量化模型与构建方式 1. **模型名称**：信达金工行业轮动策略 **模型构建思路**：基于绩优基金的持仓倾向的边际变化，研发了相应的行业轮动模型，旨在捕捉行业轮动的机会[36] **模型具体构建过程**：通过跟踪绩优基金的持仓变化，识别出超配和低配的行业，形成行业轮动信号。具体步骤包括： - 收集绩优基金的持仓数据 - 计算各行业的持仓比例变化 - 根据持仓变化生成行业轮动信号 **模型评价**：该模型能够有效捕捉行业轮动的机会，尤其是在市场快速轮动的行情中表现突出[36] 模型的回测效果 1. **信达金工行业轮动策略**，多头超额收益为1.95[36] 量化因子与构建方式 1. **因子名称**：绩优基金持仓倾向因子 **因子的构建思路**：基于绩优基金的持仓变化，构建行业轮动因子，用于捕捉行业轮动的机会[36] **因子具体构建过程**： - 收集绩优基金的持仓数据 - 计算各行业的持仓比例变化 - 根据持仓变化生成行业轮动因子 **因子评价**：该因子能够有效捕捉行业轮动的机会，尤其是在市场快速轮动的行情中表现突出[36] 因子的回测效果 1. **绩优基金持仓倾向因子**，多头超额收益为1.95[36]

量化模型与构建方式 1. **模型名称：三维择时框架** - **模型构建思路**：通过分歧度、流动性和景气度三个维度来判断市场趋势，进而进行择时决策[7] - **模型具体构建过程**： 1. 分歧度：衡量市场参与者对市场走势的分歧程度 2. 流动性：反映市场资金流动的宽松或紧张状态 3. 景气度：评估市场整体经济活动的活跃程度 根据这三个维度的变化趋势，判断市场是否处于阴跌状态，并建议保持半仓[7] 2. **模型名称：资金流共振策略** - **模型构建思路**：通过监控融资融券和大单资金的净流入情况，选择两类资金都看好的行业进行投资[21][23] - **模型具体构建过程**： 1. 融资融券资金因子：定义为Barra市值因子中性化后的融资净买入减去融券净买入，取最近50日均值后的两周环比变化率 2. 主动大单资金因子：定义为行业最近一年成交量时序中性化后的净流入排序，并取最近10日均值 3. 在主动大单因子的头部打分内剔除融资融券因子的极端多头行业，以提高策略稳定性[23] - **模型评价**：该策略自2018年以来年化超额收益为13.5%，信息比率为1.7，回撤较小，表现稳定[23] 模型的回测效果 1. **三维择时框架**： - 当前市场处于盘整状态下的下跌波段，价格接近阻力线，突破难度较大，建议谨慎[7] 2. **资金流共振策略**： - 上周实现绝对收益4.2%，超额收益2.1%[23] 量化因子与构建方式 1. **因子名称：研发因子** - **因子构建思路**：通过研发投入与销售收入、总资产、净资产的占比来衡量企业的研发强度[32] - **因子具体构建过程**： 1. 研发销售收入占比：$$tot\_rd\_ttm\_to\_sales = \frac{研发投入}{销售收入}$$ 2. 研发总资产占比：$$tot\_rd\_ttm\_to\_assets = \frac{研发投入}{总资产}$$ 3. 研发净资产占比：$$tot\_rd\_ttm\_to\_equity = \frac{研发投入}{净资产}$$[32] - **因子评价**：研发因子在近期表现较好，尤其是在中小市值股票中超额收益显著[32] 2. **因子名称：分析师一致预测因子** - **因子构建思路**：通过分析师对目标价格的一致预测与当前价格的差异来衡量市场预期[32] - **因子具体构建过程**： 1. 30天一致预期目标价格/收盘价-1：$$target\_return\_30d = \frac{目标价格}{收盘价} - 1$$ 2. 