根据提供的研报内容，以下是关于量化模型和因子的总结： 量化因子与构建方式 1. **因子名称**：行业拥挤度因子 **因子构建思路**：通过计算行业指数最近一周价格和成交金额变动的马氏距离来衡量交易拥挤程度[3][15] **因子具体构建过程**： - 使用价格和成交金额变动的马氏距离构建拥挤度指标 - 将行业划分为四个象限：第1象限为价量齐升，第3象限为价量齐跌 - 椭圆外的点表示价格与成交金额偏离度置信水平超过99%的行业，第1象限椭圆外的点表示短期显著拥挤的行业[15] **因子评价**：该因子能有效识别短期交易过热或过冷的行业 2. **因子名称**：行业估值因子 **因子构建思路**：基于行业PE分位数构建估值因子[13] **因子具体构建过程**： - 计算各行业当前PE值 - 统计各行业PE自2019年以来的分位数[13] **因子评价**：该因子能反映行业相对估值水平 3. **因子名称**：宽基指数估值因子 **因子构建思路**：基于宽基指数PE分位数构建估值因子[8] **因子具体构建过程**： - 计算主要宽基指数（沪深300、中证500、创业板指、科创50）的PE值 - 统计各指数PE自2019年以来的分位数[8] 因子的回测效果 1. **行业拥挤度因子**： - 上周显著拥挤行业：美容护理、食品饮料[16] 2. **行业估值因子**： - PE最高行业：计算机(82.21)、国防军工(70.96)、电子(60.18) - PE最低行业：银行(6.11)、建筑装饰(9.68)、煤炭(11.26) - PE分位数最高行业：钢铁、建筑材料、机械设备(均为100%) - PE分位数最低行业：公用事业(5%)、食品饮料(12%)、社会服务(12%)[13] 3. **宽基指数估值因子**： - 沪深300 PE：12.82倍(分位数69%) - 中证500 PE：29.29倍(分位数92%) - 创业板指 PE：34.13倍(分位数30%) - 科创50 PE：113.84倍(分位数100%)[8] [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29]

量化模型与构建方式 1. **模型名称：红利50优选组合** **模型构建思路**：该组合在高股息收益的基础上，叠加线性多因子模型进一步增强组合资本利得收益，并采用Barra风格因子约束组合风格暴露。同时，参考三维红利超额择时模型的观点，细调红利风格暴露度，利用择时进一步增厚收益[43] **模型具体构建过程**： - 首先，选择高股息收益的股票作为基础组合 - 其次，通过线性多因子模型（如动量、估值、质量等因子）对组合进行增强 - 最后，使用Barra风格因子对组合的风格暴露进行约束，确保组合风格不漂移 **模型评价**：该模型在保证红利风格的基础上，通过多因子增强和择时策略，进一步提升了组合的收益表现[43] 2. **模型名称：中证红利超额收益择时策略** **模型构建思路**：基于全球流动性（10年期美债收益率）、内部流动性（国内M2同比）和国内经济预期（国内M1-M2同比剪刀差）三个维度，构建中证红利相对于万得全A的超额收益择时策略[7] **模型具体构建过程**： - 使用10年期美债收益率作为全球流动性指标 - 使用国内M2同比作为内部流动性指标 - 使用国内M1-M2同比剪刀差作为国内经济预期指标 - 通过回归模型计算中证红利相对于万得全A的超额收益 **模型评价**：该策略自2010年以来年化收益为8.04%，但在2025年超额择时收益为-8.33%，表现有所波动[7] 模型的回测效果 1. **红利50优选组合** - 近一年绝对收益：10.20% - 近一年超额收益：2.36% - 近三月绝对收益：-1.33% - 近三月超额收益：-0.56%[44] 2. **中证红利超额收益择时策略** - 2025年超额择时收益：-8.33%[7] 量化因子与构建方式 1. **因子名称：股息率因子** **因子构建思路**：通过标准化每个季报期截面的A股股息率，形成股息率因子，用于计算偏股型公募基金的红利风格暴露度[33] **因子具体构建过程**： - 收集每个季报期的A股股息率数据 - 对股息率进行标准化处理，形成股息率因子 - 使用该因子计算偏股型公募基金的红利风格暴露度 **因子评价**：该因子能够有效衡量基金在红利风格上的暴露程度，帮助投资者了解基金的红利配置情况[33] 2. **因子名称：相对PETTM因子** **因子构建思路**：通过计算中证红利PETTM估值与万得全A PETTM估值的比值，衡量中证红利的相对估值水平，并预测其未来一年的超额收益[20] **因子具体构建过程**： - 计算中证红利的PETTM估值 - 计算万得全A的PETTM估值 - 将两者相除，得到相对PETTM因子 - 通过回归模型预测未来一年的超额收益 **因子评价**：该因子在相对估值处于低位时，能够提供较为可观的超额收益赔率，但在高位时需警惕超额收益回撤的风险[20] 因子的回测效果 1. **股息率因子** - 2024Q4红利风格暴露度：0.45[33] 2. **相对PETTM因子** - 近三年相对PETTM百分位：57.54% - 未来一年超额收益预测：3.23%[21]

