量化因子与构建方式 1. **因子名称：日内高频偏度因子** - 构建思路：通过捕捉股票日内收益分布的偏度特征来预测未来收益[13] - 具体构建过程：计算日内收益率的三阶矩标准化后的偏度值，公式为： $$Skew = \frac{E[(r-\mu)^3]}{\sigma^3}$$ 其中$r$为日内收益率，$\mu$为均值，$\sigma$为标准差[13] 2. **因子名称：日内下行波动占比因子** - 构建思路：衡量下行波动在总波动中的占比，反映风险不对称性[19] - 具体构建过程：计算下行收益率的标准差与整体标准差的比值： $$DownVolRatio = \frac{\sqrt{\sum_{r<0}(r-\mu_-)^2/N_-}}{\sigma}$$ $\mu_-$为下行收益均值，$N_-$为下行观测数[19] 3. **因子名称：开盘后买入意愿占比因子** - 构建思路：通过开盘后特定时段的大单买入占比捕捉资金流向[23] - 具体构建过程：统计开盘后30分钟内大单买入金额占总成交金额比例[23] 4. **因子名称：改进GRU(50,2)+NN(10)因子** - 构建思路：结合门控循环单元(GRU)和神经网络(NN)的深度学习模型[14] - 具体构建过程： - 第一层GRU网络处理50个时间步长的输入特征 - 第二层GRU输出2维隐藏状态 - 10层全连接神经网络进行最终预测[14] 5. **因子名称：多颗粒度模型-5日标签因子** - 构建思路：基于双向AGRU网络处理不同时间尺度的价格特征[70] - 具体构建过程： - 输入层接收5日累计收益率作为训练标签 - 双向AGRU网络提取多时间尺度特征 - 注意力机制动态加权特征重要性[70] 因子回测效果 1. **日内高频偏度因子** - 上周多空收益：-0.66% - 8月多空收益：-0.37% - 2025年多空收益：16.9% - 历史IC：0.026 - 2025年IC：0.037[10] 2. **改进GRU(50,2)+NN(10)因子** - 上周多空收益：1.36% - 8月多空收益：2.42% - 2025年多空收益：28.86% - 历史IC：0.066 - 2025年IC：0.045[12] 3. **多颗粒度模型-5日标签因子** - 上周多空收益：1.65% - 8月多空收益：2.68% - 2025年多空收益：44.62% - 历史IC：0.081 - 2025年IC：0.070[12] AI增强组合表现 1. **中证500 AI增强宽约束组合** - 上周超额收益：0.47% - 8月超额收益：0.85% - 2025年超额收益：11.56%[13] 2. **中证1000 AI增强严约束组合** - 上周超额收益：0.39% - 8月超额收益：0.91% - 2025年超额收益：15.66%[92] 模型构建细节 - **优化目标函数**： $$max\sum\mu_{i}w_{i}$$ 其中$w_i$为股票权重，$\mu_i$为预期超额收益[74] - **交易成本假设**：双边3‰的交易成本[75]

量化模型与构建方式 1. **模型名称**：GARP组合 - **模型构建思路**：结合增长（Growth）与合理估值（Reasonable Price）的选股策略，筛选兼具成长性和估值吸引力的股票[5][9][33] - **模型具体构建过程**： 1. 筛选标的：沪深300成分股 2. 成长性指标：选取营收增长率、净利润增长率排名前30%的股票 3. 估值指标：剔除PE_TTM和PB高于行业中位数的股票 4. 综合评分：对剩余股票按成长性与估值加权打分，选取前50只等权配置 - **模型评价**：在平衡成长与估值风险方面表现优异，长期超额收益稳定 2. **模型名称**：PB-盈利优选组合 - **模型构建思路**：通过低市净率（PB）与高盈利（ROE）双重筛选，挖掘低估值的优质企业[5][29][32] - **模型具体构建过程**： 1. 初筛：沪深300成分股中PB分位数低于30%的股票 2. 盈利筛选：ROE连续两年高于行业均值 3. 