量化模型与构建方式 1. 模型名称：红利组合模型 - **模型构建思路**：通过构建红利组合，超越中证红利全收益指数的表现[3] - **模型具体构建过程**：红利组合模型通过选择高质量红利和微盘红利资产，构建一个相对纯粹红利资产更具超额收益的组合[3] - **模型评价**：红利组合模型在市场情绪影响下表现出色，能够在一定程度上跑赢中证红利全收益指数[3] 2. 模型名称：医药增强组合模型 - **模型构建思路**：通过增强医药板块的投资组合，期望在医药相关政策变化中获得超额收益[3] - **模型具体构建过程**：医药增强组合模型通过选择具有创新药表现活跃的医药资产，构建一个增强型的医药投资组合[3] - **模型评价**：医药增强组合模型在上周表现平淡，未能跑出超额收益[3] 模型的回测效果 1. 红利组合模型 - **超额收益**：红利组合相较于中证红利全收益跑出超额收益[3] 2. 医药增强组合模型 - **超额收益**：医药增强组合未能跑出超额收益[3] 量化因子与构建方式 1. 因子名称：红利质量因子 - **因子的构建思路**：通过选择高质量红利资产，提升组合的收益表现[3] - **因子具体构建过程**：红利质量因子通过筛选具有稳定且高红利支付能力的公司股票，构建一个高质量红利资产组合[3] - **因子评价**：红利质量因子在市场回调中表现出色，能够提供超额收益[3] 2. 因子名称：微盘红利因子 - **因子的构建思路**：通过选择市值较小但红利支付能力强的公司股票，提升组合的收益表现[3] - **因子具体构建过程**：微盘红利因子通过筛选市值较小但具有高红利支付能力的公司股票，构建一个微盘红利资产组合[3] - **因子评价**：微盘红利因子在市场回调中表现出色，能够提供超额收益[3] 因子的回测效果 1. 红利质量因子 - **超额收益**：红利质量因子在市场回调中表现出色，能够提供超额收益[3] 2. 微盘红利因子 - **超额收益**：微盘红利因子在市场回调中表现出色，能够提供超额收益[3]

单因子表现。沪深300内本周（2024-07-08至2024-07-12）超额较好的因子是标准化预期外单季度归母净利润-带漂移项、标准化预期外市盈率（归母）-带漂 移项、标准化预期外单季度营业收入-带漂移项。中证500内较好的是EPG分位数、分析师预测净利润增长率FY3、单季度扣非净利润同比增长率。中证1000内较 好的是单季度归母净利润同比增长率、单季度营业利润同比增长率、单季度扣非净利润同比增长率。中证2000内较好的是标准化预期外归母净利润同比、单季度 归母净利润同比增长率、标准化预期外归母净利润同比-带漂移项。中证全指内较好的是EPG分位数、单季度归母ROA变动、标准化预期外归母净利润同比。 指数增强策略表现。成分股内选股，截至2024年7月12日，沪深300指数增强策略本周收益2.07%，超额为0.87%；本年收益10.56%，超额为9.35%，超额最 大回撤为-2.76%。中证500指数增强策略本周收益1.24%，超额收益为0.15%；本年收益-0.39%，超额收益为9%，超额收益最大回撤为-1.8%。中证1000指 数增强策略本周收益2.44%，超额为 $$1. 0 4 9 / \circ ;$ ...

