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。以下是可提取的核心市场监测指标： 市场情绪指标 1 封板率计算方式： 封板率=最高价涨停且收盘涨停的股票数/最高价涨停的股票数[17] 当日封板率77%[17] 2 连板率计算方式： 连板率=连续两日收盘涨停的股票数/昨日收盘涨停的股票数[17] 当日连板率23%[17] 资金流向指标 1 两融数据： - 两融余额18,169亿元（融资18,052亿/融券117亿）[19] - 占流通市值比重2.3%[22] - 交易占比8.5%[22] 2 大宗交易： - 近半年日均成交13亿元[26] - 当日成交14亿元[26] - 平均折价率5.52%[26] - 当日折价率4.78%[26] 折溢价指标 1 ETF折溢价： - 智能汽车ETF溢价0.61%[23] - 新材料50ETF折价0.56%[23] 2 股指期货年化贴水率： $$年化贴水率=基差/指数价格*(250/合约剩余交易日数)$$[28] - 上证50：4.96%（36%分位）[28] - 沪深300：5.25%（38%分位）[28] - 中证500：9.50%（46%分位）[28] - 中证1000：12.79%（49%分位）[28] 机构行为指标 1 机构调研： - 京北方获79家机构调研[31] 2 龙虎榜： - 机构净流入前三：光迅科技/国轩高科/安妮股份[35] - 陆股通净流入前三：冰川网络/光迅科技/湘财股份[36]

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**：高景气成长与红利策略轮动模型 **模型构建思路**：通过多因子信号动态调整高景气成长与红利资产的配置比例[56] **模型具体构建过程**： - 选取五个有效信号因子：期限利差、社融增速、CPI与PPI四象限、美债利率、资金博弈（ETF/险资/外资） - 每月末对各因子进行标准化处理并计算均值作为综合打分 - 根据打分结果决定配置方向（高景气成长或红利资产） **模型评价**：能够捕捉市场风格切换，实现超额收益[56] 2. **模型名称**：黄金择时模型 **模型构建思路**：结合抗通胀属性、金融属性、避险属性等多维度指标构建黄金配置信号[23] **模型具体构建过程**： - 采用6大类指标： 1. 抗通胀属性（美国10年期盈亏平衡通胀率） 2. 金融属性（实际利率） 3. 货币属性（财政赤字、商业银行总负债） 4. 避险属性（经济政策不确定性指数） 5. 资金面（CFTC黄金投机净多仓） 6. 需求属性（央行购金量） - 各指标标准化后加权计算综合得分 - 设置阈值触发买入/卖出信号[23][26] 量化因子与构建方式 1. **因子名称**：期限利差因子 **因子构建思路**：反映货币政策松紧对市场风格的影响[56] **因子具体构建过程**： $$ 期限利差 = 10年期国债收益率 - 1年期国债收益率 $$ **因子评价**：利差收窄时红利风格占优[56] 2. **因子名称**：社融增速因子 **因子构建思路**：衡量信用扩张对成长股的推动作用[56] **因子具体构建过程**： $$ 社融增速 = \frac{当月社融存量}{去年同期社融存量} - 1 $$ **因子评价**：增速提升时高景气成长风格占优[56] 3. **因子名称**：CPI-PPI四象限因子 **因子构建思路**：通过物价组合判断经济周期阶段[56] **因子具体构建过程**： - 划分四象限： 1. CPI↑PPI↑（过热期） 2. CPI↑PPI↓（滞胀期） 3. CPI↓PPI↓（衰退期） 4. CPI↓PPI↑（复苏期） **因子评价**：不同象限对应不同优势风格[56] 模型的回测效果 1. **高景气成长与红利轮动模型**： - 年化收益：14.86% - 最大回撤：27.08% - 年化波动率：23.20% - 年化Sharpe：0.64[56] 2. **黄金择时模型**： - 当前信号：买入（综合得分1）[23] - 技术面支撑位：3150美元[23] 因子的回测效果 1. **期限利差因子**： - 2025年6月信号：支持红利配置[56] 2. **社融增速因子**： - 最新值：8.7%（同比多增2271亿元）[37] 3. **CPI-PPI四象限因子**： - 当前状态：CPI-0.1%、PPI-3.3%（双负区间）[37]

