根据提供的研报内容，以下是量化因子与模型的详细总结： --- 量化因子与构建方式 1. **因子名称：期限结构** - **构建思路**：通过商品期货近月与次近月合约的价格差异反映市场期限结构特征[35] - **具体构建过程**： $$ \text{因子值} = \log(P_{i,Front}) - \log(P_{i,2}) $$ 其中，$P_{i,Front}$为品种$i$的近月合约收盘价，$P_{i,2}$为次近月合约收盘价[35] 2. **因子名称：对冲压力** - **构建思路**：基于持仓变化与成交量的比率衡量市场对冲压力[35] - **具体构建过程**： $$ \text{因子值} = \frac{\Delta OI_{i,t}}{TV_{i,t}} $$ $\Delta OI_{i,t}$为品种$i$过去20个交易日的持仓变化量，$TV_{i,t}$为同期成交量[35] 3. **因子名称：横截面动量** - **构建思路**：捕捉商品期货过去一段时间的价格趋势[35] - **具体构建过程**： $$ \text{因子值} = R_{i,t-5} $$ $R_{i,t-5}$为品种$i$主连合约前5个交易日的累积收益[35] 4. **因子名称：波动率** - **构建思路**：衡量商品期货的历史价格波动[35] - **具体构建过程**： $$ \text{因子值} = \sqrt{\sigma_{i,t}^2} $$ $\sigma_{i,t}^2$为品种$i$主力合约过去250个交易日收益率的方差[35] 5. **因子名称：价值** - **构建思路**：通过长期价格均值与当前价格的比值评估商品估值[35] - **具体构建过程**： $$ \text{因子值} = \log\left(\frac{MA(P_{i,t},750)}{P_{i,t}}\right) $$ $MA(P_{i,t},750)$为品种$i$过去750个交易日的日均收盘价[35] 6. **因子名称：流动性** - **构建思路**：结合成交额与收益率衡量市场流动性[35] - **具体构建过程**： $$ \text{因子值} = \frac{1}{D} \sum_{d=t-D+1}^{t} \frac{TV\_avg_{i,d}}{|R_{i,d}|} $$ $TV\_avg_{i,d}$为日成交额，$R_{i,d}$为日收益率，$D=20$个交易日[35] 7. **因子名称：偏度** - **构建思路**：统计收益分布的非对称性[35] - **具体构建过程**： $$ \text{因子值} = \text{Skew}(R_{i,t-D:t}) $$ 计算品种$i$过去250个交易日收益的偏度[35] 8. **因子名称：基差动量** - **构建思路**：反映近月与次近月合约收益差异的累积效应[35] - **具体构建过程**： $$ \text{因子值} = \prod_{k=t-D+1}^{t} (1+R_{i,Front,k}) - \prod_{k=t-D+1}^{t} (1+R_{i,2,k}) $$ $R_{i,Front,k}$和$R_{i,2,k}$分别为近月与次近合约日收益，$D=20$[35] --- 因子回测效果 （注：研报未提供具体因子测试结果，仅展示商品因子本周收益表现） - **期限结构因子**：本周收益未披露，今年以来表现未披露[14] - **对冲压力因子**：本周涨幅显著（具体数值未披露）[10] - **波动率因子**：本周跌幅显著[10] - **流动性因子**：本周跌幅显著[10] --- 其他说明 1. **模型部分**：研报未提及具体量化模型，仅描述策略表现（如量化CTA、市场中性等）[16][17] 2. **因子评价**：研报未对因子进行定性评价，仅描述其收益表现[10][14] （注：引用文档范围包括[10][14][16][17][35]，覆盖因子定义、市场表现及策略分析部分）

