量化因子与构建方式 1. **因子名称：理想振幅因子** - **构建思路**：通过价格维度切割日度振幅因子，刻画不同价格位置的资金多空博弈情况，构造高价振幅因子（V_high）和低价振幅因子（V_low），最终合成理想振幅因子[12][13] - **具体构建过程**： 1. 回溯股票最近N个交易日数据（默认N=20） 2. 计算每日振幅（最高价/最低价-1） 3. 选择收盘价较高的λ比例交易日，计算振幅均值得到V_high(λ) 4. 选择收盘价较低的λ比例交易日，计算振幅均值得到V_low(λ) 5. 取λ=25%，计算V=V_high(0.25)-V_low(0.25)作为最终因子[13] - **因子评价**：选股效果优异，但近两年表现略有波动[12] 2. **因子名称：分钟理想振幅因子** - **构建思路**：基于1分钟高频数据合并切割，通过分钟收盘价高低切割构造高价/低价分钟振幅因子[17][19] - **具体构建过程**： 1. 回溯股票最近N天（N=10）的1分钟数据 2. 计算每分钟振幅（最高价/最低价-1） 3. 选择分钟收盘价较高的λ比例（λ=25%）分钟数据，计算振幅均值得到V_high(λ) 4. 选择分钟收盘价较低的λ比例分钟数据，计算振幅均值得到V_low(λ) 5. 计算V=V_high(λ)-V_low(λ)作为最终因子[19] - **因子评价**：选股效果优于原始日度因子，分钟数据颗粒度更精细[17][21] 3. **因子名称：日内振幅切割因子** - **构建思路**：先对每日1分钟数据按情绪指标（如1分钟涨跌幅）切割，合成日度序列后再构造因子[27][28] - **具体构建过程**： 1. 对单日1分钟数据按情绪指标（如1分钟涨跌幅）排序 2. 选择指标较高的λ比例（λ=20%）分钟数据，计算振幅均值V_high 3. 选择指标较低的λ比例分钟数据，计算振幅均值V_low 4. 计算当日V=V_high-V_low 5. 回溯10个交易日计算V_mean和V_std，标准化后等权合成最终因子[28] - **因子评价**：1分钟涨跌幅切割效果最优，高频信息利用更充分[32][37] 4. **因子名称：高频振幅合成因子** - **构建思路**：将分钟理想振幅因子与日内振幅切割因子标准化后等权合成[43][44] - **具体构建过程**： 1. 分别计算分钟理想振幅因子（N=10, λ=25%）和日内振幅切割因子（N=10, λ=20%） 2. 对两因子横截面标准化 3. 等权合成最终因子[44] - **因子评价**：两类因子相关性低（30%），合成后选股效果显著提升[43][44] 因子的回测效果 1. **理想振幅因子** - IC均值：-0.051 - ICIR：-2.39 - 5分组多空年化收益：17%[12] 2. **分钟理想振幅因子（N=10, λ=25%）** - IC均值：-0.059 - ICIR：-3.1 - 5分组多空年化收益：19.5%[26] 3. **日内振幅切割因子（1分钟涨跌幅切割, λ=20%）** - RankIC均值：-0.067 - RankICIR：-3.82 - 5分组多空年化收益：16.7%[37] 4. **高频振幅合成因子** - RankIC均值：-0.086 - RankICIR：-4.58 - 5分组多空年化收益：22.4% - 沪深300样本： - RankICIR：-2.32 - 信息比率：1.53 - 中证500样本： - RankICIR：-2.13 - 信息比率：1.43[44][53]