量化模型与构建方式 1. **模型名称：全球资产BL模型1** - 模型构建思路：基于Black-Litterman框架，结合主观观点与量化配置模型，优化资产配置权重[12] - 模型具体构建过程： 1. 选择标的资产（沪深300、恒生指数、标普500、国债指数、企业债指数、南华商品指数）[13] 2. 通过贝叶斯理论将主观观点与历史数据结合，计算资产预期收益 3. 优化权重分配，解决均值-方差模型对预期收益敏感的问题 - 模型评价：有效平衡主观判断与量化分析，容错性较高[12] 2. **模型名称：全球资产BL模型2** - 模型构建思路：与BL模型1类似，但采用不同的参数设定或观点输入方式[13] - 模型具体构建过程：同BL模型1，差异体现在权重优化环节[13] 3. **模型名称：国内资产BL模型1** - 模型构建思路：针对国内资产（股票、债券、转债、商品、黄金）的BL模型变体[13] - 模型具体构建过程： 1. 标的资产包括沪深300、中证1000、恒生指数、国债指数、企业债指数、中证转债、南华商品指数、SHFE黄金[13] 2. 通过BL框架计算风险调整后权重 4. **模型名称：国内资产BL模型2** - 模型构建思路：国内BL模型的另一种参数化版本[13] - 模型具体构建过程：同国内BL模型1，差异在权重分配逻辑[13] 5. **模型名称：全球资产风险平价模型** - 模型构建思路：使每类资产对组合风险贡献相等，降低单一资产波动影响[17] - 模型具体构建过程： 1. 选择标的资产（沪深300、标普500、恒生指数、企业债指数、南华商品指数、COMEX黄金）[18] 2. 计算资产波动率及相关性，优化权重使风险贡献均衡[17] - 模型评价：适应复杂市场环境，波动控制较好[16] 6. **模型名称：国内资产风险平价模型** - 模型构建思路：针对国内资产的风险平价实现[18] - 模型具体构建过程：标的资产与国内BL模型相同，优化方法同全球风险平价模型[18] 7. **模型名称：基于宏观因子的资产配置模型** - 模型构建思路：通过增长、通胀等六大宏观因子驱动配置决策[22] - 模型具体构建过程： 1. 构造高频宏观因子（Factor Mimicking Portfolio方法）[23] 2. 计算资产因子暴露，结合主观观点调整目标暴露 3. 反解得到权重，公式： $$ \text{目标权重} = f(\text{基准暴露} + \text{主观偏离值}) $$ - 模型评价：将宏观研究与量化配置结合，灵活性高[22] --- 模型的回测效果 1. **全球资产BL模型1** - 上周收益：0.15% | 6月收益：0.49% | 2025年收益：0.04% - 年化波动：2.09% | 最大回撤：1.64%[14] 2. **全球资产BL模型2** - 上周收益：0.12% | 6月收益：0.45% | 2025年收益：0.72% - 年化波动：1.83% | 最大回撤：1.28%[14] 3. **国内资产BL模型1** - 上周收益：0.01% | 6月收益：0.55% | 2025年收益：1.52% - 年化波动：2.36% | 最大回撤：1.31%[14] 4. **国内资产BL模型2** - 上周收益：0.02% | 6月收益：0.47% | 2025年收益：1.53% - 年化波动：2.10% | 最大回撤：1.06%[14] 5. **全球资产风险平价模型** - 上周收益：0.10% | 6月收益：0.43% | 2025年收益：1.86% - 年化波动：1.86% | 最大回撤：1.20%[21] 6. **国内资产风险平价模型** - 上周收益：0.10% | 6月收益：0.50% | 2025年收益：2.24% - 年化波动：1.62% | 最大回撤：0.76%[21] 7. **基于宏观因子的资产配置模型** - 上周收益：0.09% | 6月收益：0.62% | 2025年收益：2.20% - 年化波动：1.49% | 最大回撤：0.64%[28] --- 量化因子与构建方式 （注：报告中未明确提及独立因子构建，仅宏观因子作为模型输入[23]） --- 因子的回测效果 （无相关内容）

