量化模型与构建方式 1 A股行业轮动模型 **模型名称**：A股行业轮动模型 **模型构建思路**：从资金、估值、情绪、动量、超买超卖和盈利六个维度构建打分体系，用以研判行业综合评分[4][19] **模型具体构建过程**： 1. **资金因子**：以行业资金主力净流入率作为主要数据[19] 2. **估值因子**：以该行业位于过去1年的估值分位作为主要数据来源[19] 3. **情绪因子**：以上涨成分股比例作为主要数据来源[19] 4. **动量因子**：以MACD指标作为主要数据来源[19] 5. **超买超卖因子**：以RSI指标作为重要数据来源[19] 6. **盈利因子**：以该行业的一致预测EPS位于过去1年的分位作为主要数据来源[19] 7. 对每个行业的各个因子进行打分（例如+++、++、+、-、--、---等符号化表示），最后将六个因子的得分相加得到该行业的综合评分[21] **模型评价**：该模型通过多因子综合打分，旨在全面捕捉影响行业轮动的关键维度[4][19] 2 共识度选股模型 **模型名称**：共识度选股模型 **模型构建思路**：基于动量、价格等因子，结合高频资金流走势与股票价格走势相似度进行选股[5][22] **模型具体构建过程**： 1. 在申万二级行业层面筛选出过去30天的高涨行业[22] 2. 通过股票月度数据计算动量因子、估值因子和上涨频率[22] 3. 结合资金高频分钟数据来计算每支股票高频资金流入流出变化[22] 4. 在涨幅排名前三的二级行业的股票池中，计算各股票的高频资金流走势与股票价格走势的相似度[22] 5. 选出各个二级行业中相似度最高的各五只股票作为最终选股结果[22] **模型评价**：该模型结合了传统价量因子与高频资金流数据，旨在捕捉资金流向与价格变动的一致性[5][22] 模型的回测效果 （注：研报中未提供具体的模型回测指标数值，如年化收益率、夏普比率、信息比率(IR)、最大回撤等，因此此部分跳过） 量化因子与构建方式 1 资金因子 (用于行业轮动模型) **因子名称**：资金因子 **因子的构建思路**：衡量主力资金在行业层面的净流入情况[19] **因子具体构建过程**：通过对过去一段时间每日交易单中大于等于10万股或者金额大于等于20万元的成交金额的交易单作为主力资金流动进行统计，获得每日市场全部股票主力资金净流入数据，然后对股票按照申万一级行业进行行业划分，得到申万一级行业分类的主力资金流入表现，并计算其净流入率[3][14][19] 2 估值因子 (用于行业轮动模型) **因子名称**：估值因子 **因子的构建思路**：衡量行业当前估值在历史中的分位水平[19] **因子具体构建过程**：计算该行业（通常使用行业指数或成分股的代表性估值指标如PE）的当前估值指标值在过去1年时间序列中所处的分位数[19] 3 情绪因子 (用于行业轮动模型) **因子名称**：情绪因子 **因子的构建思路**：衡量行业内个股的普涨情绪[19] **因子具体构建过程**：计算该行业内上涨成分股的比例[19] 4 动量因子 (用于行业轮动模型) **因子名称**：动量因子 **因子的构建思路**：衡量行业价格的趋势强度[19] **因子具体构建过程**：以MACD指标作为主要数据来源进行计算[19] 5 超买超卖因子 (用于行业轮动模型) **因子名称**：超买超卖因子 **因子的构建思路**：衡量行业价格的短期反转信号[19] **因子具体构建过程**：以RSI指标作为重要数据来源进行计算[19] 6 盈利因子 (用于行业轮动模型) **因子名称**：盈利因子 **因子的构建思路**：衡量行业盈利预期的变化[19] **因子具体构建过程**：计算该行业的一致预测EPS（每股收益）值在过去1年时间序列中所处的分位数[19] 7 动量因子 (用于共识度选股模型) **因子名称**：动量因子 **因子的构建思路**：衡量股票价格的趋势强度[22] **因子具体构建过程**：通过股票月度数据计算（具体计算方法未详细说明）[22] 8 估值因子 (用于共识度选股模型) **因子名称**：估值因子 **因子的构建思路**：衡量股票的估值水平[22] **因子具体构建过程**：通过股票月度数据计算（具体计算方法未详细说明）[22] 9 上涨频率因子 (用于共识度选股模型) **因子名称**：上涨频率因子 **因子的构建思路**：衡量股票价格上涨的频率[22] **因子具体构建过程**：通过股票月度数据计算（具体计算方法未详细说明）[22] 10 资金流-价格相似度因子 **因子名称**：资金流-价格相似度因子 **因子的构建思路**：衡量高频资金流走势与股票价格走势的一致性[5][22] **因子具体构建过程**：结合资金高频分钟数据来计算每支股票高频资金流入流出变化，并计算其与股票价格走势的相似度（具体相似度算法未详细说明，如相关系数或其他度量方法）[22] 因子的回测效果 （注：研报中未提供具体的因子测试指标数值，如IC、ICIR、多空收益、因子收益率等，因此此部分跳过）

量化模型与构建方式 本报告为市场监测类日报，未涉及量化模型或量化因子的构建与测试，因此该部分无相关内容[5][7][8] 模型的回测效果 本报告为市场监测类日报，未涉及量化模型的回测效果，因此该部分无相关内容[5][7][8] 量化因子与构建方式 本报告为市场监测类日报，未涉及量化因子的构建与测试，因此该部分无相关内容[5][7][8] 因子的回测效果 本报告为市场监测类日报，未涉及量化因子的回测效果，因此该部分无相关内容[5][7][8]

