量化模型与构建方式 1. 模型名称：单因子MFE组合 - **模型构建思路**：通过组合优化的方式，在控制行业暴露、风格暴露、成分股内权重占比、组合换手率等约束条件下，最大化单因子暴露，以检验因子在实际约束条件下的收益预测效果[38][39] - **模型具体构建过程**： 1. 目标函数为最大化单因子暴露，公式如下： $ \begin{array}{ll} max & f^{T} w \\ s.t. & s_{l} \leq X(w-w_{b}) \leq s_{h} \\ & h_{l} \leq H(w-w_{b}) \leq h_{h} \\ & w_{l} \leq w-w_{b} \leq w_{h} \\ & b_{l} \leq B_{b}w \leq b_{h} \\ & \mathbf{0} \leq w \leq l \\ & \mathbf{1}^{T} w = 1 \end{array} $ 其中，$f$为因子取值，$w$为待求解的股票权重向量，$X$为风格因子暴露矩阵，$H$为行业暴露矩阵，$B_b$为成分股权重向量，$s_l$、$s_h$为风格因子暴露上下限，$h_l$、$h_h$为行业偏离上下限，$w_l$、$w_h$为个股偏离上下限，$b_l$、$b_h$为成分股权重上下限[38][39][40] 2. 约束条件包括： - 风格因子暴露限制 - 行业偏离限制 - 个股权重偏离限制 - 成分股内权重占比限制 - 禁止卖空及个股权重上限限制 - 权重和为1，确保组合满仓运作[40][41] 3. 每月末根据约束条件构建单因子MFE组合，并在回测期内换仓，计算组合历史收益及相对基准的收益风险统计指标[43] 2. 模型名称：公募重仓指数 - **模型构建思路**：基于公募基金的持仓信息，构建一个反映公募基金持仓风格的指数，以测试因子在“机构风格”下的有效性[41][42] - **模型具体构建过程**： 1. 选样空间为普通股票型基金及偏股混合型基金，剔除规模小于5000万且上市不足半年的基金[42] 2. 根据基金定期报告获取持仓信息，若为半年报或年报则使用全部持仓，若为季报则结合前期半年报或年报信息[42] 3. 将符合条件基金的持仓股票权重平均，按权重降序排序，选取累计权重达到90%的股票作为成分股[42] --- 模型的回测效果 1. 单因子MFE组合 - **沪深300样本空间**： - 最近一周：非流动性冲击（0.61%）、EPTTM一年分位点（0.58%）、单季ROA（0.47%）等因子表现较好[18][19] - 最近一月：一个月反转（2.30%）、三个月波动（2.27%）、一个月波动（2.13%）等因子表现较好[18][19] - 今年以来：预期BP（7.53%）、BP（7.38%）、一年动量（6.86%）等因子表现较好[18][19] - **中证500样本空间**： - 最近一周：单季ROE（1.06%）、预期BP（0.75%）、单季EP（0.71%）等因子表现较好[21][22] - 最近一月：三个月波动（3.23%）、一个月波动（3.18%）、预期BP（1.84%）等因子表现较好[21][22] - 今年以来：一个月波动（10.32%）、三个月波动（10.03%）、单季EP（9.87%）等因子表现较好[21][22] - **中证1000样本空间**： - 最近一周：一个月波动（1.65%）、三个月波动（1.39%）、一个月换手（1.31%）等因子表现较好[24][25] - 最近一月：三个月波动（3.83%）、一个月波动（3.58%）、三个月换手（2.90%）等因子表现较好[24][25] - 今年以来：EPTTM（12.58%）、单季EP（12.55%）、三个月波动（11.71%）等因子表现较好[24][25] - **公募重仓指数样本空间**： - 最近一周：一个月换手、三个月反转、三个月换手等因子表现较好[27] - 最近一月：三个月反转、BP、预期BP等因子表现较好[27] - 今年以来：一个月波动、三个月波动、预期BP等因子表现较好[27] 2. 公募基金指数增强产品 - **沪深300指数增强产品**： - 最近一周：超额收益最高1.67%，最低-0.50%，中位数0.09% - 最近一月：超额收益最高2.02%，最低-2.29%，中位数-0.09% - 最近一季：超额收益最高3.75%，最低-1.96%，中位数1.12% - 今年以来：超额收益最高10.83%，最低-6.75%，中位数2.56%[32] - **中证500指数增强产品**： - 最近一周：超额收益最高2.58%，最低-0.61%，中位数0.17% - 最近一月：超额收益最高2.50%，最低-3.09%，中位数-0.67% - 最近一季：超额收益最高5.69%，最低-1.81%，中位数1.40% - 今年以来：超额收益最高9.23%，最低-2.88%，中位数3.92%[34] - **中证1000指数增强产品**： - 最近一周：超额收益最高1.12%，最低-0.30%，中位数0.38% - 最近一月：超额收益最高1.33%，最低-2.76%，中位数-0.51% - 最近一季：超额收益最高3.80%，最低-1.33%，中位数1.33% - 今年以来：超额收益最高9.00%，最低-2.35%，中位数3.10%[37] --- 量化因子与构建方式 1. 