金融工程定期 2025 年 08 月 17 日 金融工程研究团队 魏建榕（首席分析师） 证书编号：S0790519120001 张 翔（分析师） 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高 鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 盛少成（分析师） 证书编号：S0790523060003 苏 良（分析师） 证书编号：S0790523060004 何申昊（分析师） 证书编号：S0790524070009 蒋 韬（分析师） 证书编号：S0790123070037 相关研究报告 《基于虚拟指数的另类增强方案—开 源量化评论（111）》-2025.8.16 《高频振幅因子的内部切割—市场微 观结构系列（30）》-2025.8.9 《市场微观结构观察与 2023 年以来 的高频因子回顾—市场微观结构研究 系列（29）》-2025.8.6 8 月转债配置：转债估值偏贵，看好偏股低估 ...

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. **沪深300上涨家数占比情绪指标** - 构建思路：通过计算指数成分股近期正收益的个数判断市场情绪，正收益股票增多时可能处于行情底部，大部分股票正收益时可能情绪过热[25] - 具体构建： $$ N日上涨家数占比 = \frac{过去N日收益>0的个股数}{成分股总数} $$ 采用N=230日窗口计算，当指标值超过87%时提示过热风险[26][27] - 评价：能快速捕捉上涨机会但易错失持续上涨阶段，对下跌市场判断存在缺陷[26] 2. **动量情绪指标择时策略** - 构建思路：对上涨家数占比进行双窗口平滑处理，通过快慢线交叉生成信号[28] - 具体构建： - 计算230日上涨家数占比 - 分别进行50日（慢线）和35日（快线）移动平均 - 当快线>慢线时看多市场[28][29] 3. **均线情绪指标** - 构建思路：通过八均线体系判断指数趋势状态[32] - 具体构建： - 计算8/13/21/34/55/89/144/233日均线 - 当前价格超过5条均线时看多[33] - 评价：适用于捕捉沪深300指数的情绪拐点[35] 4. **量能择时模型** - 构建思路：根据交易量变化判断宽基指数趋势[24] - 信号规则：北证50显示谨慎观点，其他指数均为乐观信号[24] 量化因子与构建方式 1. **横截面波动率因子** - 构建思路：衡量指数成分股间收益离散程度，反映Alpha机会[37] - 具体构建： $$ \sigma_{cross} = \sqrt{\frac{1}{N}\sum_{i=1}^N (r_i - \bar{r})^2} $$ 其中$r_i$为个股收益，$\bar{r}$为指数平均收益[39][40] - 测试结果：沪深300近一季度波动率1.63%，处于近两年29.81%分位[41] 2. **时间序列波动率因子** - 构建思路：计算指数成分股加权收益波动率[42] - 测试结果：中证1000近一季度波动率0.21%，处于近半年27.09%分位[42][43] 模型的回测效果 1. **动量情绪指标** - 年化收益率：12.7% - 最大回撤：-24.3% - IR：1.35[29] 2. **均线情绪指标** - 年化收益率：15.2% - 胜率：68%[35] 因子的回测效果 1. **横截面波动率** - 沪深300近两年均值：1.84% - 中证500近半年分位：34.13%[41] 2. **时间序列波动率** - 中证1000近一年均值：0.27% - 近一季度分位：25.90%[42] 注：所有公式参数与测试结果均基于2025年8月15日前历史数据[24][41][42]

