根据研报内容，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**：PB-ROE-50策略 - **模型构建思路**：基于Wilcox（1984）的PB-ROE定价模型，寻找市场中的预期差，叠加超预期因子（如SUE、ROE同比增长）增强收益[31] - **模型具体构建过程**： 1. 通过PB-ROE模型筛选预期差股票池 2. 使用SUE（标准化意外收益）和ROE同比增长因子进一步精选50只股票 3. 组合权重采用等权或因子加权方式（未明确说明） - **模型评价**：策略在中证500、中证800及全市场股票池中均表现稳定，超额收益显著[31][36] 2. **模型名称**：机构调研策略（含公募/私募子策略） - **模型构建思路**：通过机构调研数据挖掘超额alpha，公募策略侧重调研次数，私募策略跟踪知名私募调研动向[40] - **模型具体构建过程**： 1. 公募调研选股：筛选被公募频繁调研且调研前相对基准涨幅适中的股票 2. 私募调研跟踪：选择被知名私募调研的标的，结合价格动量过滤[40][42] - **模型评价**：私募策略超额收益更高，可能与私募调研信息含金量相关[40][42] 3. **模型名称**：市场情绪指标体系 - **模型构建思路**：通过量价数据构建情绪代理变量，包括上涨家数占比、动量情绪、均线情绪三类指标[11][12] - **模型具体构建过程**： - **上涨家数占比**： $$ N日上涨家数占比 = \frac{沪深300成分股过去N日收益>0的个股数}{成分股总数} $$ 平滑处理：快线（35日MA）>慢线（50日MA）时看多[12][15] - **均线情绪**：计算收盘价对8条均线（参数：8/13/21/34/55/89/144/233）的突破数量，超过5条看多[19][26] - **模型评价**：上涨家数指标对上涨市场敏感，但易错过持续亢奋阶段；均线指标对趋势判断更稳健[12][19] 4. **因子名称**：有息负债率（传统/严苛/宽松口径） - **因子构建思路**：识别高偿债压力公司，宽松口径增加其他流动负债等科目以增强空头收益[45] - **因子具体构建过程**： - 传统口径：$$ \frac{短期借款+长期借款+应付债券}{总资产} $$ - 宽松口径：增加租赁负债、其他流动负债等科目[45] - **因子评价**：宽松口径在回测中表现更优，对财务风险预警更敏感[45] 5. **因子名称**：财务成本负担率 - **因子构建思路**：通过利息费用与EBIT的比值衡量企业还息压力[49] - **因子具体构建过程**： $$ 财务成本负担率 = \frac{利息费用}{息税前利润} $$ - **因子评价**：对利润表流量数据更敏感，能捕捉资产负债表未反映的风险[49] --- 模型的回测效果 1. **PB-ROE-50模型** - 中证500：今年以来超额收益3.28%，上月2.45%[36] - 中证800：今年以来超额收益3.82%，上月2.01%[36] - 全市场：今年以来超额收益6.58%，上月3.17%[36] 2. **机构调研模型** - 公募调研：今年以来超额收益1.21%，上月1.30%[42] - 私募调研：今年以来超额收益6.88%，上月2.96%[42] 3. **市场情绪模型** - 动量情绪指标：快线下穿慢线时策略净值回撤0.3[17] - 均线情绪指标：非景气区间内沪深300净值下跌15%[20] --- 因子的回测效果 1. **有息负债率因子** - 宽松口径Top30股票平均跑输基准12.5%[45][46] 2. **财务成本负担率因子** - 数值>10倍的股票平均跑输基准18.7%[49][50] 注：所有测试结果均基于2025年1-3月数据[36][42][45][49]

