- **流通股本收益率因子** - 因子构建思路：流通股本收益率衡量投资者平均赚钱效应[8] - 因子的公式：无 - 文章对因子的评价：当前银行板块的赚钱效应最强，处于历史95%分位水平，获利比率在所有行业中也处于最高水平[8] - **获利盘比率因子** - 因子构建思路：无 - 因子的公式：无 - 文章对因子的评价：无 - **超跌反弹信号因子** - 因子构建思路：无 - 因子的公式：无 - 文章对因子的评价：当前暂无明显的超跌反弹信号[33] - **平台突破信号因子** - 因子构建思路：无 - 因子的公式：无 - 文章对因子的评价：当前暂无行业出现平台突破信号[37] - **顶部预警信号因子** - 因子构建思路：无 - 因子的公式：无 - 文章对因子的评价：在5月底以中证红利指数为代表的高股息板块出现顶部预警信号，近期暂无行业板块发出顶部预警信号[41] - **股价抛压因子** - 因子构建思路：无 - 因子的公式：无 - 文章对因子的评价：大消费板块的股价抛压较小，银行和地产等短期抛压在所有行业中也相对较小[47] 因子的具体指标值 - **流通股本收益率因子** - 流通股本收益率：银行板块处于历史95%分位水平[8] - **超跌反弹信号因子** - 后5日平均收益率：4.56%[35] - 持有5日胜率：71%[35] - 盈亏比：1.87[35] - 后10日平均收益率：7.22%[35] - 持有10日胜率：62%[35] - 盈亏比：1.66[35] - 平均持有交易日：5.2[35] - 平均持有收益：6.30%[35] - 胜率：76%[35] - 盈亏比：2.3[35] - **平台突破信号因子** - 后5日平均收益率：3.30%[39] - 持有5日胜率：62%[39] - 盈亏比：1.45[39] - 后10日平均收益率：5.10%[39] - 持有10日胜率：61%[39] - 盈亏比：1.70[39] - 平均持有交易日：9[39] - 平均持有收益：6.77%[39] - 胜率：60%[39] - 盈亏比：2.15[39]

量化模型与构建方式 1. 成长价值风格轮动模型 - **模型构建思路**：基于量化经济中周期分析框架，结合盈利周期、利率周期和信贷周期的变化来判断成长和价值风格的配置比例[73] - **模型具体构建过程**： - **基本面**：盈利周期斜率低利好价值，利率周期水平偏低利好成长，信贷周期走弱利好价值[73] - **估值面**：成长价值PE估值差10年分位数为7.79%，PB估值差10年分位数为13.22%，估值差均值回归上行中利好成长，估值差回落至偏低位置利好均衡[73] - **情绪面**：成长价值换手差10年分位数为5.00%，波动差10年分位数为75.05%，换手差偏低利好价值，波动差均值回归下行中利好价值[73] - **模型评价**：该模型通过综合基本面、估值面和情绪面信号，提供了较为全面的风格轮动策略[73] 2. 小盘大盘风格轮动模型 - **模型构建思路**：基于量化经济中周期分析框架，结合盈利周期、利率周期和信贷周期的变化来判断小盘和大盘风格的配置比例[79] - **模型具体构建过程**： - **基本面**：盈利周期斜率低利好大盘，利率周期水平偏低利好小盘，信贷周期走弱利好大盘[79] - **估值面**：小盘大盘PE估值差10年分位数为31.53%，PB估值差10年分位数为32.72%，估值差均值回归上行中利好小盘[79] - **情绪面**：小盘大盘换手差10年分位数为9.77%，波动差10年分位数为89.24%，换手差偏低利好大盘，波动差均值回归下行中利好大盘[79] - **模型评价**：该模型通过综合基本面、估值面和情绪面信号，提供了较为全面的小盘大盘风格轮动策略[79] 3. 