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。）*

量化模型与因子总结 量化模型与构建方式 1. **模型名称：国信金工多因子指数增强组合模型**[11][12] * **模型构建思路**：以多因子选股为核心，通过收益预测、风险控制和组合优化三个步骤，构建对标不同基准指数（如沪深300、中证500等）的增强组合，旨在稳定战胜基准[11][12]。 * **模型具体构建过程**：构建流程主要包括三块： 1. **收益预测**：基于多因子模型预测股票未来收益。 2. **风险控制**：控制组合相对于基准指数的风险暴露。 3. **组合优化**：在给定约束下，求解最优的股票权重，以实现目标（如最大化预期收益、控制跟踪误差等）[12]。 2. **模型名称：单因子MFE（Maximized Factor Exposure）组合模型**[15][42] * **模型构建思路**：为了在更接近实际投资约束（如行业中性、风格中性）的条件下检验单因子的有效性，通过组合优化的方式，在满足一系列约束的前提下，构建一个最大化该因子暴露的投资组合，并观察其相对于基准的表现[42]。 * **模型具体构建过程**：采用组合优化模型构建，具体步骤如下： 1. **优化目标**：最大化组合在目标单因子上的加权暴露。 2. **约束条件**：包括控制组合相对于基准指数的风格暴露、行业暴露、个股权重偏离、成分股内权重占比以及禁止卖空和满仓运作等[42][43]。 3. **优化模型公式**： $$\begin{array}{ll}max&f^{T}w\\\ s.t.&s_{l}\leq X(w-w_{b})\leq s_{h}\\\ &h_{l}\leq H(w-w_{b})\leq h_{h}\\\ &w_{l}\leq w-w_{b}\leq w_{h}\\\ &b_{l}\leq B_{b}w\leq b_{h}\\\ &\mathbf{0}\leq w\leq l\\\ &\mathbf{1}^{T}w=1\end{array}$$ 其中，$f$为因子取值向量，$w$为待求解的股票权重向量，$w_b$为基准指数权重向量。$X$为风格因子暴露矩阵，$H$为行业暴露矩阵，$B_b$为成分股标识向量。$s_l$, $s_h$, $h_l$, $h_h$, $w_l$, $w_h$, $b_l$, $b_h$, $l$为各项约束的上下限[42][43]。 4. **构建与回测**：每月末根据约束条件重新优化构建每个单因子的MFE组合，换仓时扣除双边0.3%的交易费用，并计算其相对于基准的历史收益与风险指标[46]。 3. **模型名称：公募重仓指数构建模型**[44][45] * **模型构建思路**：为了测试因子在公募基金持仓风格下的有效性，通过汇总公募基金定期报告的持仓信息，构建一个代表公募基金整体重仓股构成的指数，作为新的因子测试样本空间[44]。 * **模型具体构建过程**： 1. **样本基金筛选**：选取普通股票型及偏股混合型基金，剔除规模小于五千万且上市不足半年的基金[45]。 2. **持仓数据合成**：使用基金定期报告（年报、半年报、季报）的持仓信息，将符合条件的基金持仓股票权重进行平均，得到公募基金平均持仓[45]。 3. **成分股选取**：将平均后的股票权重降序排序，选取累计权重达到90%的股票作为成分股，构建公募重仓指数[45]。 量化因子与构建方式 报告列出了超过30个因子，涵盖估值、反转、成长、盈利、流动性、波动、公司治理和分析师等多个维度[16][17]。以下是因子名称及其构建思路的摘要列表，具体计算方式参见表1[17]。 1. **估值类因子** * **因子名称**：BP、单季EP、单季SP、EPTTM、SPTTM、EPTTM一年分位点、股息率[17]。 * **构建思路**：衡量公司市值与其账面价值、盈利或营收等基本面的比率，寻找估值相对偏低或合理的股票[17]。 2. **反转与动量类因子** * **因子名称**：一个月反转、三个月反转、一年动量[17]。 * **构建思路**：捕捉股票价格的短期反转效应（跌多易涨）和长期动量效应（涨者恒涨）[17]。 3. **成长类因子** * **因子名称**：单季净利同比增速、单季营收同比增速、单季营利同比增速、SUE（标准化预期外盈利）、SUR（标准化预期外收入）、单季超预期幅度[17]。 * **构建思路**：衡量公司盈利、营收等财务指标的增长率或相对于市场预期的增长情况，寻找成长性高的公司[17]。 4. **盈利类因子** * **因子名称**：单季ROE、单季ROA、DELTAROE、DELTAROA[17]。 * **构建思路**：衡量公司的盈利能力（如净资产收益率ROE、总资产收益率ROA）及其改善情况（Delta值）[17]。 5. **流动性类因子** * **因子名称**：非流动性冲击、一个月换手、三个月换手[17]。 * **构建思路**：衡量股票的交易活跃度和流动性水平，低流动性或低换手可能伴随溢价或反映关注度低[17]。 6. **波动类因子** * **因子名称**：特异度（残差波动）、一个月波动、三个月波动[17]。 * **构建思路**：衡量股票价格的特异波动率或总体波动率，通常与风险相关[17]。 7. **公司治理类因子** * **因子名称**：高管薪酬[17]。 * **构建思路**：以前三高管报酬总额的对数作为代理变量，可能与公司治理质量或激励水平相关[17]。 8. **分析师类因子** * **因子名称**：预期EPTTM、预期BP、预期PEG、预期净利润环比、三个月盈利上下调、三个月机构覆盖[17]。 * **构建思路**：基于卖方分析师的盈利预测、估值指标（如PEG）、预测调整以及覆盖度等信息，捕捉市场共识预期的变化[17]。 模型的回测效果 1. **国信金工指数增强组合模型**（截至2026年4月30日）[14] * 沪深300指数增强组合：本周超额收益-1.04%，本年超额收益5.34%[14]。 * 中证500指数增强组合：本周超额收益-0.64%，本年超额收益3.56%[14]。 * 中证1000指数增强组合：本周超额收益-0.83%，本年超额收益3.88%[14]。 * 中证A500指数增强组合：本周超额收益-1.02%，本年超额收益1.80%[14]。 2. **公募基金指数增强产品**（统计区间内上市满三个月产品）[28] * **沪深300指数增强产品**：最近一周超额收益中位数-0.06%，最近一月0.55%，今年以来2.23%[32]。 * **中证500指数增强产品**：最近一周超额收益中位数-0.19%，最近一月0.06%，今年以来0.03%[35]。 * **中证1000指数增强产品**：最近一周超额收益中位数-0.06%，最近一月-0.66%，今年以来1.92%[38]。 * **中证A500指数增强产品**：最近一周超额收益中位数-0.08%，最近一月0.63%，今年以来1.70%[41]。 因子的回测效果 （以下为各样本空间中，单因子MFE组合在指定期间内的超额收益表现。因子方向：“正向”表示因子值越大越看好，“反向”反之。“反同”等疑似文本识别错误，根据上下文推断为“反向”。） **沪深300样本空间**[18] 1. 特异度因子，最近一周0.48%，最近一月-1.44%，今年以来-1.03%，历史年化-0.03%[18]。 2. EPTTM一年分位点因子，最近一周0.37%，最近一月-1.65%，今年以来-0.21%，历史年化2.27%[18]。 3. 三个月波动因子，最近一周0.25%，最近一月-2.13%，今年以来-0.14%，历史年化1.52%[18]。 4. 非流动性冲击因子，最近一周-1.46%，最近一月-2.95%，今年以来-3.08%，历史年化0.06%[18]。 5. 一个月换手因子，最近一周-1.06%，最近一月-4.22%，今年以来-3.25%，历史年化0.81%[18]。 6. 单季SP因子，最近一周-1.03%，最近一月-3.54%，今年以来-4.15%，历史年化2.34%[18]。 **中证500样本空间**[21] 1. 