量化模型与构建方式 1. 模型名称：DeepSeek-V3 - **模型构建思路**：利用大模型的自然语言处理能力，对行业研报进行智能总结和整合，提炼核心观点和关键信息[2][8] - **模型具体构建过程**： 1. 从Wind数据库获取行业研报数据，筛选出符合条件的报告作为样本[8][22] 2. 将同一一级行业内的所有摘要合并，并与特定提示词拼接后输入DeepSeek-V3模型[8][17] 3. 模型输出包括行业名称、景气度、超预期程度等指标，结果以标准化JSON格式返回[17][20] 4. 为保证结果一致性，模型随机性参数设置为0[8][22] - **模型评价**：DeepSeek-V3在处理长文本和客观信息方面表现优异，能够有效提取行业研报中的关键信息，提升了行业比较的可操作性[3][17] --- 模型的回测效果 1. DeepSeek-V3模型 - **景气度**：通信设备（9.00）、互联网媒体（9.00）、专用机械（8.83）、计算机软件（8.80）等行业景气度较高[23][24] - **超预期程度**：通信设备（8.67）、互联网媒体（8.00）、专用机械（7.83）、计算机软件（7.88）等行业超预期程度较高[23][24] - **报告数目**：通信设备（3）、互联网媒体（6）、专用机械（6）、计算机软件（25）[23][24] - **景气度周变化**：通信设备（+0.18）、互联网媒体（+0.46）、专用机械（+0.40）、计算机软件（+0.24）[23][24] - **超预期程度周变化**：通信设备（+0.94）、互联网媒体（+0.32）、专用机械（+0.40）、计算机软件（+0.36）[23][24] --- 量化因子与构建方式 1. 因子名称：景气度因子 - **因子的构建思路**：通过对行业研报的文本分析，提取行业景气度信息，量化行业的整体表现[17][22] - **因子具体构建过程**： 1. 使用DeepSeek-V3模型对研报摘要进行解析，提取行业相关的景气度信息[22][23] 2. 按照中信二级行业分类，计算每个行业的景气度均值[22][23] 3. 仅保留报告数目大于2的行业，确保数据的代表性[22][23] 2. 因子名称：超预期程度因子 - **因子的构建思路**：通过分析行业研报中对行业表现的描述，量化行业的超预期表现程度[17][22] - **因子具体构建过程**： 1. 使用DeepSeek-V3模型解析研报摘要，提取超预期程度信息[22][23] 2. 按中信二级行业分类，计算超预期程度的均值[22][23] 3. 同样仅保留报告数目大于2的行业[22][23] --- 因子的回测效果 1. 景气度因子 - **景气度**：通信设备（9.00）、互联网媒体（9.00）、专用机械（8.83）、计算机软件（8.80）[23][24] - **景气度周变化**：通信设备（+0.18）、互联网媒体（+0.46）、专用机械（+0.40）、计算机软件（+0.24）[23][24] 2. 超预期程度因子 - **超预期程度**：通信设备（8.67）、互联网媒体（8.00）、专用机械（7.83）、计算机软件（7.88）[23][24] - **超预期程度周变化**：通信设备（+0.94）、互联网媒体（+0.32）、专用机械（+0.40）、计算机软件（+0.36）[23][24]

- 2月份券商金股推荐次数靠前的股票包括中芯国际、宁德时代、中兴通讯、宁波银行、上海港湾、中科创达、齐鲁银行等[10][11] - 2月份券商金股的市值水平下降，估值水平上升，表明转向成长风格[16][18] - 1月份券商金股组合整体收益率为0.8%，新进金股组合收益率为3.0%，重复金股组合收益率为-1.3%[4][17][20] - 开源金工优选金股组合1月份收益率为8.5%，2025年相对中证500超额10.9%，年化收益率为20.9%[5][22][25]