量化模型与构建方式 1.多维择时模型（一） - 模型名称：多维择时模型（一）[1] - 模型构建思路：从资金、技术、估值、情绪四个维度对A股市场进行方向性择时[1] - 模型具体构建过程：采用资金维度（融资买入额）、技术维度（布林带、个股涨跌）、估值维度（erp）、情绪维度（期权PCR、期权隐含波动率、期货持仓）四个维度指标，各维度指标独立发出信号后投票合成整体信号[30] - 模型评价：在把握趋势的同时对市场波动调整有一定的规避能力[1] 2.多维择时模型（二） - 模型名称：多维择时模型（二）[1] - 模型构建思路：在原四维度模型基础上加入基本面维度用于捕捉底部做多机会[1] - 模型具体构建过程：在模型（一）的基础上，情绪维度扩展为5个指标（增加期货基差和主力资金），新增基本面维度（合成底部指标），采用五个维度（资金+技术+估值+情绪5+基本面）并联合成[84] - 模型评价：扩展模型的意义更多在于增加观测市场的窗口，理解指标行为逻辑[28] 3.情绪维度扩展-期货基差指标 - 因子名称：股指期货持仓量加权的年化基差率[32] - 因子构建思路：从期货市场"价"的角度挖掘情绪信息，作为反向指标操作[40] - 因子具体构建过程：基差定义为期货价格-现货价格，对基差率进行年化减少到期时间扰动，对同一品种四个合约采用持仓量加权平均[32] $$基差 = 期货价格 - 现货价格$$ $$年化基差率 = \frac{基差}{现货价格} \times \frac{365}{到期天数} \times 100\%$$ 加权平均公式： $$合成基差率 = \frac{\sum_{i=1}^{4} (基差率_i \times 持仓量_i)}{\sum_{i=1}^{4} 持仓量_i}$$ 参数设置：10-20日平滑窗口，三年左右回看窗口[40] 4.情绪维度扩展-主力资金指标 - 因子名称：主力资金流向指标[50] - 因子构建思路：从现货市场资金流向捕捉情绪信息，作为顺向指标操作[50] - 因子具体构建过程：采用"主力净流入额"和"净主动买入额（机构）"两个指标，各自独立发出信号后投票合成[54] 参数设置：10日-60日平滑窗口，60日-730日回看窗口[54] 5.基本面底部指标 - 因子名称：基本面底部指标[76] - 因子构建思路：逆向使用基本面指标捕捉底部做多机会[76] - 因子具体构建过程：采用CPI同比（代表通胀）、制造业PMI（代表增长）、EPU（经济政策不确定性指数）三个指标，当三个指标同时走弱（CPI同比下行、PMI走弱、EPU上升）时触发底部信号，在触发后的一个季度内做多[76] 信号触发规则： $$信号 = \begin{cases} -3 & \text{三个指标同时走弱} \\ -2 & \text{至少两个指标走弱} \\ 0 & \text{其他情况} \end{cases}$$ 模型的回测效果 1.多维择时模型（一） - 年化收益：24.57%[88] - 年化波动：21.54%[88] - 最大回撤：-28.46%[88] - 夏普比率：1.14[88] - Calmar比率：0.86[88] - 持仓胜率：62.35%[88] - 持仓赔率：1.82[88] 2.多维择时模型（二） - 年化收益：26.69%[88] - 年化波动：21.48%[88] - 最大回撤：-28.46%[88] - 夏普比率：1.24[88] - Calmar比率：0.94[88] - 持仓胜率：62.20%[88] - 持仓赔率：2.01[88] 3.期货基差择时策略 - 年化收益：19.06%[50] - 年化波动：20.85%[50] - 最大回撤：-31.31%[50] - 夏普比率：0.91[50] - Calmar比率：0.61[50] - 持仓胜率：80.00%[50] - 持仓赔率：2.90[50] 4.主力资金择时策略 - 年化收益：8.75%[60] - 年化波动：19.19%[60] - 最大回撤：-30.57%[60] - 夏普比率：0.46[60] - Calmar比率：0.29[60] - 持仓胜率：63.83%[60] - 持仓赔率：1.16[60] 5.基本面底部策略（阈值-2） - 年化收益：12.48%[83] - 年化波动：13.27%[83] - 最大回撤：-22.62%[83] - 夏普比率：0.94[83] - Calmar比率：0.55[83] - 持仓胜率：61.90%[83] - 持仓赔率：4.19[83] 6.基本面底部策略（阈值-3） - 年化收益：7.87%[83] - 年化波动：12.01%[83] - 最大回撤：-24.79%[83] - 夏普比率：0.66[83] - Calmar比率：0.32[83] - 持仓胜率：55.56%[83] - 持仓赔率：3.74[83] 量化因子与构建方式 1.资金维度因子 - 因子名称：融资买入额[30] - 因子构建思路：从融资资金流向捕捉市场资金面情绪[30] 2.技术维度因子 - 因子名称：布林带[30] - 因子构建思路：通过价格通道技术指标判断市场超买超卖状态[30] - 因子名称：个股涨跌[30] - 因子构建思路：通过市场涨跌家数判断市场情绪和动能[30] 3.估值维度因子 - 因子名称：erp（股权风险溢价）[30] - 因子构建思路：通过估值水平判断市场投资价值[30] 4.情绪维度因子 - 因子名称：期权PCR（沽购比）[30] - 因子构建思路：通过期权市场多空对比判断市场情绪[30] - 因子名称：期权隐含波动率[30] - 因子构建思路：通过期权波动率判断市场预期和情绪[30] - 因子名称：期货持仓[30] - 因子构建思路：通过期货市场持仓结构判断市场情绪[30] 因子的回测效果 1.资金维度 - 年化收益：14.94%[88] - 年化波动：23.66%[88] - 最大回撤：-34.74%[88] - 夏普比率：0.63[88] - Calmar比率：0.43[88] - 持仓胜率：48.51%[88] - 持仓赔率：2.27[88] 2.技术维度 - 年化收益：6.87%[88] - 年化波动：18.22%[88] - 最大回撤：-33.77%[88] - 夏普比率：0.38[88] - Calmar比率：0.20[88] - 持仓胜率：45.92%[88] - 持仓赔率：2.03[88] 3.估值维度（erp） - 年化收益：2.70%[88] - 年化波动：16.99%[88] - 最大回撤：-59.26%[88] - 夏普比率：0.16[88] - Calmar比率：0.05[88] - 持仓胜率：63.24%[88] - 持仓赔率：1.05[88] 4.情绪维度（原3因子） - 年化收益：22.05%[88] - 年化波动：19.76%[88] - 最大回撤：-18.92%[88] - 夏普比率：1.12[88] - Calmar比率：1.17[88] - 持仓胜率：61.11%[88] - 持仓赔率：1.87[88] 5.情绪维度（5因子扩展版） - 年化收益：33.25%[88] - 年化波动：19.19%[88] - 最大回撤：-18.76%[88] - 夏普比率：1.73[88] - Calmar比率：1.77[88] - 持仓胜率：62.00%[88] - 持仓赔率：3.02[88]