一年动量因子，最近一周表现较好[21]。 2. 单季营利同比增速因子，最近一周表现较好[21]。 3. 预期净利润环比因子，最近一周表现较好[21]。 4. EPTTM因子，最近一周表现较差[21]。 5. 单季EP因子，最近一周表现较差[21]。 6. 预期BP因子，最近一周表现较差[21]。 **中证1000样本空间**[23] 1. 预期净利润环比因子，最近一周0.60%，最近一月-0.75%，今年以来0.42%，历史年化3.92%[23]。 2. 一年动量因子，最近一周0.40%，最近一月2.34%，今年以来3.94%，历史年化-0.20%[23]。 3. DELTAROA因子，最近一周0.36%，最近一月0.67%，今年以来4.79%，历史年化8.15%[23]。 4. EPTTM因子，最近一周-2.20%，最近一月-6.76%，今年以来-5.42%，历史年化5.79%[23]。 5. BP因子，最近一周-2.05%，最近一月-6.67%，今年以来-5.38%，历史年化1.84%[23]。 6. 一个月波动因子，最近一周-1.67%，最近一月-6.70%，今年以来-5.47%，历史年化0.69%[23]。 **中证A500样本空间**[25] 1. 单季营利同比增速因子，最近一周0.82%，最近一月3.66%，今年以来3.39%，历史年化2.80%[25]。 2. 单季净利同比增速因子，最近一周0.54%，最近一月3.26%，今年以来4.17%，历史年化3.72%[25]。 3. EPTTM一年分位点因子，最近一周0.51%，最近一月-1.56%，今年以来-3.14%，历史年化1.92%[25]。 4. 非流动性冲击因子，最近一周-1.68%，最近一月-4.16%，今年以来-6.00%，历史年化0.80%[25]。 5. EPTTM因子，最近一周-1.62%，最近一月-5.60%，今年以来-1.96%，历史年化2.64%[25]。 6. 股息率因子，最近一周-1.45%，最近一月-5.43%，今年以来-3.60%，历史年化2.87%[25]。 **公募重仓指数样本空间**[27] 1. 单季营收同比增速因子，最近一周表现较好[27]。 2. EPTTM一年分位点因子，最近一周表现较好[27]。 3. 一年动量因子，最近一周表现较好[27]。 4. EPTTM因子，最近一周表现较差[27]。 5. 非流动性冲击因子，最近一周表现较差[27]。 6. 单季EP因子，最近一周表现较差[27]。

量化模型与构建方式 1. **模型/因子名称：封板率** * **构建思路：** 用于衡量涨停股票在收盘时能够维持涨停的强度，是市场短期情绪和资金承接力的一个指标[15]。 * **具体构建过程：** 统计在交易日中股价曾达到涨停价（即最高价涨停）的股票，计算其中收盘时仍维持涨停的股票数量占比[15]。 * **计算公式：** $$封板率 = \frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$[15] 2. **模型/因子名称：连板率** * **构建思路：** 用于衡量市场涨停效应的持续性，反映强势股和热点的延续能力[15]。 * **具体构建过程：** 统计前一个交易日收盘涨停的股票，计算其在当前交易日收盘时仍能涨停的股票数量占比[15]。 * **计算公式：** $$连板率 = \frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$[15] 3. **模型/因子名称：大宗交易折价率** * **构建思路：** 通过大宗交易成交价与市价的差异，反映大资金的投资偏好和市场情绪，折价通常意味着卖方有更强的卖出意愿或流动性需求[24]。 * **具体构建过程：** 计算大宗交易的总成交金额与按当日市价计算的成交份额总市值之间的比率，再减去1得到折价率[24]。 * **计算公式：** $$折价率 = \frac{大宗交易总成交金额}{当日成交份额的总市值} - 1$$[24] 4. **模型/因子名称：股指期货年化贴水率** * **构建思路：** 衡量股指期货价格相对于现货指数的折溢价水平，并年化处理以便于跨期比较。