量化模型与构建方式 模型名称：知情交易者密度D指标 - **模型构建思路**：通过逐笔成交数据计算资金流行为，反映股票的微观供求信息，定义密度D指标以反映知情交易者对市场的态度[88] - **模型具体构建过程**： 1. 资金流向依据挂单金额的大小，分为四种类型进行统计：超大单(>100万元)、大单（20-100万元）、中单（4-20万元）和小单（<4万元）[88] 2. 定义密度D指标，即每个交易日往前回溯K=20个交易日，使用知情交易者异常净流入的个数减去异常净流出的个数[88] - **模型评价**：密度D指标在零轴之下，显示出知情交易者对于市场走势偏谨慎[88] 模型的回测效果 - **知情交易者密度D指标**： - 近一个月密度D指标在零轴之下，显示出知情交易者对于市场走势偏谨慎[88] 量化因子与构建方式 因子名称：北上资金行为画像 - **因子的构建思路**：通过拆解北上资金的流入流出情况，分析外资在不同行业、指数和风格上的偏好[9][42][55][69] - **因子具体构建过程**： 1. **资金流入流出统计**：统计近一月北上资金的净流出情况，累计净流出约424亿元[9] 2. **托管机构拆解**：将北向资金拆分到托管机构层面，发现外资券商净流出约152亿元，外资银行累计净流出约245亿元[30] 3. **行业拆解**：统计外资银行和外资券商在不同一级行业的增持和减持情况，发现外资偏好电子、公用事业等行业，同时减持家用电器、食品饮料等行业[42] 4. **指数拆解**：将外资资金流入流出拆解到三大主要宽基指数中，发现外资在沪深300指数成分股上的累计净流出约258亿元，中证500累计净流出约45亿元，中证1000累计净流出约34亿元[55] 5. **风格拆解**：统计外资在成长和价值风格上的偏好，发现外资略偏好成长风格[69] 6. **个股持仓概览**：统计全体托管机构净增仓占比最高的个股，发现立达信为净增仓占比最高个股，净增仓比例达4.05%[86] 因子的回测效果 - **北上资金行为画像**： - 近一月北上资金累计净流出约424亿元[9] - 外资券商净流出约152亿元，外资银行累计净流出约245亿元[30] - 外资在沪深300指数成分股上的累计净流出约258亿元，中证500累计净流出约45亿元，中证1000累计净流出约34亿元[55] - 外资在价值的个股上净流出约141亿元，在成长的个股上净流出约89亿元[69] - 立达信为净增仓占比最高个股，净增仓比例达4.05%[86]

金 融 工 程 研 究 金融工程专题 | --- | --- | --- | --- | |-------------------------------------------------------------------------------|--------------------------------------------------------------------|---------------------------------------------------------------------------------------------------------------------|----------------------------------------------------------------| | 金融工程研究团队 | | | ——量化基金业绩简报 | | 魏建榕（首席分析师） | 魏建榕（分析师） | 高鹏（分析师） | 苏良（分析师） | | 证书编号： S0790519120001 | weijianrong@kysec.cn 证书编号： S0790 ...

专题报告——FOF 研究 从业资格号： F03107545 Tel： 18117512030 Email： linghui.li@orientfutures.com 私募策略研究： 银行理财视角的量化中性研究 ★推荐及复盘结果： 报告日期： 2024 年 6 月 19 日 曹洋 首席分析师 从业资格号： F3012297 投资咨询号： Z0013048 Tel： 8621-63325888-3904 Email： yang.cao@orientfutures.com 根据验证期各管理人实际表现，对前期推荐结果进行复盘： 第一顺位推荐无回撤或回撤较小的，具备一定预测性和前瞻 性的管理人，如申毅投资和锐天投资。在验证期，两家管理 人的最大回撤均不超过 1%，其中申毅投资未发生回撤。此 外，申毅投资在夏普比率上有优异表现。第二顺位推荐存在 一定回撤但能及时调整并实现迅速反弹的管理人，如宽德私 募。在验证期，宽德私募未修复最大回撤，且存在较高的年 化风险，表现不及预期。第三顺位推荐存在一定回撤，反弹 趋势清晰可预测，还存在一定左侧机会的管理人，该类管理 人善于修复历史回撤，而本次回撤尚未修复完毕，如黑翼资 F O F ...