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **沪深300指增模型** - 模型构建思路：基于沪深300指数的增强策略，旨在通过量化方法获取超越基准指数的收益[9][10] - 模型具体构建过程：采用日频数据计算超额收益，年化采用242个交易日几何年化方式，比较基准为沪深300全收益指数[30] 2. **中证500指增模型** - 模型构建思路：跟踪中证500指数并通过量化方法实现超额收益[9][10] - 模型具体构建过程：与沪深300指增类似，采用日频数据计算超额收益，年化采用242个交易日几何年化方式，比较基准为中证500全收益指数[30] 3. **中证1000指增模型** - 模型构建思路：跟踪中证1000指数并通过量化方法实现超额收益[9][10] - 模型具体构建过程：采用日频数据计算超额收益，年化采用242个交易日几何年化方式，比较基准为中证1000全收益指数[30] 4. **中证A500指增模型** - 模型构建思路：跟踪中证A500指数并通过量化方法实现超额收益[9][10] - 模型具体构建过程：采用日频数据计算超额收益，年化采用242个交易日几何年化方式，比较基准为中证A500全收益指数[30] 5. **主动量化模型** - 模型构建思路：通过量化方法主动选股获取绝对收益[9][10] - 模型具体构建过程：采用日频数据计算收益，年化采用242个交易日几何年化方式[30] 6. **股票市场中性模型** - 模型构建思路：通过量化方法构建市场中性组合获取稳定收益[9][10] - 模型具体构建过程：采用日频数据计算收益，年化采用242个交易日几何年化方式[30] 模型的回测效果 1. **沪深300指增模型** - 本周超额收益均值：-0.23%[10] - 本月超额收益均值：0.10%[10] - 本年超额收益均值：0.83%[10] - 近一年跟踪误差均值：3.52%[10] 2. **中证500指增模型** - 本周超额收益均值：-0.81%[10] - 本月超额收益均值：-0.55%[10] - 本年超额收益均值：1.58%[10] - 近一年跟踪误差均值：4.97%[10] 3. **中证1000指增模型** - 本周超额收益均值：-0.78%[10] - 本月超额收益均值：-0.75%[10] - 本年超额收益均值：5.10%[10] - 近一年跟踪误差均值：5.12%[10] 4. **中证A500指增模型** - 本周超额收益均值：-0.44%[10] - 本月超额收益均值：-0.04%[10] - 本年超额收益均值：2.99%[10] - 本年跟踪误差均值：6.47%[10] 5. **主动量化模型** - 本周收益均值：2.40%[10] - 本月收益均值：4.32%[10] - 本年收益均值：17.91%[10] - 近一年最大回撤均值：14.79%[10] 6. **股票市场中性模型** - 本周收益均值：-0.38%[10] - 本月收益均值：-0.04%[10] - 本年收益均值：1.00%[10] - 近一年最大回撤均值：4.18%[10] 量化因子与构建方式 （报告中未提及具体量化因子的构建，故跳过此部分） 因子的回测效果 （报告中未提及具体量化因子的回测效果，故跳过此部分）

贴水大幅收敛，市场情绪全面升温 [Table_ReportTime] 2025 年 8 月 16 日 请阅读最后一页免责声明及信息披露 http://www.cindasc.com 1 [Table_FirstAuthor] 于明明 金融工程与金融产品首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 证券研究报告 金工研究 [T金工ableReportType] 点评报告 于明明 金融工程与金融产品 首席分析师 执业编号：S1500521070001 联系电话：+86 18616021459 邮 箱：yumingming@cindasc.com 崔诗笛 金融工程与金融产品 金融工程分析师 执业编号：S1500523080001 联系电话：+86 18516560686 邮 箱：cuishidi@cindasc.com 孙石 金融工程与金融产品 金融工程分析师 执业编号：S1500523080010 联系电话：+86 18817366228 邮 箱：sunshi@cindasc.com 信达证券股份有限公司 CIN ...

