因子表现 - 动量因子本周表现良好，获取正收益0.77%[1] - 市值因子和非线性市值因子本周表现较差，分别获取负收益-0.78%和-0.85%[1] - 沪深300股票池中，早盘后收益因子表现最佳，获取正收益0.39%[1] - 中证500股票池中，标准化预期外收入因子表现最佳，获取正收益1.08%[1] - 流动性1500股票池中，标准化预期外收入因子表现最佳，获取正收益2.29%[2] 组合表现 - PB-ROE-50组合本周在全市场股票池中获得超额收益0.25%，但在中证500和中证800股票池中分别获得负超额收益-0.80%和-0.54%[23] - 公募调研选股策略和私募调研跟踪策略本周超额收益回落，分别获得负超额收益-1.44%和-1.48%[27] - 大宗交易组合本周未获得超额收益，相对中证全指获得负超额收益-0.64%[30] - 定向增发组合本周表现较好，相对中证全指获得超额收益1.25%[35] 风险提示 - 报告结果基于历史数据，历史数据存在不被重复验证的可能[38]

量化模型与构建方式 1. 模型名称：可转债的赎回概率调整定价模型（CCBA模型） - 模型构建思路：通过计算转债的理论定价，评估转债的期权估值水平[7][9] - 模型具体构建过程： - 计算转债价格与CCBA模型定价的偏离度，公式为： $$ \text{定价偏离度} = \frac{\text{转债价格}}{\text{CCBA模型定价}} - 1 $$ - 通过该偏离度来表征转债的期权估值水平[9] - 模型评价：该模型能够较好地反映转债的期权估值水平，并用于择时策略[9] 2. 模型名称：转债&国债择时策略 - 模型构建思路：基于市场YTM差值与定价偏离度，进行转债与国债的择时配置[13] - 模型具体构建过程： - 计算市场YTM差值与定价偏离度的zscore，并形成择时综合打分 - 月度调整权重，构建转债&国债的择时策略[13] - 模型评价：策略几乎每年都能跑赢基准，波动与回撤明显降低[13] 3. 模型名称：胜率择时策略 - 模型构建思路：使用信用指标进行中证转债与国债的择时策略[20] - 模型具体构建过程： - 计算信用方向因子和信用强度因子，并求和得到信用综合分数 - 策略的中证转债权重=50%+信用综合分数×25%[23] - 模型评价：策略能够实现相对于等权基准的稳定超额收益[20] 模型的回测效果 1. 可转债的赎回概率调整定价模型（CCBA模型） - 未来半年中证转债预期收益：6.76%[12] 2. 转债&国债择时策略 - 年化收益：8.98% - 年化波动：6.76% - 最大回撤：11.79%[17] 3. 胜率择时策略 - 年化收益：7.67% - 年化波动：7.89% - 最大回撤：14.63%[22] 量化因子与构建方式 1. 因子名称：信用方向因子 - 因子的构建思路：通过中长期贷款脉冲判断信用环境[23] - 因子具体构建过程： - 计算中长期贷款脉冲=过去一年中长期贷款增量并取同比 - 若中长期贷款脉冲相比于三个月前有所抬升，则因子为1分，反之为-1分[23] 2. 因子名称：信用强度因子 - 因子的构建思路：通过信用指标的超预期情况判断信用强度[23] - 因子具体构建过程： - 查看信用指标是否超预期或不及预期 - 若标准化后的超预期因子>1.5，则因子为1分，若<-1.5，则因子为-1分，其余时间为0分[23] 因子的回测效果 1. 信用方向因子 - 无具体回测效果数据 2. 信用强度因子 - 无具体回测效果数据

- JPMorgan上周发行了基本面数据科学系列ETF，分为大中小盘三只产品，采用较为复杂的量化方法处理基本面数据并进行选股[9][10] - 该系列ETF在处理时，主要结合数据和其基本面传导逻辑，最终对股票的基本面信息形成预测，因此仍然强调基本面逻辑的可解释性[10] - 上周美国共5只新发ETF，数量较此前有明显减少[9]

