量化模型与构建方式 1. **模型名称**：DFQ-FactorGCL **模型构建思路**：基于超图卷积神经网络和时间残差对比学习的股票收益预测模型[7] **模型具体构建过程**：通过超图卷积网络捕捉股票间非线性关系，结合时间残差模块学习时序动态特征，最后通过对比学习优化因子表征。目标函数为最小化预测收益与真实收益的残差。 2. **模型名称**：Neural ODE **模型构建思路**：时序动力系统重构下的深度学习因子挖掘模型[7] **模型具体构建过程**：利用神经常微分方程（Neural ODE）建模因子动态演化过程，通过连续时间序列的隐状态更新捕捉因子非线性变化。公式为： $$ \frac{dh(t)}{dt} = f_\theta(h(t), t) $$ 其中 $h(t)$ 为隐状态，$f_\theta$ 为神经网络参数化的动力系统。 --- 量化因子与构建方式 1. **因子名称**：标准化预期外收入（SUR） **因子构建思路**：衡量营收超预期程度，反映公司基本面意外变化[20] **因子具体构建过程**： $$ SUR = \frac{\text{单季实际营收} - \text{预期营收}}{\text{预期营收标准差}} $$ **因子评价**：在中证500、中证800等样本空间中近期表现突出[26][30] 2. **因子名称**：DELTAROA **因子构建思路**：单季总资产收益率同比变化，捕捉盈利能力改善[20] **因子具体构建过程**： $$ DELTAROA = ROA_{t} - ROA_{t-4} $$ **因子评价**：在国证2000样本中近期多空收益达1.90%[38] 3. **因子名称**：特异度（IVR_1M） **因子构建思路**：Fama-French三因子模型残差，反映个股特异性风险[20] **因子具体构建过程**： $$ IVR = 1 - R^2 \quad \text{(FF3回归拟合度)} $$ 4. **因子名称**：MFE组合构建 **因子构建思路**：最大化单因子暴露的组合优化方法[62] **因子具体构建过程**：通过线性规划求解以下约束优化问题： $$ \begin{array}{ll} \max & f^{T}w \\ s.t. & X(w-w_{b}) \in [s_l, s_h] \\ & H(w-w_{b}) \in [h_l, h_h] \end{array} $$ --- 模型的回测效果 1. **DFQ-FactorGCL模型**：未披露具体指标[7] 2. **Neural ODE模型**：未披露具体指标[7] --- 因子的回测效果 1. **标准化预期外收入（SUR）**： - 中证500：近一周收益1.43%，近一年年化12.83%[27] - 中证800：近一周收益1.36%，历史年化4.46%[31] 2. **DELTAROA**： - 国证2000：近一周收益1.90%，近一年年化27.67%[39] 3. **特异度（IVR_1M）**： - 沪深300：近一周收益-0.85%，历史年化0.32%[23] 4. **单季ROA**： - 沪深300：近一周收益1.12%，历史年化3.53%[23] 5. **三个月波动**： - 中证1000：近一周收益-1.05%，近一年年化-5.02%[35] --- 风格因子表现 1. **Beta风格**：近一周收益2.29%，历史年化0.89%[13] 2. **Value风格**：近一周收益-2.47%，历史年化6.96%[13] 3. **Trend风格**：近一周收益1.12%，历史年化14.31%[13] --- 指数增强产品表现 1. **沪深300增强**： - 近一周超额收益中位数0.21%，头部产品易方达沪深300增强A（1.67%）[52] 2. **中证500增强**： - 近一周超额收益中位数0.24%，头部产品华泰柏瑞中证500增强A（1.13%）[56] 3. **中证1000增强**： - 近一周超额收益中位数0.24%，头部产品国联安中证1000增强A（1.11%）[59]