根据提供的金融工程日报内容，该报告主要涉及市场表现、情绪指标和资金流向的统计分析，但未提及具体的量化模型或因子构建方法。以下是可提取的核心量化指标总结： 市场情绪指标 1. **封板率计算模型** 构建思路：反映涨停股的封板稳定性[17] 构建过程： $$封板率=\frac{最高价涨停且收盘涨停股票数}{最高价涨停股票数}$$ 评价：高频交易中可捕捉短线情绪极端值 2. **连板率计算模型** 构建思路：监测涨停股持续性[17] 构建过程： $$连板率=\frac{连续两日收盘涨停股票数}{昨日收盘涨停股票数}$$ 评价：有效识别题材炒作强度 资金流向指标 1. **股指期货贴水率模型** 构建思路：量化期现套利空间[28] 构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 评价：反映市场对远期走势预期 指标测试结果 1. **封板率指标** 当日值：77%（较前日+1%）[17] 近一月波动范围：未披露具体数值 2. **连板率指标** 当日值：38%（较前日+15%）[17] 近一月波动范围：未披露具体数值 3. **股指期货贴水率** - 上证50：4.65%（36%分位）[28] - 沪深300：6.13%（36%分位）[28] - 中证500：11.22%（40%分位）[28] - 中证1000：14.59%（40%分位）[28] 注：报告中未涉及多因子模型、阿尔法策略等复杂量化模型构建，主要提供市场监测类指标的计算方法[17][28]

根据研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **主动偏股基金仓位高频估测模型** - 模型构建思路：基于基金每日披露的净值序列，利用带约束条件的多元回归模型，在基准或构建的其他资产序列组成的自变量中寻找基金仓位的最优估计结果[67]。 - 模型具体构建过程： 1. 以基金净值序列为因变量，基准或构建的资产序列为自变量。 2. 采用多元回归模型，通过约束条件优化仓位估计。 3. 构建模拟组合提升估算准确性，并跟踪行业配置动向。 - 模型评价：能够高频跟踪主动偏股基金的仓位变化趋势，提供行业配置偏好的实时洞察[67]。 2. **REITs指数系列模型** - 模型构建思路：构建完整的REITs系列指数，综合反映REITs市场表现，并提供不同底层资产、项目类型的细分指数[51]。 - 模型具体构建过程： 1. 采用分级靠档方法确保指数份额稳定。 2. 使用除数修正法保证指数连续性（如新发、扩募等非交易因素变动时）。 3. 提供价格指数和全收益指数，考虑高分红特性[51]。 - 模型评价：为投资者提供指数化投资工具，支持资产配置策略优化[51]。 量化因子与构建方式 1. **行业主题基金标签因子** - 因子构建思路：通过基金持仓信息判断其长期行业主题标签，区分行业主题基金、行业轮动基金和行业均衡基金[39]。 - 因子具体构建过程： 1. 观察基金近四期中报/年报的持仓信息。 2. 根据持仓集中度和行业分布定义标签（如金融地产、TMT、医药等）。 - 因子评价：帮助投资者定位细分赛道优质产品，支持主题投资需求[39]。 2. **ETF资金流向因子** - 因子构建思路：跟踪股票型ETF资金流向，分析加仓方向（如中小盘、科创板、金融地产主题）[55]。 - 因子具体构建过程： 1. 统计不同类型ETF的净流入/流出数据。 2. 按宽基、行业、主题等分类分析资金动向[55][64]。 - 因子评价：反映市场短期资金偏好，辅助判断板块热度[55]。 模型的回测效果 1. **主动偏股基金仓位高频估测模型** - 本周仓位变动：下降0.48个百分点[67]。 - 行业配置动向：石油石化、通信、医药生物获增配；家用电器、计算机、食品饮料遭减持[67]。 2. **REITs指数系列模型** - 本周收益：REITs综合指数上涨1.41%，产权类指数上涨2.56%，特许经营权类指数下降0.08%[54]。 - 细分表现：市政设施REITs指数涨幅最高（8.10%）[54]。 因子的回测效果 1. **行业主题基金标签因子** - 本周表现：金融地产（+0.44%）、TMT（+0.37%）正收益；医药（-6.25%）显著回撤[39][40]。 2. **ETF资金流向因子** - 本周净流入：股票型ETF流入146.69亿元，中小盘主题ETF流入46.75亿元，金融地产主题ETF流入46.61亿元[55][64]。 - 净流出：中证A500ETF龙头流出5.36亿元[66]。