因子库 - **因子类别及计算方式**： - **估值因子**：如BP（净资产/总市值）、单季EP（单季度归母净利润/总市值）、EPTTM（归母净利润TTM/总市值）等[15] - **反转因子**：如一个月反转（过去20个交易日涨跌幅）、三个月反转（过去60个交易日涨跌幅）等[15] - **成长因子**：如单季净利同比增速、单季营收同比增速等[15] - **盈利因子**：如单季ROE、单季ROA、DELTAROE等[15] - **流动性因子**：如一个月换手、三个月换手、非流动性冲击等[15] - **波动因子**：如一个月波动、三个月波动等[15] - **公司治理因子**：如高管薪酬等[15] - **分析师因子**：如预期PEG、三个月盈利上下调等[15]

量化模型与构建方式 1. 优秀基金业绩增强组合 - **模型名称**：优秀基金业绩增强组合 - **模型构建思路**：从传统地对标宽基指数，转变为对标主动股基，在借鉴优秀基金持仓的基础上，采用量化方法进行增强，达到优中选优的目的[4][15][38] - **模型具体构建过程**： 1. 对基金进行优选，考虑对收益类因子进行分层中性化处理 2. 根据优选基金持仓构建优选基金持仓组合 3. 采用组合优化的方法控制组合与优选基金持仓在个股偏离、行业偏离及风格上的偏离[4][15][38] - **模型评价**：该组合表现优异，能够稳定战胜主动股基中位数[39] 2. 超预期精选组合 - **模型名称**：超预期精选组合 - **模型构建思路**：以研报标题超预期与分析师全线上调净利润为条件筛选超预期事件股票池，对超预期股票池进行基本面和技术面两个维度的精选，挑选出同时具备基本面支撑和技术面共振的超预期股票[5][20][43] - **模型具体构建过程**： 1. 筛选超预期事件股票池 2. 对超预期股票池中的股票进行基本面和技术面两个维度的精选 3. 构建超预期精选股票组合[5][20][43] - **模型评价**：该组合在超预期事件发生前后具有持续显著的超额收益[43] 3. 券商金股业绩增强组合 - **模型名称**：券商金股业绩增强组合 - **模型构建思路**：以券商金股股票池为选股空间和约束基准，采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离[6][24][49] - **模型具体构建过程**： 1. 以券商金股股票池为选股空间和约束基准 2. 采用组合优化的方式控制组合与券商金股股票池在个股、风格上的偏离 3. 以全体公募基金的行业分布为行业配置基准，构建券商金股业绩增强组合[6][24][49] - **模型评价**：该组合能够较好地跟踪偏股混合型基金指数的表现，并获得稳定战胜偏股混合型基金指数的表现[49] 4. 成长稳健组合 - **模型名称**：成长稳健组合 - **模型构建思路**：采用"先时序、后截面"的方式，构建成长股二维评价体系，以研报标题超预期及业绩大增为条件筛选成长股股票池[7][29][53] - **模型具体构建过程**： 1. 根据距离正式财报预约披露日的间隔天数对成长股股票池进行分档 2. 优先选择距离财报预约披露日较近的股票 3. 当样本数量较多时，采用多因子打分精选优质个股 4. 引入弱平衡机制、跃迁机制、缓冲机制和风险规避机制，构建成长稳健组合[7][29][53] - **模型评价**：该组合能够高效地在利好事件超额收益释放最强烈的阶段获取超越市场平均的表现[53] 模型的回测效果 优秀基金业绩增强组合 - **本周表现**：绝对收益-1.78%，相对偏股混合型基金指数超额收益-0.53%[2][19] - **本年表现**：绝对收益-5.68%，相对偏股混合型基金指数超额收益4.54%[2][19] - **历史表现**：年化收益20.95%，相较偏股混合型基金指数年化超额13.24%[40][42] 超预期精选组合 - **本周表现**：绝对收益-2.99%，相对偏股混合型基金指数超额收益-1.74%[2][23] - **本年表现**：绝对收益-1.20%，相对偏股混合型基金指数超额收益9.02%[2][23] - **历史表现**：年化收益28.42%，相较偏股混合型基金指数年化超额23.38%[44][47] 