量化因子与构建方式 1 **因子名称**：盈利预期期限结构因子 **因子构建思路**：通过分析历史及未来年度盈利预测数据，构建反映盈利增速和增速加速度的复合因子，捕捉分析师对企业的长期盈利预期变化趋势[7][9] **因子具体构建过程**： - **步骤1**：获取每只股票的历史2个年度已公布净利润（Y1、Y2）及未来3个年度分析师预期净利润（Y3、Y4、Y5），共5个数据点 - **步骤2**：以年度时间变量（X=1,2,3,4,5）为自变量，对净利润（Y）进行线性回归，计算斜率参数： $$ \text{斜率}_\text{增速} = \frac{\sum_{i=1}^5 (X_i - \bar{X})(Y_i - \bar{Y})}{\sum_{i=1}^5 (X_i - \bar{X})^2} $$ 该斜率反映历史+预期的盈利增速[7] - **步骤3**：将Y替换为净利润增长率（如Y2/Y1-1, Y3/Y2-1等），重新回归计算斜率： $$ \text{斜率}_\text{加速度} = \frac{\sum_{i=2}^5 (X_i - \bar{X})(G_i - \bar{G})}{\sum_{i=2}^5 (X_i - \bar{X})^2} $$ 其中G为增长率，反映盈利增速的加速度[7] - **步骤4**：综合两个斜率的排名变化，筛选排名提升显著的股票[9] **因子评价**：相比传统预期提升策略，该因子同时捕捉期限结构形态和历史成长性，对长期超额收益解释力更强[9] --- 选股组合表现 1 **盈利预期期限结构因子组合** - **沪深300组合**：2025年7月超额收益2.89%，前7个月累计超额8.59%[2][11] - **中证500组合**：2025年7月超额收益3.23%，前7个月累计超额7.42%[2][11] - **中证800组合**：2025年7月超额收益3.39%，前7个月累计超额9.38%[2][11] - **中证1000组合**：2025年7月超额收益0.99%，前7个月累计超额5.47%[2][11] （注：所有组合均采用因子排名前50/100股票等权构建[11]）

根据研报内容，以下是量化模型与因子的详细总结： 量化因子与构建方式 1. **Beta因子** - 构建思路：衡量个股相对于市场指数的系统性风险[15] - 具体构建： $$BETA = \text{半衰期63日的加权回归系数（个股日收益率 vs 中证全指日收益率）}$$ 使用过去252个交易日数据，半衰指数加权[15] - 评价：近期表现突出，反映市场对高波动性股票的偏好[16] 2. **杠杆因子** - 构建思路：综合评估公司财务杠杆水平[15] - 具体构建： $$MLEV = \frac{\text{非流动负债}}{\text{总市值}}$$ $$DTOA = \frac{\text{总负债}}{\text{总资产}}$$ $$BLEV = \frac{\text{非流动负债}}{\text{归属母公司股东权益}}$$ 最终因子值为三者均值[15] - 评价：近期低杠杆股票表现更优，显示市场风险偏好下降[16] 3. **成长因子** - 构建思路：综合营收与利润增长指标[15] - 具体构建： $$SGRO = \text{过去5年营收回归斜率/均值}$$ $$EGRO = \text{过去5年净利润回归斜率/均值}$$ 最终因子值为二者均值[15] 4. **标准化预期外盈利因子** - 构建思路：捕捉盈利超预期程度[19] - 具体构建： $$\text{标准化值} = \frac{\text{实际盈利}-(\text{去年同期值+8季度增长均值})}{\text{8季度增长标准差}}$$ 5. **240日三因子模型残差波动率** - 构建思路：衡量个股特异性风险[19] - 具体构建： $$\text{Fama-French三因子回归残差的标准差（240日窗口）}$$ 因子回测效果 | 因子名称 | 近一周多空收益 | 近一月多空收益 | 近一年净值 | 近十年净值 | |---------------------------|----------------|----------------|------------|------------| | Beta因子 | 1.86% | 1.64% | - | - | [16] | 杠杆因子 | -3.07% | -1.58% | - | - | [16] | 单季度ROA（沪深300） | 0.98% | 2.61% | 9.49% | 3.69% | [22] | 标准化预期外收入（中证800）| 1.23% | 2.96% | 4.76% | 4.43% | [31] | 对数市值（全市场） | 16.93% Rank IC | 5.24% Rank IC | 7.00% | 2.89% | [45] 中性化组合构建方法 - **核心逻辑**：在行业和风格暴露中性的约束下最大化目标因子暴露[20] - **约束条件**：行业权重与基准一致，控制规模/估值/成长等风格因子暴露[20] - **优化目标函数**： $$\max \ w^T f \quad \text{s.t.} \quad \|w\|_2 \leq \delta, \ w^T X = 0$$ 其中$f$为因子值，$X$为行业和风格暴露矩阵[20] 关键发现 1. 近期小市值因子在全市场表现强劲（Rank IC 16.93%）[45] 2. 质量类因子（如ROA、ROE）在沪深300池中长期稳定有效[22][31] 3. 技术类波动率因子（如20日换手率波动）在全市场Rank IC达11.65%[45] 注：所有测试均采用中证全指成分股，周度调仓，未考虑交易费用[15]

根据提供的量化市场追踪周报内容，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. **行业轮动模型** - **构建思路**：基于绩优基金持仓倾向的边际变化，捕捉行业配置的超配/低配信号[39] - **具体构建**： 1. 筛选绩优基金（如近3月回报前20%的主动权益基金） 2. 计算行业持仓比例变化： $$ \Delta w_{i,t} = w_{i,t} - w_{i,t-1} $$ 其中 \( w_{i,t} \) 为行业i在t期的持仓权重 3. 生成超配信号：若 \(\Delta w_{i,t} > \text{阈值}\)（如1倍标准差）则标记为超配[39] - **评价**：策略在通信、军工等板块表现突出，但需警惕市场情绪分化风险[39] 2. **风格暴露模型** - **构建思路**：跟踪主动权益基金在大盘/小盘、成长/价值风格的仓位变化[33] - **具体构建**： 1. 按市值（大盘/中盘/小盘）和估值（成长/价值）划分风格 2. 加权计算基金组合的风格暴露： $$ \text{Exposure}_k = \sum (w_{i,k} \times \text{风格因子值}_k) $$ 其中 \( w_{i,k} \) 为基金i在风格k的权重[33] --- 量化因子与构建方式 1. **通信行业加仓因子** - **构建思路**：反映主动权益基金对通信行业的配置热度[36] - **具体构建**： 1. 计算行业持仓比例变化： $$ \Delta \text{通信} = 5.31\% - 4.18\% = +1.13\text{pct} $$ 2. 标准化为Z-score因子[36] - **评价**：短期有效性显著，但需结合行业景气度验证[36] 2. **港股科技ETF资金流因子** - **构建思路**：追踪恒生科技ETF净流入规模[69] - **具体构建**： 1. 统计周度净流入额（如华泰柏瑞恒生科技ETF单周+30.68亿元） 2. 构建动量指标： $$ \text{Momentum} = \frac{\text{近1周流入}}{\text{近3月平均流入}} $$[69] --- 模型的回测效果 1. **行业轮动模型** - **信息比率(IR)**：1.35（2020-2025年回溯测试）[41] - **超额收益**：多头组合年化超额基准4.2%[41] 2. **风格暴露模型** - **大盘成长暴露**：25.07%（较上周+2.83pct）[33] - **小盘成长暴露**：44.34%（较上周-3.82pct）[33] --- 因子的回测效果 1. **通信行业加仓因子** - **IC（信息系数）**：0.12（近1年滚动）[36] - **多空收益差**：+3.14%（本周通信行业涨幅）[17] 2. **港股科技ETF资金流因子** - **周度净流入**：253.8亿元（境外指数ETF合计）[69] - **资金集中度**：恒生科技指数占比34.3%[69] --- 注：以上总结未包含免责声明、风险提示等非核心内容[78][79][80][81][82]