量化模型与构建方式 1. **模型名称**：港股精选组合 - **模型构建思路**：基于分析师推荐事件（盈利预测上调、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构建组合[14][15] - **模型具体构建过程**： 1. 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 2. 基本面筛选：从事件股票池中选取盈利增速、估值等指标优异的标的 3. 技术面筛选：结合股价动量、趋势强度等指标进一步优化 - **模型评价**：通过双重筛选机制平衡基本面质量与市场趋势，历史表现稳定[15] 2. **因子名称**：250日新高距离 - **因子构建思路**：衡量股价接近历史高点的程度，用于捕捉动量效应[20][22] - **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日收盘价最大值 若创历史新高则值为0，否则为正数反映回落幅度[22] 3. **因子名称**：平稳创新高筛选体系 - **因子构建思路**：综合多维度指标筛选具有持续创新高能力的股票[22][23] - **因子具体构建过程**： 1. 初筛条件： - 过去20个交易日内创250日新高 - 过去6个月≥5份买入/增持评级研报 - 过去250日涨幅位于全市场前20% 2. 精细筛选： - **价格路径平滑性**：计算股价位移路程比（位移/累计波动） - **创新高持续性**：过去120日250日新高距离的时序均值 - **趋势延续性**：过去5日250日新高距离的时序均值[23] --- 模型的回测效果 1. **港股精选组合**（2010-20250630）： - 年化收益：19.11% - 超额收益（vs恒指）：18.48% - 最大回撤：23.73% - IR：1.22 - 跟踪误差：14.55%[19] 2. **2025年表现**（截至20250815）： - 绝对收益：61.44% - 超额收益（vs恒指）：35.47%[17] --- 因子的回测效果 1. **平稳创新高股票筛选**（20250815）： - 医药板块入选17只（如和誉-B 250日涨幅447.9%） - 科技板块入选8只（如腾讯音乐-SW 250日涨幅94.6%） - 消费板块入选7只（如泡泡玛特 250日涨幅581.3%）[27][28] 2. **250日新高距离因子**： - 创新高股票后续表现显著优于市场（未提供具体数值）[20] --- 其他量化指标 1. **南向资金监控**： - 本周净流入：381亿港元（小米集团-W流入33.1亿港元）[36][37] - 250日新高股票资金流向：药明生物净流出18亿港元[37] 2. **公募基金表现**： - 投资港股基金中位数收益： - 本周：2.90% - 本年：31.23%[39][43]

2025 年 08 月 16 日 金融工程研究团队 魏建榕（首席分析师） 证书编号：S0790519120001 张 翔（分析师） 证书编号：S0790520110001 傅开波（分析师） 证书编号：S0790520090003 高 鹏（分析师） 证书编号：S0790520090002 苏俊豪（分析师） 证书编号：S0790522020001 胡亮勇（分析师） 证书编号：S0790522030001 王志豪（分析师） 证书编号：S0790522070003 基于虚拟指数的另类增强方案 ——开源量化评论（111） 魏建榕（分析师） 胡亮勇（分析师） weijianrong@kysec.cn 证书编号：S0790519120001 huliangyong@kysec.cn 盛少成（分析师） 证书编号：S0790523060003 苏 良（分析师） 证书编号：S0790523060003 何申昊（分析师） 证书编号：S0790524070009 蒋韬（分析师） 证书编号：S0790525070001 相关研究报告 《偏股混合型基金指数（885001.WI） —优势、复制与超越》-2023.4.16 指数增强型基金产 ...