量化模型与构建方式 1. **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）的双因子选股模型，通过筛选低PB和高ROE的股票构建组合[23] - 模型具体构建过程： 1. 在全市场股票池中计算每只股票的PB和ROE值 2. 对PB和ROE分别进行标准化处理 3. 将标准化后的PB和ROE按50%权重加权求和，得到综合得分 4. 选取综合得分最高的50只股票等权重构建组合[24] 2. **模型名称：大宗交易组合** - 模型构建思路：基于"高成交金额比率、低波动率"原则筛选大宗交易标的[28] - 模型具体构建过程： 1. 计算每只股票的大宗交易成交金额比率 2. 计算6日成交金额波动率 3. 对上述两个指标进行标准化处理 4. 选取成交金额比率高且波动率低的股票构建组合[28] - 模型评价：能够有效捕捉大宗交易背后的超额信息[28] 3. **模型名称：定向增发组合** - 模型构建思路：以股东大会公告日为节点，结合市值因素构建的事件驱动模型[33] - 模型具体构建过程： 1. 筛选近期发布定向增发公告的股票 2. 考虑市值因素进行筛选 3. 控制调仓周期和仓位构建组合[33] - 模型评价：能够捕捉定向增发事件带来的投资机会[33] 模型的回测效果 1. **PB-ROE-50组合** - 中证500超额收益：0.11%（本周），1.35%（年初至今）[24] - 中证800超额收益：0.64%（本周），2.83%（年初至今）[24] - 全市场超额收益：-0.41%（本周），4.64%（年初至今）[24] 2. **机构调研组合** - 公募调研选股策略：-0.61%（本周超额），0.64%（年初至今）[25] - 私募调研跟踪策略：-0.78%（本周超额），8.11%（年初至今）[25] 3. **大宗交易组合** - 超额收益：0.80%（本周），10.62%（年初至今）[29] 4. **定向增发组合** - 超额收益：0.13%（本周），3.50%（年初至今）[34] 量化因子与构建方式 1. **大类因子表现** - 盈利因子：本周收益0.56%[17] - 动量因子：本周收益-0.38%[17] - 非线性市值因子：本周收益-0.33%[17] - 市值因子：本周收益-0.95%[17] 2. **单因子表现（沪深300股票池）** - 表现最佳：单季度ROA（1.44%）、单季度ROE（1.02%）、市盈率TTM倒数（0.96%）[8] - 表现最差：6日成交金额移动平均值（-1.72%）、单季度营业利润同比增长率（-1.63%）、5日平均换手率（-1.40%）[8] 3. **单因子表现（中证500股票池）** - 表现最佳：ROE稳定性（1.74%）、动量调整小单（1.59%）、ROA稳定性（1.57%）[11] - 表现最差：单季度营业收入同比增长率（-1.10%）、早盘收益因子（-0.73%）、单季度ROE同比（-0.66%）[11] 4. **单因子表现（流动性1500股票池）** - 表现最佳：市盈率TTM倒数（1.25%）、市盈率因子（1.07%）、下行波动率占比（0.64%）[14] - 表现最差：早盘收益因子（-1.06%）、毛利率TTM（-0.78%）、总资产增长率（-0.78%）[14] 因子的回测效果 1. **沪深300股票池因子表现** - 单季度ROA：1.44%（本周），-1.16%（1个月），-4.81%（1年）[9] - 单季度ROE：1.02%（本周），0.19%（1个月），1.44%（1年）[9] - 市盈率TTM倒数：0.96%（本周），1.17%（1个月），-3.06%（1年）[9] 2. **中证500股票池因子表现** - ROE稳定性：1.74%（本周），0.90%（1个月），3.52%（1年）[12] - 动量调整小单：1.59%（本周），2.09%（1个月），-3.52%（1年）[12] - ROA稳定性：1.57%（本周），0.64%（1个月），1.35%（1年）[12] 3. **流动性1500股票池因子表现** - 市盈率TTM倒数：1.25%（本周），-1.87%（1个月），-7.56%（1年）[15] - 市盈率因子：1.07%（本周），-1.50%（1个月），-6.71%（1年）[15] - 下行波动率占比：0.64%（本周），-1.21%（1个月），3.59%（1年）[15]