四风格轮动模型 - **模型构建思路**：结合成长价值和小盘大盘轮动模型的结论，确定四种风格的配置比例[85] - **模型具体构建过程**： - **配置比例**：小盘成长0%、小盘价值25%、大盘成长25%、大盘价值50%[85] - **模型评价**：该模型通过综合成长价值和小盘大盘轮动模型的信号，提供了更为细化的风格配置策略[85] 模型的回测效果 成长价值风格轮动模型 - **年化收益率**：11.43%[75] - **年化波动率**：20.55%[78] - **最大回撤**：43.07%[78] - **夏普比率**：0.5328[78] - **收益回撤比**：0.2654[78] - **月度胜率**：60.00%[78] - **季度胜率**：61.70%[78] 小盘大盘风格轮动模型 - **年化收益率**：10.47%[80] - **年化波动率**：22.69%[83] - **最大回撤**：50.65%[83] - **夏普比率**：0.4652[83] - **收益回撤比**：0.2067[83] - **月度胜率**：62.86%[83] - **季度胜率**：57.45%[83] 四风格轮动模型 - **年化收益率**：12.37%[85] - **年化波动率**：21.38%[86] - **最大回撤**：47.79%[86] - **夏普比率**：0.5599[86] - **收益回撤比**：0.2588[86] - **月度胜率**：61.43%[86] - **季度胜率**：63.83%[86]

证 券 研 究 报 告 金融工程周报 流动性风险暂未恶化， A股避风港地位仍未凸显，资金仍有反复 全球资金流向跟踪2024W33 报告日期：2024年08月10日 | --- | --- | --- | --- | |-------------------------------|-------|-------|-------| | | | | | | ◼ 分析师：吕思江 | | | | | ◼ SAC 编号： S1050522030001 | | | | | | | | | | ◼ 分析师：马晨 | | | | | ◼ SAC 编号： S1050522050001 | | | | 投 资 要 点 资金流动概况： 截至8月7日，本周股票流入97亿美元，债券流入100亿美元，现金流入807亿美元，黄金流出3.6亿美元，加密货 币流出0.8亿美元。 债券与黄金的资金流动： 截至8月7日，债券净流入100亿美元，今年以来持续净流入，流入金额连续三周下降。国债单周净流入44亿美元， 连续14周净流入，单周流入金额持续回升。投资级债券单周净流入118亿美元，自2月至今保持连续净流入，单周 流入金额较前一周略有上升。高收 ...

量化因子与构建方式 1. **市场因子** - 构建思路：市场因子是多因素模型中的一个基本因子，用于解释市场整体的收益波动[302] - 公式：$ r_{t}=\alpha_{t}+\beta_{1}factor_{1}+\cdots+\beta_{n}factor_{n}+\varepsilon_{t} $[303] 2. **情绪因子** - 构建思路：情绪因子用于捕捉投资者情绪对市场的影响[304] 3. **规模因子** - 构建思路：规模因子用于解释不同规模公司股票的收益差异[311] 4. **价值因子** - 构建思路：价值因子通过市盈率（PE）、市净率（PB）等指标来衡量股票的价值[312] - 具体指标：PE、PB、PS、EV/EBIDTA[312] 5. **盈利因子** - 构建思路：盈利因子通过净利润增长、ROE等指标来衡量公司的盈利能力[312] - 具体指标：净利润增长、ROE、ROA[312] 6. **动量因子** - 构建思路：动量因子通过股票价格的历史表现来预测未来的价格走势[312] - 具体指标：1M Price、3M Price、6M Price、12M Price[312] 7. **风险因子** - 构建思路：风险因子通过财务杠杆、持股集中度等指标来衡量公司的风险水平[316] - 具体指标：财务杠杆、持股集中度、利息覆盖倍数[316] 8. **GARP因子** - 构建思路：GARP策略结合了价值和成长因子，兼顾股票的成长性和估值[572] - 具体指标：ROE、EPS变动、毛利率、EV/Sales、PE、PEG、EV/EBITDA、PB、分红率[588][590] 因子的回测效果 1. **信息比率（IR）** - 市场因子：0.7[409] - 情绪因子：0.5[409] - 规模因子：0.6[409] - 价值因子：0.8[409] - 盈利因子：0.9[409] - 动量因子：0.7[409] - 风险因子：0.5[409] - GARP因子：0.9[409] 2. **月度收益率** - 市场因子：1.1%[643] - 情绪因子：1.0%[643] - 规模因子：1.2%[643] - 价值因子：1.3%[643] - 盈利因子：1.4%[643] - 动量因子：1.1%[643] - 风险因子：1.0%[643] - GARP因子：1.3%[643] 3. **累计超额收益** - 市场因子：300%[486] - 情绪因子：250%[486] - 规模因子：280%[486] - 价值因子：350%[486] - 盈利因子：320%[486] - 动量因子：300%[486] - 风险因子：250%[486] - GARP因子：330%[486]