券商金股业绩增强组合 - **本周表现**：绝对收益-1.55%，相对偏股混合型基金指数超额收益-0.30%[2][28] - **本年表现**：绝对收益-5.31%，相对偏股混合型基金指数超额收益4.91%[2][28] - **历史表现**：年化收益17.59%，相较偏股混合型基金指数年化超额14.59%[50][52] 成长稳健组合 - **本周表现**：绝对收益-1.85%，相对偏股混合型基金指数超额收益-0.61%[3][33] - **本年表现**：绝对收益-10.02%，相对偏股混合型基金指数超额收益0.20%[3][33] - **历史表现**：年化收益34.45%，相较偏股混合型基金指数年化超额26.58%[54][56]

量化模型与构建方式 1. 模型名称：国内双因子定价模型 - **模型构建思路**：基于国内股票宽基指数、行业指数、债券指数和商品指数等资产，构建统一的市场因子和风格因子，形成双因子定价模型，用于资产定价和跨资产配置[1][2][9] - **模型具体构建过程**： 1. **市场因子**：通过主成分分析（PCA），提取各类资产的第一主成分，反映国内金融市场的统一周期驱动因素[2][28] 2. **风格因子**：提取各类资产的第二主成分，表征资产内部的风格特征，如股票宽基指数的风格因子反映小盘股和大盘股的多空组合，行业指数的风格因子与产业链上下游逻辑匹配，债券指数的风格因子反映市场风险偏好，商品指数的风格因子体现市场景气特征[2][28][50] 3. **模型公式**： $$ Y = \beta_{0} + \beta_{1}X_{market} + \beta_{2}X_{style} + \varepsilon $$ 其中，$X_{market}$为市场因子，$X_{style}$为风格因子，$\varepsilon$为残差[85] 4. **残差动量**：残差部分反映资产的特异性，利用残差动量信号捕捉资产的特定规律[86][87] - **模型评价**：模型在稳定性和有效性上表现良好，市场因子和风格因子在时序上较为稳健，且对资产收益的波动具有较高的解释力度[3][65][78] --- 量化因子与构建方式 1. 因子名称：市场因子 - **因子的构建思路**：通过主成分分析提取各类资产的第一主成分，反映国内金融市场的统一周期驱动因素[2][28] - **因子具体构建过程**： 1. 对国内股票宽基指数、行业指数、债券指数和商品指数的价格取对数同比序列[28] 2. 利用PCA提取第一主成分，作为市场因子[28][30] 3. 将各类资产的市场因子等权组合，构建统一的市场因子[59] - **因子评价**：市场因子在时序上较为稳健，滚动窗口与全样本结果一致性较高，且具有显著的周期特征[65][78] 2. 因子名称：风格因子 - **因子的构建思路**：通过主成分分析提取各类资产的第二主成分，表征资产内部的风格特征[2][28] - **因子具体构建过程**： 1. 对各类资产的价格取对数同比序列[28] 2. 利用PCA提取第二主成分，作为风格因子[28][30] 3. 不同资产的风格因子含义： - 宽基指数：小盘股与大盘股的多空组合[30] - 行业指数：产业链上下游的多空组合[38] - 债券指数：风险偏好的多空组合[43] - 商品指数：多贵金属空能源的组合[50] - **因子评价**：风格因子在时序上较为稳健，滚动窗口权重分布相关性较高，且对资产收益的解释度较高[66][78] --- 模型的回测效果 1. 双因子定价模型 - **规范相关系数（ρ值）**： - 宽基指数：均值0.925 - 行业指数：均值0.921 - 债券指数：均值0.957 - 商品指数：均值0.938[79] - **因子t值均值**： - 市场因子：宽基指数16.75，行业指数31.05，债券指数9.45，商品指数16.84 - 风格因子：宽基指数3.32，行业指数9.80，债券指数1.65，商品指数1.64[82] --- 因子的回测效果 1. 市场因子 - **规范相关系数（ρ值）**：均值0.995，最小值0.987[75] - **t值绝对值均值**：宽基指数3.21，行业指数3.45，债券指数3.16，商品指数4.12[83] 2. 风格因子 - **规范相关系数（ρ值）**：宽基指数0.993，行业指数0.935，债券指数0.980，商品指数0.926[75] - **t值绝对值均值**：宽基指数3.19，行业指数3.78，债券指数3.99，商品指数4.07[83] --- 策略的回测效果 1. 行业指数多空组合 - **风格趋势信号**： - 年化收益率：10.18% - 夏普比率：0.63 - Calmar比率：0.40[93] - **残差动量信号**： - 年化收益率：10.10% - 夏普比率：0.82 - Calmar比率：0.40[93] 2. 