动态调整：季度调仓，权重按盈利稳定性调整 - **模型评价**：在低估值风格占优时表现突出，但周期敏感性较高 3. **模型名称**：小盘成长组合 - **模型构建思路**：聚焦小市值且具备高成长特征的股票，捕捉市场弹性[5][38][42] - **模型具体构建过程**： 1. 市值筛选：全市场市值后20%的股票 2. 成长指标：营收增长率、研发投入占比综合排名前20% 3. 流动性过滤：剔除日均成交额低于1000万元的股票 4. 等权配置Top 100股票 - **模型评价**：高风险高收益特征显著，需警惕流动性风险 --- 量化因子与构建方式 1. **因子名称**：反转因子 - **因子构建思路**：捕捉短期价格反转效应的技术类因子[5][46][48] - **因子具体构建过程**： $$ \text{Reversal}_t = \frac{P_{t-5} - P_t}{P_{t-5}} $$ 其中$P_{t-5}$为5日前收盘价，$P_t$为当前收盘价，因子值为负表示近期下跌，可能反弹 - **因子评价**：上周全市场多空收益达0.98%，短期有效性显著 2. **因子名称**：SUE因子（标准化意外盈利） - **因子构建思路**：衡量盈利超预期程度的基本面因子[50][51] - **因子具体构建过程**： $$ \text{SUE} = \frac{\text{实际EPS} - \text{预期EPS}}{\sigma(\text{EPS预测误差})} $$ 其中分母为分析师预测的标准差 - **因子评价**：2025年全市场多空收益12.34%，在沪深300中表现最佳 3. **因子名称**：市值因子 - **因子构建思路**：通过市值分层捕捉规模效应[43][44][45] - **因子具体构建过程**： 1. 每月末计算全市场股票总市值 2. 按市值分为10组，多头为最小10%，空头为最大10% 3. 多空收益 = 多头组合收益 - 空头组合收益 - **因子评价**：小市值效应2025年全市场收益达48%，但波动较大 --- 模型的回测效果 | 模型名称 | 周收益率 | 月收益率 | 年收益率 | 超额收益(年) | 跟踪误差 | 最大回撤 | |------------------------|----------|----------|----------|--------------|----------|----------| | GARP组合 | 3.28% | 4.32% | 28.19% | 23.87% | 10.50% | 3.45% | [9][33][34] | PB-盈利优选组合 | 2.86% | 3.52% | 20.53% | 16.21% | 9.83% | 3.71% | [9][29][32] | 小盘成长组合 | 4.87% | 6.74% | 56.37% | -9.38%* | 11.01% | 21.91% | [9][38][42] *注：小盘组合基准为微盘股指数，年化超额收益为负因基准涨幅更高 --- 因子的回测效果 | 因子名称 | 全市场多空收益(周) | 沪深300多空收益(年) | 中证500多空收益(年) | |----------------|--------------------|---------------------|---------------------| | 反转因子 | 0.98% | -2.34% | 12.18% | [46][48][49] | SUE因子 | 0.51% | 23.16% | 4.08% | [50][51][52] | 市值因子 | 2.47% | 2.61% | 15.43% | [43][44][45]