180天一致预期目标价格/收盘价-1：$$target\_return\_180d = \frac{目标价格}{收盘价} - 1$$[32] - **因子评价**：分析师一致预测因子在大小市值股票中均表现较好，尤其是在小市值股票中超额收益更高[32] 因子的回测效果 1. **研发因子**： - 近一周多头超额收益：3.31%（研发销售收入占比）、3.14%（研发总资产占比）、2.34%（研发净资产占比）[32] 2. **分析师一致预测因子**： - 近一周多头超额收益：1.20%（沪深300）、1.70%（中证500）、2.31%（中证1000）、3.16%（国证2000）[35] 量化组合的回测效果 1. **沪深300增强组合**： - 上周绝对收益：1.99% - 上周超额收益：0.60% - 本年超额收益：2.31%[36] 2. **中证500增强组合**： - 上周绝对收益：2.34% - 上周超额收益：-0.28% - 本年超额收益：-2.74%[36] 3. **中证1000增强组合**： - 上周绝对收益：2.99% - 上周超额收益：-0.80% - 本年超额收益：-2.03%[36]

量化模型与构建方式 1. **模型名称：戴维斯双击策略** - **模型构建思路**：通过以较低的市盈率买入具有成长潜力的股票，待成长性显现、市盈率相应提高后卖出，获得乘数效应的收益，即 EPS 和 PE 的"双击"[1][7] - **模型具体构建过程**：策略基于盈利持续增长和市盈率（PE）的变化，寻找业绩增速在加速增长的标的，控制 PE 的向下空间[7] - **模型评价**：策略在 2010-2017 年回测期内实现了 26.45% 的年化收益，超额基准 21.08%，具有非常好的稳定性[8] 2. **模型名称：净利润断层策略** - **模型构建思路**：基于基本面与技术面共振双击下的选股模式，核心是净利润超预期和盈余公告后股价的向上跳空行为[2][11] - **模型具体构建过程**：每期筛选过去两个月业绩预告和正式财报满足超预期事件的股票样本，按照盈余公告日跳空幅度排序前 50 的股票等权构建组合[11] - **模型评价**：策略在 2010 年至今取得了年化 28.96% 的收益，年化超额基准 26.99%[13] 3. **模型名称：沪深 300 增强组合** - **模型构建思路**：基于投资者偏好因子（GARP 型、成长型、价值型）构建增强组合，寻找估值低且盈利能力强的股票[3][17] - **模型具体构建过程**：以 PB 与 ROE 的分位数之差构建 PBROE 因子，以 PE 与增速的分位数之差构建 PEG 因子，筛选估值低且成长潜力稳定的公司[17] - **模型评价**：历史回测超额收益稳定，本年组合相对沪深 300 指数超额收益为 0.08%[21] 模型的回测效果 1. **戴维斯双击策略** - 绝对收益：24.33%[8] - 基准收益：2.49%[8] - 超额收益：21.84%[8] - 最大相对回撤：-20.14%[8] - 收益回撤比：1.08[8] 2. **净利润断层策略** - 绝对收益：28.96%[13] - 基准收益：1.97%[13] - 超额收益：26.99%[13] - 最大相对回撤：-37.12%[13] - 收益回撤比：0.73[13] 3. **沪深 300 增强组合** - 绝对收益：9.07%[19] - 基准收益：0.67%[19] - 超额收益：8.41%[19] - 相对最大回撤：-9.18%[19] - 收益回撤比：0.92[19] 量化因子与构建方式 1. **因子名称：PBROE 因子** - **因子构建思路**：寻找估值低且盈利能力强的股票，基于 PB 与 ROE 的分位数之差构建[17] - **因子具体构建过程**：计算 PB 和 ROE 的分位数，取两者之差作为因子值[17] 2. **因子名称：PEG 因子** - **因子构建思路**：寻找价值被低估且拥有可靠成长潜力的公司，基于 PE 与增速的分位数之差构建[17] - **因子具体构建过程**：计算 PE 和增速的分位数，取两者之差作为因子值[17] 因子的回测效果 （报告中未提供因子的具体回测效果数据）

