] - 本周减仓行业：医药（-0.4%）、食品饮料（-0.3%）[22]

量化模型与构建方式 1 模型名称：全天候模型 模型构建思路：用于监测市场技术面风险并发出提示信号[8] 模型具体构建过程：未披露具体构建细节，但通过技术指标（如高开低走、阴线形态等）判断市场反弹阶段是否接近尾声[8] 2 模型名称：四轮驱动行业轮动模型 模型构建思路：通过多维度信号识别行业潜在机会[8][18] 模型具体构建过程： - 信号类型包括赚钱效应异动、强势上涨中继等[18] - 动态跟踪行业是否出局（如止损、顶肩形态出局）[18] - 结合拥挤度指标（0表示未拥挤）和Sharpe比率排序[18] 量化因子与构建方式 1 因子名称：军工行业相对性价比因子 因子构建思路：评估军工板块相对于市场的估值低位特征[9] 因子具体构建过程： $$ \text{相对性价比} = \frac{\text{军工指数收盘价}}{\text{Wind偏股混合型基金指数收盘价}} $$ 通过历史分位数判断当前比值处于10年底部[9] 2 因子名称：先进制造成交占比因子 因子构建思路：监测成交金额占比的企稳回升迹象[8] 因子具体构建过程：统计行业成交额占全市场比例，判断是否脱离低点但未进入过热区间[8] 模型的回测效果 1 全天候模型：成功捕捉到市场反弹尾声的技术面风险信号[8] 2 四轮驱动行业轮动模型：最新信号推荐通信、机械设备、国防军工等行业[18] 因子的回测效果 1 军工相对性价比因子：当前比值处于历史10%分位数以下[9] 2 先进制造成交占比因子：比例从两年低点回升且未超阈值[8]

量化模型与构建方式 1. **模型名称：转债CRR定价组合** - **模型构建思路**：通过CRR二叉树定价模型计算转债理论价值，筛选市场价格相对理论定价偏离度最大的转债进行配置，博弈定价误差回归收益[45] - **模型具体构建过程**： 1. **样本初筛**：剔除债项评级低于AA-、余额小于2亿元、正股ST历史、评级下调、大股东质押比例≥90%、10日无成交、强赎进度≥5日或跌破债底的转债[45] 2. **风格划分**：按平价分为债性（<90）、平衡（90-110）、股性（>110）三类[45] 3. **择券标准**：每类风格中选取CRR定价/市价比值最高的10只转债，共30只等权配置[45] 4. **再平衡**：月度调仓[45] - **模型评价**：长期年化收益显著高于市场基准，但需高频交易环境适配[44] 2. **模型名称：转债低估值动量组合** - **模型构建思路**：结合转股溢价率低位（估值因子）与正股短期动量（价量因子）的多因子策略[51] - **模型具体构建过程**： 1. **样本初筛**：同CRR组合的初筛条件[51] 2. **风格划分**：按平价分为债性、平衡、股性三类[51] 3. **因子合成**： - 估值因子：转债绝对定价及相对定价分位数 - 动量因子：正股短期价格趋势 4. **择券标准**：每类风格中综合打分最高的10只转债，共30只等权配置[51] 5. **再平衡**：月度调仓[51] - **模型评价**：风险调整后收益优于CRR组合，胜率更高[49] --- 量化因子与构建方式 1. **因子名称：定价偏离度因子** - **因子构建思路**：衡量转债市场价格与CRR理论定价的偏离程度，反映估值性价比[16] - **因子具体构建过程**： $$定价偏离度 = CRR定价 - 转债市价$$ 其中CRR定价通过二叉树模型计算，考虑内嵌条款、信用利差等因素[16] - **因子评价**：偏离度越高表明转债越低估，但需结合信用风险筛选[16] 2. **因子名称：短久期隐含预期因子** - **因子构建思路**：利用短久期转债的转股溢价率反推市场对正股的短期收益预期[37] - **因子具体构建过程**： 1. 筛选剩余期限最短的1/3转债 2. 以到期日倒数加权转股溢价率，构建隐含预期指数[37] 3. **因子名称：盈利预期分歧因子** - **因子构建思路**：通过分析师预测标准差度量盈利预期分歧度，反映市场观点分化[29] - **因子具体构建过程**： 1. 计算未来12个月营收/净利润预测标准差 2. 