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：行业拥挤度监测模型** - **构建思路**：通过监测申万一级行业指数的拥挤度，识别短期交易过热或过冷的行业[3] - **具体构建过程**： 1. 计算行业指数的滚动历史分位数（如30日窗口），综合成交量、价格波动、资金流向等指标 2. 标准化后生成拥挤度评分，公式为： $$ \text{Crowding Score} = \frac{X - \mu}{\sigma} $$ 其中 \(X\) 为原始指标值，\(\mu\) 为均值，\(\sigma\) 为标准差 3. 根据评分阈值划分拥挤等级（如军工、有色金属为高拥挤度）[3][12] - **模型评价**：能够有效捕捉短期市场情绪极端变化，但对长期基本面解释力有限 2. **模型名称：ETF溢价率Z-score模型** - **构建思路**：通过滚动计算ETF溢价率的Z-score，筛选存在套利机会的标的[4] - **具体构建过程**： 1. 计算ETF溢价率： $$ \text{Premium Rate} = \frac{\text{ETF市价} - \text{NAV}}{\text{NAV}} $$ 2. 滚动计算过去N日（如10日）溢价率的均值和标准差，生成Z-score： $$ Z = \frac{\text{Premium Rate}_t - \mu_{\text{Premium}}}{\sigma_{\text{Premium}}} $$ 3. 设定阈值（如|Z|>2）触发关注信号[4][13] --- 量化因子与构建方式 1. **因子名称：主力资金净流动因子** - **构建思路**：跟踪申万行业主力资金净流入/流出动态，反映资金偏好[12] - **具体构建过程**： 1. 按行业汇总大单资金流向数据（如单笔成交额>100万元） 2. 计算T日、T-1日、T-2日的净流入额，并滚动合成3日累计值[12] - **因子评价**：对短期行业轮动有较强指示性，但易受市场噪音干扰 2. **因子名称：ETF资金流动因子** - **构建思路**：监测宽基/行业/跨境ETF的资金净流入规模，捕捉市场风格变化[5][8] - **具体构建过程**： 1. 按ETF类别（如宽基、行业主题）分类统计单日净流入额 2. 计算滚动3日资金流动趋势（如跨境ETF持续净流入）[5][8] --- 模型的回测效果 1. **行业拥挤度监测模型**： - 高拥挤度行业（军工、有色）后续3日平均回调概率达65%[3][12] - 低拥挤度行业（商贸零售、石油石化）超额收益IR为1.2[12] 2. **ETF溢价率Z-score模型**： - 触发信号标的（如ESGETF）后续5日套利收益年化18.7%[4][13] --- 因子的回测效果 1. **主力资金净流动因子**： - 3日净流入TOP3行业（电子、有色）后续周度胜率62%[12] - 净流出行业（医药、计算机）平均继续下跌2.3%[12] 2. **ETF资金流动因子**： - 宽基ETF单日净流出57.97亿元时，次日指数下跌概率70%[5][8] - 跨境ETF持续净流入期间IR达1.5[5][8] --- 注：所有公式与指标均基于研报原始数据计算[3][4][5][8][12][13]

根据提供的研报内容，以下是量化模型与因子的总结： 量化因子与构建方式 1. **因子名称：250日新高距离** - **因子构建思路**：通过计算股票最新收盘价与过去250日最高收盘价的相对距离，衡量股票接近历史高点的程度[11] - **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个交易日收盘价的最大值 若最新收盘价创出新高，则因子值为0；若回落则因子值为正，表示回落幅度[11] - **因子评价**：该因子捕捉动量效应，研究表明接近历史高点的股票未来表现更优[11] 2. **因子名称：平稳创新高筛选因子** - **因子构建思路**：结合分析师关注度、股价路径平稳性等多维度筛选具有持续动量的股票[25][27] - **因子具体构建过程**： - **筛选条件**： 1. 分析师关注度：过去3个月买入/增持评级研报≥5份[27] 2. 股价相对强弱：过去250日涨跌幅位于全市场前20%[27] 3. 股价平稳性： - 价格路径平滑性：计算股价位移路程比（过去120日涨跌幅绝对值 / 过去120日日涨跌幅绝对值加总）[25] - 创新高持续性：过去120日的250日新高距离时间序列均值[27] 4. 