量化模型与构建方式 1. **模型名称**：产业链 Agent **模型构建思路**：利用大语言模型的生成与分析能力，结合 RAG 方法从海量新闻、研报等文本中自动检索相关信息，挖掘产业链信息，确保结果的合理性、时效性与专业性[41] **模型具体构建过程**：基于 RAG 方法，模型首先在本地知识库中检索相关信息，然后通过大模型的理解与推理能力，生成产业链图谱，并提供相关股票池[41] **模型评价**：该模型能够高效生成产业链图谱，并提供合理的股票池，具有较强的时效性与专业性[41] 量化因子与构建方式 1. **因子名称**：领涨因子 **因子构建思路**：基于量价数据，筛选出近期表现强势的股票[45] **因子具体构建过程**：通过分析股票的量价数据，计算其近期涨幅，筛选出涨幅较大的股票作为领涨因子[45] **因子评价**：该因子能够有效捕捉市场热点，筛选出近期表现强势的股票[45] 2. **因子名称**：尖峰右偏因子 **因子构建思路**：基于股票收益率的分布特征，筛选出收益率分布右偏的股票[45] **因子具体构建过程**：通过计算股票收益率的偏度，筛选出偏度为正且较大的股票作为尖峰右偏因子[45] **因子评价**：该因子能够捕捉到收益率分布右偏的股票，具有较强的市场预测能力[45] 模型的回测效果 1. **产业链 Agent 模型**，生成产业链图谱的时效性与专业性均表现优异[41] 2. **领涨因子**，近期涨幅较大的股票表现强势[45] 3. **尖峰右偏因子**，收益率分布右偏的股票具有较强的市场预测能力[45] 因子的回测效果 1. **领涨因子**，近期涨幅较大的股票表现强势[45] 2. **尖峰右偏因子**，收益率分布右偏的股票具有较强的市场预测能力[45]

量化模型与构建方式 1. 模型名称：多模态多尺度股价预测模型 - **模型构建思路**：基于AI看图初始版本模型进行改进，结合多模态（图表数据与时序数据）和多尺度（日内高频、日频、周频）特征提取，同时采用回归损失和分类损失进行端到端训练[14][17][18] - **模型具体构建过程**： 1. **多模态特征提取**：结合卷积模型和时序模型，分别处理价量数据图表和时序数据，捕获不同模态下的特征[17] 2. **多尺度特征提取**：引入1分钟频、日频、周频数据，构建55组高频因子特征，并通过时序模型提取多日特征[18] 3. **轻量化设计**：每个子模型的参数量减少至初始模型的1/4，降低过拟合风险并提升计算效率[18] 4. **多头输出**：模型输出包括未来股价的绝对收益和涨平跌分类，分别采用均方误差和交叉熵作为损失函数[19] 5. **训练与回测**：训练样本为2008-2016年数据，验证样本为2017-2019年数据，回测样本为2020-2024年数据[23][117] - **模型评价**：通过多模态、多尺度特征提取和轻量化设计，显著提升了模型的预测能力和计算效率[14][18][19] --- 模型的回测效果 1. 多模态多尺度股价预测模型 - **全市场**： - RankIC均值：8.7%[21][116] - RankIC胜率：86.7%[21][116] - 多头年化收益率：15.58%[24] - 超额年化收益率：12.97%[24] - **沪深300**： - RankIC均值：7.9%[21][116] - RankIC胜率：69.0%[21][116] - 多头年化收益率：9.48%[33] - 超额年化收益率：9.17%[33] - **中证500**： - RankIC均值：6.6%[21][116] - RankIC胜率：73.5%[21][116] - 多头年化收益率：9.36%[42] - 超额年化收益率：5.30%[42] - **中证800**： - RankIC均值：6.9%[21][116] - RankIC胜率：75.2%[21][116] - 多头年化收益率：9.43%[52] - 超额年化收益率：8.38%[52] - **中证1000**： - RankIC均值：8.2%[21][116] - RankIC胜率：84.8%[21][116] - 多头年化收益率：11.45%[61] - 超额年化收益率：7.47%[61] - **国证2000**： - RankIC均值：8.7%[21][116] - RankIC胜率：86.1%[21][116] - 多头年化收益率：14.30%[70] - 超额年化收益率：7.47%[70] - **创业板**： - RankIC均值：10.4%[21][116] - RankIC胜率：89.2%[21][116] - 多头年化收益率：22.01%[79] - 超额年化收益率：11.52%[79] --- 量化因子与构建方式 1. 