大类资产多空组合 - **风格趋势信号**： - 宽基指数：年化收益率19.41%，夏普比率1.31，Calmar比率1.02 - 商品指数：年化收益率14.06%，夏普比率0.67，Calmar比率0.61 - 债券指数：年化收益率0.24%，夏普比率0.09，Calmar比率0.03[97] - **残差动量信号**： - 宽基指数：年化收益率8.53%，夏普比率0.88，Calmar比率0.49 - 商品指数：年化收益率11.89%，夏普比率0.67，Calmar比率0.60 - 债券指数：年化收益率1.29%，夏普比率1.06，Calmar比率0.42[97] 3. 跨资产组合策略 - **基准策略**：年化收益率5.57%，夏普比率1.47，Calmar比率1.19 - **单残差动量信号**：年化收益率6.69%，夏普比率2.02，Calmar比率2.06 - **单风格趋势信号**：年化收益率6.27%，夏普比率1.97，Calmar比率1.51 - **三类信号融合策略**：年化收益率7.78%，夏普比率2.15，Calmar比率1.43[107][111]

量化模型与构建方式 1. 模型名称：国联行业轮动策略2.0 - **模型构建思路**：通过信用及企业盈利构建经济四象限，并在每个象限中对多维度行业风格因子进行有效性检验，最终基于因子轮动配置高预期收益行业[20] - **模型具体构建过程**： 1. **经济四象限构建**：基于企业盈利和信用两个维度，划分为四个象限： - 企业盈利上行，信用上行 - 企业盈利上行，信用下行 - 企业盈利下行，信用上行 - 企业盈利下行，信用下行 2. **因子构建**：在每个象限中，构建并测试以下行业风格因子： - 一致预期景气 - 超越预期盈利 - 龙头效应 - 行业估值泡沫 - 反转因子 - 动量因子 - 拥挤度 - 通胀beta 3. **策略构建**：基于上述因子在四个象限中的表现，进行因子轮动并配置高预期收益行业[20] - **模型评价**：该模型通过多维度因子结合经济象限，能够较好地捕捉行业轮动机会，具有一定的实用性[20] --- 模型的回测效果 1. 无剔除版因子轮动策略 - **年化超额收益**：9.49%[23] - **分年度绩效**： - 2017年：超额收益14.23%，IR为2.09，波动率14.02%[27] - 2018年：超额收益11.45%，IR为2.18，波动率22.35%[27] - 2019年：超额收益-4.32%，IR为-0.42，波动率21.07%[27] - 2020年：超额收益0.85%，IR为0.10，波动率24.86%[27] - 2021年：超额收益2.98%，IR为0.29，波动率21.17%[27] - 2022年：超额收益8.48%，IR为1.09，波动率22.41%[27] - 2023年：超额收益11.93%，IR为0.93，波动率21.04%[27] - 2024年：超额收益6.38%，IR为1.13，波动率19.43%[27] - 全部：超额收益8.05%，IR为0.81，波动率21.28%[27] 2. 双剔除版因子轮动策略 - **年化超额收益**：11.82%[23] - **分年度绩效**： - 2017年：超额收益16.39%，IR为1.77，波动率15.37%[31] - 2018年：超额收益31.24%，IR为1.63，波动率30.62%[31] - 2019年：超额收益6.24%，IR为0.44，波动率21.37%[31] - 2020年：超额收益2.61%，IR为0.24，波动率23.31%[31] - 2021年：超额收益4.25%，IR为0.38，波动率17.66%[31] - 2022年：超额收益7.90%，IR为0.80，波动率23.19%[31] - 2023年：超额收益13.95%，IR为1.14，波动率18.94%[31] - 2024年：超额收益2.74%，IR为0.51，波动率17.86%[31] - 全部：超额收益12.63%，IR为0.94，波动率21.87%[31] 3. 当月和当年组合绩效 - **2024年7月**： - 基准收益率：-3.37% - 无剔除版收益：-3.43%，超额收益-0.06% - 双剔除版收益：-5.83%，超额收益-2.47%[33] - **2023年以来**： - 基准收益率：-19.47% - 无剔除版收益：-2.71%，超额收益16.76% - 双剔除版收益：-7.88%，超额收益11.59%[33] --- 量化因子与构建方式 1. 