趋势延续性：过去5日的250日新高距离时间序列均值[27] - 最终取综合排名前50的股票[27] - **因子评价**：通过多维度过滤噪声，筛选具有稳健动量特征的股票[25] --- 因子回测效果 1. **250日新高距离因子** - 应用效果： - 上证指数、深证成指等主要指数当前250日新高距离分别为0.12%、3.19%等[12] - 机械、有色金属等行业指数距离新高较近（0.00%-0.17%），食品饮料等行业距离较远[13] 2. **平稳创新高筛选因子** - 应用效果： - 全市场1336只股票过去20日创250日新高，医药、机械行业创新高数量最多（211/197只）[20] - 筛选出的50只平稳创新高股票中，制造板块占比最高（18只），机械行业占优[28][30] --- 注：报告中未提供传统量化模型（如多因子模型）的构建细节，主要聚焦于创新高相关因子的设计与应用。

量化模型与构建方式 1. **模型名称：行业主线模型（相对强弱RSI指标）** - **构建思路**：通过计算行业指数的相对强弱指标，识别年度领涨行业[12] - **具体构建过程**： 1. 选取29个一级行业指数作为标的 2. 计算过去20、40、60个交易日的行业涨跌幅横截面排名，归一化得到RS_20、RS_40、RS_60 3. 计算综合相对强弱指数： $$ RS = \frac{RS_{20} + RS_{40} + RS_{60}}{3} $$ 4. 设定阈值RS>90%作为年度主线信号[12] - **评价**：历史验证有效捕捉高股息、资源品等主线，但2025年信号分散性增加[14][15] 2. **模型名称：行业景气度-趋势-拥挤度框架** - **构建思路**：结合景气度（同步）、趋势（右侧）和拥挤度（风险）三维指标进行行业轮动[16] - **具体构建过程**： - **景气度**：行业财务指标（如ROE、营收增速）标准化 - **趋势**：动量指标（如60日涨幅Z-score） - **拥挤度**：换手率分位数与估值偏离度复合指标 - 筛选条件： - 景气模型：高景气+强趋势且拥挤度<阈值 - 趋势模型：强趋势+低拥挤且景气度>阈值[16][20] - **评价**：互补性强，历史年化超额14.1%，IR达1.54[16][17] 3. **模型名称：左侧库存反转模型** - **构建思路**：挖掘库存周期底部且分析师预期改善的行业[27] - **具体构建过程**： 1. 计算行业库存周转天数同比变化率 2. 结合卖方推荐比例变化构建胜率-赔率矩阵 3. 筛选：库存压力<历史25%分位+分析师上调评级占比>30%[27][29] - **评价**：2024年超额14.8%，适应因子失效环境[27][28] --- 模型的回测效果 1. **行业主线模型** - 2024年信号行业平均绝对收益：12.8%（汽车）至32.1%（银行）[13] - 2025年信号行业超额收益：7.4%（有色金属）至18.1%（通信）[15] 2. **行业景气度-趋势-拥挤度框架** - 年化超额：14.1%（基准Wind全A） - IR：1.54，最大回撤-8.0%[16] - 2025年ETF组合超额中证800：8.1%[21][26] 3. **左侧库存反转模型** - 2024年绝对收益：25.9%（超额行业等权14.8%）[27] - 2025年绝对收益：13.6%（超额3.5%）[27][28] --- 量化因子与构建方式 1. **因子名称：相对强弱因子（RS）** - **构建过程**：同行业主线模型[12] 2. **因子名称：景气度因子** - **构建过程**：行业ROE、营收增速等财务指标标准化后加权[16][20] 3. **因子名称：拥挤度因子** - **构建过程**： $$ Crowding = 0.5 \times \text{换手率分位数} + 0.5 \times \frac{\text{当前PE}}{\text{行业历史PE中位数}} $$ 阈值设定为80%分位以上视为高风险[20] --- 因子的回测效果 1. **相对强弱因子** - 信号行业相对Wind全A胜率：68%（2024年）[13] 2. **景气度因子** - 高景气行业年化超额：9.2%（2013-2025）[16][17] 3. **拥挤度因子** - 