量化模型与构建方式 模型名称：市场监测模型 - **模型构建思路**：通过监测市场的资金流动、交易活跃度和市场预期，分析市场当前所处状态[2] - **模型具体构建过程**： 1. **资金层面**：监测权益类公募基金股票仓位、新发权益类基金规模、北向资金流入流出、融资融券余额等多个方面[15] 2. **交易层面**：分析行业间收益分化程度和资金分化程度，使用行业日均换手率的标准差作为代理变量衡量行业间资金面的分化程度[109][122] 3. **预期层面**：监测主流宽基指数和行业的一致预期净利润两年复合增长率及其环比变化、PE(TTM)分位数及其变化[144] - **模型评价**：该模型通过多维度监测市场状态，能够较全面地反映市场的变化和趋势[2] 模型的回测效果 - **市场监测模型** - **上证50**：本周预期增速0.07%，本周PE近五年分位数64.27%，近五年分位数环比6.04%[146] - **沪深300**：本周预期增速0.02%，本周PE近五年分位数36.72%，近五年分位数环比6.27%[146] - **中证500**：本周预期增速0.05%，本周PE近五年分位数24.49%，近五年分位数环比3.22%[146] - **中证1000**：本周预期增速-0.25%，本周PE近五年分位数35.34%，近五年分位数环比24.75%[146] - **创业板指**：本周预期增速-0.08%，本周PE近五年分位数28.29%，近五年分位数环比1.16%[146] - **万得全A**：本周预期增速2.23%，本周PE近五年分位数14.88%，近五年分位数环比6.44%[146] 量化因子与构建方式 因子名称：行业间收益分化因子 - **因子的构建思路**：通过行业间收益率的标准差衡量行业间收益的分化程度[110] - **因子具体构建过程**： 1. 计算各行业的周度收益率 2. 计算各行业周度收益率的标准差，作为行业间收益分化程度的代理变量[121] - **因子评价**：该因子能够有效反映行业间收益的差异，适用于分析市场的收益分布情况[121] 因子名称：行业间资金分化因子 - **因子的构建思路**：通过行业日均换手率的标准差衡量行业间资金面的分化程度[122] - **因子具体构建过程**： 1. 计算各行业的日均换手率 2. 计算各行业日均换手率的标准差，作为行业间资金分化程度的代理变量[124] - **因子评价**：该因子能够有效反映行业间资金的流动情况，适用于分析市场的资金分布情况[124] 因子的回测效果 - **行业间收益分化因子** - 本周行业间收益率的标准差为2.28%，较上周上行0.61%[121] - **行业间资金分化因子** - 本周各行业日均换手率的标准差为0.56%，与上周相比小幅上升0.03%[124]

2024 年 7 月 14 日 交易情绪有所改善 要点 本周（2024.07.08-2024.07.12，下同）A 股实现周度上涨，主要宽基指数量能 纷纷出现改善。 行业表现方面，电子、汽车实现领涨；主题方面，无人驾驶概 念表现亮眼。资金面方面，北向资金交易盘伴随市场涨跌变化呈现快进快出的交 易特征，资金持续性仍有待观察。市场赚钱效应方面，本周主要宽基指数时序波 动率、截面波动率均实现回升，赚钱效应快速修复。 本周市场各宽基指数均收涨。上证综指上涨 0.72%，上证 50 上涨 1.12%，沪深 300 上涨 1.20%，中证 500 上涨 1.09%，中证 1000 上涨 1.40%，创业板指上 涨 1.69%，北证 50 上涨 0.05%。 中信一级行业分类来看，建筑、轻工制造、机械、电力设备及新能源、消费者服 务、家电、纺织服装、医药、食品饮料、交通运输、通信、传媒和综合金融处于 估值分位数"安全"等级。 资金面跟踪： 北向资金净流入 159.07 亿元，其中沪股通净流入 150.98 亿元，深股通净流入 8.09 亿元。南向资金净流入 73.36 亿港元，其中沪市港股通净流入 46.47 亿港 元，深 ...

联系人：宋坤笛 (8610) 83949524 kundi.song@bocichina.com 一般证券业务证书编号：S1300123070004 收益率：本周领涨的行业为电子、汽车、银行；领跌的行业为煤炭、传 媒、农林牧渔。 成交热度：本周 A 股成交热度整体上行。 估值与股债性价比 估值： A 股 PE_TTM 处于历史较低分位，边际上行。 股债性价比：从 $$\operatorname { e r p }$$ 角度看，当前配置权益整体性价比极高。 资金面跟踪 融资余额占比：A股融资余额占比处于历史极高分位，边际下行。 基金发行：近 1 月股票型基金发行总规模为 50.5 亿元，边际下降。 北向资金：北向资金净流入 155.3 亿元，流入规模居前的行业为银行、 电子、电力及公用事业；流出规模居前的行业为医药、传媒、家电。 机构调研活跃度 长期口径活跃度：当前机构调研活跃度居前的行业为电力及公用事业、 交通运输、消费者服务，机构调研活跃度居后的行业为医药、传媒、食 品饮料。 二、A 股行情与成交热度跟踪 金融工程| 证券研究报告 —周报 2024 年 7 月 14 日 中银量化大类资产周报 预期定价基本充 ...