因子名称：多模态多尺度因子 - **因子构建思路**：基于多模态（图表数据与时序数据）和多尺度（日内高频、日频、周频）特征提取，结合深度学习模型的预测结果生成因子[14][17][18] - **因子具体构建过程**： 1. **高频因子**：从1分钟频数据中提取55组特征，构建日度因子[18] 2. **时序因子**：通过GRU等时序模型提取日频和周频数据的特征[17][18] 3. **卷积因子**：基于价量数据图表，通过卷积神经网络提取形态特征[17][114] 4. **因子融合**：将不同模态和尺度的因子进行融合，生成最终因子[17][18] - **因子评价**：与Barra风格因子相关性较低，相关性最高的三个因子为流动性因子（-18%）、波动率因子（-16%）和市值因子（-8%），具有较强的独立性[22][117] --- 因子的回测效果 1. 多模态多尺度因子 - **全市场**： - RankIC均值：8.7%[21][116] - RankIC胜率：86.7%[21][116] - 超额年化收益率：12.97%[24] - **沪深300**： - RankIC均值：7.9%[21][116] - RankIC胜率：69.0%[21][116] - 超额年化收益率：9.17%[33] - **中证500**： - RankIC均值：6.6%[21][116] - RankIC胜率：73.5%[21][116] - 超额年化收益率：5.30%[42] - **中证800**： - RankIC均值：6.9%[21][116] - RankIC胜率：75.2%[21][116] - 超额年化收益率：8.38%[52] - **中证1000**： - RankIC均值：8.2%[21][116] - RankIC胜率：84.8%[21][116] - 超额年化收益率：7.47%[61] - **国证2000**： - RankIC均值：8.7%[21][116] - RankIC胜率：86.1%[21][116] - 超额年化收益率：7.47%[70] - **创业板**： - RankIC均值：10.4%[21][116] - RankIC胜率：89.2%[21][116] - 超额年化收益率：11.52%[79]

aa 证券研究报告·金融工程报告 2025 年 3 月 3 日 江海证券研究发展部 金融工程定期报告 转债跟随权益走低，转股溢价率小幅 回升 核心内容： ◆可转债市场表现： ◆可转债条款跟踪： 分析师：刘晓杰 执业证书编号： S1410523120001 联系人：朱威 ➢ 近一周（2025-02-24 至 2025-02-28），上证转债、深证转债、中证转债指数 周涨跌幅分别为-0.68%、-1.16%、-0.89%。权益市场中，上证指数周涨跌幅 为-1.72%，收于 3320.90 点；中证全指周涨跌幅为-2.53%，收于 4847.41 点。对比转债市场与权益市场，中证转债相较于中证全指周绝对收益为 1.64%。 ➢ 近一周（2025-02-24 至 2025-02-28），可转债市场成交量与成交额分别为 254,745.92 万张与 42,541,372.03 万元，周环比变化分别为 0.76%、3.71%； 可转债对应正股成交量与成交额分别为 5,409,498.53 万股与 85,142,094.14 万元，周环比变化为 0.17%、2.00%。对比上周，转债与正股成交活跃度维 持高位。 ➢ 截止至 ...