量化模型与构建方式 1. **模型名称：GRU模型** - **模型构建思路**：结合基本面和量价特征的时序预测模型，用于股票多空组合构建[3][4][5][6] - **模型具体构建过程**： 1. 输入数据包括量价特征（如开盘价、收盘价）和Barra风格因子（如市值、波动率）[15][17] 2. 通过GRU神经网络对时序特征进行训练，生成股票评分 3. 每月末按评分排序，构建多空组合（前10%做多，后10%做空）[17] - **模型评价**：在不同市场环境下表现分化，对量价特征捕捉能力较强但稳定性待提升[3][4][6] 2. **模型名称：多因子模型** - **模型构建思路**：综合基本面与技术面因子构建复合评分[7][30] - **模型具体构建过程**： 1. 因子标准化与行业中性化处理[17] 2. 动态加权组合财务因子（如市盈率、营收增长率）和技术因子（如动量、波动率）[15][28] 3. 约束条件包括行业偏离≤0.01、风格偏离≤0.5σ[29] --- 量化因子与构建方式 1. **因子名称：Barra风格因子** - **因子构建思路**：基于经典风险模型拆解市场风格收益来源[15] - **因子具体构建过程**： - **市值因子**：总市值自然对数 $$ \text{Size} = \ln(\text{MarketCap}) $$ - **波动因子**：复合波动率计算 $$ \text{Volatility} = 0.74\sigma_{ret} + 0.16|\text{CAR}| + 0.1\sigma_{residual} $$ - **流动性因子**：多期换手率加权 $$ \text{Liquidity} = 0.35\text{Turnover}_{1M} + 0.35\text{Turnover}_{3M} + 0.3\text{Turnover}_{1Y} $$ - **盈利因子**：复合财务指标 $$ \text{Earnings} = 0.68\frac{E}{P} + 0.21\frac{1}{P/CF} + 0.11\frac{1}{P/E_{ttm}} $$ - **因子评价**：市值和估值因子近期表现稳健，动量因子持续失效[16][17] 2. **因子名称：技术类因子** - **构建思路**：捕捉价格序列中的趋势与反转特征[28] - **具体构建过程**： - **动量因子**：N日收益率均值（20/60/120日） - **波动因子**：滚动窗口收益率标准差[28] - **因子评价**：中证1000成分股中动量因子空头收益显著[26][28] 3. **因子名称：基本面因子** - **构建思路**：财务指标加权（静态与动态结合）[18][21] - **具体构建过程**： - **超预期增长因子**：分析师预测与历史增长率差值 - **估值因子**：市盈率/市净率倒数[15][27] --- 模型的回测效果 | 模型名称 | 近一周超额收益 | 今年以来超额收益 | IR（三年年化） | |----------------|----------------|------------------|----------------| | GRU-barra5d | -0.31% | 7.42% | - | [30][31] | GRU-close1d | -0.40% | 5.73% | - | [30][31] | 多因子模型 | 0.66% | 3.28% | - | [30][31] --- 因子的回测效果 | 因子类型 | 中证1000多空收益（近一周） | 沪深300多空收益（近一周） | |----------------|----------------------------|---------------------------| | 市值因子 | - | 正向显著 | [16][21] | 60日动量 | -2.17% | 负向 | [22][28] | 市盈率因子 | 正向显著 | 负向 | [26][27] | 波动率因子 | -1.53% | 正向显著 | [22][28]