金融工程 | 动态跟踪 报告发布日期 2024 年 08 月 11 日 分红对期指的影响 20240809 研究结论 ⚫ 上市公司已逐步公布分红信息，截止 8 月 9 日，上证 50 成分股中，47 家实施，3 家 股东大会通过；沪深 300 成分股中，273 家实施，26 家股东大会通过，1 家董事会 预案；中证 500 成分股中，427 家实施，71 家股东大会通过，2 家董事会预案；中 证 1000 成分股中，789 家实施，210 家股东大会通过，1 家董事会预案。 ⚫ 根据我们的最新预测模型，上证 50、沪深 300、中证 500、中证 1000 指数 8 月合 约的分红点数分别为 1.67、3.97、2.72、4.94 。若考虑空头对冲并持有股指期货合 | --- | --- | --- | --- | --- | --- | --- | |------------------------|---------------|----------------------------------------------------------------------------------|------ ...

量化模型与构建方式 1. 模型名称：沪深300指数增强组合 - 模型构建思路：通过增强组合策略，获取超额收益[91] - 模型具体构建过程：基于沪深300指数，采用多因子选股策略，构建增强组合[91] - 模型评价：该模型在今年以来表现出色，超额收益显著[91] 2. 模型名称：中证500指数增强组合 - 模型构建思路：通过增强组合策略，获取超额收益[91] - 模型具体构建过程：基于中证500指数，采用多因子选股策略，构建增强组合[91] - 模型评价：该模型在今年以来表现出色，超额收益显著[91] 3. 模型名称：中证1000指数增强组合 - 模型构建思路：通过增强组合策略，获取超额收益[91] - 模型具体构建过程：基于中证1000指数，采用多因子选股策略，构建增强组合[91] - 模型评价：该模型在今年以来表现出色，超额收益显著[91] 4. 模型名称：中证2000指数增强组合 - 模型构建思路：通过增强组合策略，获取超额收益[91] - 模型具体构建过程：基于中证2000指数，采用多因子选股策略，构建增强组合[91] - 模型评价：该模型在今年以来表现出色，超额收益显著[91] 5. 模型名称：“预期惯性”组合 - 模型构建思路：通过分析师预期与动量、估值之间的关系，构建预期类因子[130] - 模型具体构建过程：基于分析师预期数据，构建预期惯性因子，进行多空对冲和多头超额策略[130] - 模型评价：该模型在今年以来表现出色，净值稳定向上[130] 模型的回测效果 1. 沪深300指数增强组合 - 8月绝对收益：-3.09%[100] - 8月超额收益：0.12%[100] - 今年以来绝对收益：3.58%[100] - 今年以来超额收益：6.48%[100] - 最近一年绝对收益：-8.60%[100] - 最近一年超额收益：7.43%[100] 2. 中证500指数增强组合 - 8月绝对收益：-3.10%[100] - 8月超额收益：0.30%[100] - 今年以来绝对收益：-7.92%[100] - 今年以来超额收益：5.14%[100] - 最近一年绝对收益：-17.37%[100] - 最近一年超额收益：4.25%[100] 3. 中证1000指数增强组合 - 8月绝对收益：-3.98%[100] - 8月超额收益：-0.16%[100] - 今年以来绝对收益：-18.08%[100] - 今年以来超额收益：2.04%[100] - 最近一年绝对收益：-25.22%[100] - 最近一年超额收益：1.54%[100] 4. 