量化模型与构建方式 量化组合模型 1. **模型名称**：基于研报覆盖度调整的指数增强模型 **模型构建思路**：在不同宽基指数（如沪深300、中证500、中证1000）内，根据研报覆盖度区分两种域，并运用各自适用性因子进行增强，以提升组合表现[42] **模型具体构建过程**： - 将宽基指数内的股票根据研报覆盖度划分为高覆盖度域和低覆盖度域 - 针对不同域分别选用适合的因子进行增强 - 通过优化组合权重，构建增强指数组合 **模型评价**：该模型在不同宽基指数内均表现出较好的超额收益能力，且通过因子适配提升了模型的稳定性和收益率[42] --- 量化因子与构建方式 盈利因子 1. **因子名称**：盈利因子 **因子的构建思路**：通过盈利相关指标（如ROA、ROE、净利润增长等）衡量企业盈利能力，并以此作为选股依据[35][36] **因子具体构建过程**： - 计算单季度ROA同比差值、单季度ROE同比差值等盈利指标 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取盈利因子方向下前1/5组股票作为多头组合 **因子评价**：盈利因子在不同时间维度、宽基指数和行业板块中均表现较好，尤其在小市值股票中超额收益更高[35][36] 2. **因子名称**：一致预测因子 **因子的构建思路**：基于市场一致预期的盈利预测变化，捕捉市场对公司未来盈利能力的预期变化[35][36] **因子具体构建过程**： - 计算一致预测指标的变化率，如：(当前一致预测dps_FY1 - 3个月前一致预测dps_FY1)/3个月前一致预测dps_FY1绝对值 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取一致预测因子方向下前1/5组股票作为多头组合 **因子评价**：一致预测因子在盈利预测变化较大的情况下表现尤为突出，且在小市值股票中超额收益更高[35][36] 行为因子 1. **因子名称**：行为因子 **因子的构建思路**：通过市场行为数据（如资金流、换手率等）捕捉投资者行为模式，挖掘潜在的Alpha信号[39] **因子具体构建过程**： - 计算资金流相关指标，如融资净买入-融券净买入、主动大单资金净流入等 - 对因子进行市值和行业中性化处理 - 在宽基指数内选取行为因子方向下前1/5组股票作为多头组合 **因子评价**：行为因子在金融、消费、科技等板块中表现较好，胜率较高[39] --- 模型的回测效果 1. **基于研报覆盖度调整的指数增强模型** - 沪深300增强组合：上周超额收益-0.10%，1月超额收益2.50%，本年超额收益2.50% - 中证500增强组合：上周超额收益0.42%，1月超额收益0.32%，本年超额收益0.32% - 中证1000增强组合：上周超额收益0.98%，1月超额收益1.64%，本年超额收益1.64%[42][46] --- 因子的回测效果 1. **盈利因子** - 近一周多头超额收益：评级上下调差/评级上下调和1.13%，市盈率倒数fy1 0.99%，30天一致预期目标价格/收盘价-1 0.99%[36] - 不同宽基指数下表现：单季度ROA同比差值在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为2.62%、2.43%、2.62%、2.53%[38] 2. **一致预测因子** - 近一周多头超额收益：(当前一致预测dps_FY1 - 3个月前一致预测dps_FY1)/3个月前一致预测dps_FY1绝对值1.11%，(当前一致预测dps_FY1 - 1个月前一致预测dps_FY1)/1个月前一致预测dps_FY1绝对值1.01%[36] - 不同宽基指数下表现：评级上下调差/评级上下调和在沪深300、中证500、中证1000、国证2000中的多头超额收益分别为0.75%、2.26%、2.94%、3.48%[38] 3. **行为因子** - 在金融、消费、科技等板块中表现较好，胜率较高[39]

量化模型与构建方式 1. 模型名称：港股多因子模型 - **模型构建思路**：基于技术面、资金面、基本面和分析师预期四大类因子，构建多因子模型以筛选港股通成分股[31][32] - **模型具体构建过程**： 1. 从港股通成分股中提取四大类因子： - 技术面因子：如动量、波动率等指标 - 资金面因子：如资金流入流出、持仓变化等 - 基本面因子：如市盈率（PE）、市净率（PB）、ROE等 - 分析师预期因子：如盈利预测调整、目标价变化等 2. 对因子进行标准化处理，消除量纲差异 3. 根据因子得分对股票进行排序，选取得分最高的前20只个股构建组合 4. 