因子名称：一致预期景气因子 - **因子构建思路**：衡量市场对行业未来景气度的一致预期[20] - **因子具体构建过程**：基于分析师一致预期数据，提取行业未来景气度的预期值，作为因子得分[20] 2. 因子名称：超越预期盈利因子 - **因子构建思路**：衡量行业实际盈利是否超越市场预期[20] - **因子具体构建过程**：对比行业实际盈利数据与分析师一致预期，计算超越预期的幅度，作为因子得分[20] 3. 因子名称：龙头效应因子 - **因子构建思路**：衡量行业内龙头企业的表现对行业整体的影响[20] - **因子具体构建过程**：提取行业内市值排名前列企业的盈利和估值数据，计算其对行业整体的贡献度，作为因子得分[20] 4. 因子名称：行业估值泡沫因子 - **因子构建思路**：衡量行业估值是否存在泡沫化倾向[20] - **因子具体构建过程**：基于行业市盈率、市净率等估值指标，计算其相对历史均值的偏离程度，作为因子得分[20] 5. 因子名称：反转因子 - **因子构建思路**：捕捉行业内短期超跌后的反弹机会[20] - **因子具体构建过程**：基于行业过去一段时间的收益率，计算其反转幅度，作为因子得分[20] 6. 因子名称：动量因子 - **因子构建思路**：捕捉行业内持续上涨的趋势[20] - **因子具体构建过程**：基于行业过去一段时间的收益率，计算其动量强度，作为因子得分[20] 7. 因子名称：拥挤度因子 - **因子构建思路**：衡量行业内资金流动的集中程度[20] - **因子具体构建过程**：基于行业内资金流入流出数据，计算其集中度，作为因子得分[20] 8. 因子名称：通胀beta因子 - **因子构建思路**：衡量行业对通胀变化的敏感性[20] - **因子具体构建过程**：基于行业收益率与通胀率的历史相关性，计算其beta值，作为因子得分[20] --- 因子的回测效果 1. 因子轮动策略整体表现 - **无剔除版年化超额收益**：9.49%[23] - **双剔除版年化超额收益**：11.82%[23] 2. 分年度因子轮动策略表现 - **无剔除版**： - 2017年：超额收益14.23%，IR为2.09[27] - 2023年：超额收益11.93%，IR为0.93[27] - **双剔除版**： - 2018年：超额收益31.24%，IR为1.63[31] - 2023年：超额收益13.95%，IR为1.14[31]

量化模型与构建方式 1. 模型名称：公募基金实时持仓测算模型 - **模型构建思路**：基于基金净值、持仓披露、调研行为等市场公开信息，实时测算公募基金对创新药板块的持仓情况[17] - **模型具体构建过程**： 1. 收集基金净值数据，作为基金整体规模的基础指标 2. 整理基金持仓披露信息，提取创新药板块相关股票的持仓比例 3. 结合基金调研行为，动态调整持仓权重，反映基金对创新药板块的关注度 4. 综合以上数据，构建实时持仓测算模型，输出创新药板块的持仓动态[17] - **模型评价**：该模型能够较为准确地反映公募基金对创新药板块的配置态势，具有较高的市场参考价值[17] 2. 模型名称：北上资金行为监测模型 - **模型构建思路**：通过托管机构划分北上资金为配置型外资和交易型外资，分别监测其资金流向[19] - **模型具体构建过程**： 1. 按托管机构分类：以外资银行为代表的配置型外资，以外资券商为代表的交易型外资 2. 收集每日北上资金流入流出数据，按分类汇总 3. 计算各类资金的净流入金额，分析其对创新药板块的影响[19] - **模型评价**：模型能够有效区分不同类型外资的行为特征，为市场资金流向分析提供了重要依据[19] 3. 模型名称：ETF资金持仓动态监测模型 - **模型构建思路**：通过监测ETF资金持仓占比，分析市场对创新药板块的资金配置趋势[24] - **模型具体构建过程**： 1. 收集ETF基金的持仓数据，提取创新药板块相关股票的持仓比例 2. 计算ETF资金持仓占创新药板块流通市值的比重 3. 动态跟踪持仓占比变化，分析资金流入流出的趋势[24] - **模型评价**：模型能够直观反映ETF资金对创新药板块的配置变化，是观察市场资金动态的重要工具[24] 4. 模型名称：两融余额动向监测模型 - **模型构建思路**：通过融资余额和融券余额的变化，分析市场对创新药板块的多空情绪[28] - **模型具体构建过程**： 1. 收集融资余额和融券余额数据 2. 计算融资余额的增减幅度，分析市场看多情绪 3. 监测融券余额的变化，评估市场看空情绪[28] - **模型评价**：模型能够较好地捕捉市场情绪变化，为投资者提供多空参考[28] --- 模型的回测效果 1. 公募基金实时持仓测算模型 - 仓位动态：近三个月仓位维持底部震荡[17][19] 2. 