量化模型与构建方式 1. **模型名称：A股景气度高频指数模型[37]** * **模型构建思路：** 以上证指数归母净利润同比为Nowcasting目标，构建一个能够高频跟踪A股景气度的指数[37]。 * **模型具体构建过程：** 报告未提供该模型的具体构建公式和详细步骤，仅提及构建详情可参考报告《视角透析：A股景气度高频指数构建与观察》[37]。 2. **模型名称：A股情绪指数系统[43]** * **模型构建思路：** 基于市场波动率和成交额的变化方向来刻画市场情绪，并构建包含见底预警与见顶预警的情绪指数[43]。 * **模型具体构建过程：** 将市场按照波动率和成交额的变化方向划分为四个象限，其中“波动上-成交下”的区间为显著负收益，其余象限为显著正收益[43]。基于此规律构建情绪指数，但未提供具体的计算公式。 3. **模型名称：主题挖掘算法[52]** * **模型构建思路：** 通过处理新闻和研报文本，挖掘主题投资机会[52]。 * **模型具体构建过程：** 算法涉及多个维度，包括文本处理、主题关键词提取、主题个股关系挖掘、主题活跃周期构建、主题影响力因子构建等[52]。报告未提供具体的构建公式和详细步骤。 4. **模型名称：中证500增强策略模型[52][57]** * **模型构建思路：** 构建一个旨在持续跑赢中证500指数的投资组合[52]。 * **模型具体构建过程：** 报告未披露该增强策略模型的具体因子构成、权重配置及组合优化公式，仅展示了根据该模型生成的持仓明细[52][57]。 5. **模型名称：沪深300增强策略模型[62][65]** * **模型构建思路：** 构建一个旨在持续跑赢沪深300指数的投资组合[62]。 * **模型具体构建过程：** 报告未披露该增强策略模型的具体因子构成、权重配置及组合优化公式，仅展示了根据该模型生成的持仓明细[62][65]。 6. **模型名称：BARRA风格因子模型（应用于A股）[66]** * **模型构建思路：** 参照BARRA因子模型框架，对A股市场构建一套风格因子体系，用于解释股票收益和进行组合绩效归因[66]。 * **模型具体构建过程：** 报告构建了十大类风格因子，包括：市值（SIZE）、BETA、动量（MOM）、残差波动率（RESVOL）、非线性市值（NLSIZE）、估值（BTOP）、流动性（LIQUIDITY）、盈利（EARNINGS\_YIELD）、成长（GROWTH）和杠杆（LVRG）[66]。报告未提供每个因子的具体计算公式。 模型的回测效果 1. **中证500增强组合[52]** * 本周收益：1.36%[52] * 本周超额收益（相对中证500）：0.12%[52] * 2020年至今累计超额收益（相对中证500）：53.69%[52] * 2020年至今最大回撤：-10.90%[52] 2. **沪深300增强组合[62]** * 本周收益：0.38%[62] * 本周超额收益（相对沪深300）：-0.41%[62] * 2020年至今累计超额收益（相对沪深300）：47.12%[62] * 2020年至今最大回撤：-5.86%[62] 3. **A股情绪指数系统择时表现[52]** * 报告通过图表展示了该系统的择时表现，但未给出具体的量化指标数值[52]。 量化因子与构建方式 1. **因子名称：市值（SIZE）[66]** * **因子构建思路：** 衡量公司规模大小的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 2. **因子名称：BETA[66]** * **因子构建思路：** 衡量股票相对于市场整体波动性的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 3. **因子名称：动量（MOM）[66]** * **因子构建思路：** 衡量股票价格趋势强弱的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 4. **因子名称：残差波动率（RESVOL）[66]** * **因子构建思路：** 衡量股票特异性风险（剔除市场风险后）的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 5. **因子名称：非线性市值（NLSIZE）[66]** * **因子构建思路：** 捕捉市值与收益之间非线性关系的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 6. **因子名称：估值（BTOP）[66]** * **因子构建思路：** 衡量股票估值水平的风格因子（通常与账面市值比相关）[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 7. **因子名称：流动性（LIQUIDITY）[66]** * **因子构建思路：** 衡量股票交易活跃程度和变现能力的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 8. **因子名称：盈利（EARNINGS\_YIELD）[66]** * **因子构建思路：** 衡量公司盈利能力的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 9. **因子名称：成长（GROWTH）[66]** * **因子构建思路：** 衡量公司成长性的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 10. **因子名称：杠杆（LVRG）[66]** * **因子构建思路：** 衡量公司财务杠杆水平的风格因子[66]。 * **因子具体构建过程：** 报告未提供具体计算公式。 因子的回测效果 1. **近期风格因子表现（定性）[67]** * 表现较优的因子：动量因子、Beta因子[2][67] * 表现不佳的因子：残差波动率因子、盈利因子[2][67] * 呈显著负向超额收益的因子：非线性市值因子[2][67] 2. **风格因子暴露相关性（近一周）[68]** * 报告以表格形式展示了十大类风格因子两两之间的相关性系数，例如流动性因子与Beta、动量、残差波动率因子呈现明显正相关性；价值因子与Beta、残差波动率、流动性等因子呈现明显负相关性[67][68]。 3. **风格因子纯因子收益率（近一周）[71]** * 报告通过图表展示了十大类风格因子近一周的纯因子收益率，但未给出具体数值[71]。 4. **行业因子纯因子收益率（近一周）[72]** * 报告通过图表展示了各行业因子近一周的纯因子收益率，指出石油石化、煤炭、电子等行业因子跑出较高超额收益，通信、国防军工等行业因子回撤较多[67][72]。

量化模型与构建方式 根据提供的研报内容，该报告主要涉及商品期货的行情分析与基本面跟踪，并未明确阐述用于量化选股或资产配置的量化模型或量化因子。报告内容聚焦于镍和不锈钢品种的现货、期货市场数据、产业链信息及事件分析，属于传统商品研究范畴[1][2][4][5][8]。 报告中的“模型”或“因子”更多是指对市场状态和交易机会的定性分析框架，而非可回测的量化指标。例如： 1. **成本估值模型**：报告通过计算镍的火法、湿法现金成本以及不锈钢的生产成本，来评估价格的下方支撑和上方压力[1][2]。其构建思路是跟踪原材料（如镍矿、硫磺、铬铁）价格、税收政策及汇率，套用特定的生产工艺公式来计算现金成本。具体构建过程涉及行业特定的成本核算，但报告未给出统一的量化公式。 2. **套利机会分析框架**：报告提到了“内外正套”（基于进口利润）和“跨期反套”等套利机会[1][2]。其构建思路是基于价差（如国内外价差、跨期价差）的均值回复或驱动逻辑。具体构建过程需要实时计算相关价差，并设定阈值或结合基本面判断，但报告未提供具体的触发和退出规则。 3. **库存结构指标**：报告中跟踪了各类库存数据，并隐含了通过库存变化（如“国内后端冶炼累库超过海外”）来推断“海外交仓性价比”的逻辑[1][4]。这可以视为一个基本面因子，其构建思路是监控库存的绝对水平、环比变化及结构分布。具体构建过程是直接引用第三方数据（如SMM、Mysteel的库存统计）。 **评价**：报告中的这些分析框架紧密结合产业现实，对短期交易有较强的指导意义，但因其高度依赖主观判断和实时信息更新，难以标准化为纯粹的量化因子进行历史回测和稳定性评估。 模型的回测效果 报告中未提供任何量化模型的回测绩效指标（如年化收益率、夏普比率、最大回撤等）。 量化因子与构建方式 报告中未构建和测试用于选股或资产定价的传统量化因子（如价值、动量、质量等）。所提及的价差、成本、库存等更接近于交易信号或基本面状态指标，而非经过标准化处理和有效性检验的Alpha因子。 因子的回测效果 报告中未提供任何量化因子的测试结果（如IC值、IR、多空收益、分组收益等）。