量化模型与构建方式 1. 模型名称：日股量化择时模型 - **模型构建思路**：基于日本经济、海外经济与贸易、汇率、消费、通胀等多个维度的综合信号进行择时[4][5] - **模型具体构建过程**： - **经济增长**：使用日本服务业PMI和制造业PMI的信号加总，得到经济的总信号[4][5] - **海外经济与贸易**：使用美国制造业PMI、美国服务业PMI和日本贸易差额的信号加总，得到海外经贸的总信号[4][5] - **汇率预期**：利用美日利差和美日汇率构建汇率预期信号，通过四象限法则预测日元贬值预期[4][5] - **就业**：使用日本雇员报酬和劳动力人数的信号加总，得到就业综合信号[4][5] - **消费**：使用日本两人及以上的劳动者家庭平均储蓄率和月消费支出的信号加总，得到消费综合信号[4][5] - **通胀**：使用CPI和PPI的信号相减，构建通胀剪刀差信号[4][5] - **综合信号**：将上述六个维度的信号等权加总，得到日股综合择时信号[4][5] - **模型评价**：该模型通过多维度信号的综合分析，能够较为准确地进行日股的择时操作[4][5] 模型的回测效果 - **日股量化择时模型**： - **总胜率**：65.85%[5] - **看多胜率**：64.29%[5] - **看空胜率**：72.00%[5] - **赔率**：1.11[5] - **超额收益**：4.60%[5] - **美元计价的日经225择时**： - **总胜率**：67.48%[5] - **看多胜率**：65.31%[5] - **看空胜率**：76.00%[5] - **赔率**：0.95[5] - **超额收益**：5.21%[5] 量化因子与构建方式 1. 因子名称：经济增长因子 - **因子的构建思路**：通过日本服务业PMI和制造业PMI的信号加总，反映日本国内经济增长情况[4] - **因子具体构建过程**：将日本服务业PMI和制造业PMI的信号加总，得到经济的总信号[4] - **因子评价**：该因子能够较好地反映日本经济的整体增长趋势[4] 2. 因子名称：海外经济与贸易因子 - **因子的构建思路**：通过美国制造业PMI、美国服务业PMI和日本贸易差额的信号加总，反映海外经济对日本股市的影响[4] - **因子具体构建过程**：将美国制造业PMI、美国服务业PMI和日本贸易差额的信号加总，得到海外经贸的总信号[4] - **因子评价**：该因子能够较好地反映海外经济对日本股市的影响[4] 3. 因子名称：汇率预期因子 - **因子的构建思路**：利用美日利差和美日汇率构建汇率预期信号，通过四象限法则预测日元贬值预期[4] - **因子具体构建过程**：将当月美日利差和美元兑日元汇率涨跌划分成四个象限，统计下个月日股和美元兑日元的变动幅度均值，构建汇率预期信号[4] - **因子评价**：该因子能够较好地预测日元贬值预期，并对日股进行有效择时[4] 4. 因子名称：就业因子 - **因子的构建思路**：通过日本雇员报酬和劳动力人数的信号加总，反映日本就业市场情况[4] - **因子具体构建过程**：将日本雇员报酬和劳动力人数的信号加总，得到就业综合信号[4] - **因子评价**：该因子能够较好地反映日本就业市场的健康状况[4] 5. 因子名称：消费因子 - **因子的构建思路**：通过日本两人及以上的劳动者家庭平均储蓄率和月消费支出的信号加总，反映日本国内消费情况[4] - **因子具体构建过程**：将日本两人及以上的劳动者家庭平均储蓄率和月消费支出的信号加总，得到消费综合信号[4] - **因子评价**：该因子能够较好地反映日本国内消费趋势[4] 6. 因子名称：通胀因子 - **因子的构建思路**：通过CPI和PPI的信号相减，构建通胀剪刀差信号，反映日本通胀情况[4] - **因子具体构建过程**：将CPI和PPI的信号相减，构建通胀剪刀差信号[4] - **因子评价**：该因子能够较好地反映日本通胀对企业盈利的影响[4] 因子的回测效果 - **经济增长因子**： - **总胜率**：59.06%[4] - **看多胜率**：62.30%[4] - **看空胜率**：51.02%[4] - **赔率**：1.08[4] - **超额年化收益**：0.16%[4] - **海外经济与贸易因子**： - **总胜率**：61.00%[4] - **看多胜率**：65.71%[4] - **看空胜率**：54.72%[4] - **赔率**：0.95[4] - **超额收益**：-1.39%[4] - **汇率预期因子**： - **总胜率**：56.98%[4] - **看多胜率**：58.78%[4] - **看空胜率**：45.83%[4] - **赔率**：1.20[4] - **超额收益**：0.92%[4] - **就业因子**： - **总胜率**：56.73%[4] - **看多胜率**：59.73%[4] - **看空胜率**：36.36%[4] - **赔率**：0.99[4] - **超额收益**：-2.39%[4] - **消费因子**： - **总胜率**：54.39%[4] - **看多胜率**：57.14%[4] - **看空胜率**：37.50%[4] - **赔率**：1.04[4] - **超额收益**：-3.19%[4] - **通胀因子**： - **总胜率**：57.89%[4] - **看多胜率**：60.47%[4] - **看空胜率**：50.00%[4] - **赔率**：1.00[4] - **超额年化收益**：-1.98%[4]