量化模型与构建方式 1. **多因子模型** - 模型构建思路：基于可转债市场特性，综合多个有效因子构建组合，通过因子IC值和超额收益筛选最优因子组合[4][28] - 模型具体构建过程： 1. 因子筛选：从转股溢价率、纯债溢价率、波动率等18个因子中选取IC均值绝对值较高且稳定的因子[35][38][39] 2. 因子加权：采用IC加权或等权方式合成综合因子得分 3. 组合构建：按因子得分排序选取前20%可转债形成多头组合，周度调仓[28][32] - 模型评价：在偏债/偏股转债中表现分化，需结合市场风格动态调整因子权重[20][23] 量化因子与构建方式 1. **转股溢价率因子** - 构建思路：衡量转债价格相对于转股价值的溢价程度，反映股性特征[3][20] - 具体公式：$$转股溢价率 = (转债价格 - 转股价值)/转股价值 \times 100\%$$[35] - 因子评价：在偏债型转债中IC均值-0.07，与正股联动性弱[38] 2. **纯债溢价率因子** - 构建思路：反映转债价格相对于纯债价值的溢价，体现债性保护[3][20] - 具体公式：$$纯债溢价率 = (转债价格 - 纯债价值)/纯债价值 \times 100\%$$[35] - 因子评价：近一年IC均值-0.09，在低价转债中有效性显著[35][38] 3. **到期收益率(YTM)因子** - 构建思路：衡量持有至到期的年化收益率，适用于偏债型转债[3][20] - 因子评价：近一月IC均值0.08，市场避险情绪下表现突出[35] 4. **隐含波动率因子** - 构建思路：通过期权定价模型反推的波动率，反映市场预期[3][20] - 因子评价：近一年IC均值-0.07，与正股波动率存在差异[35][39] 5. **双低因子** - 构建思路：结合价格与转股溢价率的复合因子，公式：$$双低值 = 转债价格 + 转股溢价率 \times 100$$[20][35] - 因子评价：在偏股型转债中近一月多空收益达5.91%[39] 6. **正股联动因子组** - 包含子因子： - 日均振幅差：$$(转债振幅 - 正股振幅)/正股振幅$$[35] - 涨幅差：转债日收益率 - 正股日收益率[35] - 相关性：转债与正股60日收益率相关系数[35] - 因子评价：偏股型转债中IC均值0.11，股性强时有效性高[39] 模型回测效果 1. **多因子模型** - 2024年5月收益率2.65%，2024年以来累计收益4.46%[28][31] - 2023年以来年化收益20.10%，最大回撤未披露[30] 因子回测效果 1. **全市场转债因子** - 波动率因子：近一月IC均值0.04，多头收益4.72%[35] - 动量因子：近一月IC均值-0.10，但多空收益1.53%[35] 2. **偏债型转债因子** - 双低因子：近一月IC均值-0.10，多头超额收益1.75%[38] - 到期收益率：近一年IC均值0.09，多空收益12.70%[38] 3. **偏股型转债因子** - 纯债溢价率：近一月IC均值0.09，多空收益4.46%[39] - 日均振幅差：近一月IC均值0.12，多空收益8.63%[39] 4. **混合型转债因子** - 到期收益率：近一年IC均值0.07，多空收益20.31%[41] - 双低因子：近一年IC均值-0.10，多空收益20.23%[41]

量化模型与构建方式 1 模型名称：时序动量模型 模型构建思路：通过计算资产价格在一定时间窗口内的收益率来衡量其动量强度[1] 模型具体构建过程： - 选取时间窗口（如20日、60日等）计算收益率 - 对收益率进行标准化处理 - 根据标准化得分生成交易信号 模型评价：简单有效，但对市场转折点反应滞后[1] 2 模型名称：截面动量模型 模型构建思路：在同一时间截面上比较不同资产的动量强度，选择相对强势品种[1] 模型具体构建过程： - 计算各资产同一时间窗口内的收益率 - 对所有资产收益率进行横截面排序 - 选择排名前N%的资产做多，后N%的资产做空 模型评价：能捕捉板块轮动机会，但需要合理设置阈值[1] 3 模型名称：期限结构模型 模型构建思路：利用期货合约近远月价差反映市场供需预期[1] 模型具体构建过程： - 计算近月合约与远月合约的价格差 - 对价差进行标准化处理 - 根据标准化得分生成交易信号 模型评价：对库存周期敏感，适合商品市场[1] 4 模型名称：持仓量模型 模型构建思路：通过监测持仓量变化捕捉资金流向[1] 模型具体构建过程： - 计算持仓量的N日移动平均 - 监测持仓量突破均线的方向 - 结合价格走势确认交易信号 模型评价：对趋势延续性有较好指示作用[1] 量化因子与构建方式 1 因子名称：供给因子 因子构建思路：通过产能利用率等指标反映供给端变化[3] 因子具体构建过程： - 收集甲醇装置开工率等数据 - 计算标准化得分 - 