同比处理以消除周期影响[29] --- 模型的回测效果 1. **转债CRR定价组合** - 年化收益率：15.17% - 最大回撤：12.08% - 收益回撤比：1.26 - 月度胜率：61.36%[44] 2. **转债低估值动量组合** - 年化收益率：15.16% - 最大回撤：11.26% - 收益回撤比：1.35 - 月度胜率：64.77%[49] --- 因子的回测效果 1. **定价偏离度因子** - 全市场偏离度中位数：1.09元（偏低估） - 风格分项：债性1.23元、平衡0.29元、股性1.42元[18] 2. **短久期隐含预期因子** - 最新指数读数：52.07（中性区间）[37] 3. **盈利预期分歧因子** - 营收分歧同比：-0.15%（较上月+0.51%） - 利润分歧同比：-0.15%（较上月+1.48%）[29]

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**：分红预测模型 - **模型构建思路**：基于上市公司分红公告、历史分红率及盈利预测数据，预测指数成分股分红对股指期货合约的影响[9][11][12] - **模型具体构建过程**： 1. **净利润预估**：优先采用年报、快报、预警及分析师预测数据，未公布数据则使用TTM或历史分红率推算[26][27][31] 2. **分红总额计算**： - 已公布预案的公司直接采用税前分红总额 - 未公布预案的公司按历史分红率推算：$$\text{预估分红总额} = \text{预估净利润} \times \text{历史分红率}$$[31] 3. **指数影响计算**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率，权重通过动态调整公式计算： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$[29] 4. **合约影响值预测**：根据除权除息日历史规律，叠加分红时间分布计算各合约交割前的累计影响[30][32][33] - **模型评价**：依赖历史分红率和盈利预测假设，对市场环境变化敏感[6][35] 2. **模型名称**：股指期货定价模型 - **模型构建思路**：基于无套利原理，考虑分红现值和无风险利率对期货定价的影响[35][36] - **模型具体构建过程**： - **离散红利模型**： $$\mathbf{F_t} = (\mathbf{S_t} - \mathbf{D})(1 + r)$$ 其中，$\mathbf{D}$为红利现值，$r$为无风险利率[35] - **连续红利模型**： $$\mathbf{F_t} = \mathbf{S_t} e^{(r-d)(T-t)}$$ 其中，$d$为年化红利率[36] --- 模型的回测效果 1. **分红预测模型** - **上证50期货**： - IH2505合约：分红点数0.27，年化对冲成本0.27%（365天）[13] - IH2509合约：含分红价差7.91，剩余影响2.23%[13] - **沪深300期货**： - IF2505合约：分红点数0.74，年化对冲成本7.07%[14] - IF2512合约：含分红价差-69.86，剩余影响1.81%[14] - **中证500期货**： - IC2505合约：分红点数2.21，年化对冲成本15.59%[15] - **中证1000期货**： - IM2505合约：分红点数3.86，年化对冲成本18.88%[16] 2. **股指期货定价模型** - 理论价差与实际价差对比显示，IH2506合约含分红价差0.16，接近无套利均衡[13] --- 关键因子与构建方式 1. **因子名称**：分红点数因子 - **因子构建思路**：反映分红对期货合约价格的直接影响[12][13][14] - **因子具体构建过程**： - 单合约分红点数 = 各成分股分红点数的交割前累计和[33] 2. **因子名称**：年化对冲成本因子 - **因子构建思路**：衡量剔除分红后的持有成本[12][13][14] - **因子具体构建过程**： - 年化对冲成本 = （实际价差 - 分红点数） / 合约价格 × 年化天数[13][14] --- 因子的回测效果 1. **分红点数因子**： - IH2509合约：59.91点[13] - IC2512合约：75.31点[15] 2. **年化对冲成本因子**： - IF2506合约：3.05%（365天）[14] - IM2509合约：11.84%（365天）[16] --- 以上内容严格依据研报中的模型、因子及测试结果整理，未包含免责声明等无关信息。

