量化模型与构建方式 量化模型 中证500增强组合 - **模型构建思路**：通过量化策略模型构建增强组合，以期跑赢中证500指数[5][430] - **模型具体构建过程**： 1. 选取中证500指数成分股作为初始股票池 2. 应用量化策略模型进行选股和权重分配 3. 根据策略模型动态调整组合持仓 4. 组合持仓明细如图表30所示，包括大族激光、申能股份等[443][444] - **模型评价**：本周中证500增强组合表现尚可，跑赢基准0.14%[5][430] 沪深300增强组合 - **模型构建思路**：通过量化策略模型构建增强组合，以期跑赢沪深300指数[5][448] - **模型具体构建过程**： 1. 选取沪深300指数成分股作为初始股票池 2. 应用量化策略模型进行选股和权重分配 3. 根据策略模型动态调整组合持仓 4. 组合持仓明细如图表32所示，包括新和成、兴业银行等[463][464] - **模型评价**：本周沪深300增强组合表现不佳，跑输基准0.18%[5][448] 量化因子 市值因子 - **因子的构建思路**：通过市值因子衡量股票的市值大小，作为选股和权重分配的依据[6][466] - **因子具体构建过程**： 1. 计算每只股票的市值 2. 根据市值大小进行排序和分组 3. 计算市值因子的超额收益 - **因子评价**：市值因子在近一周表现优异，超额收益较高[6][467] Beta因子 - **因子的构建思路**：通过Beta因子衡量股票相对于市场的波动性，作为选股和权重分配的依据[6][466] - **因子具体构建过程**： 1. 计算每只股票的Beta值 2. 根据Beta值进行排序和分组 3. 计算Beta因子的超额收益 - **因子评价**：Beta因子在近一周表现不佳，呈现显著的负向超额收益[6][467] 残差波动率因子 - **因子的构建思路**：通过残差波动率因子衡量股票的非系统性风险，作为选股和权重分配的依据[6][466] - **因子具体构建过程**： 1. 计算每只股票的残差波动率 2. 根据残差波动率进行排序和分组 3. 计算残差波动率因子的超额收益 - **因子评价**：残差波动率因子在近一周表现不佳，呈现显著的负向超额收益[6][467] 模型的回测效果 - **中证500增强组合**： - **收益率**：-1.73%[430] - **超额收益**：36.65%（2020年至今）[430] - **最大回撤**：-4.99%[430] - **沪深300增强组合**： - **收益率**：-0.34%[448] - **超额收益**：18.87%（2020年至今）[448] - **最大回撤**：-5.86%[448] 因子的回测效果 - **市值因子**： - **超额收益**：较高[6][467] - **Beta因子**： - **超额收益**：显著负向[6][467] - **残差波动率因子**： - **超额收益**：显著负向[6][467]

3.1 因子跟踪：盈利和一致预测因子表现较好 为了多维度观察不同因子的表现趋势，我们从各时间维度、宽基指数和行业 板块等角度按照流通市值加权测算了不同大类因子的多头收益（因子方向下前 1/5 组）。除规模因子外，均进行了市值、行业中性化处理，规模因子进行行业中性化 处理。 从时间上的表现趋势、宽基指数内选股多头收益率以及分板块选股胜率来看， 盈利和一致预测因子上周表现更好。 3.1.1 分时间：盈利和一致预测因子表现较好 从因子多头超额看因子表现：盈利和一致预测因子表现逐渐增强。最近一周 表现较好的因子有过去 90 天综合评级 1 个月动量、roe_fy1、市盈率倒数、(当前 一致预测 dps_FY1-3 个月前一致预测 dps_FY1)/3 个月前一致预测 dps_FY1 绝对 值因子等，其最近一周相对于中证全指的超额收益达到 1%以上。 表3：不同时间下的因子多头超额（截至 2024.6.7） | --- | --- | --- | --- | --- | |-----------------------------------------------------|----------------|--- ...