- 外资配置型资金可以用EPFR口径的"非对冲基金"对中国大陆及其相应板块流入有效替代[5] - 交易型资金跟踪可以用主要投行的主经纪商数据有效替代[5] - 北向席位数据对个股的跟踪在2021年后无效，海外资金自上而下层面的流向对指数有效，对个股无效[6] - 美元流动性划分为政府部门流动性和私人部门流动性，私人部门流动性再划分为资金流动性、市场流动性和跨境流动性[6] - 美国基本面和日本央行加息只是"扣动扳机"，实质是自2024年4月以来美国政府部门流动性恶化的体现[7] - 2024年下半年大类资产最具确定性机会在于美债的每一轮下跌和恒指在15000-16000的双底[8] - EPFR基金流向数据库提供资产类别聚合、基金组别、投资经理、单个基金和份额类别的数据[14] - 核心数据包括单一基金的流入流出金额、单一基金的地区和板块配置、国家、地区、板块层面的资金流向[16] - 外国投资者资金流动可以作为新兴市场国家层面的有用领先指标[18] - 全球基金经理的国家或行业配置提供了额外的数据作为动量信号，在多因素股权配置模型中增加了价值[19] - 国家和行业的资金流动可以是更广泛市场方向的领先指标[20] - 配置者基于月度分配数据交叉检查他们自己的定位与行业同行[21] - 监控进入资产类别的资金流动是衡量投资者风险偏好的有用信号[22] - EPFR数据透明度和投资者类型的详细分类包括股票类、债券类、混合类、货币类和另类基金[23] - 2023年下半年以来，外资对H股的流入力度和弹性超过A股[40] - 美国对中国市场流入在2022年中见顶，之后缓慢流出；英国、日本在中国市场持仓基本已清空[59] - 2024年至今，北向交易盘主要买入消费、工业技术、医药和新能源[42] - 2023年的大幅清仓后2024年回流主要集中在港股[47] - 2021年中国抗疫成功后有大量资金流入大陆和香港，从2023年4月开始资金持续流出[50] - 在几次重点反弹时刻（2023年11-12月、2024年2-3月），外资对H股的流入都超过A股[53][56] - 2022年后主要增量资金来自德国、新加坡、小幅度来自沙特[59]