量化模型与构建方式 1. **模型名称：成交量模型**[9] * **模型构建思路**：基于价量关系构建的短期择时模型，核心思想是成交量变化能反映市场情绪和资金动向[9]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为短期择时模型，并基于价量角度[9]。 2. **模型名称：特征龙虎榜机构模型**[11] * **模型构建思路**：基于龙虎榜机构买卖数据构建的短期择时模型，通过分析机构资金的异动来捕捉市场信号[11]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为短期择时模型[11]。 3. **模型名称：特征成交量模型**[11] * **模型构建思路**：基于成交量特征（可能包括成交量分布、放量/缩量模式等）构建的短期择时模型[11]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为短期择时模型[11]。 4. **模型名称：智能算法模型**[11] * **模型构建思路**：应用智能算法（如机器学习等）对市场数据进行建模，以生成择时信号的短期模型，报告中提及了针对沪深300和中证500的智能算法模型[11]。 * **模型具体构建过程**：报告未详细描述具体算法、特征和训练过程[11]。 5. **模型名称：涨跌停模型**[12] * **模型构建思路**：基于市场涨跌停股票数量及其变化构建的中期择时模型，反映市场极端情绪和赚钱效应[9][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为中期择时模型，并基于涨跌停角度[9][12]。 6. **模型名称：上下行收益差模型**[12] * **模型构建思路**：通过计算市场上行收益与下行收益的差值来构建的中期择时模型，衡量市场动能的强弱[9][12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为中期择时模型，并基于加速度与趋势角度[9][12]。 7. **模型名称：月历效应模型**[12] * **模型构建思路**：基于历史月份、星期等时间周期上的统计规律（月历效应）构建的中期择时模型[12]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为中期择时模型[12]。 8. **模型名称：长期动量模型**[13] * **模型构建思路**：基于长期价格动量（趋势）构建的长期择时模型[9][13]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，仅提及其为长期择时模型，并基于动量角度[9][13]。 9. **模型名称：A股综合兵器V3模型**[14] * **模型构建思路**：将多个单一择时模型的信号进行耦合形成的综合择时模型，旨在结合不同模型的优势，做到攻守兼备[9][14]。 * **模型具体构建过程**：报告未详细描述各模型信号的耦合规则与权重分配方式[9][14]。 10. **模型名称：A股综合国证2000模型**[14] * **模型构建思路**：针对国证2000指数，将多个择时模型信号进行耦合形成的综合择时模型[14]。 * **模型具体构建过程**：报告未详细描述具体构建过程[14]。 11. **模型名称：成交额倒波幅模型**[15] * **模型构建思路**：应用于港股的中期择时模型，结合成交额与波动率（倒波幅）指标来判断市场情绪[15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤[15]。 12. **模型名称：上下行收益差相似多空模型**[15] * **模型构建思路**：应用于港股的中期择时模型，是“上下行收益差模型”的衍生或相似版本，可能采用了多空对比的构建思路[15]。 * **模型具体构建过程**：报告未详细描述具体构建公式和步骤，及其与A股上下行收益差模型的区别[15]。 13. **模型名称：形态识别模型（双底形态、杯柄形态）**[40] * **模型构建思路**：基于技术分析中的经典价格形态（如双底、杯柄形态）进行选股的模型。当股价走势识别出特定形态并实现突破时，产生交易信号[40]。 * **模型具体构建过程**：报告展示了形态识别出的具体个股及其关键点位（如双底的A、C点，杯柄的A、B、C点），但未给出形态识别的量化规则和突破确认的阈值公式[40][43][45][48][49]。 14. **模型名称：倒杯子形态风险模型**[58] * **模型构建思路**：识别典型的负向价格形态（倒杯子形态），用于预警个股下跌风险。在一波下跌后的筑顶完成后，股价再次下跌并突破前低，预示下跌趋势可能延续[58]。 * **模型具体构建过程**：报告未详细描述形态识别的具体量化规则[58]。 模型的回测效果 *注：报告主要提供了各模型的最新择时信号（看多、中性、看空），以及形态识别模型的近期表现，未提供如年化收益、夏普比率、最大回撤等标准回测指标。* 1. **成交量模型**：最新信号显示，对上证50、中证500、中证800、深100指数看多；对上证指数、沪深300、创业板指、全A指数中性；对全A增强指数看多[11]。 2. **特征龙虎榜机构模型**：最新信号显示，对沪深300指数看空[11]。 3. **特征成交量模型**：最新信号显示，对国证2000、全A指数中性[11]。 4. **智能算法模型**：最新信号显示，对沪深300、中证500指数看多[11]。 5. **涨跌停模型**：最新信号显示，对国证2000、全A指数中性[12]。 6. **上下行收益差模型**：最新信号显示，对所有A股宽基指数（上证指数、上证50、沪深300、中证500、中证800、深100、国证2000、创业板指、全A）看多[11][12]。 7. **月历效应模型**：最新信号显示，中性[12]。 8. **长期动量模型**：最新信号显示，中性[13]。 9. **A股综合兵器V3模型**：最新信号显示，看空[14]。 10. **A股综合国证2000模型**：最新信号显示，中性[14]。 11. **成交额倒波幅模型**：最新信号显示，对恒生指数看多[15]。 12. **上下行收益差相似多空模型**：最新信号显示，对恒生指数、恒生国企指数看多[15]。 13. **双底形态模型**：截至报告期，本周（20260427-20260430）组合上涨2.5%，跑赢上证综指1.71%。自2020年12月31日至今，累计上涨27.61%，跑赢上证综指9.21%[40]。 14. **杯柄形态模型**：截至报告期，本周（20260427-20260430）组合上涨0.48%，跑输上证综指0.31%。自2020年12月31日至今，累计上涨24.32%，跑赢上证综指5.92%[40]。 量化因子与构建方式 *注：本报告为金工周报，核心内容是展示和解读各类择时模型的信号，并未详细阐述用于选股的底层量化因子的构建方式。报告中提到的“大师策略”涉及价值、成长等因子，但未展开说明[35]。*

