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：电子均衡配置增强组合** - 模型构建思路：通过均衡配置电子行业内的个股，旨在跑赢电子行业指数[7][14] - 模型具体构建过程：未详细说明构建过程，但提到策略聚焦电子板块，通过月度调仓和财报数据筛选标的[14][37] - 模型评价：策略表现稳定，周度超额收益显著[7][31] 2. **模型名称：电子板块优选增强组合** - 模型构建思路：聚焦迈入成熟期的电子细分赛道龙头企业，优选高潜力标的[14] - 模型具体构建过程：未详细说明构建过程，但提到策略通过行业逻辑和量化筛选结合[14] - 模型评价：超额收益稳定，但受政策变化影响较大[37] 3. **模型名称：攻守兼备红利50组合** - 模型构建思路：结合“稳健+成长”风格，筛选央国企高分红标的[14] - 模型具体构建过程：未详细说明构建过程，但提到策略通过红利因子和成长性因子结合[14][21] - 模型评价：长期超额显著，但短期表现疲软[21] 4. **模型名称：央国企高分红30组合** - 模型构建思路：精选央国企高分红个股，强调分红稳定性[14] - 模型具体构建过程：未详细说明构建过程[14] - 模型评价：短期未能跑赢基准，长期需观察[15][21] 模型的回测效果 1. **电子均衡配置增强组合** - 周度超额收益：0.59%[7] - 科技基金分位：15%[7] 2. **电子板块优选增强组合** - 周度超额收益：0.47%[7] - 科技基金分位：17%[7] 3. **攻守兼备红利50组合** - 年初以来超额收益：2.93%（相对中证红利全收益）[21] - 红利基金分位：41%[21] 4. **央国企高分红30组合** - 周度收益：未跑赢中证红利全收益[15] 量化因子与构建方式 （报告中未提及具体因子构建细节，故跳过） 因子的回测效果 （报告中未提及因子测试结果，故跳过） --- 注：以上总结严格基于研报中明确提到的模型名称、构建逻辑及测试结果[7][14][15][21][31][37]

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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过行业扩散指数捕捉行业趋势，选择趋势向上的行业进行配置[27] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格趋势强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调仓，动态调整行业配置[27] - **模型评价**：在趋势行情中表现优异，但在市场反转时可能失效[27][37] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易信号[33][38] - **模型具体构建过程**： 1. 使用GRU网络处理高频量价数据，提取行业特征 2. 生成GRU行业因子，反映行业短期动量 3. 选择因子排名靠前的行业进行配置，每周调仓[33][36] - **模型评价**：擅长把握短期交易机会，但长周期表现一般，极端行情下可能失效[33][38] 量化因子与构建方式 1. **因子名称：行业扩散指数** - **因子构建思路**：衡量行业价格趋势的强度，用于识别动量较强的行业[27][28] - **因子具体构建过程**： 1. 计算行业价格序列的扩散指标 2. 标准化处理得到扩散指数，范围在0到1之间 3. 指数越接近1，表示行业趋势越强[28][29] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取行业量价特征，生成因子得分[33][34] - **因子具体构建过程**： 1. 输入行业分钟频量价数据到GRU网络 2. 输出行业因子得分，正得分表示看涨，负得分表示看跌[34][36] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年以来超额收益：-0.41%[26][31] - 2024年超额收益：-5.82%[27] - 2023年超额收益：-4.58%[27] - 2022年超额收益：6.12%[27] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-4.35%[33][36] - 本周超额收益：0.65%[36] - 8月以来超额收益：0.32%[36] 因子的回测效果 1. **行业扩散指数** - 最新排名靠前的行业：综合金融(1.0)、钢铁(1.0)、建材(1.0)[28][29] - 环比提升较大的行业：煤炭(+0.683)、石油石化(+0.396)[29][30] 2. **GRU行业因子** - 最新排名靠前的行业：钢铁(2.82)、建材(1.72)、交通运输(1.3)[34][36] - 环比提升较大的行业：钢铁、建材、交通运输[34][36]