贴水率受利率、分红、市场情绪等多因素影响，是衡量市场预期和对冲成本的重要指标[26]。 * **具体构建过程：** 首先计算股指期货主力合约与现货指数之间的基差（期货价格 - 现货价格），然后用基差除以现货指数价格，再乘以年化因子（250天除以合约剩余交易日数）[26]。 * **计算公式：** $$年化贴水率 = \frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$[26] 模型的回测效果 （本报告为市场日度数据监测报告，未提供模型或因子在历史样本外的长期回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率IR等。报告主要展示了各指标在特定日期的截面数据或近期统计值。） 量化因子与构建方式 （本报告未涉及传统意义上的选股或定价阿尔法因子，如价值、动量、质量等因子的构建与测试。） 因子的回测效果 （本报告未提供因子的分层测试、多空组合收益、因子IC值等传统因子回测结果。）

量化模型与构建方式 1. **模型名称**：封板率模型[15] **模型构建思路**：通过计算股票涨停后能否维持涨停至收盘的概率，来度量市场追涨情绪和涨停板的强度[15] **模型具体构建过程**：首先筛选上市满3个月以上的股票，找出在当日交易中最高价曾达到涨停价的股票。然后，在这些股票中，统计收盘价仍为涨停价的股票数量。最后，将后者除以前者，得到封板率。 **公式**： $$封板率=\frac{最高价涨停且收盘涨停的股票数}{最高价涨停的股票数}$$ **模型评价**：封板率越高，表明涨停板的“封板”力度越强，市场追涨情绪越稳固；反之则表明涨停板较为脆弱，抛压较大[15] 2. **模型名称**：连板率模型[15] **模型构建思路**：通过计算昨日涨停股票在今日继续涨停的比例，来度量市场短线炒作的持续性和赚钱效应[15] **模型具体构建过程**：首先统计昨日收盘涨停的股票数量。然后，在这些股票中，统计今日收盘仍为涨停的股票数量。最后，将后者除以前者，得到连板率。 **公式**： $$连板率=\frac{连续两日收盘涨停的股票数}{昨日收盘涨停的股票数}$$ **模型评价**：连板率越高，表明市场短线接力情绪高涨，涨停板的赚钱效应具有持续性；反之则表明市场热点轮动快，追高接力风险较大[15] 3. **模型/因子名称**：大宗交易折价率[24] **构建思路**：通过计算大宗交易成交价相对于市场价格的折扣程度，来反映大资金的交易偏好和市场情绪[24] **具体构建过程**：收集每日大宗交易的成交数据，计算总成交金额。同时，根据成交份额和当日市场价格计算这些份额的总市值。最后，用总成交金额除以总市值再减1，得到整体折价率。 **公式**： $$折价率=\frac{大宗交易总成交金额}{当日成交份额的总市值}-1$$ **评价**：折价率越高（负值越大），表明大资金卖出意愿更强或买入方要求更高的安全边际，可能反映偏谨慎的市场情绪；折价率收窄则可能表明情绪有所好转[24] 4. **模型/因子名称**：股指期货年化贴水率[26] **构建思路**：通过计算股指期货价格相对于现货指数的年化折价/溢价幅度，来反映市场对未来走势的预期、对冲成本以及市场情绪[26] **具体构建过程**：首先计算基差（股指期货价格 - 现货指数价格）。然后，将基差除以现货指数价格，得到即期贴水率。最后，将该即期贴水率年化，即乘以（250/合约剩余交易日数）。 **公式**： $$年化贴水率=\frac{基差}{指数价格} \times \frac{250}{合约剩余交易日数}$$ **评价**：年化贴水率（正值表示升水，负值表示贴水）的绝对值和变化可以反映市场情绪。深度贴水可能反映市场对未来悲观或对冲需求旺盛，升水则可能反映乐观预期[26] 模型的回测效果 1. 封板率模型，2026年4月30日取值为80%[15] 2. 