量化模型与构建方式 1. **模型名称：流动性冲击指标**[2][8] * **模型构建思路**：用于衡量当前市场流动性相对于历史水平的偏离程度，以判断市场流动性状况。 * **模型具体构建过程**：基于沪深300指数计算。具体公式未在报告中给出，但根据描述，其计算过程应为：计算当前流动性指标（如成交额、换手率等）相对于过去一年（约250个交易日）该指标均值和标准差的Z值。报告中的数值“0.35”即为Z值，表示当前流动性高于过去一年平均水平0.35倍标准差。 $$流动性冲击指标 = \frac{当前流动性值 - 过去一年流动性均值}{过去一年流动性标准差}$$ * **模型评价**：该指标是判断市场微观流动性的有效工具。 2. **模型名称：情绪模型**[7][14][18] * **模型构建思路**：通过涨跌停板相关因子来刻画市场的情绪强弱和赚钱效应。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告构建，包含多个细分情绪因子。报告列出了截至当期的细分因子信号：净涨停占比（0）、跌停次日收益（0）、涨停板占比（0）、跌停板占比（0）、高频打板收益（1）。这些因子信号通过一定规则（未详细说明）汇总成综合情绪得分（1分，满分5分）和趋势模型信号（负向）。 * **模型评价**：用于预警市场情绪过热或过冷，辅助判断市场赚钱效应。 3. **模型名称：均线强弱指数**[7][14][17] * **模型构建思路**：通过计算各行业指数相对于其均线的位置，综合判断市场整体的技术性强弱。 * **模型具体构建过程**：根据Wind二级行业指数计算。具体方法为：计算每个行业指数是否位于其关键均线（如20日、60日等）之上，并给予得分，然后将所有行业的得分加总或进行标准化处理，得到市场整体的均线强弱得分（当前为163分）及其历史百分位（当前为57.2%）。 * **模型评价**：用于从技术面衡量市场整体的趋势强度和广度。 4. **模型名称：高频资金流模型**[7][14][18] * **模型构建思路**：通过分析高频资金流向数据，对主要宽基指数发出买入或卖出信号。 * **模型具体构建过程**：根据国泰海通量化团队前期专题报告构建。模型对沪深300、中证500、中证1000、中证2000指数分别生成四种信号：激进多头、激进多空、稳健多头、稳健多空。报告期内，对所有指数所有信号类型均发出正向买入信号（信号值为1）。 * **模型评价**：用于捕捉短期资金动向，辅助进行宽基指数的择时决策。 5. **模型名称：因子拥挤度综合打分模型**[19][20] * **模型构建思路**：通过多个维度指标综合评估单一因子的拥挤程度，作为因子可能失效的预警。 * **模型具体构建过程**：参考国泰海通量化团队专题报告，使用四个指标度量因子拥挤度：估值价差、配对相关性、长期收益反转、因子波动率。每个指标计算后都进行标准化（Z-Score）处理。综合打分由这四个分项指标得分通过一定方式（如等权或加权平均）合成。报告展示了小市值、低估值、高盈利、高增长四个因子的分项及综合得分。 * **模型评价**：是有效的因子失效预警工具，帮助投资者规避因资金过度追逐而面临回撤风险的因子。 6. **模型名称：行业拥挤度模型**[23][24][25] * **模型构建思路**：评估各行业板块的交易拥挤程度，识别过热或关注度不足的行业。 * **模型具体构建过程**：根据国泰海通量化团队专题报告构建。具体计算细节未在报告中给出，但结果以标准化分数（Z-Score）形式呈现。报告列出了截至期末各行业的拥挤度数值及相对上月的变化。 * **模型评价**：用于行业轮动和风险控制，帮助识别交易过热或存在预期差的行业。 模型的回测效果 1. **流动性冲击指标**， 当前数值0.35[2][8] 2. **情绪模型**， 综合得分1分（满分5分）， 趋势模型信号为负向[14][18] 3. **均线强弱指数**， 当前得分163， 历史百分位57.2%[14][17] 4. **高频资金流模型**， 沪深300指数信号：激进多头1、激进多空1、稳健多头1、稳健多空1；中证500指数信号：激进多头1、激进多空1、稳健多头1、稳健多空1；中证1000指数信号：激进多头1、激进多空1、稳健多头1、稳健多空1；中证2000指数信号：激进多头1、激进多空1、稳健多头1、稳健多空1[18] 5. **因子拥挤度综合打分模型**， 小市值因子综合拥挤度0.10；低估值因子综合拥挤度-0.72；高盈利因子综合拥挤度-0.21；高盈利增长因子综合拥挤度0.25[4][20] 6. **行业拥挤度模型**， 行业拥挤度最高为综合（2.13），其次为通信（1.74）、有色金属（1.43）、电子（1.24）、基础化工（1.03）；行业拥挤度上升幅度最大为计算机（变化0.40）[23][25] 量化因子与构建方式 1. **因子名称：小市值因子**[19][20] * **因子构建思路**：选择市值较小的股票，基于小市值公司可能具有更高成长性和溢价空间的逻辑。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用总市值或流通市值的倒数或排名作为因子值。 * **因子评价**：A股市场长期有效的风格因子之一，但容易受到市场风格和资金流向的影响。 2. **因子名称：低估值因子**[19][20] * **因子构建思路**：选择估值水平（如市盈率PE、市净率PB）较低的股票，基于价值投资理念。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用PE或PB的倒数或排名作为因子值。 * **因子评价**：经典的价值因子，在风格切换时往往有较好表现。 3. **因子名称：高盈利因子**[19][20] * **因子构建思路**：选择盈利能力（如净资产收益率ROE、总资产收益率ROA）较强的股票。 * **因子具体构建过程**：报告未给出具体构建公式。通常直接使用ROE或ROA的数值或排名作为因子值。 * **因子评价**：质量因子的核心代表，关注公司的盈利能力和质量。 4. **因子名称：高盈利增长因子**[19][20] * **因子构建思路**：选择盈利增长（如净利润增长率、营业收入增长率）较快的股票。 * **因子具体构建过程**：报告未给出具体构建公式。通常使用增长率指标的数值或排名作为因子值。 * **因子评价**：成长因子的核心代表，关注公司的成长潜力。 5. **因子名称：估值价差（用于拥挤度）**[19][20] * **因子构建思路**：衡量因子多空组合两端股票的估值差异，差异过大可能预示拥挤。 * **因子具体构建过程**：计算因子多头组合与空头组合的平均估值（如市净率PB）之比或差值，并进行标准化。 6. **因子名称：配对相关性（用于拥挤度）**[19][20] * **因子构建思路**：衡量因子多头组合内股票收益的相关性，相关性升高可能预示拥挤。 * **因子具体构建过程**：计算因子多头组合内股票收益率的平均两两相关性，并进行标准化。 7. **因子名称：长期收益反转（用于拥挤度）**[19][20] * **因子构建思路**：观察因子过去长期收益表现，近期持续强势后可能出现反转，预示拥挤。 * **因子具体构建过程**：计算因子组合过去一段时间（如一年）的累计收益，并进行标准化。 8. **因子名称：因子波动率（用于拥挤度）**[19][20] * **因子构建思路**：衡量因子收益的波动情况，波动率异常升高可能预示拥挤和风险。 * **因子具体构建过程**：计算因子组合收益率的滚动波动率，并进行标准化。 因子的回测效果 1. **小市值因子**， 估值价差0.95， 配对相关性0.24， 长期收益反转-0.11， 因子波动率-0.67， 综合拥挤度0.10[20] 2. **低估值因子**， 估值价差-0.85， 配对相关性0.17， 长期收益反转-1.74， 因子波动率-0.45， 综合拥挤度-0.72[20] 3. **高盈利因子**， 估值价差-1.28， 配对相关性-0.57， 长期收益反转1.67， 因子波动率-0.65， 综合拥挤度-0.21[20] 4. **高盈利增长因子**， 估值价差0.67， 配对相关性-0.41， 长期收益反转1.23， 因子波动率-0.47， 综合拥挤度0.25[20]

