量化模型与构建方式 1. **模型名称**：价值 Smart beta 组合 **模型构建思路**：基于历史相关性低的价值风格，构建高 beta 弹性和长期稳健超额收益的组合[9] **模型具体构建过程**：选取价值风格的股票，构建价值 50 组合和价值均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 2. **模型名称**：成长 Smart beta 组合 **模型构建思路**：基于历史相关性低的成长风格，构建高 beta 弹性和长期稳健超额收益的组合[9] **模型具体构建过程**：选取成长风格的股票，构建成长 50 组合和成长均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 3. **模型名称**：小盘 Smart beta 组合 **模型构建思路**：基于历史相关性低的小盘风格，构建高 beta 弹性和长期稳健超额收益的组合[9] **模型具体构建过程**：选取小盘风格的股票，构建小盘 50 组合和小盘均衡 50 组合，分别追求高 beta 弹性和长期稳健超额收益[9] 模型的回测效果 1. **价值 50 组合** **周收益率**：1.35% **月收益率**：2.94% **年收益率**：-0.11% **超额收益（周）**：-0.39% **超额收益（月）**：-0.14% **超额收益（年）**：-0.14% **最大相对回撤**：2.26%[10] 2. **价值均衡 50 组合** **周收益率**：3.00% **月收益率**：5.75% **年收益率**：2.22% **超额收益（周）**：1.26% **超额收益（月）**：2.68% **超额收益（年）**：2.19% **最大相对回撤**：3.99%[10] 3. **成长 50 组合** **周收益率**：0.76% **月收益率**：1.40% **年收益率**：4.75% **超额收益（周）**：-1.33% **超额收益（月）**：-2.45% **超额收益（年）**：-0.10% **最大相对回撤**：3.61%[10] 4. **成长均衡 50 组合** **周收益率**：0.07% **月收益率**：2.47% **年收益率**：10.80% **超额收益（周）**：-2.02% **超额收益（月）**：-1.39% **超额收益（年）**：5.95% **最大相对回撤**：2.74%[10] 5. **小盘 50 组合** **周收益率**：3.52% **月收益率**：5.26% **年收益率**：12.21% **超额收益（周）**：2.51% **超额收益（月）**：0.21% **超额收益（年）**：-0.13% **最大相对回撤**：6.23%[10] 6. **小盘均衡 50 组合** **周收益率**：2.09% **月收益率**：6.86% **年收益率**：15.58% **超额收益（周）**：1.08% **超额收益（月）**：1.81% **超额收益（年）**：3.24% **最大相对回撤**：3.67%[10]

量化模型与构建方式 1 模型名称：多空趋势跟踪模型 模型构建思路：模型假定标的价格走势具有很好的延续性，标的价格永远处于某一趋势中，若出现窄幅盘整的情况，亦假设其延续之前的趋势[5] 模型具体构建过程：计算 T 日利率值与 T-20 日利率值的差 del，计算 T-20 日至 T 日（不含）时间段的波动率 Vol，若 del 的绝对值大于 N 倍的 Vol，则认为当前利率已经脱离原有的振荡区间，形成趋势，趋势多空方向与 del 的正负情况对应；若小于等于 N 倍的 Vol，则认为当前走势延续，趋势方向同 T-1 日，取 N=2 进行跟踪[4] 模型评价：该模型在 2023 年 3 月 10 日至 2023 年 10 月 26 日和 2023 年 12 月 14 至 2024 年 4 月 23 日期间表现出了较好的收益连续性，对于窄幅波动的行情的抗性不如作用于十年国开利率时，无效交易次数增多，跟踪区间内多次出现明显的持续回撤，尤其 2024 年 9 月 27 日至 2024 年 10 月 17 日期间的连续宽幅波动和急涨急跌，表现出明显的不适应性[6] 模型的回测效果 1 多空趋势跟踪模型，区间年化收益 40.58bp[5] 2 多空趋势跟踪模型，波动率（年化） 30.61bp[5] 3 多空趋势跟踪模型，夏普率 1.33[5] 4 多空趋势跟踪模型，最大回撤 43.62bp[5] 5 多空趋势跟踪模型，最大回撤所处周期 163 交易日[5]