国投安信期货研究院 金融工程组 | --- | --- | --- | --- | --- | |------------|----------------------------|--------|--------|--------| | | 动量时序 动量截面 期限结构 | | | 持仓量 | | 黑色板块 | 0 | 0. 09 | 0 | -0. 08 | | 有色板块 | 0. 05 | -0. 21 | 0. 52 | 1.13 | | 能化板块 | -0. 02 | 0. 18 | 0. 37 | 0. 69 | | 农产品板块 | 0.13 | 0. 35 | 0. 41 | -0. 19 | | 股指板块 | -0. 71 | 0. 46 | -0. 63 | 1.06 | | 贵金属板块 | 0.12 - | | | 0. 88 | 净值曲线 本研究报告由国投安信期货有限公司撰写,研究报告中所提供的信息仅供参考。报告根据国际和行业通行的准则，以合法荣道获得这些信息，尽可能保证可靠. 准确和完整、但并不保证报告所述信息的准确性和完整性。本报告不能作为投资研究决策的依据、不能作为道义的、责任的 ...

量化模型与构建方式 模型名称：基于宏观趋势的全球权益配置策略 - **模型构建思路**：通过分析全球主要权益市场的表现、影响因素和未来趋势，构建基于宏观趋势的全球权益配置策略[1][3] - **模型具体构建过程**： 1. **宏观变量分类**：将影响权益市场的宏观变量分为全球变量和国别变量。全球变量包括全球流动性、商品价格等；国别变量包括经济增长、通货膨胀、货币政策等[1][11] 2. **收益拆分**：将本币计价收益拆分为美元计价收益和汇率变动收益，以便对不同国家之间的收益进行比较[15] 3. **宏观趋势跟踪策略**：基于宏观动量对各国权益市场进行打分，看多时持有该国股指，看空时保持空仓。基准为股指本身[274] 4. **全球权益配置策略**：根据宏观动量对各国权益市场进行打分，等权持有宏观动量打分看多的资产；基准为等权持有全部资产[279] - **模型评价**：该策略验证了资产价格对经济基本面变化反应不足的普遍现象，并且在回测中表现出较好的风险收益比[274][279] 模型的回测效果 - **基于宏观趋势的全球权益配置策略** - 年化收益率：6.9%[279] - 年化波动率：14.5%[279] - 夏普比率：0.47[279] - 基准年化收益率：4.3%[279] - 基准年化波动率：15.7%[279] - 基准夏普比率：0.28[279] - 年化超额：2.6%[279] 量化因子与构建方式 因子名称：经济增长预期 - **因子的构建思路**：经济增速与股市长期表现具有较高的相关性，尤其是经济增长预期对股市的影响更为显著[54] - **因子具体构建过程**： 1. **数据收集**：收集各国主要股指的未来经济增速预期数据[54] 2. **相关性分析**：统计各国主要股指未来经济增速与股市收益的相关性，发现未来两个季度的经济增长预期能够带来当前股指的上涨[54] - **因子评价**：经济增长预期因子能够较好地解释股市的长期表现，尤其是在未来两个季度的预期数据上[54] 因子名称：通货膨胀 - **因子的构建思路**：通货膨胀通常是权益增长的不利影响因素，低通胀环境下权益市场表现更好[57] - **因子具体构建过程**： 1. **数据收集**：收集不同通胀环境下的权益市场表现数据[57] 2. **相关性分析**：统计在不同通胀环境下的权益市场表现，发现低通胀环境下权益市场表现显著更好[57] - **因子评价**：通货膨胀因子能够较好地解释权益市场在不同通胀环境下的表现[57] 因子名称：货币政策 - **因子的构建思路**：宽松的货币政策下权益市场表现更好[103] - **因子具体构建过程**： 1. **数据收集**：收集各国货币政策（如利率）与股市表现的数据[103] 2. **相关性分析**：统计宽松货币政策下全球权益市场的表现，发现宽松货币政策对新兴市场股指和科技成长股指的影响更为显著[103] - **因子评价**：货币政策因子能够较好地解释权益市场在不同货币政策环境下的表现[103] 因子名称：风险偏好 - **因子的构建思路**：以股指在过去3个月的价格动量作为风险偏好的代理，风险偏好上行阶段有着更高的权益收益[222] - **因子具体构建过程**： 1. **数据收集**：收集各国股指的价格动量数据[222] 2. **相关性分析**：统计风险偏好上行和下行阶段的股指收益，发现风险偏好上行阶段权益收益更高[222] - **因子评价**：风险偏好因子能够较好地解释股市在不同风险偏好阶段的表现[222] 因子名称：全球流动性 - **因子的构建思路**：美债利率作为全球流动性的晴雨表，全球流动性宽松时权益市场表现较好[225] - **因子具体构建过程**： 1. **数据收集**：收集美债利率与全球股市表现的数据[225] 2. **相关性分析**：统计全球流动性宽松和收紧时的股市表现，发现全球流动性宽松时权益市场表现较好，尤其是新兴市场[225] - **因子评价**：全球流动性因子能够较好地解释全球股市在不同流动性环境下的表现[225] 因子的回测效果 - **经济增长预期因子** - 沪深300：经济上行1.4%，经济下行0.4%[55] - 纳斯达克指数：经济上行1.3%，经济下行0.2%[55] - 标普500指数：经济上行0.7%，经济下行0.4%[55] - 英国富时100指数：经济上行0.3%，经济下行-0.1%[55] - **通货膨胀因子** - 沪深300：低通胀环境2.1%，高通胀环境-0.6%[223] - 纳斯达克指数：低通胀环境1.0%，高通胀环境0.1%[223] - 标普500指数：低通胀环境0.6%，高通胀环境0.3%[223] - 英国富时100指数：低通胀环境0.2%，高通胀环境-0.1%[223] - **货币政策因子** - 沪深300：宽松货币政策1.0%，紧缩货币政策0.1%[125] - 纳斯达克指数：宽松货币政策0.3%，紧缩货币政策0.4%[125] - 标普500指数：宽松货币政策0.3%，紧缩货币政策0.4%[125] - 英国富时100指数：宽松货币政策0.2%，紧缩货币政策0.1%[125] - **风险偏好因子** - 沪深300：风险偏好上行2.1%，风险偏好下行-0.6%[223] - 纳斯达克指数：风险偏好上行1.0%，风险偏好下行0.1%[223] - 标普500指数：风险偏好上行0.6%，风险偏好下行0.3%[223] - 英国富时100指数：风险偏好上行0.2%，风险偏好下行-0.1%[223] - **全球流动性因子** - 沪深300：流动性宽松1.2%，流动性收紧0.7%[227] - 纳斯达克指数：流动性宽松0.6%，流动性收紧1.5%[227] - 标普500指数：流动性宽松0.3%，流动性收紧1.0%[227] - 英国富时100指数：流动性宽松0.1%，流动性收紧0.4%[227]