量化模型与构建方式 1. **模型名称：逆周期配置模型** - **模型构建思路**：通过信用利差和期限利差预测未来宏观环境（Growth、Inflation、Slowdown），并选择不同环境下表现最优的资产构建绝对收益组合[8] - **模型具体构建过程**： 1. 使用信用利差预测经济增长方向，期限利差预测通货膨胀方向 2. 将宏观环境划分为Growth、Inflation、Slowdown三个阶段 3. 根据不同阶段配置资产： - Growth环境：超配股票资产10%（沪深300，30%） - Inflation环境：维持股票基准配置比例（沪深300，20%），并配置南华商品30% - Slowdown环境：低配股票资产10%（国证2000，10%）[9] 2. **模型名称：宏观动量模型** - **模型构建思路**：通过经济增长、通货膨胀、汇率、利率、风险情绪等大类因子对股票、债券、黄金等资产进行月度择时[12] - **模型具体构建过程**： 1. 对每类资产设置多个大类因子（如经济增长、通货膨胀等） 2. 每个大类因子下包含多个小类因子（如PMI、PPI等） 3. 根据小类因子的最新变化和影响方向计算分项信号 4. 汇总分项信号得到大类因子信号，最终汇总为总信号[13][14][16] 3. **模型名称：行业复合趋势因子模型** - **模型构建思路**：从行业维度构建指标作为市场行情启动信号，因子绝对值超过阈值后触发多空信号[16] - **模型具体构建过程**： 1. 计算行业维度的趋势指标 2. 因子绝对值超过一定水平后触发买入信号，绝对值突降时触发空仓信号[16] 量化因子与构建方式 1. **因子名称：行业复合趋势因子** - **因子构建思路**：通过行业维度指标捕捉市场趋势变化[16] - **因子评价**：能够有效识别市场行情启动和顶部信号[16] 2. **因子名称：经济增长因子** - **因子构建思路**：包含PMI、财新PMI等小类因子，用于预测经济增长方向[13] 3. **因子名称：通货膨胀因子** - **因子构建思路**：包含PPI当月同比、PPI预期误差等小类因子，用于预测通货膨胀方向[13] 4. **因子名称：汇率因子** - **因子构建思路**：包含CFETS人民币汇率指数、美元中间价等小类因子，用于预测汇率变化[13] 5. **因子名称：利率因子** - **因子构建思路**：包含中债企业债到期收益率、中债国开债到期收益率等小类因子，用于预测利率变化[13] 6. **因子名称：风险情绪因子** - **因子构建思路**：包含Wind全A前一个月收益率、波动率变化等小类因子，用于预测市场风险情绪[13] 模型的回测效果 1. **逆周期配置模型** - 2025Q1累计净值表现：沪深300（-1.21%）、国证2000（6.03%）、南华商品（1.52%）、中债国债总财富指数（-0.90%）[8] - 长期表现：以股债20-80为基准的逆周期策略累计净值显著优于基准[11] 2. **行业复合趋势因子模型** - 累积收益（2015.1-2025.3）：79.47% - 超额收益（2015.1-2025.3）：39.0% - 最新信号（2025.3）：因子值为0.09，维持正向信号[17] 因子的回测效果 1. **行业复合趋势因子** - 2025年3月信号：正向 - Wind全A当月收益率：-0.004%[17] 2. **经济增长因子** - 2025年4月信号：正向（汇总信号为1）[13] 3. **通货膨胀因子** - 2025年4月信号：中性（汇总信号为0）[13] 4. **汇率因子** - 2025年4月信号：负向（汇总信号为-1）[13] 5. **利率因子** - 2025年4月信号：正向（汇总信号为1）[13] 6. **风险情绪因子** - 2025年4月信号：负向（汇总信号为-1）[13]

量化模型与构建方式 1. **模型名称**：宏观+量价大小盘双驱轮动策略 **模型构建思路**：从宏观经济和微观量价层面分析驱动大小盘风格轮动的因素，整合有效因子形成综合策略[6] **模型具体构建过程**： - 单因子信号值：1表示大盘信号，-1表示小盘信号，0表示无信号[7] - 综合分数计算：各因子信号值加权求和，若>0全仓沪深300，<0全仓中证1000，=0等权配置[7] **模型评价**：回测胜率达82.22%，但2025Q1区间收益为-1.21%，存在短期波动风险[6][10] 2. **模型名称**：宏观量价双驱价值成长风格轮动模型 **模型构建思路**：结合宏观经济和量价因子预测价值/成长风格切换[11] **模型具体构建过程**： - 单因子信号值：1表示价值信号，-1表示成长信号，0表示无信号[12] - 综合分数应用：>0全仓国证价值指数，<0全仓国证成长指数，=0等权配置[12] **模型评价**：回测胜率77.78%，2025Q2信号转向价值风格[11][16] 3. **模型名称**：行业轮动复合因子策略 **模型构建思路**：整合历史基本面、预期基本面、情绪面、量价技术面、宏观经济五类因子[17] **模型具体构建过程**： - 