量化模型与因子总结 量化因子与构建方式 股票市场因子 1. **因子名称**：大小盘风格因子[13][15] **因子构建思路**：衡量市场大小盘风格偏向[13][15] **因子具体构建过程**：通过比较大盘股与小盘股的表现差异来判断风格偏向，具体计算方式未详细说明 2. **因子名称**：价值成长风格因子[13][15] **因子构建思路**：衡量市场价值与成长风格偏向[13][15] **因子具体构建过程**：通过比较价值股与成长股的表现差异来判断风格偏向，具体计算方式未详细说明 3. **因子名称**：大小盘风格波动因子[13][15] **因子构建思路**：衡量大小盘风格波动程度[13][15] **因子具体构建过程**：通过计算大小盘风格收益率的波动率来衡量波动程度，具体计算方式未详细说明 4. **因子名称**：价值成长风格波动因子[13][15] **因子构建思路**：衡量价值成长风格波动程度[13][15] **因子具体构建过程**：通过计算价值成长风格收益率的波动率来衡量波动程度，具体计算方式未详细说明 5. **因子名称**：行业指数超额收益离散度因子[13][15] **因子构建思路**：衡量行业指数超额收益的分散程度[13][15] **因子具体构建过程**：通过计算各行业指数超额收益的标准差或变异系数来衡量离散度 6. **因子名称**：行业轮动度量因子[13][15] **因子构建思路**：衡量行业轮动速度[13][15] **因子具体构建过程**：通过计算行业收益率排名的变化率或相关性衰减速度来衡量轮动速度 7. **因子名称**：成分股上涨比例因子[13][15] **因子构建思路**：衡量市场成分股中上涨股票的比例[13][15] **因子具体构建过程**：计算指数成分股中上涨股票数量占总成分股数量的比例 8. **因子名称**：前100个股成交额占比因子[13][15] **因子构建思路**：衡量前100个股成交额的市场集中度[13][15] **因子具体构建过程**：计算前100个个股成交额之和与市场总成交额的比例 9. **因子名称**：前5行业成交额占比因子[13][15] **因子构建思路**：衡量前5行业成交额的市场集中度[13][15] **因子具体构建过程**：计算前5个行业成交额之和与市场总成交额的比例 10. **因子名称**：指数波动率因子[14][15] **因子构建思路**：衡量市场指数的波动程度[14][15] **因子具体构建过程**：通常使用指数收益率的标准差来计算市场波动率 11. **因子名称**：指数换手率因子[14][15] **因子构建思路**：衡量市场交易活跃程度[14][15] **因子具体构建过程**：计算市场总成交额与流通市值的比例 商品市场因子 12. **因子名称**：商品趋势强度因子[21][26] **因子构建思路**：衡量商品期货各板块的价格趋势强度[21][26] **因子具体构建过程**：通过计算各商品板块价格序列的动量指标或趋势指标来衡量趋势强度 13. **因子名称**：商品基差动量因子[21][26] **因子构建思路**：衡量商品期货期限结构的变化动量[21][26] **因子具体构建过程**：通过计算各商品板块基差（现货价格与期货价格之差）的变化率来衡量基差动量 14. **因子名称**：商品波动率因子[21][26] **因子构建思路**：衡量商品期货各板块的波动程度[21][26] **因子具体构建过程**：通过计算各商品板块收益率的标准差来衡量波动率 15. **因子名称**：商品流动性因子[21][26] **因子构建思路**：衡量商品期货市场的流动性状况[21][26] **因子具体构建过程**：通过计算各商品板块的成交额、成交量或买卖价差等指标来衡量流动性 期权市场因子 16. **因子名称**：隐含波动率因子[30] **因子构建思路**：衡量期权市场的隐含波动率水平[30] **因子具体构建过程**：通过期权市场价格反推出的波动率，反映市场对未来波动率的预期 17. **因子名称**：期权偏度因子[30] **因子构建思路**：衡量期权市场波动率微笑曲线的偏斜程度[30] **因子具体构建过程**：通过计算不同行权价期权隐含波动率的差异来衡量市场对尾部风险的预期 可转债市场因子 18. **因子名称**：百元转股溢价率因子[33][39] **因子构建思路**：衡量可转债转股溢价水平[33][39] **因子具体构建过程**：计算可转债市场价格相对于转换价值的溢价程度，通常表示为百分比 19. **因子名称**：低转股溢价率转债占比因子[33][39] **因子构建思路**：衡量市场中低转股溢价率可转债的占比情况[33][39] **因子具体构建过程**：计算转股溢价率低于特定阈值（如20%）的可转债数量占市场总可转债数量的比例 20. **因子名称**：可转债市场成交额因子[33][39] **因子构建思路**：衡量可转债市场的交易活跃度[33][39] **因子具体构建过程**：统计可转债市场的总成交金额 因子回测效果 注：报告中未提供具体的因子回测数值结果，仅提供了各因子的近期表现简评[15][26]

这篇研报主要对国投瑞银新丝路基金（161224）的投资理念、策略和业绩表现进行了深度分析。报告的核心并非介绍一个由研究人员构建的、用于选股或资产配置的量化模型或量化因子，而是剖析了该基金本身所采用的投资框架和策略。因此，以下总结将基金的整体策略视为一个“模型”进行分析。 量化模型与构建方式 1. **模型名称**：国投瑞银新丝路投资框架[7][36][39] **模型构建思路**：秉持“独立思考、概率思维、逆向勇气、前瞻眼光”的投资理念，致力于寻找股价低于公司长期价值的优质标的，通过合理的组合构建来降低回撤风险，争取长期稳健的超额回报[7][36][39]。 **模型具体构建过程**：该框架是一个综合性的投资哲学和策略体系，而非一个具体的数学公式模型。其构建过程体现在多个维度的决策中： * **投资理念**：独立（避免从众）、概率（构建多元组合应对不确定性）、逆向（买入被低估资产）、前瞻（着眼于长期价值）[36][39]。 * **资产配置**：股票仓位长期保持在93%以上，显示出明显的权益投资风格，通过股票与债券等资产的合理配置力争增值[8][10][40]。 * **组合构建**： * **持股分散**：持股集中度维持相对适中水平（2025Q2前十大重仓股占比58.25%），历史上大部分时间持有25只以上的股票，以分散风险[8][43][47]。 * **行业配置**：行业配置分散，2025Q2前五大行业（医药生物、电子、电力设备、食品饮料、计算机）占比78.23%，并会根据观点进行权重调整（如2025H1增配电力设备、电子，减配机械设备、计算机）[8][51][55]。 * **换手策略**：换手率绝大部分时间远低于同类基金中位数，倾向于中长期持有[8][60]。 * **个股选择**：淡化择时，深入基本面研究，关注公司估值和资产负债率，偏好具备中长期增长潜力的标的[8][39]。 * **风险控制**：通过上述的分散投资和严格的投资纪律来控制回撤幅度与几率[7][9][39]。 **模型评价**：该框架强调深度研究和长期视角，通过科学化的资产配置和结构化的行业、个股策略，在追求长期收益最大化的同时实现风险控制，业绩表现证明了其有效性[9][39]。 模型的回测效果 1. **国投瑞银新丝路投资框架**，年化收益率9.08%[3][7][26]，年化波动率23.17%[26]，年化Sharpe比率0.43[26]，最大回撤-42.69%[26]，信息比率（IR）未直接提供，年化超额收益（相对于基准）7.76%[3][7][26]。 量化因子与构建方式 1. **因子名称**：基金风格暴露（估算）[70][74] **因子构建思路**：采用因子指数净值数据对基金净值走势做线性拟合，以估算基金在不同风格因子上的暴露水平，从而分析其收益来源和风格稳定性[70][74]。 **因子具体构建过程**：报告分析了2024Q1至2025Q2期间，基金在多个风格因子上的季度平均暴露情况。具体因子包括：低估值、低换手、低波动、小市值、反转、高成长、高ROE、动量、高beta、微盘[70][74]。通过线性回归拟合，系数（β）即为该因子上的估算暴露水平[74]。$$ \text{基金净值} = \alpha + \beta_1 \cdot \text{因子1指数} + \beta_2 \cdot \text{因子2指数} + ... + \epsilon $$ 其中，β值代表基金对该因子指数的敏感度，即风格暴露[74]。 因子的回测效果 1. **基金风格暴露（估算）**，在考察期内（除2025Q1拟合度较低外），在小市值、高ROE、高beta因子上的估算暴露水平为持续正方向，在微盘因子上的估算暴露水平为持续负方向，在低估值、低换手、低波动、反转、高成长、动量因子上的估算暴露水平没有持续明显的单方向[70]。

根据提供的金融工程日报内容，报告主要描述了市场表现、情绪、资金流向及各类指标，但并未涉及具体的量化模型或量化因子的构建、测试及评价。报告内容集中于市场数据的统计和描述，例如指数表现、行业涨跌、情绪指标（如封板率、连板率）、资金数据（如两融余额、ETF折溢价、大宗交易折价率、股指期货升贴水率）以及机构调研和龙虎榜信息[7][8][11][15][18][20][23][24][27][29][31][34][37][38]。这些均为市场监测指标，而非量化投资中用于选股或组合构建的模型或因子。 因此，本报告中**没有**需要总结的量化模型或量化因子相关内容。

量化模型与构建方式 1 **模型名称：行业拥挤度监测模型** **模型构建思路：** 通过监测申万一级行业指数的拥挤度，识别行业过热或低估状态，为投资决策提供参考[3] **模型具体构建过程：** 报告未提供具体的构建公式和详细步骤，仅提及对申万一级行业指数的拥挤度进行每日监测[3] 2 **模型名称：溢价率 Z-score 模型** **模型构建思路：** 通过计算ETF溢价率的Z-score值，识别存在潜在套利机会的ETF产品[4] **模型具体构建过程：** 报告未提供具体的构建公式和详细步骤，仅提及通过滚动测算提供信号[4] 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：** 基于申万一级行业指数构建，用于衡量行业交易拥挤程度[3] **因子具体构建过程：** 报告未提供具体的构建公式和详细步骤[3] 2 **因子名称：主力资金净流入因子** **因子构建思路：** 通过计算主力资金净流入额，反映资金对行业或ETF的短期偏好[13] **因子具体构建过程：** 直接使用Wind数据中的主力净流入额（单位：亿元），包括当日（T）、前一日（T-1）及前两日（T-2）数据，并计算近3个交易日合计值[13] 公式： $$近3日合计 = T + T-1 + T-2$$ 模型的回测效果 （报告未提供模型回测结果） 因子的回测效果 1. **行业拥挤度因子** - 拥挤度较高行业：有色、电力设备、电子[3] - 拥挤度较低行业：食品饮料、美护[3] - 拥挤度变动较大行业：汽车、轻工[3] 2. **主力资金净流入因子** - 近3日主力资金净流入较高行业：传媒（+8.81亿元 T日）、汽车（+5.47亿元 T日）[13] - 近3日主力资金净流出较高行业：电子（-50.84亿元 T日）、计算机（-59.24亿元 T日）、电力设备（-23.89亿元 T日）[13] - 近3日合计净流入：传媒（-41.41亿元）、计算机（-59.49亿元）、机械设备（-58.22亿元）[13] 3. **ETF资金流动因子** - 宽基ETF：单日净流出85.26亿元[5] - 行业主题ETF：单日净流入0.27亿元[5] - 风格策略ETF：单日净流入3.52亿元[5] - 跨境ETF：单日净流入38.39亿元[5]

