量化模型与构建方式 1. **模型名称**：恒生港股通中国央企红利指数 **模型构建思路**：通过港股通机制筛选第一大股东为内地央企的香港上市高股息证券，反映其整体表现[35] **模型具体构建过程**： - **样本空间**：港股通可买卖、恒生综合指数成分股中非REITs的证券，且自身或第一大股东（穿透后）为央企[35] - **筛选条件**： 1. 上市历史≥1个月 2. 流动性要求：6个月日均成交额≥2000万港元 3. 剔除过去12个月波动率最高的10%证券 4. 连续3年现金分红记录 5. 股息支付率0%<x≤100% 6. 剔除股价跌幅超50%或表现最差的10%股票 7. 选取净股息率最高的40只证券[35] - **加权方式**：净股息率加权 - **调整规则**：排名48名以下剔除，32名以上新增，维持40只成分股[35] 2. **因子名称**：净股息率因子 **因子构建思路**：衡量企业分红能力的核心指标，筛选高股息稳健标的[35] **因子具体构建过程**： $$净股息率 = \frac{近12个月现金分红总额}{市值 - 净债务}$$ 其中市值采用自由流通市值，净债务为总债务扣除现金及等价物[35] 3. **因子名称**：规模因子 **因子构建思路**：反映成分股市值分布特征[39][42] **因子具体构建过程**： - 按总市值分层：>1万亿（7只）、5000亿-1万亿（5只）、1000亿-5000亿（13只）、100亿-1000亿（15只）[42] - 暴露值2.0339（截至2025年2月）[44] 4. **因子名称**：分红因子 **因子构建思路**：捕捉高股息企业的防御性特征[44] **因子具体构建过程**： - 综合股息支付率、分红连续性等指标 - 暴露值0.4478（截至2025年2月）[44] 模型与因子回测效果 1. **恒生港股通中国央企红利指数** - 累计回报41.09% - 年化收益率21.22% - 年化波动率23.19% - 夏普比率0.91[37] 2. **净股息率因子** - 成分股平均股息率5.2%（vs恒生指数3.1%）[22] - 近3年股息支付率中位数35%[35] 3. **规模因子** - 成分股市值中位数2592.8亿元[39] - 权重集中度：前10大成分股占比35.23%[39] 4. **分红因子** - ROE 8.91%（vs中证红利-0.04%）[51] - 市盈率6.48倍（vs央企红利指数8.25倍）[48] 关键数据引用 - 估值水平：PE_TTM 6.48倍[48] - 行业分布：银行（29.23%）、非银金融（21.52%）、通信（10.46%）[39] - 跟踪误差：华安ETF年化跟踪误差1.99%[55]

量化模型与构建方式 1. **模型名称**：微观风格轮动模型 - **模型构建思路**：从基础风格因子（估值、市值、波动率、动量）出发，通过80个底层因子构造640个微观特征，并采用指数作为风格股票池替代传统因子划分，生成风格收益标签。使用随机森林模型进行风格择时和打分，最终构建月频轮动框架[6][1] - **模型具体构建过程**： 1. **特征构造**：基于80个底层因子（如估值、动量等）生成640个微观特征[6] 2. **标签定义**：以常用指数（如中证红利）代表风格股票池，计算风格收益作为标签[6] 3. **模型训练**：滚动训练随机森林模型，优选特征并输出风格推荐得分[6] 4. **组合构建**：综合择时结果与打分结果生成最终持仓[6] 模型的回测效果 1. **微观风格轮动模型**： - 年化收益率：21.93% - 年化波动率：24.24% - IR：0.90 - 月度胜率：59.26% - 超额年化收益率（vs基准）：13.29% - 超额波动率：11.50% - 超额IR：1.15 - 最大回撤：10.36%[7][8] 量化因子与构建方式 1. **因子名称**：估值因子 - **因子构建思路**：作为基础风格因子之一，用于生成微观特征并参与风格收益标签计算[6][1] 2. **因子名称**：市值因子 - **因子构建思路**：通过大/小市值风格划分，结合指数股票池构建标签[6][14] 3. **因子名称**：动量因子 - **因子构建思路**：基于价格动量构造特征，实际应用中表现为反转效应（2025年4月推荐方向为反转）[14][16] 4. **因子名称**：波动率因子 - **因子构建思路**：以低波风格为目标，通过微观特征参与随机森林模型训练[14][16] 因子的回测效果 1. **风格因子多空对冲收益（2025年3月）**： - 动量因子：-4.00% - 波动率因子：2.00% - 估值因子：6.00% - 市值因子：-6.00%[10][16] 2. **风格因子权重（近一年）**： - 市值因子：30% - 估值因子：40% - 动量因子：20% - 波动率因子：10%[17] 模型评价 - **优势**：通过微观特征和滚动训练有效规避过拟合，结合择时与打分提升稳定性[6] - **局限性**：依赖历史数据，需结合风险管理应对单因子波动[18]