量化因子与构建方式 估值类因子 1. **因子名称**：bp - **构建思路**：衡量股票当前净资产与市值的比率[13] - **具体构建过程**：$$ bp = \frac{当前净资产}{当前总市值} $$ 2. **因子名称**：bp三年分位数 - **构建思路**：计算股票当前bp在最近三年的分位数[13] - **具体构建过程**：对每只股票的bp值在最近三年内排序并计算分位数 3. **因子名称**：季度ep - **构建思路**：衡量季度净利润与净资产的比率[13] - **具体构建过程**：$$ 季度ep = \frac{季度净利润}{净资产} $$ 4. **因子名称**：季度ep一年分位数 - **构建思路**：计算股票当前季度ep在最近一年的分位数[13] - **具体构建过程**：对每只股票的季度ep值在最近一年内排序并计算分位数 5. **因子名称**：季度sp - **构建思路**：衡量季度营业收入与净资产的比率[13] - **具体构建过程**：$$ 季度sp = \frac{季度营业收入}{净资产} $$ 6. **因子名称**：季度sp一年分位数 - **构建思路**：计算股票当前季度sp在最近一年的分位数[13] - **具体构建过程**：对每只股票的季度sp值在最近一年内排序并计算分位数 盈利类因子 7. **因子名称**：季度资产周转率 - **构建思路**：衡量季度营业收入与总资产的比率[13] - **具体构建过程**：$$ 季度资产周转率 = \frac{季度营业收入}{总资产} $$ 8. **因子名称**：季度毛利率 - **构建思路**：衡量季度毛利润与销售收入的比率[13] - **具体构建过程**：$$ 季度毛利率 = \frac{季度毛利润}{季度销售收入} $$ 9. **因子名称**：季度roa - **构建思路**：衡量季度净利润与总资产的比率[13] - **具体构建过程**：$$ 季度roa = \frac{季度净利润}{总资产} $$ 10. **因子名称**：季度roe - **构建思路**：衡量季度净利润与净资产的比率[13] - **具体构建过程**：$$ 季度roe = \frac{季度净利润}{净资产} $$ 成长类因子 11. **因子名称**：季度净利润同比增长 - **构建思路**：计算季度净利润同比增长率[13] - **具体构建过程**：$$ 季度净利润同比增长 = \frac{当前季度净利润 - 去年同期单季净利润}{去年同期单季净利润} $$ 12. **因子名称**：季度营收同比增长 - **构建思路**：计算季度营收同比增长率[13] - **具体构建过程**：$$ 季度营收同比增长 = \frac{当前季度营收 - 去年同期单季营收}{去年同期单季营收} $$ 13. **因子名称**：标准化预期外盈利 - **构建思路**：衡量实际盈利与预期盈利的差异[13] - **具体构建过程**：$$ 标准化预期外盈利 = \frac{当前季度净利润 - (去年同期单季净利润 + 过去8个季度单季净利润同比增长均值)}{过去8个季度的单季度净利润同比增长值的标准差} $$ 14. **因子名称**：标准化预期外收入 - **构建思路**：衡量实际收入与预期收入的差异[13] - **具体构建过程**：$$ 标准化预期外收入 = \frac{当前季度营收 - (去年同期单季营收 + 过去8个季度单季营收同比增长均值)}{过去8个季度的单季度营收同比增长值的标准差} $$ 波动率类因子 15. **因子名称**：Fama-French三因子1月残差波动率 - **构建思路**：衡量股票收益对Fama-French三因子回归的残差波动率[13] - **具体构建过程**：对过去20个交易日的日收益进行Fama-French三因子回归，计算残差的标准差 16. **因子名称**：1月特异度 - **构建思路**：衡量股票收益中未被Fama-French三因子解释的部分[13] - **具体构建过程**：$$ 1月特异度 = 1 - R^2 $$，其中R²为Fama-French三因子回归的拟合优度 17. **因子名称**：1个月超额收益率波动 - **构建思路**：衡量股票超额收益的波动率[13] - **具体构建过程**：计算过去20个交易日超额收益率的标准差 其他因子 18. **因子名称**：小市值 - **构建思路**：衡量股票市值的对数[13] - **具体构建过程**：$$ 小市值 = \log(市值) $$ 19. **因子名称**：Beta - **构建思路**：衡量股票收益与市场收益的相关性[14] - **具体构建过程**：对最近490个交易日的个股收益与市场收益进行加权回归，取回归系数 因子的回测效果 1. **bp三年分位数**：最近一周超额0.92%，最近一月超额-0.40%，最近一年超额2.71%[10] 2. **Fama-French三因子1月残差波动率**：最近一周超额0.90%，最近一月超额0.01%，最近一年超额5.95%[10] 3. **小市值**：最近一周超额1.32%，最近一月超额3.21%，最近一年超额9.89%[10] 4. **一年动量**：最近一周超额-0.53%，最近一月超额-2.15%，最近一年超额10.79%[10] 5. **Beta**：最近一周超额-0.31%，最近一月超额1.11%，最近一年超额7.50%[10]