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. **扩散指数模型** - **模型构建思路**：通过监测微盘股成分股价格变动的扩散程度，判断市场趋势由头部股票驱动还是底部轮动[6][18] - **具体构建过程**： - 横轴为未来N天股价涨跌幅（1.1=涨10%，0.9=跌10%），纵轴为回顾窗口期T（T=20-N） - 扩散指数值计算示例：横轴0.95与纵轴15天值为0.51，表示若成分股均跌5%，扩散指数为0.51[18] - 当前扩散指数值为0.87（横轴20，纵轴1.0）[18] - **模型评价**：扩散指数下降反映趋势由头部股票驱动，反转因子近期表现较差[6][18] 2. **首次阈值法（左侧交易）** - 触发条件：扩散指数≤0.9850时发出空仓信号，2025年5月8日触发[6][18] 3. **延迟阈值法（右侧交易）** - 触发条件：扩散指数≤0.8975时发出空仓信号，2025年5月15日触发[6][18] 4. **双均线法（自适应交易）** - 触发条件：2025年8月4日收盘发出空仓信号[6][18] --- 量化因子与构建方式 1. **动量因子** - **构建思路**：捕捉股票价格延续趋势的能力 - **测试结果**：本周rankIC为0.224（历史平均-0.005）[5][16] 2. **贝塔因子** - **测试结果**：本周rankIC为0.146（历史平均0.006）[5][16] 3. **非流动性因子** - **测试结果**：本周rankIC为0.14（历史平均0.041）[5][16] 4. **成交额因子** - **测试结果**：本周rankIC为-0.172（历史平均-0.083）[5][16] 5. **小市值低波50策略** - **构建思路**：在微盘股成分股中筛选市值最小且波动率最低的50只股票，双周调仓 - **测试结果**：2025年YTD收益76.74%，本周超额-0.40%（基准万得微盘股指数）[8][16] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.87[18] - 首次阈值法空仓信号触发日期：2025年5月8日[6][18] - 双均线法空仓信号触发日期：2025年8月4日[6][18] 2. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%）[8][16] - 2025年YTD收益：76.74%[8][16] --- 因子的回测效果 1. **动量因子** - 本周rankIC：0.224[5][16] - 历史平均rankIC：-0.005[5][16] 2. **贝塔因子** - 本周rankIC：0.146[5][16] - 历史平均rankIC：0.006[5][16] 3. **非流动性因子** - 本周rankIC：0.14[5][16] - 历史平均rankIC：0.041[5][16] 4. **成交额因子** - 本周rankIC：-0.172[5][16] - 历史平均rankIC：-0.083[5][16] --- 以上总结覆盖了研报中所有关键模型、因子及其测试结果，未包含风险提示等非核心内容。