2024 年 6 月 10 日 敬请参阅最后一页特别声明 -9- 证券研究报告 1.5 市场赚钱效应观察 截面波动率来看，最近一周沪深 300、中证 500 和中证 1000 横截面波动率上行， 短期 Alpha 环境环比上周变好。近一个季度看，各指数横截面波动率处于近半 年中上分位点，Alpha 环境良好。 1.00 1.50 2.00 2.50 3.00 3.50 4.00 2022/6/72022/7/72022/8/72022/9/7 2022/10/72022/11/72022/12/72023/1/72023/2/72023/3/72023/4/72023/5/72023/6/72023/7/72023/8/72023/9/72023/10/72023/11/72023/12/72024/1/72024/2/72024/3/72024/4/72024/5/72024/6/7 沪深300横截面波动率 中证500横截面波动率 中证1000横截面波动率 资料来源：Wind，光大证券研究所；注：数据截至 2024.06.07；单位：% 金融工程 图 19：主力合约本周基差年化收益率 图 20：中证 500 ...

2024 年 6 月 8 日 总量研究 大市值风格显著，PBROE 组合表现良好 ——量化组合跟踪周报 20240608 要点 量化市场跟踪 大类因子表现：本周全市场股票池中，市值因子表现良好，获取正收益 2.27%， 市场表现为大市值风格；动量因子获取正收益 0.74%。Beta 因子均获取负收益 -0.98%；其余风格因子表现一般。 单因子表现：沪深 300 股票池中，本周表现较好的因子有单季度 ROA (1.23 %)、 单季度 ROE (1.10%)、单季度 ROE 同比(0.85%)。表现较差的因子有 6 日成交金 额的标准差(-1.54%)、早盘后收益因子(-1.89%)、对数市值因子 (-2.53%)。 中证 500 股票池中，本周表现较好的因子有 ROE 稳定性(1.61%)、ROA 稳定性 (1.41%)、单季度 ROE (0.96%)。表现较差的因子有 5 日反转(-1.33%)、换手率 相对波动率(-1.67%)、早盘后收益因子 (-2.74%)。 流动性 1500 股票池中，本周表现较好的因子有单季度 EPS (3.27%)、单季度 ROA(3.09%)、5 日平均换手率(3.04%) ...

股指方面，昨日盘面风格继续分化，沪深 300 接近收平，中证 1000 延续大跌，市场担 心程序化交易等监管政策收紧，叠加退市提速，对小盘情绪形成打压。同时资金指标也显 示市场转向谨慎，首先，相较前几日，盘面放量，显示出现抛压盘，其次，期货持仓大量 增加，尤其是 IM 增仓明显，这一迹象显示有对冲资金入市。从抛压的方向来看，依旧集中 在流动性更弱的小微盘，部分资金担忧流动性恶化，故选择抢跑，这一行为倒逼资金配置 属性更为防御化。同时，全球股市氛围偏暖，热钱由中国流向其他市场，这也会对盘面形 成冲击。故短线震荡为主，继续持有稳健的大盘股。 100 120 140 160 180 200 220 103 105 107 109 111 113 115 117 2021-03-29 2021-04-13 2021-04-27 2021-05-14 2021-05-28 2021-06-11 2021-06-28 2021-07-12 2021-07-26 2021-08-09 2021-08-23 2021-09-06 2021-09-22 2021-10-13 2021-10-27 2021-11-10 2021 ...