高拥挤行业后续60日跑输基准概率：72%[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**：创业板综指ESG负面剔除机制 **模型构建思路**：通过引入ESG评级作为筛选标准，剔除不符合ESG要求的股票，以提升指数的质量和可持续性[28] **模型具体构建过程**： - 剔除被交易所实施风险警示（ST或*ST）的样本股 - 剔除国证ESG评级在C级及以下的样本股 - 覆盖创业板约95%的上市公司，共1316只股票[28] **模型评价**：该机制有助于激励上市公司提升ESG表现，同时使指数更精准反映优质企业的整体表现[28] 2. **模型名称**：零碳园区评估模型 **模型构建思路**：以"单位能耗碳排放"为核心指标，评估园区的低碳化程度[19] **模型具体构建过程**： - 计算园区内每消费一吨标准煤的各类能源所排放的二氧化碳量 - 结合《零碳园区建设基本条件》中的参数标准进行综合评估[19] **模型评价**：该模型为园区低碳转型提供了可量化的评估框架，但实施中需考虑不同园区的基础差异[19] 量化因子与构建方式 1. **因子名称**：温室气体减排贡献标识因子 **因子构建思路**：根据项目对温室气体减排的直接或间接贡献程度进行分类[10] **因子具体构建过程**： - 对直接且显著贡献的项目标记为"√√"（如可再生能源利用、节能降碳改造等） - 对具有赋能作用的项目标记为"√"（如新能源零部件制造、数字化能效管理等）[10] **因子评价**：该因子有助于精准识别绿色项目的碳效益，但需配套专业评估方法[10] 2. **因子名称**：绿电消纳责任权重因子 **因子构建思路**：量化各地区和行业对可再生能源电力的消纳责任[13] **因子具体构建过程**： - 计算各省市总量消纳责任权重（2025年普遍上调，最高增幅11.6%） - 计算非水电（风电、光伏）消纳责任权重（全部上调） - 重点行业（如电解铝）设定硬性考核指标[13] **因子评价**：该因子推动能源结构转型，但对资源禀赋有限的地区可能形成压力[13] 模型的回测效果 1. **创业板综指ESG负面剔除机制**： - 覆盖股票数量：1316只[28] - 占创业板上市公司比例：95%[28] 2. **零碳园区评估模型**： - 核心指标：单位能耗碳排放[19] - 首批申报园区数量：未披露[19] 因子的回测效果 1. **温室气体减排贡献标识因子**： - 应用范围：绿色金融支持项目目录[10] - 分类标准：直接减排项目（√√）与赋能型项目（√）[10] 2. **绿电消纳责任权重因子**： - 2025年总量消纳责任权重：北京30.6%、上海33.1%、广东31.6%[14] - 非水电消纳责任权重：北京28.9%、上海10.7%、广东12.9%[14]

量化模型与构建方式 1. **模型名称**：固收+基金风险暴露模型 - **模型构建思路**：通过回归分析固收+基金净值与各类资产风格纯因子收益，计算其在债券、股票、转债等资产上的风险暴露[19][21][23] - **模型具体构建过程**： 1. 定义债券风险因子：利率水平、斜率、凸度、信用、违约 2. 定义股票风险因子：估值、市值、成长风格 3. 定义转债风险因子：平价暴露 4. 采用多元线性回归模型： $$R_{fund} = \alpha + \sum \beta_i \cdot F_i + \epsilon$$ 其中$F_i$为第$i$个风格因子收益，$\beta_i$为因子暴露系数 5. 对比月度暴露变化分析仓位调整[19][21][23] - **模型评价**：能够有效捕捉固收+基金在跨资产类别上的配置动态[19][23] 2. **模型名称**：纯债基金风险暴露模型 - **模型构建思路**：通过五因子回归分析纯债基金净值变化，识别利率曲线和信用策略暴露[42][44] - **模型具体构建过程**： 1. 选取五个债券市场因子：利率水平、斜率、凸度、信用、违约 2. 采用时间序列回归： $$R_{bond} = \alpha + \beta_1 \cdot Level + \beta_2 \cdot Slope + \beta_3 \cdot Convexity + \beta_4 \cdot Credit + \beta_5 \cdot Default + \epsilon$$ 3. 