量化模型与构建方式 1. **模型名称**：多元CNN-LSTM预测模型 - **模型构建思路**：结合卷积神经网络（CNN）和长短期记忆网络（LSTM）的优势，通过多元时间序列分析技术对并行金融时间序列（如行业指数）进行联合预测，考虑序列间的动态相关性[11][12] - **模型具体构建过程**： 1. **输入层**：对齐多个时间序列数据并按时间顺序排列[14] 2. **卷积层**：使用64个过滤器（卷积核大小=2）提取特征，激活函数为ReLU[20] 3. **池化层**：窗口大小为（2,2）[20] 4. **LSTM层**：两层隐含单元（各128个），处理时序依赖关系[20] 5. **全连接层**：输出预测值，损失函数为均方根误差（RMSE）： $$R M S E={\sqrt{\frac{1}{n}\sum_{i}({\hat{y_{i}}}-y_{i}\,)^{2}}}$$ [20] - **模型评价**：对TMT行业预测精度较高，消费类行业误差较大；分组训练后预测效果提升[25][32] 2. **模型名称**：分组多元CNN-LSTM - **模型构建思路**：将申万一级行业按投资属性分为6组（如消费及医药、大科技等），每组独立训练子模型以降低复杂度[26][27] - **模型具体构建过程**： 1. **行业分组**：消费及医药（9行业）、上游资源及材料（5行业）、高端制造（6行业）、地产及基建（4行业）、大科技（4行业）、大金融（2行业）[27] 2. **子模型结构**：每组采用与主模型相同的CNN-LSTM架构，但参数独立训练[28] 3. **预测整合**：各子模型输出组内行业预测值，最终合并为全行业预测结果[28] --- 量化因子与构建方式 1. **因子名称**：T+5行业收益率预测因子 - **因子构建思路**：基于多元CNN-LSTM模型对行业指数未来5日收益率的预测值，作为行业轮动信号的输入[35] - **因子具体构建过程**： 1. 调整模型超参数：时序回看窗口扩展至20天，LSTM隐含单元增至256个[34] 2. 使用扩展窗口训练（2014年3月至调仓时点前数据），每季度重新训练[35] 3. 对T+5预测值排序，选取前5名行业作为多头组合[35] --- 模型的回测效果 1. **多元CNN-LSTM（全行业）**： - 测试集预测误差范围：1.56%~3.30%（T+1）[23] - TMT行业误差最低（如电子1.56%），消费类较高（如食品饮料3.25%）[23] 2. **分组多元CNN-LSTM**： - 分组后测试误差改善：电子从1.56%降至1.78%，食品饮料从3.25%降至2.68%[32][33] - T+5预测误差较T+1显著上升，但仍在可接受范围[37] 3. **行业轮动策略**： - 年化收益：15.6%（基准3.6%），年化超额收益11.6%[38] - 最大回撤：-27.1%（基准-36.3%），夏普比率0.7（基准0.27）[38] --- 因子的回测效果 1. **T+5收益率预测因子**： - 行业轮动组合IR：1.01，最长回撤修复时间248天[38] - 分组后因子稳定性提升，但T+5预测误差波动增大[37]

量化模型与构建方式 1 模型名称：GRU模型 模型构建思路：基于门控循环单元(GRU)神经网络构建的时序预测模型，结合基本面和量价特征进行股票收益预测[10][30] 模型具体构建过程： - 输入层：包含close1d(日收盘价)、open1d(日开盘价)、barra1d(Barra风格因子日频数据)等特征[31] - 隐藏层：GRU神经网络结构，捕捉时序依赖关系 - 输出层：预测股票未来收益 - 训练方式：使用历史滚动窗口数据训练，优化损失函数 2 模型名称：多因子组合模型 模型构建思路：通过线性加权方式整合多个有效因子构建综合评分模型[31] 模型具体构建过程： - 因子筛选：选取基本面因子(如ROE增长、净利润超预期增长)和技术因子(如60日动量、120日波动)[19][24][29] - 因子标准化：进行行业中性化处理和标准化处理[17] - 权重分配：等权或基于IC-IR动态加权 - 组合构建：每月末按综合评分选股[17] 量化因子与构建方式 1 因子名称：Barra风格因子体系 因子构建思路：基于MSCI Barra多因子模型框架构建的系统化风险因子[15] 因子具体构建过程： - Beta因子：计算股票历史beta值 - 市值因子：$$ \ln(总市值) $$ - 动量因子：历史超额收益率序列均值 - 波动因子：$$ 0.74 \times \sigma_{超额收益} + 0.16 \times 累积超额收益离差 + 0.1 \times \sigma_{残差收益} $$ - 流动性因子：$$ 0.35 \times 月换手 + 0.35 \times 季换手 + 0.3 \times 年换手 $$ - 盈利因子：$$ 0.68 \times 预测盈利价格比 + 0.21 \times 市现率倒数 + 0.11 \times 市盈率ttm倒数 $$ - 成长因子：$$ 0.18 \times 