证券研究报告 | 2025年03月31日 金融工程日报 A 股震荡收跌，黄金股持续活跃、算力题材午后反弹 核心观点 金融工程日报 市场表现：今日(20250331) 大部分指数处于下跌状态，规模指数中上证 50 指数表现较好，板块指数中科创 100 指数表现较好，风格指数中沪深 300 价 值指数表现较好。家电、通信、银行、电力公用事业、计算机行业表现较好， 综合金融、综合、消费者服务、国防军工、房地产行业表现较差。近端次新 股、高速公路精选、黄金精选、IDC(算力租赁)、东数西算等概念表现较好， BC 电池、动物保健精选、环氧丙烷、呼吸机、稀土等概念表现较差。 市场情绪：今日收盘时有 42 只股票涨停，有 48 只股票跌停。昨日涨停股票 今日高开高走，收盘收益为 1.94%，昨日跌停股票今日收盘收益为-5.57%。 今日封板率 67%，较前日提升 17%，连板率 24%，较前日提升 12%。 市场资金流向：截至 20250328 两融余额为 19225 亿元，其中融资余额 19113 亿元，融券余额 111 亿元。两融余额占流通市值比重为 2.4%，两融交易占市 场成交额比重为 8.8%。 折溢价：2025 ...

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**：风险溢价模型 **模型构建思路**：以十年期国债即期收益率为无风险利率参考，计算各宽基指数相对于无风险利率的风险溢价，衡量其投资价值和偏离情况[28][29] **模型具体构建过程**： - 风险溢价公式： $$风险溢价 = 指数收益率 - 十年期国债即期收益率$$ 其中指数收益率采用日频或周频计算[30] - 分位值计算：基于近1年/5年历史数据计算当前风险溢价所处百分位[31] **模型评价**：中证1000和中证2000的风险溢价波动率较大，显示更高的市场风险[29] 2. **模型名称**：PE-TTM估值模型 **模型构建思路**：通过滚动市盈率（TTM）衡量指数估值水平，结合历史分位值判断估值高低[34][37] **模型具体构建过程**： - 分位值计算： $$分位值 = \frac{当前PE-TTM - 历史最小值}{历史最大值 - 历史最小值} \times 100\%$$ 采用近1年/5年/全历史三种时间窗口[41] - 标准差带：基于近1年波动率计算±1/2倍标准差区间[42] **模型评价**：中证500当前PE-TTM分位值达83.55%，显示估值偏高[41] 3. **模型名称**：股息率模型 **模型构建思路**：跟踪现金分红回报率，识别高股息资产的避风港特性[46][47] **模型具体构建过程**： - 股息率公式： $$股息率 = \frac{近12个月现金分红总额}{指数总市值} \times 100\%$$ - 历史分位计算方式与PE-TTM模型一致[51] **模型评价**：沪深300股息率分位值达98.1%，显示极强的防御性特征[49] 模型的回测效果 1. **风险溢价模型** - 上证50风险溢价：-0.42%（近5年分位值33.81%）[31] - 中证2000风险溢价：-1.52%（近5年分位值13.81%）[31] - IR（信息比率）：沪深300为0.58，创业板指为-0.15[31] 2. **PE-TTM估值模型** - 中证500 PE-TTM：28.55（近5年分位值83.55%）[41] - 创业板指 PE-TTM：32.22（近5年分位值27.02%）[41] - 波动率：中证2000达17.65，显示高波动特征[42] 3. **股息率模型** - 沪深300股息率：3.65%（近5年分位值98.1%）[51] - 中证2000股息率：1.00%（近5年分位值80.25%）[51] - 超额标准差：上证50当前值超+1σ标准带1.68%[51] 量化因子与构建方式 1. **因子名称**：破净率因子 **因子构建思路**：通过市净率<1的个股占比反映市场低估程度[52][54] **因子具体构建过程**： $$破净率 = \frac{指数成分股中PB<1的股票数量}{指数成分股总数} \times 100\%$$ **因子评价**：上证50破净率24%显著高于创业板指3%，显示价值风格分化[54] 2. **因子名称**：收益分布形态因子 **因子构建思路**：通过偏度和峰度刻画指数收益分布特征[23][24] **因子具体构建过程**： - 峰度计算： $$峰度 = \frac{E[(X-\mu)^4]}{\sigma^4} - 3$$ - 偏度计算： $$偏度 = \frac{E[(X-\mu)^3]}{\sigma^3}$$ **因子评价**：创业板指峰度偏离达4.78，显示极端收益集中[24] 因子的回测效果 1. **破净率因子** - 上证50破净率：24.0%[54] - 中证1000破净率：9.5%[54] - 中证全指破净率中枢下移至8.0%[54] 2. **收益分布形态因子** - 创业板指峰度：4.89（近5年偏离+4.78）[24] - 中证2000偏度：1.57（近5年偏离-0.31）[24] - 沪深300偏度：2.24（近5年偏离+0.58）[24]