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**：宽基轮动策略 - **模型构建思路**：基于主流宽基指数（沪深300/中证500/中证1000/中证2000）的热度变化率构建轮动策略，捕捉市场情绪驱动的短期超额收益[8][12] - **模型具体构建过程**： 1. 计算每周各宽基成分股的总热度指标（浏览+自选+点击次数之和，归一化为全市场占比后乘以10000）[7] 2. 计算周度热度变化率的2周移动平均（MA2）[9] 3. 每周最后一个交易日买入MA2变化率最大的宽基指数，若为"其他"组则空仓[12] - **模型评价**：策略通过非主流宽基的热度异常变化捕捉市场情绪拐点，但依赖短期行为金融效应[9] 2. **模型名称**：概念热度组合策略 - **模型构建思路**：筛选高热度概念中的低关注个股，利用市场过度反应与滞后效应获取超额收益[29][31] - **模型具体构建过程**： 1. 每周选出热度变化率TOP5的概念，排除流通市值最小的20%股票[29] 2. 从每个概念中分别选取总热度排名最后10的个股构建BOTTOM组合（等权重）[29] 3. 持有周期为一周，动态调仓[31] --- 量化因子与构建方式 1. **因子名称**：个股总热度因子 - **因子构建思路**：通过归一化处理个股的浏览、自选、点击数据，衡量市场关注度[7] - **因子具体构建过程**： $$ \text{总热度} = \left( \frac{\text{浏览+自选+点击次数}}{\text{全市场总次数}} \right) \times 10000 $$ 取值区间[0,10000]，数值越高代表关注度越集中[7] 2. **因子名称**：行业热度变化率因子 - **因子构建思路**：监测申万一级/二级行业的热度边际变化，捕捉行业轮动信号[19][26] - **因子具体构建过程**： 1. 对行业成分股的总热度指标求和[19] 2. 计算周度变化率的MA2平滑值[19] 3. 国防军工行业本周变化率+43.6%（正向最大），煤炭行业-36.2%（负向最大）[26] 3. **因子名称**：概念热度变化率因子 - **因子构建过程**：与行业因子类似，但针对概念板块（如中船系周变化率+134%）[27][29] --- 模型的回测效果 1. **宽基轮动策略**： - 年化收益率8.74%，最大回撤23.5%，2025年收益20.95%[15] 2. **概念BOTTOM组合**： - 年化收益15.71%，最大回撤28.89%，2025年收益29%[31] --- 因子的回测效果 1. **行业热度变化率因子**： - 国防军工（+43.6%）、传媒（+38.2%）、电子（+35.1%）为本周正向TOP3[26] 2. **概念热度变化率因子**： - 中船系（+134%）、脑机接口（+106.5%）、高压氧舱（+100.5%）为本周正向TOP3[29] --- 其他量化指标 1. **估值分位数因子**： - 沪深300/中证500/中证1000的5年估值分位数分别为73%/96%/86%[36] - 银行、电力设备等行业估值分位数>80%，农林牧渔、公用事业<20%[37][39] （注：部分内容如股权激励事件跟踪等未涉及量化模型/因子，故未列出）

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**：基于相似性原理和DTW（动态时间规整）算法，通过比较当前指数行情与历史行情的相似度，筛选相似片段并预测未来涨跌幅[25][26] - **模型具体构建过程**： 1. 计算当前行情与历史片段的DTW距离（弹性度量），筛选距离最小的前N个片段[27][28] 2. 对筛选片段未来5日或1日涨跌幅加权平均（权重为距离倒数），公式： $$\text{预测涨跌幅} = \frac{\sum_{i=1}^N w_i \cdot r_i}{\sum_{i=1}^N w_i}, \quad w_i = \frac{1}{d_i}$$ 其中$d_i$为DTW距离，$r_i$为历史片段未来涨跌幅[15] 3. 引入改进的DTW算法（如Sakoe-Chiba或Itakura边界限制）避免"病态匹配"[29][35] - **模型评价**：在非突发政策市场环境下超额收益稳定，但对宏观政策突变敏感[16] 2. **模型名称：外资择时模型** - **模型构建思路**：利用境外关联资产（富时中国A50期货和南方A50ETF）的价格背离和升贴水信号构建复合择时信号[34] - **模型具体构建过程**： 1. 