量化模型与构建方式 1. **模型名称：进取组合** - 模型构建思路：基于多因子选股策略，追求较高风险收益比[5][12] - 模型具体构建过程：通过综合评估市值、估值、动量等因子，筛选出具有高成长性和超额收益潜力的股票[12] 2. **模型名称：平衡组合** - 模型构建思路：在风险与收益间取得平衡，兼顾稳健性和收益性[5][12] - 模型具体构建过程：结合估值、盈利质量、波动率等因子，优选均衡配置的股票组合[12] 3. **模型名称：沪深300增强组合** - 模型构建思路：通过超额收益因子优化基准指数成分股权重[16] - 模型具体构建过程：在沪深300成分股中，基于财务因子（如ROE）和技术因子（如动量）调整权重[16] 4. **模型名称：中证500增强组合** - 模型构建思路：在中证500成分股中挖掘具有Alpha的个股[16] - 模型具体构建过程：结合小市值因子和盈利增长因子进行加权优化[16] 5. **模型名称：中证1000增强组合** - 模型构建思路：聚焦小盘股的超额收益机会[16] - 模型具体构建过程：利用反转因子和换手率因子筛选高弹性个股[16] 6. **模型名称：盈利、增长、现金流三者兼优组合** - 模型构建思路：筛选同时满足高盈利、高增长、优质现金流的企业[25] - 模型具体构建过程： - 盈利因子：$$ ROE = \frac{净利润}{净资产} $$ - 增长因子：$$ RevenueGrowth = \frac{当期营收-上期营收}{上期营收} $$ - 现金流因子：$$ CFO/Assets = \frac{经营活动现金流净额}{总资产} $$ 综合排名后选取前20%股票[25] 7. **模型名称：PB-盈利优选组合** - 模型构建思路：结合低估值（PB）与高盈利（ROE）的“性价比”选股[28] - 模型具体构建过程： $$ PB-盈利得分 = \frac{ROE}{PB} $$ 选取得分最高的前30%股票[28] 8. **模型名称：GARP组合** - 模型构建思路：Growth at a Reasonable Price，平衡成长性与估值[30] - 模型具体构建过程： $$ PEG = \frac{PE}{盈利增长率} $$ 筛选PEG<1且盈利增长率>15%的股票[30] 9. **模型名称：小盘价值优选组合1/2** - 模型构建思路：在小盘股中挖掘低估值且具备基本面支撑的标的[34][35] - 模型具体构建过程： - 市值因子：选择全市场后30%小市值股票 - 价值因子：$$ ValueScore = \frac{1}{PB} + \frac{1}{PE} $$ 组合1侧重低PB，组合2侧重低PE[34][35] 10. **模型名称：小盘成长组合** - 模型构建思路：筛选小盘股中高成长性标的[40] - 模型具体构建过程： 结合营收增长率（>20%）和研发费用占比（>5%）排名[40] --- 模型的回测效果 1. **进取组合** - 周收益率：3.53%（超额2.10%）[12] - 年收益率：23.82%（超额17.29%）[13] - 跟踪误差：17.76%[11] 2. **平衡组合** - 周收益率：4.15%（超额2.72%）[12] - 年收益率：15.68%（超额9.15%）[13] - 跟踪误差：14.18%[11] 3. **沪深300增强组合** - 周收益率：1.69%（超额0.10%）[16] - 年收益率：6.27%（超额4.45%）[17] - 跟踪误差：6.17%[11] 4. **盈利、增长、现金流三者兼优组合** - 周收益率：5.31%（超额3.72%）[25] - 年收益率：6.23%（超额4.40%）[25] - 跟踪误差：14.99%[11] 5. **小盘成长组合** - 周收益率：2.30%（超额-1.57%）[40] - 年收益率：20.82%（超额2.11%）[40] - 跟踪误差：11.82%[11] --- 量化因子与构建方式 1. **因子名称：市值因子** - 构建思路：小市值股票长期表现优于大市值股票[43] - 具体构建过程：按总市值排序，分10档构建多空组合[43] 2. **因子名称：PB因子** - 构建思路：低估值股票具有防御性优势[43] - 具体构建过程： $$ PB = \frac{市值}{净资产} $$ 分10档计算多空收益[43] 3. **因子名称：反转因子** - 构建思路：过去跌幅大的股票短期可能反弹[46] - 具体构建过程： 计算过去20日收益率，分10档构建组合[46] 4. **因子名称：SUE因子（预期净利润调整）** - 构建思路：分析师上调盈利预期的股票表现更优[50] - 具体构建过程： $$ SUE = \frac{实际EPS-预期EPS}{预期EPS标准差} $$ 分10档测试多空收益[50] --- 因子的回测效果 1. **市值因子（全市场）** - 周多空收益：2.82%[43] - 年多空收益：15.83%[44] 2. **反转因子（全市场）** - 周多空收益：4.23%[46] - 年多空收益：2.37%[47] 3. **SUE因子（沪深300）** - 周多空收益：0.17%[50] - 年多空收益：3.34%[51]