生成多空信号 2 因子名称：需求因子 因子构建思路：通过价格和成交量等指标反映需求强弱[3] 因子具体构建过程： - 监测冰醋酸日度出厂价等指标 - 计算变化率 - 生成多空信号 3 因子名称：库存因子 因子构建思路：通过港口库存变化反映供需平衡[3] 因子具体构建过程： - 监测甲醇港口库存数据 - 计算库存变化率 - 生成多空信号 4 因子名称：价差因子 因子构建思路：通过区域价差和基差反映市场结构[3] 因子具体构建过程： - 计算华东-沙河区域价差 - 监测主连基差变化 - 生成多空信号 5 因子名称：利润因子 因子构建思路：通过生产工艺利润反映行业景气度[7] 因子具体构建过程： - 计算管道气制浮法玻璃日度收入 - 监测利润变化方向 - 生成多空信号 模型的回测效果 1 时序动量模型，黑色板块信号强度1.46，有色板块0.85，能化板块-0.38，农产品板块-0.6，股指板块0.06，贵金属板块1.01[4] 2 截面动量模型，黑色板块信号强度0.33，有色板块2.49，能化板块0，农产品板块0.81，股指板块0.78[4] 3 期限结构模型，黑色板块信号强度1.1，有色板块0.83，能化板块1.03，农产品板块1.83，股指板块-0.25[4] 4 持仓量模型，黑色板块信号强度0.33，有色板块0.92，能化板块1.46，农产品板块-1.82，股指板块1.37，贵金属板块2.56[4] 因子的回测效果 1 供给因子，上周收益0%，当月收益1.06%[2] 2 需求因子，上周收益-0.02%，当月收益0.03%[2] 3 价差因子，上周收益0%，当月收益0.2%[2] 4 大类累加因子，上周收益-0.04%，当月收益0.48%[2]

根据提供的金融衍生品周度报告内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：动量时序因子**[4][5] * **因子评价**：报告指出该因子近期表现走强[5] 2. **因子名称：动量截面因子**[4][5] * **因子评价**：报告指出该因子近期小幅走弱[5] 3. **因子名称：波动率因子**[4][5] * **因子评价**：报告指出该因子近期表现走强[5] 4. **因子名称：期限结构因子**[4][5] * **因子评价**：报告指出该因子近期小幅走弱[5] 5. **因子名称：偏度因子**[22][23] 6. **因子名称：价值因子**[22][23] 7. **因子名称：ALPHA因子**[5] 8. **因子名称：分红因子**[5] 9. **因子名称：私募市场策略拥挤度因子**[6] 量化模型与构建方式 1. **模型名称：Barra因子模型**[5] * **模型构建思路**：该模型用于分析市场风格，涉及多种风格因子[5] * **模型具体构建过程**：报告中提及了周期、消费、稳定、成长等风格因子，并通过模型评分变化来评估风格偏好[5] 2. **模型名称：五风格择时策略**[5] * **模型构建思路**：基于风格判断进行择时的策略模型[5] 3. **模型名称：CTA类FOF组合**[5][16] * **模型构建思路**：构建一个投资于管理期货（CTA）策略的基金中的基金（FOF）组合[5][16] 4. **模型名称：全策略FOF组合**[5][16] * **模型构建思路**：构建一个跨越大类资产（如债券、股票等）的基金中的基金（FOF）组合[5][16] 模型的回测效果 1. **五风格择时策略**，截至2024/5/17当周收益率为-0.51%[5] 2. **CTA类FOF组合**，截至2024/5/10当周涨跌幅为-0.97%，累计超额收益率为3.57%[5][16] 3. **全策略FOF组合**，截至2024/5/10当周涨跌幅为0.13%，累计超额收益率为10.88%[5][16] 因子的回测效果 1. **ALPHA因子**，截至2024/5/17当周超额收益率为2.63%[5] 2. **分红因子**，截至2024/5/17当周超额收益率为2.63%[5] 3. **动量时序因子**，近期表现走强[5] 4. **动量截面因子**，近期小幅走弱[5] 5. **波动率因子**，近期表现走强[5] 6. **期限结构因子**，近期小幅走弱[5]

- 本次研报未涉及量化模型或量化因子的构建、测试及相关内容[1][3][4]