从富时中国A50期货提取升贴水指标和价格背离指标[34] 2. 从南方A50ETF提取价格背离指标[34] 3. 复合两类资产信号生成最终外资择时信号[34] - **模型评价**：样本外表现优异，多空策略年化收益达18.96%[20] --- 模型的回测效果 1. **DTW择时模型** - 样本外（2022年11月以来）：绝对收益25.79%，超额沪深300收益16.83%，最大回撤21.32%[5][16] - 2024年以来：绝对收益23.98%，超额收益2.76%，最大回撤21.36%，交易胜率53.85%，盈亏比2.93[18][19] 2. **外资择时模型** - 全样本（2014-2024）：多空年化收益18.96%，多头年化14.19%，最大回撤25.69%（多空）/17.27%（多头），日胜率55%[20] - 2024年样本外：多头绝对收益29.11%，最大回撤8.32%[23] --- 量化因子与构建方式 1. **因子名称：大小盘轮动(DTW)** - **因子构建思路**：基于DTW算法比较大小盘指数（如沪深300与中证1000）的相对强弱[15] - **因子具体构建过程**：通过DTW距离筛选历史相似片段，计算未来涨跌幅差异判断轮动方向[15] 2. **因子名称：成长价值轮动(估值比)** - **因子构建思路**：结合PS（市销率）和PCF（市现率）等估值指标判断成长与价值风格相对优势[15] --- 因子的回测效果 1. **大小盘轮动(DTW)** - 2024年信号：持续看多小盘风格[15][19] 2. **成长价值轮动(估值比)** - 最新信号：PS指标看多价值，PCF指标看多成长，综合无明确信号[15]

根据提供的研报内容，该报告主要跟踪了各类量化基金的业绩表现，但未涉及具体的量化模型或因子构建细节。以下是基于文档内容的总结： 量化基金业绩统计 1. **沪深300指增基金** - 本周平均超额收益0.17%，正超额占比82.61%[9] - 近一年跟踪误差中位数3.25%，最大回撤中位数14.03%[9] 2. **中证500指增基金** - 本周平均超额收益0.01%，正超额占比55.71%[9] - 近一年跟踪误差中位数4.77%，超额收益分布呈右偏[9][11] 3. **中证1000指增基金** - 年度超额收益达5.81%，正超额占比95.65%[9] - 跟踪误差中位数5.00%，显著高于其他指增类型[9] 4. **主动量化基金** - 年度平均收益14.99%，正收益占比97.91%[9] - 近一年最大回撤中位数14.03%，收益分布呈现两极分化[9][11] 5. **市场中性策略** - 年度收益1.38%，波动率显著低于权益类策略[9] - 近一年最大回撤中位数3.81%，体现低风险特征[9] 业绩分布特征 - 中证1000指增超额收益分布最分散，沪深300指增最集中[11] - 主动量化基金收益区间跨度最大（-16.52%至123.01%）[9][11] 净值走势分析 - 中证A500指增组合年内超额净值增长最快（2025年4-8月）[20][21] - 市场中性组合净值波动率显著低于主动量化组合[25][28] 注：报告中未提及具体的量化模型构建方法或因子计算过程，主要聚焦于基金产品的业绩归因和横向比较[1][3][29]

量化模型与构建方式 1. **模型名称：股指期货分红点位预测模型** - **模型构建思路**：基于历史数据和成分股分红信息，预测股指期货合约存续期内标的指数的分红点位[9] - **模型具体构建过程**： 1. 对中证500、沪深300、上证50、中证1000指数未来一年分红点位进行预测 2. 计算合约存续期内分红点位占比 3. 公式： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$ 4. 示例：中证500指数在IC2508合约存续期内分红点位预估为2.12，年化基差计算中需叠加该调整项[9][21] 2. **模型名称：期现对冲策略（连续对冲/最低贴水策略）** - **模型构建思路**：通过动态调整期货合约持仓，优化基差收敛收益[44][46] - **模型具体构建过程**： - **连续对冲策略**： 1. 