证券研究报告·金融工程·金工定期报告 金工定期报告 20250331 从微观出发的五维行业轮动月度跟踪 202504 2025 年 03 月 31 日 [Table_Tag] [Table_Summary] 报告要点 证券分析师 高子剑 执业证书：S0600518010001 021-60199793 gaozj@dwzq.com.cn 研究助理 凌志杰 执业证书：S0600123040053 lingzhj@dwzq.com.cn 相关研究 《从微观出发的五维行业轮动 月度跟踪 202503》 2025-03-03 东吴证券研究所 1 / 9 请务必阅读正文之后的免责声明部分 | 图 1: 五维行业轮动模型收益能力评分 | | --- | | 图 2: 五维行业轮动模型稳定性评分 | | 图 3: 五维行业轮动模型合成因子六分组及多空对冲净值走势(2015/01-2025/03 ) | | 图 4: 五维行业轮动模型多头超额净值走势(2015/01-2025/03) . | | 图 5: 五维行业轮动模型沪深 300 指数增强净值走势(2015/01-2025/03 ) | ◼ 模型多空对冲绩效：以 201 ...

战略配置：大盘优于小盘。从 A 股收益预测模型的最新预测来看，沪深 300 未来一年预期收益为 16.9%，中证 500 未来一年预期收益为-30.5%，两 者拉开了巨大的差异。哪怕我们对宽基指数的预期收益与真实收益之间存 在偏差，但是根据 300 和 500 预期收益差构建的宽基指数多空策略似乎 是长期有效的，这意味着预期收益差具备 300 和 500 相对收益的长周期 预测能力，因此，我们建议投资者未来一年更多聚焦大市值宽基指数。 风格配置：质量>价值=成长>小盘。质量风格空间最大：当前质量因子为 高赔率-中等趋势-低拥挤，三标尺综合排名均位居前列，建议重点关注和 配置。价值风格有战术配置价值：当前价值风格呈现出"强趋势-低拥挤" 的特征，从短期一个季度而言或具有不错的配置价值。成长风格整体配置 价值偏中性：成长因子近期估值吸引力下降，净利润 TTM 同比因子拥挤 度已相对较高，整体配置价值偏中性，建议标配。小盘风格拥挤度相对较 高：横截面来看小盘风格仍为拥挤度最高的品种，不确定性较强，不建议 配置和交易。 行业配置：2025 超额 4.8%。牛市预期驱动下，TMT 行业拥挤度已经趋 高；金融和制造板块集 ...

◼ 红利择时框架 2025 年 4 月观点：不再看多红利。 证券研究报告·金融工程·金工定期报告 金工定期报告 20250331 预期高股息组合跟踪-20250331 2025 年 03 月 31 日 [Table_Tag] [Table_Summary] 投资要点 ◼ 2025 年 4 月组合最新持仓明细： | 序号 | 股票代码 | 股票简称 | 申万一级行业 | 建仓日期 | 权重 | | --- | --- | --- | --- | --- | --- | | 1 | 601009.SH | 南京银行 | 银行 | 2025/4/1 | 3.33% | | 2 | 601169.SH | 北京银行 | 银行 | 2025/4/1 | 3.33% | | 3 | 601328.SH | 交通银行 | 银行 | 2025/4/1 | 3.33% | | 4 | 601998.SH | 中信银行 | 银行 | 2025/4/1 | 3.33% | | 5 | 601658.SH | 邮储银行 | 银行 | 2025/4/1 | 3.33% | | 6 | 600036.SH | 招商银行 | 银行 | 2 ...

摘要 过去一周，国内主要市场指数中，上证 50、沪深 300s 上涨，中证 1000、中证 500 指数下跌。其中，上证 50、沪深 300、中证 500 和中证 1000 指数的涨跌幅分别为 0.16%、0.01%、-0.94%和-2.14%。 过去一周，中国公布了 2 月工业企业利润总额累计同比数据，报-0.3%，较上期继续上行 3%。该数据一定程度能反映 国内企业经营情况的逐步改善。在政策支持端，3 月 27 日央行通过副行长宣昌能在公开市场发言再度提及择机降息 降准。为了配合政策的后续落地，3 月 30 日，一方面财政部向多家银行注资补充银行一级核心资本；另一方面，据中 国证券报消息称，北京多家银行上调消费贷利率，调整后普遍不低于 3%。在消费贷利率回升，银行的净息差水平也能 得以改善，为后续潜在的降准降息腾挪出空间，政策落地的时间节点可期。 随着时间进入 A 股财报季，投资者会更倾向规避短期业绩较差或有暴雷可能性的板块，选择增配未充分博弈的业绩预 增和基本面稳健的板块。而且海外方面，美国对等关税政策还未正式落地，需要等到 4 月 2 日。所以在各类风险解除 前，战术型仓位我们推荐维持银行、汽车、通信 ...