量化模型与构建方式 1. **模型名称：成交量模型** - 模型构建思路：基于市场成交量变化判断短期市场情绪[12] - 模型具体构建过程：监测宽基指数成交量突破阈值（如20日均值），触发看多/中性信号[12] 2. **模型名称：低波动率模型** - 模型构建思路：利用波动率指标识别市场稳定性[12] - 模型具体构建过程：计算指数历史波动率（如30日标准差），低于阈值时触发中性信号[12] 3. **模型名称：特征龙虎榜机构模型** - 模型构建思路：跟踪机构资金流向判断市场热度[12] - 模型具体构建过程：统计龙虎榜机构净买入占比，中位数以上为看多信号[12] 4. **模型名称：智能算法沪深300/中证500模型** - 模型构建思路：结合机器学习和价量因子预测指数趋势[12] - 模型具体构建过程：输入历史价格、成交量、换手率等特征，输出看多信号[12] 5. **模型名称：涨跌停模型** - 模型构建思路：通过涨跌停股数量反映市场极端情绪[13] - 模型具体构建过程：统计全A股涨跌停比例，阈值触发中性信号[13] 6. **模型名称：长期动量模型** - 模型构建思路：捕捉指数长期趋势延续性[14] - 模型具体构建过程：计算上证50等指数250日收益率，突破阈值翻多[14] 7. **模型名称：成交额倒波幅模型（港股）** - 模型构建思路：结合成交额与波动率判断港股中期趋势[16] - 模型具体构建过程：$$信号=\frac{成交额}{波幅}$$，高于历史分位数看多[16] 8. **复合模型：A股综合兵器V3模型** - 模型构建思路：多因子耦合（防御+进攻因子）[15] - 模型具体构建过程：加权短期成交量、中期涨跌停、长期动量信号，输出看空[15] 模型的回测效果 1. 成交量模型：上证50看多，沪深300看多，中证500中性[12] 2. 低波动率模型：上证50中性[12] 3. 特征龙虎榜机构模型：沪深300中性[12] 4. 智能算法模型：沪深300看多，中证500看多[12] 5. 涨跌停模型：全A中性[13] 6. 长期动量模型：上证50看多[14] 7. 成交额倒波幅模型：恒生指数看多[16] 8. A股综合兵器V3模型：看空[15] 量化因子与构建方式 1. **因子名称：杯柄形态因子** - 因子构建思路：识别价格“杯柄”突破形态[45] - 因子具体构建过程： 1. 定义杯底（A点）、杯沿（B点）、柄部（C点）[45] 2. 突破柄部高点时触发信号：$$突破价>C点最高价$$[45] - 因子评价：中长期超额收益显著[44] 2. **因子名称：双底形态因子** - 因子构建思路：捕捉W形底部反转机会[52] - 因子具体构建过程： 1. 识别两个低点（A/C点）和颈线（B点）[52] 2. 突破颈线时触发：$$突破价>B点最高价$$[52] 因子的回测效果 1. 杯柄形态因子：2020年至今累计超额收益50.35%[44] 2. 双底形态因子：2020年至今累计超额收益36.34%[52]