量化因子与构建方式 1 因子名称：转股溢价率偏离度；因子构建思路：衡量转股溢价率相对于其拟合值的偏离程度，以实现不同平价水平下转债估值的可比性[17]；因子具体构建过程：首先在截面数据上，使用转股价值作为自变量，转股溢价率作为因变量进行非线性拟合，拟合公式为 $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$，其中 $y_{i}$ 为第 i 只转债的转股溢价率，$x_{i}$ 为第 i 只转债的转股价值，$\alpha_{0}$ 和 $\alpha_{1}$ 为拟合参数，$\epsilon_{i}$ 为残差项[42]。然后，计算每只转债的转股溢价率偏离度，公式为：转股溢价率偏离度 = 个券转股溢价率 - 拟合转股溢价率[18]。该因子值越大，表明转债的转股溢价率相对其拟合值越高，估值可能越贵。 2 因子名称：理论价值偏离度（蒙特卡洛模型）；因子构建思路：通过蒙特卡洛模拟方法计算转债的理论价值，并以此衡量市场价格相对于理论价值的偏离程度，从而捕捉定价误差带来的投资机会[17][18]；因子具体构建过程：首先，使用蒙特卡洛模拟方法为每只转债计算其理论价值，此过程会充分模拟转股、赎回、下修、回售等条款，模拟路径数为10000条，并以同信用等级、同期限的利率作为贴现率[18]。然后，计算每只转债的理论价值偏离度，公式为：理论价值偏离度 = (转债收盘价 / 理论价值) - 1[18]。该因子值越大，表明转债的市场价格相对其理论价值越高，估值可能越贵。 3 因子名称：转债综合估值因子；因子构建思路：将转股溢价率偏离度和理论价值偏离度（蒙特卡洛模型）两个单一估值因子进行融合，以构建一个综合性的估值评估指标，旨在不同风格的转债中都能取得较好的效果[5][17]；因子具体构建过程：首先，分别计算每只转债的转股溢价率偏离度因子值和理论价值偏离度（蒙特卡洛模型）因子值。然后，对这两个因子的值在截面进行排名（Rank）。最后，将两个因子的排名值相加，得到综合估值因子[18]，公式为：转债综合估值因子 = Rank（转股溢价率偏离度）+ Rank（理论价值偏离度（蒙特卡洛模拟））[18]。该因子是一个复合因子，其值越小通常代表估值越低。 4 因子名称：百元转股溢价率；因子构建思路：构建一个在时间序列上可比的指标，用于衡量当转股价值为100元时，转债的理论转股溢价率水平，以此判断转债市场整体的估值高低[3][13]；因子具体构建过程：在每个时间截面上，使用转股价值作为自变量，转股溢价率作为因变量进行非线性拟合，拟合公式为 $$y_{i}=\alpha_{0}+\,\alpha_{1}\cdot\,{\frac{1}{x_{i}}}+\epsilon_{i}$$[42][43]。将转股价值 ($x_{i}$) = 100 代入拟合得到的公式中，计算出的 $y_{i}$ 即为该时间点上的“百元转股溢价率”[42]。该因子是一个市场整体估值指标，而非个券因子。 5 因子名称：修正 YTM – 信用债 YTM 中位数；因子构建思路：针对偏债型转债，通过剥离转股条款对其到期收益率（YTM）的影响，计算出修正后的YTM，再与同等级同期限的信用债YTM比较，以衡量偏债型转债相对于信用债的配置价值[4][13]；因子具体构建过程：首先，计算每只偏债型转债的修正YTM，公式为：修正 YTM = 转债 YTM × (1 – 转股概率) + 预期转股的到期年化收益率 × 转股概率[44]。其中，转股概率 N(d2) 通过Black-Scholes模型计算，输入变量包括正股收盘价、期权执行价、正股波动率、剩余期限、贴现率[44]。然后，计算每只偏债型转债的修正YTM与同等级同期限信用债YTM的差值。最后，取所有偏债型转债该差值的中位数，即为“修正 YTM – 信用债 YTM”中位数[44]。该因子是一个市场板块估值指标，中位数越低表明偏债转债整体配置性价比越低[4][13]。 6 因子名称：转债20日动量；因子构建思路：捕捉转债价格的短期动量效应，作为市场情绪的一个表征指标[6][24]；因子具体构建过程：计算转债过去20个交易日的收益率，作为其动量因子值[24][25]。该因子用于风格轮动模型。 7 因子名称：波动率偏离度；因子构建思路：捕捉转债波动率相对于其自身历史水平的偏离，作为市场情绪的另一个表征指标[6][24]；因子具体构建过程：文档中未详细描述其计算方法，但指出它是市场情绪识别指标之一[24]。该因子用于风格轮动模型。 8 因子名称：转债风格市场情绪捕捉指标；因子构建思路：将动量因子和波动率因子合并，构建一个综合指标来捕捉市场情绪，用于指导风格配置[24]；因子具体构建过程：首先，在转债风格指数（如偏股低估指数）内部，计算其成分券的转债20日动量和波动率偏离度因子的中位数，以此代表该风格指数的情绪指标值[24]。然后，对不同风格指数的这两个情绪指标值进行截面排名（Rank）。最后，将每个风格指数在两个情绪指标上的排名值相加，得到该风格的综合市场情绪捕捉指标[24][25]，公式为：转债风格市场情绪捕捉指标 = Rank（转债 20 日动量）+ Rank（波动率偏离度）[25]。该指标值越小，代表市场情绪对该风格越有利。 因子的回测效果 1 转股溢价率偏离度因子，具体测试结果取值见复合因子“转债综合估值因子” 2 理论价值偏离度（蒙特卡洛模型）因子，具体测试结果取值见复合因子“转债综合估值因子” 3 转债综合估值因子，具体测试结果取值见其构建的指数效果 4 百元转股溢价率因子，截至2025年9月12日，其滚动三年历史分位数为98.00%，滚动五年历史分位数为93.70%[3][13] 5 修正 YTM – 信用债 YTM 中位数因子，截至2025年9月12日，其取值为-2.48%[4][13] 6 转债20日动量因子，具体测试结果取值见复合因子“转债风格市场情绪捕捉指标” 7 波动率偏离度因子，具体测试结果取值见复合因子“转债风格市场情绪捕捉指标” 8 转债风格市场情绪捕捉指标，具体测试结果取值见其应用的轮动策略效果 量化模型与构建方式 1 模型名称：低估值增强策略模型（偏股/平衡/偏债低估指数）；模型构建思路：在划分转债风格（偏股、平衡、偏债）的基础上，针对不同风格选取有效的估值因子，筛选出估值较低的个券构建投资组合，以获取估值回归带来的超额收益[5][16][17]；模型具体构建过程： a 风格划分：根据平底溢价率对转债进行风格划分。平底溢价率 > 15% 划分为偏股型转债；平底溢价率 < -15% 划分为偏债型转债；其余划分为平衡型转债[16]。 b 因子选择：对于偏股转债低估指数，选择理论价值偏离度（蒙特卡洛模型）因子；对于平衡转债低估指数和偏债转债低估指数，选择转债综合估值因子[5][17]。 c 成分券筛选：在各自风格板块内，选择对应因子排名前1/3的转债[5][17]。同时施加以下筛选条件：1. 正股收盘价 >= 1.3元；2. 正股市值 >= 5亿元；3. 正股非ST；4. 转债评级 >= AA-; 5. 转债剩余规模 >= 2亿元；6. 