图表 11: S1 股债配置策略净值 10 图表 14: S2 配置策略平衡型月度净值跟踪 —— 基准组合净值 ·S2平衡型净值 1.002 1.000 0.998 0.996 0.994 0.992 2024/7/2 2024/7/5 2024/7/3 2024/7/4 2024/6/30 2024/7/1 资料来源：东证衍生品研究院 11 | --- | --- | --- | --- | |-----------------|--------------|-------------------------------------------------------|-----------------------------| | 走势评级 短期（ | 1-3 个月） | 中期（3-6 | 个月） 长期（ 6-12 个月） | | 强烈看涨 上涨 | 15% 以上 | 上涨 15% 以上 | 上涨 15% 以上 | | 看涨 上涨 | 5-15% | 上涨 5-15% | 上涨 5-15% | | 震荡 | 振幅-5%-+5% | 振幅 $$- 5 ^ { 0 } / _ { 0 } + 5 ^ { 0 ...

相关报告 金融工程定期报告 本期观点：模型维持上期偏多观点 从纯定量的全天候择时模型角度看，近期连续发出了三次看多信号， 而且当前整体的高频温度计仍然较低，这或许能提升我们对模型偏多 信号的信心和预期。 风险提示：根据历史信息及数据构建的模型在市场变化时可能失效。 | --- | |----------------| | | | | | | | | | | | 证券研究报告 | | | | 分析师 | | S1450518010002 | yangyong1@essence.com.cn 本报告版权属于国投证券股份有限公司，各项声明请参见报告尾页。 1 | --- | |--------------------------------------------------------------| | | | | | .........................................3 | | ...........................................................4 | 本报告版权属于国投证券股份有限公司，各项声明请参见报告尾页。 2 上期我们认为 ...

量化因子与构建方式 宏观环境因子 - **因子名称**: 宏观环境因子 - **因子构建思路**: 从货币流动性、长端利率、汇率、信用、国内经济增长、海外主要经济体等六个角度刻画宏观运行状态[31][32] - **因子的公式**: $$ \text{Logistic回归模型} = \text{宏观变量滞后一期} + \text{DIF值} - \text{EMA均值} $$ 公式说明：宏观变量滞后一期，求DIF值，12期EMA均值减去26期EMA均值[35][36] - **文章对因子的评价**: Logit回归结果与未来指数60个交易日上涨或下跌的逻辑相关性非常高，但对趋势强度几乎无预测能力[45] 中观景气因子 - **因子名称**: 中观景气因子 - **因子构建思路**: 采用中观高频数据刻画，特点是领先性且数据真实性较高[47] - **因子的公式**: $$ \text{中观景气指数} = \text{PCA合成大类因子} + \text{回归目标为上证指数的归属母公司股东的净利润} $$ 公式说明：拼接所有因子数据，按季度采样，用PCA合成大类因子，回归目标为上证指数的归属母公司股东的净利润(同比增长率)[50] - **文章对因子的评价**: 中观高频景气度指数与A股盈利趋势变化契合，并且具备领先预测性[50] 微观结构因子 - **因子名称**: 微观结构因子 - **因子构建思路**: 用当前市盈率与市净率在过去5年中所处分位数的均值来度量权益市场估值水平[66] - **因子的公式**: $$ \text{微观结构因子} = \text{估值水平} + \text{风险溢价} + \text{波动率} + \text{流动性} $$ 公式说明：将风险溢价度量指标求相反数，之后四因子等权相加，得到内生结构维度的左侧预测指标[103] - **文章对因子的评价**: 当前A股内生结构分位在0.27左右，自2021年Q4以来持续下行，目前已处于低估状态[103] 基差因子 - **因子名称**: 基差因子 - **因子构建思路**: 基于高频中证500涨跌与基差涨跌日相关系数进行择时研究，进行信号的IC矩阵统计后，然后查看分档收益[144] - **因子的公式**: $$ \text{年化基差率} = \frac{\text{次月期货} - \text{当月期货}}{\text{现货}} \times 12 $$ 公式说明：该值为负数即为负基差，也叫期货贴水；该值为正即为正基差，也叫期货升水[142] - **文章对因子的评价**: 基差因子可以很好地补充三维度择时信号在市场拐点时预测不及时的缺点[6] 因子的具体指标值 宏观环境因子 - **估值水平**: 中证全指0.122，沪深300 0.196，中证500 0.182，中证1000 0.147[104][105] - **风险溢价**: 中证全指0.034，沪深300 0.151，中证500 0.102，中证1000 0.050[104][105] - **波动率**: 中证全指0.078，沪深300 0.263，中证500 0.479，中证1000 0.638[104][105] - **流动性**: 中证全指0.062，沪深300 0.294，中证500 0.372，中证1000 0.396[104][105] 中观景气因子 - **20日收益率均值**: 景气&上行2.51%，景气&下行-3.42%，萧条&上行-0.34%，萧条&下行2.13%[121] - **20日胜率**: 景气&上行61.50%，景气&下行34.43%，萧条&上行51.99%，萧条&下行61.49%[121] - **60日收益率均值**: 景气&上行6.67%，景气&下行-6.98%，萧条&上行-0.36%，萧条&下行7.05%[121] - **60日胜率**: 景气&上行59.78%，景气&下行29.16%，萧条&上行44.20%，萧条&下行58.24%[121] 微观结构因子 - **20日收益率均值**: x<0.2 0.0182，x>0.8 0.0182[119] - **20日胜率**: x<0.2 8.59%，x>0.8 60.70%[119] - **60日收益率均值**: x<0.2 -0.0034，x>0.8 0.0182[119] - **60日胜率**: x<0.2 45.26%，x>0.8 75.62%[119] 基差因子 - **IC矩阵**: all_ma1d 3.46%，all_ma5d -2.58%，all_ma10d 0.65%，all_ma20d 4.04%，all_ma60d -0.29%[144][145] - **分档次均收益**: 1.50%，1.00%，0.50%，0.00%，-0.50%，-1.00%，-1.50%，-2.00%[147][148][149][150][151][152][153][154]