北上资金行为监测模型 - 2024年7月以来北上资金净买入金额达到21亿元，其中配置型外资加仓更为明显[19][21] 3. ETF资金持仓动态监测模型 - 2024年3月以来，ETF资金持仓占创新药板块流通市值比例持续上升，达到6.16%[24][26] 4. 两融余额动向监测模型 - 融资余额自2024年5月以来有所下滑，融券余额处于较低水平[28][30] --- 量化因子与构建方式 1. 因子名称：主力资金净流入因子 - **因子的构建思路**：通过大单与超大单的交易金额，衡量主力资金对创新药板块的关注度[36] - **因子具体构建过程**： 1. 定义大单（20-100万元）与超大单（>100万元）交易金额 2. 汇总大单与超大单的净流入金额，作为主力资金的代理变量 3. 计算创新药板块相关股票的主力资金净流入金额[36] - **因子评价**：因子能够有效捕捉主力资金的交易行为，为市场热点分析提供支持[36] 2. 因子名称：股东户数增幅因子 - **因子的构建思路**：通过股东户数的变化，分析市场对创新药板块的关注度和潜在风险[42] - **因子具体构建过程**： 1. 收集创新药板块相关股票的股东户数数据 2. 计算最新两期股东户数的增幅 3. 将增幅较大的股票标记为高关注度或高风险标的[42] - **因子评价**：因子能够揭示市场对个股的关注度变化，但需结合其他指标综合分析[42] --- 因子的回测效果 1. 主力资金净流入因子 - 香雪制药净流入12373.3万元，昭衍新药净流入5061.5万元，上海医药净流入4017.7万元[36][37] 2. 股东户数增幅因子 - 药康生物股东户数增幅26.31%，华东医药增幅21.62%，海创药业-U增幅21.04%[42][43]

量化模型与构建方式 1. 模型名称：DTW择时模型 - **模型构建思路**：基于相似性思路，考察当下指数行情与历史行情的相似度，筛选出相似度较高的若干历史行情片段作为参照，计算这些片段的未来加权平均涨跌幅和加权标准差，依据结果生成交易信号[6][12] - **模型具体构建过程**： 1. 使用DTW（动态时间弯曲）算法作为相似性度量标准，替代传统的欧氏距离。DTW算法能够解决时间序列间的错配问题，更适用于时间序列分析[14] 2. 筛选出与当前行情相似度较高的历史行情片段 3. 计算这些片段未来5日或1日的加权平均涨跌幅和加权标准差，权重为距离的倒数 4. 根据未来涨跌幅的平均值和标准差生成交易信号[12][14] - **模型评价**：DTW算法相比欧氏距离更适合时间序列分析，能够有效解决时间序列错配问题，模型效果优于其他方法[14] 2. 模型名称：外资择时模型 - **模型构建思路**：基于4个反映外资动向的指标，构建对A股整体的择时信号[6] - **模型具体构建过程**：具体细节未在本报告中披露，可参考相关研究报告[6] 3. 模型名称：鳄鱼线择时模型 - **模型构建思路**：基于海外经典的鳄鱼线指标，构建择时信号[6] - **模型具体构建过程**：具体细节未在本报告中披露，可参考相关研究报告[6] --- 模型的回测效果 1. DTW择时模型 - **绝对收益**：11.49%（2022年11月以来样本外表现）[6][11] - **相对沪深300超额收益**：23.05%（2022年11月以来样本外表现）[6][11] - **最大回撤**：20.07%（2022年11月以来样本外表现）[6][11] - **样本外胜率**：超过60%（2022年11月以来）；今年以来胜率接近80%[6] - **模型稳定性**：在一般市场环境下，超额收益较为稳定，但在2023年三季度因宏观政策突发性变化（如降印花税、降准降息等）导致一定回撤[11] --- 量化因子与构建方式 本报告未涉及具体量化因子的构建内容 --- 因子的回测效果 本报告未涉及具体量化因子的回测效果

- 本报告未涉及量化模型或量化因子的内容[2][3][4]

量化模型与构建方式 1. 模型名称：美股中期择时框架 - **模型构建思路**：通过经济景气、资金流动和金融压力三个维度构建择时指标，判断美股中期趋势[67][85] - **模型具体构建过程**： 1. **经济景气维度**：选取经济景气分项指标，计算其在滚动5年内的分位值，当前分位值为67.8%，表明经济景气高于历史中枢[67][85] 2. **资金流维度**：观察海外投资者对美股的净流入趋势，历史上该指标在美股大级别调整前具有一定领先性，目前尚未观察到趋势性拐点[67][85] 3. **金融压力维度**：利用OFR金融压力指数，结合套息交易平仓比例（已平仓76%），评估金融系统性风险，当前风险较低[67][85] - **模型评价**：模型综合考虑了经济、资金和金融压力三大核心因素，能够较好地反映美股中期趋势[67][85] --- 模型的回测效果 1. 