因子标准化：对30个中信一级行业的多维度因子进行Z-score标准化 - 组合构建：选取标准化总分前5行业等权配置[20] 4. **模型名称**：行业轮动单因子多策略 **模型构建思路**：独立运行多类单因子策略并等权合成[17] **模型具体构建过程**： - 单因子筛选：每类因子选取IC最高的代表性指标 - 信号合成：各单因子策略信号等权加权[20] 模型的回测效果 1. **宏观+量价大小盘双驱轮动策略** - 区间收益：-1.21% - 年化收益：-4.92% - 年化波动：14.80% - 最大回撤：5.40% - 夏普比率：-0.33 - 卡玛比率：-0.91[10] 2. **宏观量价双驱价值成长风格轮动模型** - 区间收益：0.46% - 年化收益：1.94% - 年化波动：17.51% - 最大回撤：5.23% - 夏普比率：0.11 - 卡玛比率：0.37[16] 3. **行业轮动复合因子策略** - 上月超额收益：1.45% - 2025年超额收益：5.94%[20] 4. **行业轮动单因子多策略** - 上月超额收益：2.52% - 2025年超额收益：4.05%[20] 量化因子与构建方式 1. **因子名称**：大小盘轮动宏观因子组 **因子构建思路**：包含货币流动差分、PMI季均、社融加权同比等7个宏观指标[7] **因子具体构建过程**： - 信号标准化：对原始指标进行3个月移动平均处理 - 方向判定：突破阈值时发出1/-1信号[7] 2. **因子名称**：价值成长轮动量价因子组 **因子构建思路**：涵盖风格拥挤度、市场情绪等微观指标[12] **因子具体构建过程**： - 情绪指标：基于换手率波动率构建 - 拥挤度计算：$$ Crowding = \frac{Price - MA_{20}}{σ_{20}} $$[12] 因子的回测效果 1. **大小盘轮动宏观因子组** - 2025Q2信号强度：货币流动差分(-1)、PMI季均(1)、社融加权同比(1)[7] 2. **价值成长轮动量价因子组** - 2025Q2信号强度：风格拥挤度(1)、市场情绪(-1)[12] 最新配置信号 1. **大小盘风格**：2025Q2综合分数3，推荐大盘风格[6] 2. **价值成长风格**：2025Q2综合分数3，推荐价值风格[11] 3. **行业配置**： - 单因子多策略推荐：有色金属、建材、银行、非银行金融[20] - 复合因子策略推荐：汽车、有色金属、非银行金融、建材、基础化工[20]

量化因子与构建方式 1. **因子名称：估值偏离EPD因子** - **构建思路**：结合布林带均值回复策略与基本面估值修复逻辑，利用PE指标的均值回复特性构建[7][12] - **具体构建过程**： 1. 计算个股PE相对于其历史均值的偏离程度 2. 通过布林带上下轨确定偏离阈值，捕捉异常估值 3. 公式：$$EPD = \frac{PE_t - \mu_{PE}}{\sigma_{PE}}$$，其中$\mu_{PE}$为滚动窗口PE均值，$\sigma_{PE}$为滚动标准差[7] - **因子评价**：对短期估值偏离敏感，但易受个股估值逻辑突变影响 2. **因子名称：缓慢偏离EPDS因子** - **构建思路**：在EPD基础上剔除估值逻辑突变的个股（用信息比率代理逻辑稳定性）[7][12] - **具体构建过程**： 1. 计算个股信息比率IR，衡量其估值逻辑稳定性 2. 对EPD因子加权调整：$$EPDS = EPD \times (1 - w_{IR})$$，$w_{IR}$为IR的归一化权重[7] - **因子评价**：降低噪声但保留核心均值回复特性 3. **因子名称：估值异常EPA因子** - **构建思路**：在EPDS基础上剔除Beta、成长/价值风格的影响[7][12] - **具体构建过程**： 1. 对EPDS因子进行横截面回归，剥离市场Beta、估值（BP）、成长（GP）等风格因子 2. 