量化模型与构建方式 1. **模型名称：宽基形态择时策略** - **模型构建思路**：基于宽基指数成分股的形态信号（如看多/看空信号）构建多空比率剪刀差，生成择时信号[15] - **模型具体构建过程**： 1. 统计成分股中每日出现看多形态和看空形态的股票数量 2. 计算多空剪刀差比率： $$ \text{多空剪刀差比率} = \frac{\text{看多形态股票数量} - \text{看空形态股票数量}}{\text{成分股总数}} $$ 3. 根据阈值判断信号（如比率>0为看多，否则为中性）[15] - **模型评价**：历史回溯表现优秀，策略年化收益显著跑赢基准指数[15] 2. **模型名称：行业形态择时策略** - **模型构建思路**：类似宽基策略，但针对中信一级行业成分股，通过多空剪刀差生成行业择时信号[15] - **模型具体构建过程**： 1. 对每个行业，统计成分股中看多/看空形态的股票数量 2. 若当日无信号，则默认数量为0；若多空均为0，则剪刀差为0[15] 3. 生成行业信号（如建材、医药等行业的看多信号）[16][17] - **模型评价**：回测中100%跑赢行业指数，胜率稳定[15] --- 量化因子与构建方式 1. **因子名称：隐含波动率恐慌指数** - **因子构建思路**：采用Heston模型计算近月平值期权的隐含波动率，反映市场恐慌情绪[8][10] - **因子具体构建过程**： 1. 提取上证50、中证500等指数的近月平值期权数据 2. 通过Heston模型反推隐含波动率： $$ \sigma_{IV} = \text{Heston校准结果} $$ 3. 计算周环比变化（如上证50隐含波动率下跌2.78%）[10] 2. **因子名称：特殊K线形态信号** - **因子构建思路**：定义六种技术形态（如金针探底、满江红等），统计其历史胜率[22] - **因子具体构建过程**： 1. **金针探底**：长下影线K线，振幅>5%，出现在20日低位，下影线长度>80%[22] 2. **满江红**：连续阳线组合，收盘价持续创新高[22] 3. 触发形态后生成信号（如滨江集团的“满江红”信号）[23][24] --- 模型的回测效果 1. **宽基形态择时策略** - 万得微盘股指数：策略年化收益47.07%，最大回撤-34.85%[13] - 创业板指：策略年化收益27.16%，最大回撤-39.95%[13] - 恒生科技：策略年化收益13.58%，最大回撤-16.8%[13] 2. **行业形态择时策略** - 建材行业：策略年化收益25.02%，最大回撤-37.98%[16] - 医药行业：策略年化收益19.59%，最大回撤-42.71%[17] - 电力及公用事业：策略年化收益17.11%，最大回撤-41.46%[17] --- 因子的回测效果 1. **隐含波动率恐慌指数** - 上证50隐含波动率：13.63%（周环比-2.78%）[10] - 中证1000隐含波动率：17.15%（周环比-3.26%）[10] 2. **特殊K线形态信号** - 满江红形态：历史胜率70%（如滨江集团信号）[23][24] - 天堂路形态：预警效果显著（如翔宇医疗信号）[24] --- 其他衍生信号 - **连续看多信号股票**：连续5根看多信号的申联生物（农林牧渔）、光莆股份（家电）[19] - **券商金股组合信号**：分众传媒（风高浪大线形态）、中国巨石（倒锤头形态），胜率70%[26][29]

量化模型与构建方式 1. **模型名称**：趋势资金事件驱动策略 **模型构建思路**：通过多维度识别趋势资金入场信号，批量生成事件信号并合成综合信号，构建稳定的事件驱动策略[1][2] **模型具体构建过程**： - **事件识别**：通过成交量、价格涨跌幅、波动率、量价相关性等指标的异常变化识别趋势资金行动，包括： - 成交量维度：基于大小单、主买/主卖方向、成交量/金额/笔数等168种组合[18][26] - 价格涨跌幅：极端放大或缩小（日内或滚动对比）[29][30] - 波动率：振幅或滚动标准差极端放大[31][32] - 量价相关性：超过2000种组合，包括量价对齐、错位等[33][34] - **信号定义**：计算趋势资金均价指标和净支撑量指标： - 均价指标：$$ \text{趋势资金分钟的VWAP}/\text{当日所有分钟的VWAP}-1 $$[11][39] - 净支撑量指标：$$ \text{支撑成交量}-\text{阻力成交量} $$（支撑/阻力成交量按分钟收盘价与均值的比较划分）[11][42] - 