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：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的分红点位[8] - 模型具体构建过程： 1. 对标的指数（中证500、沪深300、上证50、中证1000）未来一年内成分股分红进行预测 2. 计算合约存续期内（当月/次月/当季/下季）的分红点位占比 3. 公式： $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$ $$年化基差 = \frac{(实际基差 + 预期分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[18] - 模型评价：考虑了分红对期货定价的时序影响，适用于基差修正场景 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对冲现货风险，优化基差收敛收益[40][42] - 模型具体构建过程： - **连续对冲策略**：持有季月/当月合约至到期前2日调仓，保持70%现货+30%期货资金比例 - **最低贴水策略**：选择年化基差贴水幅度最小的合约，持有8个交易日后重新筛选[42] - 模型评价：最低贴水策略在波动市场中表现更优，但换手率较高 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反映市场对未来波动和尾部风险的预期[60][66] - 模型具体构建过程： 1. 基于不同期限（30/60/90/120日）期权价格计算隐含波动率 2. SKEW指标通过虚值期权IV偏斜程度衡量市场恐慌情绪 3. 公式未明确给出，但参考VIX标准计算方法[60] - 模型评价：能有效捕捉市场极端风险预期，尤其SKEW对"黑天鹅"事件敏感[66] --- 模型的回测效果 1. **IC对冲策略（2022/7/22-2025/3/14）** - 最低贴水策略：年化收益-0.93%，波动率4.84%，最大回撤-7.97%，年换手18.68次[44] - 季月连续对冲：年化收益-1.82%，波动率4.94%，最大回撤-8.34%[44] 2. **IF对冲策略** - 最低贴水策略：年化收益1.31%，波动率3.03%，最大回撤-4.06%[49] - 季月连续对冲：年化收益0.76%，波动率3.24%[49] 3. **IH对冲策略** - 最低贴水策略：年化收益1.68%，波动率3.06%，最大回撤-3.91%[54] - 季月连续对冲：年化收益1.97%，波动率3.50%[54] 4. **IM对冲策略** - 最低贴水策略：年化收益-3.49%，波动率5.17%，最大回撤-11.11%[57] - 季月连续对冲：年化收益-4.02%，波动率5.30%[57] --- 量化因子与构建方式 1. **因子名称：年化基差因子** - 因子构建思路：反映期货合约相对现货的溢价/折价水平，剔除分红影响[18] - 因子具体构建过程： 1. 计算合约收盘价与指数收盘价差值 2. 叠加存续期内预期分红点位 3. 年化处理： $$年化基差 = \frac{(实际基差 + 预期分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$[18] 2. **因子名称：VIX期限结构因子** - 因子构建思路：通过不同期限VIX差值捕捉波动率曲线形态变化[60] - 因子具体构建过程： 1. 分别计算30/60/90/120日VIX 2. 生成近端（30-60日）与远端（90-120日）VIX差值[60] --- 因子的回测效果 1. **VIX因子（2025/3/14取值）** - 上证50VIX_30：21.35，沪深300VIX_30：19.86，中证500VIX_30：26.42[60] - 中证1000VIX_30：26.01，显示小盘股波动预期更高[60] 2. **SKEW因子（2025/3/14取值）** - 上证50SKEW：97.72，沪深300SKEW：99.44，中证1000SKEW：102.75[67] - 中证1000SKEW>100表明小盘股尾部风险担忧更显著[67]