量化模型与构建方式 模型名称：基于主动交易的对冲成本优化模型 - **模型构建思路**：将股指期货交易策略与对冲持仓相结合，通过主动交易消除贴水带来的损失甚至贡献正收益，增强市场中性策略的表现[3][32] - **模型具体构建过程**： 1. 使用多项式拟合的方法来预测价格的变动趋势，采用1分钟的价格频率进行拟合和监控[3][32] 2. 拟合公式为： $$ p(t)=a_{n}t^{n}+a_{n-1}t^{n-1}+\cdots+a_{1}t^{1}+a_{0} $$ 其中，t为时间，n为拟合阶数，p(t)为t时刻的开盘价，f(t)为拟合的函数，an为拟合系数[47] 3. 对拟合函数求一、二阶导数，通过导数值的正负判断趋势的方向、力度以及变化趋势[47][48] 4. 策略信号定义： - f'(t)>0且f''(t)>0：上涨趋势加速（多仓） - f'(t)<0且f''(t)<0：下跌趋势加速（空仓） - f'(t)>0且f''(t)<0：上涨趋势放缓（平仓） - f'(t)<0且f''(t)>0：下跌趋势放缓[49] 5. 策略参数：拟合阶数为4阶，拟合时间长度为450分钟，止盈线设置在1.10%，止损线设置在-1.30%[50] - **模型评价**：该模型通过主动交易消除贴水带来的损失，能够增强市场中性策略的表现[3][32] 模型的回测效果 - **基于主动交易的对冲成本优化模型** - **IC**：不执行策略累计收益率-27.93%，年化收益率-5.49%，年化波动率3.37%，夏普率-2.52，最大回撤28.35%，上周收益率0.13%，2024年以来收益率-2.85%[35] - **IC**：执行策略累计收益率-16.94%，年化收益率-3.15%，年化波动率7.90%，夏普率-0.78，最大回撤23.87%，上周收益率0.37%，2024年以来收益率-3.86%[35] - **IF**：不执行策略累计收益率-11.77%，年化收益率-2.13%，年化波动率2.70%，夏普率-1.90，最大回撤12.55%，上周收益率0.05%，2024年以来收益率-1.68%[35] - **IF**：执行策略累计收益率0.38%，年化收益率0.07%，年化波动率6.69%，夏普率-0.44，最大回撤22.87%，上周收益率0.46%，2024年以来收益率-6.15%[35] - **IH**：不执行策略累计收益率-10.33%，年化收益率-1.86%，年化波动率2.69%，夏普率-1.81，最大回撤11.57%，上周收益率0.05%，2024年以来收益率-2.18%[35] - **IH**：执行策略累计收益率-9.26%，年化收益率-1.66%，年化波动率7.01%，夏普率-0.66，最大回撤23.59%，上周收益率0.07%，2024年以来收益率-8.51%[35] 量化因子与构建方式 因子名称：股指期货基差率 - **因子的构建思路**：通过计算股指期货合约与现货指数之间的基差率，评估市场情绪和套利机会[2][10] - **因子具体构建过程**： 1. 基差率公式： $$ \text{基差率} = \frac{\text{期货价格} - \text{现货价格}}{\text{现货价格}} $$ 2. 年化基差率公式： $$ \text{年化基差率} = \frac{\text{期货价格} - \text{现货价格}}{\text{现货价格}} \times \frac{252}{\text{剩余交易日天数}} $$ 3. 计算跨期价差率： $$ \text{跨期价差率} = \frac{\text{当月合约价格} - \text{下月合约价格}}{\text{当月合约价格}} $$ 4. 统计跨期价差率的分位数，评估其在历史分布中的位置[2][10][11] 因子的回测效果 - **股指期货基差率** - **IF**：主力合约基差率-1.65%，当季合约年化基差率-1.65%，跨期价差率65.20%分位数[2][10] - **IC**：主力合约基差率-6.15%，当季合约年化基差率-6.15%，跨期价差率60.30%分位数[2][10] - **IM**：主力合约基差率-10.74%，当季合约年化基差率-10.74%，跨期价差率96.90%分位数[2][10] - **IH**：主力合约基差率-0.72%，当季合约年化基差率-0.72%，跨期价差率67.20%分位数[2][10]

量化模型与构建方式 1. 境内主动资产配置组合模型 - **模型名称**：境内主动资产配置组合模型 - **模型构建思路**：基于战术性主动观点，设置境内主动资产配置组合，并对其表现进行追踪[5][20] - **模型具体构建过程**： 1. **调仓方式**：每月最后一个交易日进行调仓，或在主动观点发生显著变化时进行不定时调整[21] 2. **换手率限制**：月双边换手率不得超过60%[21] 3. **比较基准**：Wind混合型基金总指数[21] 4. **货币币种**：人民币，默认汇率风险完全对冲[21] - **模型评价**：该模型通过定期调仓和换手率限制，确保组合的灵活性和稳定性[21] 2. 全球主动资产配置组合模型 - **模型名称**：全球主动资产配置组合模型 - **模型构建思路**：基于战术性主动观点，设置全球主动资产配置组合，并对其表现进行追踪[5][20] - **模型具体构建过程**： 1. **调仓方式**：每月最后一个交易日进行调仓，或在主动观点发生显著变化时进行不定时调整[21] 2. **换手率限制**：月双边换手率不得超过60%[21] 3. **比较基准**：20%×MSCI全球权益指数+60%×美债+20%×CRB指数[21] 4. **货币币种**：美元，默认汇率风险完全对冲[21] - **模型评价**：该模型通过多元化的资产配置和严格的换手率限制，确保组合的稳定性和收益性[21] 模型的回测效果 境内主动资产配置组合模型 - **收益率**： - 上周收益率：-0.61%[22] - 基准指数收益率：-1.09%[22] - 超额收益率：0.48%[22] - 累计超额收益率：4.57%（年化47.51%）[22] - 累计绝对收益率：0.45%（年化3.98%）[22] 全球主动资产配置组合模型 - **收益率**： - 上周收益率：-0.44%[37] - 基准指数收益率：0.08%[37] - 超额收益率：-0.52%[37] - 累计超额收益率：1.73%（年化16.06%）[37] - 累计绝对收益率：1.10%（年化9.96%）[37]