组合采用等权配置，基准为港股综合指数（930930.CSI）[31][34] - **模型评价**：模型在全区间内表现优异，能够有效捕捉超额收益[31][34] --- 模型的回测效果 港股多因子模型 - **超额年化收益率**：14.7% - **超额收益波动比**：1.1 - **超额最大回撤**：18.2% - **分年度表现**： - 2015年：超额年化收益率5.0%，超额收益波动比0.4 - 2016年：超额年化收益率15.3%，超额收益波动比2.0 - 2017年：超额年化收益率25.8%，超额收益波动比3.1 - 2018年：超额年化收益率-7.2%，超额收益波动比-0.8 - 2019年：超额年化收益率35.3%，超额收益波动比2.8 - 2020年：超额年化收益率58.5%，超额收益波动比3.4 - 2021年：超额年化收益率8.6%，超额收益波动比0.8 - 2022年：超额年化收益率-1.2%，超额收益波动比-0.1 - 2023年：超额年化收益率7.7%，超额收益波动比0.8 - 2024年：超额年化收益率11.3%，超额收益波动比0.9 - 2025年：超额年化收益率37.1%[34][35][36] --- 量化因子与构建方式 1. 因子名称：技术面因子 - **因子构建思路**：通过动量、波动率等指标捕捉股票的技术性趋势[31][32] - **因子具体构建过程**： 1. 计算股票的历史收益率和波动率 2. 根据动量指标（如过去3个月或6个月的收益率）对股票进行排序 3. 结合波动率指标，筛选出技术面表现优异的股票[31][32] 2. 因子名称：资金面因子 - **因子构建思路**：通过资金流入流出、持仓变化等指标反映市场资金偏好[31][32] - **因子具体构建过程**： 1. 统计港股通资金流入流出数据 2. 计算资金流入占比和持仓市值变化 3. 对资金流入占比高的股票赋予更高权重[31][32] 3. 因子名称：基本面因子 - **因子构建思路**：通过市盈率（PE）、市净率（PB）、ROE等指标评估股票的基本面价值[31][32] - **因子具体构建过程**： 1. 提取股票的PE、PB、ROE等财务指标 2. 对指标进行标准化处理 3. 根据基本面得分对股票进行排序[31][32] 4. 因子名称：分析师预期因子 - **因子构建思路**：通过盈利预测调整、目标价变化等指标反映市场预期[31][32] - **因子具体构建过程**： 1. 收集分析师对股票的盈利预测和目标价数据 2. 计算盈利预测调整幅度和目标价变化率 3. 对预期改善幅度大的股票赋予更高权重[31][32] --- 因子的回测效果 技术面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 资金面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 基本面因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 分析师预期因子 - **超额年化收益率**：未单独披露 - **超额收益波动比**：未单独披露 [31][32][34]

量化模型与构建方式 1. 模型名称：量化大势研判框架 - **模型构建思路**：基于资产的内在属性和产业生命周期的变化，提出五种风格阶段（外延成长、质量成长、质量红利、价值红利、破产价值），通过全局比较优势资产的特征属性，判断未来市场的主流风格[5][6] - **模型具体构建过程**： 1. 从产业周期出发，将股票资产划分为五种风格阶段 2. 通过g>ROE>D的优先级，考察资产的成长性、盈利能力和估值水平 3. 采用资产优势差（类似因子择时中的Spread）来刻画头部资产的趋势变化，计算方式为：在截面上对所有行业进行排名并五等分，取第一组和第五组的中位数相减[5][17] 4. 根据主流资产（实际增速资产、预期增速资产、盈利资产）和次级资产（质量红利、价值红利、破产价值）的优先级，进行资产配置[7] - **模型评价**：该框架自2009年以来年化收益率达26.33%，对A股风格轮动具有较好的解释能力，但在部分年份（如2011、2012、2014、2016）效果有限[13][14] --- 量化因子与构建方式 1. 因子名称：预期成长因子（gf） - **因子的构建思路**：基于分析师对行业未来净利润增速的预期，选择预期增速最高的行业进行配置[6][25] - **因子具体构建过程**： 1. 收集分析师对行业未来净利润增速的预期数据 2. 计算行业预期净利润增速的优势差（△gf），即第一组和第五组的中位数相减 3. 按照△gf的高低进行行业排序，选择预期增速最高的行业[19][25] - **因子评价**：策略在2019年以来超额显著，尤其在2014-2015年期间表现较好[25] 2. 因子名称：实际成长因子（g） - **因子的构建思路**：基于行业的业绩动量（△g），选择超预期的行业进行配置[6][26] - **因子具体构建过程**： 1. 