根据提供的研报内容，以下是关于量化模型和因子的详细总结： 量化模型与构建方式 1. **模型名称**：DeepSeek-V3 - **模型构建思路**：基于混合专家（MoE）架构和多头潜在注意力（MLA）技术，采用无辅助损失策略增强负载均衡和模型稳定性[9] - **模型具体构建过程**： - 预训练阶段使用14.8万亿优质token - 监督微调和强化学习优化模型能力 - 训练耗时2.788M H800 GPU小时，未出现损失波动[10] - **模型评价**：在知识理解、数学推理等领域表现卓越，训练成本低且性价比高[12] 2. **模型名称**：基金经理言行一致性判别模型 - **模型构建思路**：通过DeepSeek-V3提取基金经理观点，结合持仓数据验证言行一致性[16] - **模型具体构建过程**： - **行业维度**： 1. 使用DeepSeek-V3提取看好/不看好的行业概念（不超过3个）[18] 2. 匹配中信行业指数计算持仓匹配度[18] 3. 判断逻辑： - 看好行业需在T+1季度持仓>0且减仓不超过阈值[29] - 不看好行业需在T+1季度持仓=0且加仓不超过阈值[29] - **风格维度**： 1. 提取大盘/小盘等7类风格观点[31] 2. 根据万得风格指数成分股计算持仓[41] 3. 判断逻辑： - 市值/估值风格需满足持仓或变化量优于同类[46] - 红利/微盘风格需持仓占比优势且变化达标[46] 量化因子与构建方式 1. **因子名称**：行业言行一致因子 - **因子构建思路**：反映基金经理行业观点与实操的一致性[15] - **因子具体构建过程**： - 文本规则：排除历史表现描述，聚焦未来展望表述[20][22] - 计算规则： $$ \text{言行一致} = \begin{cases} 1 & \text{持仓变化符合阈值约束} \\ 0 & \text{否则} \end{cases} $$ 阈值根据行业类型动态设定[29] 2. **因子名称**：风格言行一致因子 - **因子构建思路**：捕捉风格配置与声明的偏离度[31] - **因子具体构建过程**： - 采用万得风格指数作为基准（如8888701.WI对应小盘风格）[41] - 复合判断条件： $$ \text{价值风格一致} = \begin{cases} 1 & \text{价值持仓} > \text{成长+均衡持仓} \ \text{OR} \ \Delta\text{价值} > \Delta(\text{成长+均衡}) \\ 0 & \text{否则} \end{cases} $$ [46] 模型的回测效果 1. **DeepSeek-V3模型**： - MMLU-Pro准确率75.9%[10] - MATH 500测试显著领先同类模型[10] - 训练成本：180K H800 GPU小时/万亿token[12] 2. **言行一致性模型**： - 行业维度： - 言行一致基金占比21.11%，不一致占比7.17%[63] - 2021年行业不一致峰值达8.1%（新能源板块波动）[63] - 风格维度： - 言行一致基金占比8.42%，不一致占比3.54%[63] - 2024年风格不一致率升至5.75%（市场快速轮动）[64] 因子的回测效果 1. **行业言行一致因子**： - 全一致组合波动率显著低于不一致组合（N=2回测周期）[70] - 行业不一致基金在2021Q4超额收益波动达15%[63] 2. **风格言行一致因子**： - 价值风格因子在2022年判别的准确率78%[53] - 微盘风格因子在持仓变化阈值5%时IC值0.32[46] 注：所有公式参数和阈值均来自原文披露的具体数值[29][41][46]

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（动态时间弯曲）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，生成交易信号[1][4][25] - **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），筛选相似度最高的片段[25][27] 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： $$\text{预测涨跌幅} = \frac{\sum_{i=1}^k w_i \cdot r_i}{\sum_{i=1}^k w_i}, \quad w_i = \frac{1}{d_i}$$ 其中\(d_i\)为DTW距离，\(r_i\)为历史片段未来涨跌幅[25] 3. 结合预测涨跌幅均值与方差阈值生成信号（如均值>0且方差<阈值则看多）[14] - **模型评价**：在非宏观突变市场环境下表现稳定，但对政策突发变化敏感[16] 2. **模型名称：外资择时模型** - **模型构建思路**：基于富时中国A50股指期货和南方A50ETF的价格背离与升贴水指标，复合生成A股择时信号[4][32] - **模型具体构建过程**： 1. 从富时A50期货提取升贴水指标和价格背离指标，复合生成期货信号[32] 2. 从南方A50ETF提取价格背离指标，生成ETF信号[32] 3. 