量化模型与构建方式 根据所提供的报告内容，该报告主要介绍云端人工智能投研工具（ArkClaw/OpenClaw）的配置与使用指南，并未涉及任何量化投资模型或量化因子的构建、测试与分析[1][5]。报告的核心是技术操作指引，而非量化策略研究。 量化因子与构建方式 根据所提供的报告内容，该报告主要介绍云端人工智能投研工具（ArkClaw/OpenClaw）的配置与使用指南，并未涉及任何量化投资模型或量化因子的构建、测试与分析[1][5]。报告的核心是技术操作指引，而非量化策略研究。 模型的回测效果 根据所提供的报告内容，该报告未包含任何量化模型的回测结果。 因子的回测效果 根据所提供的报告内容，该报告未包含任何量化因子的回测结果。

量化模型与构建方式 1. **模型名称：债券久期择时模型**[1][5][10] * **模型构建思路**：利用改进的Diebold2006模型预测即期收益率曲线的水平、斜率、曲率因子，并映射出不同久期债券的预期收益，以此进行久期择时[10]。 * **模型具体构建过程**： 1. 预测水平因子：基于宏观变量预判和政策利率跟随两个视角[10]。 2. 预测斜率与曲率因子：基于AR(1)模型[10]。 3. 将预测的收益率曲线因子映射为不同久期债券的预期收益[10]。 4. 每个季度持有预期收益最高的债券[11]。 2. **模型名称：黄金预期收益模型**[1][20] * **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[20]。 * **模型具体构建过程**： 1. 建立黄金与TIPS实际回报的关联模型： $$E[Real\_Return^{gold}]=k\times E[Real\_Return^{TIPS}]$$ 2. 将黄金名义预期收益率表示为通胀预期与TIPS实际回报的函数： $$E[R^{gold}]=\pi^{e}+k\times E[Real\_Return^{TIPS}]$$ 3. 通过扩展窗口OLS估计参数k，并以美联储长期通胀目标2%作为 $\pi^{e}$ 的代理[20]。 4. 当模型测算的黄金预期收益率大于10%时，发出为期一年的看多信号[23]。 3. **模型名称：A股权益择时框架**[2][26] * **模型构建思路**：从宏观流动性、信贷预期、跨境资金流、衍生品预期、市场资金流、技术分析六个维度构建子策略，并通过动态调整子策略权重合成综合择时信号[2][26]。 * **模型具体构建过程**： 1. 构建六个维度的子策略信号：宏观流动性、信贷预期、跨境资金流、衍生品预期、市场资金流、技术分析[2][26]。 2. 通过动态调整各子策略权重，得到综合择时信号[29]。 3. 基于综合择时信号，通过风险预算模型构建股债轮动组合[2][26]。 4. **模型名称：行业轮动体系3.0**[3][36] * **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、技术分析六个维度出发，分别构建行业轮动子模型，并对模型进行动态合成以双周频优选行业[3][36]。 * **模型具体构建过程**： 1. 构建六个子模型：交易行为模型（捕捉日内动量+隔夜反转效应）、景气度模型（捕捉盈余动量效应）、资金流模型（捕捉主动抢筹+被动派发行为）、筹码结构模型（捕捉持仓收益+阻力支撑效应）、宏观驱动模型（捕捉高频宏观预期映射）、技术分析模型（捕捉趋势、振荡、量能交易信号）[36]。 2. 动态合成各子模型信号，得到行业轮动综合信号[3][36]。 量化因子与构建方式 1. **因子名称：百元转股溢价率**[5][12] * **因子构建思路**：构建时序上可比的估值指标，用于衡量可转债相对于正股的相对配置价值[12]。 * **因子具体构建过程**：计算“百元转股溢价率”，并计算其滚动历史分位数（如滚动三年、五年分位数）以判断当前估值水平[12]。 2. **因子名称：修正YTM–信用债YTM**[1][14] * **因子构建思路**：通过剥离转股条款对转债YTM的影响，衡量偏债型转债与同等级期限信用债之间的相对配置价值[12][14]。 * **因子具体构建过程**：计算转债的修正YTM，减去同等级期限信用债的YTM，取其中位数作为衡量指标[14]。 3. **因子名称：转股溢价率偏离度因子 & 理论价值偏离度因子**[16] * **因子构建思路**：构建因子以识别并剔除高估值转债，因为长期来看高估值转债会带来系统性负收益[16]。 * **因子具体构建过程**：报告提及构建了这两个因子，但未给出具体计算公式[16]。 4. **因子名称：转债20日动量 & 转债波动率偏离度**[16] * **因子构建思路**：作为市场情绪捕捉指标，用于转债内部的风格轮动[16]。 * **因子具体构建过程**：报告提及使用这两个指标，但未给出具体计算公式[16]。 * **因子评价**：股性和债性是转债最大的风格特征，这两个指标用于捕捉市场情绪以进行风格轮动[16]。 模型的回测效果 1. **开源久期调整策略**[11][13] * 2026年4月回报：18.6bp[11][13] * 2026年4月超额收益（相对等权基准）：-16.1bp[11] * 最近一年回报：1.76%[11] * 最近一年超额收益（相对等权基准）：1.53%[11] 2. **转债风格轮动组合**[16] * 回测区间（2018年2月14日至2026年4月30日）年化收益：25.73%[16] * 回测区间最大回撤：15.89%[16] * 回测区间信息比率(IR)：1.51[16] * 2026年以来收益：13.57%[16] 3. **基于TIPS收益率的黄金择时策略**[23][24] * 过去一年绝对回报：52.94%[23][24] 4. **股债轮动组合（风险预算）**[2][32] * 全样本区间年化收益率：7.87%[32] * 全样本区间最大回撤：3.81%[32] * 全样本区间收益波动比：2.7[32] * 全样本区间收益回撤比：2.06[32] * 2026年4月收益：0.76%[2][32] 5. **行业轮动模型（五分组多空组合）**[38][40] * 2026年4月多空组合收益：0.87%[38][40] * 2026年4月多头组合收益：6.77%[38] * 2026年4月空头组合收益：5.89%[38] * 2026年4月行业等权基准收益：5.57%[38] * 2026年4月多头超额收益：1.2%[38] * 2026年4月空头超额收益：-0.32%[38] 6. **ETF轮动组合**[46][50][52] * 2026年4月组合收益率：10.88%[50] * 2026年4月超额收益率（相对有ETF跟踪的行业平均）：5.96%[50][52] 因子的回测效果 （报告未提供单个因子的独立回测指标取值）