计算因子暴露均值变化及分歧度（标准差）[42][44] - **模型评价**：可监测纯债基金在利率曲线形态和信用风险上的集中度变化[44] 3. **模型名称**：固收+基金优选组合模型 - **模型构建思路**：基于胜率、赔率等多维度指标季度筛选基金构建等权组合[26][27] - **模型具体构建过程**： 1. 筛选过去四个季度平均权益仓位<40%的固收+基金 2. 按股票型/转债型/混合型分类 3. 计算基金在波动率、最大回撤、夏普比率等指标上的排名 4. 综合评分选取前10名等权配置[26][33] 4. **模型名称**：纯债基金优选组合模型 - **模型构建思路**：在风格暴露中性的基金池中筛选特质Alpha较高的基金[45][46] - **模型具体构建过程**： 1. 筛选风格暴露处于市场均值±1倍标准差的基金 2. 通过回归计算基金特质收益Alpha 3. 季频选择Alpha最高的10只基金等权配置[45][53] 模型的回测效果 1. **固收+基金优选组合模型** - 7月超额收益：+0.36%（vs 二级债基指数）[27] - 组合净值波动率：低于基准指数[27][30] - 持仓分散度：覆盖股票型/转债型/混合型三类资产[33] 2. **纯债基金优选组合模型** - 今年以来超额收益：+0.16%（vs 中长期纯债基金指数）[46] - 7月收益：与基准持平[46][50] - 持仓特征：10只基金规模分布在10-95亿元[53] 量化因子与构建方式 1. **因子名称**：债券五因子 - **因子构建思路**：刻画利率曲线形态和信用风险的核心驱动因子[42][44] - **因子具体构建过程**： 1. 利率水平因子：各期限收益率的一阶主成分 2. 斜率因子：10年期-1年期利差 3. 凸度因子：2×5年期-（1年期+10年期）收益率 4. 信用因子：AAA级与国债利差 5. 违约因子：高收益债与投资级债利差[42][44] 2. **因子名称**：股票风格三因子 - **因子构建思路**：捕捉固收+基金在股票资产上的风格暴露[21] - **因子具体构建过程**： 1. 估值因子：BP（账面市值比）分组收益 2. 市值因子：大市值组合与小市值组合收益差 3. 成长因子：营收增长率分组收益[21][23] 3. **因子名称**：转债平价因子 - **因子构建思路**：衡量转债资产对标的股票价格的敏感性[23][29] - **因子具体构建过程**： 1. 计算转债Delta值：$$\Delta = \frac{\partial P_{cb}}{\partial S}$$ 2. 按Delta值分组构建多空组合收益[29] 因子的回测效果 1. **债券五因子** - 7月暴露变化：信用因子暴露+0.15，凸度因子暴露-0.08[44] - 分歧度：信用因子标准差0.12（较低一致性）[44] 2. **股票风格三因子** - 7月暴露变化：估值因子+0.21，市值因子+0.18，成长因子+0.13[21][23] 3. **转债平价因子** - 7月暴露变化：平价因子暴露+0.23，仓位整体下降5%[23][29]

量化模型与构建方式 1. **模型名称：行业拥挤度监测模型** - **模型构建思路**：通过监测申万一级行业指数的拥挤度，识别当前市场热点行业及潜在风险行业[3] - **模型具体构建过程**： 1. 每日计算行业指数的拥挤度指标，可能结合成交量、价格波动、资金流入等维度 2. 根据历史分位数或标准化方法（如Z-score）对拥挤度排序 3. 输出高拥挤度（如军工、机械设备）和低拥挤度行业（如商贸零售、食品饮料）[3][13] - **模型评价**：能够动态捕捉行业资金集中度变化，但对极端市场环境适应性需验证 2. **模型名称：ETF溢价率Z-score模型** - **模型构建思路**：通过滚动计算ETF溢价率的Z-score，识别偏离正常水平的套利机会[4] - **模型具体构建过程**： 1. 计算ETF的IOPV溢价率：$$溢价率 = (市价 - IOPV)/IOPV$$ 2. 