量化因子与构建方式 1. **因子名称：存贷双高指标** - **构建思路**：通过货币资金/总资产与有息负债/总资产同时大于40%的特征，识别虚增现金无法使用的企业[5][29] - **具体构建过程**： - 计算货币资金/总资产比率 - 计算有息负债/总资产比率 - 筛选同时满足两个比率>40%且货币资金>有息负债的股票 - 输出0-1型指标（满足条件=1，否则=0）[29] - **因子评价**：有效捕捉虚增现金的财务风险，但覆盖股票数量较少[29][30] 2. **因子名称：利息收入现金比率** - **构建思路**：通过利息收入/货币资金比率识别虚增现金无法产生收益的企业[5][29] - **具体构建过程**： $$利息收入现金比率 = \frac{利息收入}{货币资金}$$ - 对指标进行市值中性化处理 - 在中信一级行业内计算分位数，选取尾部5%且比率<1年期国债收益率的股票[34] - **因子评价**：Rank ICIR达1.40，第一组超额收益显著低于其他分组[32][33] 3. **因子名称：应收账款异常指标组** - **构建思路**：通过应收账款占比、变化及周转率识别虚增收入或坏账风险[51][52] - **具体构建过程**： - **应收账款占比**：应收账款/营业收入 - **应收账款变化**：占比同比变动 - **应收账款周转率**： $$周转率 = \frac{营业收入}{(期初应收账款+期末应收账款)/2}$$ - 对指标市值中性化后，选取行业前5%（占比/变化）或后5%（周转率）[56] - **因子评价**：Rank IC均值-1.78%（占比）和1.55%（周转率），能提前捕捉案例公司风险[53][59] 4. **因子名称：存货异常指标组** - **构建思路**：通过存货占比、变化及周转率识别虚增存货或周转异常[65][66] - **具体构建过程**： - **存货占比**：存货/营业收入 - **存货变化**：占比同比变动 - **存货周转率**： $$周转率 = \frac{营业收入}{(期初存货+期末存货)/2}$$ - 处理方式同应收账款指标[70] - **因子评价**：存货周转率Rank ICIR达1.10，案例公司提前2年被预警[67][74] 5. **因子名称：固定资产异常指标组** - **构建思路**：通过固定资产占比、变化及周转率识别资产虚增或效率低下[82][83] - **具体构建过程**： - **固定资产占比**：固定资产/营业收入 - **固定资产周转率**： $$周转率 = \frac{营业收入}{(期初固定资产+期末固定资产)/2}$$ - 处理方式同前[87] - **因子评价**：固定资产变化因子Rank ICIR达-1.91，多空收益-5.66%[83][89] 6. **因子名称：在建工程占比** - **构建思路**：通过在建工程/总资产阈值识别过度资本化风险[81][82] - **具体构建过程**： - 计算在建工程/总资产比率 - 设定20%为绝对阈值（超过即标记为风险）[82] - **因子评价**：0-1型指标简单有效，但需结合其他指标验证[82] 7. **因子名称：可操纵性应计利润** - **构建思路**：通过应计利润与自由现金流占比识别盈余管理[25][32] - **具体构建过程**： $$可操纵性应计利润 = 净利润 - 经营活动现金流$$ - 对指标进行市值和行业中性化处理[34] - **因子评价**：Rank ICIR达1.40，十档分组中第一组表现最差[32][33] --- 因子回测效果 1. **存贷双高指标** - 年化超额收益：-12.15%[30] - 股票池占比：历史平均<5%[29] 2. **利息收入现金比率** - Rank IC均值：0.93% - Rank ICIR：1.40[32] 3. **应收账款异常指标** - 应收账款占比：Rank IC均值-1.78%，多空收益-7.73%[53] - 应收账款周转率：Rank IC均值1.55%，多空收益5.49%[53] 4. **存货异常指标** - 存货占比：Rank IC均值-1.19%，多空收益-5.44%[67] - 存货周转率：Rank IC均值1.16%，多空收益4.82%[67] 5. **固定资产异常指标** - 固定资产变化：Rank IC均值-2.00%，多空收益-5.66%[83] - 固定资产周转率：Rank IC均值0.89%，多空收益5.41%[83] 6. **七维度财务风险股票池** - 年化超额收益：-9.96% - 信息比率（IR）：-2.11[5] 7. **宽基指数避雷组合** - 沪深300避雷组合IR：0.77 - 中证500避雷组合IR：1.55 - 中证1000避雷组合IR：1.95[5]