量化模型与构建方式 1. **模型名称：进取组合/平衡组合** * 模型构建思路：基于多因子模型构建的股票组合，旨在获取超越基准指数的收益[1][4][6] * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为“多因子组合”[6][9] 2. **模型名称：沪深300/中证500/中证1000指数增强组合** * 模型构建思路：在特定指数（沪深300、中证500、中证1000）成分股范围内进行选股，旨在获取相对于该指数的超额收益[4][12][14] * 模型具体构建过程：报告未详细描述具体构建过程，仅提及其为“指数增强组合”[4][12][14] 3. **模型名称：绩优基金的独门重仓股组合** * 模型构建思路：筛选绩优基金（报告未定义具体标准）的独门重仓股构建组合，旨在利用基金经理的选股能力获取超额收益[1][4][27] * 模型具体构建过程：报告未详细描述具体构建过程，仅提及组合由“绩优基金的独门重仓股”构成[1][4][27] 4. **模型名称：盈利、增长、现金流三者兼优组合** * 模型构建思路：筛选在盈利、增长和现金流三个基本面维度均表现优异的股票构建组合[6][29] * 模型具体构建过程：报告未详细描述具体构建过程和因子定义[6][29] 5. **模型名称：PB-盈利优选组合** * 模型构建思路：结合低市净率（PB）和高盈利能力的股票筛选标准，构建“有基本面支撑的低估值”组合[4][6][31][33] * 模型具体构建过程：报告未详细描述具体构建过程和因子合成方式[4][6][31][33] 6. **模型名称：GARP组合** * 模型构建思路：采用“合理价格增长”（GARP）策略，寻找兼具成长性和估值合理性的股票[8][35] * 模型具体构建过程：报告未详细描述具体构建过程[8][35] 7. **模型名称：小盘价值优选组合1/小盘价值优选组合2** * 模型构建思路：在小盘股中筛选具有价值属性的股票构建组合[6][36][39] * 模型具体构建过程：报告未详细描述具体构建过程和因子定义[6][36][39] 8. **模型名称：小盘成长组合** * 模型构建思路：在小盘股中筛选具有成长属性的股票构建组合[4][6][41] * 模型具体构建过程：报告未详细描述具体构建过程和因子定义[4][6][41] 量化因子与构建方式 1. **因子名称：市值因子** * 因子构建思路：衡量公司规模大小的因子，通常认为小市值股票可能具有更高的风险溢价[44] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] * 因子评价：上周（报告期）小市值风格占优[44] 2. **因子名称：PB因子** * 因子构建思路：市净率因子，衡量股票估值水平，通常认为低估值股票可能具有投资价值[44] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] * 因子评价：上周（报告期）高估值风格占优[44] 3. **因子名称：PE_TTM因子** * 因子构建思路：基于过去12个月净利润的市盈率因子，衡量股票估值水平[44] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] * 因子评价：上周（报告期）高估值风格占优[44] 4. **因子名称：反转因子** * 因子构建思路：技术类因子，认为前期跌幅较大的股票在未来可能反弹，或前期涨幅较大的股票可能回调[48] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] * 因子评价：上周（报告期）低涨幅股票超额收益为正[48] 5. **因子名称：换手率因子** * 因子构建思路：技术类因子，衡量股票交易的活跃程度[48] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] 6. **因子名称：波动率因子** * 因子构建思路：技术类因子，衡量股票价格的波动程度[48] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] 7. **因子名称：ROE因子** * 因子构建思路：净资产收益率因子，衡量公司的盈利能力[53] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] 8. **因子名称：SUE因子** * 因子构建思路：未预期盈余因子，衡量公司盈利增长的超预期程度[53] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] 9. **因子名称：预期净利润调整因子** * 因子构建思路：基本面因子，基于分析师对净利润预期的调整[53] * 因子具体构建过程：报告未给出具体计算公式，但提及根据因子值排序构建组合[43] * 因子评价：上周（报告期）高预期净利润调整股票超额收益为正[53] 模型的回测效果 （数据期间：2025年12月31日至2026年4月30日） 1. **进取组合**，绝对收益26.69%，超额收益14.85%（相对中证500），跟踪误差21.97%，最大相对回撤6.14%[8] 2. **平衡组合**，绝对收益22.50%，超额收益10.66%（相对中证500），跟踪误差19.24%，最大相对回撤5.18%[8] 3. **沪深300增强组合**，绝对收益10.12%，超额收益6.29%（相对沪深300），跟踪误差7.12%，最大相对回撤4.04%[8] 4. **中证500增强组合**，绝对收益12.92%，超额收益1.08%（相对中证500），跟踪误差6.75%，最大相对回撤3.17%[8] 5. **中证1000增强组合**，绝对收益14.27%，超额收益3.91%（相对中证1000），跟踪误差7.01%，最大相对回撤2.32%[8] 6. **绩优基金的独门重仓股组合**，绝对收益22.66%，超额收益15.44%（相对股票型基金总指数），跟踪误差23.12%，最大相对回撤8.70%[8] 7. **盈利、增长、现金流三者兼优组合**，绝对收益-6.50%，超额收益-10.33%（相对沪深300），跟踪误差16.27%，最大相对回撤16.70%[8] 8. **PB-盈利优选组合**，绝对收益1.24%，超额收益1.24%（绝对收益），超额收益-2.60%（相对沪深300），跟踪误差12.95%，最大相对回撤9.39%[4][8][33] 9. **GARP组合**，绝对收益5.89%，超额收益2.06%（相对沪深300），跟踪误差11.62%，最大相对回撤9.24%[8] 10. **小盘价值优选组合1**，绝对收益11.20%，超额收益-6.41%（相对微盘股指数），跟踪误差13.05%，最大相对回撤9.26%[8] 11. **小盘价值优选组合2**，绝对收益18.50%，超额收益0.90%（相对微盘股指数），跟踪误差12.62%，最大相对回撤5.84%[8] 12. **小盘成长组合**，绝对收益10.30%，超额收益-7.31%（相对微盘股指数），跟踪误差11.82%，最大相对回撤8.68%[8] 因子的回测效果 （数据期间：2025年12月31日至2026年4月30日，多空收益） 1. **市值因子**，全市场多空收益6.70%，沪深300多空收益-5.76%，中证500多空收益-17.24%，中证1000多空收益-21.47%[45] 2. **PB因子**，全市场多空收益-6.01%，沪深300多空收益-19.44%，中证500多空收益-9.53%，中证1000多空收益-13.52%[45] 3. **PE_TTM因子**，全市场多空收益-5.82%，沪深300多空收益-7.54%，中证500多空收益-8.50%，中证1000多空收益-15.27%[45] 4. **反转因子**，全市场多空收益-5.29%，沪深300多空收益-12.76%，中证500多空收益-3.81%，中证1000多空收益-1.42%[51] 5. **换手率因子**，全市场多空收益0.54%，沪深300多空收益-13.96%，中证500多空收益-11.85%，中证1000多空收益-6.50%[51] 6. **波动率因子**，全市场多空收益-3.01%，沪深300多空收益-6.50%，中证500多空收益-12.59%，中证1000多空收益-8.22%[51] 7. **ROE因子**，全市场多空收益3.30%，沪深300多空收益4.82%，中证500多空收益1.36%，中证1000多空收益1.13%[54] 8. **SUE因子**，全市场多空收益6.64%，沪深300多空收益8.98%，中证500多空收益1.67%，中证1000多空收益6.76%[54] 9. **预期净利润调整因子**，全市场多空收益5.03%，沪深300多空收益23.81%，中证500多空收益5.86%，中证1000多空收益2.01%[54]