计算行业的业绩动量（△g），即净利润增速的变化 2. 采用因子sue（标准化意外收益）、sur（意外收益率）、jor（盈利修正）对行业进行筛选 3. 按照△g的高低进行行业排序，选择超预期的行业[17][26] - **因子评价**：策略长期超额显著，尤其在成长风格占优的环境下表现突出[26] 3. 因子名称：盈利能力因子（ROE） - **因子的构建思路**：基于PB-ROE框架，选择高ROE且估值较低的行业进行配置[6][29] - **因子具体构建过程**： 1. 计算行业的PB-ROE回归残差 2. 按照残差的高低进行行业排序，选择高ROE且估值较低的行业[29] - **因子评价**：策略在2016-2020年超额显著，但2021年以来表现较弱[29] 4. 因子名称：质量红利因子（DP+ROE） - **因子的构建思路**：基于股息率（DP）和ROE的综合得分，选择得分最高的行业进行配置[6][32] - **因子具体构建过程**： 1. 计算行业的DP和ROE 2. 对DP和ROE进行加权打分 3. 按照综合得分的高低进行行业排序，选择得分最高的行业[32] - **因子评价**：策略在2016年、2017年和2023年超额显著[32] 5. 因子名称：价值红利因子（DP+BP） - **因子的构建思路**：基于股息率（DP）和账面市值比（BP）的综合得分，选择得分最高的行业进行配置[6][35] - **因子具体构建过程**： 1. 计算行业的DP和BP 2. 对DP和BP进行加权打分 3. 按照综合得分的高低进行行业排序，选择得分最高的行业[35] - **因子评价**：策略在2009年、2017年和2021-2023年超额显著[35] 6. 因子名称：破产价值因子（PB+SIZE） - **因子的构建思路**：基于市净率（PB）和市值（SIZE）的综合得分，选择得分最低的行业进行配置[6][37] - **因子具体构建过程**： 1. 计算行业的PB和SIZE 2. 对PB和SIZE进行加权打分 3. 按照综合得分的高低进行行业排序，选择得分最低的行业[37] - **因子评价**：策略在2015-2016年和2021-2023年超额显著[37] --- 因子的回测效果 1. 预期成长因子 - 年化收益率：未明确提及 - 历史表现：2019年以来超额显著，2014-2015年期间表现较好[25] 2. 实际成长因子 - 年化收益率：未明确提及 - 历史表现：长期超额显著，尤其在成长风格占优的环境下表现突出[26] 3. 盈利能力因子 - 年化收益率：未明确提及 - 历史表现：2016-2020年超额显著，2021年以来表现较弱[29] 4. 质量红利因子 - 年化收益率：未明确提及 - 历史表现：2016年、2017年和2023年超额显著[32] 5. 价值红利因子 - 年化收益率：未明确提及 - 历史表现：2009年、2017年和2021-2023年超额显著[35] 6. 破产价值因子 - 年化收益率：未明确提及 - 历史表现：2015-2016年和2021-2023年超额显著[37]

量化模型与构建方式 1. 高频宏观因子模型 - **模型名称**：高频宏观因子模型 - **模型构建思路**：通过资产组合模拟构建高频宏观因子体系，用以观察市场交易的宏观预期变化[12] - **模型具体构建过程**： 1. 真实宏观指标合成低频宏观因子[12] 2. 筛选领先于低频宏观因子的资产[12] 3. 以资产同比收益率为自变量，低频宏观因子同比为因变量，通过滚动多元领先回归确定资产权重，构建投资组合模拟宏观因子走势[12] 4. 各因子具体构建方式： - **高频经济增长因子**：以工业增加值同比、PMI同比、社会消费品零售总额同比为低频因子，滚动回归拟合恒生指数、CRB金属现货[13] - **高频通货膨胀因子（消费端）**：以CPI同比为低频因子，滚动回归拟合食用农产品价格指数、猪肉价格指数[13] - **高频通货膨胀因子（生产端）**：以PPI全部工业品同比为低频因子，滚动回归拟合生产资料价格指数、CRB工业现货指数、CRB综合现货指数[13] - **高频利率因子**：以国债到期收益率为基准，做空中债-国债总净价（1-3年）指数[13] - **高频信用因子**：以信用债到期收益率减去国债到期收益率为基准，做多中债-企业债AAA财富(总值)指数，做空中债-国债总财富(总值)指数[13] - **高频汇率因子**：以人民币兑美元中间价为基准，做多美元指数[13] - **高频期限利差因子**：以长期国债到期收益率减去中短期国债到期收益率为基准，做多中债-中短期债券财富(总值)指数，做空中债-长期债券财富(总值)指数[13] - **模型评价**：高频因子相比低频因子具有一定的领先性[13] 2. 