取残差作为EPA因子：$$EPA = EPDS - (\beta \cdot MKT + \gamma_1 \cdot BP + \gamma_2 \cdot GP)$$[7] - **因子评价**：纯净的估值异常捕捉能力，逻辑鲁棒性显著提升 --- 因子回测效果 （2010/02-2025/03全市场测试，5分组多空对冲）[8][12] | 因子 | 年化收益 | 年化波动 | IR | 月度胜率 | 最大回撤 | |-------------|----------|----------|------|----------|----------| | EPD | 17.83% | 10.02% | 1.78 | 71.43% | 8.93% | | EPDS | 16.38% | 5.73% | 2.86 | 79.12% | 3.10% | | EPA | 17.40% | 5.11% | 3.40 | 81.32% | 3.12% | **2025年3月单月表现**：EPA因子多头收益1.52%，空头收益-1.26%，多空收益2.78%[15] --- 补充说明 - **历史回测差异**：2010/01-2022/05测试中EPA因子IR达3.76，胜率86.99%，显示近期波动略有增大[7] - **因子层级关系**：EPA为EPDS的纯净版，EPDS为EPD的稳定版，形成递进优化链条[7][12]

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**：开源金工优选金股组合 **模型构建思路**：基于新进金股样本，结合业绩超预期因子（SUE因子）进行选股，构建优选金股组合[24] **模型具体构建过程**： - 筛选新进金股作为初始样本 - 计算业绩超预期因子（SUE因子）得分： $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$ 其中实际EPS为最新财报公布的每股收益，预期EPS为市场一致预期[24] - 选取SUE因子得分前30的金股 - 按券商推荐家数进行加权配置[24] **模型评价**：该模型在新进金股中表现出优异的选股能力，历史回测显示能持续跑赢基准[24] 2. **模型名称**：券商金股基础组合 **模型构建思路**：基于全市场券商推荐的金股，按推荐次数加权构建组合[18] **模型具体构建过程**： - 收集全市场39家券商发布的十大金股 - 去重后保留250只个股 - 按券商推荐次数计算个股权重 - 分为全样本组合、新进金股组合和重复金股组合三类[18] 模型的回测效果 1. **开源金工优选金股组合** - 3月收益率：1.2%[25] - 2025年收益率：12.8%[25] - 年化收益率：20.9%[25] - 年化波动率：25.5%[25] - 收益波动比：0.82[25] - 最大回撤：24.6%[25] 2. **券商金股基础组合** - 全样本组合： - 3月收益率：-0.2%[20] - 2025年收益率：4.5%[20] - 年化收益率：11.1%[20] - 年化波动率：23.7%[20] - 收益波动比：0.47[20] - 最大回撤：42.6%[20] - 新进金股组合： - 3月收益率：-1.1%[20] - 2025年收益率：8.2%[20] - 年化收益率：14.0%[20] - 年化波动率：24.5%[20] - 收益波动比：0.57[20] - 最大回撤：38.5%[20] - 重复金股组合： - 3月收益率：0.7%[20] - 2025年收益率：1.7%[20] - 年化收益率：8.6%[20] - 年化波动率：23.7%[20] - 收益波动比：0.36[20] - 最大回撤：45.0%[20] 量化因子与构建方式 1. **因子名称**：业绩超预期因子（SUE因子） **因子构建思路**：捕捉上市公司业绩超出市场预期的选股能力[24] **因子具体构建过程**： - 获取个股最新财报公布的EPS - 获取市场一致预期的EPS - 计算历史预期EPS的标准差 - 按公式计算SUE值： $$SUE = \frac{实际EPS - 预期EPS}{预期EPS的标准差}$$[24] **因子评价**：在新进金股样本中具有显著的选股能力[24] 因子的回测效果 1. **业绩超预期因子（SUE因子）** - 在优选金股组合中年化超额收益达9.8%（相对中证500）[24] - 信息比率（IR）：1.25[24]

根据提供的文档内容，经过全面梳理后，未发现涉及量化模型或量化因子的具体构建方法、公式或测试结果。文档主要内容集中在市场数据展示（如涨跌幅、成交额、估值变化）和免责声明等非量化分析内容[2][6][7][8][10][11][12][13][14][15]，未包含可提取的量化模型或因子相关信息。