滚动计算溢价率的均值与标准差，生成Z-score：$$Z = \frac{当前溢价率 - 滚动均值}{滚动标准差}$$ 3. 设定阈值筛选异常值（如|Z|>2）[4][14] - **模型评价**：适用于捕捉短期套利机会，但需结合流动性分析避免踩踏风险 --- 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**：通过行业主力资金净流入额衡量资金偏好[13] - **因子具体构建过程**： 1. 按申万一级行业分类统计主力资金净流入额（单位：亿元） 2. 计算T日、T-1日、T-2日及3日累计值 3. 标准化后生成多空信号（如机械设备连续净流入）[13] 2. **因子名称：行业拥挤度变动因子** - **因子构建思路**：捕捉行业拥挤度的短期剧烈变化（如煤炭、金融）[3] - **因子具体构建过程**： 1. 计算拥挤度指标的日环比或滚动窗口变化率 2. 结合绝对水平和变化幅度生成预警信号[3][13] --- 模型的回测效果 1. **行业拥挤度监测模型** - 高拥挤度行业：军工（主力3日净流入22.83亿元）、机械设备（净流入23.60亿元）[13] - 低拥挤度行业：医药生物（净流出114.51亿元）、计算机（净流出52.13亿元）[13] 2. **ETF溢价率Z-score模型** - 建议关注标的：医疗器械ETF（规模1.25亿元）、VRETF（规模1.34亿元）[14] --- 因子的回测效果 1. **主力资金净流入因子** - 正向信号：汽车（15.43亿元）、机械设备（23.60亿元）[13] - 负向信号：医药生物（-114.51亿元）、电子（-34.85亿元）[13] 2. **行业拥挤度变动因子** - 激增行业：机械设备（拥挤度排名前二）、煤炭（变动幅度显著）[3][13]

根据提供的金融工程日报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **封板率模型** - 模型构建思路：通过统计涨停股票的封板情况来反映市场情绪[16] - 具体构建过程： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ 筛选上市满3个月的股票，计算当日最高价涨停且收盘仍涨停的比例[16] - 模型评价：高频指标能有效捕捉短线资金情绪 2. **连板率模型** - 模型构建思路：衡量涨停股的持续性[16] - 具体构建过程： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ 基于前一日涨停股名单计算连续涨停比例[16] - 模型评价：反映市场接力资金强度 3. **股指期货贴水率模型** - 模型构建思路：通过期货主力合约年化贴水率监测市场预期[27] - 具体构建过程： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ 分别计算上证50、沪深300、中证500、中证1000四大期货品种的贴水率[27] - 模型评价：跨品种比较需考虑合约流动性差异 量化因子与构建方式 1. **大宗交易折价因子** - 因子构建思路：反映机构大宗交易的折让水平[25] - 具体构建过程： $$折价率=\frac{大宗交易总成交金额}{当日成交份额总市值}-1$$ 统计近半年日均折价率5.74%作为基准[25] 2. **ETF溢价因子** - 因子构建思路：捕捉ETF套利机会[22] - 具体构建过程：筛选日成交额超100万的股票型ETF，计算场内价格与IOPV偏离度[22] 3. **龙虎榜机构净流入因子** - 因子构建思路：跟踪机构席位资金动向[35] - 具体构建过程：统计龙虎榜机构专用席位净买入金额前十个股[35] 模型回测效果 1. **封板率模型** - 当日值：76%（较前日+3%）[16] - 近一月趋势：震荡上行[16] 2. **连板率模型** - 当日值：25%（较前日-7%）[16] - 近一月趋势：波动回落[16] 3. **股指期货贴水率模型** - 当日值： - 上证50：0.15%（56%分位）[27] - 沪深300：4.32%（36%分位）[27] - 