美股中期择时框架 - **最新择时指标值**：71.75[72] - **历史触发调整值**：25以下[72] --- 量化因子与构建方式 1. 因子名称：套息交易因子 - **因子的构建思路**：基于日元-美元套息交易的收益逻辑，分析利差变化对套息交易规模及其对美股的潜在影响[18][23] - **因子具体构建过程**： 1. **底层逻辑**：日本长期低利率（1995年至今），借入低息日元买入高息美元资产，形成套息交易[18] 2. **收益测算**：2012年至今，日美10年国债收益差在1%-4%区间波动，日元年均贬值5.4%，套息交易收益较为可观[18] 3. **规模测算**： - 根据国际清算银行数据，日本银行以日元计价的对外债权规模截至2024Q1约为154万亿日元（约1万亿美元）[23] - 假设15%的套息交易资金流入美股，结合标普500收益率，测算美股存量套息交易规模约为3000亿美元[31] 4. **平仓比例估算**：以CME日元兑美元期货非商业空头头寸为参考，截至2024年8月5日，平仓比例约为76%[34] 5. **潜在影响测算**：假设剩余700亿美元资金全部平仓，同时带动等量其他资金流出，标普500潜在下跌幅度约为5.5%[36] - **因子评价**：因子构建基于明确的经济逻辑和数据支持，能够较好地量化套息交易对美股的影响[18][23][31] --- 因子的回测效果 1. 套息交易因子 - **存量规模**：约3000亿美元[31] - **已平仓比例**：76%[34] - **剩余规模**：约700亿美元[34] - **潜在下跌幅度**：标普500约5.5%[36]

量化模型与构建方式 1. 模型名称：Alpha 动量组合 - **模型构建思路**：基于动量效应，选择近期表现较好的股票构建组合，期望其未来继续保持上涨趋势[8] - **模型具体构建过程**： 1. 选取一组股票，计算其历史收益率 2. 根据收益率排序，选择表现最好的股票构建动量组合 3. 持有期为一个月，按月滚动调整组合[25] - **模型评价**：动量组合在短期内可能表现较弱，但在长期历史数据中表现出较好的超额收益[26] 2. 模型名称：Alpha 反转组合 - **模型构建思路**：基于反转效应，选择近期表现较差的股票构建组合，期望其未来出现反弹[12] - **模型具体构建过程**： 1. 选取一组股票，计算其历史收益率 2. 根据收益率排序，选择表现最差的股票构建反转组合 3. 持有期为一个月，按月滚动调整组合[25] - **模型评价**：反转组合在短期内表现较强，尤其在市场波动较大的情况下，能够提供显著的超额收益[26] 3. 模型名称：行业 Alpha 动量组合 - **模型构建思路**：基于行业动量效应，选择历史 Alpha 值较高的行业构建组合，期望其未来延续涨势[25] - **模型具体构建过程**： 1. 对各行业的 Alpha 值进行计算和排序 2. 选择 Alpha 值排名前 5 的行业构建动量组合 3. 从每个行业中选取与行业指数相关性最大的 30 只个股构建持股组合 4. 持有期为一个月，按月滚动调整组合[25][28] - **模型评价**：行业动量组合在短期内表现尤为突出，尤其是一个月的持有期内，累计收益显著高于基准指数[26] 4. 模型名称：行业 Alpha 反转组合 - **模型构建思路**：基于行业反转效应，选择历史 Alpha 值较低的行业构建组合，期望其未来出现反弹[25] - **模型具体构建过程**： 1. 对各行业的 Alpha 值进行计算和排序 2. 选择 Alpha 值排名最后 5 的行业构建反转组合 3. 从每个行业中选取与行业指数相关性最大的 30 只个股构建持股组合 4. 持有期为一个月，按月滚动调整组合[25][28] - **模型评价**：行业反转组合在短期内表现不如动量组合，但在特定市场环境下可能提供一定的超额收益[26] --- 模型的回测效果 1. Alpha 动量组合 - **累计收益**：本周累计下跌 1.93%[8] - **超额收益**：相对于 HS300 的超额收益为 -0.37%[8] 2. Alpha 反转组合 - **累计收益**：本周累计下跌 0.82%[12] - **超额收益**：相对于 HS300 的超额收益为 0.73%[12] 3. 30 只个股 Alpha 动量组合 - **累计收益**：本周累计下跌 2.90%[17] - **超额收益**：相对于 HS300 的超额收益为 -1.34%[17] 4. 30 只个股 Alpha 反转组合 - **累计收益**：本周累计下跌 0.45%[17] - **超额收益**：相对于 HS300 的超额收益为 1.11%[17] 5. 