根据提供的报告内容，该报告主要聚焦于全球净零转型的公私合作框架，并未涉及具体的量化模型或量化因子构建。报告中讨论的是战略合作机制和政策工具，而非金融工程领域的量化分析工具。以下是关键要点归纳： 核心合作框架要点 1. **公共财政机制利用** - 通过补贴、碳定价、税收优惠等工具降低企业脱碳成本[10] - 案例：Edilians窑炉更换项目通过公共合作降低风险[10] 2. **净零金融机制开发** - 联合制定行业脱碳路线图，如瑞典化石自由计划[11] - 仅1/3排放大户参与政策设计合作[11] 3. **价值链碳追踪** - 采用AI/ML技术提升碳排放数据精度[12] - 开发自动化碳足迹计算工具[12] 4. **碳核算标准统一** - 推动范围3排放披露标准化[13] - 协调产品碳足迹(PCF)方法[13] 5. **气候技术投资** - 欧洲案例显示每1欧元气候技术投资可产生9欧元远期收益[16] - 德国通过《氢气加速法案》简化审批流程[16] 政策实施挑战 - G20国家中仅7国实施CCS支持政策[7] - 1998-2022年全球仅63项气候政策显著减排（0.6-1.8亿吨CO2）[8] 注：报告未包含任何量化金融模型或因子测试结果，内容集中于政策分析与合作框架设计[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19]

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**：DeepSeek-V3-0324大模型 - **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，提炼核心观点与关键信息，以解决人工阅读成本高的问题[5][6] - **模型具体构建过程**： 1. 从Wind数据库获取行业研报（样本量756篇），过滤后保留672篇[2][18] 2. 将同一行业的所有摘要合并，拼接标准化提示词后输入模型[5][15] 3. 提示词要求模型生成不超过200字的摘要，需准确反映研报事实与结论，避免风险提示和个人意见[6] 4. 模型输出行业名称、景气度及超预期程度的标准化JSON格式结果[15][16] - **模型评价**：能够高效处理海量文本，但存在信息二次加工导致失真的风险[6] 2. **模型名称**：行业景气度量化模型 - **模型构建思路**：通过大模型提取研报中的行业景气度与超预期程度，解决传统行业评级离散化、分类标准不统一的问题[12][13] - **模型具体构建过程**： 1. 定义景气度为行业基本面改善程度，超预期程度为分析师预测与实际表现的差异[15] 2. 使用DeepSeek-V3对每篇研报标注中信一级/二级行业，并输出0-10分的景气度与超预期评分[18][19] 3. 按二级行业计算均值，保留报告数>2的行业[18] 4. 计算周环比变化值（如通信设备景气度8.88，周变化+0.54）[19][21] 模型的回测效果 1. **DeepSeek-V3模型**： - 覆盖32个中信二级行业，总结结果示例见石油石化、煤炭等行业摘要[6][7][8] 2. **行业景气度模型**： - 通信设备：景气度8.88（IR 0.54），超预期程度8.00（IR 0.67）[19] - 航空航天：景气度8.83（IR 0.13），超预期程度8.17（IR 0.47）[19] - 计算机软件：景气度8.83（IR 0.21），超预期程度7.83（IR 0.21）[19] - 普钢：景气度5.00（IR -1.29），超预期程度4.00（IR -1.29）[21] 量化因子与构建方式 1. **因子名称**：行业景气度因子 - **因子构建思路**：反映行业基本面改善程度的连续型指标[12][15] - **因子具体构建过程**： - 从研报文本中提取景气度评分，范围0-10分，分数越高表示行业越景气[15][19] - 计算公式： $$ \text{景气度}_i = \frac{1}{n}\sum_{j=1}^{n} \text{大模型对第j篇研报的评分} $$ 其中$n$为属于行业$i$的研报数量[18] 2. **因子名称**：超预期程度因子 - **因子构建思路**：衡量行业实际表现超出分析师预期的程度[15][18] - **因子具体构建过程**： - 类似景气度因子，通过大模型对每篇研报标注0-10分的超预期评分[15][19] - 计算公式同景气度因子，但替换为超预期评分[18] 因子的回测效果 1. **行业景气度因子**： - 通信设备：8.88[19] - 渔业：5.50[21] 2. **超预期程度因子**： - 通信设备：8.00[19] - 品牌服饰：6.00[21] 注：所有指标均基于2025年3月24-30日数据计算，IR值为周环比变化[19][21]