剩余期限 >= 30天；7. 未公告强制赎回；8. 对于偏债转债低估指数，额外要求正股净利润TTM > 0[16][19]。最终成分券数量上限为30只[16][19]。 d 组合构建：通过等权重方式配置通过筛选的个券，每两周调仓一次[18][19]。 2 模型名称：转债风格轮动模型；模型构建思路：基于动量、波动率等市场情绪指标，动态地在偏股低估、平衡低估、偏债低估三种风格指数之间进行切换配置，以捕捉不同市场环境下的优势风格[6][24]；模型具体构建过程： a 计算市场情绪指标：计算偏股低估、平衡低估、偏债低估三个风格指数的“转债风格市场情绪捕捉指标”值（计算方法见因子部分）[24][25]。 b 确定配置仓位：对三个风格指数的“转债风格市场情绪捕捉指标”值进行排序，选择排名最低的风格指数进行配置[24][25]。若有两个风格指数排名并列最低，则各配置50%仓位；若三个风格指数排名相同，则100%配置平衡低估风格[16][25]。 模型的回测效果 1 低估值增强策略模型（偏股转债低估指数），年化收益率25.46%，年化波动率20.55%，最大回撤-22.94%，信息比率(IR)1.24，卡玛比率1.11，月度胜率62.64%[21] 2 低估值增强策略模型（平衡转债低估指数），年化收益率14.85%，年化波动率11.88%，最大回撤-15.95%，信息比率(IR)1.25，卡玛比率0.93，月度胜率62.64%[21] 3 低估值增强策略模型（偏债转债低估指数），年化收益率13.31%，年化波动率9.50%，最大回撤-17.78%，信息比率(IR)1.40，卡玛比率0.75，月度胜率58.24%[21] 4 低估值增强策略模型（偏股转债指数基准），年化收益率14.03%，年化波动率19.30%，最大回撤-40.22%，信息比率(IR)0.73，卡玛比率0.35，月度胜率56.04%[21] 5 低估值增强策略模型（平衡转债指数基准），年化收益率8.43%，年化波动率11.79%，最大回撤-21.81%，信息比率(IR)0.72，卡玛比率0.39，月度胜率61.54%[21] 6 低估值增强策略模型（偏债转债指数基准），年化收益率8.02%，年化波动率8.18%，最大回撤-13.49%，信息比率(IR)0.98，卡玛比率0.59，月度胜率61.54%[21] 7 转债风格轮动模型，年化收益24.37%，年化波动16.71%，最大回撤-15.89%，信息比率(IR)1.46，卡玛比率1.53，月度胜率64.84%[28][30] 8 转债风格轮动模型（转债低估等权指数基准），年化收益14.67%，年化波动11.02%，最大回撤-15.48%，信息比率(IR)1.33，卡玛比率0.95，月度胜率61.54%[30] 9 转债风格轮动模型（转债等权指数基准），年化收益9.81%，年化波动11.75%，最大回撤-20.60%，信息比率(IR)0.83，卡玛比率0.48，月度胜率60.44%[30] 10 低估值增强策略模型，近3周在偏股、平衡、偏债三类转债中增强超额分别为-1.81%、0.92%、-0.10%[5][20] 11 转债风格轮动模型，近4周收益为-3.56%[6][26]；2025年以来收益为38.03%[6][27]；截至2025年9月12日，最新信号为全仓配置偏股转债低估指数[6][30]

量化模型与构建方式 1. 宽基形态择时策略模型 - **模型名称**：宽基形态择时策略模型 - **模型构建思路**：基于宽基指数成分股的形态信号（看多/看空）构建择时策略，通过多空信号判断市场走势[12][13] - **模型具体构建过程**： 1. 对宽基指数（如沪深300、上证50等）的成分股进行每日形态识别，判断是否出现看多或看空信号[12][13] 2. 统计每日成分股中看多信号和看空信号的数量[12][13] 3. 基于看多信号和看空信号的数量差或比率，生成宽基指数的择时信号（看多、中性或看空）[12][13] 4. 根据信号执行交易策略：看多信号时买入持有，看空信号时卖出或空仓，中性信号时不操作[12][13] 2. 行业形态择时策略模型 - **模型名称**：行业形态择时策略模型 - **模型构建思路**：基于行业指数成分股的形态信号构建多空比率剪刀差，用于行业择时[14][17] - **模型具体构建过程**： 1. 对行业指数（中信一级行业）的成分股进行每日形态识别，判断看多和看空信号[14][17] 2. 计算每日行业成分股中看多信号数量（$N_{\text{看多}}$）和看空信号数量（$N_{\text{看空}}$）[14][17] 3. 如果当日没有看多信号，则$N_{\text{看多}} = 0$；如果没有看空信号，则$N_{\text{看空}} = 0$；如果两者均为0，则多空剪刀差为0[14][17] 4. 计算多空形态剪刀差比率： $$\text{剪刀差比率} = \frac{N_{\text{看多}} - N_{\text{看空}}}{N_{\text{看多}} + N_{\text{看空}}}$$ 当分母为0时，比率为0[14][17] 5. 根据剪刀差比率生成行业择时信号，并执行相应的交易策略[14][17] 3. 特殊K线形态识别模型 - **模型名称**：特殊K线形态识别模型 - **模型构建思路**：识别六种特定的K线形态（金针探底、火箭发射、满江红、上吊线、天堂线、乌云线），用于个股的看多或看空信号生成[22][24] - **模型具体构建过程**： 1. **金针探底**： - 定义：出现在下跌趋势中，有一根较长下影线的K线，预示反转[25] - 条件： - 涨幅要求：该K线振幅（最高价-最低价）>5%[25] - 位置要求：该K线出现在过去20个交易日的低位[25] - 下影线长度：下影线长度超过K线实体的80%[25] - 开盘价和收盘价：收盘价等于开盘价，形成十字星[25] 2. **火箭发射**：正面形态，具体定义未详细说明[22][24] 3. **满江红**：正面形态，具体定义未详细说明[22][24] 4. **上吊线**：负面形态，具体定义未详细说明[22][24] 5. **天堂线**：负面形态，具体定义未详细说明[22][24] 6. **乌云线**：负面形态，具体定义未详细说明[22][24] 4. 