触发条件：均价指标<0或净支撑量指标>0[39] - **信号合成**：筛选低相关且有效的信号（如事件1-5），等权合成综合信号[40][44] **模型评价**：综合信号显著提升单一信号的稳定性和收益表现，持股数量更合理[44] 2. **模型名称**：负向信号风险股票池 **模型构建思路**：利用事件簇中提供负向超额的信号构建风险股票池[49] **模型具体构建过程**： - 筛选稳定提供负向超额的信号（如胜率低于50%）[49] - 合成负向综合信号并构建通道策略[49][53] **模型评价**：触发负向信号的股票持续跑输基准，适合作为风险剔除池[49][52] 3. **模型名称**：趋势资金择时策略 **模型构建思路**：基于触发信号股票数量的极端放大预测市场上涨[55] **模型具体构建过程**： - 当触发信号股票数>过去240日95%分位数时开仓，连续20日无信号则平仓[55] - 回测开仓胜率60.61%，平均收益2.49%[56][59] **模型评价**：信号对指数择时具有参考意义[55] --- 模型的回测效果 1. **趋势资金综合信号**： - 年化收益率：8.32% - 年化超额收益（vs中证800等权）：10.31% - IR：2.41 - 最大回撤：6.44% - 周均持股数：40只[44][47] 2. **负向综合信号**： - 年化收益率：-12.07% - 年化超额收益（vs基准）：7.49% - IR：0.43 - 最大回撤：77.02% - 周均持股数：16只[53][55] 3. **择时策略**： - 年化收益率：8.67%（vs基准-0.40%） - 开仓胜率：60.61% - 平均持仓收益：2.49%[56][59] --- 量化因子与构建方式 1. **因子名称**：趋势资金均价指标 **因子构建思路**：通过趋势资金交易时段的VWAP与全日的VWAP比较判断资金方向[11] **因子具体构建过程**： - 识别趋势资金交易分钟（如成交量>阈值）[9] - 计算$$ \text{均价指标}=\frac{\text{趋势资金分钟VWAP}}{\text{全日VWAP}}-1 $$[11][39] **因子评价**：反映趋势资金“高抛低吸”行为[11] 2. **因子名称**：趋势资金净支撑量指标 **因子构建思路**：通过支撑/阻力成交量差异判断资金净流入方向[11] **因子具体构建过程**： - 计算全日分钟收盘价均值，划分支撑/阻力成交量[11] - 计算$$ \text{净支撑量}=\text{支撑成交量}-\text{阻力成交量} $$[42] **因子评价**：捕捉资金内部结构变化[11] --- 因子的回测效果 1. **趋势资金均价指标（单信号）**： - 年化超额收益：3.36% - IR：1.37 - 周均持股数：650只[10][13] 2. **趋势资金净支撑量指标（单信号）**： - 年化超额收益：3.25% - IR：1.30 - 周均持股数：650只[10][13] 3. **事件簇信号（如事件1）**： - 年化超额收益：4.60% - IR：2.36 - 周均持股数：533只[43]

量化模型与构建方式 1. **模型名称：分红预测模型** - **模型构建思路**：基于上市公司分红历史数据及当前分红预案信息，预测分红对股指期货各合约的影响[7][17] - **模型具体构建过程**： 1. **预估成分股净利润**：以年报公布的净利润为准[21] 2. **计算税前分红总额**： - 若已公布分红预案，直接采用税前分红总额[24] - 未公布预案的公司，假设分红率（分红金额/净利润）不变，计算税后分红总额[22] 3. **计算分红对指数的影响**： - 股息率 = 税后分红总额 / 最新市值 - 股息点 = 股票权重 × 股息率 - 权重调整公式： $$\mathrm{w_{it}={\frac{w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}{\sum_{1}^{n}w_{i0}\times\mathrm{\scriptsize{\boldmath~(~1+R~)}~}}}}$$ 其中 \( w_{i0} \) 