量化模型与构建方式 1. 流动性周期指数模型 1.1 模型名称：流动性周期指数 1.2 模型构建思路： 该模型通过政策工具、市场利率和传导效率三个核心维度的信号处理与融合，动态捕捉中国货币政策传导效果与市场状态，精准识别货币政策的中长期趋势变化[2] 1.3 模型具体构建过程： 1) **分层信号处理架构**： - 采用四级递进处理框架：基础数据层→信号提取层→组合分析层→合成输出层 - 基础数据层完成政策利率、准备金率等原始指标的频率统一与缺失值处理 - 信号提取层通过动态标准化方法消除量纲差异 - 组合分析层引入时变权重机制 - 合成输出层通过边际变化强化与自适应滤波，突出政策拐点[76] 2) **动态权重分配机制**： - 价格型工具权重从20%阶梯式提升至48%，数量型工具权重从55%逐步降至25% - 引入DR007市场利率偏离度作为动态调节因子，当偏离超过10bp时自动提高价格型工具权重5%[76] 3) **噪声抑制技术方案**： - 采用6阶巴特沃斯低通滤波器 - 创新边际变化强化模块，通过20/40日双窗口差分计算政策力度加速度 - 建立信号稳定性校验机制[76] 4) **政策冲击记忆模型**： $$M_{t}=\alpha\cdot M_{t-1}+\beta\cdot\Delta R_{t}\times\Gamma(\Delta R_{t},\Delta R_{t-1})$$ 其中： - $M_t$:t日政策记忆量 - α=0.98:日度记忆衰减因子 - β=25：冲击系数 - $\Delta R_t$:t日政策工具变动量 - $\Gamma(\cdot)$:政策转向增强函数[83] 5) **政策转向增强函数**： $$\Gamma(\Delta R)=\left\{\begin{array}{c c}{{1.5}}&{{i f\Delta R_{t}\times\Delta R_{t-1}<0}}\\ {{1}}&{{o t h e r w i s e}}\end{array}\right.$$[86] 1.4 模型评价： 该模型创新性地结合了中国货币政策框架演进特征，通过动态权重分配和多维度信号融合，有效解决了传统量化模型在政策转型期适应性不足的问题[76] 2. 政策工具维度子模型 2.1 模型名称：政策工具维度信号合成模型 2.2 模型构建思路： 通过分层信号处理和政策冲击记忆模型，将各类货币政策工具的操作转化为统一的政策信号[76] 2.3 模型具体构建过程： 1) **政策利率指标**： - 对每个利率工具计算双重信号：基于360日移动平均的利率偏离度和带记忆衰减的政策冲击量 - 记忆衰减因子0.93-0.97，降息时冲击量正向放大1.5倍[80] - 权重动态适配：划分2014/09、2019/08、2024/06三个关键时点，OMO权重从100%阶梯下调至60%，MLF权重从40%逐步降至10%，LPR权重稳定在30%[84] 2) **准备金率指标**： - 采用统一分析框架处理准备金率信号 - 动态信号增强：使用高斯衰减模型将单次降/升准的政策冲击扩散至事件前后30天 - 双轨记忆模型：大行与中小行分别构建带衰减因子的政策记忆序列[85] - 信号合成：以70%大行信号与30%中小行信号加权合成[87] 3) **借贷便利指标**： - 采用多工具整合框架，覆盖MLF、PSL、央行票据等多种工具 - 结合工具特性设定差异化记忆衰减因子(0.93-0.97)与冲击系数(0.7-1.0)[89] - 各工具信号生成采用相对偏离度方法，计算月度净投放量与历史均值的相对差距[89] 3. 市场利率维度子模型 3.1 模型名称：市场利率维度信号合成模型 3.2 模型构建思路： 通过多维度层级分析法，聚合货币市场与债券市场动态信号[4] 3.3 模型具体构建过程： 1) **货币市场信号**： - 选取DR007、R007、同业存单利率及SHIBOR期限利差构建四维指标体系 - 采用动态阈值法与多周期信号融合机制[4] 2) **债券市场信号**： - 聚焦收益率曲线形态与动量特征 - 通过期限利差分析和收益率变动分析生成综合信号 - 采用360日滚动均值消除趋势干扰[4] 3) **信号融合**： - 货币市场信号占比60%，债券市场信号占比40% - 最终通过加权融合生成市场利率维度的综合信号[4] 4. 