量化模型与构建方式 1. 绩优重仓股与调研共振增强策略 - **模型名称**：绩优重仓股与调研共振增强策略 - **模型构建思路**：通过基金Alpha因子筛选出绩优基金，计算其穿透重仓股股池，并结合调研数据，选出过去一个季度被调研过的重仓股，构建共振股池[5][22][46] - **模型具体构建过程**： 1. 通过基金Alpha因子筛选出绩优基金[22] 2. 计算绩优基金的穿透重仓股股池[22] 3. 将穿透重仓股股池与调研数据相结合，选出过去一个季度被调研过的重仓股，得到共振股池[22] 4. 在行业中性共振池中，使用20日平均成交额因子控制股票热度，构建增强策略[46] 5. 每期取因子排名最靠前的15只股票等权持仓，交易费率设置为千分之三[46] - **模型评价**：策略具有良好的超额收益，综合考虑收益风险与覆盖股票数目，策略优势明显[46] 2. 自主可控概念量化优选策略 - **模型名称**：自主可控概念量化优选策略 - **模型构建思路**：通过对成长、质量、技术和动量大类因子进行测试，并结合基本面财务指标的逻辑筛选判断，构建增强因子[5][75] - **模型具体构建过程**： 1. 对成长、质量、技术和动量大类因子进行测试[75] 2. 结合基本面财务指标的逻辑筛选判断，构建增强因子[75] 3. 每月末最后一个交易日选取排名前因子得分前20%的股票，以等权方式构建持仓组合，手续费取千分之三[5][106] 4. 将全部自主可控指数成分股等权构建基准组合，每月最后一个交易日再平衡[5][106] - **模型评价**：策略相比全概念等权基准，优势非常明显，超额净值平稳增加，整体增加明显[106] 3. 国证2000指数增强策略 - **模型名称**：国证2000指数增强策略 - **模型构建思路**：基于大小盘选股逻辑差异，筛选出更适合微盘股的选股因子，针对国证2000指数成分股构建指数增强策略[136] - **模型具体构建过程**： 1. 筛选出技术、反转、特异波动率等因子[137] 2. 将波动率因子对技术和反转因子做回归求残差，得到相对独立的波动率因子[137] 3. 将各大类因子等权合成并进行行业市值中性化，构建国证2000增强因子[137] 4. 每月月底取因子值排名前10%的股票买入调仓，以等权方式构建多头组合，手续费率假设为单边千分之二[163] - **模型评价**：策略相较于基准有明显的优势，超额净值稳步向上[173] 4. 基于多目标、多模型的机器学习指数增强策略 - **模型名称**：GBDT+NN机器学习指数增强策略 - **模型构建思路**：选取GBDT和NN两大类结构具有一定差异的模型，选取不同的特征数据集进行分别训练，并使用多种预测标签进行对比并融合，构建选股因子[181] - **模型具体构建过程**： 1. 选取GBDT和NN两大类模型[181] 2. 选取不同的特征数据集进行分别训练[181] 3. 使用多种预测标签进行对比并融合，构建选股因子[181] 4. 每月月初调仓，假定手续费率单边千二[196] - **模型评价**：策略在A股各类宽基指数上表现优异，具有较强的适用性[181] 模型的回测效果 绩优重仓股与调研共振增强策略 - **年化收益率**：19.88%[5][46] - **夏普比率**：0.67[5][46] - **5月超额收益率**：-5.50%[5][46] 自主可控概念量化优选策略 - **年化收益率**：30.36%[106] - **夏普比率**：1.12[106] - **5月超额收益率**：-3.29%[5][106] 国证2000指数增强策略 - **年化超额收益率**：15.19%[173] - **信息比率**：2.11[173] - **5月超额收益率**：1.75%[6][173] GBDT+NN机器学习指数增强策略 - **沪深300指数增强策略年化超额收益率**：14.93%[196] - **沪深300指数增强策略信息比率**：3.67[199] - **沪深300指数增强策略5月超额收益率**：2.27%[6][196] - **中证500指数增强策略年化超额收益率**：19.08%[210] - **中证500指数增强策略信息比率**：3.68[212] - **中证500指数增强策略5月超额收益率**：-0.28%[6][210] - **中证1000指数增强策略年化超额收益率**：31.21%[230] - **中证1000指数增强策略信息比率**：5.17[232] - **中证1000指数增强策略5月超额收益率**：1.91%[6][230]

扫码获取更多服务 金融工程月报 历史表现方面，从 2005 年 1 月至 2024 年 5 月，进取型、稳健型和保守型策略年化收益 率分别为 20.54%、11.19%、6.08%，同期股债 64 年化收益率为 8.35%。进取型、稳健型 和保守型均在各维度上表现优于基准。从年初至今，进取型、稳健型和保守型三个策略 收益率分别为 1.63%、2.16%、2.04%，同期股债 64 收益率为-0.37%。 | --- | --- | --- | --- | |-------|------------------------------|----------|------------------| | | 观察维度 当前信号 \n经济增长 | \n50% | 上月信号 \n100% | | | | | $$0 8$$ | | | 货币流动性 | 0% | | | | 股票仓位 | 25% | 50% | | | 配置观点 | 谨慎看多 | 中性偏多 | | --- | --- | --- | --- | --- | --- | --- | |----------|-------|----------------- ...