持有季月/当月合约至到期前2日平仓 2. 滚动卖空下一季月/当月合约 3. 现货端持有全收益指数，期货端占用30%资金[44] - **最低贴水策略**： 1. 每日计算所有可交易合约的年化基差 2. 选择贴水幅度最小的合约开仓 3. 持有8个交易日或到期前2日调仓[46] 3. **模型名称：信达波动率指数（Cinda-VIX/SKEW）** - **模型构建思路**：通过期权隐含波动率捕捉市场对波动和尾部风险的预期[61][67] - **模型具体构建过程**： - **Cinda-VIX**： 1. 基于不同期限期权价格计算隐含波动率 2. 反映未来30/60/90/120日的波动预期[61] - **Cinda-SKEW**： 1. 分析虚值看涨/看跌期权IV偏斜 2. 数值>100表明市场担忧尾部风险[67] --- 模型的回测效果 1. **IC对冲策略（2022/7/22-2025/8/8）** - 季月连续对冲：年化收益-1.87%，波动率4.72%，最大回撤-8.34%[48] - 最低贴水策略：年化收益-1.12%，年换手17.15次[48] 2. **IF对冲策略** - 最低贴水策略：年化收益1.36%，2025年以来收益0.80%[51] 3. **IH对冲策略** - 季月连续对冲：年化收益2.04%，净值1.0630[54] 4. **IM对冲策略** - 当月连续对冲：年化收益-6.07%，最大回撤-14.01%[59] --- 量化因子与构建方式 1. **因子名称：分红调整年化基差** - **因子构建思路**：剔除分红影响后的期货合约基差[21] - **因子具体构建过程**： 1. 计算实际基差：合约收盘价 - 指数收盘价 2. 叠加存续期内未实现预期分红 3. 年化处理： $$年化基差 = \frac{实际基差 + 预期分红点位}{指数价格} \times \frac{360}{合约剩余天数}$$[21] 2. **因子名称：VIX期限结构** - **因子构建思路**：反映不同期限波动率预期的斜率[61] - **因子具体构建过程**： 1. 分别计算30/60/90/120日VIX 2. 对比短期与长期VIX差值[61] 3. **因子名称：SKEW极端值** - **因子构建思路**：识别市场对黑天鹅事件的定价[67] - **因子具体构建过程**： 1. 当SKEW>100且处于历史99.7%分位时触发预警 2. 示例：中证1000SKEW达114.07点[68] --- 因子的回测效果 1. **分红调整年化基差（2025/8/8）** - IC当季合约：-10.79%（低于2022年以来中位数）[22] - IH当季合约：-0.12%（从升水转为贴水）[33] 2. **Cinda-VIX（30日）** - 中证500VIX：23.46（处于历史50%分位以下）[61] 3. **Cinda-SKEW** - 沪深300SKEW：109.58（历史99.7%分位）[68]

量化模型与构建方式 1. **模型名称**：万图师AI模型 **模型构建思路**：通过AI模型对指数进行打分，筛选出看涨概率较高的指数，并进一步筛选对应的ETF[6] **模型具体构建过程**： - 对指数进行打分，选取得分在0.8以上的指数[6] - 找到对应的ETF，筛选最近30天日均成交额在3千万元以上的ETF[6] - 同一指数对应的ETF，选取IOPV溢价率较低的ETF[6] **模型评价**：模型通过多维度筛选，结合成交额和溢价率，具有较强的实操性和市场适应性 2. **模型名称**：龙虎榜资金流模型 **模型构建思路**：通过分析龙虎榜资金流入情况，判断行业资金流向[4] **模型具体构建过程**： - 统计当期行业净流入排名，筛选资金流入较多的行业[4] **模型评价**：直接反映市场资金动向，对短期行业走势有较强指示作用 3. **模型名称**：公募基金权益仓位变化模型 **模型构建思路**：通过跟踪公募基金仓位变化，分析市场资金配置动向[4] **模型具体构建过程**： - 