传导效率维度子模型 4.1 模型名称：传导效率维度信号合成模型 4.2 模型构建思路： 通过量化评估货币政策传导效果，动态调整政策工具与市场利率的权重[5] 4.3 模型具体构建过程： 1) **货币创造效率**： - 分析M2与社融增速差及M2-M1增速差 - 生成复合信号并进行反向调整[5] 2) **融资成本**： - 基于政策利率与市场利率的利差传导效率 - 计算MLF-LPR、OMO-DR007等关键利差[5] 3) **融资压力**： - 采用实际利率的历史分位数反映融资难度 - 通过Z-score标准化生成压力信号[5] 4) **市场分层**： - 通过R007-DR007利率差和银行间-交易所市场利差 - 揭示金融市场内部的流动性分层与风险定价[5] 模型的回测效果 1. **流动性周期指数模型**： - 年化收益率5.53% - 夏普比率0.974 - 最大回撤15.652% - 胜率64.762%[6] 2. **大类资产配置策略**： - 月度调仓实现了上述绩效指标[6]

量化模型与构建方式 1. **模型名称：A股行业轮动模型** - **模型构建思路**：基于资金、估值、情绪、动量、超买超卖和盈利6个因子构建综合打分体系，用于行业轮动研判[13] - **模型具体构建过程**： 1. **资金因子**：以行业主力资金净流入率（大单成交统计）作为输入[9][13] 2. **估值因子**：计算行业当前估值在过去1年的分位数[13] 3. **情绪因子**：采用行业成分股上涨比例作为指标[13] 4. **动量因子**：基于MACD指标计算行业趋势强度[13] 5. **超买超卖因子**：使用RSI指标衡量行业短期超买超卖状态[13] 6. **盈利因子**：以行业一致预测EPS在过去1年的分位数为依据[13] 7. **综合打分**：各因子标准化后加权求和，输出行业综合评分[15] - **模型评价**：多因子框架覆盖市场多维特征，但未披露因子权重分配逻辑[13][15] 2. **模型名称：共识度选股模型** - **模型构建思路**：结合行业动量、估值、高频资金流与价格走势相似度筛选个股[16] - **模型具体构建过程**： 1. **行业筛选**：选取过去30天涨幅前三的申万二级行业[16] 2. **因子计算**： - 动量因子：股票月度收益率 - 估值因子：未明确具体指标（报告中未披露公式） - 高频资金流相似度：计算股票分钟级资金流与价格走势的相关系数[16] 3. **股票筛选**：在目标行业中选取资金流-价格相似度最高的前5只股票[17] 量化因子与构建方式 1. **因子名称：主力资金净流入率** - **因子构建思路**：通过大单交易统计主力资金流向[9] - **因子具体构建过程**： - 定义主力交易单：单笔成交≥10万股或金额≥20万元[9] - 计算净流入：主力买入金额 - 主力卖出金额，按行业汇总[9] 2. **复合因子组（行业轮动模型）** - **资金因子**：如上述主力资金净流入率[13] - **估值因子**：行业PE/PB等指标的历史分位数[13] - **情绪因子**：上涨股票占比，公式为 $$ \text{情绪得分} = \frac{\text{行业上涨股票数}}{\text{行业总股票数}} $$ [13] - **动量因子**：MACD指标，公式为 $$ \text{MACD} = \text{EMA}_{12} - \text{EMA}_{26} $$ $$ \text{信号线} = \text{EMA}_9(\text{MACD}) $$ [13] - **超买超卖因子**：RSI指标，公式为 $$ \text{RSI} = 100 - \frac{100}{1 + \text{RS}} $$ $$ \text{RS} = \frac{\text{平均上涨幅度}}{\text{平均下跌幅度}} $$ [13] - **盈利因子**：EPS预测变化分位数[13] 