量化模型与构建方式 模型名称：AEG估值模型 - **模型构建思路**：AEG估值模型通过预测公司与顾客交易所创造的净价值，即收入扣除相应成本后的收益，来评估公司价值[41] - **模型具体构建过程**： 1. **带息收益计算**：对于任何给定的时期 $ t $，带息收益 $ Y_t = E_t + r \times Dividend_{t-1} $，其中 $ r $ 是要求回报率[27] 2. **正常收益计算**：对于任何给定的时期 $ t $，正常收益 $ N_t = (1 + r) \times E_{t-1} $[28] 3. **超额收益增长计算**：超额收益增长 $ AEG_t = (E_t + r \times Dividend_{t-1}) - (1 + r) \times E_{t-1} $[28] 4. **权益价值计算**：权益价值 $ V_0^E = \frac{E_1}{r} + \frac{1}{r} \times \left( \frac{AEG_2}{1+r} + \frac{AEG_3}{1+r} + \frac{AEG_4}{1+r} + \cdots \right) $[32] 5. **远期市盈率计算**：远期市盈率 $ \frac{V_0^E}{E_0} = \frac{1}{r} + \frac{1}{r} \times \frac{\left( \frac{AEG_2}{1+r} + \frac{AEG_3}{1+r} + \frac{AEG_4}{1+r} + \cdots \right)}{E_0} $[33] - **模型评价**：AEG模型与投资者的常用语言更为契合，相较于市净率（P/B比率），它更频繁地运用市盈率（P/E比率）[39] 模型的回测效果 - **AEG估值模型**： - 在不同假设下，公司价值均有一定程度的低估，而在3%AEG永续增长假设下，公司价值估计误差75%分位数达到了近24%，中位数也有15%[65][66] 量化因子与构建方式 因子名称：AEG EP因子 - **因子的构建思路**：传统的EP因子的计算是基于除息收益得出，忽视了AEG的价值，通过优化EP因子，考虑带息收益[167] - **因子具体构建过程**： 1. **带息收益计算**：带息收益 $ = DPS_{平均} \times (EPS_{一致预期增速}) + EPS $[167] 2. **AEG EP因子计算**：带息收益除以股价，得到基于AEG模型的EP因子[167] - **因子评价**：从因子IC看，因子IC表现有所增强，由原始因子的0.051提升至0.06，从因子分组表现看，因子分组单调性较好[169] 因子的回测效果 - **AEG EP因子**： - 全A内剔除ST/PT/次新股后，按照因子方向选取前100的股票等权配置，月度调仓下，组合年化收益达23.8%，夏普比率0.99，较原始的17.7%年化收益和0.73的夏普得到明显提升[195] - 组合年化收益由23.28%进一步提升至25.07%，夏普比率提升至1.08[202][203]