债券久期择时模型 - **模型名称**：债券久期择时模型 - **模型构建思路**：利用改进的Diebold2006模型预测即期收益率曲线，并映射出不同久期债券的预期收益[19] - **模型具体构建过程**： 1. 模型分别预测水平、斜率、曲率因子[19] 2. 水平因子的预测基于宏观变量预判和政策利率跟随[19] 3. 斜率和曲率因子的预测基于AR(1)模型[19] - **模型评价**：模型能够较好地捕捉债券收益率曲线的动态变化[19] 3. 黄金预期收益模型 - **模型名称**：黄金预期收益模型 - **模型构建思路**：将黄金和美国抗通胀债券(TIPS)的远期实际回报关联，构建黄金的预期收益模型[29] - **模型具体构建过程**： 1. 模型公式： $E[Real\_Return^{gold}]=k\times E[Real\_Return^{TIPS}]$ $E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{TIPS}]$ 其中，$k$为参数，$\pi^{e}$为美联储长期通胀目标（2%）[29] 2. 通过扩展窗口OLS估计参数$k$[29] - **模型评价**：模型能够较好地反映黄金资产的长期收益预期[29] 4. 主动风险预算模型 - **模型名称**：主动风险预算模型 - **模型构建思路**：结合风险平价模型与主动信号，从股债横向比价、股票纵向估值水平、市场流动性三个维度动态调整资产权重[32][35] - **模型具体构建过程**： 1. **股债横向比价**：借鉴美联储FED模型，定义股权风险溢价（ERP）为： $$E R P={\frac{1}{P E_{t t m}}}-Y T M_{T B}^{10Y}$$ 当ERP > 5%时超配权益资产，当ERP < 2%时低配权益资产[36][37] 2. **股票纵向估值水平**：滚动窗口计算股票估值在近5年历史中的分位数，当估值分位数 < 25%时超配权益资产，> 75%时低配权益资产[38] 3. **市场流动性**：以M2-M1剪刀差为指标，当M2-M1 ≥ 5%时超配权益资产，≤ -5%时低配权益资产[40] 4. 汇总三个维度的信号得分，代入softmax函数，计算权益资产风险预算权重： $$s o f t m a x(x)={\frac{\exp(\lambda x)}{\exp(\lambda x)+\exp(-\lambda x)}}$$ 其中，$x$为权益汇总信号，$\lambda$为风险调整系数[43][44] - **模型评价**：模型能够动态调整资产配置权重，适应市场变化[35] 5. 行业轮动模型 - **模型名称**：行业轮动3.0模型 - **模型构建思路**：从交易行为、景气度、资金面、筹码结构、宏观驱动、技术分析六个维度构建行业轮动子模型，并动态合成优选行业[50][51] - **模型具体构建过程**： 1. **交易行为模型**：捕捉行业日内动量+隔夜反转效应[51] 2. **景气度模型**：捕捉行业盈余动量效应[51] 3. **资金流模型**：捕捉主动抢筹+被动派发行为[51] 4. **筹码结构模型**：捕捉持仓收益+阻力支撑效应[51] 5. **宏观驱动模型**：捕捉高频宏观预期在行业上的映射[51] 6. **技术分析模型**：捕捉行业成份股在趋势、振荡、量能指标上的交易信号[51] - **模型评价**：模型能够综合多维度信号，动态调整行业配置[51] --- 模型的回测效果 高频宏观因子模型 - 高频经济增长因子：同比较前值上行[13] - 高频通货膨胀因子（消费端）：同比较前值上行[17] - 高频通货膨胀因子（生产端）：同比较前值下行[17] 债券久期择时模型 - 1月回报：-12.0bp，等权基准收益率22.7bp，策略超额收益-34.7bp[20] - 最近一年回报：2.49%，等权基准收益率7.59%，策略超额收益-5.10%[20] 黄金预期收益模型 - 未来一年黄金预期收益率：23.5%[29][33] - 过去一年基于TIPS收益率的择时策略绝对回报：35.97%[31][34] 主动风险预算模型 - 1月组合收益：-0.30%，股票仓位18.50%，债券仓位81.50%[45] - 2月组合收益：股票仓位18.00%，债券仓位82.00%[45] - 全样本区间年化收益率：6.62%，最大回撤4.89%，收益波动比1.66[48][49] 行业轮动模型 - 1月多空收益：-2.88%[56][59] - 行业轮动赔率：近期维持中高位水平[54] - 行业轮动胜率：1周动量效应较强[55]