量化模型与构建方式 1. 股指期货分红调整基差模型 1. **模型名称**：股指期货分红调整基差模型[9] 2. **模型构建思路**：为准确分析股指期货合约的基差，需要剔除标的指数成分股分红对期货价格的影响，从而得到反映市场真实供需和情绪的分红调整后基差[9][16]。 3. **模型具体构建过程**： * **第一步：预测分红点位**。基于指数成分股历史分红情况，预测股指期货标的指数在未来一年内的分红点位[10]。例如，2026年4月30日，预估中证500、沪深300、上证50、中证1000指数未来一年分红点位分别为75.04、66.76、51.96、57.89[4][10]。 * **第二步：计算预期分红调整后的基差**。将实际基差加上合约存续期内尚未实现的预期分红点位[17]。公式为： $$预期分红调整后的基差 = 实际基差 + 存续期内未实现的预期分红$$ * **第三步：计算年化基差**。将分红调整后的基差进行年化处理，以便于不同期限合约间的比较[17]。公式为： $$年化基差 = \frac{(实际基差 + (预期)分红点位)}{指数价格} \times \frac{360}{合约剩余天数}$$ 报告中后续提及的基差均为按此公式计算的分红调整后的年化基差[17]。 2. 期现对冲策略模型（连续对冲与最低贴水策略） 1. **模型名称**：期现对冲策略模型（包括连续对冲策略和最低贴水策略）[39] 2. **模型构建思路**：利用股指期货进行市场中性对冲，策略收益主要来源于基差收敛。通过不同的合约选择和调仓规则（连续持有或动态选择贴水最小的合约）来优化对冲效果[39]。 3. **模型具体构建过程**： * **通用参数设置**： * **回测区间**：2022年7月22日至2026年4月30日[40][41]。 * **现货端**：持有对应标的指数的全收益指数[40][41]。 * **资金分配**：现货端使用70%资金，做空对冲端使用金额相同名义本金的股指期货合约，占用剩余30%资金。每次调仓后根据产品净值重新计算现货及期货端数量[40][41]。 * **成本假设**：不考虑手续费、冲击成本及期货合约的不可无限细分性质[40][41]。 * **策略一：连续对冲策略**[40] * **调仓规则**：连续持有季月或当月合约，直至该合约离到期剩余不足2日，在当日以收盘价进行平仓，并同时以当日收盘价卖空下一季月或当月合约[40]。 * **策略二：最低贴水策略**[41] * **调仓规则**：调仓时，计算当日所有可交易期货合约的年化基差，选择年化基差贴水幅度最小的合约开仓。同一合约持有8个交易日之后，或该合约离到期剩余不足2日时，才可进行下一次调仓（排除剩余到期日不足8日的期货合约）[41]。 3. 期权波动率指数 (VIX) 1. **因子名称**：期权波动率指数 (VIX)[56] 2. **因子构建思路**：借鉴海外成熟经验，结合国内场内期权市场实际情况进行适应性调整，构建反映期权投资者对标的资产未来波动水平预期的指数[56]。 3. **因子具体构建过程**：报告未详细描述VIX的具体计算公式，但指出该指数具备期限结构，可展示市场对于同一标的在不同时间跨度内波动预期的差异[56]。 4. 偏度指数 (SKEW) 1. **因子名称**：偏度指数 (SKEW)[60] 2. **因子构建思路**：通过刻画不同行权价格下期权隐含波动率（IV）的偏斜形态，来衡量市场对标的资产未来收益率分布（尤其是尾部风险）的预期[60]。 3. **因子具体构建过程**：报告未给出SKEW的具体计算公式，但阐述了其逻辑：当市场担忧下行风险时，看跌期权需求上升，推高SKEW指数。SKEW指数高于100通常表明投资者对市场大幅回调的担忧加剧[60]。 --- 模型的回测效果 （所有策略回测区间：2022年7月22日至2026年4月30日[40][41]） 1. IC（中证500）期现对冲策略[42][44] | 指标 | 当月连续对冲 | 季月连续对冲 | 最低贴水策略 | 指数表现 | | :--- | :--- | :--- | :--- | :--- | | 年化收益 | -3.43% | -2.84% | -1.99% | 7.86% | | 波动率 | 3.79% | 4.85% | 4.54% | 21.28% | | 最大回撤 | -12.48% | -10.94% | -9.59% | -31.46% | | 净值 | 0.8773 | 0.8977 | 0.9273 | 1.3275 | | 年换手次数 | 12 | 4 | 17.09 | —— | | 2026年以来收益 | -0.74% | -1.11% | -1.41% | 9.13% | 2. IF（沪深300）期现对冲策略[45][47] | 指标 | 当月连续对冲 | 季月连续对冲 | 最低贴水策略 | 指数表现 | | :--- | :--- | :--- | :--- | :--- | | 年化收益 | 0.10% | 0.50% | 0.98% | 3.42% | | 波动率 | 2.81% | 3.20% | 2.96% | 16.80% | | 最大回撤 | -3.95% | -4.03% | -4.06% | -25.59% | | 净值 | 1.0037 | 1.0188 | 1.0373 | 1.1343 | | 年换手次数 | 12 | 4 | 15.22 | —— | | 2026年以来收益 | -0.58% | -0.18% | -0.09% | 1.90% | 3. IH（上证50）期现对冲策略[48][51] | 指标 | 当月连续对冲 | 季月连续对冲 | 最低贴水策略 | 指数表现 | | :--- | :--- | :--- | :--- | :--- | | 年化收益 | 0.91% | 1.96% | 1.56% | 1.26% | | 波动率 | 2.85% | 3.26% | 2.91% | 15.80% | | 最大回撤 | -4.22% | -3.75% | -3.91% | -22.96% | | 净值 | 1.0344 | 1.0753 | 1.0598 | 1.0481 | | 年换手次数 | 12 | 4 | 14.68 | —— | | 2026年以来收益 | -0.21% | 0.63% | 0.34% | -3.69% | 4. IM（中证1000）期现对冲策略[52][54] | 指标 | 当月连续对冲 | 季月连续对冲 | 最低贴水策略 | 指数表现 | | :--- | :--- | :--- | :--- | :--- | | 年化收益 | -6.31% | -5.24% | -4.09% | 4.79% | | 波动率 | 4.27% | 5.37% | 5.09% | 24.00% | | 最大回撤 | -21.70% | -18.33% | -14.52% | -41.60% | | 净值 | 0.7833 | 0.8175 | 0.8550 | 1.1915 | | 年换手次数 | 12 | 4 | 15.22 | —— | | 2026年以来收益 | -1.34% | -2.00% | -0.84% | 8.10% | --- 因子的回测效果 （数据截至2026年4月30日） 1. VIX (30日) 因子取值[4][56] | 标的指数 | VIX取值 | 2024年以来分位数 | | :--- | :--- | :--- | | 上证50 | 17.42 | 26% | | 沪深300 | 17.96 | 34% | | 中证500 | 26.30 | 46% | | 中证1000 | 24.40 | 23% | 2. SKEW 因子取值[61] | 标的指数 | SKEW取值 | 2024年以来分位数 | | :--- | :--- | :--- | | 上证50 | 104.07 | 93.2% | | 沪深300 | 107.72 | 93.5% | | 中证500 | 103.776 | 83.9% | | 中证1000 | 107.40 | 89.6% |