中证2000指数增强组合 - 8月绝对收益：-2.62%[100] - 8月超额收益：0.30%[100] - 今年以来绝对收益：-23.08%[100] - 今年以来超额收益：2.57%[100] - 最近一年绝对收益：-21.61%[100] - 最近一年超额收益：3.84%[100] 5. “预期惯性”组合 - 8月绝对收益：-1.97%[100] - 8月超额收益：1.43%[100] - 今年以来绝对收益：-16.50%[100] - 今年以来超额收益：-3.44%[100] - 最近一年绝对收益：-23.61%[100] - 最近一年超额收益：-1.99%[100] 量化因子与构建方式 1. 因子名称：适度冒险因子 - 因子的构建思路：基于成交量激增时刻的alpha信息[114] - 因子具体构建过程：通过高频数据计算成交量激增时刻的alpha信息，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 2. 因子名称：完整潮汐因子 - 因子的构建思路：基于个股成交量的潮汐变化[114] - 因子具体构建过程：通过高频数据计算个股成交量的潮汐变化，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 3. 因子名称：勇攀高峰因子 - 因子的构建思路：基于个股波动率的变动[114] - 因子具体构建过程：通过高频数据计算个股波动率的变动，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 4. 因子名称：球队硬币因子 - 因子的构建思路：基于个股动量效应的识别[114] - 因子具体构建过程：通过日频数据计算个股动量效应，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 5. 因子名称：云开雾散因子 - 因子的构建思路：基于波动率的波动率与投资者模糊性厌恶[114] - 因子具体构建过程：通过高频数据计算波动率的波动率，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 6. 因子名称：飞蛾扑火因子 - 因子的构建思路：基于个股股价跳跃及其对振幅因子的改进[114] - 因子具体构建过程：通过高频数据计算个股股价跳跃，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 7. 因子名称：草木皆兵因子 - 因子的构建思路：基于显著效应、极端收益扭曲决策权重[114] - 因子具体构建过程：通过高频数据计算显著效应和极端收益，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 8. 因子名称：水中行舟因子 - 因子的构建思路：基于个股成交额的市场跟随性[114] - 因子具体构建过程：通过高频数据计算个股成交额的市场跟随性，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 9. 因子名称：花隐林间因子 - 因子的构建思路：基于推动个股价格变化的因素分解[114] - 因子具体构建过程：通过高频数据计算推动个股价格变化的因素，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 10. 因子名称：待著而救因子 - 因子的构建思路：基于大单成交后的跟随效应[114] - 因子具体构建过程：通过高频数据计算大单成交后的跟随效应，并进行月度频率平滑处理[114] - 因子评价：该因子在月度频率上有较为出色的选股能力[114] 11. 因子名称：综合量价因子 - 因子的构建思路：将

证券研究报告 金工 | --- | --- | --- | |-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|---------------------------------|-----------------------------------------| | 风险大幅释放，静待市场蓄势 | | | | 华泰研究 | 研究员 SAC No. S0570516010001 | 林晓明 linxiaoming@htsc.com | | 2024 年 8 月 11 日│中国内地 量化投资周报 | SFC No. BPY421 | +(86) 755 8208 0134 | | 上周海外风险资产波动趋缓，本轮回调或使市场资金结构发 ...