• Transformer模型已经被广泛应用于股票收益预测并输出因子，最 初由Vaswani等人在2017年的论文《Attention is All You Need》 中提出，其核心特点是全面依赖于注意力机制，并行学习序列的不 同子空间，这种机制可以让模型从不同角度理解数据的同时，大大 提高训练效率。 证券研究报告 * 请务必阅读最后一页免责声明 • 首先，将原始Transformer中的多头注意力块用一组前馈网络（FFNs）替代单个FFN，每 个FFN分别对应多头注意力层输出中的一个头。这样可以保持从多个同时市场资产序列中 学到的时间模式的多样性，增强特征解耦能力，能够在不增加模型参数的情况下更好地处 理多样化的时间序列模式，提高模型的表达能力和鲁棒性。 证券研究报告 * 请务必阅读最后一页免责声明 • 随后，作者利用第二个Transformer网络对股票量价的协方差矩阵和技术指标输入Transformer的编码器（Encoder中），捕捉不同 股票之间的动态相关性，输出相关状态（Relational State）。随后将股票技术面指标与编码器的输出输入解码器，输出对于股票收 益的预测状态(predict ...

[Table_Summary] ★市场回顾 宏观因子 S1 策略本月宏观动量预测结果分别为：增长(下行)， 通胀(下行)，信用(上行)，利率(下行)；6 月配置比例为：股票 $$( 2. 6 3 ^ { 0 } / 0 )$$ ，债券 $$( 9 4. 7 4 ^ { 0 } / _ { 0 } )$$ ，商品 $$\mathfrak { A o } ( 2. 6 3 ^ { 0 } / 0 )$$ ；本月至今股债商策略回 报为 $$0. 3 2 ^ { 0 } / 6$$ ，股债策略回报为 $$0. 4 1 ^ { 0 } / _ { 0 }$$ 。 重要事项：本报告版权归上海东证期货有限公司所有。未获得东证期货书面授权，任何人不得对本报告进行任何形式的发布、复制。本报告的信息均来源于 公开资料，我公司对这些信息的准确性和完整性不作任何保证，也不保证所包含的信息和建议不会发生任何变更。我们已力求报告内容的客观、公正，但文 中的观点、结论和建议仅供参考，报告中的信息或意见并不构成交易建议，投资者据此做出的任何投资决策与本公司和作者无关。 有关分析师承诺，见本报告最后部分。并请阅读报告最后一页的免责声明。 市场 ...

目录 证券研究报告 1.1 择时观点：景气度弱弹性，对市场作用有限 图2：中证 800 走势与 10 年期美债利率近期关系 6 1 5 0.5 4 3 0 2 1 -0.5 0 -1 40日滚动相关性 (右轴) 中证800 (经数值观整后) 10年期美债利率 (%) 证券研究报告 图3: 分歧度、流动性、景气度变化趋势 5000 120 4800 100 4600 80 4400 4200 60 4000 40 3800 3600 20 3400 0 3200 3000 -20 资料来源：wind，民生证券研究院 4 图6：三维择时框架历史表现 8000 5.8 4.8 6000 3.8 2.8 4000 1.8 2000 0.8 沪深300 维择时策略+ERP极值修正净值 (右轴) 资料来源：wind, 民生证券研究院 资料来源：wind，民生证券研究院，注：上证指数为可比已缩放到与 A 股景气度指数同量纲 5 图9：市场流动性指数 6000 r 80 5000 60 4000 40 3000 20 2000 0 流动性指数 (右轴) 沪深300 证券研究报告 1.2 指数监测：上证国企红利 ETF 大幅流 ...