量化模型与构建方式 模型名称：深度学习网络模型 - **模型构建思路**：利用深度学习模型对ETF的未来价格走势进行预测，并指导摆动交易决策[85] - **模型具体构建过程**： 1. **数据处理**：剔除非交易日数据，过滤掉周五收盘价以外的数据，将所选ETF的交易数据和宏观辅助输入数据的基数分别设为l和m，构建训练样本[34] 2. **标签定义**：训练标签表示下一周的价格走势，当ETF价格上升至少100个基点时，标签定义为1，反之为0[60] 3. **模型训练**：使用循环神经网络（RNN）进行训练，包含四个内部层，使用ReLU和dropout技术缓解梯度消失和数据拟合过度问题[89] 4. **预测与交易**：模型训练完成后，用于预测ETF下一周的价格走势，并发出交易指令，预测结果通过Sigmoid函数转变为概率值[89] 5. **动态调整**：使用自定义损失函数结合近期资本的收益和亏损进行动态调整[66] 6. **置信度测量**：使用蒙特卡罗dropout实现置信度测量，通过多次预测生成预测分布，量化每个交易信号的置信度[69][93] - **模型评价**：模型在初始框架中已经有了部分的超额收益，但仍有进一步优化的空间[85] 模型的回测效果 - **深度学习网络模型** - 年化收益：2017年1.16%，2018年-24.21%，2019年18.20%，2020年29.01%，2021年-5.57%，2022年2.30%，2023年-11.07%，2024年24.23%[72][103] - 超额收益：2017年-21.0296%，2018年2.41%，2019年-18.74%，2020年3.15%，2021年0.19%，2022年25.03%，2023年1.19%，2024年17.58%[103] - 信息比率：2017年-1.34，2018年0.15，2019年-1.19，2020年0.20，2021年0.01，2022年1.59，2023年0.08，2024年1.12[103] - 最大回撤：2017年7.17%，2018年25.88%，2019年8.60%，2020年8.62%，2021年17.88%，2022年14.33%，2023年17.18%，2024年5.46%[103] 量化因子与构建方式 因子名称：ETF市场表现因子 - **因子的构建思路**：基于ETF的价格、成交量、基金每日的价格波动等数据进行构建[57] - **因子具体构建过程**： 1. **数据采集**：收集ETF的价格、成交量、基金每日的价格波动等数据[57] 2. **数据处理**：将所有非目标数据进行归一化处理，确保数据的均值为零且拥有单位方差[60] 3. **标签定义**：定义二进制标签，表示下一周的价格走势，当ETF价格上升至少100个基点时，标签定义为1，反之为0[60] - **因子评价**：因子在初始框架中已经有了部分的超额收益，但仍有进一步优化的空间[85] 因子名称：宏观经济因子 - **因子的构建思路**：基于10年期国债收益率、人民币货币指数、存款利率等宏观经济指标进行构建[57] - **因子具体构建过程**： 1. **数据采集**：收集10年期国债收益率、人民币货币指数、存款利率等宏观经济指标[57] 2. **数据处理**：将所有非目标数据进行归一化处理，确保数据的均值为零且拥有单位方差[60] 3. **标签定义**：定义二进制标签，表示下一周的价格走势，当ETF价格上升至少100个基点时，标签定义为1，反之为0[60] - **因子评价**：因子在初始框架中已经有了部分的超额收益，但仍有进一步优化的空间[85] 因子的回测效果 - **ETF市场表现因子** - T检验：2017年0.026863，2018年0.073363，2019年2.086431，2020年1.351324，2021年0.272174，2022年0.593459，2023年0.456042，2024年0[97] - P值：2017年0.978677，2018年0.786502，2019年0.554663，2020年0.508819，2021年0.786781，2022年0.555506，2023年0.796108，2024年1[97] - **宏观经济因子** - T检验：2017年2.682087，2018年4.164731，2019年-1.76056，2020年0.865845，2021年0.026863，2022年-0.5611，2023年0.129776，2024年2.157273[75] - P值：2017年0.71，2018年0.00，2019年0.08，2020年0.29，2021年0.85，2022年0.13，2023年0.20，2024年0.71[75]