量化模型与因子总结 量化因子与构建方式 1. **因子名称**：日内高频偏度因子 * **因子构建思路**：捕捉股票日内收益分布的非对称特征，即偏度[14]。 * **因子具体构建过程**：报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究(十九)——高频因子之股票收益分布特征》[14]。该因子已对常规因子进行了正交化处理[14]。 2. **因子名称**：日内下行波动占比因子 * **因子构建思路**：衡量股票日内波动中下行波动的相对贡献[19]。 * **因子具体构建过程**：报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（二十五）——高频因子之已实现波动分解》[19]。该因子已对常规因子进行了正交化处理[14]。 3. **因子名称**：开盘后买入意愿占比因子 * **因子构建思路**：度量开盘后一段时间内，市场买入意愿的强度[25]。 * **因子具体构建过程**：报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[25]。该因子已对常规因子进行了正交化处理[14]。 4. **因子名称**：开盘后买入意愿强度因子 * **因子构建思路**：在买入意愿占比的基础上，进一步衡量买入意愿的强度[29]。 * **因子具体构建过程**：报告未提供具体计算公式，但指出计算方式可参考专题报告《选股因子系列研究（六十四）——基于直观逻辑和机器学习的高频数据低频化应用》[29]。该因子已对常规因子进行了正交化处理[14]。 5. **因子名称**：开盘后大单净买入占比因子 * **因子构建思路**：衡量开盘后一段时间内，大单资金净流入的相对规模[34]。 * **因子具体构建过程**：报告未提供具体计算公式。该因子已对常规因子进行了正交化处理[14]。 6. **因子名称**：开盘后大单净买入强度因子 * **因子构建思路**：在大单净买入占比的基础上，进一步衡量大单净买入的强度[39]。 * **因子具体构建过程**：报告未提供具体计算公式。该因子已对常规因子进行了正交化处理[14]。 7. **因子名称**：改进反转因子（亦称“日内收益因子”） * **因子构建思路**：对传统反转因子进行改进，可能结合了日内高频数据[43]。 * **因子具体构建过程**：报告未提供具体计算公式。该因子已对常规因子进行了正交化处理[14]。 8. **因子名称**：尾盘成交占比因子 * **因子构建思路**：衡量尾盘时段成交量在全天成交量中的占比[48]。 * **因子具体构建过程**：报告未提供具体计算公式。该因子已对常规因子进行了正交化处理[14]。 9. **因子名称**：平均单笔流出金额占比因子 * **因子构建思路**：衡量平均每笔卖出交易的金额相对于市场整体成交的占比[53]。 * **因子具体构建过程**：报告未提供具体计算公式。该因子已对常规因子进行了正交化处理[14]。 10. **因子名称**：大单推动涨幅因子 * **因子构建思路**：衡量由大单交易推动的股价上涨幅度[58]。 * **因子具体构建过程**：报告未提供具体计算公式。该因子已对常规因子进行了正交化处理[14]。 11. **因子名称**：深度学习高频因子（改进 GRU(50,2)+NN(10)） * **因子构建思路**：使用改进的GRU（门控循环单元）神经网络与全连接神经网络（NN）相结合，从高频数据中提取选股信号[63]。 * **因子具体构建过程**：报告未提供模型架构和训练细节。GRU层参数为(50,2)，后接一个10个神经元的全连接层[63]。 12. **因子名称**：深度学习高频因子（残差注意力 LSTM(48,2)+NN(10)） * **因子构建思路**：使用结合了残差连接和注意力机制的LSTM（长短期记忆）神经网络与全连接神经网络，从高频数据中提取选股信号[64]。 * **因子具体构建过程**：报告未提供模型架构和训练细节。LSTM层参数为(48,2)，后接一个10个神经元的全连接层[64]。 13. **因子名称**：多颗粒度模型-5日标签因子 * **因子构建思路**：使用深度学习模型（双向A-GRU）进行训练，以5日收益作为预测标签，捕捉不同时间颗粒度上的市场信号[67]。 * **因子具体构建过程**：因子基于双向A-GRU训练得到[67]。报告未提供更详细的模型结构和训练过程。 14. **因子名称**：多颗粒度模型-10日标签因子 * **因子构建思路**：使用深度学习模型（双向A-GRU）进行训练，以10日收益作为预测标签，捕捉不同时间颗粒度上的市场信号[70]。 * **因子具体构建过程**：因子基于双向A-GRU训练得到[70]。报告未提供更详细的模型结构和训练过程。 量化模型与构建方式 1. **模型名称**：AI指数增强组合模型 * **模型构建思路**：基于深度学习因子构建指数增强组合，通过优化模型在给定约束下最大化预期收益[72]。 * **模型具体构建过程**： * **核心因子**：使用复合因子，由“多颗粒度模型-10日标签”和“多颗粒度模型-5日标签”等权复合构成，即 `复合因子 = 多颗粒度模型-10日标签 * 0.5 + 多颗粒度模型-5日标签 * 0.5`[72]。 * **优化目标**：最大化预期收益。目标函数为： $$max\sum\mu_{i}w_{i}$$[75] 其中，`w_i` 为股票i在组合中的权重，`μ_i` 为股票i的预期超额收益（由复合因子或其他方式给出）[76]。 * **约束条件**：根据不同的组合类型（空气指增、中证500宽/严约束、中证1000宽/严约束）施加不同的风险控制约束，包括个股权重上限、行业偏离、风格因子（市值、PB、ROE等）暴露控制、成分股权重约束以及换手率约束等[73][75]。 * **调仓与成本**：支持周度和日度两种调仓频率[72]。回测中假定以次日均价成交，并扣除双边3‰的交易成本[76]。 