将期货与ETF信号加权融合，最终输出外资择时信号[32] - **模型评价**：样本外表现稳健，多空策略收益风险比优异[21] --- 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25.38%，超额沪深300收益19.02%，最大回撤20.07%，周胜率超60%[4][16] - 2024年以来：绝对收益23.58%（沪深300），超额5.27%，最大回撤14.88%，交易胜率63.64%，盈亏比2.64[16] 2. **外资择时模型** - 全样本（2014-2024）：多空策略年化收益18.96%，最大回撤25.69%；多头策略年化14.19%，最大回撤17.27%[18] - 2024年以来：多头策略绝对收益28.05%，最大回撤8.32%；多空策略绝对收益21.66%，最大回撤13.14%[21] --- 其他关键方法说明 - **DTW算法改进**：引入Sakoe-Chiba边界或Itakura Parallelogram限制条件，解决传统DTW的"病态匹配"问题[29][31] - **相似性度量对比**：欧氏距离（锁步度量）易错配时间序列，DTW距离（弹性度量）更适应时序弹性匹配[27][28]

量化模型与因子分析总结 量化因子与构建方式 1. **因子名称：BP** - 因子构建思路：衡量公司净资产与市值的比率，反映估值水平[15] - 因子具体构建过程：净资产/总市值 - 因子评价：传统价值因子，长期有效但短期可能失效[19] 2. **因子名称：单季EP** - 因子构建思路：反映单季度净利润与市值的比率[15] - 因子具体构建过程：单季度归母净利润/总市值 3. **因子名称：单季SP** - 因子构建思路：反映单季度营业收入与市值的比率[15] - 因子具体构建过程：单季度营业收入/总市值 4. **因子名称：EPTTM** - 因子构建思路：反映滚动12个月净利润与市值的比率[15] - 因子具体构建过程：归母净利润TTM/总市值 5. **因子名称：SPTTM** - 因子构建思路：反映滚动12个月营业收入与市值的比率[15] - 因子具体构建过程：营业收入TTM/总市值 6. **因子名称：一个月反转** - 因子构建思路：捕捉短期价格反转效应[15] - 因子具体构建过程：过去20个交易日涨跌幅 7. **因子名称：三个月反转** - 因子构建思路：捕捉中期价格反转效应[15] - 因子具体构建过程：过去60个交易日涨跌幅 8. **因子名称：一年动量** - 因子构建思路：捕捉长期价格动量效应[15] - 因子具体构建过程：近一年除近一月后动量 9. **因子名称：单季净利同比增速** - 因子构建思路：反映公司单季度净利润增长情况[15] - 因子具体构建过程：单季度净利润同比增长率 10. **因子名称：单季营收同比增速** - 因子构建思路：反映公司单季度营业收入增长情况[15] - 因子具体构建过程：单季度营业收入同比增长率 11. **因子名称：单季ROE** - 因子构建思路：反映公司单季度净资产收益率[15] - 因子具体构建过程：单季度归母净利润*2/(期初归母净资产+期末归母净资产) 12. **因子名称：非流动性冲击** - 因子构建思路：衡量股票流动性风险[15] - 因子具体构建过程：过去20个交易日的日涨跌幅绝对值/成交额的均值 13. **因子名称：预期EPTTM** - 因子构建思路：基于分析师一致预期的滚动EP因子[15] - 因子具体构建过程：一致预期滚动EP 14. **因子名称：MFE组合构建模型** - 模型构建思路：在控制行业、风格等约束下最大化单因子暴露的组合优化模型[38] - 模型具体构建过程：采用组合优化模型构建最大化单因子暴露组合，目标函数为最大化单因子暴露，约束条件包括风格暴露、行业暴露、个股权重偏离等[38] - 模型评价：更接近实际投资约束条件下的因子有效性检验方法[38] - 模型公式： $$\begin{array}{ll}max&f^{T}\ w\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\ &w_{l}\leq w-w_{b}\leq w_{h}\\ &b_{l}\leq B_{b}w\leq b_{h}\\ &\mathbf{0}\leq w\leq l\\ &\mathbf{1}^{T}\ w=1\end{array}$$ 因子回测效果 沪深300样本空间 1. **单季ROE因子** - 最近一周超额收益：0.93% - 最近一月超额收益：1.22% - 今年以来超额收益：2.81% - 历史年化超额收益：4.45%[18] 2. **一个月反转因子** - 最近一周超额收益：0.67% - 最近一月超额收益：1.70% - 今年以来超额收益：3.15% - 历史年化超额收益：0.73%[18] 3. **非流动性冲击因子** - 最近一周超额收益：-0.56% - 最近一月超额收益：-1.31% - 今年以来超额收益：-0.98% - 历史年化超额收益：0.34%[18] 中证500样本空间 1. **预期EPTTM因子** - 最近一周超额收益：1.73% - 最近一月超额收益：1.09% - 今年以来超额收益：-0.24% - 历史年化超额收益：4.12%[21] 