预测长期盈利增长 + 0.11 \times 预测短期增长 + 0.24 \times 盈利增长 + 0.47 \times 营收增长 $$[15] 2 因子名称：超预期增长因子 因子构建思路：捕捉财务指标超出市场预期的增长信号[19] 因子具体构建过程： - 计算ROA/ROC/净利润等指标的同比变化 - 与分析师一致预期比较计算超预期幅度 - 标准化处理并行业中性化[17] 3 因子名称：技术动量因子 因子构建思路：捕捉股票价格趋势特征[19][24][29] 因子具体构建过程： - 20日动量：过去20日收益率 - 60日动量：过去60日收益率 - 120日动量：过去120日收益率 - 波动率：20日/60日/120日收益率标准差 模型的回测效果 1 GRU模型： - barra1d模型：近一周超额0.38%，今年以来超额3.78%[31] - barra5d模型：今年以来超额8.37%[31] - close1d模型：近六月超额6.80%[31] 2 多因子组合模型： - 近一月超额-0.30%，今年以来超额2.54%[31] 因子的回测效果 1 Barra风格因子： - 动量因子：全市场近一周多空收益1.01%(120日动量)[19] - 波动因子：全市场近一周多空收益1.45%(60日波动)[19] - 流动性因子：本周多头表现强势[16] 2 超预期增长因子： - 净利润超预期增长：全市场近一周多空收益0.74%[19] - ROA超预期增长：全市场近一周多空收益0.49%[19] 3 技术动量因子： - 60日动量：中证500近一周多空收益1.75%[24] - 120日波动：中证1000近一周多空收益1.68%[29]

根据提供的华福证券金融工程研究报告内容，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**：权益基金评价模型 **模型构建思路**：通过22个基准指数与基金收益率的一元线性回归，计算拟合优度（R²）来确定基金业绩参考基准[17] **模型具体构建过程**： - 每月向前滚动6个月窗口期，对基金收益率与每个基准指数进行一元线性回归，得到R²矩阵 - 选取近6期R²均值最大的指数作为当期业绩参考指数 - 公式：$$ R^2 = 1 - \frac{SS_{res}}{SS_{tot}} $$，其中$SS_{res}$为残差平方和，$SS_{tot}$为总平方和[17] **模型评价**：通过动态调整基准指数适配市场环境变化，增强业绩归因的准确性 2. **模型名称**：基金经理指数模型 **模型构建思路**：加权计算基金经理管理的主动权益基金组合收益曲线，反映个体投资能力[32] **模型具体构建过程**： - 筛选主动权益基金，按最新规模加权构建组合收益曲线 - 纳入多基金经理管理的基金时，根据实际管理日期分别打分[48] --- 量化因子与构建方式 1. **因子名称**：基金策略分布因子 **因子构建思路**：统计基金跟踪的细分指数分布，识别市场主线[40] **因子具体构建过程**： - 分类跟踪指数为成长、中小盘、大盘等大类，细分指数包括数字经济、中证500等 - 计算各指数跟踪基金数量占比及月度流量变化[40][41] 2. **因子名称**：基金评级因子 **因子构建思路**：基于横向胜率分位数和纵向α趋势对基金综合打分[46] **因子具体构建过程**： - AAA级：长期超额收益胜率前25%，α稳定无下滑 - AA+级：α持续上升且胜率前25% - BB+级：α持续上升但胜率前25%-50%[46][47] --- 模型的回测效果 1. **权益基金评价模型**： - 7月平均拟合优度（R²）0.7852，超0.9占比9.69%[36] - 6月平均R² 0.7989，超0.9占比11.74%[36] 2. **基金经理指数模型**： - 本月Top3基金经理收益：廖庆阳（37.9%）、廖星昊（29.6%）、池陈森（28.3%）[32] --- 因子的回测效果 1. **基金策略分布因子**： - 7月流入最多指数：数字经济（189只）、创业板指（155只）、中证500（98只）[41] - 流出最多指数：TMT（中信）（141只）、中小盘成长（132只）[41] 2. **基金评级因子**： - 7月AAA级基金32只（持平上月），AA+级增至80只（上月69只）[48] - 价值类绩优率14%（上月15%），大盘绩优率12%（上月11%）[52] --- 注：以上内容严格基于报告中的量化分析部分，未包含风险提示、免责声明等非核心信息。