量化因子与构建方式 单因子表现 - **因子名称**：下行波动率占比 **因子的构建思路**：衡量股票收益的下行风险占比 **因子具体构建过程**：通过计算股票收益的下行波动率占总波动率的比例，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：成交量的5日指数移动平均 **因子的构建思路**：捕捉短期成交量变化趋势 **因子具体构建过程**：计算股票成交量的5日指数移动平均值，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：5日成交量的标准差 **因子的构建思路**：衡量短期成交量波动性 **因子具体构建过程**：计算股票成交量在过去5日内的标准差，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[8][9] - **因子名称**：市盈率TTM倒数 **因子的构建思路**：衡量股票的估值水平 **因子具体构建过程**：计算股票市盈率的TTM倒数，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[11][12] - **因子名称**：动量弹簧因子 **因子的构建思路**：捕捉股票价格的动量反转特性 **因子具体构建过程**：通过计算股票价格的动量弹簧特性，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[14][15] 大类因子表现 - **因子名称**：杠杆因子 **因子的构建思路**：衡量公司资产负债率对股票收益的影响 **因子具体构建过程**：通过计算公司杠杆率，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] - **因子名称**：Beta因子 **因子的构建思路**：衡量股票相对于市场的系统性风险 **因子具体构建过程**：通过计算股票的Beta值，剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] - **因子名称**：盈利因子 **因子的构建思路**：衡量公司盈利能力对股票收益的影响 **因子具体构建过程**：通过计算公司盈利指标（如ROE、净利润率等），剔除行业与市值影响后，构造多头组合相对于基准指数的超额收益[17] 因子的回测效果 单因子表现 - **下行波动率占比**：沪深300股票池最近1周收益1.26%[8][9] - **成交量的5日指数移动平均**：沪深300股票池最近1周收益1.02%[8][9] - **5日成交量的标准差**：沪深300股票池最近1周收益0.91%[8][9] - **市盈率TTM倒数**：中证500股票池最近1周收益1.55%[11][12] - **动量弹簧因子**：流动性1500股票池最近1周收益1.19%[14][15] 大类因子表现 - **杠杆因子**：全市场股票池最近1周收益0.36%[17] - **Beta因子**：全市场股票池最近1周收益0.29%[17] - **盈利因子**：全市场股票池最近1周收益0.27%[17] 量化组合与构建方式 PB-ROE-50组合 - **模型名称**：PB-ROE-50组合 **模型构建思路**：基于市净率（PB）和净资产收益率（ROE）筛选股票 **模型具体构建过程**：选取PB和ROE指标排名前50的股票构建组合，按月调仓，剔除行业与市值影响后，计算超额收益[24][25] 大宗交易组合 - **模型名称**：大宗交易组合 **模型构建思路**：基于大宗交易成交金额比率和成交金额波动率筛选股票 **模型具体构建过程**：选取大宗交易成交金额比率高、成交金额波动率低的股票，按月调仓，剔除行业与市值影响后，计算超额收益[29][30] 定向增发组合 - **模型名称**：定向增发组合 **模型构建思路**：基于定向增发事件效应筛选股票 **模型具体构建过程**：以股东大会公告日为时间节点，综合考虑市值因素、调仓周期及仓位控制，构建组合，剔除行业与市值影响后，计算超额收益[34][35] 组合的回测效果 PB-ROE-50组合 - 中证500股票池本周超额收益-0.88%[24][25] - 中证800股票池本周超额收益-0.54%[24][25] - 全市场股票池本周超额收益-0.39%[24][25] 大宗交易组合 - 本周超额收益-0.14%[29][30] 定向增发组合 - 本周超额收益-1.44%[34][35]