量化因子与构建方式 1. 因子名称：市场同质化变动指数 - **因子的构建思路**：用于衡量一段时间内各板块在日频的不同周期上是否存在同涨同跌的趋势，反映市场的同向化变动风险[23] - **因子具体构建过程**： 1. 计算各板块在不同周期内的价格变动情况 2. 统计各板块在同一周期内的同涨同跌频率 3. 将结果标准化为一个风险类指标，数值越大表示市场同向化变动风险越高[23] - **因子评价**：该因子能够有效提示市场同向化变动风险，帮助投资者控制仓位的整体净杠杆，避免单方向上过多单边暴露[23] 2. 因子名称：趋势度（Efficiency Ratio, ER） - **因子的构建思路**：基于一段时间的价格变动和期间的总价格波动数值，计算标准化的趋势强度，数值范围为0~100，数值越大表示趋势越明显[27] - **因子具体构建过程**： 1. 选取一段时间内的价格数据 2. 计算期间的价格变动总量 3. 计算期间的总价格波动数值 4. 使用公式将结果标准化为0~100的范围，公式未明确列出[27] - **因子评价**：该因子能够直观反映市场趋势的强弱，便于投资者判断市场的趋势性机会[27] 3. 因子名称：波动率（Yang-Zhang波动率） - **因子的构建思路**：综合考虑日收盘价的变化、开盘跳空和日内价格范围的信息，使得波动率的估计更加准确和全面[47] - **因子具体构建过程**： 1. 计算传统的close-to-close波动率 2. 加入开盘跳空的波动信息 3. 纳入日内价格范围的波动信息 4. 综合上述信息，使用Yang-Zhang算法计算波动率，具体公式未明确列出[47] - **因子评价**：相比传统波动率计算方法，该因子更全面地反映了市场的真实波动情况，适用于更精确的风险管理和投资决策[47] 4. 因子名称：波动率锥 - **因子的构建思路**：通过绘制不同板块在不同周期上的波动率分布，判断当前板块在不同周期下的波动率水平是高还是低[50] - **因子具体构建过程**： 1. 收集各板块在不同周期内的波动率数据 2. 绘制波动率锥图，展示波动率的分布情况 3. 对比当前波动率与历史分布，判断其相对水平[50] - **因子评价**：该因子能够直观展示波动率的历史分布和当前水平，帮助投资者识别波动率的异常情况[50] --- 因子的回测效果 1. 市场同质化变动指数 - **当前水平**：高于平均值，表明市场同向化变动风险较高[14][19][23] 2. 趋势度（Efficiency Ratio, ER） - **黑色板块**：趋势度最高，表现较优[28] - **有色板块**：趋势度最低，降幅超过-60，处于历史低位水平[29] - **贵金属和农产品板块**：趋势度次之[29] 3. 波动率（Yang-Zhang波动率） - **整体市场**：短期波动率下降1%~2%，处于历史较低位[49] - **能化板块**：短期波动率持平[49] 4. 波动率锥 - **整体市场**：波动率锥显示当前市场波动率水平较低[50]

根据提供的文档内容，没有涉及到量化模型或量化因子的构建、测试或评价等相关内容

量化模型与构建方式 戴维斯双击组合 - **模型名称**：戴维斯双击组合 - **模型构建思路**：以较低的市盈率买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得乘数效应的收益，即 EPS 和 PE 的"双击"[1][7] - **模型具体构建过程**：通过筛选盈利增速在加速增长的标的，控制公司的 PE 向下空间，利用 PEG 指标评判股票定价的合理性[7] - **模型评价**：策略在回测期内的 7 个完整年度里，每个年度的超额收益均超过了 11%，具有非常好的稳定性[9] 净利润断层组合 - **模型名称**：净利润断层组合 - **模型构建思路**：基本面与技术面共振双击下的选股模式，核心是"净利润"和"断层"[2][12] - **模型具体构建过程**：每期筛选过去两个月业绩预告和正式财报满足超预期事件的股票样本，按照盈余公告日跳空幅度排序前 50 的股票等权构建组合[12] - **模型评价**：策略在 2010 年至今取得了年化 