量化模型与构建方式 1. AI 行业轮动模型 - **模型名称**：AI 行业轮动模型 - **模型构建思路**：使用全频段量价融合因子对行业进行打分，并构建周频调仓策略[2][3] - **模型具体构建过程**： 1. **行业池**：主要为中信一级行业，共有32个行业[4] 2. **因子**：全频段量价融合因子，使用行业成分股的因子得分对每个行业打分[4] 3. **策略规则**：每周最后一个交易日选择模型得分最高的5个行业等权配置，以下周第一个交易日收盘价买入，周频调仓，不计交易成本[4] - **模型评价**：能够利用AI模型的特征提取能力，充分挖掘多频段量价数据中的规律，与自上而下策略形成互补[3] 2. AI 概念指数轮动模型 - **模型名称**：AI 概念指数轮动模型 - **模型构建思路**：使用全频段量价融合因子对概念指数进行打分，并构建周频调仓策略[2][9] - **模型具体构建过程**： 1. **概念指数池**：选取Wind热门概念指数，共有72个概念指数[9] 2. **因子**：全频段量价融合因子，使用概念指数成分股的因子得分对每个概念指数打分[9] 3. **策略规则**：每周最后一个交易日选择模型得分最高的10个概念指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四[9] 3. AI 主题指数轮动模型 - **模型名称**：AI 主题指数轮动模型 - **模型构建思路**：使用全频段量价融合因子对主题指数进行打分，并构建周频调仓策略[2][14] - **模型具体构建过程**： 1. **主题指数池**：根据Wind的ETF基金分类，选取主题ETF基金跟踪的指数形成主题指数池，共有133个主题指数[14] 2. **因子**：全频段量价融合因子，使用主题指数成分股的因子得分对每个主题指数打分[14] 3. **策略规则**：每周最后一个交易日选择模型得分最高的10个主题指数等权配置，以下周第一个交易日开盘价买入，周频调仓，交易成本为双边万分之四[14] 4. 全频段融合因子 - **因子名称**：全频段融合因子 - **因子的构建思路**：通过深度学习模型和多任务学习模型对高频和低频量价数据进行信息提取和融合[17] - **因子具体构建过程**： 1. 用深度学习模型训练27个高频因子，得到高频深度学习因子[17] 2. 利用多任务学习对低频量价数据进行端到端挖掘，得到低频多任务因子[17] 3. 合成为全频段融合因子[17] 5. 文本 FADT_BERT 因子 - **因子名称**：文本 FADT_BERT 因子 - **因子的构建思路**：对盈利预测调整场景下的文本因子进行升级，构建 forecast_adjust_txt_bert 因子[23] - **因子具体构建过程**： 1. 对盈利预测调整场景下的文本因子进行升级，构建 forecast_adjust_txt_bert 因子[23] 2. 基于该因子的多头端基础股票池进行增强，构建 top25 的主动量化选股组合文本 FADT_BERT[23] 模型的回测效果 1. AI 行业轮动模型 - **年化收益率**：24.18%[2] - **年化超额收益率**：23.24%[2] - **今年以来超额收益率**：29.87%[2] - **超额收益最大回撤**：12.43%[5] - **超额夏普比率**：2.31[5] 2. AI 概念指数轮动模型 - **年化收益率**：20.48%[2] - **年化超额收益率**：15.47%[2] - **今年以来超额收益率**：16.62%[11] - **超额收益最大回撤**：13.55%[11] - **超额夏普比率**：1.36[11] 3. AI 主题指数轮动模型 - **年化收益率**：13.59%[15] - **年化超额收益率**：14.40%[15] - **今年以来超额收益率**：3.58%[15] - **超额收益最大回撤**：14.39%[15] - **超额夏普比率**：1.18[15] 4. 全频段融合因子 - **今年以来 5 日 RankIC 均值**：0.131[17] - **今年以来 TOP 层超额收益率**：15.79%[17] - **自 2017 年初回测以来 5 日 RankIC 均值**：0.116[17] - **TOP 层年化超额收益率**：32.19%[17] 5. 文本 FADT_BERT 因子 - **今年以来绝对收益**：-8.74%[23] - **今年以来超额收益**：4.31%[23] - **自 2009 年初回测以来年化收益率**：38.96%[23] - **相对中证 500 超额年化收益**：32.56%[23] - **组合夏普比率**：1.37[23]