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**：华鑫市场情绪温度指标 - **模型构建思路**：通过多维度市场数据构建综合情绪评分指标，用于判断市场情绪状态[5][9] - **模型具体构建过程**： 1) 数据维度：指数涨跌幅、成交量、涨跌家数、KDJ、北向资金、融资融券数据[20] 2) 统计方法：基于5年历史数据进行回测，将6类数据标准化后加权综合 3) 评分区间划分： - 过冷（0-19分） - 较冷（20-39分） - 中性（40-59分） - 较热（60-79分） - 过热（80-100分）[20] - **模型评价**：适用于震荡市的高抛低吸策略，趋势市中可能出现钝化现象[20] 2. **模型名称**：融资融券净买入模型 - **模型构建思路**：通过融资净买入与融券净卖出的差值反映市场杠杆情绪[20] - **模型具体构建过程**： $$期间净买入额 = 融资净买入额 - 融券净卖出额$$ 其中融资净买入额数据来源于图表8，融券净卖出额数据来源于图表9[12][17] 模型的回测效果 1. **华鑫市场情绪温度指标**： - 当前评分76分（较热区间）[5][9] - 历史回测显示： - 低于30分时市场获支撑 - 高于90分时出现阻力[9] 2. **融资融券净买入模型**： - 电子行业融资净买入最高（28.3亿元）[18] - 计算机行业融券净卖出最高（-61.9亿元）[16] 量化因子与构建方式 1. **因子名称**：主力资金净流入因子 - **因子构建思路**：通过大单资金流向捕捉主力动向[10][14] - **因子具体构建过程**： $$主力净流入因子 = \sum_{i=1}^{n}(大单买入金额_i - 大单卖出金额_i)$$ 数据来源于Wind计算的个股/行业主力净流入额[10][14][15] 2. **因子名称**：行业动量因子 - **因子构建思路**：根据行业资金流向排名构建短期动量信号[15][18] - **因子具体构建过程**： 1) 按主力资金净流入额对申万一级行业排序（图表6/7） 2) 前五名设为正向动量组，后五名设为负向动量组[15][16] 因子的回测效果 1. **主力资金净流入因子**： - 家用电器行业净流入最高（12.0亿元）[15] - 计算机行业净流出最大（-61.9亿元）[16] 2. **行业动量因子**： - 电子/电力设备/计算机为融资买入前三行业[18] - 银行/石油石化/房地产为融券卖出前三行业[18] 注：所有公式和指标取值均直接引用自研报中的图表及数据说明[5][10][12][14][15][16][17][18][20]

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**：多资产多策略绝对收益量化体系 **模型构建思路**：将数据信息与基本面投资逻辑结合，通过量化方法挖掘长期市场逻辑，同时利用数据拓宽收益来源[11] **模型具体构建过程**： - 以多资产多策略为基础框架 - 通过产品状态和量化模型的市场判断动态配置策略 - 采用机器学习方法优化组合权重 - 结合盈利预测扩展信息源以降低策略相关性[13] 2. **模型名称**：动态权重组合优化模型 **模型构建思路**：在跟踪误差约束下，针对指数特性挖掘适用因子并动态调整权重[13] **模型具体构建过程**： - 分析目标指数的行业分布、风格特性和成分特征 - 筛选与指数特性匹配的量化因子 - 通过机器学习算法动态分配因子权重 - 结合盈利预测数据增强信息维度[13] 模型的回测效果 1. **信澳量化多因子（中证500）**： - 年化超额收益8.71% - 超额波动率7.93% - 超额夏普比率1.10 - IR同类排名前4/63[14] 2. **信澳星耀智选（中证1000）**： - 年化超额收益13.61% - 超额波动率12.27% - 超额夏普比率1.11 - IR同类排名前4/37[14] 3. **信澳核心智选（沪深300）**： - 年化超额收益4.95% - 超额波动率4.75% - 超额夏普比率1.04 - IR同类排名前10/58[14] 量化因子与构建方式 1. **因子类型**：指数特性匹配因子 **因子构建思路**：根据目标指数的行业、风格、成分特征定制化开发因子[13] **因子具体构建过程**： - 对指数成分股进行行业中性化处理 - 计算风格暴露（如市值、估值、动量等） - 通过横截面标准化处理因子值 - 采用动态IC加权方法优化因子组合[13] 2. **因子类型**：盈利预测扩展因子 **因子构建思路**：结合基本面分析师预测数据增强传统量化因子[13] **因子具体构建过程**： - 收集一致预期EPS、ROE等指标 - 构建盈利增长加速度因子： $$ \Delta G = (E_t/E_{t-1}) - (E_{t-1}/E_{t-2}) $$ - 与估值因子形成多维打分体系[13] 因子的回测效果 （注：研报中未披露具体因子层面的测试指标，该部分内容缺失） 模型评价 1. 