量化模型与构建方式 上证综指ETF（510760） 1. **模型名称**：上证综指ETF（510760） 2. **模型构建思路**：采用抽样复制的方法，紧密跟踪上证综指，同时获取稳健超额收益[4][59] 3. **模型具体构建过程**： - **抽样复制方法**：在构建ETF组合的持仓时，通过约束组合相对基准的风格偏离，同时最小化组合跟踪误差的方法优化组合持仓[63] - **分层抽样法**：根据成份股的特征进行分层，然后在每一层内选取代表性成份股，最后形成投资组合的抽样方法[63] - **最优化抽样复制法**：通过控制组合风险暴露的方式，使得目标组合与基准指数在指定风格上的暴露保持一致，从而达到控制跟踪误差的方法[63] - **实际操作**：上证综指ETF在实际管理过程中采用抽样复制的方法，历史各期平均持股数量为194只，持股数量占同期上证综指的成分股数量比例平均为10.56%[65] 4. **模型评价**：上证综指ETF自成立以来，各完整年度相对基准均能取得超额收益，并且年化跟踪误差较小[71] 模型的回测效果 1. **上证综指ETF** - **年化超额收益**：4.39%[59] - **近三年累计超额收益**：18.39%[59] - **成立以来累计超额收益**：15.98%[59] - **年化跟踪误差**：3.65%[71] 量化因子与构建方式 上证综指 1. **因子名称**：上证综指 2. **因子的构建思路**：采用总市值加权，剔除风险警示股，延迟新股纳入，纳入科创板证券[1][12][16] 3. **因子具体构建过程**： - **总市值加权**：上证综指采用总市值加权，由于央国企的特殊属性，自由流通市值占总市值的比例相对较低，采用总市值加权使得上证综指中中字头以及央国企的占比更高[1][19] - **剔除风险警示股**：修订后的上证综指剔除被实施风险警示(ST、*ST)的股票[15] - **延迟新股纳入**：新股上市满1年后计入指数，大市值新股上市满3个月后计入[15] - **纳入科创板证券**：修订后的上证综指纳入由红筹企业发行的存托凭证以及科创板上市证券[16] 4. **因子评价**：修订后的上证综指能更好地体现我国产业结构的变迁与升级，对宏观经济的代表性有所提升[18] 因子的回测效果 1. **上证综指** - **市盈率**：13.82[42] - **市净率**：1.26[42] - **股息率**：处于历史均值+1倍标准差以上水平[46] - **净利润增速**：2023年为7.08%，预计2024年和2025年分别为12.60%和9.47%[47] - **营业收入增速**：2023年为2.98%，预计2024年和2025年分别为7.29%和0.96%[47] - **前十大权重股占比**：22.93%[50] - **年化收益率**：-1.35%（2020年7月22日至2024年5月10日）[52] - **年化夏普比**：-0.02（2020年7月22日至2024年5月10日）[52] - **年化波动率**：14.78%（2020年7月22日至2024年5月10日）[52] - **最大回撤**：-27.27%（2020年7月22日至2024年5月10日）[52]

- 本报告未涉及量化模型或量化因子的构建内容[2][6][84]

量化模型与构建方式 1. 模型名称：黄金价格择时模型 - **模型构建思路**：基于定性分析筛选出符合逻辑的黄金定价指标，并对细分因子的择时能力进行统一定量测试，最终将有效的金价择时指标进行复合，构建系统化的黄金价格择时模型[12][29] - **模型具体构建过程**： 1. 选取8个细分指标，分别为：美国10年期盈亏平衡通胀率、CRB现货指数、美国联邦政府财政赤字、实际利率、地缘政治风险指数、央行购金总规模、SPDR ETF持有量、CFTC黄金投机净多仓[13][14][15][29] 2. 每个指标分别给出是否买入黄金的配置信号，各期取均值作为最终的打分 3. 复合打分≥0.5则买入黄金，否则空仓[29] - **模型评价**：策略收益及风险表现均优于黄金多头，具有较好的择时能力[29] 2. 模型名称：基于技术面的反转类择时策略 - **模型构建思路**：通过MACD指标及股价背离形成买卖点，捕捉反转信号[31] - **模型具体构建过程**： 1. 