2. **一个月反转因子** - 最近一周超额收益：1.50% - 最近一月超额收益：1.34% - 今年以来超额收益：3.44% - 历史年化超额收益：0.12%[21] 3. **单季营收同比增速因子** - 最近一周超额收益：-1.02% - 最近一月超额收益：0.17% - 今年以来超额收益：3.18% - 历史年化超额收益：3.55%[21] 中证1000样本空间 1. **一个月反转因子** - 最近一周超额收益：1.75% - 最近一月超额收益：-1.32% - 今年以来超额收益：-0.23% - 历史年化超额收益：-1.89%[24] 2. **预期EPTTM因子** - 最近一周超额收益：1.62% - 最近一月超额收益：0.85% - 今年以来超额收益：0.05% - 历史年化超额收益：3.81%[24] 3. **标准化预期外收入因子** - 最近一周超额收益：-1.11% - 最近一月超额收益：-1.56% - 今年以来超额收益：-0.59% - 历史年化超额收益：5.97%[24] 公募重仓指数样本空间 1. **预期EPTTM因子** - 最近一周超额收益：1.33% - 最近一月超额收益：1.33% - 今年以来超额收益：0.61% - 历史年化超额收益：2.38%[27] 2. **一个月反转因子** - 最近一周超额收益：1.19% - 最近一月超额收益：1.43% - 今年以来超额收益：3.09% - 历史年化超额收益：0.11%[27] 3. **单季营收同比增速因子** - 最近一周超额收益：-0.87% - 最近一月超额收益：0.04% - 今年以来超额收益：-0.10% - 历史年化超额收益：1.60%[27]

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**：港股精选组合模型 **模型构建思路**：基于分析师推荐事件（上调盈利预测、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选出超预期股票[14][16] **模型具体构建过程**： - 事件筛选：捕捉分析师上调盈利预测、首次覆盖、标题含"超预期"的研报事件 - 基本面筛选：过去6个月买入/增持评级不少于5份[22] - 技术面筛选：过去250日涨跌幅位于前20%，股价位移路程比（平滑性指标）和250日新高距离（趋势延续性）综合打分[22] - 组合构建：等权重配置通过筛选的股票，满仓运作并考虑交易成本[16] **模型评价**：长期超额收益显著但近年稳定性下降，2024年超额收益收窄至6.68%[18] 2. **因子名称**：平稳创新高因子 **因子构建思路**：结合创新高距离、分析师关注度、股价路径平滑性等维度筛选具有持续动量的股票[19][21] **因子具体构建过程**： - 基础筛选：过去20个交易日创250日新高，且上市时间>15个月[22] - 核心公式： $$250日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中$Closet$为最新收盘价，$ts\_max(Close, 250)$为250日最高价[21] - 分层筛选： 1. 分析师关注度：过去6个月买入/增持评级≥5份 2. 股价强度：过去250日涨幅前20% 3. 平滑性指标：位移路程比 = 区间涨跌幅绝对值 / 日涨跌幅绝对值总和[22] 4. 趋势延续性：过去120日250日新高距离的时序均值[22] 模型的回测效果 1. **港股精选组合模型**（2010-2024全样本）： - 年化收益：17.02% - 超额收益（vs恒生指数）：17.60% - 最大回撤：23.73% - IR：1.19 - 跟踪误差：14.45%[18] 2. **平稳创新高因子**（2025年测试）： - 科技板块入选12只（数量最多），消费/制造/大金融分别入选10/8/8只[21] - 典型标的：三生制药等医药股创新高持续性显著[21][22] 量化因子与构建方式 1. **因子名称**：位移路程比（股价路径平滑性） **因子构建思路**：通过价格变动路径的平滑程度识别趋势质量[22] **因子具体构建过程**： $$位移路程比 = \frac{|P_t - P_{t-n}|}{\sum_{i=1}^n |P_i - P_{i-1}|}$$ 其中分子为n日价格变动绝对值，分母为n日内每日价格变动绝对值之和[22] 2. **因子名称**：分析师关注度因子 **因子构建思路**：利用分析师研报数量衡量市场关注度[22] **因子具体构建过程**：统计过去6个月买入/增持评级研报数量，阈值≥5份[22] 因子的回测效果 1. **位移路程比因子**： - 高分位股票在创新高组合中占比超60%[22] 2. **分析师关注度因子**： - 与250日新高距离结合使用时，信息比率提升0.3以上[22] 注：部分测试结果需结合图表数据展示（如图4/图5）[21][22]，但具体数值未在文本中披露