多资产多策略体系通过动态配置实现了收益来源的多元化，有效降低单一策略失效风险[11] 2. 动态权重模型在严格控制跟踪误差的前提下，显著提升了不同市场环境下的适应性[13] 3. 因子构建过程中注重逻辑与经济意义，避免了纯数据挖掘导致的过拟合问题[13]

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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过跟踪行业扩散指数来捕捉行业趋势变化[23][25] - **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. 每月定期调仓，根据最新扩散指数排名调整行业配置[25][30] - **模型评价**：在趋势性行情中表现优异，但在市场反转时可能失效[23][33] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：利用GRU神经网络处理分钟频量价数据，生成行业因子进行轮动[33][38] - **模型具体构建过程**： 1. 收集行业分钟频交易数据 2. 通过GRU网络提取行业特征因子 3. 根据因子得分排名选择行业配置[33][36] - **模型评价**：短周期表现较好，但对极端行情适应性有限[38] 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：-1.61%[30] - 本周超额收益：-0.79%[30] - 3月以来超额收益：-0.41%[30] 2. **GRU因子行业轮动模型** - 2025年以来超额收益：-5.76%[36] - 本周超额收益：-0.39%[36] - 3月以来超额收益：-1.19%[36] 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**：衡量行业价格趋势强度的技术指标[25] - **因子具体构建过程**： 1. 计算行业内个股的上涨比例 2. 结合价格动量指标进行加权 3. 标准化处理得到0-1区间的扩散指数[25][26] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取的行业量价特征[33] - **因子具体构建过程**： 1. 输入行业分钟频量价数据 2. 通过GRU网络进行特征提取 3. 输出行业因子得分[33][34] 因子的回测效果 1. **行业扩散指数** - 当前最高值行业：银行(1.0)、综合金融(1.0)、非银行金融(1.0)[25] - 周环比提升最大行业：食品饮料(+0.591)、房地产(+0.243)[26] 2. **GRU行业因子** - 当前最高值行业：综合金融(5.25)、食品饮料(4.49)[33] - 周环比提升最大行业：综合金融、食品饮料、电力设备及新能源[34]

量化模型与构建方式 1. 模型名称：均线比较模型；模型构建思路：通过比较各宽基指数与其5日、10日及20日均线的位置，判断市场趋势和上涨确认程度；模型具体构建过程：计算各指数的收盘价与不同周期均线的差值，判断其是否超过均线，并分析其与均线的距离[6][7] 2. 模型名称：风险溢价模型；模型构建思路：以十年期国债即期收益率为无风险利率参考，计算各宽基指数的风险溢价，衡量其相对投资价值和偏离情况；模型具体构建过程：计算各指数的收益率与十年期国债即期收益率的差值，分析其历史分位值和波动率[14][15][16] 3. 模型名称：PE-TTM模型；模型构建思路：通过观察各指数的PE-TTM（滚动市盈率）作为估值参考，衡量其当前时点的投资价值；模型具体构建过程：计算各指数的PE-TTM值，并分析其历史分位值和波动率[20][21][22] 4. 模型名称：股息率模型；模型构建思路：通过跟踪各指数的股息率，观察其走势和变化趋势，反映现金分红回报率；模型具体构建过程：计算各指数的股息率，并分析其历史分位值和波动率[27][28][29] 5. 模型名称：破净率模型；模型构建思路：通过计算各指数的破净率，反映市场的估值态度；模型具体构建过程：计算各指数的市净率，并统计破净个股数及其占比[32][33] 模型的回测效果 1. 