为初始权重，\( R \) 为涨跌幅[22] 4. **预测分红对各合约的影响值**： - 已公布除权除息日的公司，以公布日期为准[25] - 未公布日期的公司，参考最近一次分红的除息日或股东大会日 + 历史平均时间差[26][27] - 汇总交割日前所有分红，计算影响点数[26] - **模型评价**：依赖历史分红率和时间分布的假设，若市场环境突变（如分红率大幅变化），预测结果可能偏离实际[16][28] 2. **模型名称：股指期货理论定价模型** - **模型构建思路**：基于无套利条件，推导含分红影响的期货理论价格[28] - **模型具体构建过程**： 1. **离散红利分配情况**： - 期货定价公式： $$F_t = (S_t - D)(1 + r)$$ 其中 \( D \) 为红利现值，\( r \) 为无风险利率[28] 2. **连续红利分配情况**： - 期货定价公式： $$F_t = S_t e^{(r-d)(T-t)}$$ 其中 \( d \) 为年化红利率[29] --- 模型的回测效果 1. **分红预测模型** - **上证50（IH）**： - 8月合约年化对冲成本：-1.22%（365天）、-1.13%（243天）[10] - 分红剩余影响：0.05%[10] - **沪深300（IF）**： - 8月合约年化对冲成本：6.13%（365天）、5.71%（243天）[11] - 分红剩余影响：0.06%[11] - **中证500（IC）**： - 8月合约年化对冲成本：17.91%（365天）、16.69%（243天）[12] - 分红剩余影响：0.08%[12] - **中证1000（IM）**： - 8月合约年化对冲成本：19.73%（365天）、18.39%（243天）[13] - 分红剩余影响：0.05%[13] 2. **股指期货理论定价模型** - 未提供具体回测数据，仅作为理论参考[28][29] --- 量化因子与构建方式 （报告未涉及独立因子构建，仅通过模型间接体现分红影响因子） --- 关键数据补充 - **分红点数预测值（8月合约）**： - 上证50：1.42点 - 沪深300：2.59点 - 中证500：4.93点 - 中证1000：3.19点[5][9] - **合约升贴水状态**： - IH升水，IF/IC/IM贴水[8][9]

量化模型与构建方式 1. **模型名称**：港股多因子模型 **模型构建思路**：基于技术面、资金面、基本面和分析师预期四大类因子构建综合评分模型，筛选港股通成分股中表现优异的个股[40][41] **模型具体构建过程**： - 因子分类：技术面（如动量、波动率）、资金面（如南下资金净流入占比）、基本面（如PE、ROE）、分析师预期（如盈利预测调整） - 标准化处理：对每类因子进行标准化（Z-score）以消除量纲差异 - 加权合成：按预设权重（未披露具体比例）将四类因子综合评分，公式为： $$综合评分 = w_1 \cdot 技术面因子 + w_2 \cdot 资金面因子 + w_3 \cdot 基本面因子 + w_4 \cdot 分析师预期因子$$ - 组合构建：每月末选取评分最高的前20只个股等权构建组合，基准为港股综合指数(HKD)[40][42] **模型评价**：多因子框架覆盖全面，历史分组表现优异，但未披露因子权重细节可能影响透明度[40] 2. **因子名称**：资金面因子（南下资金净流入占比） **因子构建思路**：通过港股通持股明细计算南下资金净流入占比，反映资金偏好[20][25] **因子具体构建过程**： - 数据来源：香港联交所托管机构持股明细，分类为南下资金、外资、中资、港资及其他[20] - 计算净流入占比： $$南下资金净流入占比 = \frac{南下资金持仓市值}{四类经纪商持仓市值总和} \times 100\%$$ - 行业/个股应用：统计行业均值或个股占比，如电力设备及新能源行业南下资金净流入占比居前[25][35] 3. **因子名称**：基本面因子（PE、ROE） **因子构建思路**：采用传统估值与盈利指标筛选价值股[48][49] **因子具体构建过程**： - PEttm：滚动市盈率，公式为 $$PE = \frac{市值}{最近12个月净利润}$$ - ROEttm：滚动净资产收益率，公式为 $$ROE = \frac{最近12个月净利润}{净资产}$$ - 应用示例：8月组合增配低PE（如中国海洋石油PE=6.2）、高ROE（如美团ROE=22.1%）个股[48][49] --- 模型的回测效果 1. **港股多因子模型（港股优选20组合）** - 2025年7月超额收益率：6.8%（组合收益11.6% vs 基准4.8%）[42] - 全区间（2015.1~2025.7）年化超额收益率：13.9%[44] - 超额收益波动比：1.0[44] - 最大回撤：18.2%（全区间）[43] --- 量化因子与构建方式 1. **复合因子**：技术面+资金面+基本面+分析师预期 **因子评价**：多维度结合增强选股稳定性，但需注意因子间相关性[40][41] --- 因子的回测效果 1. **资金面因子（南下资金净流入占比）** - 2025年7月净流入前十个股平均收益：11.9%（如东方电气+42.9%）[38][39] 2. **基本面因子（PE/ROE）** - 8月组合低PE个股平均PE=12.3，高ROE个股平均ROE=19.6%（如联邦制药）[49] --- 注：引用文档范围覆盖模型、因子构建及测试结果的关键部分[20][25][35][38][39][40][41][42][43][44][48][49]

根据提供的研报内容，以下是量化模型和因子的总结： 量化因子与构建方式 1. **因子名称：行业拥挤度因子** - **因子构建思路**：通过衡量行业指数价格和成交金额变动的偏离程度，识别短期交易过热或过冷的行业[3][19] - **因子具体构建过程**： 1. 计算行业指数最近一周的价格变动和成交金额变动 2. 使用马氏距离（Mahalanobis Distance）衡量两者的联合偏离程度，公式为： $$D_M = \sqrt{(\mathbf{x} - \mathbf{\mu})^T \mathbf{S}^{-1} (\mathbf{x} - \mathbf{\mu})}$$ 其中，$\mathbf{x}$为价格和成交金额的变动向量，$\mathbf{\mu}$为均值向量，$\mathbf{S}^{-1}$为协方差矩阵的逆 3. 将结果划分为四个象限：第1象限（价量齐升）、第3象限（价量齐跌），椭圆置信区间外的点表示显著偏离（置信水平>99%）[19] - **因子评价**：能够有效捕捉短期交易情绪极端化的行业，但对数据频率和计算窗口敏感 2. **因子名称：行业估值因子（PE分位数）** - **因子构建思路**：基于行业PE历史分位数，识别估值极端高或低的行业[18][21] - **因子具体构建过程**： 1. 计算各行业当前PE值 2. 统计2019年以来的PE历史分位数，公式为： $$\text{分位数} = \frac{\text{当前PE排名}}{\text{总样本数}} \times 100\%$$ 3. 筛选分位数最高（如国防军工100%）和最低（如食品饮料9%）的行业[18] 因子回测效果 1. **行业拥挤度因子** - 近期显著信号：煤炭和建筑装饰行业出现短期交易超跌（第3象限椭圆外）[19] 2. **行业估值因子（PE分位数）** - 极端高估值行业：国防军工（100%）、计算机（100%）、钢铁（99%）[18] - 极端低估值行业：食品饮料（9%）、农林牧渔（11%）、家用电器（28%）[18] 其他数据指标（非因子相关） 1. **宽基指数表现** - 中证2000指数：今年以来涨幅20.99%（小盘风格最优）[8][9] - 沪深300指数：上周下跌1.75%，PE分位数75%[10][12] 2. **行业表现** - 医药生物：上周涨幅2.95%，今年以来涨幅22.31%[13][14][15] - 有色金属：今年以来涨幅24.78%，但上周下跌4.62%[14][15] 注：报告中未涉及复合模型或衍生因子，也未提供因子IC、IR等量化指标测试结果[1][2][3]