基于DIF线与股价的背离形成买卖点 2. 基于MACD柱形图在一笔内所占面积与股价的背离形成买卖点 3. 基于一笔终点所在MACD柱形图面积与股价的背离形成买卖点[31] - **模型评价**：在2021至2024年初的测试中，该策略在黄金ETF中表现较好，收益和风险指标均优于等权基准[32] 3. 模型名称：基于技术面的趋势类择时策略 - **模型构建思路**：通过股价最高价与最低价的变化趋势，结合OLS回归分析，捕捉趋势信号[33] - **模型具体构建过程**： 1. 对每日最高价与最低价进行OLS回归分析，得到每日的β值 2. 滚动计算β值的均值与标准差 3. 当β大于当日均值+一倍标准差时，认为进入突破趋势并开仓；当β小于当日均值-一倍标准差时，认为退出趋势并平仓[34] - **模型评价**：上一轮趋势信号在黄金ETF上表现良好，区间收益显著[34] --- 模型的回测效果 1. 黄金价格择时模型 - **累计收益**：122.44% - **年化收益**：10.14% - **最大回撤**：18.44% - **年化波动率**：11.90% - **年化Sharpe比率**：0.85 - **Calmar比率**：0.55[28][29] 2. 基于技术面的反转类择时策略 - **年化收益**：10.9% - **最大回撤**：7.54% - **波动率**：9.58% - **夏普比率**：1.1372 - **95%VaR**：0.91%[32] 3. 基于技术面的趋势类择时策略 - **区间收益**：11.36%（上一轮趋势信号在3月11日至4月16日的表现）[34] --- 量化因子与构建方式 1. 因子名称：美国10年期盈亏平衡通胀率 - **因子构建思路**：反映通胀预期，黄金具有通胀保值属性[13][16] - **因子具体构建过程**：当通胀预期上行，即最新值高于过去2月均值时，买入黄金，否则空仓[16] 2. 因子名称：CRB现货指数 - **因子构建思路**：反映大宗商品价格走势，与黄金价格呈正相关[13][16] - **因子具体构建过程**：当CRB现货指数最新值高于过去2月均值时，买入黄金，否则空仓[16] 3. 因子名称：美国联邦政府财政赤字 - **因子构建思路**：作为美元信用的度量指标，赤字扩张时黄金价格存在向上动能[13][18] - **因子具体构建过程**：当财政赤字最新值高于过去3月均值时，买入黄金，否则空仓[18] 4. 因子名称：实际利率 - **因子构建思路**：实际利率反映持有黄金的机会成本，与黄金价格呈负相关[14][20] - **因子具体构建过程**：当实际利率下行时，买入黄金，否则空仓[20] 5. 因子名称：美元指数 - **因子构建思路**：美元指数反映美元信用，与黄金价格呈负相关[14][20] - **因子具体构建过程**：当美元指数下行时，买入黄金，否则空仓[20] 6. 因子名称：地缘政治风险指数 - **因子构建思路**：反映市场避险情绪，当风险上升时黄金投资需求增加[15][23] - **因子具体构建过程**：当地缘政治风险指数上行时，买入黄金，否则空仓[23] 7. 因子名称：央行购金总规模 - **因子构建思路**：央行购金是黄金需求的重要来源，购金增加时金价上行[15][25] - **因子具体构建过程**：当央行购金总规模上升时，买入黄金，否则空仓[25] 8. 因子名称：SPDR ETF持有量 - **因子构建思路**：作为全球最大的黄金ETF，其持有量对金价具有较强的预测能力[15][25] - **因子具体构建过程**：当SPDR ETF持有量上升时，买入黄金，否则空仓[25] 9. 因子名称：CFTC黄金投机净多仓 - **因子构建思路**：反映市场投机情绪，净多仓增加时金价上行[15][25] - **因子具体构建过程**：当CFTC黄金投机净多仓上升时，买入黄金，否则空仓[25] --- 因子的回测效果 1. 美国10年期盈亏平衡通胀率 - **方向**：正相关[13][28] 2. CRB现货指数 - **方向**：正相关[13][28] 3. 美国联邦政府财政赤字 - **方向**：正相关[13][28] 4. 实际利率 - **方向**：负相关[14][28] 5. 美元指数 - **方向**：负相关[14][28] 6. 地缘政治风险指数 - **方向**：正相关[15][28] 7. 央行购金总规模 - **方向**：正相关[15][28] 8. SPDR ETF持有量 - **方向**：正相关[15][28] 9. CFTC黄金投机净多仓 - **方向**：正相关[15][28]