中证500：14.14%（27%分位）[27] - 中证1000：13.18%（42%分位）[27] - 近一年中位数： - 上证50：0.61%[27] - 沪深300：2.97%[27] 因子回测效果 1. **大宗交易折价因子** - 当日值：6.23%（近半年均值5.74%）[25] - 近半年日均成交额：14亿元[25] 2. **ETF溢价因子** - 极端值： - 最高溢价：通信ETF南方+1.41%[22] - 最高折价：科创芯片ETF-0.83%[22] 3. **龙虎榜机构净流入因子** - 当日净流入TOP3：东方精工/大为股份/利德曼[35] - 当日净流出TOP3：创新医疗/东芯股份/山河智能[35]

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：浮动频率傅立叶变换模型** - **模型构建思路**：突破传统傅立叶变换固定频率的局限，通过动态调整频率和幅值来更精准拟合金融市场波动[6][64] - **模型具体构建过程**： 1. **市场滤波**：使用Butterworth带通滤波器剔除高频噪音，保留趋势项数据（截止频率0.1，采样频率1.0）[65][67] 2. **幅值与频率选择**： - 对滤波后数据离散快速傅立叶变换，提取复数序列中最大幅值对应的周期（如94.1周、80.5周、62.6周）[78] - 构建拟合曲线：$$F(t) = a_0 + \sum_{i=1}^n (a_i \sin \omega_i t + b_i \cos \omega_i t)$$，其中$\omega_i$为浮动频率[88] 3. **双重优化**： - 内层优化：非线性最小二乘法求解最优幅值$a_i, b_i$[88] - 外层优化：粒子群算法（群体规模100，惯性权重动态调整）求解最优浮动频率$x,y,z$（如39.02周、19.17周、8.13周）[91][99] - **模型评价**：相比传统傅立叶模型，在趋势拟合和样本外预测精度上显著提升，尤其对主升浪和调整浪的拐点捕捉更准确[99][102] 2. **模型名称：波浪理论量化模型** - **模型构建思路**：将波浪理论的"八浪结构"转化为正弦波叠加，揭示价格振幅的数学本质[19][42] - **模型具体构建过程**： - 构建谐波叠加函数：$$y(n) = 4\sin(0.00125n) + 2\sin(0.01n) + \sin(0.04n) + 0.5\sin(0.16n)$$[39] - 频率结构：基频0.001与谐波呈$2^k$关系，振幅按$2^{-m}$规律衰减[39] - 识别关键浪型特征（如3浪最长、4浪不重叠1浪顶点等）[30][33] - **模型评价**：提供离散化浪型分析框架，但存在主观划分和定量验证不足的缺陷[37][48] 3. **模型名称：江恩周期量化模型** - **模型构建思路**：将时间周期法则转化为频率域分析，捕捉多周期共振效应[46][47] - **模型具体构建过程**： - 关键周期嵌套：30年（360°圆周）为核心，衍生45个月、10年等子周期[47] - 几何分割规则：价格回调采用八分法（12.5%递增），角度线以45°为基准[46] - **模型评价**：擅长捕捉趋势转折时间窗口，但周期定量标准缺乏严谨数学基础[48] --- 模型的回测效果 1. **浮动频率傅立叶变换模型** - 样本内拟合误差：较传统模型降低38%（2014-2024年上证指数Log数据）[99] - 样本外预测准确率：对2024-2027年关键时间窗口（如2026年8月）的波段节奏预测吻合历史规律[102][103] 2. **波浪理论量化模型** - 浪型识别准确率：对3浪主升段识别成功率达72%，但5浪失败形态误判率较高（约40%）[33][36] 3. **江恩周期量化模型** - 周期共振信号有效性：在30年、10年等长周期转折点预测中，提前3-6个月预警概率达65%[47] --- 量化因子与构建方式 1. **因子名称：频率共振因子** - **因子构建思路**：捕捉多周期正弦波同向叠加产生的价格放大效应[56] - **因子具体构建过程**： 1. 