量化模型与构建方式 1. 模型名称：国内资产BL模型1 - **模型构建思路**：BL模型是对传统均值-方差模型的改进，采用贝叶斯理论将主观观点与量化配置模型结合，通过投资者对市场的分析预测资产收益，优化资产配置权重[36] - **模型具体构建过程**： 1. 选择沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数与南华商品指数作为基础资产[36] 2. 通过贝叶斯理论结合主观观点与量化模型，优化资产配置权重[36] - **模型评价**：BL模型有效解决了均值-方差模型对于预期收益敏感的问题，同时相较纯主观投资具有更高的容错性[36] 2. 模型名称：国内资产BL模型2 - **模型构建思路**：同国内资产BL模型1[36] - **模型具体构建过程**： 1. 选择沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE作为基础资产[36] 2. 通过贝叶斯理论结合主观观点与量化模型，优化资产配置权重[36] 3. 模型名称：全球资产BL模型1 - **模型构建思路**：同国内资产BL模型1[36] - **模型具体构建过程**： 1. 选择沪深300、恒生指数、标普500、中债-国债总财富指数、中债-企业债总财富指数与南华商品指数作为基础资产[36] 2. 通过贝叶斯理论结合主观观点与量化模型，优化资产配置权重[36] 4. 模型名称：全球资产BL模型2 - **模型构建思路**：同国内资产BL模型1[36] - **模型具体构建过程**： 1. 选择沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE作为基础资产[36] 2. 通过贝叶斯理论结合主观观点与量化模型，优化资产配置权重[36] 5. 模型名称：国内资产风险平价模型 - **模型构建思路**：风险平价模型是对均值-方差模型的改进，核心思想是将投资组合的整体风险分摊到每类资产中，使得每类资产对投资组合整体风险的贡献相等[50] - **模型具体构建过程**： 1. 选择沪深300、中证1000、恒生指数、中债-国债总财富指数、中债-企业债总财富指数、中证转债、南华商品指数和SHFE作为基础资产[51] 2. 计算各资产对组合的风险贡献[51] 3. 优化各资产实际风险贡献与预期风险贡献间的偏离度，得到最终资产配置权重[51] 6. 模型名称：全球资产风险平价模型 - **模型构建思路**：同国内资产风险平价模型[50] - **模型具体构建过程**： 1. 选择沪深300、标普500、恒生指数、中债-企业债总财富指数、南华商品指数和COMEX黄金作为基础资产[51] 2. 计算各资产对组合的风险贡献[51] 3. 优化各资产实际风险贡献与预期风险贡献间的偏离度，得到最终资产配置权重[51] 7. 模型名称：基于宏观因子的资产配置模型 - **模型构建思路**：基于宏观因子体系，构造涵盖增长、通胀、利率、信用、汇率和流动性六大风险的宏观因子体系，并提出一个通用性的宏观因子资产配置框架[55] - **模型具体构建过程**： 1. 每月末计算资产的因子暴露水平[56] 2. 以风险平价组合作为基准，计算基准因子暴露[56] 3. 根据对宏观未来一个月的判断，给定主观因子偏离值，结合基准因子暴露，得到资产组合的因子暴露目标[56] 4. 反解得到下个月的各个资产配置权重[56] 模型的回测效果 国内资产BL模型1 - 本周收益：-0.33%[2] - 8月份收益：-0.05%[2] - 2024年收益：5.05%[2] - 年化波动：1.68%[33] - 夏普比率：5.03[33] - 卡玛比率：10.86[33] 国内资产BL模型2 - 本周收益：-0.28%[2] - 8月份收益：-0.04%[2] - 2024年收益：4.68%[2] - 年化波动：1.49%[33] - 夏普比率：5.26[33] - 卡玛比率：12.04[33] 全球资产BL模型1 - 本周收益：-0.23%[2] - 8月份收益：0.00%[2] - 2024年收益：5.66%[2] - 年化波动：1.93%[33] - 夏普比率：4.94[33] - 卡玛比率：9.98[33] 全球资产BL模型2 - 本周收益：-0.19%[2] - 8月份收益：0.01%[2] - 2024年收益：4.85%[2] - 年化波动：1.42%[33] - 夏普比率：5.72[33] - 卡玛比率：17.00[33] 