量化模型与构建方式 1. 模型名称：沪深300指数成分股调整预测模型 - **模型构建思路**：基于中证指数公司发布的指数编制规则，通过对样本空间内证券的交易数据和财务数据进行筛选，预测沪深300指数成分股的调整情况[11][13] - **模型具体构建过程**： 1. **样本空间定义**：包括非ST、*ST的沪深A股和红筹企业发行的存托凭证，科创板和创业板证券需上市时间超过一年，其他证券需上市时间超过一个季度，除非其日均总市值排在前30位[11] 2. **选样方法**： - 按过去一年的日均成交金额由高到低排名，剔除排名后50%的证券 - 对剩余证券按过去一年的日均总市值由高到低排名，选取前300名作为指数样本[11] 3. **缓冲区规则**： - 日均总市值排名在前240名的候选新样本优先进入 - 日均总市值排名在前360名的老样本优先保留[11] 4. **调整数量**：每次调整的样本比例一般不超过10%[11] 2. 模型名称：中证500指数成分股调整预测模型 - **模型构建思路**：同样基于中证指数公司发布的指数编制规则，通过对样本空间内证券的交易数据和财务数据进行筛选，预测中证500指数成分股的调整情况[11][17] - **模型具体构建过程**： 1. **样本空间定义**：剔除沪深300指数样本及过去一年日均总市值排名前300的证券，剩余证券需满足非ST、*ST等条件[11] 2. **选样方法**： - 按过去一年的日均成交金额由高到低排名，剔除排名后20%的证券 - 对剩余证券按过去一年的日均总市值由高到低排名，选取前500名作为指数样本[11] 3. **缓冲区规则**： - 日均成交金额排名在样本空间剩余证券前90%的老样本可参与下一步排名 - 日均总市值排名在前400名的候选新样本优先进入 - 日均总市值排名在前600名的老样本优先保留[11] 4. **调整数量**：每次调整的样本比例一般不超过10%[11] 模型评价 - **沪深300指数成分股调整预测模型**：模型规则清晰，能够较好地反映市场中大市值、高流动性股票的变化趋势[11][13] - **中证500指数成分股调整预测模型**：模型在剔除沪深300成分股后，能够有效捕捉中等市值股票的动态变化，适合中盘股投资者参考[11][17] --- 模型的回测效果 1. 沪深300指数成分股调整预测模型 - **调入效应**：未发现显著的正超额收益[5][23] - **调出效应**：在调整日之前具有负的超额收益[5][23] 2. 中证500指数成分股调整预测模型 - **调入效应**：在调整日之前具有显著的正超额收益[5][23] - **调出效应**：在调整日之前具有负的超额收益[5][23] --- 量化因子与构建方式 1. 因子名称：调入效应因子 - **因子的构建思路**：基于成分股调整前后的事件收益特征，提取调入样本在调整日前的超额收益作为因子[5][23] - **因子具体构建过程**： 1. 统计2010年以来所有调整周期内沪深300和中证500指数调入样本在调整日前60个交易日的累计超额收益 2. 计算调入样本相对于指数本身的超额收益表现[23] 2. 因子名称：调出效应因子 - **因子的构建思路**：基于成分股调整前后的事件收益特征，提取调出样本在调整日前的超额收益作为因子[5][23] - **因子具体构建过程**： 1. 统计2010年以来所有调整周期内沪深300和中证500指数调出样本在调整日前60个交易日的累计超额收益 2. 计算调出样本相对于指数本身的超额收益表现[23] 因子评价 - **调入效应因子**：中证500指数的调入效应因子表现显著，能够为投资者提供正向收益的参考依据[5][23] - **调出效应因子**：沪深300和中证500指数的调出效应因子均表现为负，能够为投资者提供风险规避的参考[5][23] --- 因子的回测效果 1. 调入效应因子 - **沪深300指数**：未发现显著的正超额收益[5][23] - **中证500指数**：在调整日前呈现显著的正超额收益[5][23] 2. 调出效应因子 - **沪深300指数**：在调整日前呈现负的超额收益[5][23] - **中证500指数**：在调整日前呈现负的超额收益[5][23]