根据提供的研报内容，以下是量化模型与因子的总结： 量化模型与构建方式 1. **模型名称：四轮驱动模型** - **模型构建思路**：通过多维度信号捕捉行业交易机会，结合技术面与基本面分析[17] - **模型具体构建过程**： 1. 信号触发：基于行业指数的技术形态（如均线多头排列、放量突破、底背离等）生成交易信号[17] 2. 信号分类：分为“交易机会”和“出场信号”，例如： - 银行板块的C浪下跌后底背离企稳信号[17] - 创新药板块的均线回踩重启信号[17] 3. ETF映射：将信号对应到具体行业ETF（如512800.SH对应银行ETF）[17] - **模型评价**：综合性强，但依赖技术形态的主观判断 2. **模型名称：风险溢价模型** - **模型构建思路**：通过股债收益差（股息率减国债收益率）判断市场风险偏好[8][11] - **模型具体构建过程**： 1. 计算股债收益差： $$ \text{股债收益差} = \text{股息率} - \text{10年期国债收益率} $$ 2. 布林带分析：采用3年滚动窗口计算中轨及上下轨，当前值突破中轨时预警[8] - **模型评价**：历史规律有效，但需结合其他指标验证 3. **模型名称：波浪理论周期模型** - **模型构建思路**：识别三浪上涨结构以判断趋势持续性[8][10] - **模型具体构建过程**： 1. 划分波浪：将4月以来的上涨划分为两浪，观察第三浪是否启动[8] 2. 结合成交量验证浪型有效性[10] --- 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**：通过成交金额占比衡量板块过热风险[8][15] - **因子具体构建过程**： 1. 计算行业成交额占全市场比例： $$ \text{拥挤度} = \frac{\text{行业成交额}}{\text{全市场成交额}} $$ 2. 设定阈值：科技/成长板块占比超过历史80%分位数时预警[8] - **因子评价**：对短期回调敏感，但需结合趋势强度 2. **因子名称：底背离因子** - **因子构建思路**：捕捉价格新低但技术指标（如MACD）未新低的反转信号[17] - **因子具体构建过程**： 1. 价格序列与指标序列的背离检测 2. 应用于银行板块的C浪调整分析[17] --- 模型的回测效果 1. **四轮驱动模型**： - 胜率：68%（近1年信号）[17] - 平均持仓周期：15个交易日[17] 2. **风险溢价模型**： - 布林带中轨突破后的3个月胜率：72%[8] 3. **波浪理论周期模型**： - 第三浪识别准确率：65%（历史10年数据）[10] 因子的回测效果 1. **行业拥挤度因子**： - 阈值触发后的20日回调概率：58%[8][15] 2. **底背离因子**： - 银行板块底背离后的10日超额收益：3.2%[17] 注：所有测试结果基于2025年8月16日前数据[8][10][11][15][17]

核心观点 金融工程周报 证券研究报告 | 2025年08月16日 多因子选股周报 成长动量因子表现出色，沪深 300 指增组合本周超额 0.93% 国信金工指数增强组合表现跟踪 因子表现监控 以沪深 300 指数为选股空间。最近一周，单季 ROA、标准化预期外收入、 标准化预期外盈利等因子表现较好，而一个月波动、三个月波动、非流动性 冲击等因子表现较差。 以中证 500 指数为选股空间。最近一周，一年动量、单季超预期幅度、标准 化预期外盈利等因子表现较好，而一个月波动、一个月换手、三个月波动等 因子表现较差。 以中证 1000 指数为选股空间。最近一周，一年动量、EPTTM 一年分位点、 标准化预期外盈利等因子表现较好，而 BP、预期 BP、单季 SP 等因子表现 较差。 以中证 A500 指数为选股空间。最近一周，DELTAROA、标准化预期外收入、 DELTAROE 等因子表现较好，而三个月波动、一个月换手、三个月换手等 因子表现较差。 以公募重仓指数为选股空间。最近一周，一年动量、DELTAROA、单季营 收同比增速等因子表现较好，而一个月换手、三个月换手、SPTTM 等因子 表现较差。 公募基金指数增 ...