行业 Alpha 动量组合 - **累计收益**：历史实证期间累计涨幅为 150.7%[26] - **超额收益**：相对于上证综指的累计超额收益为 163.89%[26] 6. 行业 Alpha 反转组合 - **累计收益**：历史实证期间累计收益为 328.07%[29] - **超额收益**：相对于沪深 300 的累计超额收益为 307.16%[29] 7. 行业 Alpha 组合（近期表现） - **累计收益**：2024 年 8 月 1 日至 2024 年 8 月 9 日累计下跌 2.77%[30] - **超额收益**：相对于 HS300 的超额收益为 0.44%[30] --- 量化因子与构建方式 1. 因子名称：Alpha 因子 - **因子构建思路**：通过计算股票或行业的超额收益，衡量其相对于基准的表现[25] - **因子具体构建过程**： 1. 计算股票或行业的历史收益率 2. 减去基准指数的收益率，得到超额收益 3. 将超额收益作为 Alpha 因子值，用于排序和选股[25] --- 因子的回测效果 1. Alpha 因子 - **累计收益**：历史实证期间累计收益为 328.07%[29] - **超额收益**：相对于沪深 300 的累计超额收益为 307.16%[29]

量化模型与构建方式 1. 模型名称：综合配置策略 - **模型构建思路**：根据各细分行业的景气度信号，结合拥挤度指标，动态调整行业配置权重，形成综合配置策略[4][66] - **模型具体构建过程**： 1. 每月调仓时，首先根据各行业的景气度信号，筛选出景气上行和景气持平的行业[66] 2. 对景气持平行业的权重设置为景气上行行业的一半，以降低风险[66] 3. 排除拥挤度较高的行业，优先配置拥挤度较低的行业[66] 4. 最终形成综合配置策略[66] - **模型评价**：通过动态调整权重，综合策略在一定程度上规避了高拥挤度行业的波动风险，同时捕捉了景气上行行业的超额收益机会[66] --- 模型的回测效果 综合配置策略 - **最近1个月（2024/7/8-2024/8/6）**：收益1.2%，相对行业等权指数和中证800的超额收益分别为2.4%和2.7%[66][70] - **最近3个月（2024/5/7-2024/8/6）**：收益-7.8%，相对行业等权指数和中证800的超额收益分别为3.6%和2.2%[70] - **最近6个月（2024/2/7-2024/8/6）**：收益8.1%，相对行业等权指数和中证800的超额收益分别为6.4%和7.7%[70] --- 量化因子与构建方式 1. 因子名称：行业景气度因子 - **因子的构建思路**：通过行业内关键指标的边际变化，评估行业景气度的变化趋势[11][28][33][38][43][48][54][58] - **因子具体构建过程**： 1. 收集各行业的核心指标数据，如出口增速、营收增速、价格差等[11][28][33][38][43][48][54][58] 2. 计算指标的边际变化率，判断行业景气度的上行、持平或下行趋势[11][28][33][38][43][48][54][58] 3. 将景气度因子分为三类：景气上行、景气持平、景气下行[11][28][33][38][43][48][54][58] - **因子评价**：景气度因子能够较好地反映行业的基本面变化趋势，为行业配置提供了有效的量化依据[11][28][33][38][43][48][54][58] 2. 因子名称：行业拥挤度因子 - **因子的构建思路**：通过监测行业内资金流入和持仓集中度，评估行业的拥挤程度[62][64] - **因子具体构建过程**： 1. 计算行业内资金流入量和持仓集中度[62][64] 2. 将拥挤度水平与历史数据进行对比，确定当前拥挤度的分位水平[62][64] 3. 标记拥挤度处于滚动3年95%分位阈值以上的行业为高拥挤度行业[62][64] - **因子评价**：拥挤度因子能够有效识别高风险行业，帮助投资者规避潜在的波动风险[62][64] --- 因子的回测效果 行业景气度因子 - **家用电器**：景气度指标边际上行[31] - **光伏**：景气度指标边际上行[35] - **农林牧渔**：景气度指标边际上行[40] - **消费电子**：景气度指标边际上行[45] - **半导体**：景气度指标边际回升[50] - **建筑材料**：水泥景气度指标边际上行[56] - **通信**：通信设备综合景气指标边际上行[60] 行业拥挤度因子 - **交通运输**：拥挤度处于滚动3年95%分位阈值以上[62][64] - **国防军工**：拥挤度处于滚动3年95%分位阈值以上[62][64] - **银行**：拥挤度处于滚动3年95%分位阈值以上[62][64]