量化模型与构建方式 模型名称：单一统计模型 - 模型构建思路：基于历史数据的统计分析，预测未来的气候变化趋势 - 模型具体构建过程：通过对历史气候数据进行统计分析，建立回归模型，预测未来的气候变化趋势 - 模型评价：该模型简单易用，但可能无法捕捉复杂的气候变化模式[308] 模型名称：动力模型 - 模型构建思路：基于物理过程的模拟，预测未来的气候变化趋势 - 模型具体构建过程：通过模拟大气和海洋的物理过程，预测未来的气候变化趋势 - 模型评价：该模型能够更准确地捕捉气候变化的复杂性，但计算量较大[308] 模型名称：混合模型 - 模型构建思路：结合统计模型和动力模型的优点，预测未来的气候变化趋势 - 模型具体构建过程：将统计模型和动力模型的预测结果进行加权平均，得到最终的预测结果 - 模型评价：该模型综合了两种模型的优点，能够提供更准确的预测结果[308] 模型的回测效果 - 单一统计模型，ONI指数预测值：0.4[308] - 动力模型，ONI指数预测值：0.4[308] - 混合模型，ONI指数预测值：0.4[308] 量化因子与构建方式 因子名称：ONI指数 - 因子的构建思路：基于海洋表面温度的变化，衡量厄尔尼诺和拉尼娜现象的强度 - 因子具体构建过程：通过对海洋表面温度进行测量和计算，得到ONI指数 - 因子评价：该因子能够较好地反映厄尔尼诺和拉尼娜现象的强度，对气候预测具有重要意义[297][298] 因子的回测效果 - ONI指数，2024年5月值：+0.4[296] - ONI指数，2024年6月值：+0.4[296] - ONI指数，2024年7月值：+0.4[296]

量化模型与构建方式 1. 模型名称：行业轮动-基本面策略 - **模型构建思路**：基于美国大选对股市的影响，推荐关注特定行业的阶段性机会[3] - **模型具体构建过程**：通过历史数据分析，识别在美国大选期间表现较好的行业，并结合基本面分析，推荐油气石化、建筑工程、交通运输及食品饮料等行业[3] - **模型评价**：该模型通过历史数据和基本面分析相结合，具有较强的实用性和前瞻性[3] 模型的回测效果 - 行业轮动-基本面策略，推荐的油气石化、建筑工程、交通运输及食品饮料行业在历史数据中表现优异[3] 量化因子与构建方式 1. 因子名称：选举年效应因子 - **因子的构建思路**：分析选举年对主流宽基指数的影响，构建选举年效应因子[3] - **因子具体构建过程**：通过对全球视角下选举年对主流宽基指数的影响进行分析，提取选举年效应因子。具体步骤包括： 1. 收集选举年期间的主流宽基指数数据 2. 计算选举年期间的指数波动率和收益率 3. 提取选举年效应因子，公式如下： $$ \text{选举年效应因子} = \frac{\text{选举年期间的指数收益率}}{\text{选举年期间的指数波动率}} $$ 公式中，选举年期间的指数收益率代表了选举年期间主流宽基指数的平均收益率，选举年期间的指数波动率代表了选举年期间主流宽基指数的波动率[3] - **因子评价**：该因子通过对选举年期间的指数表现进行量化分析，能够较好地捕捉选举年对市场的影响[3] 因子的回测效果 - 选举年效应因子，历史数据中表现出较高的收益率和较低的波动率[3]