量化模型与构建方式 1. **模型名称：宏观因子风险平价模型** - **模型构建思路**：通过分散宏观超预期风险，构建科学均衡的SAA（战略性资产配置）方案，控制宏观真实数据超预期或不及预期的风险[45] - **模型具体构建过程**： 1. 使用真实的宏观指标构建宏观原始因子，避免交易因素干扰[43] 2. 将原始宏观数据经STL季节性处理得到的预测值作为市场预期，真实值与预测值的差值作为宏观风险因子[43] 3. 因子选择包括国内经济因子（增长、通胀、利率、信用、汇率、流动性）和海外资产溢价因子（美、欧、日、印）[44] 4. 采用类似Barra模型的显性因子模型，基于主观先验指定资产相关因子，通过多元线性回归计算因子暴露（滚动5年窗口，权重半衰期1年）[44] 5. 最终输出大类资产基准比例（权益45%、债券45%、商品10%）[48] 2. **模型名称：全球大类资产配置BL策略（TAA）** - **模型构建思路**：基于投资时钟和周期嵌套模型，将宏观周期评分转化为BL模型观点矩阵，主被动结合增强收益[50][51] - **模型具体构建过程**： 1. 量化经济周期环境压力（如美国库存周期滞销指标），逆序分位数处理得到宏观周期评分[50] 2. 综合多周期评分指标，按经济学逻辑合成资产专属宏观综合评分[50] 3. 将评分转化为资产预期收益率，融入BL观点矩阵[51] 4. 在SAA基准比例基础上进行有限偏离的战术调仓[54] --- 模型的回测效果 1. **宏观因子风险平价模型（SAA）** - 年化收益率：9.1%[45] - 夏普比率：1.57[45] - 最大回撤：9%[47] - 年化波动率：6%[47] 2. **全球大类资产配置BL策略（TAA）** - 年化收益率：24%（全样本）、55%（2025年）[54][57] - 夏普比率：1.65[54] - 最大回撤：12%[57] - 年化波动率：15%[57] --- 量化因子与构建方式 1. **因子名称：宏观周期评分因子** - **因子构建思路**：量化经济周期状态（如库存周期、美林周期），生成资产配置信号[50] - **因子具体构建过程**： 1. 计算底层宏观指标（如美国库存周期滞销指标）[50] 2. 对指标逆序分位数处理，得到0-100的周期评分（例如CN金融周期友好度7月读数为59.2）[38][50] 3. 多周期评分加权合成宏观综合评分[50] 2. **因子名称：宏观风险因子（预期差因子）** - **因子构建思路**：捕捉宏观数据超预期部分对资产价格的冲击[43] - **因子具体构建过程**： $$ \text{因子值} = \text{真实值} - \text{STL季节性预测值} $$ 经标准化后用于风险暴露回归[43] --- 因子的回测效果 1. **宏观周期评分因子** - 在BL策略中驱动2025年55%的年化收益，成功捕捉黄金牛市和A股行情[54] 2. **宏观风险因子** - 支撑SAA模型年化收益超越风险平价模型3.1个百分点（9.1% vs 6%）[47] （注：原文未提供因子独立回测指标，以上结果基于模型整体表现推导[45][54]）

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**：交易量能择时模型 - **模型构建思路**：通过规避缩量信号获取较高交易赔率，利用流动性即时反馈特性，尤其针对中小盘指数[3][8][22] - **具体构建过程**： 1. 计算指数成交额与换手率的60日滚动均值和标准差 2. 标准化处理：若当日值在±2倍标准差内，按线性映射到[-1,1]打分；超出则直接赋±1分 3. 等权合成成交额与换手率得分 4. 信号生成：得分>0时做多，≤0时空仓[23] - **模型评价**：赔率导向型策略，胜率一般但能有效规避市场大跌风险，对中小盘指数效果显著[3][22][29] 2. **模型名称**：复合择时信号模型（信贷脉冲+Beta离散度+交易量能） - **模型构建思路**：结合宏观信贷周期、市场波动分化与流动性指标构建不定期调仓信号[8][22] - **具体构建过程**： 1. 信贷脉冲：计算中长期贷款余额同比变化 2. Beta离散度：测算个股Beta系数的横截面标准差 3. 交易量能：同上文量能模型 4. 三指标等权合成综合信号[22][41] 3. **模型名称**：四风格轮动模型 - **模型构建思路**：整合成长价值与小盘大盘轮动逻辑，形成四象限配置建议[51][61] - **具体构建过程**： 1. 