周度报告—金融工程 [Table_Rank] 报告日期： 2024 年 06 月 30 日 [Table_Title] 宽基指数方面，本周涨跌幅排名前五的宽基指数及其涨跌幅分 别为日经 $$2 2 5 ( 2. 6 ^ { 0 } / 0 )$$ ，大盘价值(0.8%)，纳斯达克综指 $$( 0. 2 ^ { 0 } / _ { 0 } )$$ ， 标普 500(-0.1%)，道琼斯工业平均(-0.1%)；本周涨跌幅排名后 五的宽基指数及其涨跌幅分别为科创 50(-6.1%)，小盘成长 (-4.2%)，中盘成长 $$( - 3. 7 ^ { 0 } / 0 )$$ ，中证 $$1 0 0 0 ( - 3. 2 \% )$$ ，中证 $$5 0 0 ( - 3. 1 \% )$$ ； 本月涨跌幅排名前五的宽基指数及其涨跌幅分别为纳斯达克 综指(6.0%)，标普 $$5 0 0 ( 3. 5 ^ { 0 } / 0 )$$ ，日经 $$2 2 5 ( 2. 8 ^ { 0 } / _ { 0 } )$$ ，道琼斯工业平均 (1.1%)，中证 REITs(收盘)(-0.5%)；本月涨跌幅排名后五的宽基 指数及其涨跌 ...