量化模型与构建方式 1. **模型名称**：港股优选 20 组合 **模型构建思路**：基于港股通样本股，通过多因子模型筛选出表现优异的个股，构建等权组合[31] **模型具体构建过程**：在每月底对分数最高的前 20 只个股按照等权的方式构建组合，基准选取港股综合指数(HKD) (930930.CSI)[34] **模型评价**：该组合在长期表现中显示出较高的超额年化收益率，但近期表现有所波动[34] 模型的回测效果 1. **港股优选 20 组合**，超额年化收益率 14.3%，超额年化波动率 13.4%，超额收益波动比 1.1，超额最大回撤 18.2%[35] 量化因子与构建方式 1. **因子名称**：技术面、资金面、基本面、分析师预期 **因子的构建思路**：通过四大类因子对港股通成分股进行分组，筛选出表现优异的个股[31] **因子具体构建过程**：未详细描述具体构建过程，但四大类因子在港股通成分股中分组表现优异[31] **因子评价**：四大类因子在港股通成分股中表现出较好的分组效果[31] 因子的回测效果 1. **技术面、资金面、基本面、分析师预期因子**，未提供具体指标值[31]

* [10] M. C. ETF 市场回顾 从一级市场资金流动情况来看，上周（2025.2.24-2025.2.28）已上市 ETF 资金净流入合计-37.81 亿元，其中跨境 ETF 资金净流入 145.25 亿元，商品型 ETF 资金净流入 14.72 亿元，债券型 ETF 资金净流出 6.64 亿元，股票型 ETF 资金净 流出 191.13 亿元。 在股票型 ETF 中，宽基 ETF 上周资金净流入-385.18 亿元，多类宽基 ETF 资金净流出，如沪深 300ETF、中证 A500ETF。 主题行业 ETF 上周资金净流入 198.36 亿元。上周科技、金融地产、高端制造、医药生物、周期、消费板块 ETF 资金 净流入额分别为 69.11 亿元、50.13 亿元、50.07 亿元、19.22 亿元、9.53 亿元、3.21 亿元。 本周共有 11 只 ETF 上市，包含 9 只科创板综合 ETF、2 只科创板综合价格 ETF。 上周共有 17 只 ETF 产品申报，包含创业板人工智能 ETF、国证自由现金流 ETF、沪深 300 自由现金流 ETF、中证 A500 增强策略 ETF。8 只中证 A ...

量化模型与构建方式 1. 模型名称：主动权益基金宽基增强组合策略 - **模型构建思路**：通过最大化Alpha暴露和Beta端敞口控制，构建基于主动权益基金的宽基增强组合策略，目标是获取主动管理的Alpha收益，同时有效跟踪宽基指数[2][11][14] - **模型具体构建过程**： 1. **基金筛选**：筛选与目标指数（如沪深300、中证500）具有高相关性的主动偏股型基金，构建样本池[16][18][19] 2. **收益预测**：基于多因子选基体系，构建复合因子（包括基金经理实力稳定性因子、选股Alpha因子、基金规模因子、管理人员工持有比例因子），最大化目标基金组合的Alpha暴露[24][34][35] 3. **敞口控制**： - **行业暴露控制**：通过高频行业仓位测算，计算基金行业配置，并引入行业ETF补充暴露[39][42][46] - **风格暴露控制**：基于Barra风格体系，控制基金在成长、价值、市值等风格上的暴露[50][51][53] - **仓位暴露控制**：通过高频仓位测算，约束基金组合的整体权益仓位[53][56][65] 4. **组合优化**：最大化复合因子暴露，控制组合的行业、风格、权益仓位敞口，最终构建增强组合[66] - **模型评价**：策略在Alpha收益、跟踪误差和稳定性上表现优异，尤其在沪深300域中主动管理的Alpha更为显著[67][73] 2. 模型名称：基于指增基金的宽基增强策略 - **模型构建思路**：通过筛选信息比率最高的指增基金，构建分散化的指数增强基金组合，降低跟踪误差并提升策略稳定性[98][99] - **模型具体构建过程**： 1. **基金筛选**：每期筛选过去一年信息比率最高的五只指增基金[99] 2. **组合构建**：等权配置筛选出的指增基金，构建指数增强基金组合[99] - **模型评价**：指增基金组合在跟踪误差控制上表现优异，但Alpha收益低于主动权益基金增强组合[99][105] 3. 