连板率模型，2026年4月30日取值为20%[15] 量化因子与构建方式 1. **因子名称**：两融余额占比[20] **因子构建思路**：通过计算融资融券余额占市场总流通市值的比重，来度量杠杆资金在市场的整体参与程度和活跃度[20] **因子具体构建过程**：获取市场的总融资余额和总融券余额，相加得到两融余额。同时，获取市场总流通市值。将两融余额除以市场总流通市值，得到占比。 **因子评价**：该比值越高，表明杠杆资金在市场中的参与度越高，市场风险偏好可能较强；比值稳定在某一水平则反映杠杆资金的常态参与度[20] 2. **因子名称**：两融交易占比[20] **因子构建思路**：通过计算融资买入与融券卖出总额占市场总成交额的比例，来度量杠杆资金的短期交易活跃度[20] **因子具体构建过程**：获取市场的总融资买入额和总融券卖出额，相加得到两融交易额。同时，获取市场总成交额。将两融交易额除以市场总成交额，得到占比。 因子的回测效果 1. 大宗交易折价率因子，近半年以来平均取值为7.22%，2026年4月29日取值为6.50%[24] 2. 股指期货年化贴水率因子，近一年中位数取值：上证50为1.39%，沪深300为4.85%，中证500为10.44%，中证1000为12.79%[26]。2026年4月30日取值：上证50为4.24%（30%分位），沪深300为6.92%（38%分位），中证500为7.21%（73%分位），中证1000为9.29%（76%分位）[26] 3. 两融余额占比因子，截至2026年4月29日取值为2.6%[20] 4. 两融交易占比因子，截至2026年4月29日取值为10.1%[20]

量化模型与构建方式 1. **模型/因子名称：250日新高距离**[11] **构建思路：** 用于量化股票、指数等价格接近其历史最高点的程度，是衡量趋势强度和动量效应的一种指标[11] **具体构建过程：** 1. 计算过去250个交易日的收盘价最大值，记为 `ts_max(Close, 250)`[11] 2. 用最新收盘价 `Closet` 除以该最大值[11] 3. 用1减去该比值，得到250日新高距离[11] **公式：** $$250 日新高距离 = 1 - \frac{Closet}{ts\_max(Close, 250)}$$ 其中，`Closet`为最新收盘价，`ts_max(Close,250)`为过去250个交易日收盘价的最大值[11] **模型/因子评价：** 该指标是趋势跟踪和动量策略的核心工具之一，研究表明股价接近历史高点时未来收益可能更高[11] 2. **模型名称：平稳创新高股票筛选模型**[26][28] **构建思路：** 在近期创出250日新高的股票池中，结合分析师关注度、股价相对强弱、趋势延续性、股价路径平稳性及创新高持续性等多个维度，筛选出动量效应可能更持续、更稳健的“平稳创新高”股票[26][28] **具体构建过程：** 筛选分为多个步骤，对初始股票池（过去20个交易日创出过250日新高的股票）进行层层过滤[26][28]： 1. **分析师关注度筛选：** 过去3个月内，获得“买入”或“增持”评级的分析师研报数量不少于5份[28] 2. **股价相对强弱筛选：** 过去250日涨跌幅位于全市场所有股票的前20%[28] 3. **股价平稳性筛选：** 在满足前两个条件的股票池内，使用“价格路径平滑性”指标进行综合打分，并选取排名在前50%的股票[28]。该指标的计算公式为： $$价格路径平滑性 = \frac{过去120日涨跌幅的绝对值}{过去120日日涨跌幅绝对值加总}$$ 此指标用于衡量股价上涨路径的平滑程度，比值越低代表路径越平滑[26] 4. **创新高持续性筛选：** 计算过去120个交易日的“250日新高距离”在时间序列上的均值，作为筛选依据之一[28] 5. **趋势延续性筛选：** 计算过去5个交易日的“250日新高距离”在时间序列上的均值，并选取该值排序靠前的50只股票作为最终输出[28] 模型的回测效果 （注：报告未提供模型的历史回测绩效指标，如年化收益率、夏普比率、最大回撤、信息比率(IR)等，因此本部分无相关内容。） 