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：扩散指数行业轮动模型** - **模型构建思路**：基于价格动量原理，通过行业扩散指数捕捉行业趋势，选择向上趋势的行业进行配置[27] - **模型具体构建过程**： 1. 计算各中信一级行业的扩散指数，反映行业价格动量强度 2. 选择扩散指数排名靠前的行业作为配置标的 3. 每月进行轮动调仓，2025年6月建议配置非银行金融、银行等6个行业[31] - **模型评价**：在趋势行情中表现优异，但在反转行情中可能失效[28] 2. **模型名称：GRU因子行业轮动模型** - **模型构建思路**：基于GRU深度学习网络，利用分钟频量价数据生成行业因子，捕捉短期交易机会[34] - **模型具体构建过程**： 1. 通过GRU网络处理历史量价数据 2. 输出各行业的GRU因子得分，反映短期交易信号 3. 选择因子得分高的行业进行配置，2025年6月调入非银行金融等6个行业[35] - **模型评价**：短周期表现较好，但对极端行情适应性有限[39] 模型的回测效果 1. **扩散指数行业轮动模型** - 2025年6月超额收益：1.99%（月度）[31] - 2025年以来超额收益：0.37%[31] - 本周超额收益：0.79%[31] 2. **GRU因子行业轮动模型** - 2025年6月超额收益：0.25%[37] - 2025年以来超额收益：-3.83%[37] - 本周超额收益：0.25%[37] 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**：通过标准化处理行业价格动量指标，生成0-1区间的扩散指数[28] - **因子具体构建过程**： 1. 计算各行业价格动量指标（如相对强度） 2. 进行标准化处理：$$ DI_i = \frac{x_i - min(x)}{max(x) - min(x)} $$ 3. 截至2025/6/20，综合金融扩散指数为1.0（最高），煤炭为0.174（最低）[28] 2. **因子名称：GRU行业因子** - **因子构建思路**：通过GRU网络提取量价特征，生成行业排序因子[35] - **因子具体构建过程**： 1. 输入分钟频量价数据至GRU网络 2. 输出行业因子得分，截至2025/6/20，煤炭得分3.48（最高），通信得分-17.95（最低）[35] 因子的回测效果 1. **行业扩散因子** - 周度Rank IC：石油石化环比提升0.09（最高），农林牧渔下降0.229（最低）[30] 2. **GRU行业因子** - 周度Rank IC：非银行金融环比提升显著，通信因子下降幅度最大[36]

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. **主动偏股基金仓位高频估测模型** - 构建思路：基于净值序列和多元回归模型估算基金仓位变动[67] - 具体过程： 1. 以每日净值为因变量，基准指数或资产组合为自变量 2. 采用带约束的多元回归模型求解最优仓位估计 3. 通过模拟组合提升准确性，跟踪行业配置偏好 - 模型评价：解决了公募基金仓位披露频率低的问题，但存在与实际仓位的偏差风险[67] 2. **REITs指数化配置模型** - 构建思路：通过分级靠档和除数修正法构建全收益指数[52] - 具体过程： 1. 按底层资产类型（产权类/特许经营权类）分类 2. 采用分级靠档稳定样本份额 3. 新发或扩募时使用除数修正法保持指数连续性 $$指数_t = \frac{\sum (价格_i \times 调整后份额_i)}{除数_t}$$ - 模型评价：为REITs资产配置提供标准化工具，但流动性限制需注意[52] 量化因子与构建方式 1. **行业主题基金标签因子** - 构建思路：基于持仓信息识别长期行业特征[39] - 具体过程： 1. 分析近4期年报/中报持仓数据 2. 划分行业主题（如TMT）、行业轮动、行业均衡三类 3. 计算主题集中度指标 - 因子评价：能有效区分基金风格，但存在风格漂移风险[39] 2. **ETF资金流向因子** - 构建思路：监控宽基/行业ETF的资金净流入方向[55] - 具体过程： 1. 