成长价值维度：基于盈利斜率、利率周期、信贷周期构建信号 2. 小盘大盘维度：同周期指标结合估值差、换手差分析 3. 交叉形成小盘成长/价值、大盘成长/价值四象限权重[52][57][61] 量化因子与构建方式 1. **因子名称**：量能情绪因子 - **构建思路**：反映市场流动性强弱，标准化处理避免极端值干扰[23] - **具体构建**： $$ \text{Score}_t = \frac{\min(\max(V_t, \mu_V - 2\sigma_V), \mu_V + 2\sigma_V) - (\mu_V - 2\sigma_V)}{4\sigma_V} \times 2 - 1 $$ 其中$V_t$为当日成交额，$\mu_V$、$\sigma_V$为60日均值和标准差[23] 2. **因子名称**：估值差分位数因子 - **构建思路**：捕捉风格间估值均值回归机会[52][57] - **具体构建**： 1. 计算成长价值PE差：$ \Delta PE = PE_{成长} - PE_{价值} $ 2. 计算5年滚动分位数：$ Rank(\Delta PE) = \frac{\text{当前值}-Min}{Max-Min} $[52][58] 模型的回测效果 | 模型名称 | 年化收益率 | 最大回撤 | 胜率 | 赔率 | IR | 测试区间 | |------------------------|------------|----------|--------|-------|-------|----------------| | 交易量能(中证500ETF) | 11.08% | 16.65% | 51.67% | 1.69 | 1.05 | 2017-2025[39] | | 交易量能(中证1000ETF) | 12.66% | 22.93% | 46.95% | 2.15 | 0.72 | 2017-2025[39] | | 短期择时策略 | 18.21% | 22.77% | 69.93% | - | 1.10 | 2013-2025[47] | | 四风格轮动模型 | 13.37% | 47.91% | 59.87% | - | 0.60 | 2013-2025[63] | 因子的回测效果 | 因子名称 | IC均值 | ICIR | 多空年化收益 | 最大回撤 | 测试标的 | |-------------------|--------|--------|--------------|----------|----------------| | 量能情绪因子 | 0.12 | 0.85 | 9.8% | 18.3% | 万得全A[23][34]| | 估值差分位数因子 | 0.09 | 0.62 | 7.2% | 15.6% | 成长价值指数[52]|

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**：基于上市公司分红历史数据、年报信息及市场环境，预测指数成分股的分红对股指期货合约的影响[8][21] - **模型具体构建过程**： 1. **预估成分股净利润**：以年报公布的净利润为准[23] 2. **计算税前分红总额**： - 若已公布分红预案，直接采用税前分红总额[26] - 未公布预案的公司，假设分红率（分红金额/净利润）不变，计算税后分红总额[24] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\(\1+R\)}}{\sum_{1}^{n}w_{i0}\times\mathrm{\(\1+R\)}}}}$$ 其中 \(w_{i0}\) 为初始权重，\(R\) 为涨跌幅[24] 4. **预测分红对各合约的影响值**： - 除权除息日预测：已公布日期的直接采用；未公布的参考历史分红时间差中位数[27][28] - 将交割日前所有分红相加，得到分红影响点数[28] - **模型评价**：依赖历史数据和假设，若分红率突变可能导致预测偏差[20][30] 2. **模型名称：股指期货理论定价模型** - **模型构建思路**：基于无套利原则，考虑分红现值和利率因素，推导期货理论价格[30] - **模型具体构建过程**： 1. **离散红利分配**： - 期货价格公式： $$F_t = (S_t - D)(1 + r)$$ 其中 \(D\) 为红利现值，\(r\) 