28.09%的收益，年化超额基准 26.54%[16] 沪深 300 增强组合 - **模型名称**：沪深 300 增强组合 - **模型构建思路**：基于投资者偏好因子构建增强组合，投资者偏好分为 GARP 型、成长型和价值型[3][18] - **模型具体构建过程**：以 PB 与 ROE 的分位数之差构建 PBROE 因子，以 PE 与增速的分位数之差构建 PEG 因子，寻找估值低且盈利能力强的股票和价值被低估且拥有可靠成长潜力的公司[18] - **模型评价**：历史回测超额收益稳定[22] 模型的回测效果 - **戴维斯双击组合** - 年化收益：26.45%[9] - 年化超额基准：21.08%[9] - 2024年累计绝对收益：4.35%[10] - 2024年超额中证 500 指数：5.68%[10] - 本周超额中证 500 指数：0.55%[10] - 本期组合超额基准指数：4.38%[10] - **净利润断层组合** - 年化收益：28.09%[16] - 年化超额基准：26.54%[16] - 2024年累计绝对收益：1.36%[16] - 2024年超额基准指数：2.68%[16] - 本周超额收益：0.90%[16] - **沪深 300 增强组合** - 年化收益：9.06%[20] - 年化超额基准：8.59%[20] - 2024年累计绝对收益：-0.66%[22] - 2024年超额基准指数：1.94%[22] - 本周超额收益：0.11%[22] - 本月超额收益：1.94%[22]

量化模型与构建方式 港股精选组合模型 1. **模型名称**：港股精选组合模型 2. **模型构建思路**：基于分析师推荐股票池进行基本面和技术面的双层优选，构建出具备基本面支撑和技术面共振的超预期股票组合[14][16] 3. **模型具体构建过程**： - **分析师推荐股票池构建**：以分析师上调盈利预测、分析师首次关注、分析师研报标题超预期事件作为分析师推荐事件构建分析师推荐股票池[16] - **基本面精选**：对分析师推荐股票池中的股票进行基本面精选，挑选出具备基本面支撑的股票 - **技术面精选**：对基本面精选后的股票进行技术面精选，挑选出具备技术面共振的股票 - **组合构建**：将同时具备基本面支撑和技术面共振的股票构建成港股精选组合 - **回测区间**：2010年1月1日至2024年12月31日，满仓状态考虑交易费用后，组合年化收益17.02%，相对恒生指数超额收益17.60%[16] 4. **模型评价**：该模型通过双层优选，能够有效筛选出具备基本面和技术面优势的股票，具有较高的年化收益和超额收益[16] 模型的回测效果 1. **港股精选组合模型**： - **年化收益**：17.02% - **相对恒生指数超额收益**：17.60% - **信息比率（IR）**：1.19 - **跟踪误差**：14.45% - **收益回撤比**：0.74 - **最大回撤**：23.73% - **最大回撤起始日**：2022年10月25日 - **最大回撤截止日**：2023年6月16日[18] 量化因子与构建方式 平稳创新高因子 1. **因子名称**：平稳创新高因子 2. **因子的构建思路**：基于动量效应和趋势跟踪策略，筛选出在过去20个交易日创出过250日新高且股价路径平稳的股票[19][21] 3. **因子具体构建过程**： - **250日新高距离计算**： $$ 250 \text{日新高距离} = 1 - \frac{Closet}{ts\_max(Close, 250)} $$ 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[21] - **筛选条件**： - 分析师关注度：过去6个月买入或增持评级的分析师研报不少于5份 - 股价相对强弱：过去250日涨跌幅位于样本池前20% - 股价平稳性：在满足上述条件的股票池内，用以下两个指标综合打分，取排名在前50%的股票（最少取50只股票） - 价格路径平滑性：股价位移路程比 - 创新高持续性：过去120日的250日新高距离在时间序列上的均值 - 趋势延续性：过去5日的250日新高距离在时间序列上的均值，取排序靠前的50只[22] 因子的回测效果 1. **平稳创新高因子**： - **本周平稳创新高股票**：丘钛科技等股票 - **创新高股票数量最多的板块**：科技板块（9只股票），其次为大金融（8只）、消费（6只）、周期（1只）和制造板块（1只）[21][22][23]