模型名称：复合增强策略 - **模型构建思路**：将主动权益基金增强组合与指增基金增强组合按策略信息比进行权重分配，构建复合增强策略，提升稳定性和容量[110][115] - **模型具体构建过程**： 1. **权重分配**：根据过去一年策略信息比，动态调整主动权益基金组合和指增基金组合的权重[110][113] 2. **组合优化**：在复合策略中平衡两种子策略的Alpha和跟踪误差[115] - **模型评价**：复合策略在超额收益、跟踪误差和稳定性上均优于单一子策略，Alpha来源的低相关性进一步增强了策略的稳定性[115][121] --- 模型的回测效果 主动权益基金宽基增强组合 - 沪深300增强组合：年化超额收益8.19%，年化跟踪误差3.91%，最大超额回撤率5.20%，信息比2.10[67][68] - 中证500增强组合：年化超额收益10.67%，年化跟踪误差4.80%，最大超额回撤率7.77%，信息比2.22[67][68] - 中证800增强组合（复合沪深300与中证500）：年化超额收益8.92%，年化跟踪误差3.61%，最大超额回撤率5.59%，信息比2.47[91][93] 基于指增基金的宽基增强策略 - 沪深300指增组合：年化超额收益4.99%，年化跟踪误差2.34%，最大超额回撤率4.12%，信息比2.13[99][100] - 中证500指增组合：年化超额收益7.98%，年化跟踪误差3.45%，最大超额回撤率6.19%，信息比2.31[99][100] 复合增强策略 - 中证500复合增强组合：年化超额收益8.81%，年化跟踪误差3.53%，最大超额回撤率6.63%，信息比2.50[115][117] --- 量化因子与构建方式 1. 因子名称：基金经理实力稳定性因子 - **因子构建思路**：衡量基金经理调仓换股能力的稳定性[24][34] - **因子具体构建过程**：基于过去120日、240日、480日的调仓换股能力等权合成，计算超额收益与超额标准差的比值[34][35] - **因子评价**：在沪深300和中证500域中均表现出较高的Alpha预测能力[27][29][32] 2. 因子名称：选股Alpha因子 - **因子构建思路**：剔除风格后，衡量基金的选股能力[24][34] - **因子具体构建过程**：基于日度收益率回归，计算选股能力的截距值[24][34] - **因子评价**：在多头组回测中表现出显著的Alpha收益[27][29][32] 3. 因子名称：基金规模因子 - **因子构建思路**：小规模基金可能具有更高的收益潜力[24][34] - **因子具体构建过程**：取基金最新一期规模值，按负向排序[34][35] - **因子评价**：在回测中表现出一定的Alpha预测能力[27][29][32] 4. 因子名称：管理人员工持有比例因子 - **因子构建思路**：基金公司内部持有比例较高的基金可能更受认可[24][34] - **因子具体构建过程**：取基金最新一期管理人员工持有比例值，按正向排序[34][35] - **因子评价**：在回测中表现出一定的Alpha预测能力[27][29][32] --- 因子的回测效果 沪深300域 - 基金经理实力稳定性因子：年化超额收益9.07%，信息比1.70[27][29] - 选股Alpha因子：年化超额收益9.03%，信息比1.56[27][29] - 基金规模因子：年化超额收益7.54%，信息比1.45[27][29] - 管理人员工持有比例因子：年化超额收益7.20%，信息比1.31[27][29] 中证500域 - 基金经理实力稳定性因子：年化超额收益12.48%，信息比1.87[32][34] - 选股Alpha因子：年化超额收益12.60%，信息比1.82[32][34] - 基金规模因子：年化超额收益10.42%，信息比1.52[32][34] - 管理人员工持有比例因子：年化超额收益11.84%，信息比1.74[32][34]

证券研究报告 | 金融工程 gszqdatemark 2025 03 02 年 月 日 量化点评报告 三月配置建议：久期择时模型怎么看国债？ 本期话题：久期择时模型怎么看国债？基于"利率债收益拆解->利率建模 预测->蒙特卡洛模拟->利率债预期收益计算"等步骤，我们可以估算任一 期限国债持有任意时长的预期回报。基于未来 1 个月预期收益的久期交易 策略年化收益 6.8%，最大回撤 2.3%。基于未来 12 个月预期收益的久期 配置策略年化收益 6.3%，最大回撤 1.2%，均显示出不俗的择时能力。当 前模型最新的结论为：未来 1 个月仍建议配置短久期国债来抵御市场风 险，未来 12 个月可适当关注 1-3 年期国债的配置价值，但 7-10 年期国 债的配置机会或仍需等待。 战略配置：大盘优于小盘。从 A 股收益预测模型的最新预测来看，沪深 300 未来一年预期收益为 16.9%，中证 500 未来一年预期收益为-29.1%，两 者拉开了巨大的差异。哪怕我们对宽基指数的预期收益与真实收益之间存 在偏差，但是根据 300 和 500 预期收益差构建的宽基指数多空策略似乎 是长期有效的，这意味着预期收益差具备 30 ...