国内资产风险平价模型 - 本周收益：-0.20%[2] - 8月份收益：-0.14%[2] - 2024年收益：4.40%[2] - 年化波动：1.18%[33] - 夏普比率：6.28[33] - 卡玛比率：32.42[33] 全球资产风险平价模型 - 本周收益：-0.11%[2] - 8月份收益：-0.17%[2] - 2024年收益：4.89%[2] - 年化波动：1.05%[33] - 夏普比率：7.86[33] - 卡玛比率：33.12[33] 基于宏观因子的资产配置模型 - 本周收益：-0.26%[2] - 8月份收益：-0.20%[2] - 2024年收益：3.78%[2] - 年化波动：1.26%[33] - 夏普比率：5.03[33] - 卡玛比率：22.91[33]

量化模型与构建方式 1. 模型名称：平台突破模型 - **模型构建思路**：平台突破模型旨在捕捉平台突破形态的个股，但如果最接近当前价格的阻力位较低，或者个股以连板形态强势突破了高位平台，模型也会抓到部分短期强势即底部放量形态的个股[48] - **模型具体构建过程**： - 统计区间最高价以及最高价之前的最低价来计算区间最大涨幅 - 只取起涨时成交额大于3000万的个股 - 计算“突破次日至最高涨幅”的截止时间为8月9日收盘[48] - **模型评价**：平台突破模型能够有效捕捉到底部放量形态的个股，具有较好的实用性[48] 模型的回测效果 平台突破模型 - **涨幅榜前20个股**： - ST聆达：最低到最高涨幅98%[49] - 香雪制药：突破次日至最高涨幅89%，最低到最高涨幅96%[49] - 欣天科技：最低到最高涨幅86%[49] - 睿智医药：最低到最高涨幅73%[49] - 招标股份：突破次日至最高涨幅9%，最低到最高涨幅70%[49] - KAIRUIDE：最低到最高涨幅67%[49] - 航天科技：突破次日至最高涨幅74%，最低到最高涨幅65%[49] - OFFCN EDU：最低到最高涨幅64%[49] - 中央商场：突破次日至最高涨幅10%，最低到最高涨幅64%[49] - 东方集团：最低到最高涨幅59%[49] - 乾照光电：突破次日至最高涨幅16%，最低到最高涨幅59%[49] - 腾达科技：突破次日至最高涨幅77%，最低到最高涨幅57%[49] - 多瑞医药：最低到最高涨幅55%[49] - 众泰汽车：最低到最高涨幅50%[49] - 东北制药：突破次日至最高涨幅0%，最低到最高涨幅48%[49] - *ST吉药：最低到最高涨幅47%[49] - 长城电工：最低到最高涨幅46%[49] - 民生健康：突破次日至最高涨幅5%，最低到最高涨幅46%[49] - 通光线缆：突破次日至最高涨幅8%，最低到最高涨幅44%[49] - 春晖智控：最低到最高涨幅44%[49] - **突破至今收益和最大收益**： - 香雪制药：突破至今收益65.23%，突破至今最大收益88.97%[51] - 通达电气：突破至今收益-2.24%，突破至今最大收益20.41%[51] - 鲁抗医药：突破至今收益-5.31%，突破至今最大收益18.52%[51] - 百花医药：突破至今收益-10.57%，突破至今最大收益17.48%[51] - 乾照光电：突破至今收益-12.25%，突破至今最大收益16.42%[51] - 航新科技：突破至今收益-12.10%，突破至今最大收益15.96%[51] - 深物业A：突破至今收益15.64%，突破至今最大收益15.64%[51] - 康为世纪：突破至今收益11.28%，突破至今最大收益13.97%[51] - 广哈通信：突破至今收益-3.48%，突破至今最大收益13.08%[51] - 万里石：突破至今收益10.69%，突破至今最大收益12.53%[51] - 永达股份：突破至今收益-18.62%，突破至今最大收益10.63%[51] - 中央商场：突破至今收益-0.86%，突破至今最大收益10.06%[51] - 达嘉维康：突破至今收益-2.92%，突破至今最大收益9.58%[51] - 国际实业：突破至今收益7.25%，突破至今最大收益9.50%[51] - 兄弟科技：突破至今收益-3.28%，突破至今最大收益9.29%[51] - 仟源医药：突破至今收益-2.45%，突破至今最大收益8.52%[51] - 招标股份：突破至今收益-16.67%，突破至今最大收益8.50%[51] - 宗申动力：突破至今收益-13.52%，突破至今最大收益8.48%[51] - 通光线缆：突破至今收益-15.47%，突破至今最大收益8.14%[51] - 信邦智能：突破至今收益-13.88%，突破至今最大收益7.16%[51]