模型的回测效果 1. **A股行业轮动模型** - 非银金融：综合得分8（资金+、估值+++、情绪--、动量+++、超买超卖+++、盈利未显示权重）[15] - 通信：综合得分8（资金++、估值++、情绪+++、动量+）[15] - 汽车：综合得分7（资金+++、估值+++、情绪+）[15] 2. **共识度选股模型** - 输出结果：饲料行业（百洋股份、中宠股份等）、贵金属行业（湖南白银、晓程科技等）、动物保健Ⅱ行业（金河生物、海利生物等）[17] 因子的回测效果 1. **主力资金净流入因子** - 5日净流入：汽车行业27.05亿元（南方精工等个股流入显著）[9] - 30日净流入：综合行业-16.4亿元（漳州发展等个股流入靠前）[10][12] 2. **行业轮动子因子表现** - 资金因子：汽车行业5日净流入排名第一（+++）[9][15] - 情绪因子：通信行业情绪得分最高（+++）[15] - 动量因子：非银金融动量得分（+++）[15] 注：部分因子（如估值、盈利）未披露具体数值，仅显示标准化后的符号化评分[15]

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**：沪深300指数成分调整预测模型 - **模型构建思路**：基于历史数据和指数编制规则，预测沪深300指数成分股的调整情况[7] - **模型具体构建过程**： 1. 从样本空间构造、停牌剔除、财务亏损剔除等角度检验指数编制的技术细节[7] 2. 根据日均成交量和市值排名变化筛选调出和调入成分股[9] 3. 对于调出成分股，主要考虑日均成交下滑和市值排名下滑两个因素[9] 4. 对于调入成分股，统一考虑成交排名和市值排名满足条件[9] 2. **模型名称**：中证500指数成分调整预测模型 - **模型构建思路**：延续沪深300指数的方法论，预测中证500指数成分股的调整情况[7] - **模型具体构建过程**： 1. 同样基于样本空间构造、停牌剔除、财务亏损剔除等技术细节[7] 2. 主要根据市值排名变化筛选调出成分股，其中部分因日均市值上升而被调出[11] 3. 对于调入成分股，统一考虑成交排名和市值排名满足条件[12] 模型的回测效果 1. **沪深300指数成分调整预测模型** - 预测调出成分股8只，包括一汽解放、龙源电力、华兰生物等[9] - 预测调入成分股8只，包括国货航、领益智造、光启技术等[9] - 备选名单包含15只股票，排名前三位的是渝农商行、软通动力、龙芯中科[10] 2. **中证500指数成分调整预测模型** - 预测调出成分股50只，包括冀东水泥、远兴能源、新兴铸管等[11] - 预测调入成分股50只，包括深圳华强、渤海租赁、粤高速A等[12] - 备选名单包含24只股票，排名前三位的是中谷物流、广深铁路、威胜信息[14] 量化因子与构建方式 1. **因子名称**：日均成交量因子 - **因子构建思路**：用于识别因流动性不足可能被调出的成分股[9] - **因子具体构建过程**： 1. 计算每只成分股的日均成交量 2. 与市场整体成交量和历史成交量进行比较 3. 设定阈值筛选出日均成交下滑的股票[9] 2. **因子名称**：市值排名因子 - **因子构建思路**：用于识别因市值变化可能被调整的成分股[9][11] - **因子具体构建过程**： 1. 计算每只股票的总市值 2. 在样本空间内进行市值排名 3. 设定排名阈值筛选出市值排名下滑的股票[9][11] 3. **因子名称**：日均市值因子 - **因子构建思路**：用于识别因市值增长可能被调出的中证500成分股[11] - **因子具体构建过程**： 1. 计算每只股票的日均市值 2. 与沪深300成分股市值门槛进行比较 3. 筛选出日均市值上升至超过中证500标准的股票[11] 因子的回测效果 1. **日均成交量因子** - 在沪深300指数中识别出2只因日均成交下滑被调出的股票（一汽解放、龙源电力）[9] 2. **市值排名因子** - 在沪深300指数中识别出6只因市值排名下滑被调出的股票[9] - 在中证500指数中识别出42只因市值排名下滑被调出的股票[11] 3. **日均市值因子** - 在中证500指数中识别出8只因日均市值上升被调出的股票[11]