按类型（宽基/行业）和主题（金融地产/TMT）分类 2. 计算净流入金额与规模占比 3. 结合收益率分析市场偏好 - 因子评价：反映短期市场情绪，但需剔除异常份额变动[55][64] 模型的回测效果 1. **主动偏股基金仓位模型** - 本周仓位变动：-0.48pcts[67] - 行业配置变化：增配石油石化(+0.82pcts)，减配计算机(-0.75pcts)[67] 2. **REITs指数模型** - 本周收益：综合指数+1.41%，产权类+2.56%[54] - 风险指标：最大回撤-38.62%（综合指数），年化波动率11.12%[54] 因子的回测效果 1. **行业主题因子** - 本周表现：金融地产+0.44%，医药-6.25%[39] - 月度收益：TMT主题6月累计+2.72%[41] 2. **ETF资金流向因子** - 宽基ETF：中小盘净流入46.75亿元，大盘净流出17.21亿元[64] - 行业ETF：金融地产净流入46.61亿元，新能源净流出2.50亿元[64]

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. **扩散指数模型** - **模型构建思路**：通过监测微盘股指数成分股未来N天股价涨跌幅的临界点，判断市场变盘时机[6][17][18] - **具体构建过程**： - 横轴设定未来N天股价涨跌幅范围（从+10%到-10%） - 纵轴设定回顾窗口期长度T（20天至10天），N=20-T - 计算扩散指数值（如横轴0.95与纵轴15天对应值0.07，表示未来5天若成分股跌5%则扩散指数为0.07）[6][17] - **模型评价**：适用于监测市场调整深度，但需注意成分股每日更新带来的指数天然下行趋势[6][17] 2. **小市值低波50策略** - **模型构建思路**：在微盘股成分股中筛选小市值且低波动的50只股票，双周调仓[16][36] - **具体构建过程**： - 筛选标准：市值排名后50%且历史波动率最低的50只股票 - 基准：万得微盘股指数（8841431.WI），费用双边千三[16][36] - **模型评价**：策略在2024年收益7.07%（超额-2.93%），2025年YTD收益43.44%，本周超额-0.53%[16][36] --- 模型的回测效果 1. **扩散指数模型** - 当前扩散指数值：0.34（横轴20，纵轴1.00）[6][17] - 信号触发： - 首次阈值法（左侧交易）：2025年5月8日触发空仓信号[6][18] - 延迟阈值法（右侧交易）：2025年5月15日触发空仓信号（阈值0.8975）[6][18] - 双均线法（自适应交易）：2025年6月11日触发空仓信号[6][18] 2. **小市值低波50策略** - 2024年收益：7.07%（超额-2.93%）[16] - 2025年YTD收益：43.44%（本周超额-0.53%）[16] --- 量化因子与构建方式 1. **微盘股成分股因子** - **因子列表及本周rankIC**： - 过去一年波动率因子：0.171（历史平均-0.033） - 贝塔因子：0.145（历史平均0.004） - 对数市值因子：0.138（历史平均-0.033） - 非线性市值因子：0.138（历史平均-0.033） - 非流动性因子：0.125（历史平均0.038） - 动量因子：-0.241（历史平均-0.005） - 10天自由流通市值换手率因子：-0.175（历史平均-0.06）[5][16][33] --- 因子的回测效果 1. **微盘股因子表现** - 正向RankIC因子：波动率、贝塔、市值类因子本周显著正向选股[5][33] - 负向RankIC因子：动量、换手率、盈利类因子本周负向选股[5][33] --- 其他关键指标 1. **市场宽度监控** - 全市场宽度值：0.514（定义为全市场个股过去20日跑赢沪深300的比例）[76] 2. **风险指标** - 微盘股成分股市值中位数：20.54亿元（历史分位数69.89%）[63][64] - PB中位数：2.27（历史分位数23.51%）[65][66] （注：部分内容如日历效应、基金表现等未涉及模型/因子，故未纳入总结）