券商金股形态策略模型 - **模型名称**：券商金股形态策略模型 - **模型构建思路**：结合券商月度金股推荐（基本面较好）和形态学信号，构建投资组合[26][29] - **模型具体构建过程**： 1. 筛选券商月度推荐的金股列表[26][29] 2. 监控这些金股是否出现形态学看多信号（如连续4/5根看多信号）[26][29] 3. 在出现看多信号的第二个交易日买入，持有到当月月底[26][29] 4. 计算组合的收益率和最大回撤[26][29] --- 模型的回测效果 1. 宽基形态择时策略模型 - 沪深300：策略年化收益12.14%，策略最大回撤-24.25%，指数年化收益5.12%，指数最大回撤-46.92%[12] - 上证50：策略年化收益11.96%，策略最大回撤-21.81%，指数年化收益3.83%，指数最大回撤-50.77%[12] - 中证2000：策略年化收益33.01%，策略最大回撤-19.1%，指数年化收益14.42%，指数最大回撤-37.79%[12] - 万德微盘股指数：策略年化收益47.25%，策略最大回撤-34.85%，指数年化收益37.66%，指数最大回撤-51.8%[12] - 中证1000：策略年化收益25.69%，策略最大回撤-37.89%，指数年化收益1.77%，指数最大回撤-72.89%[12] - Wind全A：策略年化收益18.23%，策略最大回撤-41.52%，指数年化收益8.81%，指数最大回撤-56.68%[12] - 上证综指：策略年化收益12.48%，策略最大回撤-34.47%，指数年化收益4.22%，指数最大回撤-52.73%[12] - 国证2000：策略年化收益28.94%，策略最大回撤-38.76%，指数年化收益8.31%，指数最大回撤-67.35%[12] - 北证50：策略年化收益11.57%，策略最大回撤-17.93%，指数年化收益15.8%，指数最大回撤-49.38%[12] - 中证800：策略年化收益18.94%，策略最大回撤-23.04%，指数年化收益5.64%，指数最大回撤-51.5%[12] - 创业板指：策略年化收益28.28%，策略最大回撤-39.95%，指数年化收益7.78%，指数最大回撤-70.3%[12] - 中证500：策略年化收益20.22%，策略最大回撤-41.19%，指数年化收益7.41%，指数最大回撤-65.85%[12] - A500：策略年化收益20.84%，策略最大回撤-20.29%，指数年化收益2.78%，指数最大回撤-49.12%[12] - 恒生指数：策略年化收益9.49%，策略最大回撤-43.97%，指数年化收益1.12%，指数最大回撤-55.51%[12] - 恒生科技：策略年化收益13.15%，策略最大回撤-16.8%，指数年化收益-2.94%，指数最大回撤-74.2%[12] - 恒生香港中资企业指数：策略年化收益1.06%，策略最大回撤-4.71%，指数年化收益0.6%，指数最大回撤-49.49%[12] - 恒生可持续发展企业指数：策略年化收益8.37%，策略最大回撤-35.34%，指数年化收益2.14%，指数最大回撤-50.95%[12] - 恒生等权重：策略年化收益7.94%，策略最大回撤-36.04%，指数年化收益1.05%，指数最大回撤-54.52%[12] - 恒生香港35：策略年化收益10.96%，策略最大回撤-38.69%，指数年化收益1.61%，指数最大回撤-46.28%[12] - 恒生综合指数：策略年化收益0.29%，策略最大回撤-2.34%，指数年化收益1.73%，指数最大回撤-56.16%[12] - 恒生金融类：策略年化收益-0.41%，策略最大回撤-46.34%，指数年化收益2.66%，指数最大回撤-46.81%[12] - 恒生港股通：策略年化收益0.52%，策略最大回撤-2.31%，指数年化收益4.21%，指数最大回撤-53.11%[12] - 恒生中国(香港上市)100：策略年化收益9.35%，策略最大回撤-11.46%，指数年化收益0.69%，指数最大回撤-60.24%[12] - 恒生中国企业指数：策略年化收益7.88%，策略最大回撤-18.34%，指数年化收益-3.96%，指数最大回撤-60.68%[12] 2. 行业形态择时策略模型 - 房地产：策略年化收益13.04%，策略最大回撤-34.3%，指数年化收益-0.53%，指数最大回撤-75.09%[15] - 机械：策略年化收益19.83%，策略最大回撤-42.41%，指数年化收益4.91%，指数最大回撤-72.59%[15] - 商贸零售：策略年化收益19.81%，策略最大回撤-43.39%，指数年化收益-0.69%，指数最大回撤-77.37%[15] - 非银行金融：策略年化收益1.8%，策略最大回撤-16.47%，指数年化收益2.99%，指数最大回撤-53.96%[15] - 建材：策略年化收益25.14%，策略最大回撤-37.98%，指数年化收益2.98%，指数最大回撤-58.37%[15] - 轻工制造：策略年化收益21.94%，策略最大回撤-37.91%，指数年化收益3.35%，指数最大回撤-67.79%[15] - 汽车：策略年化收益27.27%，策略最大回撤-38.62%，指数年化收益7.81%，指数最大回撤-58.31%[15] - 电子：策略年化收益23.02%，策略最大回撤-44.99%，指数年化收益11.84%，指数最大回撤-58.54%[15] - 计算机：策略年化收益31.52%，策略最大回撤-40.46%，指数年化收益8.82%，指数最大回撤-76.33%[15] - 家电：策略年化收益16.09%，策略最大回撤-38.25%，指数年化收益11.14%，指数最大回撤-48.96%[15] - 综合金融：策略年化收益15.55%，策略最大回撤-13.18%，指数年化收益-0.29%，指数最大回撤-61.34%[15] - 综合：策略年化收益24.57%，策略最大回撤-40.81%，指数年化收益1.25%，指数最大回撤-81.18%[15] - 通信：策略年化收益34.08%，策略最大回撤-43.37%，指数年化收益8.47%，指数最大回撤-66.74%[15] - 电力设备及新能源：策略年化收益23.05%，策略最大回撤-41.7%，指数年化收益5.72%，指数最大回撤-70.51%[15] - 