量化因子与构建方式 1. **因子名称：价格路径平滑性（位移路程比）**[26][28] **构建思路：** 通过比较一段时间内股价的总位移（净涨幅绝对值）与总路程（每日涨跌幅绝对值之和），来刻画股价上涨路径的平滑程度[26] **具体构建过程：** 1. 计算过去120个交易日的累计涨跌幅绝对值，作为“位移”[26] 2. 计算过去120个交易日每日涨跌幅绝对值的总和，作为“路程”[26] 3. 将位移除以路程，得到比值[26] **公式：** $$价格路径平滑性 = \frac{|过去120日累计涨跌幅|}{\sum_{i=1}^{120} |日涨跌幅_i|}$$ **因子评价：** 该因子旨在识别“温水煮青蛙”式的平滑上涨模式，研究表明遵循平滑路径的高动量股票收益可能优于跳跃式上涨的股票[26] 因子的回测效果 （注：报告未提供因子的历史IC、IR、多空收益等量化回测结果，因此本部分无相关内容。）

量化模型与构建方式 1. **模型名称**：基于CJPY的多因子打分分组回测模型[85] * **模型构建思路**：利用CJPY工具包提供的数据接口，实现从数据提取、因子计算、组合构建到绩效回测的完整流程，为因子研究和选股回测提供一站式闭环解决方案[13][85][92]。 * **模型具体构建过程**： 1. **数据准备**：使用CJPY的`get_factor_data()`函数，批量提取全市场股票在多个调仓日期的多个因子数据（如估值、成长等因子）[58][63]。 2. **因子处理**：对提取的因子数据进行标准化、缺失值处理等。 3. **组合构建**：在每个调仓日，对股票池内的股票进行多因子综合打分，并根据得分进行分组（例如分为5组），构建投资组合（如买入得分最高的一组股票）[85]。 4. **回测执行**：使用CJPY的`Backtest`类进行回测。将包含调仓日期、股票代码、权重和组合名称的持仓明细表（`port`）传入`run()`方法，设定回测起止日期，即可计算组合净值[84][85]。 * **模型评价**：该模型展示了CJPY工具包在基础投研工作中的实用性，接口简单，数据提取速度快，能够一站式完成从数据到回测的流程，适合非复杂场景的快速验证[13][85][92]。 量化因子与构建方式 1. **因子名称**：PETTM（市盈率TTM）[58] * **因子构建思路**：作为常见的估值指标，用于衡量股票价格相对于其过去十二个月每股收益的水平。 * **因子具体构建过程**：通过CJPY的`get_factor_data()`函数直接提取，因子名称为“PETTM”。该因子是天软默认因子库中已定义的常见估值指标[58][90]。 2. **因子名称**：PBLF（市净率LF）[58] * **因子构建思路**：作为常见的估值指标，用于衡量股票价格相对于其最新财报每股净资产的水平。 * **因子具体构建过程**：通过CJPY的`get_factor_data()`函数直接提取，因子名称为“PBLF”。该因子是天软默认因子库中已定义的常见估值指标[58][90]。 3. **因子名称**：PCFTTM（市现率TTM）[63] * **因子构建思路**：作为估值指标的补充，用于衡量股票价格相对于其过去十二个月经营现金流量的水平。 * **因子具体构建过程**：通过CJPY的`get_factor_data()`函数直接提取，因子名称为“PCFTTM”。该因子是天软默认因子库中已定义的常见估值指标[63][90]。 4. **因子名称**：流通市值[63] * **因子构建思路**：作为常见的规模因子，用于衡量公司的流通盘大小。 * **因子具体构建过程**：通过CJPY的`get_factor_data()`函数直接提取，因子名称为“流通市值”。该因子是天软默认因子库中已定义的日行情指标[63][90]。 5. **因子名称**：自定义因子（示例：因子X）[66][68][70] * **因子构建思路**：当默认因子库不满足研究需求时，用户可以利用天软TSL表达式自行构建新因子，体现了CJPY工具强大的扩展能力[11][23][66]。 * **因子具体构建过程**： 1. **编写因子公式**：使用天软TSL语言编写因子计算表达式。例如，一个简单的自定义因子“因子X”的公式可以写为 `"1"`[68][70]。更复杂的因子公式可利用天软函数和局部变量，例如计算扣非归母净利润TTM在3年前的值：`'Last12MData(PreviousReportDateEx(rdate, 3, 0),42017)'`，其中`rdate`是当前可用的最新报告期[73]。 2. **构建因子库字典**：将因子名称与对应的因子公式组成字典，例如 `{"因子X": "1"}`[68][70]。 3. **调用提取**：在`get_factor_data()`函数中，通过`factors`参数指定自定义因子名称，并通过`repo`参数传入自定义因子库字典，即可提取该因子的数据[66][68]。 * **因子评价**：自定义因子功能极大地扩展了CJPY的数据服务能力，允许研究人员将新的想法快速实现并纳入统一的数据调用框架，是进行原创性因子研究的关键工具[11][23][90]。 模型的回测效果 *本报告未提供基于CJPY多因子打分分组回测模型的具体回测绩效指标（如年化收益率、夏普比率、最大回撤、信息比率IR等）数值。* 因子的回测效果 *本报告未提供PETTM、PBLF、PCFTTM、流通市值及自定义因子等单个因子的具体测试结果（如IC、IR、多空收益、分组收益等）数值。*

量化模型与构建方式 1. **模型名称**：多资产择时模型[1][2][5][6] * **模型构建思路**：该模型用于对多种资产（包括不同期限的国债、信用债、股票指数、商品等）的未来短期走势进行概率预测和方向判断，输出看多、调整（看空）或震荡的观点[1][2][5][6]。 * **模型具体构建过程**： 1. 模型针对每个标的，计算出一个代表“未来短期内资产价格上行概率估计”的原始信号，该信号以百分比形式表示[7]。 2. 为了平滑信号，对原始信号计算其5日移动平均值（MA5）[2][5][6][7]。 3. 根据资产类别的不同，设定不同的阈值来将概率信号转化为具体的多空观点。对于利率债（如国债），当信号大于60%时看空，小于40%时看多，介于40%和60%之间为震荡[7]。对于股指（如股票指数），当信号大于60%时看多，小于40%时看空，介于40%和60%之间为震荡[7]。模型观点基于MA5信号生成[7]。 模型的回测效果 1. **多资产择时模型**，针对不同标的，在2026年4月29日的模型输出结果如下[2][5][6]： * **30年国债**：原始信号4.34%，MA5信号17.91%，模型观点为【看多】。 * **3年AAA中短票**：原始信号15.13%，MA5信号31.06%，模型观点为【看多】。 * **5年国债**：原始信号2.00%，MA5信号3.62%，模型观点为【看多】。 * **2年国债**：原始信号54.03%，MA5信号83.98%，模型观点为【调整】。 * **万得全A指数**：原始信号4.77%，MA5信号12.16%，模型观点为【看多】。 * **中证红利全收益指数**：原始信号30.18%，MA5信号32.22%，模型观点为【看多】。 * **恒生科技指数**：原始信号9.01%，MA5信号12.96%，模型观点为【看多】。 * **科创50指数**：原始信号2.99%，MA5信号3.19%，模型观点为【看多】。 * **万得微盘指数**：原始信号6.38%，MA5信号6.50%，模型观点为【看多】。 * **国证2000指数**：原始信号9.50%，MA5信号10.57%，模型观点为【看多】。 * **COMEX黄金**：原始信号82.22%，MA5信号72.06%，模型观点为【调整】。 * **IPE布油**：原始信号35.41%，MA5信号12.35%，模型观点为【看多】。 * **COMEX铜**：原始信号44.99%，MA5信号49.57%，模型观点为【震荡】。 * **焦煤**：原始信号18.63%，MA5信号23.19%，模型观点为【看多】。