统计主动权益类基金的仓位变化[4] - 分析申万行业加仓和减仓情况[4] **模型评价**：反映机构投资者行为，对中长期市场趋势有一定参考价值 4. **模型名称**：ETF份额变化模型 **模型构建思路**：通过跟踪ETF份额变化，分析市场资金偏好[4] **模型具体构建过程**： - 统计各板块ETF份额增长和减少比例[4] **模型评价**：反映市场资金对特定板块的偏好，对行业轮动有参考意义 模型的回测效果 1. **万图师AI模型**： - 看涨概率：综合84%，电力设备84%[4] - ETF筛选结果：中证2000增强ETF（看涨概率93.52%），创业板ETF天弘（看涨概率93.37%）等[7] 2. **龙虎榜资金流模型**： - 当期净流入排名：国防军工1，通信2[4] 3. **公募基金权益仓位变化模型**： - 主动权益类基金仓位：本周89.0%，上周89.0%[4] - 加仓行业：环保（仓位变化0.85%→0.87%）[4] - 减仓行业：机械设备（仓位变化4.02%→3.97%）[4] 4. **ETF份额变化模型**： - 份额增长比例较高：化工[4] - 份额减少比例较高：传媒[4] 量化因子与构建方式 1. **因子名称**：看涨概率因子 **因子构建思路**：通过AI模型对指数进行打分，生成看涨概率[6] **因子具体构建过程**： - 对指数进行AI模型打分，生成看涨概率值[6] **因子评价**：直接反映模型对指数未来走势的预测能力 2. **因子名称**：资金净流入因子 **因子构建思路**：通过龙虎榜数据计算行业资金净流入[4] **因子具体构建过程**： - 统计行业当期资金净流入排名[4] **因子评价**：反映市场资金短期流向，对行业轮动有较强指示作用 3. **因子名称**：ETF份额变化因子 **因子构建思路**：通过ETF份额变化分析市场资金偏好[4] **因子具体构建过程**： - 统计ETF份额增长和减少比例[4] **因子评价**：反映市场资金对特定板块的偏好变化 因子的回测效果 1. **看涨概率因子**： - 看涨概率取值：综合84%，电力设备84%[4] 2. **资金净流入因子**： - 当期净流入排名：国防军工1，通信2[4] 3. **ETF份额变化因子**： - 份额增长比例较高：化工[4] - 份额减少比例较高：传媒[4]

根据提供的金融工程日报内容，该报告主要聚焦市场表现和资金流向监测，未涉及量化模型或因子构建相关内容。以下是可提取的关键市场监测指标： 市场表现指标 1 宽基指数表现 中证500指数跌幅最小（-0.22%），上证50指数跌幅最大（-0.33%）[6] 中证500价值指数逆势上涨0.30%，表现最佳[6] 2 行业表现 建筑（+1.38%）、钢铁（+1.26%）、有色金属（+1.19%）领涨[7] 计算机（-2.13%）、电子（-1.22%）、传媒（-1.03%）领跌[7] 3 概念表现 新疆振兴（+4.90%）、中国铁总（+4.89%）涨幅居前[9] 工业软件（-4.47%）、PEEK材料（-3.81%）跌幅最大[9] 市场情绪指标 1 涨跌停数据 当日涨停74家，跌停2家[13] 昨日涨停股今日平均收益0.75%，跌停股平均亏损2.79%[14] 2 资金情绪指标 封板率67%（较前日降9%），连板率18%（较前日降7%）[17] 资金流向指标 1 两融数据 两融余额20131亿元（融资19989亿/融券142亿）[19] 两融交易占比10.1%（高于近一年均值9.1%）[22] 2 折溢价指标 ETF最大溢价：科创机械ETF +1.80%[24] 大宗交易折价率7.52%（高于半年均值5.75%）[26] 3 股指期货贴水 中证500期货贴水12.72%（处于近一年33%分位）[28] 中证1000期货贴水12.57%（处于近一年47%分位）[28] 机构行为指标 1 机构调研 泰恩康获92家机构调研（周度最高）[30] 2 龙虎榜 机构净买入前三：中欣氟材、国机精工、阿石创[35] 陆股通净买入前三：楚天龙、山河智能、福日电子[36] 注：报告未包含量化模型或因子构建的具体方法论，主要为市场监测数据汇总[1][2][3][4]