分析师：高智威（执业 S1130522110003） 分析师：赵妍（执业 S1130523060001） gaozhiw@ 主题行业 ETF 上周资金净流入 20.88 亿元。其中医药生物、消费、科技、金融地产、高端制造 ETF 净流入额分别为 8.61、7.72、6.69、3.39、0.38 亿元，而周期板块 ETF 呈现净赎回状态，净流出额约为 3.2 亿元。 上周非货币 ETF 的成交金额合计为 4233.53 亿元。其中股票型 ETF 的周成交额为 1759.55 亿元。在股票型 ETF 中，宽 基 ETF 的成交额最高，其中沪深 300ETF 周成交额最高，是宽基 ETF 中交易最活跃的品种。在主题/行业 ETF 中，科技 ETF 的周成交额最高。 上周主动量化基金上周收益率中位数为 0.00%，2024 年以来收益率中位数为-2.96%。行业主题基金中，消费行业主题 基金上周表现不佳，制造、TMT、周期行业主题基金表现较好。2024 年以来，周期与金融地产行业主题基金业绩领先， 收益率中位数分别为 14.41%、6.67%。 敬请参阅最后一页特别声明 1 1.1 一级市场资金流动情况（2024.5 ...

量化因子与构建方式 1. 因子名称：量稳换手率 STR 因子 - **因子的构建思路**：从考察日频换手率稳定性的角度，构造了量稳换手率因子 STR(The Stability of Turnover Rate)[5][10] - **因子具体构建过程**：利用最简单的日频数据，同时参考 UTD 因子的研究思路，从考察"日频换手率稳定性"的角度构建[10] - **因子评价**：因子计算过程简单，且效果优秀，表现大幅优于传统换手率和换手率变化率因子[5][10] 因子的回测效果 量稳换手率 STR 因子 - 年化收益率：41.49%[3][23] - 年化波动率：14.38%[3][23] - 信息比率(IR)：2.89[3][23] - 月度胜率：77.73%[3][23] - 最大回撤率：9.96%[3][23] 5月份量稳换手率 STR 因子收益统计 - 10分组多头组合的收益率：-1.60%[4][23] - 10分组空头组合的收益率：-2.95%[4][23] - 10分组多空对冲的收益率：1.35%[4][23] 回测期 2006/01/01-2021/04/30 - 月度 IC 均值：-0.079[5] - 年化 ICIR：-2.72[5] - 10 分组多空对冲的年化收益：42.99%[5] - 年化波动：14.51%[5] - 信息比率(IR)：2.96[5] - 月度胜率：77.60%[5] - 最大回撤：11.08%[5] 传统换手率因子(Turn20)回测期 2006/01/01-2021/04/30 - 月度 IC 均值：-0.072[10] - 年化 ICIR：-2.10[10] - 多空对冲的年化收益：33.41%[10] - 信息比率(IR)：1.90[10] - 月度胜率：71.58%[10]

量化因子与构建方式 1. 因子名称：换手率分布均匀度UTD因子 - **因子的构建思路**：基于个股的分钟成交量数据，构建换手率分布均匀度UTD因子，其对股票样本的误判程度明显减弱，选股效果也大幅优于传统因子[5] - **因子具体构建过程**： - 使用个股的分钟成交量数据 - 计算每只股票的换手率分布均匀度 - 将股票按换手率分布均匀度进行分组，构建10分组多空对冲组合 - 公式：未提供具体公式[5] - **因子评价**：UTD因子对股票样本的误判程度明显减弱，选股效果大幅优于传统因子[5] 因子的回测效果 换手率分布均匀度UTD因子 - **年化收益**：20.26%[3] - **年化波动**：7.38%[3] - **信息比率（IR）**：2.74[3] - **月度胜率**：75.81%[3] - **月度最大回撤**：5.51%[3] 换手率分布均匀度UTD因子（回测期2014/01/01-2021/01/31） - **月度IC均值**：-0.047[5] - **RankIC均值**：-0.071[5] - **年化ICIR**：-2.85[5] - **年化RankICIR**：-3.93[5] - **年化收益**：21.85%[5] - **年化波动**：7.56%[5] - **信息比率（IR）**：2.89[5] - **月度胜率**：82.93%[5] - **最大回撤**：4.31%[5] 5月份换手率分布均匀度UTD因子 - **10分组多头组合的收益率**：-2.88%[4] - **10分组空头组合的收益率**：-2.07%[4] - **10分组多空对冲的收益率**：-0.82%[4]