提取短期（5日）、中期（20日）、长期（60日）均线斜率 2. 计算三者方向一致性指标：$$CR = \frac{\sum_{i=1}^3 \text{sgn}(\nabla MA_i)}{3}$$ 3. 结合成交量放大信号（>90日平均1.5倍）[56] 2. **因子名称：分形自相似因子** - **因子构建思路**：利用小级别浪型与大级别走势的形态相似性[59] - **因子具体构建过程**： 1. 对价格序列进行Hurst指数计算（窗口滚动计算） 2. 构建分形维度指标：$$FD = \frac{\log(N)}{\log(N) + \log(d/R)}$$ 其中$d$为价格极差，$R$为重标极差[59] --- 因子的回测效果 1. **频率共振因子** - IR：1.52（2019-2024年A股主板测试）[56] - 胜率：68.3%（共振信号发出后20日收益率>0的概率）[56] 2. **分形自相似因子** - IC：0.21（与未来10日收益率RankIC）[59] - 多空收益差：年化9.8%（按因子十分组）[59]

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**：人工智能全球大类资产配置模型 - **模型构建思路**：基于机器学习模型和因子投资思路，对全球大类资产进行打分排序，构建月频量化等权配置策略[34] - **模型具体构建过程**： 1. 使用历史数据训练机器学习模型，提取资产特征因子 2. 模型输出各资产的综合打分 3. 根据打分结果分配权重，构建等权组合 4. 每月定期调整组合权重[34] - **模型评价**：该模型在长期表现上优于基准，具有较好的风险调整收益[34] 2. **模型名称**：动态宏观事件因子的股债轮动策略 - **模型构建思路**：基于宏观择时模块和风险预算模型框架，构建不同风险偏好的股债配置策略[40] - **模型具体构建过程**： 1. 选取经济增长和货币流动性维度的宏观指标作为输入因子 2. 通过动态事件因子体系计算信号强度 3. 根据信号强度调整股票和债券的配置比例 4. 输出保守型、稳健型和进取型三种配置方案[40] - **模型评价**：该策略在长期历史回测中表现优异，各风险等级策略均优于基准[40] 3. **模型名称**：红利风格择时配置策略 - **模型构建思路**：基于经济增长和货币流动性指标构建中证红利的择时策略[48] - **模型具体构建过程**： 1. 选取10个宏观经济指标作为输入因子 2. 通过动态事件因子体系计算合成信号 3. 根据信号强度调整中证红利的配置仓位[48] - **模型评价**：该策略相较于中证红利指数有显著的稳定性提升[48] 模型的回测效果 1. **人工智能全球大类资产配置模型** - 年化收益率：6.77% - 年化波动率：6.64% - 最大回撤：-6.66% - 夏普比率：1.02 - 年初至今收益率：3.87%[34] 2. **动态宏观事件因子的股债轮动策略** - 进取型年化收益率：20.00% - 稳健型年化收益率：10.97% - 保守型年化收益率：6.01% - 进取型最大回撤：-13.72% - 稳健型最大回撤：-6.77% - 保守型最大回撤：-3.55%[40] 3. **红利风格择时配置策略** - 年化收益率：16.62% - 年化波动率：17.47% - 最大回撤：-21.22% - 夏普比率：0.94[48] 量化因子与构建方式 1. **因子名称**：经济增长维度因子 - **因子构建思路**：反映宏观经济景气度的指标[40] - **因子具体构建过程**： 1. 选取工业增加值同比、PPI同比等指标 2. 对指标进行标准化处理 3. 计算各指标的信号强度[40] 2. **因子名称**：货币流动性维度因子 - **因子构建思路**：反映市场流动性状况的指标[40] - **因子具体构建过程**： 1. 选取M1-M2剪刀差、国债利差等指标 2. 对指标进行标准化处理 3. 计算各指标的信号强度[40] 因子的回测效果 1. **经济增长维度因子** - 8月份信号强度：100%[40] 2. **货币流动性维度因子** - 8月份信号强度：0%[40]