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**：国信金工指数增强组合 - **模型构建思路**：以多因子选股为主体，分别构建对标沪深300、中证500、中证1000及中证A500指数的增强组合，通过收益预测、风险控制和组合优化三部分实现稳定超额收益[11] - **模型具体构建过程**： 1. **收益预测**：基于30余个因子（估值、反转、成长等）构建股票收益预测模型 2. **风险控制**：约束行业暴露、风格暴露、个股权重偏离等（如行业中性、市值中性） 3. **组合优化**：采用组合优化模型最大化因子暴露，控制换手率和成分股权重占比[39][40] - **模型评价**：通过MFE组合验证因子有效性，兼顾实际投资约束条件下的稳定性 2. **模型名称**：单因子MFE组合 - **模型构建思路**：在给定基准指数下，通过组合优化最大化单因子暴露，控制行业、风格等约束以检验因子实际有效性[39] - **模型具体构建过程**： - 优化目标函数： $$max\ f^{T}w$$ 约束条件包括： - 风格暴露限制：$$s_{l}\leq X(w-w_{b})\leq s_{h}$$ - 行业偏离限制：$$h_{l}\leq H(w-w_{b})\leq h_{h}$$ - 个股权重偏离限制：$$w_{l}\leq w-w_{b}\leq w_{h}$$ - 成分股权重占比控制：$$b_{l}\leq B_{b}w\leq b_{h}$$ - 禁止卖空及权重上限：$$\mathbf{0}\leq w\leq l$$ - 满仓约束：$$\mathbf{1}^{T}w=1$$[39][40] - **模型评价**：更贴近实际投资场景，避免传统分档检验的偏差 --- 量化因子与构建方式 1. **因子名称**：DELTAROE - **因子构建思路**：衡量企业净资产收益率的同比变化，反映盈利能力的改善[16] - **因子具体构建过程**： $$DELTAROE = ROE_{t} - ROE_{t-1}$$ 其中$$ROE$$为单季度归母净利润*2/（期初归母净资产+期末归母净资产）[16] - **因子评价**：在沪深300和中证A500样本中表现稳健，近期超额收益显著 2. **因子名称**：预期PEG - **因子构建思路**：结合估值与成长性，反映未来盈利增长的性价比[16] - **因子具体构建过程**： $$预期PEG = \frac{PE}{一致预期净利润增长率}$$ 其中PE为滚动市盈率，增长率来自分析师一致预期[16] - **因子评价**：在成长风格占优的市场中表现突出 3. **因子名称**：三个月反转 - **因子构建思路**：捕捉短期价格反转效应[16] - **因子具体构建过程**： $$三个月反转 = -\sum_{i=1}^{60} r_{i}$$ $$r_{i}$$为过去60个交易日的日收益率[16] - **因子评价**：近期在沪深300样本中表现较差，但在中证500中有效性分化 4. **因子名称**：特异度 - **因子构建思路**：衡量个股收益脱离市场共同因子的程度[16] - **因子具体构建过程**： $$特异度 = 1-R^{2}$$ $$R^{2}$$为Fama-French三因子回归的拟合度[16] - **因子评价**：在小盘股样本（如中证1000）中区分度较高 --- 模型的回测效果 1. **国信金工指数增强组合**： - 沪深300增强：本周超额0.86%，本年超额10.78%[13] - 中证500增强：本周超额0.16%，本年超额11.24%[13] - 中证1000增强：本周超额-0.29%，本年超额15.73%[13] - 中证A500增强：本周超额0.29%，本年超额11.42%[13] 2. **单因子MFE组合（沪深300样本）**： - DELTAROE：本周超额0.75%，年化IR 3.98%[18] - 预期PEG：本周超额0.72%，年化IR 3.31%[18] - 