均线比较模型，上证50指数超过5日均线2.07%，超过10日均线2.71%，超过20日均线2.84%[7] 2. 风险溢价模型，上证50指数当前风险溢价为2.84%，近5年分位值为98.41%[16] 3. PE-TTM模型，上证50指数当前PE-TTM值为11.07，近5年历史分位值为72.98%[22] 4. 股息率模型，上证50指数当前股息率为4.23%，近5年历史分位值为89.01%[29] 5. 破净率模型，上证50指数当前破净率为24.0%[32] 量化因子与构建方式 1. 因子名称：换手率因子；因子构建思路：通过计算各宽基指数的换手率，反映市场活跃度；因子具体构建过程：计算各指数成分股的流通股本与换手率的加权平均值[8] 2. 因子名称：峰度因子；因子构建思路：通过计算各宽基指数的峰度，反映收益率分布的集中程度；因子具体构建过程：计算各指数收益率的峰度，并分析其与正态分布的偏离[12][13] 3. 因子名称：偏度因子；因子构建思路：通过计算各宽基指数的偏度，反映极端正收益情形的增加程度；因子具体构建过程：计算各指数收益率的偏度，并分析其与正态分布的偏离[12][13] 因子的回测效果 1. 换手率因子，中证2000指数当前换手率为4.46[8] 2. 峰度因子，创业板指当前峰度为4.17，近5年峰度为0.15[13] 3. 偏度因子，创业板指当前偏度为2.31，近5年偏度为1.25[13]

量化模型与构建方式 1. 模型名称：转股溢价率模型；模型构建思路：通过计算可转债的转股溢价率来评估其相对于正股的估值水平；模型具体构建过程：转股溢价率=（可转债收盘价-转股价值）/转股价值，其中转股价值=（100/转股价格）*正股收盘价[14]；模型评价：该模型能够有效反映可转债的估值水平，帮助投资者判断其投资价值 模型的回测效果 1. 转股溢价率模型，转股溢价率中位数26.64%，算术平均数43.93%[9] 量化因子与构建方式 1. 因子名称：可转债价格因子；因子构建思路：根据可转债的价格区间进行分类，分析不同价格区间的可转债表现；因子具体构建过程：将可转债价格分为小于100、100-110、110-120、120-130、130-140、大于140六个区间，统计每个区间的个券数量和转股溢价率中位数[31]；因子评价：该因子能够反映不同价格区间可转债的市场表现和估值水平，为投资者提供参考 因子的回测效果 1. 可转债价格因子，小于100区间转股溢价率中位数42.01%，100-110区间80.27%，110-120区间57.23%，120-130区间26.40%，130-140区间11.58%，大于140区间5.22%[31]

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**：网下打新收益测算模型 **模型构建思路**：通过假设所有主板、科创板、创业板的股票都打中，并在上市首日以市场均价卖出，忽略锁定期的卖出限制，来测算不同规模账户的打新收益率[9] **模型具体构建过程**： - 计算满中数量： $$类满中数量 = 可申购上限额度 \times 网下类平均中签率$$ - 计算满中收益： $$满中收益 = (首次开板价 - 首发价格) \times 满中数量$$ 通过以上公式，对不同规模账户（如1.5亿、2亿、3亿、5亿、10亿）进行逐股票打新收益测算[38][40] 2. **模型名称**：逐月打新收益模型 **模型构建思路**：在90%的资金使用效率下，将2024年以来每个月网下打新可获得的收益相加，测算理想情况下逐月打新收益和打新收益率[41] **模型具体构建过程**： - 假设所有股票报价均入围 - 以新股卖出日为统计时间，计算逐月打新收益和收益率 - 对不同规模账户（A类和C类）分别进行测算[41][49] 模型的回测效果 1. **网下打新收益测算模型**： - A类2亿规模账户打新收益率：0.71%[9] - C类2亿规模账户打新收益率：0.61%[9] - A类10亿规模账户打新收益率：0.17%[9] - C类10亿规模账户打新收益率：0.13%[9] 2. **逐月打新收益模型**： - A类2亿规模账户2024年至今打新收益率：4.44%[41] - C类2亿规模账户2024年至今打新收益率：3.53%[49] - A类2亿规模账户2025年至今打新收益率：0.71%[41] - C类2亿规模账户2025年至今打新收益率：0.61%[49] 量化因子与构建方式 1. **因子名称**：有效报价账户数量因子 **因子构建思路**：通过滚动跟踪近期新股的有效报价账户中位数，反映市场参与打新的热度[21] **因子具体构建过程**： - 统计科创板、创业板、主板新股的有效报价账户数量中位数 - 分别计算A类和C类账户的数量[21] 2. **因子名称**：新股上市首日涨幅因子 **因子构建思路**：通过统计新股上市首日的平均涨幅，反映新股的市场表现[16] **因子具体构建过程**： - 计算科创板个股上市首日平均涨幅：192.07%[16] - 计算创业板个股上市首日平均涨幅：381.09%[16] 因子的回测效果 1. **有效报价账户数量因子**： - 科创板A类有效报价账户数量：2975左右[21] - 科创板C类有效报价账户数量：1876左右[21] - 创业板A类有效报价账户数量：3112左右[21] - 创业板C类有效报价账户数量：2011左右[21] - 主板A类有效报价账户数量：3379左右[21] - 主板C类有效报价账户数量：2441左右[21] 2. **新股上市首日涨幅因子**： - 科创板个股上市首日平均涨幅：192.07%[16] - 创业板个股上市首日平均涨幅：381.09%[16]

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**：宏观择时策略 - **模型构建思路**：基于经济增长和货币流动性两大维度的动态信号进行权益仓位配置[30] - **模型具体构建过程**： 1. **经济增长信号**：通过工业增加值、社零等经济指标同比变化计算信号强度，2月信号强度为0%[30][35] 2. **货币流动性信号**：结合SHIBOR、国债收益率等利率指标，2月信号强度为60%[30][35] 3. **仓位决策**：综合信号强度加权得出权益推荐仓位（2月为30%）[30] - **模型评价**：策略2025年初至今超额收益显著（-1.16% vs Wind全A -2.32%）[30] 2. **模型名称**：微盘股择时模型 - **模型构建思路**：通过波动率拥挤度和利率同比指标监控微盘股风险[34][36] - **模型具体构建过程**： 1. **波动率拥挤度指标**：计算市场情绪风险，阈值设定为0.3，当前值为-50.09%[36][38] 2. **十年国债利率同比指标**：反映基本面风险，当前值为-20.45%（阈值0.3）[36][37] 3. **触发条件**：任一指标突破阈值则触发风控信号[34] --- 模型的回测效果 1. **宏观择时策略**： - 年化收益率：-1.16%（同期Wind全A -2.32%）[30] - 信号强度：经济增长0%，货币流动性60%[35] 2. **微盘股择时模型**： - 波动率拥挤度：-50.09%（未触发风险）[38] - 利率同比：-20.45%（未触发风险）[37] --- 量化因子与构建方式 1. **因子名称**：大类选股因子（8类）[44][50] - **因子构建思路**：覆盖市值、价值、成长、质量、技术等维度[50] - **因子具体构建过程**： - **市值因子**：$$LN\_MktCap = \ln(流通市值)$$[50] - **价值因子**：$$BP\_LR = \frac{账面净资产}{最新市值}$$[50] - **技术因子**：$$Volume\_Mean\_20D\_240D = \frac{20日成交量均值}{240日成交量均值}$$[50] 2. **因子名称**：可转债择券因子[50][53] - **因子构建思路**：结合正股价值与转债估值（如平价底价溢价率）[50] --- 因子的回测效果 1. **大类选股因子**（全部A股）： - 质量因子IC均值显著，多空净值稳定上升[44][48] - 价值因子近期走强（受消费政策推动）[44] 2. **可转债择券因子**： - 正股价值因子多空收益为正[53] - 转债估值因子表现稳健[53] --- 指标取值汇总 | 模型/因子 | 指标 | 取值 | |---------------------|---------------------|--------------------| | 宏观择时策略 | 年化收益率 | -1.16%[30] | | 宏观择时策略 | Wind全A收益率 | -2.32%[30] | | 微盘股择时模型 | 波动率拥挤度 | -50.09%[38] | | 微盘股择时模型 | 利率同比 | -20.45%[37] | | 大类选股因子 | 质量因子IC均值 | 显著正收益[44][48]| | 可转债择券因子 | 正股价值多空收益 | 正收益[53] | --- 以上内容严格基于研报中提及的模型、因子及数据，未包含风险提示等无关信息。