量化模型与构建方式 模型名称：开源金工优选金股组合 - **模型构建思路**：基于新进金股和业绩超预期因子（SUE因子）构建优选金股组合[47] - **模型具体构建过程**： 1. 选择新进金股作为样本 2. 选择业绩超预期的前30只金股 3. 按照券商推荐数量加权构建优选金股组合[47] - **模型评价**：优选金股组合收益表现优于全部金股组合[47][63] 模型的回测效果 开源金工优选金股组合 - 6月收益率：-5.3%[63] - 2024年收益率：2.0%[63] - 年化收益率：19.4%[63] - 年化波动率：23.2%[63] - 收益波动比：0.84[63] - 最大回撤：24.6%[63] 全部金股组合 - 6月收益率：-4.8%[43] - 2024年收益率：-5.1%[43] - 年化收益率：9.9%[43] - 年化波动率：21.2%[63] - 收益波动比：0.47[63] - 最大回撤：42.6%[63] 沪深300 - 6月收益率：-3.3%[44] - 2024年收益率：0.9%[44] - 年化收益率：0.2%[44] - 年化波动率：18.0%[44] - 收益波动比：0.01[44] - 最大回撤：40.6%[44] 中证500 - 6月收益率：-6.9%[44] - 2024年收益率：-9.0%[44] - 年化收益率：-3.1%[44] - 年化波动率：20.4%[44] - 收益波动比：-0.15[44] - 最大回撤：37.5%[44]

证券研究报告·金融工程·金工定期报告 金工定期报告 20240701 预期高股息组合跟踪 $$- 2 0 2 4 0 6 2 8$$ 2024 年 07 月 01 日 ◼ 预期高股息组合 6 月表现回顾：预期高股息组合在 2024 年 6 月持仓股 票的平均收益为 -1.28%，其基准沪深 300 指数 $$^ { 6 }$$ 月涨跌幅为-3.30%， 组合跑赢沪深 300 指数 2.02%。 2024-06-03 东吴证券研究所 1 / 8 ◼ 预期高股息组合：东吴金工团队采用两阶段构建预期股息率指标，第一 阶段根据年报公告利润分配情况计算股息率，第二阶段利用历史分红与 基本面指标预测并计算股息率。进一步用两个短期影响股息率的重要因 素--反转因子与盈利因子辅助筛选，利用在沪深 300 成份股中优选，构 建预期高股息组合。组合每期持仓股票 30 只，每月底调仓一次。 相关研究 《【东吴金工，预期高股息】预期高股 息组合跟踪-20240531》 ◼ 风险提示：模型的测试基于历史数据，市场未来可能发生较大变化。 金工定期报告 | --- | |-------------------------------| | ...

量化模型与构建方式 1. 量能择时模型 - **模型名称**：量能择时模型 - **模型构建思路**：通过量能信号判断市场趋势，提供买卖建议 - **模型具体构建过程**： - 计算各宽基指数的量能信号 - 根据量能信号判断市场趋势，给出看多或谨慎的择时观点 - **模型评价**：该模型通过量能信号捕捉市场趋势，适用于短期市场判断[49][50] 2. 沪深300上涨家数占比情绪指标 - **模型名称**：沪深300上涨家数占比情绪指标 - **模型构建思路**：通过计算沪深300指数成分股的上涨家数占比，判断市场情绪 - **模型具体构建过程**： - 计算公式：沪深300指数N日上涨家数占比 = 沪深300指数成分股过去N日收益大于0的个股数占比 - 通过两次不同窗口期的平滑处理，捕捉指标变动情况 - 当短期平滑线大于长期平滑线时，看多市场；反之，看空市场 - **模型评价**：该指标能够较快捕捉上涨机会，但在市场过热阶段可能会错失部分收益，对下跌市场的判断存在缺陷[51][52][68] 3. 均线情绪指标 - **模型名称**：均线情绪指标 - **模型构建思路**：通过计算沪深300收盘价的八均线数值，判断市场趋势 - **模型具体构建过程**： - 计算沪深300收盘价的八均线数值，均线参数为8, 13, 21, 34, 55, 89, 144, 233 - 计算当日沪深300指数收盘价大于八均线指标值的数量 - 当前价格大于八均线指标值的数量超过5时，看多沪深300指数 - **模型评价**：该指标通过均线系统判断市场趋势，适用于中长期市场判断[82][90] 模型的回测效果 量能择时模型 - **沪深300**，择时观点：看多[49][50] 沪深300上涨家数占比情绪指标 - **沪深300**，择时观点：中性[51][52][68] 均线情绪指标 - **沪深300**，择时观点：非景气区间[82][90] 量化因子与构建方式 1. 横截面波动率因子 - **因子名称**：横截面波动率因子 - **因子的构建思路**：通过计算各指数的横截面波动率，判断短期Alpha环境 - **因子具体构建过程**： - 计算各指数的横截面波动率 - 统计各指数横截面波动率的历史分位点 - **因子评价**：该因子能够反映短期Alpha环境的变化，适用于短期市场判断[95][104] 2. 时间序列波动率因子 - **因子名称**：时间序列波动率因子 - **因子的构建思路**：通过计算各指数成分股的时间序列波动率，判断短期Alpha环境 - **因子具体构建过程**： - 计算各指数成分股的时间序列波动率 - 统计各指数时间序列波动率的历史分位点 - **因子评价**：该因子能够反映短期Alpha环境的变化，适用于短期市场判断[105][116] 因子的回测效果 横截面波动率因子 - **沪深300**，近一季度平均值：1.84%，近一季度平均值占近两年分位：45.25%[104] - **中证500**，近一季度平均值：1.97%，近一季度平均值占近两年分位：50.00%[104] - **中证1000**，近一季度平均值：2.24%，近一季度平均值占近两年分位：64.14%[104] 时间序列波动率因子 - **沪深300**，近一季度平均值：0.55%，近一季度平均值占近两年分位：41.53%[116] - **中证500**，近一季度平均值：0.58%，近一季度平均值占近两年分位：48.41%[116] - **中证1000**，近一季度平均值：0.62%，近一季度平均值占近两年分位：58.17%[116]