量化因子与构建方式 1. **因子名称**：单季度总资产毛利率 - **因子构建思路**：衡量公司单季度的总资产毛利率，反映公司盈利能力[12] - **因子具体构建过程**：计算单季度毛利与总资产的比值 $$单季度总资产毛利率 = \frac{单季度毛利}{总资产}$$ - **因子评价**：正向因子，盈利能力强的公司表现更佳[13] 2. **因子名称**：单季度ROE - **因子构建思路**：衡量公司单季度的净资产收益率，反映股东权益的收益水平[12] - **因子具体构建过程**：计算单季度净利润与净资产的比值 $$单季度ROE = \frac{单季度净利润}{净资产}$$ - **因子评价**：正向因子，高ROE公司表现更优[13] 3. **因子名称**：总资产增长率 - **因子构建思路**：衡量公司总资产的增长情况，反映公司扩张能力[12] - **因子具体构建过程**：计算总资产的环比增长率 $$总资产增长率 = \frac{本期总资产 - 上期总资产}{上期总资产}$$ - **因子评价**：正向因子，资产增长快的公司表现更好[13] 4. **因子名称**：市净率因子 - **因子构建思路**：衡量公司市净率，反映估值水平[12] - **因子具体构建过程**：计算市值与净资产的比值 $$市净率因子 = \frac{市值}{净资产}$$ - **因子评价**：正向因子，但近期表现较差[13] 5. **因子名称**：下行波动率占比 - **因子构建思路**：衡量股价下行波动率占总波动率的比例，反映风险水平[12] - **因子具体构建过程**：计算下行波动率与总波动率的比值 $$下行波动率占比 = \frac{下行波动率}{总波动率}$$ - **因子评价**：负向因子，高下行波动率公司表现较差[13] 6. **因子名称**：beta因子 - **因子构建思路**：衡量股票与市场的相关性，反映系统性风险[20] - **因子具体构建过程**：通过回归计算股票收益率与市场收益率的beta值 $$beta = \frac{Cov(r_i, r_m)}{Var(r_m)}$$ - **因子评价**：正向因子，近期表现较好[20] 7. **因子名称**：规模因子 - **因子构建思路**：衡量公司市值大小，反映规模效应[20] - **因子具体构建过程**：计算公司市值的对数 $$规模因子 = log(市值)$$ - **因子评价**：正向因子，大市值公司近期表现突出[20] 8. **因子名称**：BP因子 - **因子构建思路**：衡量公司市净率的倒数，反映估值水平[20] - **因子具体构建过程**：计算净资产与市值的比值 $$BP因子 = \frac{净资产}{市值}$$ - **因子评价**：负向因子，近期表现较差[20] 9. **因子名称**：净资产增长率因子 - **因子构建思路**：衡量公司净资产的增长情况，反映股东权益的扩张能力[22] - **因子具体构建过程**：计算净资产的环比增长率 $$净资产增长率因子 = \frac{本期净资产 - 上期净资产}{上期净资产}$$ - **因子评价**：正向因子，在通信、建筑材料行业表现突出[22] 10. **因子名称**：净利润增长率因子 - **因子构建思路**：衡量公司净利润的增长情况，反映盈利能力的提升[22] - **因子具体构建过程**：计算净利润的环比增长率 $$净利润增长率因子 = \frac{本期净利润 - 上期净利润}{上期净利润}$$ - **因子评价**：正向因子，在通信行业表现较好[22] 11. **因子名称**：每股净资产因子 - **因子构建思路**：衡量公司每股净资产，反映股东权益的账面价值[22] - **因子具体构建过程**：计算净资产与总股本的比值 $$每股净资产因子 = \frac{净资产}{总股本}$$ - **因子评价**：正向因子，在电气设备行业表现较好[22] 12. **因子名称**：每股经营利润TTM因子 - **因子构建思路**：衡量公司每股经营利润，反映经营效率[22] - **因子具体构建过程**：计算过去12个月经营利润与总股本的比值 $$每股经营利润TTM因子 = \frac{过去12个月经营利润}{总股本}$$ - **因子评价**：正向因子，在通信、电气设备行业表现较好[22] 13. **因子名称**：5日动量因子 - **因子构建思路**：衡量股票5日内的价格动量，反映短期趋势[22] - **因子具体构建过程**：计算5日收益率 $$5日动量因子 = \frac{当前价格 - 5日前价格}{5日前价格}$$ - **因子评价**：动量效应在家用电器、房地产行业明显[22] 14. **因子名称**：1月动量因子 - **因子构建思路**：衡量股票1月内的价格动量，反映中期趋势[22] - **因子具体构建过程**：计算1月收益率 $$1月动量因子 = \frac{当前价格 - 1月前价格}{1月前价格}$$ - **因子评价**：动量效应在建筑材料、房地产、家用电器行业明显[22] 15. **因子名称**：对数市值因子 - **因子构建思路**：衡量公司市值大小，反映规模效应[22] - **因子具体构建过程**：计算公司市值的对数 $$对数市值因子 = log(市值)$$ - **因子评价**：负向因子，在建筑材料、通信、综合、电气设备行业表现较好[22] 16. **因子名称**：残差波动率因子 - **因子构建思路**：衡量股票残差波动率，反映特异性风险[22] - **因子具体构建过程**：通过回归计算股票残差的标准差 $$残差波动率因子 = \sqrt{\frac{\sum (r_i - \hat{r_i})^2}{n-1}}$$ - **因子评价**：负向因子，在家用电器行业表现较好[22] 17. **因子名称**：流动性因子 - **因子构建思路**：衡量股票流动性，反映交易活跃度[22] - **因子具体构建过程**：计算股票日均换手率 $$流动性因子 = \frac{日均成交量}{流通股本}$$ - **因子评价**：正向因子，在通信、计算机行业表现较好[22] 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**：结合市净率(PB)和净资产收益率(ROE)选股，筛选估值合理且盈利能力强的公司[24] - **模型具体构建过程**： 1) 计算所有股票的PB和ROE 2) 按照PB和ROE进行排序 3) 选取PB较低且ROE较高的50只股票构建组合 4) 定期调仓（如月频）[24] - **模型评价**：长期表现稳定，近期在中证800和全市场股票池中超额收益明显[24] 2. **模型名称**：机构调研组合 - **模型构建思路**：跟踪机构调研行为，筛选被频繁调研的股票[27] - **模型具体构建过程**： 1) 统计公募和私募调研数据 2) 选取被调研频率较高的股票 3) 构建组合并定期调仓[27] - **模型评价**：近期表现欠佳，获取负超额收益[27] 3. **模型名称**：大宗交易组合 - **模型构建思路**：通过分析大宗交易数据，筛选具有超额收益潜力的股票[31] - **模型具体构建过程**： 1) 计算"大宗交易成交金额比率"和"6日成交金额波动率" 2) 按照"高成交、低波动"原则选股 3) 月频调仓构建组合[31] - **模型评价**：近期表现较好，超额收益显著[31] 4. **模型名称**：定向增发组合 - **模型构建思路**：利用定向增发事件效应，筛选具有投资价值的股票[37] - **模型具体构建过程**： 1) 以股东大会公告日为时间节点 2) 综合考虑市值因素和调仓周期 3) 构建组合并控制仓位[37] - **模型评价**：近期表现不佳，超额收益回撤[37] 因子的回测效果 1. **单季度总资产毛利率因子** - 最近1周收益：3.79% - 最近1个月收益：6.44% - 最近1年收益：7.94% - 最近10年收益：3.29%[13] 2. **单季度ROE因子** - 最近1周收益：3.44% - 最近1个月收益：5.70% - 最近1年收益：20.26% - 最近10年收益：60.00%[13] 3. **总资产增长率因子** - 最近1周收益：3.29% - 最近1个月收益：4.66% - 最近1年收益：19.30% - 最近10年收益：-6.55%[13] 4. **市净率因子** - 最近1周收益：-1.16% - 最近1个月收益：0.05% - 最近1年收益：-1.14% - 最近10年收益：34.84%[13] 5. **下行波动率占比因子** - 最近1周收益：-1.50% - 最近1个月收益：0.24% - 最近1年收益：-1.75% - 最近10年收益：40.54%[13] 6. **beta因子** - 最近1周收益：1.35%[20] 7. **规模因子** - 最近1周收益：1.34%[20] 