根据研报内容，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：券商金股业绩增强组合** - **模型构建思路**：以券商金股股票池为选股空间，通过多因子优选方式对标偏股混合型基金指数，控制组合在个股和风格上的偏离[41] - **模型具体构建过程**： 1. **选股空间**：每月汇总券商金股股票池（如2025年4月去重后259只A股）[4][33] 2. **因子筛选**：结合历史表现较好的因子（如单季度ROE、净利润增速）和风格暴露（Barra因子）[27][31] 3. **组合优化**：以公募基金行业分布为基准，优化权重分配，控制跟踪误差[41] 4. **仓位调整**：根据主动股基权益仓位中位数动态调整（如上月仓位90%）[37] - **模型评价**：历史表现稳健，2018-2024年每年均能战胜偏股混合型基金指数，在主动股基中排名前30%[42] --- 量化因子与构建方式 1. **因子名称：单季度ROE** - **因子构建思路**：反映企业短期盈利能力，优选高ROE个股[27] - **因子具体构建过程**： $$ \text{单季度ROE} = \frac{\text{单季度净利润}}{\text{股东权益}} $$ 数据来源为财报披露的单季度净利润和股东权益[27] - **因子评价**：近期表现优异，2025年3月多空收益显著[27] 2. **因子名称：分析师净上调幅度** - **因子构建思路**：捕捉卖方分析师对盈利预期的调整信号[27] - **因子具体构建过程**：统计所有覆盖分析师对目标价或EPS的上调幅度净值[27] 3. **因子名称：SUE（标准化未预期盈余）** - **因子构建思路**：衡量财报盈利超市场预期的程度[27] - **因子具体构建过程**： $$ \text{SUE} = \frac{\text{实际EPS} - \text{预期EPS}}{\text{历史EPS标准差}} $$ 其中预期EPS为分析师一致预期[27] 4. **因子名称：波动率** - **因子构建思路**：低波动个股长期表现更稳定[27] - **因子具体构建过程**：计算过去60个交易日收益率标准差[27] - **因子评价**：2025年以来表现较差[27] --- 模型的回测效果 1. **券商金股业绩增强组合** - **本月（20250303-20250331）**：绝对收益3.69%，超额收益3.39%（vs偏股混合型基金指数）[5][40] - **本年（20250102-20250331）**：绝对收益7.96%，超额收益3.31%，主动股基排名21.13%分位[5][40] - **全样本（2018-2024）**：年化收益19.01%，年化超额14.87%[42][45] --- 因子的回测效果 1. **单季度ROE**：2025年3月多空收益显著[27] 2. **分析师净上调幅度**：2025年3月表现较好[27] 3. **SUE**：2025年以来多空收益排名前三[27] 4. **波动率**：2025年以来多空收益表现较差[27] --- 其他关键数据 - **券商金股股票池行业暴露**：电子（10.11%）、机械（7.98%）、医药（7.18%）[4][27] - **风格暴露**：近3个月Barra风格因子暴露稳定[31]

证券研究报告·金融工程·金工专题报告 金工专题报告 20250401 基于宏观风险因子的大类资产轮动模型绩 效月报 20250331 ◼ 风险提示：模型所有统计结果均基于历史数据，未来市场可能发生重大 变化；单一模型可能存在风险，实际应用需结合资金管理、风险控制等 方法；模型测算可能存在相对误差，不构成实际投资建议。 2025 年 04 月 01 日 证券分析师 高子剑 执业证书：S0600518010001 021-60199793 gaozj@dwzq.com.cn 研究助理 刘静恒 执业证书：S0600123070085 liujingheng@dwzq.com.cn 相关研究 《从微观出发的风格轮动月度跟踪 202504》 2025-03-31 《基于技术指标的指数仓位调整月报 202504 》 2025-03-31 东吴证券研究所 1 / 11 请务必阅读正文之后的免责声明部分 [Table_Tag] [Table_Summary] ◼ 基于宏观风险因子的大类资产轮动模型绩效：2011 年 1 月至 2023 年 12 月，模型年化收益率 9.93%，年化波动率 6.83%。夏普比率 1.45，最大 ...