三个月反转：本周超额-0.35%，年化IR 1.09%[18] --- 因子的回测效果 1. **DELTAROE因子**： - 沪深300样本：本周超额0.75%，年化IR 3.98%[18] - 中证500样本：本周超额0.07%，年化IR 7.68%[20] - 公募重仓样本：本周超额0.87%，年化IR 3.90%[26] 2. **预期PEG因子**： - 沪深300样本：本周超额0.72%，年化IR 3.31%[18] - 中证A500样本：本周超额0.85%，年化IR 1.77%[24] 3. **三个月反转因子**： - 沪深300样本：本周超额-0.35%，年化IR 1.09%[18] - 中证500样本：本周超额-0.61%，年化IR -0.05%[20] --- 注：所有因子计算方式及测试结果均来自研报原文[16][18][20][24][26]，未包含免责声明或风险提示内容。

根据提供的港股投资周报内容，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**：港股精选组合 - **模型构建思路**：基于分析师推荐事件（盈利预测上调、首次关注、研报标题超预期）构建股票池，再通过基本面和技术面双重筛选[14][15] - **模型具体构建过程**： 1. **事件筛选**：选取分析师上调盈利预测、首次覆盖或标题含"超预期"的股票 2. **基本面筛选**：考察财务指标（如ROE、营收增速） 3. **技术面筛选**：结合股价动量（如250日新高距离）和路径平滑性指标 4. **组合优化**：等权重配置通过筛选的股票，满仓运行并考虑交易费用[15] - **模型评价**：策略在港股市场展现出稳定的超额收益能力，尤其在成长股行情中表现突出[15] 2. **因子名称**：250日新高距离因子 - **因子构建思路**：捕捉股价接近历史高点的动量效应，参考George@2004和欧奈尔CANSLIM理论[20] - **因子具体构建过程**： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中： - \(Closet\)为最新收盘价 - \(ts\_max(Close, 250)\)为过去250日收盘价最大值[22] - **因子评价**：有效识别港股市场中的强势股，但需结合其他指标避免追高风险[20][22] 3. **复合因子名称**：平稳创新高筛选因子 - **因子构建思路**：综合分析师关注度、股价强度、路径平滑性筛选持续创新高股票[22][23] - **因子具体构建过程**： 1. **初筛条件**： - 上市时间>15个月 - 过去6个月≥5份买入/增持研报 - 过去250日涨幅前20% 2. **精细筛选**： - **位移路程比**：$$ \frac{过去120日涨跌幅绝对值}{过去120日日涨跌幅绝对值加总} $$ - **创新高持续性**：过去120日250日新高距离的时序均值[23] 3. **趋势延续性**：过去5日250日新高距离的时序均值[23] --- 模型的回测效果 1. **港股精选组合**（2010-20250630）： - 年化收益：19.11% - 超额收益（vs恒指）：18.48% - IR：1.22 - 最大回撤：23.73%[19] 2. **2025年表现**（截至20250808）： - 绝对收益：51.02% - 超额收益：27.10%[17] --- 因子的回测效果 1. **250日新高距离因子**： - 创新高股票平均250日涨幅：115.5%-1155%（医药板块最高）[22][27] - 筛选出的股票中，医药板块占比最高（20只），科技板块次之（9只）[22][27] 2. **平稳创新高因子**： - 入选股票过去20日平均涨幅：2.1%-54.4%[27] - 位移路程比阈值：需满足前50%分位数[23] --- 关键数据引用 - 组合构建逻辑[14][15] - 250日新高距离公式[22] - 位移路程比计算[23] - 2025年收益数据[17][19] - 创新高股票行业分布[22][27]