- 本报告未涉及量化模型或量化因子的相关内容[1][2][3]

- 本报告未涉及量化模型或量化因子的构建、测试及相关分析内容[1][2][3]

量化模型与构建方式 模型名称：周期滤波模型 - **模型构建思路**：通过周期滤波方法分析全球主要市场的周期性变化，识别市场的周期顶部和底部[3][4][5] - **模型具体构建过程**： 1. 收集全球主要市场的历史数据，包括股票指数、国债收益率、商品指数和汇率等[3][4][5] 2. 对这些数据进行同比序列计算，得到各市场的同比变化率[3][4][5] 3. 使用主成分分析（PCA）提取各市场的主要成分，得到PCA第一主成分（PCA1）[6][10][13] 4. 对PCA1进行周期滤波，识别出周期性变化的趋势和拐点[6][10][13] - **模型评价**：该模型能够较好地捕捉市场的周期性变化，提供市场拐点的预警信号[3][4][5] 模型的回测效果 - **周期滤波模型** - 标普500指数同比变化率：1.1%[3] - 德国DAX指数同比变化率：1.5%[3] - 日经225指数同比变化率：-1.2%[3] - 中国10年期国债收益率同比变化率：-5.6BP[4] - 美国10年期国债收益率同比变化率：-27BP[4] - 德国10年期国债收益率同比变化率：-13BP[4] - 彭博农业指数同比变化率：-5.3%[5] - 彭博工业金属指数同比变化率：-7.2%[5] - 彭博能源业指数同比变化率：-8.1%[5] - 彭博贵金属指数同比变化率：2.2%[5] - 美元兑欧元同比变化率：-1%[6] - 美元兑英镑同比变化率：-1.6%[6] - 美元兑日元同比变化率：-6.8%[6] - 美元兑澳元同比变化率：2%[6] - 美元兑加元同比变化率：0.9%[6] - 美元兑挪威克朗同比变化率：3.3%[6] 量化因子与构建方式 因子名称：PCA第一主成分（PCA1） - **因子的构建思路**：通过主成分分析（PCA）提取各市场的主要成分，得到PCA第一主成分（PCA1），用于分析市场的主要驱动因素[6][10][13] - **因子具体构建过程**： 1. 收集全球主要市场的历史数据，包括股票指数、国债收益率、商品指数和汇率等[3][4][5] 2. 对这些数据进行同比序列计算，得到各市场的同比变化率[3][4][5] 3. 使用主成分分析（PCA）提取各市场的主要成分，得到PCA第一主成分（PCA1）[6][10][13] 4. 对PCA1进行周期滤波，识别出周期性变化的趋势和拐点[6][10][13] - **因子评价**：PCA1因子能够有效提取市场的主要驱动因素，简化数据分析过程，提高分析效率[6][10][13] 因子的回测效果 - **PCA1因子** - 全球主要股指同比PCA1：-1.1%[10] - 全球主要利率同比PCA1+2：-2.3%[27] - 全球主要商品同比PCA1：-3.5%[37] - 全球主要汇率同比PCA1：1.2%[45]