因子的回测效果 （数据来源：表2[10][12]，统计区间为上周、4月、2026年初至今及历史） | 因子名称 | 上周多空收益 | 4月多空收益 | 2026YTD多空收益 | 历史IC | 2026年IC | 历史e^(-rank mae) | 2026年e^(-rank mae) | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | 日内高频偏度 | 2.01% | 5.31% | 10.72% | 0.019 | 0.029 | 0.324 | 0.327 | 13/16 | | 日内下行波动占比 | 1.91% | 2.53% | 9.90% | 0.016 | 0.027 | 0.323 | 0.325 | 12/16 | | 开盘后买入意愿占比 | 0.44% | 4.29% | 10.91% | 0.026 | 0.032 | 0.321 | 0.323 | 14/16 | | 开盘后买入意愿强度 | 1.10% | 7.21% | 13.27% | 0.030 | 0.040 | 0.326 | 0.329 | 12/16 | | 开盘后大单净买入占比 | 0.96% | 3.26% | 9.46% | 0.035 | 0.031 | 0.322 | 0.319 | 15/16 | | 开盘后大单净买入强度 | 1.04% | 4.31% | 8.46% | 0.024 | 0.028 | 0.320 | 0.319 | 13/16 | | 改进反转 | 2.60% | 6.46% | 9.01% | 0.030 | 0.025 | 0.330 | 0.331 | 10/16 | | 尾盘成交占比 | 1.17% | 3.58% | 8.79% | 0.025 | 0.024 | 0.322 | 0.319 | 13/16 | | 平均单笔流出金额占比 | -0.62% | 1.03% | -3.82% | 0.007 | -0.011 | 0.317 | 0.316 | 7/16 | | 大单推动涨幅 | -0.04% | -0.31% | 0.12% | 0.017 | -0.003 | 0.325 | 0.324 | 7/16 | | 改进 GRU(50,2)+NN(10) | 1.86% | 8.32% | 13.68% | 0.065 | 0.038 | 0.335 | 0.327 | 13/16 | | 残差注意力 LSTM(48,2)+NN(10) | 2.02% | 8.49% | 14.17% | 0.062 | 0.044 | 0.334 | 0.326 | 14/16 | | 多颗粒度模型-5日标签 | 2.96% | 6.39% | 16.61% | 0.078 | 0.041 | 0.343 | 0.333 | 15/16 | | 多颗粒度模型-10日标签 | 2.39% | 4.42% | 13.32% | 0.072 | 0.036 | 0.341 | 0.334 | 12/16 | 模型的回测效果 （数据来源：表3[13]，统计区间为上周、4月、2026年初至今） | 模型/组合名称 | 上周超额收益 | 上周绝对收益 | 4月超额收益 | 4月绝对收益 | 2026YTD超额收益 | 2026YTD绝对收益 | 2026年周胜率 | | :--- | :--- | :--- | :--- | :--- | :--- | :--- | :--- | | **AI空气指增组合** | | | | | | | | | 周度调仓 | 2.60% | 3.90% | 0.02% | 6.28% | 7.16% | 14.66% | 9/16 | | 日度调仓 | 3.69% | 4.99% | 0.81% | 7.07% | 7.62% | 15.13% | 9/16 | | **中证500 AI增强宽约束组合** | | | | | | | | | 周度调仓 | -0.29% | 0.94% | -6.23% | 3.39% | -2.32% | 9.52% | 5/16 | | 日度调仓 | -0.38% | 0.85% | -6.02% | 3.59% | -5.71% | 6.13% | 5/16 | | **中证500 AI增强严约束组合** | | | | | | | | | 周度调仓 | -0.46% | 0.77% | -2.95% | 6.67% | -1.76% | 10.08% | 8/16 | | 日度调仓 | -0.37% | 0.86% | -2.79% | 6.82% | -2.53% | 9.31% | 8/16 | | **中证1000 AI增强宽约束组合** | | | | | | | | | 周度调仓 | 0.36% | 1.30% | -7.31% | 2.69% | -2.42% | 7.94% | 8/16 | | 日度调仓 | 0.65% | 1.58% | -5.30% | 4.70% | -2.03% | 8.32% | 8/16 | | **中证1000 AI增强严约束组合** | | | | | | | | | 周度调仓 | -0.13% | 0.81% | -4.16% | 5.84% | -1.01% | 9.34% | 8/16 | | 日度调仓 | -0.01% | 0.92% | -2.66% | 7.34% | 1.41% | 11.77% | 9/16 |

量化模型与构建方式 1. **模型名称：港股精选组合策略[14]** * **模型构建思路**：该模型旨在对分析师推荐股票池进行基本面和技术面的双层优选，挑选出同时具备基本面支撑和技术面共振的超预期股票，构建港股精选股票组合[14]。 * **模型具体构建过程**： 1. **构建分析师推荐股票池**：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，构建初始股票池[15]。 2. **双层筛选**：对上述分析师推荐股票池中的股票，进行基本面和技术面两个维度的精选，具体筛选标准未在本文中详述，但提及了“基本面支撑”和“技术面共振”两个方向[15]。 2. **因子名称：250日新高距离[22]** * **因子构建思路**：该因子用于量化股票价格接近其过去250个交易日最高价的程度，以识别创新高或接近新高的股票。研究表明，股价接近52周（约250日）最高价的股票未来收益可能更高[20]。 * **因子具体构建过程**： 1. 计算股票在过去250个交易日内的收盘价最大值：`ts_max(Close, 250)`[22]。 2. 使用最新收盘价 `Closet` 与过去250日最高价进行比较，计算250日新高距离[22]。 3. **公式**： $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$[22] 4. **公式说明**：`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。若最新收盘价创出新高，则因子值为0；若最新收盘价较新高回落，则因子值为正，表示回落的幅度[22]。 3. **模型名称：平稳创新高股票筛选模型[22]** * **模型构建思路**：根据分析师关注度、股价相对强弱、股价路径平稳性、创新高连续性等多个角度，在过去20个交易日创出过250日新高的股票池中，进一步筛选出“平稳”创新高的股票，以捕捉更具持续性的趋势[22]。 * **模型具体构建过程**：采用多步骤筛选法[22][23]。 1. **初始样本池**：全部港股，但剔除成立时间不超过15个月的股票[23]。 2. **分析师关注度筛选**：过去6个月内，获得买入或增持评级的分析师研报不少于5份[23]。 3. **股价相对强弱筛选**：过去250日涨跌幅位于样本池前20%[23]。 4. **股价平稳性综合打分**：在满足上述条件的股票池内，使用以下两个指标综合打分，并取排名在前50%的股票（最少取50只）[23]。 * **价格路径平滑性**：使用“股价位移路程比”指标，具体计算公式未在本文中给出[23]。 * **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[23]。 5. **趋势延续性筛选**：对经过上述筛选的股票，计算其过去5日的250日新高距离在时间序列上的均值，并取排序靠前的50只股票作为最终输出[23]。 模型的回测效果 1. **港股精选组合策略模型**[15][18] * 年化收益：19.08%[15] * 相对恒生指数超额收益：18.06%[15] * 信息比率（IR）：1.19[18] * 跟踪误差：14.60%[18] * 最大回撤：23.73%[18] * 收益回撤比：0.76[18] 因子的回测效果 *（注：报告中未提供250日新高距离因子的独立测试结果，如IC值、分组收益等。该因子被用作“平稳创新高股票筛选模型”的组成部分。）*