股债配置观点 - 权益风险预算提升，股票仓位保持积极[12] - 根据主动风险预算配置建议，7月权益风险预算权重小幅上调，最新权益仓位为19.89%[60] 市场流动性 - 市场流动性: M2-M1 剪刀差为 11.2%[43] 行业轮动观点 - 行业轮动观点显示，7月看多电子、军工、纺服等行业[97] - 大科技板块中，电子和通信行业涨幅较高，而大制造板块中的国防军工和交通运输表现较差[165] - 电子通信和公用事业石油石化银行行业在6月份涨幅较高，分别为3.03%和2.71%[170] - 2024年7月行业配置推荐包括电子、国防军工、机械设备、有色金属、石油石化、电力设备等行业[171] ETF产品推荐 - 电子ETF消费电子龙头ETF和国防军工ETF等ETF产品值得关注[172] - 军工ETF易方达和国防军工ETF等ETF产品在行业轮动中表现突出[173] - 碳中和ETF基金和电池ETF等ETF产品也值得关注[174] - 2021年7月至2021年12月，碳中和ETF基金表现稳定，收益率在0.85%至2.24%之间[176] FOF组合和主动权益基金投资策略 - "配置+选基" FOF 组合在6月份的收益为-2.89%[1] - 主动权益基金投资策略包括投资标签、策略标签和特征标签，涵盖了均衡策略、交易策略、主题投资、成长策略等多种分类[1]

S&P Global 分析师预期数据库（S&P Capital IQ Estimates）作为一个透明的、高 质量的、标准化的全球数据库，包括实时对全球上市公司进行投资评级的调整、目 标价的修订、跟踪上市公司动态新闻或重大事项，以及基于分析师、经纪人和公司 本身的预测、建模和分析。其估算数据主要来自研究报告、研究员和新闻稿。 金 融 工 程 研 究 2024 年 06 月 29 日 开 源 证 券 证 券 研 究 报 告 金融工程专题 请务必参阅正文后面的信息披露和法律声明 1 / 24 金融工程专题 开源证券 录 正劳 金融工程专题 请务必参阅正文后面的信息披露和法律声明 金融工程专题 海外分析师一致预期的 $$\mathbf { A }$$ 股应用 | --- | --- | --- | |------------------------------------------------------------------------------------------------------|--------------------------------------------------------- ...