量化模型与构建方式 1. 模型名称：右侧行业景气趋势模型 - **模型构建思路**：通过景气度、趋势和拥挤度三个维度筛选行业，选择景气高、趋势强且拥挤度不高的行业，适用于右侧市场环境[8][10][81] - **模型具体构建过程**： - 景气度：衡量行业基本面和盈利能力 - 趋势：基于市场动量因子，捕捉强势行业 - 拥挤度：通过资金流向和持仓集中度，规避高拥挤风险 - 结合上述指标，构建行业配置权重，并进一步叠加PB-ROE选股策略[12][81][93] - **模型评价**：模型表现稳健，适用于右侧市场环境，进攻性强，样本外表现优异[8][81] 2. 模型名称：左侧行业库存景气反转模型 - **模型构建思路**：基于赔率-胜率框架，结合行业库存周期，挖掘困境反转机会，适用于左侧市场环境[8][16][83] - **模型具体构建过程**： - 剔除库存和资本开支历史分位数>80%、毛利率和自由现金流占比历史分位数<20%的行业 - 重点关注库存压力较小且具备补库条件的行业 - 结合分析师长期看好的行业，捕捉补库周期中的反转机会[16][83][86] - **模型评价**：模型在困境反转行情中表现较好，适合捕捉左侧市场机会[16][83] 3. 模型名称：行业景气度选股模型 - **模型构建思路**：基于行业景气度模型，进一步落实到个股层面，选择估值性价比高的股票[12][93] - **模型具体构建过程**： - 根据行业配置模型确定行业权重 - 在行业内选取PB-ROE估值性价比排名前40%的股票 - 按流通市值和PB-ROE打分加权，构建投资组合[12][93] - **模型评价**：模型样本外表现优异，超额收益显著[12][93] 4. 模型名称：行业ETF配置模型 - **模型构建思路**：将行业景气度模型应用于ETF投资，便于投资者直接落地操作[89][93] - **模型具体构建过程**： - 基于行业景气度模型，筛选景气度高的行业 - 配置对应的行业ETF，形成投资组合[89][93] - **模型评价**：策略年化超额收益显著，信息比率较高[89][93] --- 模型的回测效果 1. 右侧行业景气趋势模型 - 年化超额收益：16.3% - 信息比率：1.74 - 超额最大回撤：-7.4% - 月度胜率：71% - 2023年超额收益：9.3% - 2024年截止7月底超额收益：8.0%[81][82] 2. 左侧行业库存景气反转模型 - 年化超额收益：16.5% - 信息比率：1.76 - 超额最大回撤：-8.7% - 2023年绝对收益：17.8%，相对行业等权超额收益：21.6% - 2024年截止7月底绝对收益：-3.4%，相对行业等权超额收益：9.6%[86][87] 3. 行业景气度选股模型 - 年化超额收益：22.9% - 信息比率：2.02 - 超额最大回撤：-8.0% - 月度胜率：74% - 2022年超额收益：10.2% - 2023年超额收益：10.4% - 2024年截止7月底绝对收益：5.5%，超额收益：13.2%[12][93][95] 4. 行业ETF配置模型 - 年化超额收益：18.2% - 信息比率：1.87 - 2023年超额收益：6.0% - 2024年截止7月底超额收益：2.2%[89][91] --- 量化因子与构建方式 1. 因子名称：PB-ROE因子 - **因子构建思路**：通过PB（市净率）和ROE（净资产收益率）结合，衡量估值性价比，筛选高性价比股票[12][93] - **因子具体构建过程**： - 计算PB和ROE的历史分位数 - 对行业内股票进行PB-ROE综合打分 - 选取前40%的股票构建投资组合[12][93] --- 因子的回测效果 1. PB-ROE因子 - 样本外年化超额收益：10%以上 - 2022年超额收益：10.2% - 2023年超额收益：10.4% - 2024年截止7月底超额收益：13.3%[12][93]