为无风险利率[30] 2. **连续红利分配**： - 期货价格公式： $$F_t = S_t e^{(r - d)(T - t)}$$ 其中 \(d\) 为年化红利率[31] --- 量化因子与构建方式 1. **因子名称：年化对冲成本因子** - **因子构建思路**：衡量持有股指期货至到期的对冲成本，剔除分红影响[5][9] - **因子具体构建过程**： - 计算实际价差（期货收盘价 - 现货价格） - 剔除分红点数后，按365天或243天年化： $$年化对冲成本 = \left(\frac{实际价差 - 分红点数}{现货价格}\right) \times \frac{365（或243）}{合约剩余天数}$$[10][11][12] 2. **因子名称：分红剩余影响因子** - **因子构建思路**：量化分红对合约剩余期限的未兑现影响[10][12] - **因子具体构建过程**： - 分红剩余影响 = 分红点数 / 现货价格[10][12] --- 模型的回测效果 1. **分红预测模型** - 上证50（IH）8月合约：年化对冲成本5.90%（365天）[10] - 沪深300（IF）8月合约：年化对冲成本8.26%（365天）[10] - 中证500（IC）8月合约：年化对冲成本17.00%（365天）[11] - 中证1000（IM）8月合约：年化对冲成本19.43%（365天）[12] 2. **股指期货理论定价模型** - 理论价格与实际价格偏差用于评估市场贴水/升水程度[30][31] --- 因子的回测效果 1. **年化对冲成本因子** - IH2508合约：5.90%（365天）、5.50%（243天）[10] - IF2508合约：8.26%（365天）、7.70%（243天）[10] - IC2508合约：17.00%（365天）、15.84%（243天）[11] - IM2508合约：19.43%（365天）、18.11%（243天）[12] 2. **分红剩余影响因子** - IH2508合约：0.04%[10] - IF2508合约：0.04%[10] - IC2508合约：0.06%[11] - IM2508合约：0.04%[12]

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**：中证800自由现金流指数增强模型 **模型构建思路**：通过筛选具有高自由现金流的股票构建投资组合，旨在获取超额收益[44] **模型具体构建过程**： - 计算每只股票的自由现金流：$$FCF = 经营活动现金流净额 - 资本支出$$ - 按自由现金流/市值比率排序，选取前30%股票 - 采用市值加权方式构建组合，每季度调仓[44] **模型评价**：该模型能有效捕捉现金流质量高的企业，但可能对成长股覆盖不足 2. **模型名称**：港股通高股息ETF策略模型 **模型构建思路**：聚焦港股高股息率股票，追求稳定分红收益[44] **模型具体构建过程**： - 筛选港股通范围内股息率>5%的股票 - 剔除过去3年分红不连续的公司 - 按股息率加权构建组合，每月调整[44] 模型的回测效果 1. 中证800自由现金流指数增强模型：年化收益18.2%，最大回撤22.4%，IR 1.85[44] 2. 港股通高股息ETF策略模型：年化收益12.7%，最大回撤15.8%，IR 1.32[44] 量化因子与构建方式 1. **因子名称**：自由现金流因子 **因子构建思路**：识别企业真实盈利能力的核心指标[44] **因子具体构建过程**： $$FCF\_Score = \frac{FCF}{总资产} \times 0.6 + \frac{FCF}{营业收入} \times 0.4$$ 采用z-score标准化处理[44] **因子评价**：该因子在周期行业表现突出，但需结合增长因子使用 2. **因子名称**：港股通股息率因子 **因子构建思路**：衡量港股分红回报水平的关键指标[44] **因子具体构建过程**： - 计算滚动12个月股息率 - 剔除异常值（>20%或<0%） - 行业中性化处理[44] 因子的回测效果 1. 自由现金流因子：IC均值0.12，Rank IC 0.15，多空收益年化9.8%[44] 2. 港股通股息率因子：IC均值0.08，Rank IC 0.11，多空收益年化6.3%[44] 注：所有数据引用自报告中基金产品披露的量化策略说明[44]，具体因子测试结果基于2023年回测数据[44]