证券研究报告|金融工程研究报告 [Table_Title] 量价行业轮动组合 3 月上涨 0.56% [Table_Title2] ——行业轮动组合月报 [Table_Summary] ► 量价行业轮动组合 3 月上涨 0.56% 2010 年至 2025 年 3 月，量价行业轮动组合的累计收益为 707.32%，相对于全部行业等权组合的累计超额为 613.37%。 量价行业轮动组合 3 月份上涨 0.56%，相对于行业等权的超额 收益为 0.53%。 2025 年 4 月份量价复合因子值排名较高的行业为：家 电、银行、轻工制造、交通运输、房地产。 风险提示 报告的结论基于历史统计规律，当历史规律发生改变 时，报告中的结论可能失效。市场可能出现超预期波动风 险。 评级及分析师信息 [Table_Author] 分析师：丁睿雯 邮箱：dingrw@hx168.com.cn SAC NO：S1120523040002 [Table_Date] 2025 年 4 月 1 日 分析师：杨国平 邮箱：yanggp@hx168.com.cn SAC NO：S1120520070002 请仔细阅读在本报告尾部的重要法律声明 ...

量化因子与构建方式 1. **因子名称**：新价量相关性RPV因子 - **构建思路**：通过划分价量四象限，利用月度IC均值甄别价量相关性因子的反转效应和动量效应，结合日内与隔夜信息叠加，加入成交量信息构建因子[6] - **具体构建过程**： 1. **日内价量相关性**：使用CCOIV（日内收盘价与换手率相关系数）代表，公式为： $$ \text{CCOIV} = \text{Corr}(\Delta P_{\text{intraday}}, \text{Turnover}_{\text{intraday}}) $$ 其中$\Delta P_{\text{intraday}}$为日内价格变动，$\text{Turnover}_{\text{intraday}}$为日内换手率[6] 2. **隔夜价量相关性**：使用COV（隔夜收益与昨日换手率相关系数）代表，公式为： $$ \text{COV} = \text{Corr}(\Delta P_{\text{overnight}}, \text{Turnover}_{\text{previous day}}) $$ 其中$\Delta P_{\text{overnight}}$为隔夜收益[6] 3. **信息叠加**：将CCOIV（反转效应）与COV（动量效应）加权合成RPV因子[6] - **因子评价**：因子通过价量配合增强选股效果，兼具反转与动量特性[6] 2. **因子名称**：聪明版日频价量相关性SRV因子 - **构建思路**：改进RPV因子，将日内涨跌拆分为上午/下午时段，选取知情交易集中的"聪明"时段换手率，优化隔夜价量相关性计算[6] - **具体构建过程**： 1. **日内价量相关性**： - 计算下午"聪明"换手率与下午涨跌的相关系数，选取下午交易时段中"聪明"指标最大的20%（24分钟）作为知情交易时段[6] 2. **隔夜价量相关性**： - 将换手率替换为昨日最后半小时换手率（知情交易比例更高）[6] 3. **合成SRV因子**：结合优化后的日内与隔夜价量相关性因子[6] - **因子评价**：通过识别知情交易时段提升因子有效性，绩效优于RPV因子[6] --- 因子回测效果 1. **新价量相关性RPV因子**（2014/01-2025/03全市场回测）[7][10]： - 年化收益率：14.82% - 年化波动率：7.74% - 信息比率（IR）：1.91 - 月度胜率：73.13% - 最大回撤：10.63% - **2025年3月表现**： - 多头收益率：0.98% - 空头收益率：-2.07% - 多空对冲收益率：3.05%[10] 2. **聪明版日频价量相关性SRV因子**（2014/01-2025/03全市场回测）[7][10]： - 年化收益率：17.84% - 年化波动率：6.46% - 信息比率（IR）：2.76 - 月度胜率：76.12% - 最大回撤：3.74% - **2025年3月表现**： - 多头收益率：1.77% - 空头收益率：-2.47% - 多空对冲收益率：4.24%[10] --- 补充说明 - **长期回测差异**：在2014/01-2023/08回测期内，RPV因子年化收益16.29%（IR=2.41），SRV因子年化收益18.91%（IR=3.07），显示SRV因子稳定性更优[6] - **净值走势**：RPV与SRV因子多空对冲净值长期呈上升趋势，SRV因子波动更低（见图1、图2）[9][12]