量化模型与构建方式 1. **模型名称：中国经济六周期模型** - **模型构建思路**：基于货币-信用-增长三个维度方向来刻画宏观状态，用于判断经济周期阶段[1][7] - **模型具体构建过程**： 1. 划分六个周期阶段（阶段1-6），每个阶段对应不同的货币、信用、增长组合状态 2. 信用扩张阶段（如阶段1-3）配置成长风格资产，收缩阶段（阶段4-6）配置价值风格资产[7][10] 3. 通过信贷数据（如中长贷脉冲）动态调整周期阶段判断[11] 2. **模型名称：中长贷脉冲择时模型** - **模型构建思路**：利用中长期贷款脉冲指标识别信用周期方向，指导A股仓位配置[11] - **模型具体构建过程**： 1. 计算新增中长贷TTM同比：$$ \text{中长贷脉冲} = \frac{\sum_{i=t-11}^t \text{新增中长贷}_i}{\sum_{i=t-23}^{t-12} \text{新增中长贷}_i} - 1 $$ 2. 取三个月差分作为信用扩张/收缩信号：$$ \Delta \text{中长贷脉冲} = \text{中长贷脉冲}_t - \text{中长贷脉冲}_{t-3} $$ 3. 当差分转正时发出看多信号[11][12] - **模型评价**：历史回测显示对A股波动率和最大回撤控制效果显著[11] 3. **模型名称：主权CDS择时模型** - **模型构建思路**：基于中国主权CDS指标水平和变化方向构建A股仓位规则[14] - **模型具体构建过程**： 1. 计算CDS滚动4年z-score标准化值：$$ z = \frac{\text{CDS}_t - \mu_{4y}}{\sigma_{4y}} $$ 2. 计算近20日差分方向：$$ \Delta \text{CDS} = \text{CDS}_t - \text{CDS}_{t-20} $$ 3. 分四档配置： - z <0且ΔCDS<0 → 100%股票 - z ≥0且ΔCDS<0 → 75%股票 - z <0且ΔCDS≥0 → 25%股票 - z ≥0且ΔCDS≥0 → 0%股票[15] 4. **模型名称：六周期FOF配置模型** - **模型构建思路**：将六周期观点融入风险预算框架，月频调整多资产权重[18] - **模型具体构建过程**： 1. 设定目标波动率3%，按周期阶段分配风险预算： - 阶段1-3：增配权益（成长/制造风格） - 阶段4-6：增配债券/黄金[18] 2. 使用风格FOF组合（如成长ETF）、国开债ETF、黄金ETF作为底层资产[18] - **模型评价**：风险调整后收益显著优于目标波动基准[19] --- 量化因子与构建方式 1. **因子名称：中长贷脉冲因子** - **因子构建思路**：反映银行体系对实体经济的中长期信贷支持力度[11] - **因子具体构建过程**： 1. 计算12个月新增中长贷滚动总和 2. 同比增速标准化：$$ \text{因子值} = \frac{\text{TTM中长贷}_t}{\text{TTM中长贷}_{t-12}} - 1 $$[11] 2. **因子名称：主权CDS因子** - **因子构建思路**：捕捉海外投资者对中国经济基本面的预期变化[14] - **因子具体构建过程**： 1. 原始CDS报价经4年滚动z-score标准化 2. 叠加20日动量方向形成复合信号[14][15] --- 模型的回测效果 1. **中长贷脉冲择时模型** - 年化收益：15.6% - 年化波动：15.2% - 最大回撤：24.1% - 夏普比率：1.03 - 超额收益（vs中证800）：6.9%[13] 2. **主权CDS择时模型** - 年化收益：14.7% - 年化波动：14.2% - 最大回撤：25.7% - 夏普比率：1.03 - 超额收益（vs中证800）：6%[22] 3. **六周期FOF配置模型** - 年化收益：8.0% - 年化波动：2.6% - 最大回撤：2.9% - 夏普比率：3.04 - 超额收益（vs目标波动基准）：3.0%[19][23] --- 因子的回测效果 1. **中长贷脉冲因子** - 信用扩张区间A股年化收益弹性：+6.9%（相对收缩区间）[11] 2. **主权CDS因子** - CDS下行区间A股胜率：78%（历史统计）[14]