量化模型与构建方式 1. Black-Litterman模型 - **模型名称**：Black-Litterman模型 - **模型构建思路**：结合投资者的主观观点与市场均衡收益率，生成新的资产组合权重[3] - **模型具体构建过程**： 1. 计算市场均衡收益率 $\Pi$，公式为： $$ \Pi = \delta \cdot \Sigma \cdot w $$ 其中，$\delta$ 是风险厌恶系数，$\Sigma$ 是资产的协方差矩阵，$w$ 是市场组合权重[3] 2. 将投资者的观点整合到模型中，生成新的期望收益率 $\mu$，公式为： $$ \mu = \left( (\tau \cdot \Sigma)^{-1} + P^T \cdot \Omega^{-1} \cdot P \right)^{-1} \cdot \left( (\tau \cdot \Sigma)^{-1} \cdot \Pi + P^T \cdot \Omega^{-1} \cdot Q \right) $$ 其中，$\tau$ 是一个缩放因子，$P$ 是观点矩阵，$\Omega$ 是观点的不确定性矩阵，$Q$ 是观点的预期收益[3] 3. 根据新的期望收益率 $\mu$ 计算新的资产组合权重[3] - **模型评价**：Black-Litterman模型能够有效结合市场信息和投资者的主观观点，生成更为合理的资产配置方案[3] 2. 风险平价模型 - **模型名称**：风险平价模型 - **模型构建思路**：通过平衡各资产的风险贡献，达到风险分散的目的[3] - **模型具体构建过程**： 1. 计算每个资产的风险贡献，公式为： $$ RC_i = w_i \cdot \sigma_i \cdot \rho_{i, p} $$ 其中，$w_i$ 是资产 $i$ 的权重，$\sigma_i$ 是资产 $i$ 的波动率，$\rho_{i, p}$ 是资产 $i$ 与组合 $p$ 的相关系数[3] 2. 调整资产权重，使得每个资产的风险贡献相等[3] - **模型评价**：风险平价模型通过平衡各资产的风险贡献，能够有效降低组合的整体风险[3] 3. 宏观因子模型 - **模型名称**：宏观因子模型 - **模型构建思路**：基于宏观经济因子进行资产配置[3] - **模型具体构建过程**： 1. 选择相关的宏观经济因子，如GDP增长率、通货膨胀率等[3] 2. 建立因子与资产收益率之间的关系模型[3] 3. 根据宏观因子的预测值，调整资产配置权重[3] - **模型评价**：宏观因子模型能够根据宏观经济环境的变化，动态调整资产配置，提高组合的适应性[3] 模型的回测效果 1. **Black-Litterman模型** - 已实现收益：4.23%[3] - 6月收益：0.64%[3] - 最大回撤：0.78%[3] - 波动率：1.18%[3] 2. **风险平价模型** - 已实现收益：4.07%[3] - 6月收益：0.3%[3] - 最大回撤：0.23%[3] - 波动率：0.82%[3] 3. **宏观因子模型** - 已实现收益：3.3%[3] - 6月收益：0.22%[3] - 最大回撤：0.27%[3] - 波动率：0.82%[3]

朝闻国盛 今日概览 研究视点 作者 | --- | --- | --- | --- | |----------|--------|--------|--------| | 行业 | 1 月 | 3 月 | 1 年 | | 房地产 | -14.1% | -9.2% | -33.7% | | 食品饮料 | -12.0% | -14.3% | -23.2% | | 纺织服饰 | -11.8% | -19.2% | -22.5% | | 电力设备 | -11.5% | -16.4% | -38.1% | | 商贸零售 | -11.4% | -19.7% | -35.0% | 3、《朝闻国盛：9 月降息概率上升，后续怎么看？》 2024-07-08 2024 年 07 月 11 日 2024 年 07 月 11 日 重磅研报 熊园 分析师 S0680518050004 xiongyuan@gszq.com 6 月物价主要变化在于：CPI 同比低于预期、环比降幅扩大，食品、汽车、家用器具等耐用消费价格下跌是主要拖累； PPI 环比再度转负，同比降幅继续收窄、低基数仍是支撑。往后看，CPI 可能延续低位徘徊，PPI 降幅可 ...

升 24 转债本期转债募集资金为 28 亿元，扣除发行费用后将用于新能 源汽车动力总成项目、轻量化汽车关键零部件项目、汽车轻量化结构件绿 色制造项目，上市日期为 7 月 10 日。 产能持续扩张，打造汽车轻量化平台型企业。行业层面，新能源汽车渗 透率仍在提升，带动电动车铝材渗透率继续提高，未来十年间单车用铝量 翻倍增长；而压铸行业一体化的趋势与重资产属性也注定强者恒强的趋势， 龙头份额将进一步提升。公司作为轻量化龙头企业，在压铸工艺的基础上， 拓展锻造/挤压工艺、进一步完善产品矩阵，稳步进行产能扩张，本次债券 募集资金 28 亿元，用于湖州地区新能源汽车动力总成项目与宁波北仑地 区的轻量化汽车关键零部件项目以及汽车轻量化结构件绿色制造项目，三 个项目建成后将为公司带来超 30 亿的产值；此外公司 2023 年公司启动了 墨西哥生产基地建设项目，未来将拥有熔铸、挤压、压铸、精密加工等全 流程工艺，达产后年产值逾 6 亿美元，实现北美客户的配套。根据 wind 一 致预期，公司 24/25 年预期归母净利润分别为 8.13 亿/10.19 亿，对应 PE 分别为 11.31X/9.03X。 平价、债底保护一般。升 ...