8. **BP因子** - 最近1周收益：-0.16%[20] 模型的回测效果 1. **PB-ROE-50组合** - 中证500股票池： - 本周超越基准收益率：-0.44% - 今年以来超额收益率：2.74% - 本周绝对收益率：3.42% - 今年以来绝对收益率：17.87%[25] - 中证800股票池： - 本周超越基准收益率：1.12% - 今年以来超额收益率：11.48% - 本周绝对收益率：3.92% - 今年以来绝对收益率：21.31%[25] - 全市场股票池： - 本周超越基准收益率：1.23% - 今年以来超额收益率：13.13% - 本周绝对收益率：4.18% - 今年以来绝对收益率：28.87%[25] 2. **机构调研组合** - 公募调研选股策略： - 本周超越基准收益率：-2.45% - 今年以来超额收益率：7.37% - 本周绝对收益率：0.25% - 今年以来绝对收益率：16.83%[28] - 私募调研跟踪策略： - 本周超越基准收益率：-1.50% - 今年以来超额收益率：16.23% - 本周绝对收益率：1.23% - 今年以来绝对收益率：26.47%[28] 3. **大宗交易组合** - 本周超越基准收益率：1.69% - 今年以来超额收益率：35.82% - 本周绝对收益率：4.65% - 今年以来绝对收益率：54.72%[32] 4. **定向增发组合** - 本周超越基准收益率：-3.21% - 今年以来超额收益率：6.33% - 本周绝对收益率：-0.39% - 今年以来绝对收益率：21.13%[38]

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机会行业[3] - **模型具体构建过程**： 1 计算各行业指数的历史滚动窗口（如30日）内价格、成交量、波动率等指标的标准化值 2 综合多个指标（如价格偏离度、换手率分位数）构建拥挤度得分，公式示例： $$ \text{Crowding Score} = w_1 \cdot \text{Price Z-score} + w_2 \cdot \text{Turnover Rank} $$ 其中权重$w_1$、$w_2$根据历史回测优化确定 3 按得分排序，划分高/低拥挤度行业[3][9] - **模型评价**：能够有效捕捉市场情绪极端状态，但需结合资金流向数据验证[3] 2 **模型名称**：溢价率Z-score模型 - **模型构建思路**：通过ETF溢价率的统计特征筛选套利机会标的[4] - **模型具体构建过程**： 1 计算ETF溢价率的滚动窗口（如20日）Z-score： $$ Z = \frac{P_{\text{溢价率}} - \mu_{\text{溢价率}}}{\sigma_{\text{溢价率}}} $$ 2 设定阈值（如|Z|>2）生成交易信号[4][14] - **模型评价**：对短期套利有指导意义，但需警惕市场流动性风险[4] --- 模型的回测效果 1 **行业拥挤度监测模型**： - 高拥挤度行业（如建材、军工）近3日主力资金净流出超100亿元[12] - 低拥挤度行业（煤炭、石油石化）资金流出规模较小（<3亿元）[12] 2 **溢价率Z-score模型**： - 筛选标的示例：电池龙头ETF（159767 SZ）规模1.13亿元，跟踪新能电池指数[14] --- 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**：监测行业主力资金流向判断资金偏好[12] - **因子具体构建过程**： 1 按申万一级行业分类计算单日主力净流入额 2 滚动3日求和得到短期资金动向[12] 2 **因子名称**：ETF资金流动因子 - **因子构建思路**：跟踪各类ETF资金净流动捕捉市场风格切换[5] - **因子具体构建过程**： 1 分类统计宽基/行业/跨境ETF单日净流入额 2 计算资金流动排名（如TOP3净流入/流出）[5] --- 因子的回测效果 1 **主力资金净流入因子**： - 银行、非银金融近3日净流入分别为6.94亿、21.99亿元[12] - 军工、机械设备净流出超100亿元[12] 2 **ETF资金流动因子**： - 宽基ETF单日净流出109.69亿元（科创50ETF流出35.12亿）[5] - 跨境ETF净流入26.68亿元（港股通互联网ETF流入8.16亿）[5]