基础化工：策略年化收益21.54%，策略最大回撤-38.71%，指数年化收益4.18%，指数最大回撤-62.79%[15] - 国防军工：策略年化收益32.81%，策略最大回撤-45.35%，指数年化收益5.14%，指数最大回撤-72.96%[15] - 建筑：策略年化收益19.55%，策略最大回撤-20.68%，指数年化收益1.99%，指数最大回撤-68.84%[15] - 纺织服装：策略年化收益16.67%，策略最大回撤-42.64%，指数年化收益0.89%，指数最大回撤-74.22%[15] - 有色金属：策略年化收益31.86%，策略最大回撤-40.52%，指数年化收益4.04%，指数最大回撤-65.28%[15] - 电力及公用事业：策略年化收益17.15%，策略最大回撤-41.46%，指数年化收益2.6%，指数最大回撤-67.22%[17] - 食品饮料：策略年化收益19.76%，策略最大回撤-32.88%，指数年化收益10.36%，指数最大回撤-55.12%[17] - 钢铁：策略年化收益18.43%，策略最大回撤-50.33%，指数年化收益-2.0%，指数最大回撤-69.97%[17] - 消费者服务：策略年化收益15.5%，策略最大回撤-53.53%，指数年化收益6.28%，指数最大回撤-73.29%[17] - 交通运输：策略年化收益17.96%，策略最大回撤-32.45%，指数年化收益0.67%，指数最大回撤-65.47%[17] - 传媒：策略年化收益22.63%，策略最大回撤-49.29%，指数年化收益3.45%，指数最大回撤-85.09%[17] - 煤炭：策略年化收益28.91%，策略最大回撤-24.76%，指数年化收益0.2%，指数最大回撤-69.7%[17] - 医药：策略年化收益19.53%，策略最大回撤-42.71%，指数年化收益7.28%，指数最大回撤-55.37%[17] - 农林牧渔：策略年化收益24.19%，策略最大回撤-37.75%，指数年化收益3.71%，指数最大回撤-62.15%[17] - 石油石化：策略年化收益15.2%，策略最大回撤-30.75%，指数年化收益1.24%，指数最大回撤-56.7%[17] - 银行：策略年化收益11.16%，策略最大回撤-19.52%，指数年化收益7.66%，指数最大回撤-35.31%[17] 3. 特殊K线形态识别模型 - 模型胜率统计（2025年9月1日至2025年9月5日）： - 正面信号出现3061次，未来高点平均胜率61.14%[11] - 负面信号出现3086次，未来低点平均胜率37.14%[11] 4. 券商金股形态策略模型 - 模型胜率：连续4/5根看多信号的胜率达到80%以上[26][29] --- 量化因子与构建方式 1. 形态学信号因子 - **因子名称**：形态学信号因子 - **因子构建思路**：基于K线形态识别生成看多或看空信号，用于个股或指数的择时[11][22] - **因子具体构建过程**： 1. 每日对个股或指数的K线数据进行形态识别[11][22] 2. 判断是否出现特定形态（如金针探底、火箭发射等）[22][24] 3. 生成看多或看空信号[11][22] 4. 统计信号的次数和胜率[11][22] 2. 多空形态剪刀差因子 - **因子名称**：多空形态剪刀差因子 - **因子构建思路**：基于行业成分股的看多和看空信号数量，构建多空剪刀差比率，用于行业择时[14][17] - **因子具体构建过程**： 1. 每日计算行业成分股中看多信号数量（$N_{\text{看多}}$）和看空信号数量（$N_{\text{看空}}$）[14][17] 2. 计算剪刀差： $$\text{剪刀差} = N_{\text{看多}} - N_{\text{看空}}$$ 3. 计算剪刀差比率： $$\text{剪刀差比率} = \frac{N_{\text{看多}} - N_{\text{看空}}}{N_{\text{看多}} + N_{\text{看空}}}$$ 当$N_{\text{看多}} + N_{\text{看空}} = 0$时，比率为0[14][17] 3. 隐含波动率因子 - **因子名称**：隐含波动率因子 - **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，作为市场恐慌指数[7][8] - **因子具体构建过程**： 1. 选择近月平值期权合约[7][8] 2. 使用Heston模型计算隐含波动率[7][8] 3. 每日更新隐含波动率数值[7][8] --- 因子的回测效果 1. 形态学信号因子 - 正面信号胜率：61.14%（2025年9月1日至2025年9月5日）[11] - 负面信号胜率：37.14%（2025年9月1日至2025年9月5日）[11]

量化模型与构建方式 1. **模型名称**：锐联市值加权指数模型[11] **模型构建思路**：基于市值加权方法，但通过四个基本面指标进行选股筛选，侧重企业的经济效益，旨在实现较小的跟踪误差同时获得更好的收益[11] **模型具体构建过程**： - 选股池：未明确指定，但基于宽基指数成分股 - 筛选指标：使用四个基本面指标进行筛选： 1. 销售额 2. 现金流 3. 分红和回购 4. 含无形资产的账面市值 - 加权方式：市值加权 - 具体公式和阈值未在报告中提供 模型的回测效果 （报告中未提供具体的回测效果指标数据） 量化因子与构建方式 1. **因子名称**：销售额因子[11] **因子构建思路**：作为基本面选股指标之一，衡量公司的销售能力[11] **因子具体构建过程**：报告中未提供详细构建公式和计算方法 2. **因子名称**：现金流因子[11] **因子构建思路**：作为基本面选股指标之一，衡量公司的现金流状况[11] **因子具体构建过程**：报告中未提供详细构建公式和计算方法 3. **因子名称**：分红和回购因子[11] **因子构建思路**：作为基本面选股指标之一，衡量公司对股东的回报[11] **因子具体构建过程**：报告中未提供详细构建公式和计算方法 4. **因子名称**：含无形资产的账面市值因子[11] **因子构建思路**：作为基本面选股指标之一，衡量公司的估值水平，并考虑无形资产的影响[11] **因子具体构建过程**：报告中未提供详细构建公式和计算方法 因子的回测效果 （报告中未提供具体的因子测试结果指标数据）